Die Hamburger Privatbank Berenberg hat schon vieles erlebt. Gegründet im Jahr 1590, überdauerte sie die französische Revolution, zwei Weltkriege und den Aufbruch ins Internet. Doch nun steht das Haus vor einer Transformation, die womöglich tiefgreifender ist als alles zuvor: den Einzug künstlicher Intelligenz in den Kern des Geschäftsmodells. Nico Baum, Leiter Innovation & Data Driven Investments bei Berenberg, ist der Mann, der diese Reise verantwortet.
„Wir sind in der Gegenwart angekommen“, sagt Baum selbstbewusst im DAS-INVESTMENT-Podcast „The Portfolio People“, wenn er auf die 435-jährige Geschichte seines Hauses angesprochen wird. „Ich glaube, wir sind das älteste Startup der Welt.“ Diese Selbstbezeichnung ist mehr als Marketing-Sprech. Sie beschreibt, wie eine jahrhundertealte Institution sich immer wieder neu erfinden kann, ja muss, ohne ihre Identität zu verlieren.
Berenbergs zweistufige KI-Strategie
Als Baum 2018 von einem Fintech zu Berenberg wechselte, brachte er bereits Erfahrungen mit Künstlicher Intelligenz aus dem Jahr 2015 mit – lange bevor das Thema zum Hype wurde. Was ihn überraschte: Die traditionell gewachsene Bank konnte die Technologie nicht nur schnell umsetzen, sondern auch in Business-Mehrwert verwandeln. „Die Bank kann sich sehr schnell wieder neu erfinden und ist sehr neugierig“, erklärt Baum.
Die KI-Strategie von Berenberg ruht auf zwei Säulen, die Baum als „Base AI“ und „Tailored AI“ bezeichnet. Das Fundament bildet die Basis-KI: Standard-KI-Anwendungen, die auf einer vollständig gesicherten Private Cloud laufen und allen Mitarbeitern für alltägliche Aufgaben zur Verfügung stehen – Texte übersetzen, zusammenfassen, vergleichen. „Eine Art eigenes ChatGPT“, wie Baum es beschreibt, nur eben regulatorisch compliant und sicher.
Darüber liegt die zweite Ebene: maßgeschneiderte KI-Lösungen für spezifische Geschäftsprozesse. Hier entwickelt Berenberg eigene Research-LLMs und Assistenzsysteme, die mit proprietären Daten und dem Know-how der Bank trainiert werden.
Das Besondere: Diese Systeme entstehen nicht in einem IT-Elfenbeinturm, sondern direkt am „Puls des Marktes“, wie Baum betont – auf dem Trading Floor, in enger Zusammenarbeit mit Portfoliomanagern und Investmentbankern.
Die unterschätzte Herausforderung: der Mensch
„Die wirklichen Herausforderungen liegen auf der sozialen Seite“, so Baum. Die Technik sei nicht das Problem. "Wir wissen, was die Modelle können, wir wissen, was sie nicht können." Das eigentliche Hindernis sei die Adoption: Wie überzeugt man Menschen, KI tatsächlich zu nutzen?
Baum verweist auf ein historisches Muster: Normalerweise bewegten sich technologische Innovationen und soziale Akzeptanz im Tandem. Jemand erfand den Hammer, und sofort fragte jeder nach Nägeln. Bei KI sei diese Synchronität zerbrochen. „Die technologische Schwelle ist sehr stark weiter gewachsen. Und die soziale Schwelle hat aufgehört zu wachsen.“ Der Grund: KI brachte plötzlich mehr Luxus als Notwendigkeit ins Spiel – und das überforderte und ängstigte Menschen. „Dann hat man gesehen, dass diese beiden Kurven sich nicht mehr gemeinsam bewegt haben.“
Den Podcast gibt es in voller Länge auf ...
Die Antwort darauf kann nur Führung, Enablement und das richtige Management sein. Entscheidend sei auch die Kommunikation der Zielsetzung: „Wir machen das nicht, um Mitarbeiter abzubauen. Wir machen das nicht, um auf einmal das gleiche Business mit halb so vielen Mitarbeitern zu machen, sondern mit den gleichen Mitarbeitern vielleicht doppelt so viel Business“, so Baum.
Bis zu 80 Prozent Zeitersparnis
Das interne Research-LLM von Berenberg verkürzt die Analysezeit laut Unternehmensangaben um bis zu 80 Prozent. Das klingt selbstbewusst. Aber Baum differenziert: „Wir haben einen unterschiedlich hohen Adoptionsgrad.“ Junge, technikaffine Portfoliomanager erreichten diese Größenordnung tatsächlich. Andere, die einen traditionelleren Stil pflegen und Berichte selbst durchdringen möchten, nutzen das Tool zurückhaltender. „Das ist eine ganz typische Übergangsphase“, ordnet Baum ein.
