Künstliche Intelligenz im Asset Management: Zwischen Marketing-Versprechen und Realität – was Privatanleger heute wirklich wissen müssen

Kaum ein Fondsanbieter, der heute nicht mit künstlicher Intelligenz wirbt. In Werbebroschüren, Webcasts und Verkaufsgesprächen ist von „KI-gestützten Strategien”, „lernenden Algorithmen” und „datengetriebenen Entscheidungen” die Rede. Für Privatanleger entsteht schnell der Eindruck, die Maschine habe längst übernommen – und wer nicht in einen KI-Fonds investiere, verpasse die Zukunft. Ein nüchterner Blick hinter die Kulissen zeichnet jedoch ein deutlich differenzierteres Bild. KI ist im Asset Management angekommen, aber an einer anderen Stelle und in einer anderen Form, als die Hochglanzprospekte suggerieren.

Viel Reden, wenig Substanz: das Phänomen „AI-Washing”

Den Ausgangspunkt liefert eine vielbeachtete Untersuchung der Fondsratinggesellschaft Morningstar mit dem Titel „AI in Active Fund Management: The State of Adoption in 2026″. Die Analysten werteten dafür die Gespräche aus, die ihre rund 130 Researcher weltweit jährlich mit Fondsmanagerteams zu etwa 3.200 Strategien führen. Das ernüchternde Ergebnis: Eine wirklich sinnvolle, tief in den Anlageprozess integrierte KI-Nutzung konzentriert sich auf weniger als 20 Häuser – obwohl nahezu jeder Vermögensverwalter behauptet, KI-Werkzeuge einzusetzen oder gar selbst zu entwickeln. Morningstar spricht offen von verbreitetem „AI-Washing”: Häufig werde schlichte Prozessautomatisierung oder klassische quantitative Methodik als künstliche Intelligenz verkauft. Erschwerend kommt hinzu, dass es keine rechtlich eindeutige Definition gibt, was überhaupt als KI gilt – ein Graubereich, der Marketing-Übertreibungen Tür und Tor öffnet.

Diese Diagnose deckt sich mit breit angelegten Branchenumfragen. Eine Erhebung des Beratungshauses Mercer unter 131 Vermögensverwaltern aus dem Frühjahr 2026 ergab, dass 55 Prozent KI in mindestens einen ihrer Investmentprozesse integriert haben, weitere 27 Prozent befinden sich im Pilot- oder Teststadium, und 18 Prozent setzen sie im Anlageprozess noch gar nicht ein. Die Adaption ist also real, aber uneinheitlich – und vor allem oberflächlicher, als die Zahlen auf den ersten Blick vermuten lassen. Entscheidend ist nämlich, wofür KI genutzt wird: 73 Prozent der Häuser verwenden sie laut Mercer zur Automatisierung, zur Effizienzsteigerung oder als „Co-Pilot”, 68 Prozent für Analyse und Erkenntnisgewinn. Nur 5 Prozent gaben an, KI autonom oder teilautonom tatsächlich Anlageentscheidungen oder Wertpapiergeschäfte treffen zu lassen. Die Maschine assistiert, sie entscheidet (noch) nicht.

Wer KI wirklich beherrscht: die Quant-Häuser

Wo KI substanziell zum Einsatz kommt, handelt es sich fast immer um Adressen mit langjähriger quantitativer Tradition. Morningstar nennt Namen wie BlackRock, AQR, Man AHL und Goldman Sachs. Diese Häuser verfügen über die nötige Dateninfrastruktur, das wissenschaftliche Personal und die methodische Disziplin, um maschinelles Lernen sinnvoll in ihre Modelle einzubetten. AQR etwa, ein 1998 als Hedgefonds gegründeter Pionier der quantitativen Geldanlage, integriert nach eigener Darstellung adaptive Machine-Learning-Modelle über die gesamte Produktpalette hinweg – allerdings als Ergänzung der bestehenden, ökonomisch fundierten Signallogik, nicht als deren Ersatz. Morningstar honorierte diese Entwicklung mit einer Aufwertung des Verwalter-Ratings. Bemerkenswert ist die strategische Einordnung der Analysten: Generative KI könne die Grenzen zwischen fundamentalem und quantitativem Investmentansatz verwischen, weil sie quantitative Methoden auch Häusern zugänglich macht, denen bisher die Spezialisierung fehlte – und weil sie umgekehrt fundamentale Expertise auf eine breitere Titelzahl skalierbar macht.

