Aktuelles
Datum:
Künstliche Intelligenz befindet sich im Asset Management an der Schwelle von der Erprobung zur breiteren produktiven Nutzung. Erste Anwendungen in Investmentprozessen und operativen Funktionen verdeutlichen konkrete Einsatzmöglichkeiten, wobei sich der Reifegrad zwischen den Marktteilnehmern weiterhin deutlich unterscheidet. Daraus ergeben sich unterschiedliche Handlungsfelder. Unternehmen in einer frühen Phase müssen geeignete Anwendungsfälle und die erforderlichen Rahmenbedingungen etablieren, während weiter fortgeschrittene Marktteilnehmer vor der Integration und Skalierung produktiver Lösungen stehen. Beide Entwicklungspfade erfordern eine Weiterentwicklung des bestehenden Betriebsmodells hin zu einem KI gestützten Operating Model.
Vom KI-Einsatz zur nächsten Entwicklungsphase
Die bisherigen Erfahrungen mit Künstlicher Intelligenz haben deren Einsatzmöglichkeiten im Asset Management konkretisiert. Anwendungen in Research, Marktanalyse, Reporting und Prozessautomatisierung zeigen, wie Informationsverarbeitung unterstützt, manuelle Tätigkeiten reduziert und bestehende Entscheidungsprozesse ergänzt werden können. Auf dieser Grundlage lassen sich geeignete Anwendungen schrittweise in den Regelbetrieb überführen und über einzelne Funktionen hinaus einsetzen.
Der Entwicklungsstand im Markt ist jedoch heterogen. Ein Teil der Asset Manager befindet sich weiterhin in der Erprobung geeigneter Anwendungsfälle, deren fachlicher Validierung oder im Aufbau der erforderlichen Daten- und Governance-Strukturen. Andere Unternehmen verfügen bereits über produktive Lösungen und befassen sich mit deren Einbindung in bestehende Prozess- und Systemlandschaften sowie der Ausweitung auf weitere Funktionen. Die erforderlichen Maßnahmen richten sich entsprechend nach dem jeweiligen Reifegrad. Während zunächst die Voraussetzungen für einen belastbaren produktiven Einsatz zu schaffen sind, stehen bei weiter fortgeschrittenen Unternehmen Integration und Skalierung im Vordergrund.
Auch der regulatorische Rahmen ist für die weitere Entwicklung maßgeblich. Der EU AI Act schafft einen einheitlichen europäischen Rechtsrahmen für KI-Systeme und folgt einem risikobasierten Ansatz. Ergänzend konkretisiert die BaFin ihre aufsichtsrechtlichen Erwartungen an den Einsatz Künstlicher Intelligenz im Finanzsektor. Daraus ergeben sich für Asset Manager insbesondere Anforderungen an Governance, Transparenz, Nachvollziehbarkeit, Modellkontrollen, menschliche Aufsicht und AI Literacy.
Das KI-gestützte Operating Model im Asset Management
Mit der Überführung von KI-Anwendungen in den produktiven Betrieb erweitert sich der Betrachtungsrahmen auf deren Einbindung entlang der Asset-Management-Wertschöpfungskette. Im Front Office bestehen Einsatzmöglichkeiten in Research, Investmententscheidungen, Portfoliosteuerung und Kundeninteraktion. Im Middle Office kann KI-Risikoüberwachung, Investment Compliance, Performance- und Attributionsanalysen sowie Datenqualitätskontrollen unterstützen. Im Back Office liegen mögliche Anwendungsfelder in Reporting, Dokumentation, Fund Administration und regulatorischen Verarbeitungsprozessen.
Die Nutzung über einzelne Anwendungsfälle hinaus setzt konsistente Datenflüsse, definierte Schnittstellen, eindeutige Verantwortlichkeiten sowie angemessene Steuerungs- und Kontrollmechanismen voraus. Human Oversight, kontinuierliches Monitoring und dokumentierte Freigabeprozesse gewährleisten dabei fachliche Verantwortlichkeit und regulatorische Nachvollziehbarkeit.
Ein KI-gestütztes Operating Model ist als Weiterentwicklung des bestehenden Betriebsmodells zu verstehen. KI-Funktionen werden in vorhandene Prozesse, Systeme und Entscheidungsstrukturen eingebunden und an den fachlichen sowie strategischen Zielsetzungen des Asset Managers ausgerichtet. Die nachfolgende Abbildung stellt mögliche KI-Lösungen und deren Einordnung entlang des Asset-Management-Betriebsmodells dar.
Nahtlose KI-Integration entlang des Asset-Management-Betriebsmodells (KI-Lösungen)
Wir integrieren KI-Lösungen nahtlos in Ihre bestehende IT-Landschaft und operative Prozesse.
