Wie KI Asset Manager dazu zwingt, ihre Strategie zu überdenken

Ich habe bereits argumentiert, dass künstliche Intelligenz für Asset Manager in erster Linie kein Tooling-Problem ist, sondern ein Problem des operativen Modells. Die eigentliche Bedeutung von KI liegt in ihrem Einfluss darauf, wie Organisationen lernen, Entscheidungen skalieren und Verantwortung verankern.

Klicken Sie hier, um den vorherigen Artikel dieser Reihe zu lesen: „Wie Künstliche Intelligenz Asset Manager dazu bringt, ihre operativen Modelle neu auszurichten“.

Dieser zweite Artikel baut auf dieser Grundlage auf. Wenn KI Betriebsmodelle umgestaltet, muss auch die Strategie im Vermögensmanagement überdacht werden. Die zentrale These, die hier entwickelt wird, lautet, dass Strategie nicht mehr von der Fähigkeit einer Organisation getrennt werden kann, Daten zu organisieren, in großem Umfang daraus zu lernen und mit wachsender Komplexität verantwortungsvoll umzugehen.

Zusammenfassung

In diesem zweiten Artikel entwickle ich das Argument weiter, dass künstliche Intelligenz in der Vermögensverwaltung Geschäftsmodelle und Strategien grundlegend verändert. Wenn KI die Art und Weise verändert, wie Unternehmen lernen, Entscheidungen skalieren und Komplexität bewältigen, dann kann Strategie nicht mehr von der Art und Weise getrennt werden, wie Daten organisiert und wie die Betriebsarchitektur gestaltet wird.

Der Artikel betrachtet den technologischen Wandel aus einer anderen Perspektive und stellt ihn als Kollision statt als traditionelle Disruption dar. KI-orientierte Unternehmen arbeiten nach grundlegend anderen wirtschaftlichen und organisatorischen Logiken, die ihre Wettbewerbsfähigkeit prägen. Diese strukturellen Unterschiede bleiben oft über lange Zeiträume verborgen, insbesondere in regulierten und vertrauensbasierten Branchen wie der Vermögensverwaltung, bevor sie sich plötzlich in Wettbewerbsergebnissen manifestieren.

Die strategische Besonderheit von AI-first-Geschäftsmodellen wird anhand von drei sich gegenseitig verstärkenden Dimensionen analysiert: digitale Skalierbarkeit, digitaler Umfang und Lerneffekte. KI verändert nicht die finanzielle Skalierbarkeit der Vermögensverwaltung, aber sie verändert die Skalierbarkeit der operativen Komplexität, indem sie Entscheidungsunterstützung und Überwachung in digitale Systeme einbettet. Sie ermöglicht die Wiederverwendung von Daten und Erkenntnissen über Datenprodukte und Teams hinweg, ohne die Governance zu untergraben, und institutionalisiert das Lernen, sodass Verbesserungen kontinuierlich und organisationsweit erfolgen.

Im Zentrum dieses Systems stehen Daten. Für etablierte Vermögensverwalter liegt die bindende Einschränkung der KI-Strategie eher in der Datenorganisation als in der Technologie selbst. Die meisten Organisationen verfügen über große Datenmengen, die in der Praxis jedoch nur schwer zu mobilisieren sind. Fragmentierte Architekturen, inkonsistente Definitionen und begrenzte Wiederverwendbarkeit verhindern, dass KI-Initiativen über das Experimentierstadium hinauskommen. Infolgedessen hängt die KI-Reife eher mit dem Daten-Engineering als mit der Ausgereiftheit der Algorithmen zusammen.

Entscheidend ist, dass Daten nicht „nur IT” sind. Sie verkörpern Geschäftswissen wie Anlageannahmen, Risikobewertungen und Governance-Entscheidungen. Effektive AI-first-Betriebsmodelle erfordern daher die geschäftliche Verantwortung für Daten, die technisch durch die IT ermöglicht wird, und nicht nur ein IT-gesteuertes Datenmanagement.

Schließlich positioniert der Artikel Governance als strategische Variable. Transparenz, Rückverfolgbarkeit und Rechenschaftspflicht untermauern ein nachhaltiges, AI-gestütztes Wachstum, anstatt ihm im Wege zu stehen. In einer KI-gesteuerten Umgebung entsteht Strategie zunehmend aus der Betriebsarchitektur: wie Daten fließen, wie Entscheidungen koordiniert werden und wie Wissen im gesamten Unternehmen gesammelt wird.

