KI und Execution: Ein Paradigmenwechsel für Asset Manager

Ich habe bereits betont, dass Künstliche Intelligenz für Asset Manager kein reines Tooling‑Thema ist, sondern eine Frage des Operating Models – und dass sich Strategie im Zeitalter der KI zunehmend über die operative Architektur manifestiert, nicht allein über ambitionierte Zielsetzungen.Diese Perspektiven führen zwangsläufig zu einer schwierigeren und zugleich sehr praktischen Frage: Wie vollzieht sich eine solche Transformation konkret in einer Organisation, die nicht als KI‑native aufgebaut wurde?

Klicken Sie hier für die vorherigen Beiträge dieser Serie:

Wie Künstliche Intelligenz Asset Manager dazu bringt, ihre operativen Modelle neu auszurichten und
Wie KI Asset Manger dazu zwingt, ihre Strategie zu überdenken.

Dieser Beitrag adressiert genau diese Frage – nicht aus der Perspektive technologiegetriebener Neugründungen, sondern aus Sicht etablierter Asset Manager, die in regulierten, vertrauensbasierten Umfeldern operieren. Ziel ist nicht maximale Geschwindigkeit, sondern nachhaltige Transformation. Entsprechend liegt der Fokus auf Sequenzierung, organisatorischem Realismus und stringenter Umsetzung.

Executive Summary

Dieser dritte Beitrag vollzieht den Schritt von der Strategie zur Umsetzung und adressiert damit die zentrale Herausforderung für etablierte Asset Manager: Wie entfaltet sich KI-Transformation konkret in einer Organisation, die nicht KI‑nativ aufgebaut ist?Aufbauend auf der zentralen These, dass KI primär eine Herausforderung des Operating Models darstellt und sich Strategie zunehmend über operative Architektur materialisiert, richtet sich der Blick nicht auf Geschwindigkeit, sondern auf Realismus, saubere Sequenzierung und Umsetzungsdisziplin.

Die zentrale Prämisse lautet: KI-Transformation ist kumulativ, nicht linear. Sie lässt sich weder über isolierte Initiativen noch über zeitlich begrenzte Programme realisieren, sondern entsteht durch sich gegenseitig verstärkende Veränderungen in den Bereichen Daten, Architektur, Governance und Organisation. Wird KI als Programm behandelt, resultiert häufig technischer Fortschritt ohne organisatorische Wirkung – etwa Proofs of Concept, die funktionieren, aber Entscheidungsprozesse nicht nachhaltig verändern.

Der Artikel beschreibt einen pragmatischen, phasenbasierten Transformationspfad. Phase 0 und Phase 1 werden als unverzichtbare Grundlagen positioniert. Strategische Verankerung muss technischer Ambition vorausgehen, um sicherzustellen, dass KI-Initiativen auf Entscheidungsqualität, Komplexitätsbewältigung und langfristige Positionierung einzahlen – und nicht auf isolierte Use‑Cases. Darauf folgt Datenzentrierung als eigentlicher Startpunkt der Umsetzung: konsistente Definitionen, klare Verantwortlichkeiten, hohe Qualität, Nachvollziehbarkeit und Sicherheit. Ohne diese Voraussetzungen ist skalierendes, KI‑basiertes Lernen nicht möglich.

Die nachfolgenden Phasen zeigen, wie eine KI‑fähige operative Schicht organisationales Lernen institutionalisiert, wie KI‑Erkenntnisse gezielt in Entscheidungsprozesse integriert werden und wie sich Governance weiterentwickelt. Durchgängig wird betont, dass KI menschliches Urteilsvermögen unterstützt, nicht ersetzt – und dass Governance und Sicherheit Voraussetzungen für nachhaltige Skalierung sind, keine Einschränkungen.

Ein zentrales Umsetzungsrisiko liegt in der Personalausstattung. KI‑Transformation lässt sich nicht „nebenbei“ durch bestehende Teams absorbieren. Erforderlich ist ein dediziertes, bereichsübergreifendes Transformationsteam, das Strategie, Daten, Analytik, Governance und organisationalen Wandel koordiniert. Externe Partner können beschleunigen, doch strategische Eigentümerschaft und Lernprozesse müssen intern verankert bleiben. Geschwindigkeit ohne institutionelles Lernen führt zu Abhängigkeit und reduziert langfristige Handlungsoptionen.

