Fragen & Antworten

KI kann die Beziehungen zu Anlegern und IR-Teams konkret verbessern, wenn sie als Hebel für mehr Zuverlässigkeit und Konsistenz eingesetzt wird und nicht als Werkzeug zur automatisierten Produktion von Nachrichten.
IR-Teams sehen sich mit einer wachsenden Anforderung konfrontiert: Sie müssen schneller reagieren, genaue, einheitliche und kontextbezogene Informationen liefern und sich gleichzeitig an sehr unterschiedliche Anlegerprofile anpassen. In diesem Zusammenhang kann die KI eine strukturierende Rolle spielen.
Konkret ermöglicht sie die Erstellung von Zusammenfassungen aus internen Berichten, die Neuformulierung von Inhalten entsprechend dem Kenntnisstand des Empfängers, das schnelle Auffinden von Informationen in der Historie des Datenaustauschs oder in einem Datenraum und die Verbesserung der Gesamtkohärenz der versendeten Dokumente. Sie kann auch die Erstellung standardisierter Antworten (FAQs, Standard-E-Mails) unterstützen, wobei ein hohes Maß an redaktioneller Qualität erhalten bleibt.
Der eigentliche Beitrag der KI liegt jedoch nicht in der Ausführungsgeschwindigkeit. Er liegt in der Fähigkeit, Nachrichten aneinander auszurichten. Eine qualitativ hochwertige IR-Kommunikation beruht auf einzelnen, zuverlässigen Daten, die von den Teams geteilt werden. Wenn die KI an fragmentierte oder schlecht regierte Quellen angeschlossen ist, verstärkt sie Inkonsistenzen, anstatt sie zu korrigieren.
Die Herausforderung besteht also darin, die KI in einer kontrollierten Datenkette zu verankern: gleiche Zahlen für BI, Reporting und Investorenkommunikation, Nachvollziehbarkeit der Quellen und systematische redaktionelle Kontrolle vor dem Versand. In diesem Rahmen wird die KI zu einem mächtigen Hilfsinstrument, um die Kommunikation zu strukturieren, zu harmonisieren und abzusichern.
Die richtige Balance besteht darin, KI zur Vorbereitung und Verlässlichkeit von Inhalten einzusetzen, während die Verantwortung für Ton, Kontext und Beziehung bei den KI-Teams verbleibt. Es ist diese Kombination, die sowohl die operative Effizienz als auch das Vertrauen der Anleger steigert.

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.

Ein klassischer SaaS führt vorprogrammierte Aktionen aus: Wenn X, dann Y. Ein KI-Agent hingegen erhält ein Ziel, versteht den Kontext, plant seine Schritte und führt eine Abfolge von Aktionen aus, indem er sich an die Daten anpasst, auf die er stößt. Diese Autonomie ist sein Interesse und sein Risiko.
In einem Fonds sind die für einen Agenten relevanten Anwendungsfälle gut gerahmt: Bearbeitung von Lieferanten-E-Mails, Anreicherung einer Deal-Karte, automatische Vorbereitung eines Komitee-Pakets anhand eines Datenraums, Überwachung von Signalen über Zielunternehmen. Schlecht gerahmte Fälle (Treffen einer Investitionsentscheidung, Senden einer Mitteilung an einen LP ohne Korrekturlesen) sind keine Fälle für Agenten, sondern Fälle für assistierte Menschen.
Ein guter Agent hat vier Eigenschaften: einen klaren Umfang, menschliche Aufsicht bei jedem sensiblen Schritt, vollständige Nachvollziehbarkeit und Umkehrbarkeit im Falle eines unerwarteten Verhaltens. Bodic entwickelt seine Agenten im Rahmen seiner maßgeschneiderten Entwicklungen nach diesen Grundsätzen.

Halluzinationen sind das größte Risiko beim Einsatz von KI-Agenten im Finanzkontext. Sie sind nicht auf zufällige Fehler zurückzuführen, sondern auf ein strukturelles Verhalten der Modelle, wenn ihnen keine zuverlässigen oder ausreichend eingeschränkten Informationen zur Verfügung stehen.
Dieses Risiko lässt sich durch drei Kontrollebenen stark reduzieren.
Die erste ist die strikte Verankerung an einer zertifizierten Wahrheitsquelle. Der Agent darf sich nicht auf allgemeines Wissen oder implizite Daten stützen, sondern nur auf ein kontrolliertes internes Referenzsystem. Jede Antwort muss mit einer identifizierbaren, zugänglichen und überprüfbaren Quelle verknüpft sein. Eine nicht quellenbasierte Antwort sollte standardmäßig als ungültig betrachtet werden.
Die zweite Ebene ist die Beschränkung des funktionalen und informationellen Umfangs. Ein Agent muss in einem bestimmten Bereich mit einem begrenzten und kontrollierten Datensatz tätig werden. Je breiter der Umfang, desto größer ist das Risiko einer ungefähren Interpretation. In der Praxis ist ein Agent, der auf eine Untermenge von Finanzdaten spezialisiert ist, z. B. die KPIs einer Beteiligung oder die Middle-Office-Feeds, signifikant zuverlässiger als ein generalistischer Agent.
Die dritte Ebene ist die Einführung systematischer Kontrollen der Outputs. Alle Zahleninformationen, die für den externen Gebrauch bestimmt sind, insbesondere für Investoren, müssen einer menschlichen Validierung unterzogen werden. Diese Validierung muss sich auf eine vollständige Rückverfolgbarkeit stützen: ursprüngliche Anfrage, mobilisierte Quellen, angewandte Transformationen und generierte Antwort.
Über diese Grundsätze hinaus spielt die technische Architektur eine entscheidende Rolle. Ein strukturierter Ansatz besteht darin, die KI-Schicht von den Rohdaten zu isolieren, ein zentrales Repository zu verwenden und den Agenten nur validierte Daten zu präsentieren. So lässt sich genau kontrollieren, was der Agent sehen und verwenden kann.
Schließlich ist es wichtig, Halluzinationen als ein Thema der Governance zu behandeln und nicht nur als ein technisches Problem. Das bedeutet, Nutzungsregeln, Verantwortungsebenen und Aufsichtsmechanismen zu definieren, die den finanziellen Herausforderungen angemessen sind.
Ein zuverlässiger Agent ist nicht derjenige, der "gut antwortet", sondern derjenige, bei dem jede Antwort erklärt, zurückverfolgt und verifiziert werden kann.