#38 - Nico Baum, warum verzeihen wir Menschen Fehler, Maschinen aber nicht?

00:00:00: Wir Menschen haben ja extreme Toleranz, dass Menschen Fehler machen.

00:00:03: Also es gibt ja auch das Sprichwort Menschen machen Fehler.

00:00:06: Aber wir haben de facto keine Toleranz, dass Maschinen Fehler machen.

00:00:09: Und das ist eine ganz spannende Frage, der mal nachzugehen, warum ist das so?

00:00:13: Warum akzeptieren wir eigentlich nicht, dass eine Maschine auch mal einen Fehler machen kann?

00:00:25: Die Privatbank Beerenberg wurde im Jahr fifteenhundertneunzig gegründet und erlebte bereits die französische Revolution, zwei Weltkriege und die Digitalisierung.

00:00:35: Und nun steht die Hamburger Privatbank vor ihrer nächsten Transformation.

00:00:38: Künstliche Intelligenz rückt in den Kernen des Geschäftsmodells von vielen Banken.

00:00:44: Mein heutiger Gesprächspartner ist Nico Baum und der verantwortet als Leiter Innovation and Data Driven Investments die KI-Transformation der Bank.

00:00:52: Nico, das kann man so sagen, ist ein Mann zwischen zwei Welten.

00:00:55: Er ist einerseits Wissenschaftler und andererseits Praktiker, der nebenbei über Human AI Collaboration promoviert.

00:01:03: Was das ist, Das erklärt er mir gleich.

00:01:06: Wir sprechen in unserem Interview auch darüber, wie ein fourhundertfünfundreißig Jahre altes Haus zum, wie Baumes nennt, ältesten Start-up der Welt werden konnte.

00:01:15: Wir diskutieren die KI-Roadmap der Bank und das Spannungsfeld zwischen regulatorischen Anforderungen auf der einen Seite und Innovationsdruck auf der anderen.

00:01:23: Und wir klären die fundamentale Frage, wird künstliche Intelligenz den Menschen ersetzen oder ergänzen?

00:01:30: Ich wünsche viel Spaß beim Zuhören.

00:01:33: Risikohinweis.

00:01:34: Die Inhalte dieses Podcasts beinhalten keine Kaufempfehlungen, sondern dienen ausschließlich der Informationen und Unterhaltung.

00:01:40: Es handelt sich dabei um keine Anlageberatung.

00:01:42: Und jetzt

00:01:43: geht's los.

00:01:45: Nico, schön, dass du hier bist.

00:01:46: Hand aufs Herz.

00:01:47: Wenn du morgens ins Büro kommst, von Bärlemberg, hier in Frankfurt, fühlst du dich da wie jemand, der eine ehrwürdige Dame behutzt und ins einundzwanzigste Jahrhundert führt?

00:01:55: Ja, natürlich wird man immer auf dem Wappen an die Gründungen im Jahr fünftundundneinzig erinnert.

00:02:00: Aber natürlich mit den Themen, die wir an denen wir unterwegs sind, sind wir deutlich fortschrittlicher.

00:02:05: Da hat noch keiner daran gedacht in fünftundneinzig.

00:02:07: Deshalb, nein, daran denke ich nicht.

00:02:09: Ich glaube, wir sind in der Gegenwart angekommen.

00:02:11: Auch wenn das toll ist und wir stolz sind auf die auf die Historie, auf die Vergangenheit.

00:02:15: Wir leben in der Gegenwart und ich beschäftige mich da wenig mit der älterten Dame.

00:02:19: Du beschäftigst dich schon sehr lange mit dem Thema KI, hast ja auch vorher bei einem Fintech gearbeitet, mit so einem Schwerpunkt.

00:02:25: Jetzt leitest du bei einer Bank, die, du hast gerade Fünfzehnteinundneinzig schon angekündigt, die älter als die verehrten Staaten von Amerika, das Thema KI-Strategien.

00:02:33: Was war denn dein erster Gedanke, als du zu Bernberg kamst?

00:02:36: Ja, also die Idee, als wir zu Bärmberg kamen oder sich zu Bärmberg kamen, aus dem Fintech raus waren natürlich dann schon auch die Erfahrungen, die wir gesammelt hatten, in irgendeiner Form dann einzubringen.

00:02:46: Im Bereich Kalie, wir hatten uns ja damals in den Jahr- und-Fünfzehn auch schon mit Kalie beschäftigt, also lange bevor das Thema, ich sag mal, sexy wurde.

00:02:53: Und ja, also ich hatte tatsächlich schon die Erwartungszeitung, dass wir uns um Digitalisierungs-Technologie-Themen kümmern.

00:03:00: Mir war aber auch klar, dass die Bank natürlich sehr stark traditionell gewachsen ist, sowohl auf der Mitarbeiter-Seite als der Produkt-Seite, indem wir sprechen natürlich auf der Technik-Seite, dass wir dann aber doch so schnell und erfolgreich ihre Technologie umsetzen konnten und dann auch in Business-Mehrwert bringen konnten.

00:03:14: Das hatte mich dann tatsächlich überrascht.

00:03:16: Aber ich glaube, das ist auch genau das, was Bärenberg ausmacht.

00:03:18: Also natürlich steht da auf dem Papier, das ist eine über vierhundertreißig Jahre Geschichte.

00:03:22: Aber die Bank kann sich sehr schnell wieder neu erfinden.

00:03:25: Die ist sehr neugierig.

00:03:26: Die kann sich sehr gut in neue Marktumfelder oder neue Umgebungen adaptieren.

00:03:31: Und das ist das, was Bärenberg aufmacht.

00:03:33: Ich sage oft liebevoll, das ist das älteste Start-up der Welt.

00:03:36: Gehen wir nochmal zurück auf die Heritage.

00:03:38: mal angenommen.

00:03:39: Die Gründerbrüder Bärenberg könnten heute dein Research LLM bedienen.

00:03:44: Was denkst du würden die als erstes fragen?

00:03:47: Das ist eine gute Frage und auch sehr schwierig zu beantworten.

00:03:51: Ich kann sie so nicht beantworten, weil man wird immer scheitern, wenn man versucht, heute die Gegenwahrheit irgendwie in die Vergangenheit zu schreiben.

00:03:59: Mein bestes Beispiel ist immer, wenn man heute versucht, die Mondlandung zu beschreiben, wird man scheitern, weil der Weg dorthin, da sind so viele Sachen passiert da, wenn man das beispielsweise im Jahr die man beschreibt, da war das Flugzeug ja noch nicht mehr erfunden.

00:04:10: Und dementsprechend sind das immer verschiedene Schritte, die aufeinander kommen, um dann sowas zu beschreiben.

00:04:16: Ich kann dementsprechend nicht verantworten, was man damals in so einem Modell geschrieben hätte, aber vermutlich auch ähnliche Dinge, die uns einfach supporten, dabei bessere Bankdienstleistungen für unsere Kunden zu bieten.

00:04:27: Wahrscheinlich wäre es denn gar nicht so viel anders gelangen wie den meisten Leuten vor fünf Jahren, wo man noch nichts mit dem Thema KI am Hut hatte.

00:04:32: Aber gehen wir mal ein bisschen tiefer in den Maschinenraum rein bei dir.

00:04:36: sprichst ja von so einer zweistufigen KI-Roadmap mit einem Base AI und einem Tailor der AI.

00:04:41: Das klingt ja jetzt, fand ich so ein bisschen, wenn man es beim liest, so fast ein bisschen militärisch strategisch, so wie überzeugst du in einem vierhundertfünfunddreißig Jahre alten Haus auch Skeptiker, die seit Jahrzehnten auf Bewerteprozesse schwören.

