Wenn die KI ins Depot schaut

Die Order ist der letzte Schritt

Scalable Capital hat nach eigenen Angaben als erste europäische Bank seine Plattform Ende August für externe KI-Assistenten wie ChatGPT, Claude und Grok geöffnet. Nach entsprechender Freigabe können sie Portfolioinformationen und Marktdaten abrufen, Wertpapiere suchen, Watchlists und Preisalarme verwalten, Sparpläne vorbereiten und Kauf- oder Verkaufsorders anlegen. Vor sensiblen Handlungen bleibt derzeit eine ausdrückliche Bestätigung vorgesehen.

„Vom Prompt zur Order“ ist natürlich der Teil, der sofort hängen bleibt. Spannender finde ich jedoch:

Die KI muss nicht mehr darauf warten, dass ich ihr mein Depot hochlade. Sie kann jetzt selbst nachsehen.

Damit beginnt sich ein Problem zu lösen, das mich bei KI-unterstützten Investmentanalysen seit mehr als einem Jahr begleitet: die Informationsversorgung. Sie wird bei Scalable weniger zeitaufwendig, weniger repetitiv und zugleich aktueller.

Die vorbereitete Order ist dabei erst der letzte Schritt. Ob sie auf einem guten Urteil beruht, hängt allerdings davon ab, was davor passiert.

Der mühsame Teil liegt oft vor der Analyse

Ein erstaunlich großer Teil des KI-unterstützten Investierens besteht nämlich gar nicht aus Analyse. Er besteht nach wie vor darin, die Voraussetzungen dafür regelmäßig händisch neu herzustellen.

Dazu muss ich Geschäftsberichte hochladen, Quartalszahlen zusammenführen, Stückzahlen und Einstandskurse erklären. Hinzu kommen Depotgewichtungen, aktuelle Alternativen und persönliche Regeln. Vieles davon ist vorhanden. Es liegt nur an unterschiedlichen Orten.

Das funktioniert, aber besonders elegant ist es nicht. Vor allem ist es repetitiv.

Die Qualität einer KI-Analyse hängt allerdings beträchtlich davon ab, welchen Kontext ich ihr überhaupt mitgebe, weshalb sich dieser Aufwand durchaus lohnt.

Ein Analysten-Update, drei To-dos

Ein Beispiel aus meinem Deutsche-Bank-Tracking zeigt recht gut, wie KI-unterstütztes Investieren derzeit noch funktioniert. Im AAA-Podcast höre ich, dass Goldman Sachs seine Einschätzung zur Deutschen Bank geändert hat. Um zu verstehen, was sich tatsächlich verändert hat, suche ich anschließend auf finanzen.net nach dem Analysten-Update, mache einen Screenshot und lade ihn in mein bestehendes Tracking.

Erst dort kann die neue Information mit den bisherigen Quartalszahlen, der Investmentthese und meiner eigenen Position verbunden werden. Die eigentliche Meldung ist schnell zusammengefasst: Goldman stuft die Aktie von Neutral auf Buy hoch, erhöht das Kursziel von 37,00 € auf 43,75 € und spricht vom Beginn einer „Ära höherer Profitabilität“.

Ich halte die Aktie seit 2022 zu einem Einstandskurs von 10,85 Euro. Die neue Information trifft daher auf eine bereits dokumentierte Investmentthese.

Die darauffolgende KI-Einordnung geht bereits weiter:

Das Ergebnis ist deutlich positiv, was angesichts des Inhalts der Goldman-Note nicht überrascht. Gleichzeitig bleiben mit Taleb und Graham zwei Perspektiven zurückhaltender, das Wort „Compounder“ wird an weitere Jahre stabil hoher Profitabilität geknüpft und aus der neuen Information entsteht keine neue Order.

Der günstige Einstand gehört dabei zur Entscheidungshistorie, ersetzt aber nicht die Prüfung, ob Bewertung, Investmentthese und Portfoliofunktion das weitere Halten rechtfertigen.

Die Einordnung ist brauchbar. Der Weg dorthin bleibt mit Podcast, Website und Screenshot erstaunlich manuell.

Ein Depot ist Kontext. Aber noch nicht alles.

Ein Broker kennt mit meinem Depot noch lange nicht meine gesamte finanzielle Situation. Andere Depots, Liquiditätsreserven, Kredite, Immobilien, Einkommen, laufende Verpflichtungen oder der konkrete Zweck eines Vermögensbausteins liegen sehr wahrscheinlich außerhalb seines Blickfelds.

Eine Position kann innerhalb eines einzelnen Depots groß wirken und im Gesamtvermögen eine ganz andere Bedeutung haben. Eine hohe Cashquote kann Ausdruck von Unsicherheit sein oder bereits für eine absehbare Verpflichtung bereitstehen. Dieselben Daten erzählen je nach Zusammenhang unterschiedliche Geschichten.

Der direkte Depotzugang verringert Kontextverlust, beseitigt ihn aber nicht.

