Konsistente KI-Anlagevorschläge beginnen bei der Datengrundlage

Eine Beraterin oder ein Berater, die oder der heute einen Anlagevorschlag vorbereitet, greift typischerweise auf drei Quellen zurück: das CRM für Risikoprofil und Ziele der Kundschaft, das Portfolio- oder Verwahrsystem für aktuelle Bestände und Performance sowie eine Research- oder Produktdatenbank für die Empfehlung selbst.

Diese Angaben manuell abzugleichen und anschliessend einen Text darum zu verfassen, ist der Teil der Vorschlagserstellung, der die meiste Zeit beansprucht.

Ein Sprachmodell in diesen Ablauf einzufügen, ohne sonst etwas zu ändern, behebt die Inkonsistenz nicht. Es reproduziert sie.

Ein Modell, das einen Vorschlag durch Abfragen dreier separater Systeme erstellt, beschreibt das Risikoprofil derselben Kundin oder desselben Kunden an unterschiedlichen Tagen unterschiedlich, je nachdem, welches Systemfeld es gerade gelesen hat. Zwei Vorschläge für dieselbe Person, im Abstand einer Woche erzeugt, können sich in grundlegenden Fakten widersprechen.

Das ist kein Problem der Modellqualität, sondern ein Datenproblem, das das Modell allein nicht lösen kann.

Warum «einfach KI ergänzen» die Inkonsistenz nicht behebt

Generative Modelle formulieren flüssig, unabhängig davon, ob die zugrunde liegenden Fakten korrekt oder aktuell sind. Ein Vorschlag, der aus einem veralteten CRM-Feld entsteht, liest sich genauso überzeugend wie einer aus einem korrekten Feld.

Das ist die Lücke zwischen einer Ausgabe, die richtig klingt, und einer, die tatsächlich richtig ist — genau dort, wo die manuelle Prüfung früher Fehler abfing, allerdings auf Kosten der Zeit der Beraterin oder des Beraters.

Nur 14 % der Unternehmen berichten von vollständig integrierter Datenreife für KI-Initiativen (McKinsey, 2026).

Die Erstellung von Anlagevorschlägen ist eine verdichtete Version dieses breiteren Problems: Ein einzelner Kundendatensatz berührt mehrere führende Systeme, und das Modell erzeugt nur dann einen konsistenten Vorschlag, wenn diese Systeme übereinstimmen, bevor es zu schreiben beginnt.

Source: McKinsey, «State of AI Trust in 2026», 2026

Die Lösung: Daten einmal abgleichen, vor der Generierung

Die Architektur, die das ermöglicht, gleicht Risikoprofil, aktuelle Bestände und freigegebene Produktdaten einer Kundin oder eines Kunden vor jeder Vorschlagserstellung zu einem einzigen strukturierten Datensatz ab.

Das Modell formuliert anschliessend aus genau diesem Datensatz, nicht aus drei Systemen, die zum Zeitpunkt der Generierung unabhängig voneinander abgefragt werden. Konsistenz wird so zu einer Eigenschaft des Datenmodells, das der Automatisierung zugrunde liegt, nicht zu einer Hoffnung darauf, wie sich das Sprachmodell an einem bestimmten Tag zufällig verhält.

Dieser einheitliche Datensatz gibt auch der Compliance einen festen Bezugspunkt für die Prüfung. Statt im Nachhinein zu rekonstruieren, aus welchem System eine bestimmte Angabe stammt, lebt die Antwort an genau einem Ort: im abgeglichenen Datensatz.

Gesteuerte Generierung: Das Modell formuliert innerhalb fester Regeln

Eine korrekte Datengrundlage ist notwendig, aber für sich allein nicht ausreichend. Der Vorschlag muss zudem jedes Mal der eigenen Vorlage, der House View und den vorgeschriebenen Offenlegungen des Unternehmens folgen, unabhängig davon, welche Beraterin oder welcher Berater ihn anfordert.

Das bedeutet, das Modell an die eigenen Anlagerichtlinien und die Dokumentstruktur des Unternehmens zu binden, statt Format und Inhalt seinem eigenen Ermessen zu überlassen. Das Modell füllt eine feste Struktur aus einem festen Datensatz; es improvisiert bei keinem von beidem.

Anlagevorschläge tragen in der EU zusätzlich ein konkretes Compliance-Risiko: Unternehmen, die Anlageberatung erbringen, müssen Kundinnen und Kunden vor Abschluss des Geschäfts eine Geeignetserklärung aushändigen, die erläutert, wie die Empfehlung zu ihrem Profil passt (MiFID II, Artikel 25 Absatz 6, Richtlinie 2014/65/EU; ESMA).

Ein Vorschlag, der aus einem abgeglichenen, strukturierten Datensatz entsteht, kann diese Erläuterung konsistent liefern. Einer, der auf dem beruht, was ein Modell an einem bestimmten Tag zufällig abgerufen hat, kann diese Garantie nicht geben.

Warum das On-Premise läuft

Risikoprofile und Portfoliobestände von Kundinnen und Kunden gehören zu den sensibelsten Daten, die eine Vermögensverwaltung besitzt. Läuft die Inferenz On-Premise, innerhalb der eigenen Infrastruktur der Vermögensverwaltung, verlassen diese Daten während der Vorschlagserstellung nie die Umgebung des Unternehmens in Richtung eines externen Modells.

Der abgeglichene Kundendatensatz, das Schlussfolgern des Modells darüber und der daraus entstehende Entwurf bleiben allesamt innerhalb einer Infrastruktur, die das Unternehmen bereits kontrolliert und prüft. Konsistenz und Datenkontrolle werden durch dieselbe architektonische Entscheidung gelöst, nicht durch zwei getrennte.

Was sich für Beraterinnen und Berater tatsächlich ändert

Die Beraterin oder der Berater öffnet nicht mehr drei Systeme, um einen ersten Entwurf zusammenzustellen. Jeder Vorschlag geht vom selben geprüften Kundendatensatz aus, unabhängig davon, wer ihn anfordert oder wann.

Die Prüfung verlagert sich davon, ob die zugrunde liegenden Fakten überhaupt korrekt sind, was bisher der langsamste Teil war, hin zur Frage, ob die Empfehlung selbst zur Kundin oder zum Kunden passt. Diese fachliche Beurteilung trifft die Beraterin oder der Berater weiterhin bei jedem Vorschlag; die Automatisierung existiert, um den manuellen Abgleich davor zu beseitigen.

Fazit

Ein Sprachmodell kann aus praktisch jeder Eingabe, korrekt oder nicht, einen flüssig formulierten Anlagevorschlag erstellen. Ob dieser Vorschlag über Beraterinnen und Berater, über Kundinnen und Kunden sowie über die Zeit hinweg konsistent bleibt, entscheidet sich daran, ob die zugrunde liegenden Daten zuvor zu einer einzigen strukturierten, verlässlichen Quelle abgeglichen wurden.

Stimmt die Datengrundlage, On-Premise umgesetzt, wird das Modell zu einem tatsächlich verlässlichen Werkzeug für die Texterstellung, statt zu einer flüssigen Art, bestehende Inkonsistenzen weiterzureichen.