Was passiert ist
Jan Viebig, langjähriger Chefanlagestratege bei mehreren Privatbanken, hat diese Woche im Handelsblatt-Interview eine klare Ansage gemacht: Bei der Anwendung von KI in der Geldanlage stehe man „noch ganz am Anfang”. Das Zitat ist deshalb relevant, weil Viebig kein KI-Skeptiker ist und auch kein Außenstehender. Er hat Portfolios im Milliardenbereich verantwortet und kennt die Werkzeuge der Branche von innen.
Die Aussage steht im Kontrast zur Marketing-Realität. Fast jede Privatbank, jeder Vermögensverwalter und jeder Robo-Advisor im deutschsprachigen Raum wirbt seit 2023 mit KI-gestützten Anlagestrategien. Wenn ein Stratege wie Viebig dann sagt, das stecke alles noch in den Kinderschuhen, lohnt es sich, das ernst zu nehmen.
Warum das jetzt für die Finanzbranche zählt
Viebigs Befund deckt sich mit dem, was ich in Beratungsmandaten bei mittelgroßen Vermögensverwaltern und Privatbanken in Österreich und Süddeutschland sehe. Die Lücke zwischen dem, was technisch heute möglich wäre, und dem, was operativ tatsächlich läuft, ist groß.
Typisches Muster bei Häusern mit 500 Millionen bis 5 Milliarden Euro AuM: Es gibt ein KI-Pilotprojekt im Research, meist mit ChatGPT Enterprise oder Copilot. Es gibt vielleicht ein Sentiment-Scoring auf Newsfeeds. Und es gibt eine Diskussion darüber, ob man Client-Reporting automatisieren darf. Das war es dann meistens.
Was nicht passiert: KI an den Stellen einsetzen, wo sie messbar Marge oder Qualität bringt. Drei dieser Stellen sind unterausgenutzt.
Erstens: Portfolio-Allocation mit ML-gestütztem Faktor-Tilting
Klassische Markowitz-Allokation mit historischen Kovarianzen ist seit Jahrzehnten Standard. Moderne ML-Verfahren (Hierarchical Risk Parity, Reinforcement Learning auf Rebalancing-Entscheidungen) liefern in Backtests stabilere Ergebnisse in Stressphasen. Häufiges Argument dagegen: regulatorische Erklärbarkeit. Das stimmt nur teilweise. Wer das Modell als entscheidungsunterstützend einsetzt und die finale Allokation vom Portfoliomanager freigeben lässt, bleibt MiFID-II-konform und hat trotzdem den Performance-Vorteil.
Zweitens: Client-Reporting und Mandanten-Kommunikation
Das ist der schnellste ROI, den ich derzeit in Wealth-Mandaten sehe. Ein Berater mit 80 bis 120 Mandanten verbringt 30 bis 40 Prozent seiner Zeit mit Reporting, Marktkommentaren und Antworten auf wiederkehrende Fragen. LLMs mit Zugriff auf die Mandanten-Portfoliodaten und einem internen RAG-System aus den Hausresearch-Berichten können davon einen großen Teil vorbereiten. Nicht versenden, vorbereiten. Der Berater liest, korrigiert, gibt frei.
Achtung bei Zahlen. LLMs halluzinieren bei Renditen, Gewichtungen und Performance-Beiträgen. Die Architektur muss so gebaut sein, dass numerische Werte aus dem PMS-System kommen und das LLM nur die Textumgebung produziert. Wer Zahlen vom Modell generieren lässt, hat ein Compliance-Problem, kein Tool.
Drittens: Onboarding und KYC
Im Private-Banking-Onboarding stecken pro Neumandant immer noch 4 bis 8 Stunden manuelle Arbeit. Dokumentenextraktion, Source-of-Wealth-Prüfung, PEP-Screening, Plausibilitätschecks. Hier sind multimodale Modelle (GPT-4o, Claude Sonnet 4.5, Gemini 2.5) inzwischen so gut, dass sie 70 Prozent der Vorarbeit übernehmen können. Der Compliance-Mitarbeiter wird zum Reviewer statt zum Tipper.
Warum es trotzdem langsam geht
Viebigs „ganz am Anfang” hat strukturelle Gründe, die KMU-Finanzhäuser kennen sollten:
- Datenqualität. Ohne saubere, strukturierte Mandanten- und Marktdaten ist jedes KI-Projekt Theater. Viele Häuser haben ihr PMS aus den 2000ern und kein Data-Warehouse.
- Regulatorische Unsicherheit. EU AI Act, DORA, MiFID-II-Suitability und BaFin-Hinweise zu KI in der Anlageberatung überlappen sich. Compliance-Abteilungen blockieren im Zweifel.
- Talent. Quants und ML-Engineers gehen zu Hedgefonds, nicht zu mittelgroßen Privatbanken. Ohne internes Know-how bleibt es bei Pilotprojekten mit externen Beratern.
Die ersten beiden Punkte sind lösbar mit Investment und Klarheit. Der dritte ist der eigentliche Engpass.
Mein Rat für Wealth-Manager und Privatbanken
Drei konkrete Schritte, die ein Haus mit 50 bis 500 Mitarbeitern in den nächsten sechs Monaten gehen kann.
Schritt 1: Reporting-Automatisierung als Türöffner. Start mit dem quartalsweisen Mandantenreporting. Ein Pilot mit 20 Mandanten, drei Beratern, klar definierten Templates. Ziel: 50 Prozent Zeitersparnis bei gleicher oder besserer Qualität. Das schafft interne Akzeptanz und liefert die Datenpipeline, die man später für andere Use-Cases braucht.
Schritt 2: KI-Governance-Framework bauen, bevor die Regulatorik zuschlägt. Wer jetzt ein internes Framework hat (welche Modelle dürfen wofür eingesetzt werden, wie wird Halluzination kontrolliert, wie sieht das Audit-Log aus), spart sich 2026/27 viel Stress. DORA-Compliance ist seit Januar scharf, der AI-Act greift schrittweise. Häuser ohne Framework werden bei der nächsten BaFin- oder FMA-Prüfung schlecht aussehen.
Schritt 3: Eine externe ML-Perspektive auf die Allokations-Logik holen. Nicht das Hausresearch ersetzen. Aber einmal von außen prüfen lassen, ob die klassischen Allokations-Modelle in Stresstests gegen moderne ML-Ansätze bestehen. Das kostet einen mittleren fünfstelligen Betrag und gibt Klarheit, ob man tatsächlich „am Anfang” ist oder schon einen Vorsprung hat.
Fazit
Viebigs Diagnose ist unbequem, aber präzise. Die KI-Anwendung in der Geldanlage ist im DACH-Raum tatsächlich früh dran, gemessen am Potenzial. Das ist eine Chance für Häuser, die jetzt strukturiert vorgehen, statt auf das nächste Modell-Release zu warten. Wer 2027 KI-getriebenes Wealth-Management anbieten will, muss 2025 die Datenpipeline bauen und das Governance-Framework aufsetzen. Beides ist machbar. Beides braucht Entscheidungen, die heute fallen müssen.