00:04:51: Weil ich vermute mal, das wird hier nicht anders sein als in allen anderen Unternehmen.

00:04:55: Genau.

00:04:56: Also die Frage impliziert ja gerade einmal die Herausforderung und einmal dann, wie?

00:05:00: wir haben es dann strategisch umgesetzt.

00:05:01: Vielleicht fange ich mal mit den Herausforderungen an und letztendlich klaren man kommt hier in der bank die ist traditionell gewachsen die ist technisch produktzeitig traditionell.

00:05:11: es ist eine herausforderung die die menschen zu überzeugen und ich sage immer sehr stark und das davon bin ich auch überzeugt dass die herausforderung aktuell bei dem thema kei gar nicht so stark auf der technischen seite liegen.

00:05:21: wir wissen was die modelle können wir wissen was sie nicht können und wenn man sich in diesem rahmen bewegt dann dann bekommt man das ganz gut hin.

00:05:27: die wirklich eine herausforderung aus meiner sich liegen auf der auf der sozialen Seite, auf der sozialen Seite, auf der adoption Seite, wie überzeugig Menschen und unsere Stakeholder eigentlich diese KI auch zu nutzen.

00:05:37: Weil die bringt uns natürlich nur was, wenn dann die Bereitschaft auch da ist, diese KI anzuwenden.

00:05:42: Da gibt es einen Modell, vielleicht kann ich da ganz kurz ausholen, was man sich anschauen kann.

00:05:46: Das sind im Prinzip so zwei Kurven, das eine ist sozusagen die technologische.

00:05:50: threshold, also die technologische Schwelle, das andere die soziale Schwelle.

00:05:53: Und wir haben in der Vergangenheit immer gesehen, dass sich beide im Tandem bewegt haben.

00:05:57: Also man hat etwas Neues erfunden, ein neues Tool, beispielsweise irgendwann mal den Hammer und alle haben nach dem Nagel gefragt, um den Nagel dann in die Wand zu hauen.

00:06:05: Und es war halt immer so, es kam ein neues Tool und dann haben Leute direkt angefangen das zu adopten und zu nutzen.

00:06:09: Bei KI war das auf einmal etwas anders, nämlich die technologische Schwelle ist sehr, sehr stark weitergewachsen und die soziale Schwelle hat aufgehört zu wachsen.

00:06:17: Und das war historisch in dem Moment zu erklären, als wir auf einmal mehr Luxus als Notwendigkeiten zum Modell gebracht haben.

00:06:23: Es hat dazu geführt, dass wir Menschen so ein bisschen... Banksekt haben, dass wir Menschen überfordert haben.

00:06:29: Und dann hat man gesehen, dass diese beiden Kurven sich nicht mehr gemeinsam bewegt haben.

00:06:32: Das Gleiche jetzt bei der KI, wie geht man damit um?

00:06:35: Man muss sehr stark das Thema Leadership, das Thema Enablement, das Thema Management in den Fokus stellen und auch die richtigen Fragen stellen, muss erklären, wie funktioniert KI?

00:06:44: Wozu wollen wir das nutzen?

00:06:45: Was sind die Ziele davon?

00:06:46: Also wir sagen auch immer sehr stark, wir machen das nicht, um wir Mitarbeiter abzubauen.

00:06:50: Wir machen das, um nicht auf einmal das gleiche Business mit halb so vielen Mitarbeitern zu machen, sondern mit den gleichen Mitarbeitern vielleicht dann doppelt zu.

00:06:56: viel Business im Ziel.

00:06:57: Aber dann geht auch nochmal vielleicht ein, zwei Handkniffe, weil das wird ja anderen Leuten in der Position oder auch Geschäftsführerin in anderen Asset Management Unternehmen auch so gehen.

00:07:06: Wie hast du denn konkret verhindert, dass KI als Bedrohung wahrgenommen wird statt als Chance?

00:07:10: Ja, ich komme mal, muss die richtigen Fragen stellen.

00:07:11: Die Frage zu stellen, was kann eine Technologie, ist die falsche Frage aus meiner Sicht.

00:07:15: Wir wissen, was sie kann.

00:07:16: Wir müssen die Frage stellen und die auch den Business stellen und das Business sehr stark mitnehmen, was wollen wir eigentlich, was eine KI bei uns kann.

00:07:23: Das heißt, wir haben das Ganze nicht irgendwo in der IT aufgesetzt.

00:07:26: aus dem Raum von sehr vielen Techies, die halt fasziniert sind von KU und irgendwas bauen.

00:07:31: Sondern wir haben bei den Business angefangen.

00:07:32: Wir haben bei den Problemen von unserem Business beispielsweise im Portfolio-Management, die sehr, sehr viele Aktien-Research natürlich machen müssen auf der Aktien-Seite.

00:07:40: Die lesen Reports, Investor Relations, Procurry-Research.

00:07:44: Das kann man ja gar nicht alles konsumieren.

00:07:46: Und da haben wir angefangen, den einen System zu bauen, aber auch nur als Assistenten, der den diese Daten so aggregiert, dass sie einfach den ersten Schritt... effizienter machen können und direkt auf einer viel größeren Datenweise beim zweiten Schritt beginnen können.

00:07:59: Und da fängt eigentlich jede einzelne unserer Initiativen an.

00:08:02: Wir haben eine Priorisierung nach zwei Kategorien Impact.

00:08:06: Das messen wir, versuchen wir sehr stark messbar zu machen.

00:08:08: Wie groß ist der Business Impact?

00:08:09: Können wir Träge steigern?

00:08:10: Können wir Kosten senken?

00:08:11: Können wir effizienter sein?

00:08:13: Können wir, haben wir Alpha-Pretenzial?

00:08:14: Und die andere Axis Video, gut ist die Machbarkeit.

00:08:17: Das ist nicht nur technisch, sondern auch Themen wie Governance, Regulatorik, Security, also die gesamte Visibility.

00:08:24: Dann priorisieren wir die Themen im Prinzip von oben rechts, also hohen Impact, hohe Machbarkeit und gehen eigentlich von oben rechts nach unten links und starten immer an der Stelle, wo wir einen Business Impact letztendlich generieren können.

00:08:36: Über den Business Impact würde ich gleich nochmal genauer reden wollen, aber nochmal... Eine Frage, du bist ja im Jahr hier hergekommen.

00:08:43: Seitdem ist ja wahnsinnig viel passiert im technologischen Bereich, was das Thema KI angeht.

00:08:47: Also hast ja gerade schon ein bisschen gesagt, das ist jetzt etwas größer bei euch hier aufgestellt.

00:08:51: Wie hat sich das denn entwickelt?

00:08:52: Warst du ja am Anfang so der Lonesome Guy, der das irgendwie gemacht hat?

00:08:54: Und wie groß ist jetzt dein Team?

00:08:56: Gibt bei uns ein bisschen Einblicke, wie hat sich das hier getan?

00:08:59: Ja, also der Lonesome Guy, glaube ich, das... Das wäre ein bisschen zu drastisch, natürlich war schon der Auftrag sich Innovation und Technologie zu nähern, aber grundsätzlich hat sich es teilweise natürlich schon so angeführt, als wir in den Jahr zwei Tausend Achtzehn begonnen haben, haben wir auf der FX Seite begonnen.

00:09:13: Wir waren damals ein sehr starker Player im FX Overlay.

00:09:18: Das waren traditionelle Modelle auf traditionellen Daten und damals gab es dann auch keine generative KI mit Maschinen-Learning-Methoden und neuen alternativen Daten versucht, mit dem bestehenden Team auch, die haben wir komplett mitgenommen, dort Maschinen-Learning-Verfahren.

00:09:31: zu bauen.