Hinzu kommt eine zweite Grenze. Das Depot zeigt, was ich besitze und was ich getan habe. Es erklärt aber noch nicht zuverlässig, warum ich es getan habe. Stückzahl, Einstandskurs und Transaktionsdatum ersetzen keine Investmentthese. Gerade bei länger gehaltenen Positionen ist diese Entscheidungshistorie maßgebend: Welche Annahmen galten beim Kauf? Was hat sich seither bestätigt? Wo hat sich die Realität von der ursprünglichen Geschichte entfernt?

Nicht jede KI muss die Welt neu lesen

Scalable verbindet bereits zwei wichtige Enden einer möglichen Entscheidungskette: den persönlichen Portfolio-Kontext und die technische Ausführung. Dazwischen stellt die Plattform Teile von Markt- und Newsinformationen bereit.

Für eine fundierte Unternehmensanalyse brauche ich jedoch weiterhin Quartalszahlen, Geschäftsberichte, Analysteneinschätzungen und Managementaussagen. In der derzeit öffentlich dokumentierten Funktionalität sehe ich keine vergleichbar tiefe Investor-Relations-Schicht, die beispielsweise einen aktuellen Halbjahresbericht, ein Financial Supplement und mehrere Vorquartale automatisch sauber zusammenführt.

Auch der Marktkontext reicht weiter als Kurse, Charts und Nachrichten zu einer einzelnen ISIN. Zinsen, Regulierung, Wettbewerber, Sektorbewegungen, Makro und Geopolitik können mehrere Positionen gleichzeitig betreffen. Erst aus vielen einzelnen Informationen entsteht langsam ein brauchbares Marktbild.

Scalable hat demnach kein vollständiges KI-Investmentsystem gebaut und behauptet das auch gar nicht. MCP und CLI sind technische Schnittstellen zu externen KI-Anwendungen. Aber die Plattform beginnt, das Portfolio-Kontext-Problem zu lösen. Dieser Baustein kann schon für Analyse und Abwägung enorm wertvoll sein, selbst wenn ich nie eine Order über einen Agenten abschicken lasse.

Unternehmens- und Marktinformationen lassen sich von jeder persönlichen KI selbst recherchieren. Auf Dauer wäre es allerdings ineffizient, wenn zukünftig zehntausende Anleger dieselben Unternehmensmeldungen, Zentralbanktexte und Branchennews immer wieder suchen, lesen und zusammenfassen ließen.

Eine gute Research-Abteilung erfüllt eine andere Funktion als ein weiterer Datenfeed. Sie sucht, filtert, verifiziert, strukturiert, verdichtet und ordnet ein. Newsletter von unterschiedlichsten Anbietern, sei es gratis oder entgeltlich, sind dafür gute Beispiele. Jemand hat vorher entschieden, was relevant ist, Zusammenhänge hergestellt und aus einem großen Informationsraum einen kleineren, brauchbareren Kontext gebaut.

Nicht jede persönliche KI muss die Welt jeden Morgen von Neuem lesen.

Eine gemeinsame Research-Schicht könnte Informationen einmal hochwertig verdichten und vielen persönlichen KIs strukturiert zur Verfügung stellen – mit Quellenverweisen und der Möglichkeit, bei Bedarf wieder zur Primärquelle hinunterzugehen. Deep Research bliebe wichtig, müsste aber nicht für jede Standardfrage der Default sein.

Die beste persönliche Investment-KI wäre schlussendlich jene, die am wenigsten Unnötiges lesen muss.

Informationen haben keine Strategie

Bis hierhin geht es im Wesentlichen darum, was ein System wissen sollte. Damit ist aber noch nicht beantwortet, was aus diesem Wissen folgen soll.

Dasselbe Informationspaket kann für einen passiven Anleger, einen Value-Investor, eine Momentumstrategie oder ein quantitatives Risikomodell zu völlig anderen Entscheidungen führen. Das Modell liefert Fähigkeiten. Der Kontext liefert Informationen. Die Strategie gibt beidem eine Ordnung.

Gerade hier sollte Widerspruch ein Teil des Auftrags sein. Nicht als Fundamentalopposition und nicht als künstliches Rollenspiel, sondern als ernsthafte Prüfung dessen, was gegen eine Handlung spricht.

VFG wäre an dieser Stelle eine Entscheidungsarchitektur unter vielen. Andere Anleger werden andere Logiken wählen: passive Allokationen, klassische Value-Ansätze, Momentum oder Modelle, die wir heute noch gar nicht kennen.

Welche Ordnung auch immer man wählt: Ausschlaggebend ist, dass ihr Weg zum Urteil später noch nachvollziehbar bleibt, um Feedbackschleifen und Lernen zu ermöglichen.

Ich möchte später rekonstruieren können, welche Informationen wesentlich waren, welche Gegenargumente geprüft wurden, welche Alternative einschließlich Nichtstun auf dem Tisch lag und warum eine Entscheidung innerhalb des damaligen Denkrahmens vernünftig erschien.

Sonst habe ich zwar Automatisierung, aber kaum Lernfähigkeit.

Mehr Analyse. Weniger Trades.

