KI-Einsatz im Fondsmanagement: Kaum ein Thema wird in der Fondsbranche derzeit so intensiv diskutiert wie der Einsatz künstlicher Intelligenz. Unsere Gastautorin, Shannon Kirwin, Fondsanalystin beim Research‑Haus Morningstar, blickt hinter die Kulissen und gießt Wasser in den KI‑Wein.
Fast jeder Asset Manager wirbt inzwischen damit, KI in irgendeiner Form einzusetzen. Eine aktuelle Analyse von Morningstar zeigt jedoch: Zwischen dem, was Anbieter kommunizieren, und dem, was tatsächlich im Investmentprozess passiert, klafft eine erhebliche Lücke.
KI-Einsatz bei Fonds: Große Worte, wenig Substanz
Morningstar hat auf seinen großen Fundus an Fondsanalysen zurückgegriffen und mit einem eigens entwickelten semantischen Suchsystem die internen Rating‑Notizen seines globalen Analystenteams ausgewertet. Es wurden rund 3.200 Strategie‑Bewertungen pro Jahr analysiert, die Daten reichen bis 2019 zurück. Das Ergebnis: Eine wirklich substanzielle Integration von KI in den Investmentprozess findet sich bei weniger als 20 Häusern, überwiegend bei Anbietern mit langjähriger quantitativer Tradition wie BlackRock, AQR, Man AHL oder Goldman Sachs.
Eine korrespondierende Untersuchung der europäischen Wertpapieraufsicht ESMA passt ins Bild: Von rund 44.000 UCITS‑Fonds weisen nur etwa 145 einen formalen KI‑Einsatz in Prospekten oder Meldungen aus – während in Gesprächen praktisch jeder Fondsanbieter angibt, KI zu nutzen. Diese Diskrepanz hat mehrere Gründe: Es fehlt eine klare regulatorische Definition von „KI‑Einsatz“, Marketing‑Interessen spielen eine Rolle, und klassische quantitative Methoden werden gerne als „KI“ verkauft, obwohl sie es im engeren Sinn nicht sind.
KI‑Integration: Vier Beispiele aus der Praxis
Wie genau setzen Häuser mit substanzieller KI‑Integration die Technologie konkret ein? Ein Blick auf vier Anbieter zeigt, wie unterschiedlich die Ansätze im Detail aussehen können.
BlackRock (Systematic Active Equities): Das Team, das aus der früheren Quant‑Einheit von Barclays Global Investors hervorgegangen ist, verwaltet rund 343 Milliarden US‑Dollar über eine Signalbibliothek mit mehr als 1.100 proprietären Faktoren. Bereits seit 2008 wertet das Team Gewinnmitteilungen und Analystenberichte per Textanalyse aus, mittlerweile mehr als 5.000 Transkripte pro Quartal in mehreren Sprachen. Seit 2020 kommen zusätzlich spezialisierte, thematische Modelle zum Einsatz – intern „taktische Roboter“ genannt –, die anhand von Stellenanzeigen, Satellitenbildern, Frachtdaten und Konsumtrends mehr als 80 kurzfristige Marktthemen wie Zollrisiken oder die Nachfrage nach Abnehmspritzen handeln.
Morgan Stanley (Counterpoint Global): Das Team um Portfoliomanager Thomas Kamei hat mehrere hauseigene KI‑Werkzeuge entwickelt. „Culture Quant“ analysiert die Personalstruktur von rund 1.000 börsennotierten Unternehmen anhand von Beschäftigtendaten, um abzuschätzen, welche Firmen am stärksten von der Automatisierung einzelner Tätigkeiten durch KI profitieren könnten. Das experimentellste Projekt, „Golden Swans“, lässt bis zu 56 KI‑Agenten mit unterschiedlichen Anlegerprofilen – etwa Value‑ oder Wachstumsinvestor – parallel eine vollständige Aktienanalyse samt Kursziel erstellen, eine Arbeit, für die ein menschliches Team normalerweise Wochen benötigen würde.
Man AHL: Der Trendfolge‑Spezialist nutzt maschinelles Lernen bereits seit mehr als einem Jahrzehnt. Nach mehreren selbst entwickelten internen KI‑Werkzeugen – darunter ein firmeninterner Chatbot sowie zwei Programme für Recherche und komplexere Analyseaufgaben – hat das Unternehmen 2026 auf „Claude Code“ als zentrale Forschungsumgebung umgestellt, ergänzt um rund 90 selbst entwickelte Erweiterungen. Laut einem leitenden Quant‑Researcher lassen sich neue Handelssignale dadurch deutlich schneller testen. Man betont dabei, dass der eigentliche Wettbewerbsvorteil nicht im KI‑Werkzeug selbst liege, sondern in den über Jahrzehnte aufgebauten proprietären Daten.
