Die Neugestaltung der Vermögensverwaltung durch hybride AI

Zusammenfassung

• Vermögensverwalter haben Schwierigkeiten, die Erwartungen ihrer Kunden an Produktempfehlungen im Stil des E-Commerce zu erfüllen, da sie mit komplexen Produktmerkmalen, regulatorischen Auflagen und vielschichtigen Zielen konfrontiert sind.
• Regelbasierte oder segmentierungsbasierte Ansätze führen zu pauschalen, undifferenzierten Empfehlungen, die das Vertrauen der Kunden untergraben und die Skalierbarkeit einschränken.
• Durch die Kombination von Modellen des maschinellen Lernens, mathematischer Optimierung (Portfoliooptimierung), großen Sprachmodellen und einer AI können Banken vielfältige data integrieren data die Rohdaten des maschinellen Lernens in aussagekräftigere Erklärungen, Empfehlungen und automatisierte Maßnahmen umsetzen.

Die Vermögensverwaltung steckt in der Vergangenheit fest. Kunden leben in einer Welt müheloser, hyper-personalisierter Empfehlungen von YouTube, TikTok oder Amazon, doch Banken drängen ihre Produkte nach Regelwerken, klobiger Segmentierung und dem Rätselraten ihrer Berater auf. Banken haben Mühe, mit den Erwartungen der Kunden und der Komplexität heutiger Portfolios Schritt zu halten. Hybride AI dies ändern. Durch die Verschmelzung von maschinellem Lernen, Portfolioptimierung und der kontextbezogenen Intelligenz großer Sprachmodelle, gesteuert durch eine AI , können Vermögensverwalter Empfehlungen liefern, die intelligent, persönlich und zeitnah wirken. Das System kann aus jeder Interaktion lernen, passt sich automatisch an regulatorische Auflagen an und erklärt sich in einer Sprache, die Kunden und Berater tatsächlich verstehen.

Das Ergebnis ist ein echter Quantensprung: Berater erhalten präzisere Anleitungen, digitale Kanäle werden zu Konversionsmotoren, und Kunden fühlen sich verstanden, anstatt nur als Zielgruppe betrachtet zu werden. Banken, die sich AI hybride AI zunutze machen, AI die nächste Ära der Beratung prägen – eine Ära, in der persönliche Beziehungen durchAI gestärkt werden und in der Vertrauen nicht durch Beziehungen oder Verkaufskunst, sondern durch Intelligenz aufgebaut wird.

Einleitung

Im Zeitalter von Netflix haben wir uns in unserem Alltag an hochgradig personalisierte Produkte und Dienstleistungen gewöhnt. Kunden im Vermögensverwaltungsbereich, insbesondere in den Segmenten, die von Kundenbetreuern betreut werden, erwarten zunehmend, dass ihnen Finanzprodukte ebenso maßgeschneidert empfohlen werden wie Filme oder Einkaufsangebote. Doch die Umsetzung einer Personalisierung im Stil von Netflix in einem risikoreichen und stark regulierten Vermögensverwaltungsumfeld ist weitaus komplexer. Finanzprodukte weisen komplexe Merkmale auf, darunter Risikostufen, Laufzeiten und steuerliche Auswirkungen, und müssen auf die individuellen Ziele und Rahmenbedingungen jedes Kunden abgestimmt sein. Unternehmen, die diese Lücke bei der Personalisierung schließen, können die Kundenbindung und -loyalität stärken.

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

Die Lücke bei der Personalisierung in der Vermögensverwaltung

Die Vermögensverwaltung steht vor besonderen Herausforderungen, die eine effektive Produktempfehlung erschweren. ML-basierte Empfehlungen im E-Commerce sind in der Regel auf ein einziges Ziel ausgerichtet (das nächstbeste Produkt zum Kauf), doch Vermögensverwalter müssen mehrere Ziele und Rahmenbedingungen unter einen Hut bringen: Kapitalwachstum, Ertrag, Risikominimierung, Steuereffizienz, Liquidität sowie individuelle Kundenziele und -präferenzen. Sowohl ML als auch PO basieren auf strukturierten data; eine ganzheitliche Produktempfehlung sollte jedoch auch unstrukturierte Informationen wie Markttrends, Kundenrisikoprofile, Verhaltensmuster und die Kundenstimmung einbeziehen, die sich nur schwer in strukturierte Informationen umwandeln lassen, auf deren Grundlage ML- und PO-Modelle trainiert werden müssen.

