Die KI-Revolution: Was bedeutet sie für Privat Assets Anleger?

In einigen Branchen werden die unmittelbaren Auswirkungen der künstlichen Intelligenz (KI) massiver Art sein. Bei einzelnen Unternehmen hat KI bereits den Betrieb von Grund auf verändert.

In den meisten anderen Branchen – einschließlich der Privat Assets Investitionen – dürften fast alle Fachkräfte in den kommenden sechs Monaten eine Produktivitätssteigerung verzeichnen. Allerdings wird KI ihre Tätigkeiten nicht vollständig revolutionieren. 

Zumindest vorerst noch nicht.

Große Sprachmodelle und ihre grundlegenden Eigenschaften

Große Sprachmodelle (Large Language Models, LLM) sind die KI-Untergruppe, die derzeit am häufigsten bei Privat Assets Investitionen eingesetzt wird. Diese Modelle enthalten Milliarden von Parametern und basieren auf großen Mengen von Textdaten aus dem Internet. Sie eignen sich auf hervorragende Weise zur Lösung von Problemen rund um die menschliche Sprache, wie etwa zur Erstellung von Texten und Zusammenfassungen oder für Übersetzungen.

Ein Schlüsselaspekt dieser Modelle ist ihre grundlegende Eigenschaft. Letztere macht es möglich, die von den großen Technologieunternehmen erstellten allgemeinen Sprachmodelle für die Lösung spezieller Probleme anzupassen. Wichtig ist dabei, dass diese Art der Feinjustierung lediglich eines Bruchteils der Rechenleistung und Datenperformance der Ausgangsmodelle bedarf.

Wie werden Privat Assets Investoren KI nutzen?

On-Desk-Tools – wie der firmeninterne Chatbot „Genie“ von Schroders – werden die Art von KI-Produktivitätssteigerung vorantreiben, die Auswirkungen auf die meisten Menschen hat. Diese Anfangsphase der KI-Revolution ist in etwa vergleichbar mit der Auswirkung, die Computer oder Tabellenkalkulationen auf die Branche hatten.

So kommen die unterstützte Textverfassung, Gestaltung von Präsentationen, Zusammenfassung und Kodierung bereits in wichtigen Tools von Unternehmen zum Einsatz und haben sich mittlerweile auch schon recht gut bewährt.

Werden Basismodelle mit anderen Funktionen und eigenen Daten kombiniert, kann dies ihren Wert um ein Vielfaches steigern und neue Lösungen für zeitaufwändige Aufgaben kreieren. Verknüpft man diese Modelle mit anderen Funktionen (z. B. mit der Möglichkeit, Berechnungen durchzuführen) und mit eigenen Daten (z. B. mit internen Dokumenten), verringert sich das Risiko der so genannten „Halluzination“, d. h. der Tendenz großer Sprachmodelle, bisweilen falsche Antworten zu liefern, ganz erheblich. In einigen Fällen kann es sogar ganz eliminiert werden.

Privat Assets Anleger haben eine enorme Menge an Informationen zu verarbeiten, die aus Berichten der General Partner (GP), Unternehmensberichten, Branchenstudien, Nachrichtenartikeln und Marktdaten stammen. Durch Massenextraktion dieser unstrukturierten Informationen, die durch LLM erleichtert wird, können Anleger Unwichtiges herausfiltern und sich auf die wesentlichen Informationen konzentrieren.

Eine seit langem bestehende Herausforderung für PE-Investoren ist die Erstellung einer „Vergleichsliste“ für Bewertungszwecke. Bislang stützte man sich dabei auf Sektorklassifizierungen und auf die geografische Lage der Geschäftstätigkeit, um vergleichbare Unternehmen für Investitionen zu identifizieren. Nun besteht jedoch die Möglichkeit, die Inhalte der Unternehmenswebseiten in Verbindung mit LLM zu nutzen, um mittels des sogenannten „Similarty Mapping“ Ähnlichkeiten auf differenzierte Weise zu ermitteln, woraus sich eine aussagekräftigere Liste an Investitionsmöglichkeiten ergibt. Und all das in Rekordschnelligkeit.