Aber bedeutet schnelleres Research auch bessere Investmententscheidungen? Baum bleibt realistisch: „Wir haben einen Assistenten erstellt, der erstmal nur hilft, die Gesamtmenge an Research schneller zu konsumieren.“ Die finale Entscheidung treffen bei Berenberg nach wie vor die Portfoliomanager. Allerdings auf Basis einer größeren und besser aggregierten Datenlage. In der Theorie sollte das zu besseren Entscheidungen führen, so Baum.
Um Fehler durch sogenannte Halluzinationen zu vermeiden arbeitet das System dabei ausschließlich mit verifizierten Daten – die Maschine hat also keinen Zugriff auf das offene Internet und keine unbekannten Quellen. „Wir arbeiten mit den gleichen Daten, wie unsere Portfoliomanager ohne die KI auch arbeiten würden.“ Das reduziere das Problem der KI-Halluzinationen erheblich. Und: Nichts verlässt die Bank, was nicht vorher ein Mensch geprüft hat. „Das ist unsere rote Linie“, betont Baum.
Wenn KI Geld verdient
Während viele Banken noch KI-Strategien entwickeln, verdient Berenberg bereits seit 2019 Geld mit traditionellen Machine-Learning-Verfahren, so Baum. Auf der FX-Overlay-Seite nutzt die Bank KI-Systeme, die Nachrichtendaten in makroökonomische Kategorien filtern und daraus das Marktsentiment bestimmen. „Einmal am Tag schauen wir, wie sich diese Muster aus den letzten 24 Stunden gegenüber historischen Mustern entwickelt haben. Und wenn Muster erkannt werden, dann handelt das Modell.“
Das funktioniere hervorragend bei klassischen Krisensituationen. Der 12-tägige Iran-Israel-Konflikt? Kein Problem für die KI, die gelernt hatte: In Krisen gehen Investoren aus Risiko-Assets raus und in Safe-Haven-Assets rein. Doch dann kam Donald Trumps Zollpolitik – und das System musste neu lernen. „Dieses Muster, was Tariffs bedeuten, das mussten wir der KI neu antrainieren“, erklärt Baum. Solche Retrainings führt Berenberg monatlich durch, bei Sondersituationen auch häufiger.
Die Machine-Learning-Strategien sind profitabel, generieren Umsätze und finanzieren sich selbst. „Wir können das Geld, was wir damit verdienen, auch wieder in KI reinvestieren“, sagt Baum. Ein selbstverstärkender Kreislauf, der vor dem Management auch neue Projekte leichter durchsetzbar macht.
Was Maschinen nicht können
„KI kann all das gut, was der Mensch schlecht kann, und der Mensch kann viele Sachen gut, was die KI schlecht kann“, fasst Baum die Arbeitsteilung im Podcast-Gespräch zusammen. Menschen können zwischen den Zeilen lesen, haben Empathie, können Emotionen bei Gesprächen mit Vorständen wahrnehmen. „Das wird die KI nicht können.“
Die Maschine hingegen brilliere bei analytischen Aufgaben, könne große Komplexitäten lösen, arbeite ohne Müdigkeit und Bias, skaliere beliebig, schwärmt Baum. Die Kunst liege darin, beide Welten zu verbinden: KI löst die Komplexität und aggregiert unstrukturierte Datenmengen. Der Mensch macht die weiteren Analysen und trifft die finalen Entscheidungen.
Baum ist überzeugt, dass alle Tätigkeiten mit Service- und menschlichem Hintergrund eine „sehr starke menschliche Renaissance“ erfahren werden. Seine Prognose: „KI wird den Portfoliomanager nicht ablösen, aber KI wird den Portfoliomanager ablösen, der keine KI nutzt.“
Wo Physiker auf Trader treffen
Berenbergs KI-Team umfasst inzwischen zehn Mitarbeiter – eine bewusst interdisziplinäre Mischung. Physiker, KI-Ingenieure und Data Scientists arbeiten Seite an Seite mit Business-Experten aus Portfoliomanagement, Trading und mit wirtschaftlichen Einblicken. „Dieses Verschmelzen von Business-Leuten, die wissen, wie Märkte funktionieren, und Technik ist sehr wichtig“, erklärt Baum.
Diese Integration ist strategische Notwendigkeit, glaubt Baum. Die meisten KI-Anwendungen basieren auf Supervised AI – die Maschine erkennt Muster, aber ein Mensch muss diese Muster vorgeben. Und dieser Mensch muss verstehen, wie Märkte und Investmentstrategien funktionieren. In vielen Häusern seien solche Teams in der IT oder im Research separiert, kritisiert Baum. „Wir führen beides zusammen direkt am Puls vom Markt, direkt auf dem Trading Floor.“
Die Priorisierung läuft über zwei Achsen: Impact (Ertragssteigerung, Kostensenkung, Effizienz, Alpha-Potenzial) und Machbarkeit (Technik, Governance, Regulatorik, Security). Die Projekte werden von oben rechts nach unten links abgearbeitet – hoher Impact und hohe Machbarkeit zuerst. „Wir starten immer an der Stelle, wo wir einen Business Impact generieren können“, so Baum.
