Der agentenbasierte Research-Desk

Investment-Research war schon immer ein Wettlauf gegen die Komplexität. Die Märkte generieren mehr Daten, mehr Berichte, mehr Unternehmensinformationen, mehr Nachrichten, mehr alternative Datensätze und mehr widerstreitende Darstellungen, als ein einzelnes Team manuell verarbeiten kann. Die Herausforderung besteht heute nicht mehr nur darin, Informationen zu finden, sondern zu beurteilen, was wichtig ist, wie zuverlässig diese Informationen sind, ob sie neue
Erkenntnisse bieten und ob sie sich in eine Research-Frage oder eine Anlageerkenntnis umsetzen lassen.

An dieser Stelle könnte die agentenbasierte KI beginnen, den Research-Prozess zu verändern. Die erste Generation generativer KI half Einzelpersonen dabei, schneller zu arbeiten: Dokumente zusammenfassen, Textentwürfe erstellen, Code schreiben und Fragen beantworten. Nützlich, aber noch weitgehend aufgabenorientiert. Agentenbasierte KI geht darüber hinaus, indem sie mehrstufige Arbeitsabläufe unterstützt, den Kontext von einem Schritt zum nächsten überträgt, Instrumente einsetzt, Aufgaben überwacht und strukturierte Ergebnisse bereitstellt, die von Menschen überprüft werden können.

Abbildung 1 unten veranschaulicht, wie der agentenbasierte Research-Desk heute aussehen könnte – oder wie er in naher Zukunft aussehen könnte.

Im Investment-Research ist dieser Wandel wichtig, da das Research eine Abfolge von Schritten darstellt: Ideen erschließen, Belege sammeln, Annahmen überprüfen, Signale vergleichen, Ergebnisse dokumentieren, Schlussfolgerungen hinterfragen und entscheiden, ob eine Idee es wert ist, weiterverfolgt zu werden. Anstatt jedoch die Entscheidungsfindung zu automatisieren, besteht das Ziel der agentenbasierten KI darin, Researchern eine bessere Research-Plattform zur Verfügung zu stellen.

Ein praktischer Ansatzpunkt ist die Research-Sichtung. Investmentteams sehen sich mit einem ständigen Strom von wissenschaftlichen Veröffentlichungen, Marktkommentaren, Mitschriften von Telefonkonferenzen, behördlichen Meldungen, internen Notizen und Kundenanfragen konfrontiert. Ein Großteil der Anlageentscheidungen beginnt nach wie vor mit dieser Art von Hintergrundinformationen: aktuelle Nachrichten, politische Kurswechsel, Debatten unter Analysten, Stellungnahmen der Unternehmensleitung und schwankende Marktstimmung.

Vieles davon mag relevant sein. Das meiste davon lässt sich jedoch nicht vollständig lesen. Die Zeit eines menschlichen Analysten ist begrenzt, und diese Informationen ließen sich bislang nur schwer systematisch nutzen, da sie qualitativ, kontextabhängig und oft unübersichtlich sind.

Ein agentenbasierter Research-Arbeitsablauf kann dabei helfen, Signale bereits in einem sehr frühen Stadium vom Rauschen zu trennen: Durchsuchung großer Materialmengen, Ermittlung von Inhalten, die eine eingehendere Prüfung verdienen, Extraktion zentraler Aussagen und Markierung von Stellen, an denen sich eine neue Idee mit bestehendem Research überschneidet. Ein Agent, der Unterlagen einscannt, entscheidet beispielsweise nicht darüber, ob eine Idee in ein Portfolio gehört. Er hilft Researchern dabei, zu entscheiden, worauf sie ihr Augenmerk richten sollen.

So kann die Interpretation skalierbarer und systematischer gestaltet werden. Ein Researcher entscheidet nach wie vor, ob eine These wirtschaftlich relevant ist, ob sie sich bereits in den Preisen widerspiegelt und ob sie etwas Neues beiträgt. KI kann jedoch dabei helfen, Muster unternehmens- oder sektorübergreifend aufzudecken und die Prüfung zu erleichtern, ob eine These aussagekräftig ist.

Für Anleger, die fundamentale Erkenntnisse mit systematischer Disziplin verbinden möchten, was oft als quantitativer und fundamentaler Ansatz bezeichnet wird, ist dies von besonderer Bedeutung. Die Chance liegt nicht darin, sich zwischen menschlichem Urteilsvermögen und systematischer Analyse zu entscheiden, sondern darin, beide effektiver miteinander zu verknüpfen: KI soll dazu dienen, beschreibende Informationen in großem Umfang zu verarbeiten, während menschliche Researcher weiterhin für die Fragestellungen, die Interpretation und die Entscheidung über weitere Untersuchungen verantwortlich bleiben.

Sobald die beschreibenden Informationen strukturiert sind, besteht die nächste Herausforderung in der Research-Disziplin. KI kann dabei helfen, vorhandene Ideen zu prüfen, Methoden zu ermitteln, erforderliche Dateneingaben zu erfassen und die Reproduktion der Ergebnisse zu unterstützen. Außerdem kann sie dabei helfen, verschiedene Gestaltungsoptionen zu vergleichen und die damit verbundenen Kompromisse zu dokumentieren.