Herkömmliche Empfehlungssysteme in der Vermögensverwaltung sind, sofern sie überhaupt vorhanden sind, meist recht simpel. Viele Banken stützen sich auf regelbasierte Vermögensallokation oder grobe Kundensegmentierung. Dies sind stumpfe Instrumente, die persönliche Nuancen wie das Interesse eines Kunden an nachhaltigem Investieren oder seinen Liquiditätsbedarf nicht berücksichtigen. Dies kann zudem zu generischen, pauschalen Vorschlägen führen. Daher greifen viele Kundenbetreuer standardmäßig auf manuelle Ansätze zurück und verlassen sich eher auf ihre eigene Erfahrung und Intuition als auf data Erkenntnisse. Kunden ihrerseits erhalten möglicherweise Produktvorschläge, die sich von ihren Zielen losgelöst anfühlen, was ihr Vertrauen in den Beratungsprozess mindert.

Fortschritte im Bereich AI, insbesondere bei der generativen KI in Verbindung mit maschinellem Lernen und Portfoliooptimierung, bieten die Möglichkeit, einen großen Sprung nach vorne zu machen.

Ein hybrider GenAI-Ansatz für intelligentere Empfehlungen

Um die derzeitigen Einschränkungen zu überwinden, schlagen wir eine hybride, auf GenAI basierende Empfehlungsmaschine vor, die speziell auf die Vermögensverwaltung zugeschnitten ist. „Hybrid“ bedeutet in diesem Zusammenhang, dass sie mehrere AI kombiniert und menschliche Kontrolle einbezieht, wodurch die jeweiligen Stärken genutzt und die Schwächen gemildert werden.

1) Maschinelles Lernen: Herkömmliche ML-Modelle eignen sich gut zur Analyse data zum Kundenverhalten, wie data Anlagen, Produktanfragen oder Klicks auf Websites bzw. in Apps. Dadurch lassen sich Muster und Erkenntnisse über Vergleichsgruppen gewinnen (z. B. die Feststellung, dass Kunden, die dem Kunden A ähnlich sind, Interesse an ESG-Aktienfonds zeigen).

2) Portfoliooptimierung: Das System berücksichtigt endogen unterschiedliche Ziele sowie betriebswirtschaftliche und regulatorische Strategien, darunter

• Compliance-Regeln: Diese stellen sicher, dass die Vorschläge – ganz gleich, wie kreativ die AI – angemessen und zulässig sind und mit der Unternehmensstrategie, beispielsweise dem Risikoprofil, im Einklang stehen.
• Strategische Vermögensallokation: Modellportfolios, die die Einschätzungen der Portfoliomanager sowie Kapitalmarktannahmen wie beispielsweise Liquiditätsanforderungen berücksichtigen.
• Kampagnen: Von CIOs oder CFOs geleitete Priorisierung von Anlageklassen, um die Vertriebsmitarbeiter zu einem bestimmten Zeitpunkt auf bestimmte Produkte oder Produktkategorien auszurichten, beispielsweise eine Zielallokation in einer Anlageklasse wie Anleihen oder Aktien

3) Kanalintegration:

• Um den Menschen in den Mittelpunkt zu stellen, sollte sich das System in den täglichen Arbeitsablauf des Vermögensberaters integrieren lassen. Empfehlungen sollten im CRM-Dashboard des Beraters oder als Benachrichtigungen in einer mobilen App für die Nutzung unterwegs angezeigt werden. Die Plattform sollte das Feedback des Beraters erfassen: („Der Kunde ist nur an Informationen zu US-Dollar-Anleihen interessiert“). Im Laufe der Zeit entsteht so ein Lernkreislauf, in dem AI die AI an AI , was Berater als nützlich erachten oder nicht, und sich so auf den Kunden abstimmt.
• Für digitale Kanäle – Mobile-Banking-Apps, Chats, E-Mail – sollte das System kanalspezifische Nachrichten unterstützen, z. B. kurze Produktbeschreibungen, die zum richtigen Zeitpunkt bereitgestellt werden.

4) LLM-gestützte Schlussfolgerungen: Eine Komponente auf Basis eines großen Sprachmodells (LLM) ergänzt die Empfehlungen mit Kontext und kann regelbasierte sowie ML-basierte Eingaben aufnehmen, um eine Ebene der Schlussfolgerung hinzuzufügen. LLMs können unstrukturierte data Informationen zu Modellportfolios, Kundenprofile, Besprechungsnotizen von Kundenbetreuern und Marktforschungsergebnisse verarbeiten, um ML- und regelbasierte Eingaben zu bewerten. Wenn beispielsweise ein Machine-Learning-Modell einen Fonds aus dem Technologiesektor markiert, den Kunden gekauft haben, die unserem Zielkunden ähneln, könnte das LLM feststellen, dass Kunde A kürzlich in einer E-Mail Vorsicht gegenüber Technologieaktien geäußert hat. Das LLM kann dann das Empfehlungsranking anpassen oder eine Alternative vorschlagen.

