Der Asset-Management-Sektor steht vor einem tiefgreifenden Wandel: Der klassische Ansatz, externe Software zu kaufen (“Buy”), weicht zunehmend dem Eigenbau von KI-gestützten Lösungen (“Build”). Die DWS Group demonstriert, wie generative und agentische Künstliche Intelligenz (KI) Prozesse beschleunigt, Kosten senkt und neue Datenpotenziale erschließt – und das alles im Spannungsfeld regulatorischer Vorgaben.
Branchenweiter Transformationsdruck im Asset Management
Internationale Erhebungen zeigen, dass KI als Haupttreiber für die Zukunft des Asset Managements gilt. Der PwC Global Asset and Wealth Management Survey 2024 belegt, dass 73 % der Führungskräfte generative KI als die transformativste Technologie der kommenden Jahre werten. Gleichzeitig erwarten 84 % der Institute erhebliche operative Effizienzgewinne.
McKinsey prognostiziert für 2025 Produktivitätssteigerungen von 25 % bis 40 % durch den Einsatz von Copiloten im Portfoliomanagement und beim Coding. Diese Zahlen untermauern den wachsenden Druck, KI nicht nur als Einmal-Tool, sondern als strategische Kernkomponente zu verstehen.
Warum Asset Manager von “Buy” zu “Build” wechseln
Der Umstieg von gekaufter Standardsoftware auf selbst entwickelte KI-Lösungen wird durch mehrere Faktoren angetrieben:
- LLM-gestützte Entwicklung reduziert Entwicklungszeiten um das Vielfache und ermöglicht maßgeschneiderte Architekturen ohne teure Lizenzmodelle.
- Eigenständige Plattformen mindern die Abhängigkeit von externen Datenlieferanten – ein entscheidender Kostentreiber.
- Regulatorische Vorgaben fordern nachvollziehbare, auditable Prozesse, die bei externen Systemen schwerer zu gewährleisten sind.
Die DWS veranschaulicht diesen Paradigmenwechsel eindrucksvoll. Durch die schnelle Implementierung einer Market-Intelligence-Plattform auf Basis von Google- und Anthropic-Modellen entstand innerhalb weniger Tage ein funktionierender Prototyp – ein Aufwand, der traditionell mehrere Monate und ein viel größeres Entwicklungsteam erfordert hätte.
Von “Buy” zu “Build” – DWS Praxisbeispiel
Die DWS startete ein internes Projekt, das mit geringem Zeit- und Personalaufwand experimentell KI-Modelle einsetzte. Das Ergebnis: Eine eigenentwickelte Market-Intelligence-Plattform, die heute kontinuierlich erweitert wird und ohne die funktionalen Kompromisse gekaufter Lösungen auskommt. Gleichzeitig profitierte das Unternehmen von einer beschleunigten Kollaboration zwischen Business- und Tech-Teams, wodurch das klassische White-boarding-Phase praktisch entfiel.
“Durch die Demokratisierung von Technologie erleben wir nicht nur eine massive Beschleunigung, sondern auch einen unglaublichen Schub im Bereich Citizen Development”, erläutert Patrick Grigat, CTO der DWS Group.
Agentenbasierte Plattformautomatisierung – Produktivitätsboost
Ein zentrales Element der DWS-Strategie ist die Automatisierung repetitiver technischer Prozesse mittels KI-Agenten. Laut interner Angaben wurden die Laufzeiten grundlegender Prozesse um mehr als 95 % reduziert.
- Agentic Platform Automation & Maintenance: Reduktion von Ausführungszeiten repetitiver Aufgaben.
- Software-Engineering & Code Quality: KI-gestützte Code-Reviews und Lifecycle-Optimierung.
- Data Analytics Platform für Post-Trade-Daten: Verknüpfung Milliarden-Datensätze zur Risiko- und Performance-Verbesserung.
- Document Intelligence Platform: Agentenbasierte Unterstützung im Private-Markets-Bereich.
- Portfolio Management Co-Pilots: Interaktive Assistenz für Portfolio-Manager.
Diese Initiativen illustrieren, wie KI nicht nur Kosten senkt, sondern auch neue Analysemöglichkeiten eröffnet.
Aufsichtsrechtliche Rahmenbedingungen: DORA, EU AI Act und BaFin
Der regulatorische Kontext verlangt strenge Governance. Die BaFin klassifiziert KI-Systeme im Rahmen der DORA-Verordnung als IKT-Assets. Damit gelten für eigene RAG-Plattformen und Agenten folgende Pflichten:
- Lückenlose Audits und Dokumentation über den gesamten Lebenszyklus.