00:09:32: Und da hatten wir auf einmal zeigen können, dass diese Verfahren mit des Technologie outperformen, also sowohl auf der reinen Performenseite, aber natürlich auch auf der ökonomischen Seite.

00:09:43: Wir konnten letztendlich viel mehr Daten analysieren, wir haben dafür natürlich dann auch weniger Leute gebraucht, wir konnten in andere Märkte rein skalieren etc.

00:09:51: Und das war natürlich dann harte KPIs, die uns geholfen haben, sowohl unser Management, aber auch die Kunden zu überzeugen.

00:09:58: Und dann ist dann das folgende passiert, wir sind weitergewachsen, wir haben Kollaborationen auch geschlossen mit anderen Assetmanagern.

00:10:04: Und dann gab es im Jahr im Jahr für mich auch so ein bisschen überraschend.

00:10:08: muss ich ehrlich zugeben, den Durchbruch dann von GPD von der generativen KI und die Entwicklung und das Momentum, was dann gestartet ist, das kann man ja, also das haben wir ja alle gesehen, das brauche ich jetzt nicht zu beschreiben.

00:10:20: Und wir haben das Team dann erweitert um eine zweite Säule, was sich eben um generative und Implementierung von generativer KI kümmert.

00:10:27: Hier geht es eben nicht darum, exklusive standalone KI-Systeme zu bauen, sondern es geht darum Assistenzsysteme für unsere Mitarbeiter zu bauen.

00:10:35: Wir haben einen Assistenzsystem, das habe ich genannt für die Portfoliomanager auf der Equity-Seite.

00:10:40: Wir haben einen Assistenzsystem beispielsweise auch auf der Sales-Seite für unsere Investmentbanker, um den gesamten Equity Sales, Equity Research Workflow zu skalieren und Teil zu automatisieren und zu verbessern.

00:10:51: Dadurch ist das Team dann natürlich auch gewachsen.

00:10:53: Wir sind jetzt aktuell ein KI-Team von zehn Mitarbeitern.

00:10:57: Das Team ist interdisziplinär.

00:10:58: In dem Team sind Physiker, KI-Engineered, Data Scientist auf der einen Seite, aber zum anderen auch Business-Experten aus dem Portfoliomanagement, aus dem Trading.

00:11:06: aus den Economics.

00:11:08: Und das ist auch wichtig, weil wir sind ja sehr stark.

00:11:11: Die meisten Anwendungen, die wir bauen, sind immer noch aus dem Bereich des Supervised AI.

00:11:14: Das bedeutet, die KI ist sehr, sehr gut in der Mustererkennung.

00:11:17: Man kann auch für historischen Daten diese Muster.

00:11:20: erlernen, aber diese Muster muss jemand vorgeben und diese Muster muss in der Regel ein Mensch und ein Business Experte vorgeben.

00:11:25: Und deshalb war hier diese Verschmelzen von Business Leuten, die eben wissen, wie Märkte funktionieren, die wissen, wie Investmentschrategien funktionieren und Technikern auf der anderen Seite sehr, sehr wichtig.

00:11:36: Und das war auch kulturell ein wichtiges Zusammenwachsen, weil in vielen anderen Häusern sich oft, dass solche Teams dann irgendwo separiert sind im Research oder in der IT und dann sehr wenig Zugang auch zu der Investmentplattform haben und zu den Portfoliomanagern oder auch den den investment bankern.

00:11:51: und wir haben gesagt wir führen beides zusammen direkt am pulse von mark direkt auf der auf dem trading floor und das war glaube ich ein wichtiger schlüssel zum Erfolg.

00:11:59: Was heißt das denn konkret, wenn du über Mustererkennung sprichst?

00:12:01: Also ich kenne das jetzt.

00:12:03: zum Beispiel, da ist natürlich, was weiß ich, Quartalsberichte durchgescanned werden, wie ist das Sentiment und so, das machen ja alle irgendwie.

00:12:08: Was ist das, womit ihr euch abhebt und wie gut ist denn sowas immer im Rückblick, wenn wir jetzt in der Welt leben, wo irgendwie, keine Ahnung, Trump mit so einer Zolltafel in den Rosengarten tritt und plötzlich ist die Welt irgendwie anders, da nützt man ja die beste KI im Rückblick nichts, wenn die Welt so drauf ist.

00:12:23: Das spricht natürlich für so eine superweiste AI, also ihr habt ja auch Volkswirte

00:12:26: etc.,

00:12:27: die dann solche Dinge vielleicht auch noch mal einordnen, aber vielleicht auch noch mal ein bisschen Einblick, wie wird denn da wirklich Alpha generiert oder ein Mehrwert generiert?

00:12:34: Ja,

00:12:34: genau, das bezieht sich jetzt tatsächlich so ein bisschen auf die traditionelle KI-Seite, auf unsere Maschinenlearning-Strategien.

00:12:39: Wir benutzen da Nachrichtendaten und filtern diese in makroökonomische Kategorien und bestimmen dann sozusagen das Marktzentiment aus diesen Daten.

00:12:49: Und einmal am Tag schauen wir halt, wie haben sich diese Nachrichten aus den letzten vierzehn Stunden gegenüber historischen Mustern entwickelt.

00:12:57: Und wenn dann Muster erkannt werden in der Historie, dann handelt das Modell.

00:13:01: Ja, in der Tat, das Thema Terrorist war jetzt ein Muster, was wir so nicht kannten, das war neu.

00:13:06: Der ganze Markt hat sich dann sehr stark auch von traditionellen Mustern wie beispielsweise auch dem Self-Haven-Effekt des US Dollars entcoupled.

00:13:14: Und das war ein Muster, das die Kain nicht kannte.

00:13:16: Aber so was wie zum Beispiel jetzt dieser zwölftige... Iran-Israel-Konflikt.

00:13:19: Ich meine, kurzzeitige Konflikte gab es schon vieles.

00:13:21: Das, was man mit einer KI besser bekommt?

00:13:22: Ja, total.

00:13:23: Das ist eine Sache, die funktioniert hervorragend.

00:13:25: Das ist auch exakt das, was wir der KI trainieren konnten.

00:13:28: Eigentlich menschliches Verhalten in Krisensituationen.

00:13:30: Was passiert?

00:13:31: Man geht raus aus Risiko-Assets, man geht rein in Safe Haven-Assets.

00:13:34: Wie früher mal der US-Dollar, das hat sich ein kleines bisschen verändert jetzt seitdem Trump im Amtes.

00:13:40: Man geht in kurzlaufende Bonds.

00:13:41: Und das hatte die KI letztendlich bei allen großen Konflikten oder Stresssituationen im Markt auch auf sehr, sehr gut zeigen können.

00:13:48: dass man eben diese Reallokation zeigt.

00:13:49: Das Thema bei den Terrace war es natürlich so ein bisschen besonders, da der Markt auf einmal diesen Safe Haven Effekt des US Dollars sich entkoppelt hatte und die nicht mehr gezeigt hatte.

00:13:58: Und dieses Muster eben, was Terrace bedeuten, dass das da aktuell de facto eine ein bisschen andere Marktvernehmungen wahrnimmt, das mussten wir der KI neu trainieren.

00:14:07: Man kann diese KI Systeme wieder retrain, das machen wir regelmäßig, das machen wir einmal im Monat, das machen wir aber auch bei Sondersituationen im Markt und das haben wir genau so gemacht.

00:14:16: Und somit kann die KI jetzt zumindest was mit dem Thema Terus anfangen.

00:14:22: oder mit Zölln.

00:14:23: Und die Frage ist aber, ob die Marktinterpretation, wie wir sie jetzt gesehen haben, dass die dann US-Dollar negativ war, sozusagen, ob die dann auch so bleibt.

