KI in der Finanzanalyse ist in einem regulierten Institut tatsächlich nützlich. Ihr realer Nutzen ist jedoch enger und spezifischer, als das Marketing vermuten lässt. In der Praxis kann sie vier Dinge gut: Varianzanalyse, Anomalieerkennung, Dokumentenextraktion und die analytische Schicht des Reporting. Keines davon ersetzt den Controller. Sie verkürzen den Weg von einer Frage zu einer belastbaren Antwort.
Beginnen Sie mit Varianzanalyse und Anomalieerkennung, denn dort ist der Ertrag am unmittelbarsten. Ein Modell kann eine NAV-Datei lesen und die Position markieren, die sich stärker bewegt hat als ihre Vergleichsgruppe, die Gebührenabgrenzung, die nicht mehr stimmt, oder die Anteilsklasse, deren Performance von ihren Geschwistern abweicht. Es entscheidet nicht, dass eines davon falsch ist; es legt die Kandidaten offen, nach denen ein Senior-Analyst sonst von Hand sucht. Die Arbeit verlagert sich vom Finden der Ausnahmen zum Beurteilen.
Dokumentenextraktion ist der zweite Anwendungsfall, und derjenige, den die meisten Teams unterschätzen. Zeichnungsdokumente, KYC-Unterlagen, Depotauszüge und Kontrahentenverträge enthalten strukturierte Informationen in unstrukturierter Form. Ein Modell kann die relevanten Felder in Sekunden in eine prüfbare Tabelle überführen. Der ehrliche Vorbehalt: Extraktion ist probabilistisch. Sie braucht einen Konfidenzschwellenwert und darüber einen menschlichen Prüfpunkt, gerade dort, wo ein Feld in einen regulierten Prozess einfliesst. So eingesetzt, nimmt sie die Übertragung ab, nicht die Verantwortung.
Der dritte Anwendungsfall ist die analytische Schicht des Reporting, und hier zählt die Reihenfolge der Arbeit mehr als das Modell. In der Factsheet-Pipeline der IST Investmentstiftung, live seit Oktober 2025, ist das Fundament deterministisch: eine kontrollierte Berechnungsschicht, bei jedem Lauf auf falsch skalierte Werte und unvollständige Zeilen geprüft. Dieses Fundament muss stehen, bevor KI darauf eine Rolle verdient: Kommentare entwerfen, die eine Person bearbeitet, die Ausnahmen erklären, die eine Berechnung auswirft, die Zahlen markieren, die einen zweiten Blick verdienen. Die Kernberechnung bleibt deterministisch und nachvollziehbar. Die KI sitzt darum herum, nicht darin.
Genau hier zeigen sich auch die Grenzen. KI in der Finanzanalyse interpretiert keine FINMA-Erwartung, sie trägt kein regulatorisches Urteil und sie übernimmt keine Verantwortung für eine Zahl, die an Investoren geht. Der Controller zeichnet weiterhin ab. Was sich ändert, ist, womit er seine Zeit verbringt: weniger manuelle Abstimmung und Übertragung, mehr von dem Urteil, das wirklich eine qualifizierte Person verlangt. Ein Werkzeug, das diese Linie verwischt, das die Freigabe automatisch erscheinen lässt, ist ein Risiko, kein Fortschritt.
Das Muster, das funktioniert, ist unspektakulär. Bauen Sie die analytische Schicht in Ihrer eigenen Umgebung auf, auf dem Stack, den Sie ohnehin betreiben, mit Logging- und Review-Hooks, die ein Compliance-Officer tatsächlich nutzen kann. Beginnen Sie mit einem Workflow, dessen Baseline Sie heute messen können, damit die Verbesserung beweisbar ist und nicht nur behauptet. Behandeln Sie das Modell als Verstärkung für Menschen, die die Zahlen bereits verstehen, nicht als Ersatz für dieses Verständnis. So gemacht, hört KI in der Finanzanalyse auf, ein Slogan zu sein, und wird zu einem weiteren verlässlichen Teil des operativen Stacks.