Umgestaltung der Vermögensverwaltung mit Hybrid AI

Zusammenfassung

• Vermögensverwalter haben Schwierigkeiten, die Kundenerwartungen für Produktempfehlungen im E-Commerce-Stil zu erfüllen. Grund dafür sind komplexe Produktmerkmale, Compliance-Zwänge und mehrdimensionale Ziele.
• Regelbasierte oder segmentierungsbasierte Ansätze führen zu einer stumpfen, pauschalen Beratung, die das Vertrauen der Kunden untergräbt und die Skalierbarkeit einschränkt.
• Durch die Überlagerung von maschinellen Lernmodellen, mathematischer Optimierung (Portfolio-Optimierung), umfangreichen Sprachmodellen und einer agentenbasierten KI-Orchestrationsschicht können Banken verschiedene data integrieren und die Rohdaten des maschinellen Lernens in bessere Erklärungen, Empfehlungen und automatisierte Aktionen umsetzen.

Die Vermögensverwaltung steckt in der Vergangenheit fest. Die Kunden leben in einer Welt der mühelosen, hyper-personalisierten Empfehlungen von YouTube, TikTok oder Amazon, doch die Banken verkaufen ihre Produkte mit Hilfe von Regelbüchern, schwerfälliger Segmentierung und Ratschlägen ihrer Berater. Die Banken haben Mühe, mit den Kundenerwartungen und der Komplexität der heutigen Portfolios Schritt zu halten. Hybride KI kann dies ändern. Durch die Verschmelzung von maschinellem Lernen, Portfolio-Optimierung und der kontextbezogenen Intelligenz umfangreicher Sprachmodelle, die von einer agentenbasierten KI-Ebene gesteuert werden, können Vermögensverwalter Empfehlungen aussprechen, die sich intelligent, persönlich und zum richtigen Zeitpunkt anfühlen. Das System kann aus jeder Interaktion lernen, passt sich automatisch an gesetzliche Vorgaben an und erklärt sich in einer Sprache, die Kunden und Berater tatsächlich verstehen.

Das Ergebnis ist ein echter Sprung: Die Berater werden besser beraten, die digitalen Kanäle werden zu Konversionsmotoren und die Kunden fühlen sich eher verstanden als angesprochen. Banken, die hybride KI einsetzen, werden die nächste Ära der Beratung definieren. Eine Ära, in der Beziehungen zwischen Menschen durch die Zusammenarbeit von KI und KI gefördert werden und in der Vertrauen nicht durch Beziehungen oder Verkaufskunst, sondern durch Intelligenz aufgebaut wird.

Einführung

Im Zeitalter von Netflix haben wir uns an hochgradig personalisierte Produkte und Dienstleistungen in unserem täglichen Leben gewöhnt. Die Kunden von Wealth Management, insbesondere die von Relationship Managern (RMs) betreuten Segmente, erwarten zunehmend das gleiche Maß an maßgeschneiderten Empfehlungen für Finanzprodukte, wie sie es bei Filmen oder beim Einkaufen bekommen. Aber eine Personalisierung im Stil von Netflix in einem stark regulierten Vermögensverwaltungsumfeld ist weitaus komplexer. Finanzprodukte haben komplexe Eigenschaften, wie z.B. Risikostufen, Laufzeiten und steuerliche Auswirkungen, und müssen auf die individuellen Ziele und Einschränkungen jedes Kunden abgestimmt werden. Unternehmen, die diese Lücke bei der Personalisierung schließen, können das Engagement und die Loyalität ihrer Kunden vertiefen.

Dieses Whitepaper untersucht, wie generative KI Produktempfehlungen in der Vermögensverwaltung durch einen hybriden Ansatz verändern kann, der traditionelles maschinelles Lernen und Portfoliooptimierung mit GenAI verbindet.

Die Personalisierungslücke in der Vermögensverwaltung

Die Vermögensverwaltung steht vor einzigartigen Herausforderungen, die effektive Produktempfehlungen erschweren. ML-basierte Empfehlungen, die im E-Commerce verwendet werden, optimieren in der Regel für ein einziges Ziel (das nächstbeste Produkt, das man kaufen sollte). Vermögensverwalter müssen jedoch mit mehreren Zielen und Einschränkungen jonglieren: Kapitalwachstum, Einkommen, Risikominderung, Steuereffizienz, Liquidität sowie individuelle Kundenziele und -präferenzen. Sowohl ML als auch PO basieren auf strukturierten data. Eine ganzheitliche Produktempfehlung sollte unstrukturierte Informationen wie Markttrends, Risikoprofile der Kunden, Verhaltensmuster und Kundenstimmungen einbeziehen, die sich nur schwer in strukturierte Informationen umwandeln lassen, auf die ML- und PO-Modelle trainiert werden müssen.