Goldman Sachs (Quantitative Investment Strategies): Die systematische Aktien‑Einheit von Goldman Sachs Asset Management verwaltet rund 203 Milliarden US‑Dollar und wertet mit einem Team von rund 90 Investmentprofis und 100 Ingenieuren jährlich über 20.000 Gewinnmitteilungen, 2 Millionen Nachrichtenartikel und 50 Millionen Patente aus. Besonders ist dabei die Analyse der Tonspur von Telefonkonferenzen per Deep Learning – mit Fokus auf den freien Frage‑Antwort‑Teil, da dieser authentischere Stimmungssignale liefert als die vorab abgestimmten Redebeiträge des Managements. Trotz des hohen Automatisierungsgrads treffen Portfoliomanager die finale Entscheidung und können Signale bei Marktverwerfungen jederzeit anpassen oder aussetzen.
Wo KI heute wirklich hilft
Bei den Häusern, die generative KI ernsthaft nutzen, zeigt sich ein klares Muster: Die Technologie beschleunigt vor allem die Recherche, verändert aber – zumindest bisher – nicht die eigentliche Anlageentscheidung. Fundamentale Manager nutzen große Sprachmodelle, um Unternehmensberichte schneller auszuwerten, Research‑Abdeckung auszuweiten und erste Analysen zu automatisieren. Quantitative Teams wiederum setzen KI ein, um Forschungszyklen zu verkürzen und neue Signale schneller zu testen. Beispiele reichen von automatisierten Scoring‑Modellen für Unternehmen in Japan über KI‑gestützte Aktienauswahl in Asien bis hin zu experimentellen Multi‑Agenten‑Systemen, die komplette Research‑Reports in kurzer Zeit erstellen. Durchgängig gilt aber: Die finale Entscheidung bleibt bei Menschen.
Warum KI (noch) nicht die Entscheidung übernimmt
Warum sind Asset Manager noch nicht bereit, die Zügel an ihre KI‑Helfer abzugeben? Der zentrale Grund liegt im Backtesting‑Problem: Klassische quantitative Signale lassen sich historisch testen und validieren, bei generativer KI funktioniert das kaum. Sprachmodelle liefern bei identischen Anfragen unterschiedliche Antworten, was einen verlässlichen historischen Track Record verhindert. Hinzu kommt der sogenannte Look‑Ahead‑Bias: Da die Modelle mit Daten bis zu einem bestimmten Stichtag trainiert wurden, kennen sie oft bereits die spätere Entwicklung eines Unternehmens oder Marktes – ihr Urteil über eine vergangene Situation ist dadurch verzerrt und lässt sich nicht als echte Vorhersagequalität werten.
Was das für Anleger bedeutet
Für Fondsselektoren wird die Frage „Nutzt ihr KI?“ damit praktisch wertlos, weil nahezu jeder Anbieter sie bejaht. Aussagekräftiger ist die Frage, wie konkret und dokumentiert der Einsatz ist: Ist KI fest in den Investmentteams verankert oder nur eine IT‑Spielerei? Gibt es eine saubere Governance und Kontrolle der Modellrisiken? Und ist die Anwendung tatsächlich entscheidungsrelevant oder nur ein Randaspekt? Wer hier genauer hinschaut, kann besser zwischen echter Kompetenz und reiner Marketingsprache unterscheiden.
Der eigentliche Wettbewerbsvorteil
Der Zugang zu leistungsfähigen KI‑Modellen wird zunehmend zur Massenware – jeder kann sie nutzen. Der entscheidende Unterschied liegt Morningstar zufolge woanders: bei proprietären Daten, robuster Infrastruktur und der Fähigkeit, Modelle laufend an neue technologische Entwicklungen anzupassen. Häuser, die seit Jahren in eigene Datenpipelines und Systeme investiert haben, dürften einen Vorsprung behalten, den ein allgemein verfügbares Sprachmodell allein nicht ausgleichen kann. Für die breite Masse durchschnittlicher aktiver Anbieter dagegen könnte KI eher zu einem zusätzlichen Kostenfaktor werden, um überhaupt wettbewerbsfähig zu bleiben – ohne dass daraus zwangsläufig ein dauerhafter Renditevorteil entsteht.
KI im Fondsmanagement – ein weites Feld
Künstliche Intelligenz verändert die Fondsbranche schrittweise, aber nicht revolutionär – zumindest noch nicht. Sie beschleunigt Recherche und Analyse erheblich, ersetzt aber bislang nicht das menschliche Urteilsvermögen bei der eigentlichen Investmententscheidung. Für Anleger lohnt sich daher ein kritischer Blick hinter die KI‑Kulisse eines Fonds: Entscheidend ist nicht, ob ein Anbieter KI nutzt, sondern wie tief sie im Prozess verankert ist – und wer am Ende die Verantwortung für die Entscheidung trägt.
