KI ist längst in den Kapitalanlagen angekommen – nicht nur als Anlagethema, sondern direkt im Investmentprozess. Die Governance-Strukturen der meisten Investoren halten damit nicht Schritt.

Der Investmentfall für KI-gesteuerte Ansätze ist erprobt. Mehr noch: Mit der schnellen technologischen Entwicklung und dem wirtschaftlichen Druck wird es in absehbarer Zeit kaum noch einen Investmentansatz ganz ohne KI geben. Die entscheidende Frage für Investoren ist nicht mehr, ob KI eingesetzt werden soll. Sie lautet: Auf welcher Stufe läuft KI in unseren laufenden Mandaten bereits – und ist unsere Governance darauf ausgerichtet?

Governance-Anforderungen gelten grundsätzlich für jeden Investmentprozess. Bei KI treten sie jedoch offensichtlicher zutage. Das ist wahrscheinlich der Grund für die Asymmetrie in der Wahrnehmung: während Governance bei anderen komplexen Ansätzen häufig unterschätzt wird, wird sie bei KI überschätzt. Die Diskussion konzentriert sich auf die Methode – statt auf die Entscheidungsarchitektur.

1.  KI-Einsatz ist graduell, fällt aber in eines von zwei Regimen
Die Diskussion über Künstliche Intelligenz in der Kapitalanlage verläuft noch immer weitgehend binär: KI ja oder nein. Diese Unterscheidung ist analytisch unzureichend – und praktisch irreführend. Was institutionellen Entscheidungsträgern fehlt, ist nicht eine Position zu KI, sondern eine Sprache für das, was KI in einem konkreten Investmentprozess tatsächlich tut.

Die KI-Durchdringung im Investmentprozess ist graduell. Vier grundsätzliche Stufen lassen sich unterscheiden: Stufe 1 assistiert, Stufe 2 augmentiert, Stufe 3 kuratiert und Stufe 4 automatisiert – wobei auch hier die menschliche Aufsicht erhalten bleibt. Stufe 0 bildet den historischen Basisfall ganz ohne KI-Nutzung und dient als Referenzpunkt. Eine vollständig autonome KI ist im institutionellen Asset Management dagegen nur eine theoretische Stufe 5.



Grundsätzlich lassen sich zwei strukturell verschiedene Regime unterscheiden: KI-unterstützte und KI-gesteuerte Investmentprozesse. Für den Investor ist diese Unterscheidung entscheidender als die Frage, ob ein Anbieter sein Verfahren als Machine Learning, Artificial Intelligence oder Quant bezeichnet: Sie zeigt, wie viel Entscheidungsmacht tatsächlich im Modell liegt. Die Verortung eines Investmentansatzes auf einer der Stufen zeigt bereits deutlich, wie und wo KI im Investmentprozess tatsächlich wirkt.

-> KI-unterstützte Prozesse (Stufen 1–2). Die Entscheidungsarchitektur bleibt menschlich dominiert. KI übernimmt analytische Hilfsaufgaben: Datenaufbereitung, Signalgenerierung, Research-Automatisierung. Der Portfoliomanager interpretiert KI-Outputs und behält die vollständige Entscheidungshoheit. Governance-Anforderungen bleiben im Wesentlichen innerhalb bestehender Investitions- und Organisationsrahmen.

-> KI-gesteuerte Prozesse (Stufen 3–4). KI wird zum integralen Bestandteil der Entscheidungsarchitektur selbst. Modelle generieren Portfoliovorschläge und bestimmen Allokationsstrukturen. Menschliche Akteure behalten Aufsicht und Governance – aber die Entscheidungslogik ist wesentlich modellgesteuert. Governance-Anforderungen steigen deutlich.

Diese Unterscheidung hat direkte Konsequenzen für die Governance-Anforderungen, die Investoren erfüllen sollten. Damit stellt sich für institutionelle Investoren eine praktische Frage: Wie lässt sich bestimmen, wo ein konkreter Investmentprozess auf diesem Spektrum liegt – und welche Governance daraus folgt? Und genau dafür braucht es einen Rahmen, der diese Frage systematisch beantwortet.

2.  Was Governance bei KI-basierten Investments tatsächlich bedeutet
Während Compliance die Einhaltung gesetzlicher Mindestanforderungen bedeutet, ist Governance mehr: die interne Struktur aus Zuständigkeiten, Kontrollen und Nachvollziehbarkeit. Nicht jede sinnvolle Governance-Anforderung ist eine explizite regulatorische Einzelvorgabe. Entscheidend ist vielmehr, welche organisatorischen, kontrollbezogenen und dokumentarischen Anforderungen sich aus den bestehenden Pflichten für einen konkreten Investmentprozess ergeben. Governance, gut kommuniziert und implementiert, ist der Mechanismus, der technologische Reife in institutionelles Vertrauen wandelt.