00:14:31: Also am Ende, wir sind immer noch nicht bei einer hundertprozentigen Pognosikraft, eine gewisse Unsicherheit gibt es natürlich immer noch.

00:14:37: Aber ich glaube, dass in der Gesamtsumme aller aggregierten Daten der Vollständigkeit, dem Bayes Reduzierung, dass da die KI definitiv überleben ist.

00:14:46: Aber auf hundertprozenten Pognosikraft werden wir natürlich auch da nicht kommen.

00:14:49: Bei der generativen KI, wie sieht das da mit den aus.

00:14:52: Da funktioniert das ein bisschen anders.

00:14:53: Natürlich, wir müssen das vorstellen.

00:14:55: Wenn wir jetzt so ein Large-Language-Hotel bauen, was Equity-Research für uns betreiben soll und unseren Portfolio-Managern helfen soll, eben diese Equity-Report zu lesen, dann weiß ja die Karriers mal gar nicht, wer sind wir, was ist unser Investment-Style, welche KPI sind uns wichtig, wann berücksichtigen KPI oder eine Kompine als positiv oder als negativ.

00:15:12: Und das muss man dem Large-Language-Modell mitgeben.

00:15:15: Das sind genau diese Stellhebel, die wir als Mensch haben.

00:15:18: Einmal unsere properitären Daten, wir wissen, welche Daten sind wichtig und einmal unser properitäres Knowledge.

00:15:23: Und das kann man im Sinne von Kontext in die Modelle mit reinbringen.

00:15:27: Das heißt, man sendet nicht nur den Prompt, beispielsweise, wie sieht sich dieser KPI zu dieser Company, sondern man gibt dann auch mit dem Modell, wann man das positiv interpretiert, wann das negativ, wann diese Ausprägung überhaupt eine Company sozusagen in die nächste Runde im Sektionsprozess geben würde.

00:15:43: Und das ist exakt, was wir gemacht haben.

00:15:44: Und das ist diese Muster- oder Kontextualisierung, die man auf der generativen Seite in die Modelle reinträgt.

00:15:50: Und dann, natürlich, sobald man das gebaut hat, ist es sehr, sehr wichtig, man Feedback Loops implementiert, die die User das testen, die User das anwenden, auch im Daily Business und dann immer wieder Feedback in die Modelle rein geben, was funktioniert gut, was funktioniert schlecht, so dass das Modell dann auch sich weiterentwickeln kann und besser werden kann mit in der Nutzung.

00:16:08: Alles klar, sehr spannend.

00:16:09: Ich habe gelesen online bei euch, dass ihr sagt, dass dein internes Research LLM die Analysezeit, so laut eigener Aussage, so bis zu achtzig Prozent verkürzt, würdest du sagen, das ist so der Nennenwert?

00:16:21: Also das ist das Zielbild, dass wir da hin kommen.

00:16:24: Wir haben eine unterschiedlichen hohen Adoptionsgrad der Technologie.

00:16:28: Wir haben teilweise Portfolio-Manager, die sind sehr, sehr, sehr jung aus der jungen Generation, die sind sehr techaffin, die nutzen das Tool sehr, sehr stark.

00:16:37: Da würde ich definitiv sagen, ja, da kommt man, also ob es jetzt achtzig Prozent, das ist natürlich auch schwer messbar, aber da kommt man in diese Größenordnung.

00:16:44: Und dann gibt es natürlich Portfolio-Manager, die eben noch eher den traditionelleren Stil pflegen, sehr, sehr stark die Themen aus selbst leben.

00:16:51: möchten, selbst durchdringen möchten und gar nicht so stark eben auf die Aggregation der KI vertrauen.

00:16:57: Da ist es wahrscheinlich weniger.

00:16:58: Ich glaube, das ist aber eine ganz typische Übergangsphase, wo sich das dann irgendwo dann im Mittel dann lädt.

00:17:03: Genau,

00:17:03: da sind wir ja bei dem Change Management, was du vorhin schon angesprochen hast.

00:17:06: Aber jetzt klingt ja, ob es jetzt Achtzig, Sechzig oder Fünfzig sind, ist ja trotzdem erstmal spektakulärer Wert.

00:17:10: Aber führt das denn jetzt auch zu Fünfzig, Sechzig oder Achtzig Prozent besseren Investmententscheidungen?

00:17:15: Oder jetzt mal ketzerisch gefragt wird, nur schneller derselbe missgebaut?

00:17:21: Das ist eine gute Frage.

00:17:22: Wir haben ja einen Assistenten hingestellt, der erst mal nur hilft, dass die Gesamtmenge an Research schneller zu konsumieren.

00:17:30: Was man daraus interpretiert, also man hat eine größere und eine bessere, aggregierte Datengrundlage, auf der man die Entscheidung treffen muss, die müssen dann immer noch die Portfoliomanager treffen.

00:17:38: Ich würde jetzt in der Theorie... argumentieren, dass dieser Ansatz dazu führt, dass mehr relevantes Wissen in den Investmentprozess eingeht, was letztendlich im Endeffekt auch bessere Investmententscheidungen triggern soll.

00:17:50: Aber wir hören an der Stelle auf, der Assistent ist da, um das Lesen von Reports effizienter zu machen und aktuell nicht da, um es einfach zu steigern und die Investmentperformance.

00:17:59: Aber in Theorie sollte das natürlich dann dazu führen.

00:18:01: Du hast vorhin gesagt, das liegt eher an der menschliche Faktor als der technische.

00:18:05: Wir wissen sehr genau, was die KI kann und was nicht.

00:18:08: Hast du vorhin gesagt?

00:18:09: Was kann denn so ein Definitiv nicht, was ein erfahrener Analyst kann?

00:18:13: Ja, KI kann alles das gut, was der Mensch schlecht kann.

00:18:16: Und der Mensch kann viele Sachen gut, was die KI schlecht kann.

00:18:19: Deshalb ergänzt sich beides gut und ich glaube in der Zukunft auch an

00:18:22: die...

00:18:23: die gesamte gemeinsame Existenz zwischen KI und Maschine.

00:18:25: Der Mensch kann sehr, sehr gut.

00:18:26: So zahle Themen, der kann zwischen den Zahlen lesen, der hat Empathie, der kann auch mal mit Vorständen reden, der sieht Emotionen.

00:18:32: Das wird die KI nicht können, das kann die KI nicht sehen.

00:18:35: Und das ist exakt das, was der Mensch, also dieser gesamte zwischenmenschliche Themen, muss der Mensch liefern.

00:18:40: Die KI kann dafür viel besser analytische Themen verziehen, die kann große Komplexitäten lösen, die kann das ohne Müdigkeit, ohne Bias in, in, in, in unendlich skalierbar.

00:18:50: Und das ist letztendlich... genau diese beiden Themen, die wir zusammenführen müssen, so machen wir es ja.

00:18:54: Wir lösen die Komplexität dieser scheren Menge an unschrukturierten Daten, aggregieren, zur Verfügung stellen und die nächsten Schritte dann darauf, also wir investieren ja auch nicht nur basierend auf Equity Research, sondern wir schauen uns dann auf weitere Themen an, machen weitere Analysen.

00:19:07: Das macht dann der Mensch im weiteren Schritt.

00:19:10: Ich würde also sagen, die KI kann Alles, was zwischenmenschlich ist, was Empathie erfordert, nicht gut.

00:19:15: Und somit sollten wir an der Stelle auf Menschen setzen.

