Fragen & Antworten

Die Frage, wo man mit KI in einem Fonds anfangen soll, wird oft aus dem falschen Blickwinkel angegangen. Es geht nicht darum, ein Werkzeug auszuwählen, sondern zu ermitteln, wo KI die betriebliche Effizienz, die Datenqualität oder die Entscheidungsqualität konkret verbessern kann.
In der Mehrzahl der Verwaltungsgesellschaften sind die ersten Gewinne nicht bei komplexen oder "spektakulären" Anwendungen zu verzeichnen. Sie treten vielmehr bei sich wiederholenden, zeitraubenden Aufgaben mit geringem intellektuellen Mehrwert auf: Konsolidierung von Berichten, Erstellung von Zusammenfassungen, Suche nach Informationen in Dokumenten, Erstellung von Berichten, Strukturierung von Daten aus heterogenen Dateien oder Bearbeitung von wiederkehrenden E-Mails.
Der erste Schritt besteht also darin, die bestehenden Prozesse zu analysieren. Sie müssen verstehen, wie die Teams tatsächlich arbeiten: Wo zirkulieren die Daten, welche Tools werden verwendet, wo gibt es doppelte Eingaben, manuelle Anpassungen, Informationsverluste oder Excel-Abhängigkeiten.
Diese Kartierungsphase ist entscheidend, denn sie zeigt, wo es betriebliche Reibungspunkte gibt und wo KI unmittelbare Vorteile bringen kann, ohne die Organisationen grundlegend zu verändern.
Der zweite Schritt besteht darin, die Datenkette minimal zu strukturieren. Selbst eine leistungsfähige KI liefert schwache Ergebnisse, wenn sie sich auf inkohärente, verstreute oder nicht regierte Daten stützt. Man muss nicht sofort eine komplexe Architektur aufbauen, aber man braucht eine verlässliche Grundlage: zentralisierte Daten, gemeinsame Definitionen und minimale Validierungsregeln.
Sobald diese Grundlage geschaffen ist, wird es möglich, einige gezielte Anwendungsfälle zu starten, die drei Merkmale aufweisen: begrenzter Umfang, messbarer Wert und geringes operationelles Risiko.
Die effektivsten Projekte sind oft sehr pragmatisch: Automatisierung von Memo-Zusammenfassungen, Extraktion von Informationen aus einem Datenraum, Vorbereitung von LP-Reportings, Unterstützung bei der Literatursuche oder Strukturierung von KPIs für Beteiligungen.
Der klassische Fehler besteht darin, eine globale KI-Strategie zu entwickeln, bevor die Daten- und Betriebsgrundlagen stabilisiert sind. Umgekehrt sind diejenigen Fonds erfolgreich, die schrittweise aufbauen: Strukturierung der Daten, erste geschäftliche Anwendungsfälle, Kompetenzaufbau der Teams und dann Industrialisierung.
Die KI muss als eine Beschleunigungsschicht über einer bereits beherrschten Organisation betrachtet werden. Ohne ein solides Fundament verstärkt sie die bestehenden Schwächen. Mit einer strukturierten Datenkette und einem klaren Rahmen für die Nutzung wird sie zu einem äußerst mächtigen operativen Hebel.