- Human-in-the-Loop-Kontrollen (Vier-Augen-Prinzip) bei Code-Generierung und Datenanalysen.
- Überwachung von Prompt-Drift, Sicherheits-Patches und Incident-Management.
Die BaFin-Orientierungshilfe (2025) betont, dass jede KI-Lösung, besonders wenn externe Foundation-Models integriert werden, strikten Third-Party-Risk-Vorgaben nach DORA entsprechen muss.
Kostenexplosion bei Finanzdaten und Inhouse-RAG-Plattformen
Externe Marktdaten verursachen für die Fondsbranche massive Ausgaben. Der deutsche Fondsverband BVI nennt für 2024 globale Lizenzkosten von rund 50 Mrd. USD. Durch den Aufbau proprietärer Document-Intelligence- und Market-Intelligence-Plattformen kann die DWS diese Kosten deutlich dämpfen und gleichzeitig die Datenabhängigkeit reduzieren.
Risiken und Paradoxa beim KI-Einsatz
- AI Paradox (Value Paradox): Trotz breiter Experimente (ca. 80 % der Unternehmen) liefern viele KI-Prototypen keinen messbaren Mehrwert, solange Workflows nicht grundlegend neu gestaltet werden.
- Verdeckte Wartungs- und Modellrisiken: Schnell erstellte Citizen-Development-Lösungen können zu Schatten-IT führen; fortlaufende Modell- und Sicherheits-Updates binden Ressourcen.
- DORA-Compliance bei Drittanbietern: Die Nutzung externer Cloud-Modelle erfordert robuste Ausfallsicherheits- und Konzentrations-Risiko-Strategien.
Lessons Learned und Erfolgsfaktoren
Die DWS-Projekte haben folgende zentrale Erkenntnisse hervorgebracht:
- KI verstärkt die Notwendigkeit enger Business-Tech-Kollaboration.
- Prototypen benötigen für den Produktionseinsatz mindestens das Vier-Augen-Prinzip.
- Die Auswahl des passenden Modell-Niveaus (Frontier vs. etablierte Modelle) ist kosten- und nutzungsoptimiert.
- Ein ausgewogenes Verhältnis zwischen Produktivitätssteigerung und Innovationspotenzial muss kontinuierlich geprüft werden.
- Qualitative Kriterien wie Kundenzufriedenheit, Umsatzwachstum und Mitarbeitermotivation sollten frühzeitig in Business-Cases einfließen.
“KI ist kein Ersatz für die enge Verzahnung von Business und Technologie, sondern ein weiterer Grund, diese Zusammenarbeit zu intensivieren”, betont Patrick Grigat.
Schnellüberblick:
Warum wechselt die Fondsbranche von Softwarekauf (“Buy”) zu KI-gestütztem “Build”?
Foundation Models und KI-gestütztes Coding reduzieren Entwicklungszeiten um ein Vielfaches, ermöglichen maßgeschneiderte Architekturen und senken langfristig die Lizenzkosten.
Welche aufsichtsrechtlichen Auflagen gelten für KI-Agenten im Asset Management?
Gemäß BaFin-Orientierungshilfe und DORA werden KI-Systeme als reguläre IKT-Assets klassifiziert. Sie müssen lückenlos auditiert, gegen Datenmanipulation geschützt und durch Human-in-the-Loop-Kontrollen überwacht werden.
Reicht Produktivitätsoptimierung für einen dauerhaften Wettbewerbsvorteil aus?
Nein. Da Standardmodelle allen Marktteilnehmern zur Verfügung stehen, erodieren reine Effizienzvorteile schnell. Nachhaltiger Mehrwert entsteht erst durch proprietäre Datenvernetzung und neue Investment-Dienstleistungen.
Quellen
- https://www.pwc.de/de/finanzdienstleistungen/asset-management.html
- https://www.mckinsey.com/industries/financial-services/our-insights/how-ai-could-reshape-the-economics-of-the-asset-management-industry
- https://www.bvi.de/ueber-uns/positionen/finanzmarktdaten/
- https://www.bafin.de/SharedDocs/Veroeffentlichungen/DE/Meldung/2025/meldung20251218OrientierungshilfeIKTRisikenKI.html
Über den Autor
