Was diese Woche gesagt wurde
Jan Viebig, langjähriger Chefanlagestratege bei mehreren deutschen Privatbanken, hat im Handelsblatt-Interview eine bemerkenswert nüchterne Einschätzung abgegeben: Bei der Anwendung von KI in der Geldanlage stehen wir noch ganz am Anfang.
Das ist kein Marketing-Statement eines FinTech-Gründers. Das ist die Position eines Praktikers, der jahrelang Portfolios mit Milliardenvolumen verantwortet hat. Und genau deshalb sollten Sie genau hinhören.
Die Aussage steht im Kontrast zu dem, was man auf jeder zweiten Wealth-Management-Konferenz hört. Dort wird KI seit drei Jahren als bereits etablierter Bestandteil moderner Asset-Allocation verkauft. Robo-Advisor-Anbieter werben mit KI-gestützter Optimierung. Große Häuser kündigen quartalsweise neue KI-Initiativen an.
Viebig sagt im Grunde: Das meiste davon ist Etikett, nicht Substanz.
Warum ich seine Einschätzung teile
Ich arbeite seit Jahren mit Finanzdienstleistern in Österreich und Deutschland an konkreten KI-Projekten. Was ich in der Praxis sehe, deckt sich mit Viebigs Befund.
Drei Beobachtungen:
Erstens: Die meisten Wealth-Management-Anwendungen nutzen KI heute für Dokumentenverarbeitung, nicht für Anlageentscheidungen. Onboarding, KYC, Reporting-Generierung, Protokollierung von Beratungsgesprächen. Das ist sinnvoll, spart Zeit und reduziert Fehler. Aber es ist eben kein KI-gestütztes Portfolio-Management. Es ist Backoffice-Automatisierung.
Zweitens: Die echten quantitativen Modelle in der Allokation sind selten Deep Learning oder LLM-basiert. Sie sind klassische statistische Verfahren mit langjährigem Track-Record. Faktormodelle, Mean-Variance-Optimierung, Black-Litterman. Wer hier durch Transformer ersetzen will, hat ein Erklärungsproblem gegenüber Risikomanagement, Aufsicht und Kunde. Zu Recht.
Drittens: LLMs haben in der Geldanlage ein fundamentales Problem mit Zahlen. Wenn ein Sprachmodell eine Rendite oder Korrelation halluziniert, fällt das im Reporting auf. Wenn es das in einer Entscheidungsgrundlage tut, fällt es nicht auf, bis es zu spät ist. Genau deshalb sind die produktiven Einsatzfelder heute Textanalyse (Researchberichte, Ad-hoc-Meldungen, Geschäftsberichte) und nicht numerische Allokation.
Viebigs Anfangsstadium-Diagnose ist also keine Skepsis gegen KI. Sie ist ein realistisches Bild davon, wo der produktive Einsatz heute steht: an den Rändern, nicht im Kern der Anlageentscheidung.
Was das für Privatbanken und Vermögensverwalter heißt
Die Versuchung ist groß, aus solchen Aussagen den Schluss zu ziehen: Dann warten wir eben noch. Das halte ich für falsch.
Der richtige Schluss ist: Investieren Sie jetzt dort, wo der Reifegrad bereits ausreicht, und bauen Sie parallel die Datenbasis für später auf.
Konkret heißt das drei Dinge.
Erstens: Research-Aggregation und Textanalyse sind produktionsreif. Wenn Ihre Analysten täglich 40 Researchberichte, Notenbankmeldungen und Geschäftszahlen lesen, dann ist ein LLM-gestützter Vorfilter mit Quellenangabe ein Effizienzgewinn von Faktor drei bis fünf. Das funktioniert heute. Anbieter wie Bloomberg, FactSet und mehrere spezialisierte FinTech-Lösungen bieten das. Wer eigene Daten und Mandantenbezug braucht, kann mit Claude oder GPT in einer kontrollierten Umgebung selbst bauen. Die Compliance-Frage ist lösbar, wenn das System ohne Modelltraining auf Mandantendaten arbeitet.
Zweitens: Client-Reporting und Beratungsdokumentation sind low-hanging fruit. Die MiFID-II-Protokollierungspflicht frisst Beraterzeit, die für den Kunden verloren ist. LLM-gestützte Transkription und Strukturierung des Gesprächs reduziert das von 20 Minuten Nacharbeit auf zwei Minuten Korrektur. Das ist messbar, einführbar und hat einen klaren ROI. Mehrere österreichische Privatbanken setzen das bereits in Pilotprojekten ein.
Drittens: Im Kern der Anlageentscheidung selbst sollten Sie heute noch zurückhaltend sein. Nicht weil die Technologie schlecht wäre. Sondern weil die regulatorische Erklärbarkeit fehlt. Der EU AI Act stuft automatisierte Anlageempfehlungen als Hochrisiko-Anwendung ein. Das bedeutet Dokumentationspflichten, Audit-Trails und nachvollziehbare Entscheidungslogik. Ein LLM, das Allokationen vorschlägt, kann diese Anforderungen heute nicht erfüllen. Hier ist Viebigs Anfangsstadium-Diagnose völlig zutreffend.
Was Sie konkret diese Woche tun können
Drei Schritte für Entscheider in Wealth-Management und Vermögensverwaltung.
1. Inventarisieren Sie, wo bei Ihnen heute KI tatsächlich produktiv läuft. Trennen Sie streng zwischen Marketing-Etikett und produktivem Einsatz. Wenn Ihr Robo-Advisor mit KI wirbt, fragen Sie Ihren Anbieter, welche Komponenten konkret auf Machine Learning basieren und welche auf klassischen Regelwerken. Die Antwort wird Sie überraschen.
2. Priorisieren Sie zwei Anwendungsfälle für 2026, die heute funktionieren. Mein Vorschlag: Researchaggregation für Ihre Analysten und Gesprächsprotokollierung für Ihre Berater. Beides hat klare Geschäftsfälle, beides ist regulatorisch handhabbar, beides liefert messbaren ROI innerhalb von sechs Monaten.
3. Bauen Sie jetzt die Datenbasis für den nächsten Reifegrad auf. Wenn KI im Kern der Anlageentscheidung in drei bis fünf Jahren produktionsreif wird, gewinnt der, der dann saubere, strukturierte, historisierte Mandantendaten hat. Nicht der mit dem schicksten Modell. Daten-Hygiene ist die echte Investition für 2026.
Viebigs Einschätzung ist eine Einladung zur Nüchternheit, nicht zur Untätigkeit. Wer heute auf Substanz statt Etikett setzt, ist in zwei Jahren der Anbieter mit dem differenzierten Angebot. Wer auf den nächsten KI-Hype wartet, bleibt Etikettenkleber.