Abschließend wird erläutert, warum der Transformationspfad bewusst nicht linear ist. Daten, Governance, Architektur und Strategie entwickeln sich parallel weiter. Fortschritt sollte daher nicht ausschließlich über klassische Output‑KPIs gemessen werden, sondern über Indikatoren der Lernfähigkeit: geringere Entscheidungszyklen, stärkere Wiederverwendung von Erkenntnissen, höhere Konsistenz und schnellere Anpassungsfähigkeit.

Die zentrale Botschaft: Für nicht KI‑native Asset Manager geht es bei KI‑Transformation nicht darum, Technologieunternehmen zu werden. Es geht darum, lernende Organisationen zu werden, die Komplexität verantwortungsvoll und skalierbar steuern können. Nachhaltiger Wettbewerbsvorteil entsteht nicht durch einzelne Modelle oder Anwendungen, sondern durch organisatorische Fähigkeit.

Warum KI‑Transformation scheitert, wenn sie als Programm behandelt wird

Viele KI‑Initiativen scheitern nicht an fehlendem Willen oder Talent, sondern daran, dass sie als zeitlich begrenzte Programme aufgesetzt werden. Roadmaps werden definiert, Budgets freigegeben, Pilotprojekte gestartet – in der Annahme, dass Transformation anschließend automatisch eintritt.Diese Logik verkennt das Wesen von KI. KI stellt keine isolierte Fähigkeit bereit, die „ausgerollt“ werden kann. Sie etabliert neue Lerndynamiken, die erst dann wirksam werden, wenn Systeme, Daten und Organisation über Zeit hinweg miteinander interagieren.Gerade im Asset Management ist dieser Zielkonflikt ausgeprägt. Programmlogik priorisiert Planbarkeit und Kontrolle, während KI‑gestütztes Lernen Iteration und Feedback erfordert. Das Resultat ist häufig technischer Erfolg ohne organisatorische Wirkung: funktionierende Proofs of Concept, die Entscheidungslogiken jedoch nicht strukturell verändern.Transformation muss daher als Evolution des Operating Models verstanden werden – nicht als Projekt mit definiertem Enddatum.

Phase 0: Strategische Verankerung vor technischer Ambition

Vor jeder technischen Investition muss klar sein, warum KI eingesetzt werden soll. Dabei geht es nicht um Use‑Cases, sondern um strategische Intention. Executive Sponsorship ist Voraussetzung, klare Kommunikation ein entscheidender Beschleuniger.Welche Entscheidungen soll die Organisation über Zeit besser treffen? Wo akkumuliert Komplexität? Wo stockt Lernen? Welche Urteile müssen bewusst menschlich bleiben – und wo können Systeme Konsistenz und Erkenntnisgewinn unterstützen?Für nicht KI‑native Asset Manager schafft diese Phase Alignment. Ohne sie tendieren KI‑Initiativen dazu, dem technologisch Interessanten zu folgen statt dem strategisch Relevanten. Erwartungen divergieren, Governance wird reaktiv.

Phase 1: Datenzentrierung als eigentlicher Startpunkt

Entgegen verbreiteter Narrative beginnt KI‑Transformation nicht mit Modellen, sondern mit Daten.Wie in den vorherigen Beiträgen beschrieben, sind die meisten Asset Manager datenreich, aber operativ datenarm. Daten liegen in Portfoliomanagement‑Systemen, Risikoplattformen, Marktfeeds, Kundensystemen und Reporting‑Tools vor – jedoch fragmentiert, inkonsistent definiert und schwer aktivierbar.Phase 1 fokussiert daher auf Datenzentrierung:

Etablierung konsistenter Datendefinitionen über die Organisation hinweg

Klärung von Eigentum und Verantwortlichkeiten für zentrale Datenbereiche

Aufbau wiederverwendbarer Datenpipelines statt punktueller Schnittstellen

Sicherstellung von Datenqualität, Nachvollziehbarkeit und Lineage

Diese Arbeit ist technisch anspruchsvoll, politisch sensibel und oft unsichtbar. Ohne sie kann KI‑basiertes Lernen jedoch nicht skalieren.Datensicherheit und Vertraulichkeit sind integrale Bestandteile dieser Phase. Zugriffskontrollen, Verschlüsselung, Trennung sensibler Datensätze und regulatorische Konformität müssen von Beginn an architektonisch berücksichtigt werden. Sicherheit ist kein Zusatz, sondern Grundvoraussetzung für Vertrauen und Skalierung.Entscheidend ist: Datenzentrierung muss fachlich geführt und technologisch ermöglicht werden. Fachbereiche definieren Bedeutung und Relevanz, IT stellt Infrastruktur, Robustheit, Skalierbarkeit und Sicherheit sicher.Phase 0 und Phase 1 sind keine vorbereitenden Übungen, sondern nicht verhandelbare Grundlagen für alle nachfolgenden KI‑Fähigkeiten.