00:19:19: Das ist insbesondere bei den ganzen Service-Vertriebsdienstleistungen, Verkaufsdienstleistungen, der Fall in unserer Business- und ich sehe sehr stark, und das auch Industrieübergreifen, dass alle Tätigkeiten, die so einen Service und menschlichen Hintergrund haben oder eine Menschschnittstelle haben, dass die eine sehr starke menschliche Renaissance auch erfahren werden.

00:19:37: Viele Unternehmen kaufen ja KI-Lösungen stückweit von der Stange um das jetzt mal sozusagen.

00:19:42: Du entwickelst ja, wie gesagt, schon ein eigenes Research-LM hier.

00:19:46: Macht es das nicht für eine Beerenberg auch unglaublich abhängig jetzt vom wenigen Schlüsselpersonen, inklusive dir selbst?

00:19:51: Also ist das nicht auch irgendwie ein Risiko?

00:19:52: Letztendlich vielleicht gehe ich nochmal einen Schritt zurück.

00:19:54: Wir haben diese eine Frage eben nicht beantwortet.

00:19:56: und dann gehe ich den Bogen darauf zu der KI-Strategie.

00:19:58: Unsere KI-Strategie basiert letztendlich auf zwei bis drei Ebenen an KI-Anwendungen.

00:20:04: Du musst dir das vorstellen.

00:20:06: wie eine Art Pyramide.

00:20:07: In der Pyramide, das Fundament, das ist das, was wir Base AI nennen, also Basisanwendungen, da kaufen wir einfach Standardanwendungen, Software, Service, Careanwendungen ein.

00:20:17: Die laufen auf einer full secured Private Cloud bei Bärenberg, die sind sicher, die sind regulatorisch compliant.

00:20:24: und diese Tools, die stellen wir unseren Mitarbeitern zur Verfügung, die kann jeder Mitarbeiter nutzen für die täglichen Aufgaben des Tages.

00:20:32: Texte übersetzen, Texte zusammenfassen, letztendlich verschiedene Texte zu vergleichen.

00:20:37: Diese typischen Sachen, die man beispielsweise mit einem ChatGPT, eine eigene ChatGPT, das ist eben dieses Fundament.

00:20:43: Und damit kann man die Effizienz in jeden einzelnen Mitarbeitern schon mal für fast alle Tätigkeiten stark steigern.

00:20:50: Und dann gibt es Anwendungen, wo wir eben diese Modifizierung brauchen, wie eben diese Equity Research Case oder diese Case für die Investmentbank.

00:20:56: Da geht es dann daran, diese Modelle, diese Foundation Models, die da sind, Modifizieren.

00:21:01: Da gibt zwei Stellhebel in der Regel einmal unsere Daten, das hatte ich gesagt und einmal unsere IP und basieren darauf versuchen wir immer ausgehen von einem Business Problem Standard, also Teller KI zu bauen.

00:21:12: Und ja, natürlich ist es so, dass da das Skillset gerade sehr stark konzentriert ist, so wahrscheinlich auch in unserem Team.

00:21:20: Das ist aber letzt aktuell so.

00:21:23: diese teams sind aber dann doch relativ breit wenn man sie sich dann gesamt hat anschaut.

00:21:27: ich hatte das gesagt das ist immer wichtig dass man vom business ausgeht.

00:21:29: dementsprechend haben wir eigentlich immer drei komponenten in diesen projekten.

00:21:32: wir haben unser team was sich um die karrierenweckung kümmert wir haben unsere it was sich letztendlich um die governes themen kümmert und auch breitstellung der infrastruktur.

00:21:41: und dann haben wir die dritte säule.

00:21:42: das ist eigentlich das business was einmal das problem beschreibt was die ip dazu beiträgt was eben diesen kontext gibt und was dann auch die feedbacks gibt um die diese dann zu etablieren und die Kais dann auch besser zu machen.

00:21:53: und somit verteilt sich das dann natürlich schon.

00:21:55: Also irgendwann sind diese Modelle dann auch da, die Infrastruktur läuft und dann werden die auch gar nicht mehr von uns gehostet als Team, sondern wir übergeben die dann letztendlich in unsere IT und an das Business und dann klar würde sich, wenn wir jetzt nicht mehr da sind, vielleicht neue Karrierenwicklungen verlangsamen, aber das, was wir schon entwickelt haben wird auch da bleiben und weiterlaufen.

00:22:16: Und ich gehe stark davon aus, oder ich hoffe, das ist zumindest die Vision, dass letztendlich irgendwann jeder Mitarbeiter dieses KI-Mindset bekommt und auch diese KI-Kompetenz und diese KI-Literacy.

00:22:27: Daran arbeiten wir auch sehr stark, das allem zugänglich zu machen, jedem nutzbar zu machen.

00:22:32: Und dann wird sich diese Abhängigkeit vielleicht davon einzelne Personen auch sehr stark dann wieder leveln.

00:22:37: Jetzt hat jeder, der Chatchi BT und Co.

00:22:39: schon mal benutzt hat, kennt natürlich dieses Halluzinieren.

00:22:42: ist ein bisschen besser geworden gefühlt über die letzten Jahre schon, aber keine Ahnung, man erlebt das ja trotzdem noch, man fragt, was weiß ich, was das größte Land der Welt, und dann kommt da, weiß ich nicht, Frankreich, und dann sagst du, hey, Frankreich ist doch gar nicht das größte Land der Welt, sag dann, ach du hast recht, es ist Russland oder weiß auch immer, aber dass manchmal so ein Quatsch kommt oder dass so Zitate erfunden werden, die gar nicht drinstehen und so weiter, das ist natürlich der menschliche Faktor, dass man da immer ein krisekritisches Auge drauf haben muss, trotzdem ist ja erst mal der technische Fakt der Halluzination immer noch da.

00:23:10: Wie... gerade wenn ihr sagt, wenn du sagst für das Base-Model, ihr habt da ja Anbindungen an die klassischen Dienste.

00:23:15: Wie verhinderst du denn, dass das irgendwie falsche Informationen euren Portfolienmanagern so als Anlageempfehlung verkauft?

00:23:21: Ja, ja.

00:23:22: Das hatte ich angesprochen, man muss wissen, was die Modelle können, was sie nicht können.

00:23:24: Das ist ein großes Problem der Modelle Halluzination.

00:23:27: Neben neben auch anderen, wie eben nicht Determinismus, das Thema Bias.

00:23:32: Wie gehen wir damit jetzt insbesondere mit dem Thema Halluzination um?

00:23:36: Letztendlich gibt es das Problem, lässt sich nicht komplett vermanagen, das lässt sich nicht komplett ausschließen.

00:23:40: Wir haben zwei Verfahren.

00:23:41: einmal, wie wir das reduziert bekommen.

00:23:43: Wir arbeiten letztendlich gerade für den Assistenten.

00:23:47: in dem Equity-Research-Prozess.

00:23:49: Dort arbeiten wir zu hundert Prozent auf unseren Daten.

00:23:52: Also das Modell hat keine Öffnung nach draußen.

00:23:54: Es werden keine Daten reinkommen, die wir nicht wissen, von welchen Quellen die kommen.

00:23:59: Es werden keine Daten in dieses Modell kommen, wo wir die vielleicht von unseren Quellen kommen, die unwahrsam sein können.

00:24:04: Sondern wir arbeiten genau auf den gleichen Daten, wie unsere Portfolio-Manager ohne die KI auch arbeiten würden.

00:24:09: Und das reduziert das Ganze schon mal sehr, sehr stark, weil die Datenbasis ist endlich im Hintergrund und die Datenbasis ist immer bei KI.

00:24:18: der Faktor von den richtigen Daten, vielleicht sogar noch ein bisschen mehr, die muss stimmen.

00:24:22: Und das stellen wir damit sicher, dass wir nur diese Daten reinlassen, wo wir schon seit vielen Jahren sagen, das sind vertrauenswürdige Daten.

