Bond Voyage

Dieser Artikel beschäftigt sich mit folgenden Themen:

• Wie wirkt sich KI auf die Rolle von Research Analysten aus?
• Wo stößt sie an Grenzen?
• Welchen Mehrwert hat der Faktor Mensch noch?
   

„Werden wir in Zukunft noch Research Analysten brauchen?“ 

Diese Frage wird in unserer Branche immer öfter gestellt.

Angesichts der Fortschritte im Bereich künstliche Intelligenz (KI) ist sie durchaus berechtigt. Finanzanalysten rangieren in Ranglisten besonders stark von KI-Technologien betroffener Berufe regelmäßig weit oben. Einer jüngsten Studie des Researchunternehmens Focaldata zufolge ist die Finanz- und Versicherungsbranche der Sektor mit den zweitgrößten Produktivitätsgewinnen durch KI, nur im Technologiesektor sind sie noch größer (siehe Abbildung 1).¹
 

Analysten können mit Hilfe von KI Daten sammeln, Zusammenfassungen von Dokumenten und Berichte erstellen und sogar Komponenten von Finanzmodellen entwickeln lassen. Wenn Maschinen bei solchen Aufgaben immer besser werden, was kommt dann als nächstes?

Auch wenn diese Frage bereits für viel Diskussionsstoff gesorgt hat, ist eines für uns klar: Andere mögen Research als einen Kostenfaktor betrachten, den es unter Kontrolle zu halten gilt. Wir sehen darin einen Wettbewerbsvorteil im Investmentgeschäft. Hohe Qualität im Research bildet die Basis für erfolgreiche Anlageentscheidungen. An dieser Überzeugung hat sich auch mit KI nichts geändert.

Research erschöpft sich nicht darin, Daten zu sammeln

Ein Blick in die Vergangenheit zeigt, wie sich die Rolle von Research-Analysten entwickelt hat. Es gab eine Zeit, in der der Zugang zu verlässlichen Unternehmensdaten an sich schon ein Wettbewerbsvorteil war. Technologie hat für einen Quantensprung beim Datenzugang gesorgt. Die Herausforderung besteht nun nicht mehr darin, an Daten zu kommen, sondern diese zu strukturieren. Mit der wachsenden Informationsflut rückten das Filtern, Zusammenfassen und Priorisieren einer immer weiter ausufernden Menge an Nachrichten, Daten und Kommentaren in den Mittelpunkt. KI ist lediglich die letzte Etappe in dieser Entwicklung.

Viele einst enorm zeitaufwendige Aufgaben sind heute in Sekundenschnelle erledigt. Daten sammeln, Excel-Sheets befüllen, Transkripte zusammenfassen und Entwurfsfassungen von Research-Kommentaren erstellen, all das lässt sich stark beschleunigen. 

Doch diese Aufgaben waren immer nur Arbeitsschritte im Investmentprozess und nicht das Ziel von Investment Research.

Im Kern geht es im Research um Interpretation und insbesondere darum, Erkenntnisse zu gewinnen, die zu besseren Anlageentscheidungen führen. An den Anleihemärkten, wo Bewertungen oft Spiegelbild der Konsenseinschätzung auf Basis öffentlich zugänglicher Informationen sind, wird man Überrendite zunehmend nur dadurch generieren können, Informationen anders zu interpretieren und sich ein eigenes Urteil zu bilden, wo Markterwartungen eventuell zu optimistisch oder pessimistisch sind. Durch Technologie ändert sich die Art und Weise, wie Daten gesammelt und verarbeitet werden. Die Notwendigkeiten, Allokationsentscheidungen zu treffen, besteht jedoch nach wie vor.