Wie belastbar diese Vertrauen ist, hängt auch von der Regulatorik ab, und hier kursieren widersprüchliche Einschätzungen. Einen guten Überblick bietet das Interview, das Ralf Brenner, Rechtsanwalt spezialisiert auf Bank- und Kapitalmarktrecht, im Juli 2026 mit IPE D.A.CH. geführt hat. Er betont, dass die Qualität der Governance letztlich darüber entscheidet, ob ein KI-System kontrollierbar bleibt — nicht die Komplexität des Algorithmus. Für die Governance ist nicht entscheidend, wie komplex ein Modell technisch ist. Entscheidend ist, wie viel Entscheidungsautorität tatsächlich in ihm liegt. Kurz gefasst:

Nicht die Komplexität des Modells entscheidet über die Governance – sondern der Umfang der Entscheidungsmacht, die man ihm gibt.

Asset Manager müssen ohnehin verlässliche und solide Prozesse nachweisen. Die Nutzung externer KI-Komponenten entbindet sie nicht von ihren Pflichten hinsichtlich Kontrolle, Dokumentation und Transparenz. Und mit dem KAGB, der MiFID II, der AIFM-Richtlinie, der DSGVO, der DORA sowie dem AI-Act besteht bereits heute ein engmaschiges Regelwerk für den Einsatz künstlicher Intelligenz im Finanzsektor. Jedoch sind Portfolioentscheidungen zu Wertpapieren entgegen der verbreiteten Behauptung keine Hochrisiko-Anwendung des AI Act.

3.  Zusammenhang von Governance und KI-Entscheidungsdominanz
Zwischen dem Ausmaß der KI-Entscheidungsdominanz und der erforderlichen Governance-Dichte besteht ein klarer, aber nicht linearer Zusammenhang: Er verläuft positiv und steigend, mit einer entscheidenden Diskontinuität.

In Investorengesprächen bleibt oft offen, wo genau und wie tiefgehend KI tatsächlich in den Investmentprozess eingreift: bei allgemeiner KI-Nutzung, wie sie derzeit in nahezu jeden Unternehmensbereich einzieht, oder bei tatsächlichen Investmententscheidungen – und wenn ja, in welchem Ausmaß? Genau dabei hilft Investoren das AI Decision Integration & Governance Framework (ADIG): Es klassifiziert die Entscheidungsdominanz, nicht Technologie.



Auf den Stufen 1 bis 2 steigt die Governance-Dichte graduell: Jede zusätzliche KI-Integration erfordert inkrementell mehr Dokumentation, Validierung und Transparenz, ohne die grundsätzliche Entscheidungsarchitektur zu verändern – Governance bleibt additiv, aufgesetzt auf bestehende Strukturen.

An der Schwelle zwischen Stufe 2 und Stufe 3 ändert sich das qualitativ: Der Übergang ist kein gradueller Schritt, sondern ein struktureller Sprung. Governance-Anforderungen nehmen nicht nur zu, sie verändern ihren Charakter – ab Stufe 3 wird Governance konstitutiv: Sie muss nicht mehr nur den Prozess kontrollieren, sondern die Funktionsfähigkeit der modellgestützten Entscheidungslogik selbst absichern.

Der praktische Nutzen des ADIG liegt nicht in der Etikettierung eines Investmentansatzes als „KI-basiert“. ADIG verbindet vielmehr die KI-Entscheidungsdominanz eines Investmentprozesses mit der dafür erforderlichen Governance-Dichte. Damit wird aus der abstrakten Frage „Ist das KI?“ eine für Investoren entscheidende Frage: Wo entscheidet KI – und welche Kontrolltiefe muss dieser Entscheidungsdominanz entsprechen?

ADIG ist dabei weder ein regulatorischer Standard noch ein neues Modellrisiko-Framework, sondern ein analytischer Ordnungsrahmen, der ausschließlich den Kern des Investmentprozesses betrachtet: Markt- und Titelselektion, Portfoliokonstruktion sowie taktisches bzw. Risikomanagement.

Entscheidend ist jeweils, ob KI diese Schritte unterstützt oder die Entscheidungslogik selbst bestimmt. Damit kann ein Investor einen KI-gesteuerten Manager nicht nur auf Performance, sondern auf seine Entscheidungs- und Governance-Architektur prüfen.

Konzeptionelle Grundlagen
Für diese Diskussion lohnt es sich, drei Begriffe präzise zu klären.



4.  Fünf Dimensionen der Governance-Dichte
Governance-Dichte beschreibt die Tiefe und Formalisierung der Kontroll-, Validierungs- und Verantwortungsstrukturen, die erforderlich sind, um einen Investmentprozess wirksam zu steuern. Sie ist keine einzelne Kontrollmaßnahme, sondern setzt sich aus fünf Dimensionen zusammen – analytisch eigenständig, aber wechselseitig abhängig: Schwäche in einer Dimension lässt sich nicht durch Stärke in einer anderen kompensieren.