Die Einführung von KI und Data in einem Fonds führt nicht zu einem abrupten Bruch in den Berufen, sondern lässt neue Rollen rund um die Strukturierung der Daten, die Governance und die operative Nutzung entstehen.
Die erste Schlüsselrolle ist die des fachlichen Data Owners. Er trägt die Verantwortung für einen kritischen Datenumfang, z. B. Beteiligungen, Investoren oder die Pipeline. Er definiert die Indikatoren, die Verwaltungsregeln, die erwarteten Formate und die Qualitätsstandards. Ohne diese Rolle bleiben die Daten diffus und schwer verwertbar.
Die zweite Rolle ist die des Data / AI Lead. Er steuert die Data- und AI-Roadmap des Fonds, priorisiert die Anwendungsfälle, entscheidet über die Wahl der Tools und gewährleistet die globale Kohärenz. Er fungiert als Konvergenzpunkt zwischen den Investmentteams, dem Middle Office, der IR und den Unterstützungsfunktionen.
Eine dritte Rolle entsteht rund um den Operational Data Manager. Er befindet sich im Zentrum der Operationen, häufig im Middle Office, und stellt sicher, dass die Datenströme korrekt gesammelt, kontrolliert, konsolidiert und verbreitet werden. Er ist für die operative Qualität und den reibungslosen Ablauf der Datenkette verantwortlich.
Mit der KI entsteht auch eine spezifischere Rolle des KI-Berufschampions. Dieses Profil muss nicht unbedingt technisch sein, aber es beherrscht die Werkzeuge und ihre Nutzung. Es begleitet die Teams bei der Einführung, identifiziert relevante Anwendungsfälle und formalisiert bewährte Verfahren, insbesondere in Bezug auf die Überwachung und die Grenzen von KI-Agenten.
Schließlich wird eine übergreifende Rolle der Daten- und KI-Governance unerlässlich. Sie deckt die Themen Rückverfolgbarkeit, Sicherheit, Einhaltung und Kontrolle ab. In einem LP- und Regulierungskontext wird die Fähigkeit, Daten oder Entscheidungen zu erklären, genauso wichtig wie sie zu produzieren.
Es ist nicht notwendig, sofort ein dediziertes Team zu strukturieren. In den meisten Fonds entstehen diese Rollen allmählich aus den bestehenden Teams. Die Herausforderung besteht darin, die Verantwortlichkeiten zu identifizieren, den Umfang zu klären und einen gezielten Kompetenzaufbau zu strukturieren.
Der Schlüsselpunkt bleibt die fachliche Verankerung. Diese Rollen dürfen nicht in einer rein technischen Logik isoliert werden, sondern müssen in den Kern der Investitions- und Verwaltungsprozesse integriert werden. Es ist diese Nähe, die es ermöglicht, Daten in einen echten Leistungshebel zu verwandeln.

Die Teams eines Fonds effektiv in KI zu schulen, bedeutet nicht, theoretisches Wissen zu vermitteln, sondern konkrete Arbeitspraktiken umzuwandeln.
Eine sinnvolle Schulung beginnt immer mit den realen Situationen, denen die Teams begegnen. Investmentprofis brauchen keinen allgemeinen Diskurs über KI, sondern ein operatives Verständnis: was das Tool tatsächlich ermöglicht, wo seine Grenzen liegen und unter welchen Bedingungen es eingesetzt werden kann, ohne die Stringenz der Prozesse zu verschlechtern.
Das bedeutet, dass die Ansätze segmentiert werden müssen. Die Bedürfnisse eines Partners, eines Analysten, eines IR-, Compliance-, Middle-Office- oder ESG-Teams sind grundverschieden. Eine wirksame Schulung beruht daher auf einer gemeinsamen Grundlage (Grundsätze, Risiken, bewährte Praktiken), die durch gezielte Anwendungsfälle ergänzt wird: Analyse eines Investment Memos, Zusammenfassung eines Information Memorandums, Erforschung eines Datenraums, Vorbereitung eines Ausschusses, Sektorscreening oder Bewältigung eines komplexen Austauschs mit einem LP.
Der Schlüssel liegt in der unmittelbaren Anwendbarkeit. Jedes Modul muss es ermöglichen, am nächsten Tag mit sichtbaren und messbaren Gewinnen zu handeln. Das ist es, was eine Akkulturation in eine tatsächliche Übernahme verwandelt.
Schulungen können jedoch nicht als einmaliges Ereignis gedacht werden. Die Modelle entwickeln sich weiter, die Werkzeuge ändern sich, die Nutzungen werden klarer und die Risiken verlagern sich. Ein effektiver Ansatz ist langfristig angelegt: anfängliche Sensibilisierung, praktische Workshops nach Berufen, Erfahrungsaustausch unter Gleichgesinnten und kontinuierliche Begleitung zur Anpassung der Praktiken.
Und schließlich ein oft unterschätzter Punkt: Die Ausbildung in KI bedeutet auch die Ausbildung in Unterscheidungsfähigkeit. Zu wissen, wann man das Werkzeug benutzt, wann man ihm misstraut und wie man seine Ergebnisse kontrolliert, ist genauso wichtig wie das Wissen, wie man es benutzt.
Das richtige Instrumentarium kombiniert also Pädagogik, Praxis und Iteration. Es ist diese Logik, die es ermöglicht, KI dauerhaft in den Prozessen eines Fonds zu verankern, ohne in einen theoretischen Ansatz zu verfallen, der von der Praxis abgekoppelt ist.