Zum Vergrößern der Grafik bitte anklicken
Vier Handlungsfelder für die Weiterentwicklung des KI gestützten Operating Models
Für die weitere Entwicklung lassen sich vier Handlungsfelder unterscheiden: strategische Ausrichtung, Priorisierung, Befähigung und Skalierung.
Strategische Ausrichtung:
Die KI-Aktivitäten des Asset Managements sind mit den fachlichen Zielsetzungen sowie der übergeordneten Unternehmens- und KI-Strategie in Einklang zu bringen. Ein vollständig ausgearbeitetes unternehmensweites KI-Zielbild ist hierfür hilfreich, jedoch keine zwingende Voraussetzung. Bestehende strategische Leitplanken bilden den Rahmen, um konkrete Potenziale zu identifizieren und Anforderungen an Prozesse, Daten und Technologie abzuleiten.
Priorisierung:
Potenzielle KI-Initiativen sind anhand einheitlicher Kriterien zu bewerten. Hierzu zählen insbesondere Business Impact, Datenverfügbarkeit und -qualität, regulatorische Anforderungen, technische und organisatorische Umsetzbarkeit sowie Time to Value. Die Bewertung bildet die Grundlage für Business Cases, Priorisierungsentscheidungen und eine sequenzierte Transformationsroadmap.
Strategische Ausrichtung (KI-Kompass): Priorisierung strategischer KI-Initiativen für maximalen Wertbetrag im Asset Management
Der KI-Kompass schafft Transparenz darüber, welche Initiativen den höchsten strategischen und operativen Mehrwert liefern.
Zum Vergrößern der Grafik bitte anklicken
Befähigung:
Für priorisierte Anwendungsfelder sind die erforderlichen organisatorischen, prozessualen und technologischen Voraussetzungen zu schaffen. Dies umfasst Rollen und Verantwortlichkeiten, Daten- und Plattformarchitekturen sowie Governance- und Kontrollmechanismen. Prototypen und MVPs ermöglichen die fachliche, technische und regulatorische Validierung vor der Überführung in den Regelbetrieb.
Skalierung:
Validierte Anwendungen werden in bestehende Systeme und operative Prozesse eingebunden. Standardisierte technische Komponenten, definierte KPIs, Monitoring- und Kontrollmechanismen sowie die organisatorische Befähigung unterstützen den stabilen produktiven Betrieb und die Übertragung auf weitere Anwendungsfelder.
Wertbeitrag systematisch messen und steuern
Die wirtschaftliche Bewertung einer KI-Anwendung sollte bereits Bestandteil der Priorisierung sein. Messbare Zielgrößen ermöglichen die Beurteilung des fachlichen Nutzens und der operativen Wirkung. Abhängig vom Anwendungsfall können hierzu Analyse- und Bearbeitungszeiten, Datenqualität, Fehlerquoten oder die Abdeckung relevanter Kontrollhandlungen herangezogen werden.
Nach der Überführung in den produktiven Betrieb ist diese Bewertung kontinuierlich fortzuführen. Veränderungen der Datenbasis, Modellleistung, regulatorischer Anforderungen oder des Marktumfelds können die Leistungsfähigkeit und das Risikoprofil einer Anwendung beeinflussen. Ein fortlaufendes Monitoring schafft die Grundlage für Entscheidungen über Anpassung, Weiterentwicklung und Skalierung.
BDO begleitet Asset Manager entlang unterschiedlicher KI-Reifegrade
BDO unterstützt Asset Manager ausgehend von ihrem jeweiligen Entwicklungsstand. Bei Unternehmen in einer frühen Phase stehen die Identifikation und Priorisierung geeigneter Anwendungsfelder sowie die Definition erforderlicher Daten-, Governance- und Betriebsstrukturen im Vordergrund. Bei bereits produktiv eingesetzten Anwendungen liegt der Schwerpunkt auf deren Einbindung in bestehende Prozess- und Systemlandschaften sowie der Skalierung auf weitere Anwendungsfelder.
Der Beratungsansatz orientiert sich an den vier Handlungsfeldern der Transformation: der strategischen Ausrichtung der KI-Aktivitäten im Einklang mit den übergeordneten Unternehmenszielen, der Priorisierung eines wirtschaftlich und regulatorisch belastbaren KI-Portfolios, der Befähigung durch geeignete Daten, Technologie, Prozesse und Governance-Strukturen sowie der Skalierung validierter Anwendungen in den produktiven Betrieb.
Der jeweilige Reifegrad bildet den Ausgangspunkt für die erforderlichen Maßnahmen. Auf dieser Basis unterstützt BDO Asset Manager dabei, bestehende KI-Aktivitäten strukturiert weiterzuentwickeln und produktive Lösungen schrittweise in das Operating Model zu überführen.