Die Schlussfolgerung ist klar. Im Zeitalter der KI hängt der Wettbewerbsvorteil in der Vermögensverwaltung von der Fähigkeit des Unternehmens ab, eine Betriebsarchitektur zu entwerfen, die es ermöglicht, Wissen, Governance und Verantwortung auf einer leistungsstarken Datenplattform gemeinsam zu skalieren.

Von der Disruption zur Kollision: eine strukturelle Perspektive

Technologischer Wandel wird oft als Disruption dargestellt: Neue Marktteilnehmer innovieren, etablierte Unternehmen reagieren. Diese Darstellung suggeriert, dass Geschwindigkeit und Überraschung entscheidende Faktoren sind. Sie erfasst jedoch nicht, was passiert, wenn Unternehmen, die auf grundlegend unterschiedlichen Betriebslogiken basieren, miteinander in Wettbewerb treten.

Was wir heute beobachten, lässt sich besser als Kollision beschreiben. KI-orientierte Unternehmen differenzieren sich durch grundlegend andere wirtschaftliche und organisatorische Prinzipien, die weit über bessere Produkte oder niedrigere Preise hinausgehen. Ihre Kostenstrukturen, Lernmechanismen und Skalierungsdynamiken unterscheiden sich strukturell von denen traditioneller Unternehmen.

Die Geschichte zeigt, dass solche Kollisionen selten zu einer sofortigen Verdrängung führen. Stattdessen führen sie zu allmählichen Verschiebungen in der Branchenstruktur. Unternehmen können über längere Zeiträume wettbewerbsfähig bleiben, während sich die Grundlage des Wettbewerbs im Hintergrund still und leise verändert. Wenn sich die Ergebnisse schließlich unterscheiden, geschieht dies oft abrupt.

Die Vermögensverwaltung ist gegen diese Dynamik nicht immun. Regulierung, lange Anlagehorizonte und vertrauensbasierte Kundenbeziehungen können strukturelle Veränderungen verschleiern, aber sie verhindern sie nicht.

Was macht ein AI-first-Unternehmen strategisch anders

Um die strategischen Implikationen zu verstehen, ist es hilfreich, sich von spezifischen Technologien zu lösen und sich auf die zugrunde liegenden wirtschaftlichen Mechanismen zu konzentrieren. AI-first-Unternehmen unterscheiden sich von traditionellen Organisationen in drei sich gegenseitig verstärkenden Dimensionen: digitale Skalierbarkeit, digitaler Umfang und Lerneffekte. Alle drei beruhen grundlegend darauf, wie Daten organisiert und mobilisiert werden.

Digitale Skalierbarkeit: Komplexität statt Personalbestand managen

In der Vermögensverwaltung ist Wachstum nicht mechanisch an den Personalbestand gebunden. Die Verwaltung von 10 Millionen Euro oder dem Zehnfachen dieses Betrags erfordert nicht automatisch zehnmal mehr Fachkräfte. Das Geschäft ist von Natur aus skalierbar.

Diese Skalierbarkeit ist jedoch nicht absolut. Mit dem Wachstum des Vermögens steigt auch die operative Komplexität: mehr Instrumente, mehr Märkte, mehr regulatorische Aufsicht, mehr Berichtspflichten und mehr interne Koordination. Diese Elemente führen zu weniger skalierbaren Komponenten in einem ansonsten skalierbaren Geschäftsmodell.

AI-first-Betriebsmodelle lassen die Skalierbarkeit der Vermögensverwaltung weitgehend intakt, verändern jedoch grundlegend, wie sich die operative Komplexität skaliert. Durch die Einbettung von Entscheidungsunterstützung, Überwachung und Prozesslogik in digitale Systeme reduzieren sie die Grenzkosten für die Verwaltung zusätzlicher Komplexität. Das Wachstum bleibt skalierbar, da sich die Aufmerksamkeit des Menschen zunehmend auf Urteilsvermögen, Aufsicht und Ausnahmebehandlung richtet.

Diese Verlagerung ist nur möglich, wenn die Daten in der gesamten Organisation zugänglich, konsistent und zuverlässig sind.