Nicht jede Dimension muss dabei auf jeder Stufe dieselbe Tiefe erreichen; die erforderliche Ausprägung verändert sich mit der Entscheidungsdominanz. Die einzelnen Governance-Bausteine sind bekannt. Was fehlt, ist die systematische Verknüpfung mit der tatsächlichen KI-Entscheidungsdominanz.

5.  Was Investoren jetzt konkret prüfen sollten
Es ist einfach, KI-gesteuerte Ansätze unter Verweis auf ihre Komplexität und Governance-Anforderungen zu meiden, doch damit vergibt man sich die Chancen modernen Kapitalanlagemanagements. Mit der richtigen Governance kann sich dieses Bild jedoch umkehren: Ein dokumentierter, kontrollierter und reproduzierbarer Entscheidungsprozess kann leichter zu verteidigen sein als eine hochgradig diskretionäre Entscheidung.

Investoren müssen dafür kein Data-Science-Spezialist sein. Entscheidend ist nicht, jedes Modell technisch zu verstehen, sondern die Entscheidungsarchitektur und ihre Governance beurteilen zu können. Zwar kann man treuhänderisches Handeln des jeweiligen Asset Managers unterstellen, aber nicht, dass es sich von selbst in ausreichende Governance übersetzt. Das müssen Investoren prüfen können. Die Governance-Dichte konkretisiert sich in den oben genannten fünf Dimensionen, die sich wiederum in konkrete Due-Diligence-Fragen übersetzen lassen.

●        Entscheidungsverantwortung, Accountability & Human Oversight: Wer trägt die Verantwortung für Entscheidungen – und wie ist das dokumentiert?
●        Modelltransparenz & Erklärbarkeit: Lässt sich die Funktionsweise des Modells lückenlos zurückverfolgen – von der Datenbasis bis zur letzten Anpassung?
●        Modellrisiko & Validierungstiefe: Wie wird das Modell vor und während des Einsatzes validiert und auf Robustheit geprüft?
●        Daten-Governance & Integrität: Welche Kontrollen sichern Qualität und Konsistenz der Modellinputdaten?
●        Monitoring-Intensität & Lifecycle-Kontrolle: Wie wird das Modell laufend überwacht, und wie werden Fehlentwicklungen erkannt?

Viele dieser Fragen sind nicht neu. Neu ist ihre Gewichtung. Bei einem KI-unterstützten Prozess können sie Bestandteil bestehender Due-Diligence sein. Bei einem KI-gesteuerten Prozess werden sie zu einer Voraussetzung dafür, die Entscheidungsarchitektur angemessen beurteilen zu können.

Die viel zitierte Black Box ist dabei kein KI-spezifisches Governance-Thema. Die relevante Frage ist nicht, ob ein Investmentprozess vollständig transparent ist – das sind auch viele klassische Modelle nicht. Entscheidend ist, ob seine Funktionsweise, Risiken und Entscheidungslogik so dokumentiert und kontrolliert werden können, dass der verantwortliche Investor seine Entscheidung nachvollziehbar vertreten kann. Damit verschiebt sich die Diskussion von Erklärbarkeit zu Vertretbarkeit. Für den Investor zählt am Ende nicht, das Modell bis ins letzte Detail erklären zu können, sondern die Entscheidung gegenüber Gremium, Aufsicht oder Anlegern souverän vertreten zu können – auch ohne jeden Rechenschritt nachzuvollziehen.

Fazit: Wissen, wo KI steuernd oder auch nur unterstützend eingesetzt wird
Die erforderliche Governance hängt davon ab, welche Rolle KI im Investmentprozess übernimmt und wie weit ihre Entscheidungsdominanz reicht. Die relevante Frage für institutionelle Investoren lautet deshalb nicht mehr: Nutzen wir KI? Sondern: Wo unterstützt KI, wo entscheidet sie – und kann unsere Governance mit dieser Entscheidungsdominanz Schritt halten?

Wer diese Frage heute beantwortet, schafft Klarheit, bevor sie unter Druck beantwortet werden muss – gegenüber Aufsicht, Gremien oder den eigenen Anlegern. Die Verortung der KI-Entscheidungsdominanz ist damit der erste Schritt einer belastbaren Governance-Due-Diligence. Denn je mehr KI entscheidet, desto mehr muss Governance können.

---
*) Marco Wunderlich ist Autor des ADIG Framework (AI Decision Integration & Governance) und verfügt über mehr als 20 Jahre Erfahrung im institutionellen Asset Management – als Portfoliomanager, Berater von Asset Ownern und in führenden Positionen bei internationalen Asset Managern. Er hält einen MBA der University of Chicago Booth School of Business. Sein Arbeitsschwerpunkt liegt an der Schnittstelle von Investmententscheidungsprozessen, quantitativen Methoden, KI und der Governance institutioneller Anlageausschüsse.

Kontakt & Austausch: linkedin.com/in/marcowunderlich