00:24:29: Und dann ist der zweite Schritt, der sehr wichtig ist.

00:24:32: dass die KI hier auch nur ein Assistenzsystem ist.

00:24:36: Und das ist auch die rote Linie, die wir haben, sowohl in den Käse in unserer Investmentbank als auch intern.

00:24:41: Es wird nichts produziert, was exklusiv von der KI irgendwann mal die Bank verlassen wird oder den Kunden erreichen wird.

00:24:47: Am Ende ist das ein Assistenz, ein Vorschlag für den entsprechenden Mitarbeiter.

00:24:51: Und sobald der Mitarbeiter entscheidet, ich gebe das in den weiteren Prozess oder auch auf der Investmentbankenseite, ich sende das an den Kunden, dann hat er mit dem Versenden sozusagen die Haftung übernommen, dass er das gecheckt hat, der das geprüft hat und das Ganze dann auch korrekt ist und an den Kunden gehen kann.

00:25:08: Also das ist sozusagen unsere rote Linie, es wird nichts an Kunden gehen oder in die Prozesse gehen, was nicht vorher durch einen Menschen nochmal gecheckt wurde.

00:25:15: Jetzt verändert sich der Markt ja rasant, also da kommen ständig neue Tools, Technologien ändern sich ständig, ob ich jetzt bei Claude gucke, neue Varianten, Gemini und Co.

00:25:23: alle jetzt mit irgendwelchen Deep Researches, also da kommen ständig neue Features.

00:25:27: Wie stellst du dir sicher, dass da eure Tailor da eigentlich irgendwie out of date ist?

00:25:31: Oder wie viel von deiner Zeit geht so in diese Produktpflege?

00:25:34: Extrem viel, also dass man muss de facto auch immer sehr, sehr stark.

00:25:39: am Markt Connected bleiben und zu sehen, in welche Richtung die neuen Trends gehen.

00:25:43: Wir kooperieren bei dem Thema ja mit Google als Anbieter auf der Cloudseite und auch als Modellanbieter.

00:25:51: Somit sind wir an Google Connected sehen, letztendlich die Trends auf deren Seite und bekommen auch die Trends in der Industrie mit.

00:25:58: Und letztendlich entwickelt sich darüber das Foundation-Modell, was wir im Hintergrund nutzen, ja auch weiter.

00:26:04: Also wenn Google ein Modell-Update bringt, dann wären wir auch sofort das neue Modell theoretisch einsetzen können.

00:26:10: Das machen wir meistens nicht sofort.

00:26:12: Wir haben da auch wieder Testphasen, schauen welche Implikationen hat das, wie verbessern sich die Modelle und dann profitieren wir natürlich dadurch, dass wir das Modell von Google nutzen, dann indirekt auch von der Entwicklung auf der Technologie Seite.

00:26:23: Jetzt geht der Trend gerade sehr, sehr stark von large language Modellen eher in Richtung von sehr spezialisierten KI-Agenten.

00:26:30: kann man jetzt auch diskutieren, was wir da gebaut haben, ist am Ende letztendlich ein KI-Agent eben sehr fokussiert für das Thema Equity Research.

00:26:39: Und ja, also meine Vorstellung ist, dass wir in den nächsten Jahren eine eine eine Plattform bekommen, eine Art Space, wo sehr sehr viele Agenten arbeiten für sehr spezialisierte Anwendungen und wir dann in eine Art Plattform kommen, wo wir eine Plattform der Plattform haben, also eine Plattform der Karriagenten, wo oben Tuber wieder so Master-Agenten laufen, die eben dann die verschiedenen Agenten orchestrieren und wir darüber sehr sehr starke Automatisierungseffekte nochmal sehen werden.

00:27:09: Jetzt gibt es ja auch den EU.

00:27:12: AI Act.

00:27:13: Die BAFIN schaut jetzt bei dem ganzen Thema auch genau hin.

00:27:16: Würdest du sagen, das macht Innovationen auch ein Stück weit kaputt?

00:27:18: oder ist das auch so ein bisschen der Grund, warum so europäische Banken gegenüber US Fintechs beim KI Einsatz so gefühlt so ein bisschen ins Hintertreffen gerade?

00:27:25: Also in den USA ist das Tempo ja nochmal eine andere Sache.

00:27:28: Ja, also gefühlt fühlt sich das Karte so an.

00:27:30: Also definitiv in den USA geht das schneller voran.

00:27:33: Das hat aber nicht nur Kunde, dass das... regulatorische Umfeld einfacher ist, sondern auch, dass das Mindset eher stärker in Richtung Innovation geht.

00:27:41: In USA ist es ja so, wenn einer eine gute Idee hat, dann hat man auf einmal viele Leute, die eben diese EGD treiben.

00:27:48: Und in Deutschland haben wir eher diese German Angst, dieses Mindset-Thema, wo Leute sich dann eher ausbremsen und jeder das irgendwie besser weiß.

00:27:56: Ich glaube, die Regulatorik ist am Ende nicht nur schlecht, ganz im Gegenteil.

00:28:01: Wenn wir jetzt letztendlich von Anfang an diese Regulatorik sauber aufsetzen, dann kann das zukünftig auch ein Vorteil sein, insbesondere wenn es eben halt auch mal zu einem Vorfall kommen sollte in den USA, dann werden wir natürlich dann von dieser Regulatorik auch profitieren.

00:28:17: Und wir haben das auch gesehen.

00:28:19: letztendlich damals bei dem Data Act, da wurde ja eigentlich nur erstmal, und das war ja auch sehr positiv, das Thema Privatsphäre halt gestärkt und man hat ja erst mal geschaut, wie im Gehirn eigentlich Daten, weil Daten wurden auf einmal zum Handelbaren gut.

00:28:33: und dann hat man geschaut, wie im Gehirn eigentlich die Daten, um Daten dann handelbar zu machen.

00:28:36: Das heißt, man muss eigentlich auf die Datenseite gehen der Anbieter und diese Daten hat man keinen Zugang, die sind dann aber handelbar, man weiß, wie man die gehört und kann sich diese Daten einkaufen.

00:28:45: Und da war das sehr, sehr positiv bei dem AI Act.

00:28:48: das wird, hoffe ich, auch noch ein, zwei Interaktionen geben und dann sehe ich eigentlich auch das als positiv an, dass wir dann als Europa eine einheitliche Regulierung haben.

00:28:59: und aktuell ist es so mit unseren Tools sind wir auch da in keiner, also weit weg von irgendwelchen Risikokategorien, wenn über in der untersten Kategorie des AI-Acts und somit ist das Thema für uns auch unkritisch.

00:29:12: Ich bin damals aufmerksam geworden über diese Zusammenarbeit mit Google, die ihr habt.

00:29:15: Ich meine, es ist ja ein nennenswerter Partner, kann man ja so sagen, im AI-Space.

00:29:19: Wenn man jetzt aber mit Asset-Manager und Vermögensverhalten generell redet, machen alle natürlich schon ganz lange ganz viel.

00:29:25: So ein bisschen wie ESG damals, als alle schon seit hundert Jahren Grün waren, sind jetzt schon alle seit ... ... zweitausendfünfzehn geführt im KI-Segment unterwegs.

00:29:32: Also es gibt da einige, die sagen, ja, wir sind da auch ganz weit vorne.

00:29:35: Was macht dich denn so sicher, dass Bernberg da wirklich einen messbaren Vorsprung hat?

00:29:38: Oder wie siehst du dich überhaupt positioniert im Vergleich zu anderen deutschen Playern?

00:29:42: Ja, gute Frage.

