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 Strukturierung einer robusten Datenkette in einer Verwaltungsgesellschaft besteht darin, den Informationsfluss von der Produktion bis zur Endnutzung explizit, kontrolliert und zuverlässig zu gestalten.
Konkret bedeutet dies, mehrere Schlüsselschritte zu formalisieren: Identifizierung der Datenquellen (E-Mails, Dateien, Portale, APIs), Definition der Speicherorte (interne Datenbanken, Data Warehouse, Business-Tools), Organisation der Transformationen (Bereinigung, Anreicherung, Konsolidierung) und dann Strukturierung der Verteilung an die Endnutzer (Reporting, Komitees, Anlegerkommunikation, regulatorische Verpflichtungen).
Eine robuste Datenkette beruht auf einigen grundlegenden Prinzipien.
Zunächst einmal muss jeder kritische Datensatz klar definiert sein: eine identifizierte Quelle, ein Referenzformat, eine Aktualisierungshäufigkeit und ein Verantwortlicher. Ohne diese Disziplin kommt es schnell zu Diskrepanzen zwischen Teams, Tools und Lieferungen.
Zweitens ist es von entscheidender Bedeutung, Redundanzen zu begrenzen. Die Vervielfachung von Excel-Dateien, lokalen Extraktionen oder parallelen Versionen führt zu Inkonsistenzen und schwächt das Vertrauen in die Zahlen. Ziel ist es, zu einer gemeinsamen, zugänglichen und kontrollierten "Quelle der Wahrheit" zu konvergieren.
Auch die Nachvollziehbarkeit ist zentral. Jede Zahl, die in einer Berichterstattung oder einem Ausschuss verwendet wird, muss mit ihrem Ursprung verbunden werden können, mit einer Historie der Umwandlungen. Dies wird kritisch, sobald die LP- oder regulatorischen Anforderungen steigen.
Schließlich beinhaltet eine robuste Kette auch Kontrollmechanismen: Validierungsregeln, Warnungen bei Anomalien, menschliche Aufsicht an sensiblen Punkten. Dieser Rahmen ermöglicht es, die Qualität zu sichern, ohne die Abläufe zu verlangsamen.
Die Herausforderung geht weit über die Technik hinaus. Eine gut strukturierte Datenkette verbessert die Qualität der Berichte, erleichtert die Zusammenarbeit zwischen den Teams (Investment, IR, Middle Office, Compliance), erhöht die Glaubwürdigkeit gegenüber den Anlegern und beschleunigt die Entscheidungsfindung.
Dies ist auch eine Grundvoraussetzung für den effektiven Einsatz von KI-Tools. Ohne strukturierte, zuverlässige und gesteuerte Daten verstärkt die KI bestehende Mängel, anstatt Werte zu schaffen.

Ja, die Automatisierung der Berichterstattung über Beteiligungen ist nicht nur möglich, sondern auch einer der unmittelbarsten Hebel für operative Verbesserungen in einem Fonds.
In den meisten Organisationen beruht der Prozess noch auf manuellen Erhebungen, heterogenen Dateien, die von den Beteiligungen übermittelt werden, und Konsolidierungen, die in Excel durchgeführt werden. Dieses Modell weist mehrere Schwachstellen auf: Abhängigkeit von nicht standardisierten Formaten, Fehlerrisiken bei der Anpassung, fehlende Rückverfolgbarkeit und hohe Produktionszeiten.
Eine wirksame Automatisierung hängt von der Strukturierung der Datenkette im Vorfeld ab.
Der erste Schritt ist die Standardisierung der Inputs. Dies bedeutet, dass ein gemeinsames Datenwörterbuch mit den Beteiligungen definiert werden muss, das klar definierte Indikatoren, erwartete Formate, explizite Berechnungsregeln und einen Zeitplan für die Rückführung enthält. Ohne diese Standardisierung bleibt jede Automatisierung unvollständig.
Zweiter Schritt: Organisieren Sie die Sammlung. Dies kann über spezielle Portale, strukturierte Templates oder Konnektoren erfolgen. Ziel ist es, Formatvariationen zu reduzieren und manuelle Eingriffe zu begrenzen.
Dritter Schritt: Die Kontrollen industrialisieren. Automatische Regeln ermöglichen die Erkennung von Inkonsistenzen, Variationsabweichungen, Reihenbrüchen oder Anomalien zwischen verbundenen Indikatoren. Diese Kontrollen müssen systematisch und nachvollziehbar sein.
Vierter Schritt: Zentralisierung in einer einzigen Wahrheitsquelle. Die konsolidierten Daten müssen direkt in die Reporting-, BI- und Investorenkommunikationstools eingespeist werden, um Doppelarbeit oder lokale Nachbearbeitung zu vermeiden.
In diesem Rahmen kann die Automatisierung die Produktion sichern, die Fristen verkürzen und die Zuverlässigkeit der Ergebnisse deutlich erhöhen.
Die Rolle der Teams ändert sich. Sie wechseln von einer Produktionslogik zu einer Kontroll- und Analyselogik. Die Herausforderung besteht nicht mehr darin, Daten zu konsolidieren, sondern sie zu interpretieren, schwache Signale zu erkennen und Entscheidungen vorzubereiten.
Schließlich bleibt der kritische Punkt die Governance. Eine Automatisierung ohne klare Regeln für Datenqualität, Verantwortlichkeiten und Validierungsprozesse kann die Zuverlässigkeit insgesamt verschlechtern. Die Automatisierung muss in einen strengen Rahmen eingebettet sein, der auf Kontrolle, Nachvollziehbarkeit und Konsistenz ausgerichtet ist.