Wofür KI heute taugt – und wofür nicht

In der Praxis dient KI derzeit überwiegend als Effizienzwerkzeug im Vorfeld der eigentlichen Anlageentscheidung. Sie wertet riesige Datenmengen schneller aus, durchforstet Geschäftsberichte, Nachrichten und Transkripte von Telefonkonferenzen, fasst Studien zusammen und erlaubt es, das Research auf deutlich mehr Wertpapiere auszudehnen, als ein menschliches Team je bewältigen könnte. Die Mercer-Daten bestätigen diesen Schwerpunkt: KI wird „upstream” bei der Ideengenerierung und im Research eingesetzt, nicht am Ende der Entscheidungskette.

Dass die Maschine den Portfoliomanager nicht ersetzt, hat handfeste methodische Gründe. Morningstar nennt zwei zentrale Schwächen großer Sprachmodelle. Erstens fehlt es ihnen an Konsistenz: Wer ein Modell heute und morgen nach der Investitionsaussicht für ein bestimmtes Unternehmen fragt, erhält nicht zwingend dieselbe Antwort – für reproduzierbare, überprüfbare Anlageprozesse ein gravierendes Problem. Zweitens lassen sich mit KI keine sauberen Rückrechnungen („Backtests”) durchführen. Die Modelle sind mit sämtlichen verfügbaren Daten trainiert und greifen für die Beurteilung historischer Zeiträume implizit auf Wissen zurück, das damals noch gar nicht existierte. Dieser „Look-ahead-Bias” verfälscht jeden Test der Strategie an der Vergangenheit. Hinzu kommt die bekannte Neigung von Sprachmodellen zu „Halluzinationen”, also zu überzeugend formulierten, aber faktisch falschen Aussagen.

Auch das CFA Institute, der globale Berufsverband der Investmentanalysten, mahnt zur Nüchternheit: In standardisierten Tests erledigen selbst fortgeschrittene KI-Agenten komplexe, mehrstufige Aufgaben nur in rund 30 Prozent der Fälle eigenständig korrekt. Interessant für die Kundenbeziehung ist ein weiterer Befund: Anleger empfinden KI-generierte Empfehlungen als vertrauenswürdiger, wenn ein menschlicher Berater sie begleitet – selbst dann, wenn dieser inhaltlich nichts hinzufügt. Der Mensch bleibt also auch als Vertrauensanker unverzichtbar.

Bringt KI höhere Renditen? Eine unbequeme Bilanz

Für Privatanleger ist letztlich die Renditefrage entscheidend. Hier ist die Studienlage ernüchternd und keineswegs eindeutig. Akademische Untersuchungen zeigen, dass KI-gesteuerte Fonds im Durchschnitt keine signifikante risikobereinigte Überrendite gegenüber dem breiten Markt erzielen. Eine vielzitierte Studie fand zwar, dass KI-gestützte Fonds ihre rein menschlich gemanagten Pendants um rund 5,8 Prozent pro Jahr schlagen – bei gleichzeitig niedrigerem Handelsumschlag und geringeren Transaktionskosten. Den Vergleichsindex zu übertreffen gelingt jedoch auch ihnen kaum. Eine aktuelle Auswertung von KI-Themen- und KI-gesteuerten ETFs kam 2026 zu dem Schluss, dass die meisten dieser Produkte sowohl ihren Sektor- als auch den Gesamtmarkt-Vergleichsmaßstab unterschreiten.

Besondere Vorsicht ist bei der wachsenden Zahl von „KI-ETFs” geboten, die viele Privatanleger fälschlich für aktiv KI-gesteuerte Produkte halten. Tatsächlich investieren die meisten dieser Fonds schlicht in Aktien von Unternehmen, die vom KI-Boom profitieren sollen – sie nutzen also nicht KI zur Titelauswahl, sondern setzen thematisch auf KI als Geschäftsfeld. Morningstar zählte im April 2026 rund 48 solcher ETFs. Die Bandbreite ihrer Ergebnisse ist enorm: Zwischen dem besten und dem schwächsten Viertel klaffte über einen durchschnittlichen Einjahreszeitraum eine Lücke von rund 17 Prozentpunkten – etwa dreimal so viel wie bei gewöhnlichen Standardwerte-Fonds. Wer „irgendetwas mit KI” kauft, kann also glänzend abschneiden oder herb enttäuscht werden. Das gemeinsame Etikett sagt über die tatsächliche Strategie wenig aus.