Modellieren ist einfacher geworden

Ein Bereich, in dem KI bereits den Arbeitsalltag von Analysten verändert hat, ist die Entwicklung von Finanzmodellen. Für viele Analysten war es eine prägende Erfahrung, ein Modell von Grund auf selbst zu entwickeln. Dabei lag der Wert nie in der fertigen Excel-Datei. Die echte Lernerfahrung war der Prozess selbst. Die manuelle Eingabe von Zahlen zwang Analysten dazu, das Geschäft eines Unternehmens zu verstehen, ließ Inkonsistenzen klar zutage treten, zeigte, von welchen Faktoren die Geschäftsentwicklung maßgeblich abhängt, und regte dazu an, Widersprüchen auf den Grund zu gehen. Vor allem aber lernten Analysten dabei, auf welche Annahmen es wirklich ankam. 

Mit KI lässt sich nun ein Großteil dieses Prozesses automatisieren, was nicht unbedingt schlecht ist. Die dadurch gewonnene Zeit kann man nun darauf verwenden, was am wichtigsten ist: Zukunftsszenarien und Stresstest-Annahmen zu bewerten und zu analysieren, wovon die Renditeentwicklung letztlich abhängt.

Wenn Technologie dem Menschen nun mehr von diesen mechanischen Aspekten der Modellierung abnimmt, müssen sich Investmenthäuser grundlegend Gedanken darüber machen, wie auch die nächste Generation von Research Analysten diese analytischen Fähigkeiten noch entwickeln kann.

Handwerkliche Professionalität verspricht noch keinen Erkenntnisgewinn

Die Auswirkungen von KI auf das Denken werden an schriftlichen Texten vielleicht am besten deutlich. Moderne KI-Tools produzieren Inhalte, die oft in sich schlüssig und überzeugend sind und auch sprachlich äußerst professionell wirken. Handwerkliche Professionalität allein verspricht jedoch noch keinen Erkenntnisgewinn. 

Ihre Argumentation schriftlich zu fassen, war in der Vergangenheit für Analysten einer der effektivsten Wege, diese auf Herz und Nieren zu prüfen, denn Argumente, die in einer mündlichen Diskussion überzeugend wirken, weisen oft Schwachstellen auf, wenn man sie zu Papier bringt.  

Die Verschriftlichung hilft dabei, stärker zu priorisieren, lässt Lücken in der Argumentationskette erkennen und deutlich werden, wo noch Belege fehlen. Ein Analyst, der ein Argument entwickelt, weiß genau, welche Teile der Argumentation tragen und wo noch nachgearbeitet werden muss. 

KI-generierte Inhalte können hier Grenzen verwischen, da schwache Argumente oft genauso überzeugt und professionell vorgetragen werden wie starke. Analysten müssen daher noch bewusster Schlussfolgerungen in Frage stellen und validieren, anstatt einfach davon auszugehen, dass eine flüssig formulierte auch eine argumentativ gut abgesicherte Antwort ist.

Der Faktor Mensch gewinnt an Bedeutung

Der von KI am wenigsten betroffene Bereich ist gleichzeitig auch der Bereich, der am wichtigsten wird.

Der direkte Dialog mit Management-Teams, politisch Verantwortlichen, Kapitalgebern bei strukturierten Finanzierungen und einem großen Kreis von Marktteilnehmern auf breiterer Basis war schon immer Bestandteil des Research. Diese Gespräche haben nie nur eine rein informative Ebene. Gute Analysten beziehen nicht nur das, wasgesagt wird oder ungesagt bleibt, in ihre Überlegungen ein, sondern auch wie etwas gesagt wird.

Sie beobachten, ob ihr Gegenüber selbstsicher oder zögerlich auftritt, konsistent argumentiert und glaubwürdig erscheint, achten darauf, wo Management-Teams sich unwohl fühlen, überprüfen Annahmen und stellen Narrative in Frage. Im Laufe der Zeit entwickeln Analysten mit diesen Kontakten eine Art Mustererkennung und damit ein sicheres Gespür für starkes Management, wichtige Warnsignale und erfolgreiche oder zum Scheitern verurteilte Strategien. Eine solche über die Jahre gereifte Intuition ist schwer zu automatisieren.