00:29:43: Also letztendlich haben wir ja den Vorteil, dass wir mit KI ... bereits Geld verdienen.

00:29:49: Auf den Maschinenlearning-Strategien, wir generieren da Umsätze.

00:29:54: Wir sind da profitabel mit KI.

00:29:56: Wir haben den Track record seit Jahrzehnteinzehntein in diesen Strategien, in der traditioneller KI.

00:30:00: Das heißt, wir verdienen mit KI Geld, wir finanzieren uns mit KI und können das Geld, was wir damit verdienen, auch wieder in KI reinvestieren.

00:30:06: Das macht es natürlich vor dem Management an, auch immer ein bisschen einfacher Themen durchzubekommen.

00:30:12: Ich glaube, wir haben das Thema strategisch gut verankert, dass auch... bis hoch zum Management der Bank, das Thema angekommen ist und das Thema dort auch als strategische Priorität gesehen hat.

00:30:24: Und ich glaube, wir haben als Bärenberg natürlich auch den Vorteil, dass wir eben in unserer Struktur Inhaber geführt sind und somit per Theorie die Entscheidungswege auch schneller sind als in einem großen Universalbank, wo es natürlich andere, größere, komplexere Kremien vielleicht auch gibt.

00:30:38: Und ich glaube, das Thema hilft uns.

00:30:41: sehr, dass wir Zugang zu direkten Entscheidungsträgern haben.

00:30:45: Und wir haben gute Erfahrungen gesammelt jetzt seit dem Jahr.

00:30:49: Wir wissen, wir haben die Infrastruktur.

00:30:50: Wir können diese Infrastruktur jetzt skalieren.

00:30:52: Wir haben die Datenhistorien, die wir brauchen.

00:30:54: Wir haben unser Daten-Ökosystem.

00:30:57: oder KI-Ökosystem sauber aufgebaut, sodass wir daraus, so bedeutet Datenmanagement, Dateninfrastruktur, KI-Infrastruktur, Cloud, das Ganze aber auch in einem regulatorischen, gemonitorten und sichernen Rahmen.

00:31:12: Und ich glaube, daraus können wir jetzt skalieren und das würde stimmlich sehr positiv, dass wir da auch richtig aufgestellt sind.

00:31:21: Ja, ich glaube, immer von dem Business auszugehen ist tatsächlich auch ein Schlüssel.

00:31:26: Wir sind in unserem, wir wissen in welchen Business wir, wo wir gut sind und wenn wir das Business weiter verbessern, jetzt über Technologie, dann können wir diesen Vorsprung mit Sicherheit auch weiter ausbauen oder zumindest halten.

00:31:38: Da bin ich ja überzeugt von.

00:31:39: Noch mal ein paar persönliche Sachen jetzt so auf der Zieh geraten.

00:31:42: Du promovierst nebenbei über Human AI Collaboration.

00:31:46: Was ist denn deine wichtigste Erkenntnis?

00:31:48: Wo funktioniert die Zusammenarbeit und wo wird sie vielleicht auch überschätzt?

00:31:51: Ja, also letztendlich sind das genau die Themen, die ich eben bei der angesprochen habe, was für die kerne Herausforderungen sind, dass der Mensch letztendlich die Technologie annimmt.

00:32:03: Und die Synergien sind da riesig zwischen der Arbeit hier bei Bärenberg und auch der Arbeiter in der Forschung.

00:32:09: Das, was wir gerade zum Thema so zu technische Aspekte sehen, weil man Digitalisierung einführt, wie KI, wie reagieren Menschen Ängste, wie kriegt man die Themen dann adaptiert.

00:32:19: Und das Thema letztendlich hat super viel in der Synergien.

00:32:22: Ich kann das, was man bei Bärenberg sieht, mit dem die Forschung einbringen, auch teilweise die Daten, die wir hier erheben können oder das Feedback der Mitarbeiter.

00:32:31: dass man, was man aus der Forschung sieht, das ist ja noch ein recht neues Forschungsfeld.

00:32:34: Generative Kalie gibt es ja jetzt auch noch nicht so lange.

00:32:36: Das kann man auch wieder bei Birnberg sehr stark einbringen.

00:32:39: Und ich denke, das sieht man ja tatsächlich auch in der Industrie jetzt immer häufiger, dass man auf der Technologieseite Kooperationen auch mit Universitäten mehr und mehr sieht, immer mehr Akademiker, dann auch gerade auf der quantitativen Seite, auf der westen Seite mit in die Banken oder in die... in die Asset Manager reingehen.

00:32:56: und ja, also die Synergien sind groß.

00:32:58: und wir sehen genau das was wir bei Bärenberg sehen und beschäftigen und sowohl in der Forschung als in der Praxis damit, wie kriegen wir diese Tools eben in die Organisation reingetragen, wie kriegt man diese KI-Transformation hin, wie bekommt man die Organisation so aufgesetzt, dass die Leute sich davon nicht bedroht fühlen, sondern die dafür nutzen und eher die Frage stellen nicht, was bedeutet das jetzt für mich, was kann schief laufen, sondern die Frage stellen, Wie kann mir das helfen und was ist eigentlich der Impact?

00:33:24: Meinst

00:33:25: du es nur in zehn Jahren noch Portfolio-Manager geben, die keine KI nutzen oder sind das in so einer Lebensforsilien?

00:33:32: Also ich glaube jeder wird in irgendeiner Form KI nutzen und ich glaube das sollte heute eigentlich auch schon der Fall sein.

00:33:40: Ich glaube KI wird den Portfolio-Manager nicht ablösen, aber KI wird den Portfolio-Manager ablösen, der keine KI nutzt.

00:33:50: Das ist, glaube ich, ganz klar.

00:33:52: Und was ich eben noch ergänzen wollte, das zur Forschung auch.

00:33:55: Das Wichtige ist ja, was man sehr stark beobachtet und das beobachtet man Industrie übergreifen.

00:34:00: Das hat gar nichts mit der Finanzindustrie zu tun.

00:34:02: Wir Menschen haben ja extreme Toleranz, dass Menschen Fehler machen.

00:34:06: Also das gibt ja auch das Sprichwort Menschen machen Fehler.

00:34:09: Aber wir haben de facto keine Toleranz, dass Maschinen Fehler machen.

00:34:13: Und das ist eine ganz spannende Frage.

00:34:16: und der mal nachzugeben, warum ist das so?

00:34:19: Warum akzeptieren wir eigentlich nicht, dass eine Maschine auch mal einen Fehler machen kann?

00:34:22: Haben

00:34:22: wir aber, vielleicht ist es aber auch so, dass wir gar keine Angst davor haben, dass es Fehler macht, sondern ich höre immer mal wieder, dass das für viele Leute einfach so eine Blackbox ist, dass sie nicht nachvollziehen können, wie es zu dieser Entscheidung kommt.

00:34:32: Ist das nicht vielleicht auch ein Stück weit das Problem?

00:34:34: Klar.

00:34:35: Also das ist ein Problem, das andere, der dieser Nicht-Determinismus, das eins und eins nicht mehr genau zwei ist, sondern, dass man so eine gewisse Variabilität zulassen muss, dass man mal irgendwo bei uns, neun oder auch bei zwei, eins rauskommt.

00:34:49: Und das, so sind wir halt nicht evolutionär, nicht groß geworden.

00:34:53: Wir brauchen immer, oder wir... Schätzen immer, wenn man Entscheidungen unter sehr starker Sicherheit schätzen kann.

00:35:01: Und diese Variabilität, dass das halt jetzt nicht mehr eins und eins direkt zwei ist, sondern auch mal abweichen kann, damit kommen wir nicht zu Recht.