Was Privatanleger direkt nutzen können

Am unmittelbarsten begegnet KI Privatkunden im Gewand der digitalen Vermögensverwalter, der sogenannten Robo-Advisors. Der deutsche Markt verwaltete Ende 2025 rund 19,7 Milliarden Euro, europaweit lag das Volumen bei knapp 146 Milliarden Euro. Anbieter wie Smavesto (Robo der Sparkasse Bremen mit KI-gesteuerter ETF-Strategie) oder Inno-Invest aus Darmstadt werben ausdrücklich mit künstlicher Intelligenz. Hier ist allerdings Augenmaß gefragt: Bei den meisten Robos übernimmt ein regelbasierter Algorithmus die Portfolio-Zusammenstellung und das automatische Rebalancing entlang des im Eingangsfragebogen ermittelten Risikoprofils – das ist Automatisierung, die nicht zwingend lernende KI im engeren Sinne darstellt. Der Vorteil für Anleger liegt weniger in einer überlegenen Renditeprognose als in niedrigen Kosten (meist unter ein Prozent pro Jahr), geringen Mindestanlagen und der emotionsfreien, disziplinierten Umsetzung einer einmal gewählten Strategie.

Der versteckte Preis: das Nachwuchs-Dilemma

Eine der bemerkenswertesten Warnungen der Morningstar-Analysten betrifft nicht die Technik, sondern den Menschen. Kurzfristig sehen sie keine Bedrohung für die Jobs von Fondsmanagern und Analysten, im Gegenteil: Weil die maschinell erzeugten Analysen geprüft, eingeordnet und auf Fehler abgeklopft werden müssen, entsteht ein „Flaschenhals” hochqualifizierter menschlicher Kontrolle. Genau hier liegt jedoch ein langfristiges Problem. Ausgerechnet jene mühsamen Einstiegsaufgaben – das Erstellen von Research-Berichten, das Auswerten historischer Daten, das Testen von Datenquellen – übernimmt heute zunehmend die KI. Es sind aber genau diese Aufgaben, durch die junge Investmentfachleute traditionell das Handwerk und ein Gespür für die Kapitalmärkte erlernen. Das System, so Morningstar sinngemäß, erhöhe den Bedarf an erfahrenen Prüfern und zerstöre zugleich die Ausbildungsstätte, an der diese Prüfer überhaupt erst heranreifen. Die Branche könnte sich also in eine Sackgasse manövrieren, wenn keine erprobten Portfoliomanager mehr nachrücken.

Warum die Aufsicht das AI-Washing begünstigt – und zugleich bestraft

Für das Phänomen des AI-Washings ist der aufsichtsrechtliche Rahmen in Deutschland und der EU von zentraler Bedeutung – und er wirkt paradoxerweise in zwei Richtungen zugleich. Um das zu verstehen, lohnt ein Blick auf die Regelwerke, die ESMA und BaFin ausgearbeitet haben.

Die europäische Ebene: ESMA. Die europäische Wertpapieraufsicht ESMA veröffentlichte am 30. Mai 2024 ihre erste formale Leitlinie zum KI-Einsatz in der Anlageberatung und Portfolioverwaltung für Privatkunden. Der für unser Thema entscheidende Grundsatz steht gleich zu Beginn: Die Entscheidungen einer Firma bleiben in der Verantwortung der Geschäftsleitung – und zwar unabhängig davon, ob sie von Menschen oder von KI-Tools getroffen werden. Künstliche Intelligenz taugt also nicht als Haftungsausrede; eine Maschine kann kein Verantwortungssubjekt sein. Daraus leitet ESMA klare Offenlegungspflichten ab: Firmen müssen transparent machen, welche Rolle KI in ihren Entscheidungsprozessen spielt, und jeden KI-Einsatz im Kundenkontakt – etwa Chatbots – offenlegen. Diese Information muss „klar, fair und nicht irreführend” sein. Die übergeordnete Pflicht, im besten Interesse des Kunden zu handeln, gilt dabei unabhängig davon, welches Werkzeug eine Firma einsetzt. Bemerkenswert ist, dass ESMA selbst die Euphorie dämpft: Schon 2023 hielt die Behörde fest, dass KI nicht zu einer schnellen, disruptiven Umwälzung der Geschäftsprozesse führe, und benannte mangelnde Transparenz und die „Black-Box”-Natur vieler Modelle – die eine wirksame menschliche Aufsicht erschweren – als zentrale Hürden.