Diese Bandbreite birgt ein Risiko: KI kann die Suche nicht nur nach vielversprechenden Ideen, sondern auch nach falsch-positiven Ergebnissen erweitern. Ein plausibles Ergebnis kann bereits überzeugend wirken, bevor es gründlich genug überprüft wurde. Der Nutzen eines agentenbasierten Arbeitsablaufs besteht daher darin, den Weg von der Idee bis zur Evidenz systematischer zu gestalten und leichter hinterfragen zu können, indem festgehalten wird, was getestet wurde, warum es geprüft wurde, welche Annahmen von Bedeutung waren, an welchen Stellen die Ergebnisse unsicher waren und warum ein Research-Ansatz weiterverfolgt, ausgesetzt oder verworfen wurde.

In diesem Sinne kann agentenbasierte KI das Research-Gedächtnis stärken. Fehlgeschlagene Tests sind keine Verschwendung, wenn sie ordnungsgemäß dokumentiert werden. Sie werden Teil des institutionellen Wissens des Unternehmens und tragen dazu bei, dass zukünftige Researcher nicht erneut in einer leicht abgewandelten Form zu demselben Nicht-Ergebnis gelangen.

Ein großes Potenzial liegt in der Dokumentation. Investment-Research hängt oft davon ab, sich daran zu erinnern, warum eine Entscheidung getroffen wurde: Welcher Datensatz wurde verwendet, welche Annahmen wurden verworfen, warum wurde ein bestimmtes Signal nicht berücksichtigt oder warum wurde ein Modell geändert?

Agentenbasierte Arbeitsabläufe können dabei helfen, eine Beweiskette für KI-gestütztes Research zu erstellen. Diese Kette kann die verwendeten Quelldokumente, Zeitstempel der Zugriffe, die Modell- oder Arbeitsablauf-Version, Instrumentenaufrufe, Bearbeitungen durch Analysten, Stabilitätsprüfungen, Validierungsergebnisse sowie den namentlich genannten menschlichen Prüfer umfassen. Dies ist nicht bloß reine Bürokratie, sondern sorgt dafür, dass KI-gestütztes Research überprüfbar ist.

Ein ausgefeiltes KI-erstelltes Memo kann gefährlich sein, wenn niemand erkennen kann, was das Modell erzeugt hat, was der Analyst geändert hat, welche Aussagen aus Quellen stammen und welche Schlussfolgerungen hinterfragt wurden. Je häufiger KI zur Vorbereitung von Research eingesetzt wird, desto wichtiger wird es, die Rohdaten der Modellausgabe von den vom Unternehmen genehmigten Anlageanalysen zu trennen.

Letztendlich könnte der Research-Desk der Zukunft eher mehr als weniger dokumentiert sein. Systematischer, nicht weniger. Mehr Transparenz bei Unsicherheiten, nicht automatisch mehr Zuversicht.

Wenn KI Informationen sammeln, Fachartikel zusammenfassen, Code entwerfen und Varianten schneller testen kann, verbringt der menschliche Researcher weniger Zeit damit, Beweise zusammenzustellen, und mehr Zeit damit, dieses zu bewerten. Dies erfordert unterschiedliche Kompetenzen: bessere Fragen zu stellen, unzureichende Belege zu erkennen, die Datenherkunft zu verstehen, Modellergebnisse zu hinterfragen, Implementierungsprobleme zu erkennen und zu wissen, wann eine Idee nicht weiterverfolgt werden sollte.

Insbesondere für junge Researcher könnte dies besonders wichtig sein. KI kann sicherlich Teile der Lernkurve abflachen, indem sie den Zugang zu Informationen erleichtert. Sie kann aber auch ein trügerisches Gefühl der Kontrolle hervorrufen. Eine Zusammenfassung zu lesen ist nicht dasselbe wie eine Methode zu verstehen. Ein Ergebnis zu reproduzieren bedeutet nicht, dass man weiß, ob es in eine anwendbare Strategie passt. Im Zeitalter der agentenbasierten KI ist die Research-Kultur so wichtig wie nie zuvor, da sie sowohl gute als auch schlechte Gewohnheiten verstärken kann.

Menschen entscheidn, ob es sich lohnt, diese Frage zu stellen. Menschen entscheiden, ob das Ergebnis wirtschaftlich sinnvoll ist. Menschen entscheiden, ob eine Idee gut genug ist, um weiter geprüft, weiterverfolgt oder verworfen zu werden. Menschen entscheiden, ob die Anhaltspunkte ausreichend sind, um in einen Investmentprozess einzusteigen. Der Wert agentenbasierter KI im Research liegt daher möglicherweise weniger darin, Expertise zu ersetzen, als vielmehr darin, verschiedene Formen von Expertise miteinander zu verknüpfen: grundlegende Kontextkenntnisse, systematische Überprüfung, datenbasierte Disziplin und menschliches Urteilsvermögen.