KI kann in der Vorbereitung und bei der Zusammenfassung von Meetings hilfreich sein. Was sie jedoch nicht leisten kann, ist aus Tausenden von Gesprächen in verschiedenen Sektoren, Zyklusphasen und unter verschiedenen Marktbedingungen Erfahrung aufzubauen. Diese Erfahrung wird immer wertvoller je mehr Routineaufgaben im Research-Prozess automatisiert werden.

Was ist nach wie vor knapp?

Wenn es mit KI einfacher wird, Informationen zu sammeln, zu strukturieren und zusammenzufassen, muss der Mehrwert im Investmentgeschäft anderswo herkommen. Die Fähigkeit, die richtigen Fragen zu stellen, widersprüchliches Material zu interpretieren, Konsensschätzungen zu hinterfragen und letztlich zu entscheiden, wo Kapital wirklich gut investiert ist, zählt zu den Kompetenzen, die sich nach wie vor nur schwer durch KI ersetzen lassen. Diese Fähigkeiten dürften mit zunehmender Demokratisierung des Zugangs zu Informationen noch weiter an Bedeutung gewinnen.

Die Frage, ob wir in Zukunft noch Analysten brauchen, ist daher vielleicht die falsche Frage. Viel wichtiger ist die Frage, wer in einer Welt immer größerer Fülle an Informationen am besten in der Lage ist, differenzierte Erkenntnisse aus dieser Informationsflut zu gewinnen.

Die Unternehmen, die sich eingehende Gedanken darüber machen, wie sie KI entwickeln, testen und anwenden, werden am meisten von den Möglichkeiten der künstlichen Intelligenz profitieren. Unternehmen, die glauben, den Faktor Mensch vollständig durch KI ersetzen zu können, könnten im denkbar ungünstigsten Moment eines Besseren belehrt werden

Ist das für Anleger relevant?

Wirklich wichtig ist im Hinblick auf KI nicht, ob sich bestimmte Researchaufgaben beschleunigen lassen, sondern wie Unternehmen die Kapazitäten nutzen, die mit dieser Technologie frei werden. Am erfolgreichsten werden die Unternehmen sein, die KI nicht einfach nur dazu einsetzen, mehr Analysen zu produzieren oder mehr Emittenten in die Berichterstattung einzubeziehen, sondern damit zeitlichen Spielraum dafür schaffen, in der Analyse stärker in die Tiefe zu gehen, ihr Suchraster für interessante Investments zu erweitern und Anlageideen stärker auf den Prüfstand zu stellen. KI schmälert nicht den Wert von Research, legt aber die Latte für glaubwürdiges Research höher.

Mit wachsender Informationsfülle und immer komplexeren Möglichkeiten der Informationsverarbeitung verliert der reine Zugang zu Informationen als Wettbewerbsvorteil an Bedeutung. Im Gegenzug gewinnt die Qualität der menschlichen Brille zur Interpretation dieser Informationen zunehmend an Bedeutung.

Mit der Frage, ob wir in Zukunft noch Analysten brauchen, wird diese Funktion oft prozess- und nicht ergebnisorientiert betrachtet. Viele einzelne Prozessschritte werden sich sicherlich verändern, manche vielleicht sogar ganz wegfallen. Aber das Ziel, das diesem Prozess zugrunde liegt, ist immer noch dasselbe: Erkenntnisgewinn für bessere Anlageentscheidungen. 

Die Fähigkeit, aus der Informationsflut differenzierte Erkenntnisse zu gewinnen, wird immer wertvoller. Die Zukunft des Research wird wohl kaum davon geprägt sein, dass Analysten durch KI ersetzt werden. Viel wahrscheinlicher ist, dass sich immer stärker die Spreu vom Weizen trennt, mit Analysten, die KI einsetzen, um ihr Urteil noch besser abzusichern, einerseits und Analysten, die ihr Urteilsvermögen an die KI abgeben, andererseits.