Die deutsche Ebene: BaFin. Die BaFin hat – gemeinsam mit der Bundesbank – bereits im Juni 2021 ein Prinzipienpapier zu Big Data und künstlicher Intelligenz vorgelegt, das aufsichtliche Prinzipien für den Einsatz von Algorithmen in Entscheidungsprozessen definiert. Auch hier ist die Verantwortungsfrage der Dreh- und Angelpunkt: Die BaFin verlangt, dass das nötige technische Verständnis für KI direkt im Vorstand etabliert und die Verantwortlichkeit dort klar verankert wird; in der Wohlverhaltensaufsicht erwartet sie klar geregelte Verantwortlichkeiten ausdrücklich auch für den Einsatz von KI und maschinellem Lernen. Aufschlussreich für das Washing-Problem ist eine Definitionsschwäche, die die BaFin selbst einräumt: Eine trennscharfe Abgrenzung von KI zu klassischen statistischen Verfahren sei nicht möglich, weshalb die Prinzipien für alle algorithmengestützten Entscheidungsprozesse gelten. Das zeigt zugleich, wie schwammig der Begriff ist – und wie leicht sich herkömmliche Statistik als „KI” etikettieren lässt. Inzwischen hat die BaFin den Rahmen mit einer „Orientierungshilfe zu IKT-Risiken beim Einsatz von KI” (2026) weiter verschärft und KI als IKT-Asset eingeordnet, das auch den Anforderungen des Digital Operational Resilience Act (DORA) unterliegt.

Die Zange. Aus diesem Regelwerk ergibt sich eine doppelte Klemme. Einerseits wird es ausgesprochen aufwendig, KI tatsächlich die Letztentscheidung zu überlassen: Wer das täte, müsste die Rolle der KI offenlegen, die Nachvollziehbarkeit der Modelle sicherstellen, belegen, dass weiterhin im besten Kundeninteresse gehandelt wird, die Verantwortung im Vorstand verankern und – je nach Ausgestaltung – ab dem 2. August 2026 die Hochrisiko-Anforderungen des EU AI Act erfüllen. Dieser Pflichtenkatalog ist ein starker Anreiz, den Menschen „in the loop” zu behalten, und erklärt mit, warum nur eine kleine Minderheit der Häuser KI überhaupt autonom entscheiden lässt. Andererseits ist das Gegenteil ebenso riskant: zu behaupten, KI entscheide, obwohl in Wahrheit nur Automatisierung läuft. Die MiFID-II-Vorgabe, wonach Informationen an Kunden „fair, clear and not misleading” sein müssen, greift bei überzogenen KI-Versprechen unmittelbar – ganz ohne KI-Spezialgesetz. In den USA ist die Aufsicht hier schon weiter: Die SEC ging bereits im März 2024 in erstmaligen Verfahren gegen zwei Anlageberater vor, die ihren KI-Einsatz falsch dargestellt hatten; in einem Fall hatte sich eine Firma als „erster regulierter KI-Finanzberater” beworben, ohne die behaupteten Fähigkeiten belegen zu können. Anders als die SEC mit ihrer spezialisierten „Emerging Technologies Unit” hat die EU zwar (noch) kein dezidiertes Anti-AI-Washing-Instrument – sie braucht es streng genommen aber auch nicht, weil die bestehenden MiFID-II-Wohlverhaltensregeln, die Transparenz- und Verantwortungsprinzipien von ESMA und BaFin sowie der EU AI Act überzogene KI-Behauptungen bereits erfassen.

Für Privatanleger ist das eine doppelt gute Nachricht: Mehr Transparenz darüber, wo und wie KI im Anlageprozess wirklich wirkt, erleichtert es, echte Substanz von Marketing zu unterscheiden – und wer zu vollmundig wirbt, riskiert Ärger mit der Aufsicht. Zugleich erklärt der Rahmen, warum „die Maschine entscheidet” in der regulierten Vermögensverwaltung bis auf Weiteres die seltene Ausnahme bleibt.

Mein Fazit

KI verändert das Asset Management – aber leiser und an anderer Stelle, als die Werbung glauben macht. Sie ist heute vor allem ein mächtiges Werkzeug für Recherche, Datenauswertung und Effizienz, nicht der autonome Stratege, der allein über Kauf und Verkauf entscheidet. Wirklich tief integriert ist sie nur bei einer Handvoll quantitativ versierter Häuser. Belastbare Belege, dass KI-Fonds den Markt verlässlich schlagen, fehlen bislang. Und der aufsichtsrechtliche Rahmen von ESMA und BaFin sorgt dafür, dass die Maschine die Letztentscheidung so schnell nicht übernimmt – wer sie ihr gäbe, müsste hohe Offenlegungs- und Verantwortungshürden nehmen; wer sie ihr bloß andichtet, riskiert den Vorwurf irreführender Werbung. Für Privatanleger lautet die praktische Konsequenz: Sich nicht von KI-Etiketten blenden lassen, genau hinschauen, was ein Produkt tatsächlich tut, auf Kosten und Strategie statt auf Schlagworte achten – und im Zweifel daran denken, dass hinter jeder guten Anlageentscheidung bis auf Weiteres ein Mensch steht, der die Maschine kontrolliert.