Phase 2: Aufbau der KI‑fähigen operativen Schicht

Sobald die Datenbasis steht, können Organisationen eine KI‑fähige operative Schicht – häufig als „AI Factory“ bezeichnet – aufbauen. Für Asset Manager handelt es sich dabei nicht um industrielle Automatisierung, sondern um einen Mechanismus zur Institutionalisierung von Lernen.Typische Elemente dieser Phase sind:

gemeinsame analytische Entwicklungsumgebungen

Standardisierung von Modell‑Entwicklung, ‑Validierung und ‑Monitoring

systematische Feedback‑Schleifen zwischen Entscheidungen und Ergebnissen

Förderung einer datengetriebenen Kultur

Wiederverwendbarkeit analytischer Komponenten über Teams hinweg

Diese Schicht koexistiert mit bestehender Governance. Risiko‑ und Treuhandverantwortung bleiben menschlich. KI unterstützt Entscheidungen, ersetzt sie aber nicht.

Phase 3: Integration von KI in Entscheidungsprozesse

Wert entsteht erst, wenn KI‑Erkenntnisse Entscheidungen beeinflussen. Diese Phase fokussiert auf die Einbettung in tägliche Arbeitsabläufe.Für Asset Manager muss diese Integration bewusst erfolgen. Statt Entscheidungen zu automatisieren, sollte explizit definiert werden:

welche Entscheidungen vollständig menschlich bleiben,

welche durch KI‑basierte Erkenntnisse unterstützt werden,

und in welchen klar abgegrenzten Bereichen KI operativ wirkt.

In dieser Phase treten häufig kulturelle Spannungen auf. KI kann als vereinfachend oder übergriffig wahrgenommen werden. Transparenz, Erklärbarkeit und Rollenklarheit sind entscheidend.Erfolgreiche Integration positioniert KI als Partner im Urteil, nicht als Ersatz für Expertise.

Phase 4: Governance, Ethik und Kontrolle im Maßstab

Mit wachsender Durchdringung verlagert sich Governance von Überwachung hin zu Gestaltung. Themen wie Bias, Transparenz und Verantwortlichkeit werden zu operativen Anforderungen.Diese Phase umfasst:

Definition klarer Nutzungsgrenzen

Sicherstellung von Erklärbarkeit und Auditierbarkeit

Überwachung von Drift und unbeabsichtigten Effekten

Verankerung von Verantwortlichkeit in Systemen und Workflows

Für europäische Asset Manager fügt sich diese Phase nahtlos in bestehende Governance‑Traditionen ein. Früh integriert, ermöglicht Governance Skalierung, statt sie zu begrenzen.

Phase 5: Organisationale Anpassung und Talententwicklung

KI‑Transformation verändert primär Rollen, nicht Stellenzahlen. Während Systeme Routinekoordination und Analyse übernehmen, verschiebt sich menschliche Arbeit hin zu Interpretation, Aufsicht und strategischem Urteil.Erforderlich sind:

Neudefinition von Rollen und Erwartungen

Investitionen in hybride Profile an der Schnittstelle von Fach‑ und Datenkompetenz

Anpassung von Leistungskennzahlen hin zu Lernen und Zusammenarbeit

KI als Verstärkung professionellen Urteils zu rahmen, erhöht Akzeptanz und Engagement.

Die Besetzung der Transformation: Warum ein dediziertes Team unverzichtbar ist

Einer der meistunterschätzten Aspekte ist die personelle Aufstellung. Häufig wird angenommen, KI‑Initiativen ließen sich von bestehenden Teams zusätzlich bewältigen. In der Praxis führt dies zu Fragmentierung und langsamer Dynamik.KI‑Transformation ist organisatorisch anspruchsvoll. Sie erfordert kontinuierlichen Fokus, bereichsübergreifende Koordination sowie den gleichzeitigen Umgang mit technischer, regulatorischer und kultureller Komplexität.Für nicht KI‑native Asset Manager ist ein dediziertes Transformationsteam daher Voraussetzung.