Digitaler Umfang: von der Wiederholung zur Wiederverwendung

Im Asset Management hat sich der Umfang traditionell eher durch Produkte, Mandate und Anlageklassen als durch Plattformen erweitert. Wissen, Modelle und Erkenntnisse werden oft innerhalb bestimmter Teams entwickelt und bleiben eng mit diesen Kontexten verbunden. Dies hat die Rechenschaftspflicht und die Klarheit der Treuhandschaft unterstützt, schränkt aber auch die Wiederverwendung ein.

KI-orientierte Betriebsmodelle behalten produktbasierte Strukturen bei und fügen eine zusätzliche Ebene der organisatorischen Wiederverwendung hinzu. Daten, analytische Komponenten und Entscheidungsunterstützungsfunktionen sind so konzipiert, dass sie bei Bedarf strategieübergreifend genutzt werden können, ohne dass dabei notwendige Unterscheidungen hinsichtlich der Risikoverantwortung oder Zuständigkeit aufgehoben werden.

Die strategische Veränderung besteht darin, dass man sich von Wiederholungen hin zu systematischer Wiederverwendung bewegt, ohne dabei die Spezialisierung aufzugeben. Der Umfang erweitert sich, da Erkenntnisse, die in einem Kontext gewonnen werden, zunehmend in Entscheidungen in anderen Kontexten einfließen. In einer Branche, die finanziell bereits skalierbar, aber operativ komplex ist, wird diese Form des KI-gestützten Umfangs zu einem bedeutenden Unterscheidungsmerkmal.

Auch dies setzt voraus, dass Daten sowohl technisch als auch organisatorisch wiederverwendet werden können, ohne die Governance zu untergraben.

Lerneffekte: Institutionalisierung des Lernens

Im Asset Management konzentrieren sich Lerneffekte eher auf die Stärkung des Urteilsvermögens als auf die Automatisierung oder den Ersatz von Anlageexpertise. Es geht darum, zu systematisieren, wie Organisationen aus ihren eigenen Aktivitäten lernen.

Traditionell ist Lernen episodisch und menschenzentriert. Erkenntnisse entstehen durch Nachbesprechungen, Investitionsausschüsse und im Laufe der Zeit gesammelte Expertenerfahrungen. Dieses Modell kann effektiv sein, lässt sich jedoch nicht perfekt skalieren. Das Lernen bleibt ungleich verteilt, schwer zu kodifizieren und langsam zu verbreiten.

KI-orientierte Betriebsmodelle führen einen ergänzenden Mechanismus ein. Entscheidungen, Ergebnisse und Kontextdaten werden kontinuierlich erfasst und in Analysesysteme zurückgespeist. So werden Muster sichtbar, die durch isolierte menschliche Prozesse allein nur schwer zu erkennen wären. Dieser Ansatz bewahrt Diskretion und Verantwortlichkeit und erweitert gleichzeitig deren Wirksamkeit.

Der strategische Wert von Lerneffekten drückt sich in einer größeren Konsistenz und Anpassungsfähigkeit im Laufe der Zeit aus. Das Lernen sammelt sich institutionell an, anstatt hauptsächlich bei Experten zu verbleiben.

Skalierbarkeit, Umfang und Lernen als kohärentes strategisches System

Zusammengenommen bilden digitale Skalierbarkeit, digitaler Umfang und Lerneffekte ein kohärentes strategisches System und keine separaten Vorteile.

Das Asset Management ist finanziell skalierbar, aber die operative Komplexität wächst mit der Größe. Die digitale Skalierbarkeit bestimmt, wie effizient diese Komplexität absorbiert wird. Der digitale Umfang bestimmt, ob Erkenntnisse, die in einem Teil der Organisation gewonnen wurden, an anderer Stelle wiederverwendet werden können, ohne die Governance zu untergraben. Lerneffekte bestimmen, ob sich die Organisation mit ihrem Wachstum verbessert und nicht nur größer wird.

AI-first-Betriebsmodelle stimmen diese Dimensionen als Teil eines kohärenten Systems aufeinander ab. Skalierung ohne Lernen führt zu Fragilität. Umfang ohne Governance führt zu Risiken. Lernen ohne Struktur führt zu Inkonsistenz. Im Zentrum dieses Systems stehen Daten.

Daten als versteckte Einschränkung (und Wegbereiter) der KI-Strategie

Viele Diskussionen rund um KI gehen implizit davon aus, dass Daten leicht verfügbar und nutzbar sind. Für etablierte Vermögensverwalter trifft diese Annahme selten zu.