5) Verstärkendes Lernen und Rückkopplungsschleife: Eine Komponente für verstärkendes Lernen wertet die Ergebnisse aus und optimiert die Empfehlungsstrategie kontinuierlich. Das Feedback kann aus verschiedenen Quellen stammen: Kundenaktionen (hat der Kunde das empfohlene Produkt gekauft oder Interesse daran bekundet?), Berateraktionen (hat der Berater die Empfehlung an den Kunden weitergegeben oder sie übersprungen?) und Performance-Ergebnisse (hat sich die empfohlene Anlage im Verhältnis zu den Kundenzielen wie erwartet entwickelt?). Diese Signale fließen in den Lernalgorithmus ein, um das Modell anzupassen.

Durch diesen vielschichtigen hybriden Ansatz verbindet die Empfehlungsmaschine data Erkenntnisse, Kontextverständnis, strenge Kontrollmechanismen und kontinuierliches Lernen. Sie basiert auf GenAI, ist jedoch fest in der Praxis der persönlichen Vermögensberatung verankert.

Erste Schritte

Die Kombination der Präzision von maschinellem Lernen und Portfoliooptimierung mit der kontextbezogenen Intelligenz großer Sprachmodelle und agentenbasierter AI eine leistungsstarke End-to-End-Entscheidungsmaschine hervorbringen. Maschinelles Lernen und Portfoliooptimierung eignen sich hervorragend für strukturierte Vorhersageaufgaben, da sie große, saubere Datensätze mit hoher Genauigkeit verarbeiten können. Diese Ergebnisse sind jedoch oft eng gefasst und kontextunabhängig. Durch die Überlagerung von Modellen des maschinellen Lernens, Portfoliooptimierung, großen Sprachmodellen und einer AI agentischer AI können Banken „verrauschte“ data Kundengespräche, Feedback oder Marktkommentare einbeziehen und die rohen Ergebnisse des maschinellen Lernens in bessere Erklärungen, Empfehlungen und automatisierte Maßnahmen umsetzen.

AI Produktempfehlungen im Privatkundengeschäft bieten eine hervorragende Gelegenheit, die Maßstäbe für Beratungsdienstleistungen in den jeweiligen Märkten neu zu setzen. Banken sollten:

• Überprüfen Sie die derzeitige Plattform und die Prozesse zur Kundenpersonalisierung. Oftmals gibt es innerhalb der Bank nur wenige Mitarbeiter, die das gesamte System verstehen und wissen, wie es in der Praxis genutzt wird.
• Entdecken Sie die bereits vorhandenen GenAI-Tools und data (vielleicht sind Sie näher an der Einführung eines solchen Systems, als Sie denken) sowie die vielen neueren Modelle und Methoden, die heute auf dem Markt erhältlich sind.
• Versuche im Rahmen kontrollierter Pilotprojekte – z. B. zunächst mit einer Teilgruppe von Beratern und Kunden sowie einem begrenzten Produktangebot, um die hybride Empfehlungsmaschine in der Praxis zu testen.

Jenseits AI hybriden AI

Der Trend, traditionelles maschinelles Lernen mit LLMs und AI zu kombinieren, ist nicht auf den Finanzdienstleistungssektor beschränkt. 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 AI damit beauftragen, für sie zu suchen und Transaktionen durchzuführen. Eine Welt, in der Kunden ihre persönlichen AI fragen: „Wie kann ich mein Haus am besten umschulden?“ oder „Such mir ein paar Turnschuhe als Geburtstagsgeschenk für meinen Sohn“.

In dieser Welt funktionieren traditionelles maschinelles Lernen und Produktempfehlungen nicht mehr wie früher – stattdessen werden wirAI erleben, bei der KI-Systeme Aufgaben wie Erkundung, Entdeckung, Verhandlung, Übersetzung und Abwicklung übernehmen, während Menschen die Aufsicht behalten, um die Richtung vorzugeben, bei Bedarf nachzuhelfen und letztendlich die Ergebnisse zu genehmigen.

Auch Vermögensverwalter könnten mit diesem Trend konfrontiert werden – statt sich mit Kunden zu treffen, könnten Kundenbetreuer und ihre AI bald mit AI persönlichen AI ihrer Kunden statt mit den Kunden selbst interagieren. Banken sollten diesen Wandel nicht als Bedrohung betrachten, sondern als Auftrag, Beratungsplattformen zu entwickeln, die das Vertrauen der AI – und der Menschen dahinter – gewinnen können.