Traditionelle Empfehlungssysteme in der Vermögensverwaltung, sofern es sie gibt, sind in der Regel sehr simpel. Viele Banken verlassen sich auf eine regelbasierte Asset Allocation oder eine breite Kundensegmentierung. Dies sind stumpfe Instrumente, die persönliche Nuancen, wie das Interesse eines Kunden an nachhaltigen Anlagen oder seinen Liquiditätsbedarf, nicht berücksichtigen. Sie können auch zu generischen Vorschlägen führen, die für alle gleich sind. Daher greifen viele Vermögensverwalter auf manuelle Ansätze zurück und verlassen sich eher auf ihre eigene Erfahrung und Intuition als auf data-driven-Erkenntnisse. Die Kunden ihrerseits erhalten unter Umständen Produktvorschläge, die nichts mit ihren Zielen zu tun haben, was ihr Vertrauen in den Beratungsprozess schwächt.

Fortschritte in der KI, insbesondere GenAI in Kombination mit maschinellem Lernen und Portfolio-Optimierung, bieten eine Möglichkeit, einen Sprung nach vorne zu machen.

Ein hybrider GenAI-Ansatz für smartere Empfehlungen

Um die derzeitigen Einschränkungen zu überwinden, schlagen wir eine hybride, GenAI-gestützte Empfehlungsmaschine vor, die auf die Vermögensverwaltung zugeschnitten ist. “Hybride” bedeutet hier, dass sie mehrere KI-Techniken kombiniert und die menschliche Kontrolle einbezieht, um die Stärken der einzelnen Techniken zu nutzen und gleichzeitig ihre Schwächen abzuschwächen.

1) Maschinelles Lernen: traditionelle ML-Modelle sind effektiv bei der Analyse des Kundenverhaltens data vergangener Investitionen, Produktanfragen oder Website-/App-Klicks. Auf diese Weise lassen sich Muster erkennen und Einblicke in Peer-Groups gewinnen (z.B. wenn man feststellt, dass Kunden, die Kunde A ähnlich sind, Interesse an ESG-Aktienfonds zeigen).

2) Portfolio-Optimierung: das System umfasst endogen unterschiedliche Ziele und Management-/Regulierungsstrategien, einschließlich

• Regeln zur Einhaltung: So wird sichergestellt, dass die Vorschläge, egal wie kreativ die KI wird, angemessen und zulässig sind und mit der Unternehmensstrategie, z. B. dem Risikoprofil, übereinstimmen.
• Strategische Vermögensallokation: Modellportfolios, die die Ansichten des Portfoliomanagers und die Annahmen des Kapitalmarktes, wie z.B. die Liquiditätsanforderungen, berücksichtigen.
• Kampagnen: CIO- oder CFO-geführte Priorisierung von Anlageklassen, um die Front zu einem bestimmten Zeitpunkt auf bestimmte Produkte oder Produktkategorien auszurichten, z. B. eine Zielallokation in einer Anlageklasse wie Anleihen oder Aktien

3) Kanalintegration:

• Für eine menschenzentrierte Nutzung sollte das System in den täglichen Arbeitsablauf des Beraters integriert werden. Die Empfehlungen sollten im CRM-Dashboard des Beraters oder als Warnmeldungen in einer mobilen App für die Nutzung unterwegs angezeigt werden. Die Plattform sollte das Feedback des Beraters erfassen: (“der Kunde ist nur daran interessiert, etwas über USD-Anleihen zu erfahren”). Mit der Zeit entsteht so eine Lernschleife, in der sich die KI an das anpasst, was der Berater für nützlich hält und was nicht, und sich so auf den Kunden einstellt.
• Für digitale Kanäle - mobile Banking-Apps, Chats, E-Mail - sollte das System für kanalspezifische Nachrichten sorgen, z. B. für verkürzte Produktanpreisungen, die zum richtigen Zeitpunkt übermittelt werden.

4) LLM-gestützte Argumentation: Eine große Sprachmodellkomponente fügt den Kandidatenempfehlungen Kontext hinzu und kann regelbasierte und ML-basierte Eingaben aufnehmen und eine Ebene der Argumentation hinzufügen. LLMs können unstrukturierte data wie Modellportfolio-Informationen, Kundenprofile, RM-Besprechungsnotizen und Marktforschung aufnehmen, um ML- und regelbasierte Eingaben zu bewerten. Wenn zum Beispiel ein maschinelles Lernmodell einen Fonds aus dem Technologiesektor anzeigt, den Kunden, die unserem Zielkunden ähnlich sind, gekauft haben, könnte der LLM feststellen, dass Kunde A sich kürzlich in einer E-Mail vorsichtig über Tech-Aktien geäußert hat. Der LLM kann dann das Empfehlungsranking anpassen oder eine Alternative vorschlagen.