Die meisten Organisationen verfügen über große Datenmengen, die in der Praxis jedoch nur schwer mobilisierbar sind. Daten sind in Portfoliosystemen, Risikoplattformen, Marktdatenfeeds, Kundensystemen und Reporting-Tools vorhanden. Oft sind sie jedoch fragmentiert, uneinheitlich definiert und schwer in großem Maßstab zu aktivieren.

In der Praxis liegt die Einschränkung eher in der Organisation der Daten als in ihrer Verfügbarkeit. Ohne gut strukturierte, gut verwaltete und zugängliche Daten können KI-Modelle nicht zuverlässig trainiert, validiert oder eingesetzt werden. Es gibt kein KI-first-Betriebsmodell ohne gezielte Bemühungen, Daten unternehmensweit nutzbar zu machen. Viele KI-Initiativen scheitern, weil die grundlegende Datenarbeit unterschätzt wird.

Datenengineering vor KI-Engineering

KI-Strategien scheitern häufig, weil sie zu spät in der Entwicklung eingesetzt werden. Unternehmen investieren in Modelle, Proofs of Concept oder Anbieterlösungen, bevor sie sich mit der zugrunde liegenden Datenarchitektur befassen.

In der Praxis ist der anspruchsvollste Teil der KI-Transformation nicht die Modellentwicklung, sondern das Data Engineering:

Erstellung konsistenter Datendefinitionen,

Entwurf von Datenpipelines anstelle von Punkt-zu-Punkt-Integrationen,

Sicherstellung der Datenqualität, Herkunft und Rückverfolgbarkeit

sowie Bereitstellung der Daten ohne Beeinträchtigung der Kontrolle oder Compliance.

Diese Arbeit ist technisch komplex, langsam und oft unsichtbar. Sie führt selten zu unmittelbaren geschäftlichen Erfolgen, was es schwierig macht, ihr Priorität einzuräumen. Doch genau diese Ebene entscheidet darüber, ob KI über das Experimentstadium hinauskommen kann.

Für Vermögensverwalter hängt die KI-Reife daher viel stärker von der Datenbereitschaft als von der Ausgereiftheit der Algorithmen ab.

Daten sind eingebettetes Geschäftswissen

Eine zweite, subtilere Herausforderung betrifft die Eigentumsverhältnisse.

In vielen etablierten Unternehmen werden Daten in erster Linie von der IT verwaltet. Aus Sicht der Infrastruktur und Sicherheit ist dies logisch. Aber es verschleiert eine wichtige Tatsache: Ein Großteil des geschäftlichen geistigen Eigentums eines Vermögensverwalters ist in Daten eingebettet.

Daten kodieren Anlageannahmen, Risikobewertungen, die Logik der Portfoliokonstruktion, Kundensegmentierung und regulatorisches Verständnis. Diese Elemente spiegeln Fachwissen und strategische Absichten wider.

KI-orientierte Betriebsmodelle erfordern daher eine Verlagerung von IT-eigenen Daten zu geschäftseigenen Daten, die technisch durch die IT ermöglicht werden. Fachexperten müssen die Datensemantik, Qualitätsschwellen und Nutzungsbeschränkungen aktiv gestalten. Ohne diese Beteiligung besteht die Gefahr, dass KI-Systeme zwar technisch einwandfrei, aber strategisch falsch ausgerichtet sind.

Warum etablierte Unternehmen Schwierigkeiten haben und warum dies kein Misserfolg ist

Für Vermögensverwalter, die nicht von Haus aus mit KI arbeiten, ist die Neuorganisation von Daten oft schwieriger als die Einführung neuer Technologien.

Altsysteme wurden für Stabilität, Berichterstattung und Kontrolle entwickelt, nicht für Wiederverwendung und Lernen. Datenmodelle spiegeln historische organisatorische Grenzen wider. Regulatorische Anforderungen haben die Fragmentierung eher verstärkt als die Integration gefördert.

Infolgedessen stehen etablierte Unternehmen oft vor einem Paradoxon: Sie verfügen über jahrzehntelang gesammelte hochwertige Daten, haben jedoch Schwierigkeiten, diese für KI-gestütztes Lernen zu mobilisieren. Dieses Ergebnis spiegelt die Einschränkungen von Betriebsmodellen wider, die für eine andere Ära optimiert wurden.