Parallel dazu hat sich auch mein tatsächliches Investieren verändert. Ich prüfe heute mehr Informationen als früher, handle aber deutlich seltener.

Die Zahl meiner diskretionären Käufe und Verkäufe hat sich vom ersten vollständig dokumentierten Jahr 2022 bis 2025 von 68 auf 31 mehr als halbiert. Bis Anfang September 2026 waren es überhaupt erst vier. Eine einfache Kausalität lässt sich daraus natürlich nicht ableiten. Erfahrung, ein größerer Kapitalstock und die heutige Phase meines Portfolios spielen ebenfalls eine Rolle.

Weniger Trades bedeutet dabei nicht, dass ich weniger investiere. Gesunken ist lediglich die Zahl jener Entscheidungen, mit denen ich in dieses Grundsystem aktiv eingreife.

Je besser die Analysen wurden, desto weniger interessierte mich ein weiteres Kaufsignal – auch weil ich das Rauschen besser einordnen konnte.

Wichtiger wurde die Frage, ob sich an einer bestehenden Investmentthese überhaupt etwas Wesentliches verändert hat – und ob das bestehende System nicht einfach weiterarbeiten sollte.

Zwischen Information und Order

Persönlicher Kontext, externe Informationen und die eigene Entscheidungslogik sind zunächst drei unterschiedliche Inputs. Keiner folgt zwingend aus dem anderen. Erst gemeinsam ermöglichen sie ein Urteil – und selbst daraus muss noch lange keine Order entstehen.

„System arbeiten lassen“ ist dabei keineswegs mit Nichtinvestieren gleichzusetzen. Der Basis-Sparplan läuft weiter, bestehende Positionen bleiben investiert und definierte Entwicklungen werden beobachtet. Im Buch habe ich diese Robustheitslogik in einem einfachen Satz zusammengefasst: Je weniger ein System zwingend benötigt, desto robuster wird es.

Ein bisschen Reibung schadet nicht

Die Bequemlichkeit des neuen Systems ist zunächst ein klarer Vorteil. Weniger repetitive Arbeit schafft mehr Zeit für die eigentliche Auseinandersetzung.

Beim Investieren ist weniger Reibung allerdings nicht unter allen Umständen besser, denn auch Tagesrauschen lässt sich plötzlich ausgesprochen überzeugend personalisieren.

Die technische Bestätigung vor einer Order ist deshalb wichtig. Sie löst die intellektuelle Frage aber noch nicht. Eine letzte Freigabe durch den Menschen ist nicht zwingend eine menschliche Entscheidung.

Wenn die KI völlig autonom Auswahl, Analyse, Gewichtung der Argumente, Handlungsvorschlag und Ordervorbereitung übernimmt, kann die abschließende Bestätigung zur bloßen Absolution werden.

Der Mensch wird zur Klickmaschine.

Daher braucht ein gutes System nicht möglichst wenig oder viel Reibung, sondern die richtige Reibung. Repetitive Informationsbeschaffung darf verschwinden. Vor einer wesentlichen Handlung sollte allerdings Widerstand bleiben: Gegenpositionen, Alternativen, Auswirkungen auf das Gesamtportfolio und eine kurze Begründung, die auch später noch verständlich ist.

Die Order darf langweilig werden

Erst wenn persönlicher Kontext, Research und Entscheidungslogik zusammenspielen und das Urteil eine Abweichung vom Grundmodus rechtfertigt, wird die eigentliche Agentenebene interessant: beobachten, alarmieren, Vorschläge vorbereiten, Rebalancing prüfen und irgendwann vielleicht in klar definierten Grenzen Handlungen ausführen.

Technisch wird das in atemberaubendem Tempo einfacher. Intellektuell liegen aber weiterhin Welten zwischen „Kaufe jene Aktien, die in den letzten drei Tagen am stärksten gefallen sind“ und „Prüfe meine Positionen täglich gegen Investmentthesen, Portfoliofunktion und Risikogrenzen und melde dich nur bei einer wesentlichen Veränderung“.

Automatisierung nicht als Aktivitätsmaschine, sondern als kalibrierter Filter.

Auf den ersten Blick sieht Agentic Investing vor allem deshalb spektakulär aus, weil KI plötzlich näher an die Order rückt. Nach meinen bisherigen Erfahrungen interessiert mich aber die Gegenrichtung mehr.

Wie kommen die richtigen Informationen möglichst reibungslos zur KI? Von wem werden sie vorverdichtet, ohne Wesentliches zu verlieren? Wie verbindet das System Unternehmen, Markt, Depot, gesamten Finanzkontext und Entscheidungshistorie? Nach welcher persönlichen Entscheidungslogik wird daraus ein Urteil? Und kann ich dieses Urteil später noch nachvollziehen, um daraus zu lernen?

Erst der nachvollziehbare Weg von Information über Kontext und Einordnung zum Urteil macht aus Agentic Trading für mich Agentic Investing.

Wenn diese Kette funktioniert, darf die finale technische Ausführung gerne langweilig werden.

Das Urteil davor sollte es nicht.