Kernfunktionen in einem speziellen KI-Transformationsteam

KI-/Digitalisierungsleiter Gibt die allgemeine Richtung vor und sorgt für Kohärenz. Stimmt KI-Initiativen auf die Strategie ab und schafft eine Schnittstelle zur Geschäftsleitung.

KI-/Analytikleiter Beaufsichtigt die Modellentwicklung und -validierung. Gewährleistet methodische Stringenz und enge Abstimmung mit dem Fachwissen.

Geschäftsbereichsleiter Erfahrene Fachleute aus den Bereichen Investment, Risiko oder Betrieb, die komplexe Sachverhalte klar darlegen und sicherstellen, dass KI-Maßnahmen die tatsächliche Entscheidungslogik widerspiegeln.

Datenproduktverantwortlicher Definiert Datensemantik, Qualitätsstandards und Priorisierung. Behandelt Daten als strategisches Produkt und nicht als technisches Artefakt.

Leiter Datenengineering Entwirft skalierbare, sichere und überprüfbare Datenpipelines. Gewährleistet Herkunft, Rückverfolgbarkeit und Compliance.

Governance- und Risikokoordinator Integriert regulatorische, ethische und risikobezogene Überlegungen in das Systemdesign, anstatt als nachträglicher Gatekeeper zu agieren.

Externe Partner können Geschwindigkeit erhöhen, doch strategische Eigentümerschaft muss intern bleiben. KI‑Transformation baut institutionelle Fähigkeit auf – sie lässt sich nicht vollständig auslagern. Zielgerichtetes Recruiting bleibt notwendig.Der Zielkonflikt zwischen Buy vs. Build ist real. Externe Expertise verkürzt Lernkurven, birgt jedoch das Risiko, zentrales Wissen aus der Organisation auszulagern. Geschwindigkeit ohne institutionelles Lernen erhöht Abhängigkeit und reduziert strategische Optionalität.

Warum der Weg bewusst nicht linear ist

Obwohl sie nacheinander dargestellt werden, überschneiden sich diese Phasen und verstärken sich gegenseitig. Die Datenarbeit wird fortgesetzt, während sich die Modelle weiterentwickeln. Die Governance passt sich an, wenn sich die Anwendungsfälle erweitern. Die Strategie wird verfeinert, wenn sich das Wissen vermehrt.

Diese Nichtlinearität ist kein Mangel. Sie ist das bestimmende Merkmal der KI-gestützten Transformation. Versuche, Linearität zu erzwingen, führen oft zu Stagnation. Für Vermögensverwalter sind Geduld und architektonische Disziplin strategische Tugenden.

Schließlich erfordert die Messung des Fortschritts, vom Output bis zur Lernfähigkeit, neue lernbezogene KPIs. Traditionelle KPIs konzentrieren sich auf den Output: Effizienzsteigerungen, Kostensenkungen oder Leistungsverbesserungen. Diese sind zwar relevant, erfassen jedoch nicht den Kernbeitrag der KI. Zu den aussagekräftigeren Indikatoren gehören:

Entscheidungslatenz;

verstärkte Wiederverwendung von Erkenntnissen über Teams hinweg;

verbesserte Konsistenz bei der Entscheidungsfindung und Vorhersagequalität;

schnellere Anpassung an neue Informationen.

Diese Kennzahlen spiegeln eher die Lernfähigkeit als kurzfristige Ergebnisse wider.

Fazit

KI‑Transformation im Asset Management ist weder schnell noch linear. Sie erfordert bewusste Gestaltung, nachhaltige Investitionen und organisatorische Fokussierung.Der Weg beginnt bei Daten, reift über operative Architektur und wird von Menschen getragen. Governance und Sicherheit sind Anker, keine Hemmnisse.Für nicht KI‑native Asset Manager geht es nicht darum, Technologieunternehmen zu werden. Es geht darum, lernende Organisationen zu schaffen, die Komplexität verantwortungsvoll und skalierbar steuern können.Das ist das eigentliche Versprechen – und die eigentliche Herausforderung – von KI.