Entscheidend ist, dass keiner der unten diskutierten strategischen Beschleuniger realisiert werden kann, ohne Daten zunächst als gemeinsames, kontrolliertes und wiederverwendbares Unternehmenskapital zu behandeln.

Strategische Beschleuniger (nachdem die Daten organisiert wurden)

Sobald die Daten organisiert und mobilisiert sind, erschließen KI-fähige Betriebsmodelle mehrere Beschleuniger:

Lerngeschwindigkeit

, da Feedback-Schleifen verkürzt werden,

Experimentiergeschwindigkeit

, da Hypothesen kostengünstig getestet werden können,

architektonische Verteidigungsfähigkeit

, da Vorteile strukturell werden,

strategische Optionalität

, da neue Dienstleistungen und Partnerschaften realisierbar werden.

Diese Beschleuniger verstärken sich gegenseitig. Zusammen definieren sie die Wettbewerbsdynamik neu.

Governance als strategische Variable

Mit der Skalierung von KI-Systemen werden ethische Überlegungen wie Voreingenommenheit, Transparenz, Datenschutz und Inklusion zu operativen Risiken. Governance entscheidet darüber, ob KI-gestütztes Wachstum nachhaltig ist.

Auch hier spielen Daten eine zentrale Rolle. Governance ist nur dann wirksam, wenn Datenherkunft, -nutzung und -verantwortlichkeit transparent sind. Für europäische Vermögensverwalter sind starke Governance-Traditionen ein strategischer Vorteil, wenn sie frühzeitig verankert und nicht erst nachträglich eingeführt werden.

Warum die Betriebsarchitektur heute die Strategie bestimmt

In einer KI-gestützten Umgebung kann Strategie nicht mehr nur als eine Frage von Visionen oder langfristigen Zielen betrachtet werden. Sie ergibt sich zunehmend aus der Betriebsarchitektur, die bestimmt, wie Daten fließen, Entscheidungen getroffen werden und Wissen im gesamten Unternehmen gesammelt wird.

In der Vergangenheit konzentrierte sich die Strategie im Vermögensmanagement auf die Positionierung: Produktangebote, Marktsegmente, Vertrieb und Leistungsdifferenzierung. Diese Entscheidungen sind nach wie vor wichtig, erklären jedoch nicht mehr vollständig die Wettbewerbsergebnisse in einem Umfeld, in dem Lernfähigkeit und Komplexitätsmanagement ebenso wichtig sind wie Absichten.

Die Betriebsarchitektur setzt die Strategie in die Realität um. Sie bestimmt, ob Daten unternehmensweit mobilisiert werden können, ob Erkenntnisse wiederverwendet werden können, ohne die Governance zu untergraben, und ob das Lernen episodisch bleibt oder institutionalisiert wird.

Im Zeitalter der KI wird dieser Unterschied entscheidend. Ambitionen ohne architektonische Ausrichtung führen zu Experimenten ohne Wirkung. Umgekehrt führt eine gut konzipierte Betriebsarchitektur oft zu strategischen Optionen, die nie explizit geplant waren.

Für Vermögensverwalter bedeutet dies nicht, dass sie ihre langfristige Vision oder ihre treuhänderische Disziplin aufgeben müssen. Es bedeutet vielmehr, dass sie erkennen müssen, dass Wettbewerbsvorteile zunehmend davon abhängen, wie die Organisation aufgebaut ist, um zu lernen, und nicht davon, was sie erreichen will.

Fazit

Künstliche Intelligenz stellt die Vermögensverwaltung in erster Linie durch ihre Auswirkungen auf die Art und Weise heraus, wie Organisationen Komplexität bewältigen und Lernen institutionalisieren, und nicht durch die Automatisierung von Aufgaben.

Die eigentliche Einschränkung für die KI-Strategie ist selten die Technologie. Es ist die Fähigkeit der Organisation, Daten als strategischen, gemeinsamen und in das Geschäft eingebetteten Vermögenswert zu behandeln und eine Betriebsarchitektur zu entwerfen, die es ermöglicht, Lernen, Governance und Verantwortung gemeinsam zu skalieren.

In meinem nächsten Artikel gehe ich von der Strategie zur Umsetzung über: Wie sieht ein realistischer Transformationsprozess für Vermögensverwalter aus, die nicht von Haus aus mit KI vertraut sind, und welche Schritte sind in der Praxis am wichtigsten?