Bald werden wir KI-gesteuerte Datenräume erleben, in denen ein KI-Assistent Zugang zu allen Dokumenten und Informationen hat und in der Lage ist, Inhalte schnell zusammenzufassen, Fragen zu beantworten und sogar auf die wichtigsten Punkte hinzuweisen. Dadurch kann die Due Diligence noch umfassender und schneller erfolgen und Zeit gespart werden.

Wie werden sich Anleger, Fondsmanager, Anlagegesellschaften und Dienstleister anpassen?

Die Unternehmen, die künftig am Markt eine führende Position einnehmen werden, sind all diejenigen, die die technischen Herausforderungen meistern können, welche sich bei der Verknüpfung von Basismodellen mit internen Daten ergeben, ihre Mitarbeiter schnell schulen und dazu befähigen können, KI als Instrument für mehr Produktivität zu nutzen, und unternehmensweit eine Innovationskultur fördern. Ferner werden Unternehmen, die strategische Partnerschaften mit führenden Technologieanbietern eingehen, als Vorreiter einen wichtigen Wettbewerbsvorteil haben, denn sie erhalten Zugang zu den neuesten Modellen und den für sie zuständigen Ingenieuren. Zu guter Letzt lehrt uns die Erfahrung, dass technische Fähigkeiten wie Datenwissenschaften mehr Auswirkungen auf Unternehmen haben, wenn sie fester Bestandteil der Anlageteams sind. KI wird diesbezüglich keine Ausnahme bilden.

Wie die Softwarebranche lässt sich die generative KI in eine Modell- und eine Anwendungsebene unterteilen. Schon jetzt gibt es zahlreiche, auf den Basismodellen aufbauende Tools. Ein Beispiel hierfür ist der kürzlich angekündigte Co-Pilot von Microsoft Office für Büroaufgaben oder der Github Copilot für die Programmierung.

In nicht allzu ferner Zukunft werden viele, für Unternehmen nützliche Tools von externen Anbietern bereitgestellt werden. Unternehmensspezifische Werkzeuge, die einen Wettbewerbsvorteil bieten können, werden dagegen intern entwickelt werden. Externe Tools werden zum Standard für die Geschäftsabwicklung in Unternehmen werden. Der Wettbewerbsvorteil wird jedoch in den internen Tools begründet sein.

Durch die Automatisierung von Routineaufgaben und repetitiven Tasks kann die KI die Produktivität erheblich steigern und menschliche Arbeitskräfte für komplexere und kreativere Aufgaben freisetzen, die des menschlichen Einfallsreichtums bedürfen.

Grenzen und Herausforderungen

Wenngleich KI das Potenzial hat, Privat Assets Investitionen zu revolutionieren, sollte man die damit einhergehenden Risiken nicht ignorieren.

Im Großen und Ganzen gibt es drei Kategorien von „nicht KI-fähigen“ Aufgaben, bei denen der Mensch „eingebunden“ werden muss, wenn es darum geht wichtige Entscheidungen zu treffen.

Diese Fähigkeiten sind schon jetzt unerlässlich für Anleger und werden in Zukunft noch wichtiger werden, während KI bei anderen Aufgaben Hilfestellung leistet.

Ein menschenzentrierter Ansatz kann das KI-System überwachen und sicherstellen, dass die Ergebnisse korrekt und nachvollziehbar sind. Abgesehen davon ist es wichtig, die Grenzen der Technologie zu erkennen: Obgleich KI große Datenmengen analysieren und Muster erkennen kann, ist sie keine Lösung wie von Zauberhand und auch keineswegs fehlerfrei.

Überlegungen zu rechtlichen Aspekten, Datenschutz und Sicherheit sind eine Grundvoraussetzung, denn auch KI-Systeme müssen gesetzliche Vorschriften und ethische Richtlinien einhalten. Letztlich sind hierfür Governance-Mechanismen unabdingbar, um Anwendungsfälle zu bewerten und zu genehmigen und so sicherzustellen, dass KI auf verantwortungsvolle Weise eingesetzt wird.Durch die sorgfältige Abwägung dieser Risiken und die Umsetzung geeigneter Schutzmaßnahmen können Privatmarktanleger von den Vorteilen der künstlichen Intelligenz profitieren und zugleich ihre potenziellen Nachteile auf ein Minimum beschränken.

Autor James Ellison ist Head of Private Assets Data Insights bei Schroders.