00:35:07: Und das Blackbox-Thema ja, das haben wir auch gelernt in der Vergangenheit, gerade auch auf der Investmentseite oder auf der Vertriebsseite dieser Investmentstrategien, dass der Vertrieb schwierig ist, wenn man natürlich nicht erklären kann, warum eine Investmententscheidung stattgefunden hat.

00:35:22: Es gibt aber auch heute Methoden, wie man KI zum gewissen Grad zumindest erklärbarer machen kann und das haben wir auch implementiert.

00:35:30: also wenn bei uns jetzt ein kunde anrufen würde wieso habt ihr denn jetzt hier diesen diesen hatch aufgebaut oder diese position aufgebaut?

00:35:37: dann können wir das zumindest nicht zu hundert prozent aber wir können zumindest die zugrunde liegenden informationen zur verfügung stellen die eben diesen diese positionierung dann ausgelöst haben.

00:35:47: und das das reicht dann auch schon.

00:35:49: also das akzeptiert der kunde und ich glaube auch hier ist es wieder eine meinzeit.

00:35:53: frage wir nutzen ja eben k i um Muster zu erkennen, die der Mensch vielleicht eben nicht mehr sieht.

00:36:00: Und dass wir die dann auch exposed für uns zu komplex ist, das dann wieder herzuleiten.

00:36:05: Das ist dann so ein bisschen schwierig.

00:36:08: Also wir setzen es um einen ein, weil wir Muster erkennen wollen, die für uns zu komplex sind.

00:36:12: Auf der anderen Seite wollen wir es dann aber auch wieder erklärt haben, wieso die Kaidas jetzt gemacht hat.

00:36:16: Und ich glaube, hier braucht es einfach noch so den kleinen Weg der Etappierung, der sage ich mal Komoditisierung, dass das Ganze einfach normal wird, dass wir KI nutzen und auch uns auf solche Modelle verlassen und das wird dabei, denke ich, in den nächsten Jahren passieren.

00:36:30: Ich fand den Gedanken jetzt ganz spannend, auch wenn es nochmal fast ein großes Thema jetzt zum Schluss ist, aber ich will es zumindest nochmal ansprechen.

00:36:35: Wenn du gerade sagst, wir Menschen führen uns dann stückweit unwohl mit, was das jetzt sehr plakativ gesagt, als eins plus eins, auch mal eins, neun oder zwei, eins sein könnte und da müssen wir uns mal dran gewöhnen, aber ich frage also so, dass es auch diese Varianz gibt in... oder so eine gewisse Abweichung in der Archibiti und Kurve.

00:36:51: Ich meine, auch wenn man da was fragt, man kriegt ja jedes mal eine andere Antwort.

00:36:54: Man wird nie die Identi schon noch mal kriegen.

00:36:56: Können wir Menschen das überhaupt?

00:36:57: Also, ich meine, das ist ja ein Denken, was über Jahrtausende so drin ist, dieses Sicherheitsdenken auch.

00:37:04: Also, ich denke mal manchmal... Wir haben ja heute schon eine ganz andere Lebensrealität als früher, was zum Beispiel auch die Erreichbarkeit von News angeht.

00:37:10: Früher hast du am nächsten Tag gelesen, wenn irgendwo in USA was passiert ist.

00:37:15: Heute habe ich das zwanzig Sekunden später im Livestream auf X oder so drauf.

00:37:18: Das ist ja auch schon was, wo wir Menschen mit diesem Stress ein Stück weit weniger klar kommen, aber das ist nochmal ein anderes Level als eigentlich die grundlegenden Denkmechanismen anzupassen oder nicht.

00:37:28: Ja.

00:37:29: ist de facto so.

00:37:30: aber auch hier wieder von der Maschine erwartet man das dann genau eins Komma nur raus kommt wenn wenn ich jetzt letztendlich dich bitten würde meinen letzten Satz einmal zu wiederholen dann würde es denen wahrscheinlich wiederholen aber der würde auch nicht zu hundert prozent exakt sich genauso anhören sondern der hätte auch eine gewisse variabilität.

00:37:46: aber inhaltlich würdest du das wahrscheinlich genauso korrekt wiedergeben und das akzeptieren alle und von der Maschine will man dann eins zu eins genau das gleiche sehen und ich glaube Da müssen wir einfach ein bisschen freimachen.

00:38:00: Immer in dem Bewusstsein, dass die Maschine eben diesen Risiken der Halluzination oder den anderen genannten Risiken unterliegt.

00:38:08: Und dementsprechend immer natürlich nochmal einen Check da zu überlegen.

00:38:13: Der muss aktuell doch menschlich sein.

00:38:15: Aber dann, glaube ich, kann man damit sehr, sehr gut arbeiten und dem sehr, sehr gut vertrauen.

00:38:20: Nico, die letzte Frage zum Schluss, die ich allen Gästen stelle, bei dir war etwas abgewandelt.

00:38:24: Wenn du eine Regel für den Umgang mit KI in Banken erlassen könntest, die alle befolgen müssten, welche wäre das und warum?

00:38:31: Ja, das ist eine tolle Frage.

00:38:33: Ich würde auch hier wieder bei dem Mindset anfangen.

00:38:37: Ich würde sagen, jedem sollten wir verpflichten das Thema KI.

00:38:42: in seinen Arbeitsalltag zu implementieren und jedem Teamleiter, seinen Mitarbeitern ganz klar den Auftrag zu geben.

00:38:48: Jeden einzelnen Prozess, jede einzelne To-do, immer mit dem Hintergrund, wie kann uns KI hier helfen?

00:38:57: Wie kann KI uns hier effizienter machen und wie kann letztendlich dieser Prozess besser werden?

00:39:03: Weil was dazu ja zu das führt, das führt dazu, dass letztendlich große Teile, von unserer täglichen Arbeit aktuell, die uns nerven, die uns keinen Spaß machen, die hochart administrativ sind, dass die eben wegfallen und auch heute schon wegfallen.

00:39:18: Und wir eben die Zeit wieder bekommen, uns für die wichtigen Themen, die letztendlich im investieren Alpha generieren, die auf der Vertriebseite Assets letztendlich generieren, die auf der Produktdevelopment Seite vielleicht unser Produkt, unsere Dienstleistung von morgen definieren und erfinden.

00:39:34: Dafür kriegen wir auf einmal Zeit und diese Zeit kriegen wir geschenkt, also KI schenkt uns an der Stelle Zeit.

00:39:39: Dementsprechend würde ich versuchen, alles was wir heute schon automatisieren können, damit zu automatisieren.

00:39:44: und dann nochmal zu dem Thema fallen da Jobs weg.

00:39:48: Ich glaube nicht, es werden Jobs wegfallen, es wird aber auch Neue geben, weil das würde ja unterstellen, dass wir alles was wir erfinden können schon erfunden haben.

00:39:55: und wir kriegen jetzt eben die Zeit, um eben die Investmentwelt oder die Welt von morgens zu erfinden.

00:40:00: und dazu wird KI führen.

00:40:01: und das ist doch ein super Ausblick.

00:40:03: Nico, richtig spannender Einblick.

00:40:04: Vielen Dank auch nochmal für das dann doch recht positive und versöhnliche Schlusswort, dass alle da nochmal anfangen sollten, KI zu implementieren.

00:40:11: Gute Sache.

00:40:11: Vielleicht fangen wir mal an, machen so ein großes Frankfurt-KI-Bootcamp zusammen mit das Investment.

00:40:16: Können wir mal darüber nachdenken.

00:40:17: Vielen Dank.

00:40:18: Und da wird so viel passieren, dass wir sicherlich auch nochmal irgendwann Update machen

00:40:21: können.

00:40:21: Ja, super gerne.

00:40:22: Herzlichen Dank.