Regulierung als Chance?
Der EU AI Act wird in der Techwelt oft als Innovationsbremse kritisiert. Macht die Regulierung Innovation kaputt und bringt europäische Banken gegenüber US-Fintechs ins Hintertreffen? Baum sieht es differenziert: „In den USA geht es definitiv schneller voran.“ Aber das liege nicht nur an der Regulierung, sondern auch am Mindset. In den USA treibe man gute Ideen voran, in Deutschland herrsche eher „German Angst“.
Langfristig könne die Regulierung sogar zum Vorteil werden. „Wenn wir jetzt die Regulatorik sauber aufsetzen, dann kann das zukünftig auch ein Vorteil sein, insbesondere wenn es mal zu einem Vorfall in den USA kommen sollte.“ Baum vergleicht das mit dem Data Act, der zunächst nur Datenschutz stärkte, letztlich aber auch Daten handelbar machte. Mit den Tools von Berenberg bewegt man sich ohnehin „weit weg von irgendwelchen Hochrisikokategorien. Für uns ist das Thema unkritisch."
Wenn 1+1 nicht mehr 2 ist
Ein fundamentales Problem bleibt: Menschen tolerieren, dass Menschen Fehler machen. „Aber wir haben de facto keine Toleranz, dass Maschinen Fehler machen“, stellt Baum fest. „Das ist eine ganz spannende Frage: Warum akzeptieren wir eigentlich nicht, dass eine Maschine auch mal einen Fehler machen kann?“
Das zweite Problem: der Nicht-Determinismus. KI-Systeme arbeiten nicht wie traditionelle Programme, bei denen 1+1 immer exakt 2 ergibt. Man muss „eine gewisse Variabilität zulassen“, dass das Ergebnis mal bei 1,9 oder bei 2,1 liegt. „Aber so sind wir evolutionär nicht groß geworden“, erklärt Baum. Menschen schätzen Entscheidungen unter starker Sicherheit.
Hinzu kommt die Blackbox-Problematik: Gerade im Vertrieb von KI-Investmentstrategien ist es schwierig, wenn man nicht erklären kann, warum eine Entscheidung getroffen wurde. Berenberg hat deshalb Methoden implementiert, um KI zumindest teilweise erklärbarer zu machen. Bei Kundenanfragen können die zugrunde liegenden Informationen bereitgestellt werden, die eine Position ausgelöst haben. „Das reicht dann auch schon. Das akzeptiert der Kunde.“
Baum sieht darin auch eine gewisse Ironie: „Wir nutzen KI, um Muster zu erkennen, die der Mensch vielleicht nicht mehr sieht. Dass wir die dann ex post nicht wieder herleiten können – das ist schwierig. Wir wollen auf der einen Seite Muster erkennen, die für uns zu komplex sind. Auf der anderen Seite wollen wir sie dann aber auch wieder erklärt haben.“
Eine Plattform der KI-Agenten
Wohin geht die Reise in den nächsten Jahren? Baum sieht den Trend von Large Language Models hin zu spezialisierten KI-Agenten. Das Research-LLM von Berenberg sei im Grunde bereits ein solcher Agent, sehr fokussiert auf Aktien-Research. „Meine Vorstellung ist, dass wir in den nächsten Jahren eine Plattform bekommen, wo sehr viele Agenten für sehr spezialisierte Anwendungen arbeiten.“
Darüber sollen „Masteragenten“ laufen, die die verschiedenen Spezialagenten orchestrieren. Das Ergebnis: „sehr starke Automatisierungseffekte“. Eine Plattform der Plattformen – oder wie Baum es nennt: ein Space der KI-Agenten.
Durch die Kooperation mit Google als Cloud- und Modellanbieter bleibt Berenberg an der Spitze der technologischen Entwicklung. Model-Updates von Google können theoretisch sofort eingesetzt werden – nach entsprechenden Testphasen.
Das Mindset entscheidet
Wenn Nico Baum eine Regel für den Umgang mit KI in Banken erlassen könnte, würde er beim Mindset ansetzen: „Wir sollten jeden verpflichten, das Thema KI in seinen Arbeitsalltag zu implementieren.“ Jeder Teamleiter sollte seinen Mitarbeitern den Auftrag geben, bei jedem Prozess und jeder To-do zu fragen: Wie kann uns KI hier helfen? Wie kann KI uns hier effizienter machen?
Das Ergebnis wäre revolutionär: Administrative Aufgaben, die nerven und keinen Spaß machen, fallen weg. Zeit wird frei für die wichtigen Themen – Alpha generieren, Assets akquirieren, die Produkte von morgen entwickeln. „KI schenkt uns an der Stelle Zeit“, sagt Baum.
Und die Angst vor Jobverlusten? „Es werden Jobs wegfallen, es wird aber auch neue geben. Wir bekommen jetzt die Zeit, um die Investmentwelt oder die Welt von morgen zu erfinden. Und dazu wird KI führen. Das ist ein super Ausblick."
