Nicht zuletzt seitdem ChatGPT, Copilot, Gemini und Co frei zugänglich sind, begeistert Künstliche Intelligenz viele Menschen. Auch im Finanzbereich wächst das Interesse an technologischen Lösungen. Was kann KI bei der Geldanlage leisten? Wie kann KI sinnvoll eingesetzt werden?

Künstliche Intelligenz kann den Investmentprozess unterstützen – etwa bei der Analyse großer Datenmengen oder der Informationsaufbereitung. Der Artikel zeigt auf, welche Rolle Künstliche Intelligenz heute in der Geldanlage spielt und wo die Grenzen liegen.

Künstliche Intelligenz ist kein einheitlicher Anwendungsfall

Wer über Künstliche Intelligenz im Zusammenhang mit Finanzdienstleistungen spricht, muss das Thema zunächst differenzieren. Denn es gibt nicht die eine KI, die sämtliche Aufgaben im Anlageprozess übernehmen kann: von der Erfassung der Ziele und Bedürfnisse der Anleger über die Entwicklung einer passenden Anlagestrategie bis hin zur fundierten Analyse einzelner Wertpapiere und der Zusammenstellung und laufenden Betreuung des Portfolios.

Automatisierte Anlageangebote sind nicht gleich Künstliche Intelligenz

Zwar gibt es mittlerweile zahlreiche digitale Angebote, die Anlageziele, Bedürfnisse und Erfahrungen von Anlegerinnen und Anlegern abfragen, automatisiert eine Anlagestrategie vorschlagen und Portfolios aus Indexfonds (ETFs) zusammenstellen. In den meisten Fällen handelt es sich dabei jedoch nicht um selbstlernende Künstliche Intelligenz, sondern um regelbasierte Programme, die auf Algorithmen und fest definierten Entscheidungslogiken beruhen.

Der Einsatz solcher Systeme kann in standardisierten Situationen hilfreich sein. Entscheidend ist jedoch, dass Anleger nachvollziehen können, wie Anlagevorschläge zustande kommen, welche Logiken dahinterstehen und wo genau KI zum Einsatz kommt.

Wo Künstliche Intelligenz den Investmentprozess unterstützen kann

Unabhängig davon gibt es Bereiche, in denen Künstliche Intelligenz den Investmentprozess sinnvoll unterstützen kann – insbesondere bei professionellen Vermögensverwaltern, die eine Überprüfung der Ergebnisse sicherstellen können.

In einer Studie des Flossbach von Storch Research Institute betont Philipp Immenkötter, dass es in der Verantwortung der Institutionen liege, geeignete Anwendungsbereiche für KI zu identifizieren und die Systeme kontinuierlich weiterzuentwickeln. Zugleich weist er auf Grenzen hin: „KI-Systeme können Informationen generieren, welche die ökonomischen Narrative der Anwender verstärken. Der so entstandene Bestätigungsfehler kann in systematischen Fehlentscheidungen im Anlageprozess enden“, schreibt der Studienautor.
Aus diesem Grund sei ein kritischer Umgang mit KI-Anwendungen unerlässlich. Neue technologische Möglichkeiten sollten genutzt, ihre Ergebnisse jedoch stets hinterfragt und eingeordnet werden.

Entlastung im Analyseprozess

Ein zentrales Einsatzfeld von Künstlicher Intelligenz liegt im Analyseprozess. Gerade bei Vermögensverwaltern, die auf Fundamentalanalyse setzen, ist dieser besonders zeitaufwendig. In einer weiteren Analyse des Flossbach von Storch Research Institute konstatiert Immenkötter: „Eine der größten Herausforderungen für Analysten und Portfoliomanager ist die gigantische Informationsflut, der sie ausgesetzt sind. Weit mehr als die Hälfte der eigenen Arbeitszeit verbringt man damit, Informationen zu suchen, zu aggregieren und zu interpretieren.“

Hier kann Künstliche Intelligenz unterstützen, indem sie große Datenmengen strukturiert, relevante Informationen schneller auffindbar macht und Zusammenfassungen erstellt. Die Entwicklung proprietärer Systeme ist jedoch komplex und zeitintensiv. Bis sie Analysten dauerhaft und verlässlich entlasten, dürfte noch einige Zeit vergehen.

Grenzen von Künstlicher Intelligenz beim Thema Geldanlage

Auch Preisprognosen und Portfoliozusammenstellungen werden bereits mithilfe von Machine-Learning-Systemen erprobt. In einer gemeinsamen Studie zeigen Philipp Immenkötter und Sven Ebert jedoch, dass diese Ansätze bislang vor allem bei kurzfristigen Anwendungen Erfolge erzielen – etwa im Trading oder bei der Reduzierung von Transaktionskosten.
Für langfristige Prognosen oder eine dauerhaft erfolgreiche Portfoliosteuerung seien maschinelle Lernverfahren nach aktuellem Stand hingegen nicht geeignet. Zwar könnten Prozesse effizienter gestalten, eine verlässliche Vorhersage langfristiger Preisentwicklungen bleibe jedoch Zukunftsmusik.

Geldanlage bleibt ein Vertrauensgut

Insgesamt zeigt sich: KI kann im Investmentprozess vor allem bei Analyse- und Informationsaufgaben unterstützen. Die Geldanlage bleibt jedoch ein Vertrauensgut. Anlageentscheidungen erfordern weiterhin Erfahrung, Einordnung und eine kritische Prüfung der zugrunde liegenden Annahmen. Die Verantwortung für Risikobewertung, Entscheidungsfindung und Betreuung liegt auch künftig beim Menschen – insbesondere in herausfordernden Marktumfeldern.