Warum man Anlageentscheidungen nicht der AI überlassen sollte

Es ist noch zu früh, die Handelsentscheidungen vollständig einem „AI-Investment-Agenten“ zu überlassen. Nicht weil die Technik unzureichend wäre, sondern weil die Struktur des Problems nicht dazu passt.

• Anlageentscheidungen sind keine Funktion nur der aktuellen Informationen. Sie enthalten auch persönliche Überzeugungen und Erwartungen zu einem Wertpapier und seiner Zukunft (der Kauf von Tesla ist keine Wette auf den Jahresabschluss, sondern auf den Glauben, dass autonomes Fahren Realität wird). Ein LLM ist ein Inferenzsystem für aktuelle Informationen; das Ergebnis ist daher keine Wette, sondern „eine Zusammenfassung der aktuellen Informationen, verpackt als Kauf-/Verkaufsformulierung“. Der Ton klingt überzeugend, aber die zugrunde liegende Überzeugung fehlt. Hinzu kommt ein Reproduzierbarkeitsproblem: Bei denselben Daten und derselben Frage fällt die Antwort jedes Mal anders aus.

• Das ähnelt der Falle, in die Quants schon früher getappt sind. Nicht Quant selbst ist die Falle (gute Quants verdienen Geld), sondern die Grenze davon, Regeln, die auf Vergangenheits- und Gegenwartsdaten optimiert wurden, automatisch auf Wetten über die Zukunft anzuwenden — Overfitting und Regimeabhängigkeit sind das Problem. Bei LLM-Agenten sind die Regeln in den Gewichten verborgen, intransparent und nicht reproduzierbar; damit tappen sie unter noch schlechteren Bedingungen in dieselbe Falle.

• Deshalb ist die passende Rolle für AI nicht die Entscheidung, sondern das Rohmaterial. Informationssammlung, Aufbereitung, konsistente Berechnungen und das Erkennen von Konzentrationsrisiken sind Aufgaben der AI; an die Zukunft zu glauben und den Abzug zu ziehen, ist Aufgabe des Menschen. Ein großer Teil der Anlagefehler entsteht nicht aus Überzeugungen, sondern aus fehlerhaftem Rohmaterial (die Illusion von Diversifikation, die Verwechslung von durchschnittlicher Rendite und realisierter geometrischer Rendite). Wenn das Rohmaterial stimmt, kann die Überzeugung ihren Teil leisten.

• Überträgt man dieses Human-in-the-Loop-Prinzip auf das Tool-Design, wird die Richtung klar. Zahlenberechnungen sollte man nicht dem LLM überlassen, sondern mit deterministischen Regeln festschreiben, auf „Wann werden 300 Millionen erreicht?“ nicht mit einem Datum, sondern mit einer Wahrscheinlichkeitsverteilung antworten, Annahmewerte wie künftige Rendite und Volatilität nicht vom Tool ausfüllen lassen, sondern vom Menschen eingeben lassen, und sich darauf konzentrieren, das Material für die Beurteilung (Konzentrationsrisiken, effektive ETF-Exponierung usw.) präzise offenzulegen. Nicht Beratung, sondern Diagnose.

[bsh998]

Gibt es im Vergleich zu Open-Source-AI-Agenten irgendeinen technischen Mehrwert, für den es sich lohnt, diesen Service kostenpflichtig zu abonnieren?

[opula]

Danke für die präzise Frage. Ehrlich gesagt gibt es viele Teile, die man mit einem Open-Source-Agenten selbst aufbauen kann, und gerade Dinge wie das Abrufen öffentlicher Daten zu in den USA gelisteten Titeln lassen sich zu großen Teilen auch mit reinem Claude oder Perplexity ersetzen. Deshalb denken wir nicht, dass genau diese „Datenabfrage“ der Wert ist, den wir verkaufen.

Wenn man es eng fasst, gibt es ungefähr drei Punkte, für die es sich lohnt zu zahlen und die Pflege zu übernehmen.

1. Zahlen werden nicht vom LLM, sondern vom Server nach deterministischen Regeln berechnet. Auf dieselbe Frage kommt dieselbe Antwort zurück, und Zinseszins- oder Projektionswerte schwanken nicht von Gespräch zu Gespräch. Das ist der Teil, mit dem wir das im Haupttext erwähnte Reproduzierbarkeitsproblem auf der Tool-Ebene verhindern.

2. Wir übernehmen Dinge, die in der Berechnung stillschweigend ziemlich viel Handarbeit erfordern. Zum Beispiel addiert das ETF-Look-through AAPL, das sich zwischen VOO, QQQ und Direktbestand überschneidet, als effektives Exposure bezogen auf das Gesamtvermögen zusammen; wenn man naiv nur auf die Ticker-Konzentration schaut, wird ein breiter ETF leicht fälschlich als „All-in“ gelesen. Das korrekt anzubinden und zu pflegen ist Arbeit. Bei Monte-Carlo-FIRE-Projektionen ist es ähnlich.

3. Das sind Dimensionen, die ein pures LLM strukturell nicht sehen kann. Etwa der Zustand meines tatsächlichen Portfolios (reines Claude oder Perplexity kann meine Bestände nicht sehen) und die konsistente Bewertung über mehrere Währungen hinweg, einschließlich nicht in den USA gelisteter Assets wie Jeonse-Kautionen, KRX-Gold oder nicht börsennotierter Anteile. Auch Risikoneigung und Ziele werden über einzelne Gespräche hinaus gespeichert.

Kurz gesagt: Es geht nicht um einen „Agenten, der bessere Entscheidungen trifft“, sondern um den Wert, diese Materialschicht ohne eigenes Setup und ohne laufende Pflege direkt an Claude/ChatGPT anzubinden. Wenn Sie das selbst bauen und pflegen wollen, brauchen Sie nicht extra zu abonnieren; da die Buchfunktion selbst kostenlos ist, ist es am sinnvollsten, einfach auszuprobieren und dann zu beurteilen, ob die Analyseebene ihren Wert hat.