Ich lade Sie herzlich ein, dieses Thema gemeinsam mit meinen drei Gästen und mir am 23.06.2026 in unserem nächsten Marktupdate ab 18:30 Uhr zu vertiefen. Einloggen, im internen Bereich den Stream starten und los geht´s. 

Quellen

1. Morningstar: „AI in Active Fund Management: The State of Adoption in 2026″ – sowie der zugrunde liegende Branchenbeitrag mit den Kernaussagen zu AI-Washing, Flaschenhals und Nachwuchs-Dilemma (vom Nutzer bereitgestellter Artikel).
2. Mercer: „How Artificial Intelligence is shaping asset management” / „2026 AI in Asset Management Survey” (Befragung von 131 Vermögensverwaltern, Februar/März 2026). mercer.com/about/newsroom/how-artificial-intelligence-is-shaping-asset-management/
3. InvestmentNews: „Most asset managers are using AI, but few let it call the shots” (Mai 2026). investmentnews.com/transformation/most-asset-managers-are-using-ai-but-few-let-it-call-the-shots/
4. Grant Thornton / ThoughtLab: „The AI-powered investment firm” (Befragung von 500 Führungskräften, Q3 2025). grantthornton.com/insights/articles/asset-management/2025/ai-is-transforming-asset-management
5. Morningstar: AQR – Asset-Management-Company-Profil (Rating-Aufwertung, Machine-Learning-Integration). morningstar.com/asset-management-companies/aqr-BN00000BVN
6. CFA Institute, Enterprising Investor: „AI in Investment Management: From Exuberance to Realism” (Dezember 2025). rpc.cfainstitute.org/blogs/enterprising-investor/2025/ai-in-investment-management-from-exuberance-to-realism
7. „Do AI-powered mutual funds perform better?”, Finance Research Letters / ScienceDirect (Studie zur Renditebilanz KI-gestützter Fonds).
8. „The Rise of AI in Exchange-Traded Funds: Assessing Robo-Advisors and AI-Exposed ETFs”, Computational Economics / Springer (Februar 2026). link.springer.com/article/10.1007/s10614-026-11320-z
9. Morningstar: „Looking for an AI ETF? You Might Need an LLM for That” (April 2026, 48 KI-ETFs, Renditestreuung). morningstar.com/funds/looking-an-ai-etf-you-might-need-an-llm-that
10. CNBC: „Beating the benchmark? How AI-driven ETFs stack up” (zur Performance von AIEQ gegenüber dem S&P 500).
11. roboadvisor-portal.com: Marktzahlen deutscher Robo-Advisors 2026, EU-AI-Act-Fristen sowie Anbieterprofile (Smavesto, Inno-Invest, LIQID).
12. ESMA: „Public Statement on the use of Artificial Intelligence (AI) in the provision of retail investment services” (30. Mai 2024). esma.europa.eu/sites/default/files/2024-05/ESMA35-335435667-5924__Public_Statement_on_AI_and_investment_services.pdf
13. Morgan Lewis: „ESMA Issues Guidance on AI in Retail Financial Services as EU AI Act Takes Effect” (August 2024) – Zusammenfassung der ESMA-Offenlegungs- und MiFID-II-Pflichten.
14. BaFin/Deutsche Bundesbank: „Big Data und künstliche Intelligenz – Prinzipienpapier” (15. Juni 2021). bafin.de
15. BaFin: Fachartikel „KI bei Banken und Versicherern: Automatisch fair?” sowie Rede zur Verantwortung der Unternehmen beim KI-Einsatz (2025/2026). bafin.de
16. Baker Tilly: „BaFin – Orientierungshilfe zu IKT-Risiken beim Einsatz von KI” / Bezug zu DORA (Januar 2026). bakertilly.de
17. BankingHub: „Regulatorische Anforderungen der BaFin an KI-Anwendungen” (zur Abgrenzung KI/klassische Statistik und zur Vorstandsverantwortung).
18. The Hill / Fortune / Lexology: zu „AI-Washing” und den SEC-Verfahren 2024 (u. a. Delphia, Global Predictions, „erster regulierter KI-Finanzberater”) sowie zur Anwendbarkeit bestehender „fair, clear, not misleading”-Regeln.
12. Verivox / Raisin: Funktionsweise und Kostenstruktur von Robo-Advisors.

Stand der Recherche: Juni 2026.