5) Verstärkungslernen & Feedbackschleife: eine Komponente für verstärkendes Lernen wertet die Ergebnisse aus und passt die Empfehlungsstrategie kontinuierlich an. Das Feedback kann aus verschiedenen Quellen stammen: Aktionen des Kunden (hat der Kunde das empfohlene Produkt gekauft oder sein Interesse daran bekundet?), Aktionen des Beraters (hat der Berater die Empfehlung mit dem Kunden geteilt oder ausgelassen?) und Performance-Ergebnisse (hat sich die empfohlene Anlage im Verhältnis zu den Zielen des Kunden wie erwartet entwickelt). Diese Signale fließen in den Lernalgorithmus ein, um das Modell anzupassen.

Durch diesen vielschichtigen hybriden Ansatz verbindet die Empfehlungsmaschine data-driven Einblicke, kontextbezogenes Verständnis, strenge Kontrolle und kontinuierliches Lernen. Sie ist GenAI-gestützt, aber in den Realitäten der Vermögensverwaltung mit hohem Kontaktgrad verankert.

Erste Schritte

Durch die Kombination der Präzision des maschinellen Lernens und der Portfolio-Optimierung mit der kontextbezogenen Intelligenz von großen Sprachmodellen und agentenbasierter KI kann eine leistungsstarke End-to-End-Entscheidungsmaschine geschaffen werden. Maschinelles Lernen und Portfolio-Optimierung eignen sich hervorragend für strukturierte Vorhersageaufgaben, da sie große, saubere data-Sets mit hoher Genauigkeit verarbeiten können. Allerdings sind diese Ergebnisse oft eng gefasst und kontextblind. Durch die Überlagerung von maschinellen Lernmodellen, Portfolio-Optimierung, großen Sprachmodellen und einer Agentic AI-Orchestrierungsschicht können Banken “verrauschte” data wie Kundengespräche, Feedback oder Marktkommentare einbeziehen und die rohen Ergebnisse des maschinellen Lernens in bessere Erklärungen, Empfehlungen und automatisierte Aktionen umsetzen.

Hybride, KI-gestützte Produktempfehlungen in WM bieten eine hervorragende Gelegenheit, die Standards für Beratungsdienstleistungen in ihren jeweiligen Märkten neu zu setzen. Banken sollten:

• Überprüfung die aktuelle Plattform und die Prozesse zur Kundenpersonalisierung. Oft verstehen nur wenige Personen in der Bank das End-to-End-System und wie es in der Realität genutzt wird.
• Erkunden Sie die GenAI-Tools und data-Assets, die bereits vorhanden sind (Sie sind vielleicht näher dran als Sie denken, ein solches System einzusetzen), und die vielen neueren Modelle und Methoden, die heute auf dem Markt sind.
• Experiment in kontrollierten Pilotprojekten - z.B. mit einer Untergruppe von Beratern und Kunden und einer begrenzten Anzahl von Produkten, um die hybride Empfehlungsmaschine in der Praxis zu testen.

Jenseits hybrider KI

Der Trend zur Verschmelzung von traditionellem maschinellem Lernen mit LLMs und KI-Agenten ist nicht nur bei Finanzdienstleistungen zu beobachten. E-Commerce-Anbieter bereiten sich auf den Aufstieg des Agentic Commerce vor: eine Welt, in der Menschen nicht mehr direkt mit Apps und Websites interagieren, sondern stattdessen ihre persönlichen KI-Assistenten beauftragen, für sie zu entdecken und Transaktionen durchzuführen. Eine Welt, in der Kunden ihre persönlichen KI-Agenten fragen: “Wie kann ich am besten eine Hypothek auf mein Haus aufnehmen” oder “Finden Sie mir ein paar Turnschuhe als Geburtstagsgeschenk für meinen Sohn”.

In dieser Welt funktionieren traditionelles maschinelles Lernen und Produktempfehlungen nicht mehr wie bisher. Stattdessen werden wir ein KI-zu-KI-Engagement sehen, KIs, die sich engagieren und die Erkundung, Entdeckung, Verhandlung, Übersetzung und Erfüllung übernehmen, mit der Aufsicht von Menschen, die die Richtung vorgeben, auf dem Weg anstupsen und schließlich genehmigen.

Auch Vermögensverwalter könnten mit diesem Trend konfrontiert werden. Anstatt sich mit Kunden zu treffen, könnten Kundenbetreuer und ihre KI-Tools bald mit den persönlichen KI-Vertretern ihrer Kunden zu tun haben, anstatt mit dem Kunden. Die Banken sollten diesen Wandel nicht als Bedrohung betrachten, sondern als Auftrag zum Aufbau von Beratungsplattformen, die das Vertrauen der KI-Agenten - und der Menschen dahinter - verdienen.