Künstliche Intelligenz verändert das Investmentbanking grundlegend, indem sie Arbeitsabläufe automatisiert, die früher Tausende von Arbeitsstunden der Analysten in Anspruch nahmen. Was zwischen 2020 und 2023 als vereinzelte Pilotprojekte begann, hat sich zu einer zentralen Infrastruktur entwickelt. Der Einsatz von KI im Investmentbanking erreichte im Jahr 2024 58%, und generative KI, KI-Agenten sowie fortschrittliche KI-Modelle sind mittlerweile in den Bereichen Deal Sourcing, Finanzmodellierung, Betrugserkennung und Due Diligence fest verankert.
Dieser Artikel untersucht, wie KI im Investmentbanking die täglichen Arbeitsabläufe verändert, wo künstliche Intelligenz echten Mehrwert bietet und welche Risiken Führungskräfte in Finanzinstituten managen müssen – von Datenschutz und Modellverzerrung bis hin zur sich wandelnden regulatorischen Compliance.
Was ist KI im Investmentbanking heute?
KI im Investmentbanking bezieht sich auf Werkzeuge des maschinellen Lernens, der natürlichen Sprachverarbeitung und der generativen KI, die über den gesamten Transaktionslebenszyklus hinweg eingesetzt werden. Im Gegensatz zu traditionellen Analysen, die auf Excel-Makros oder einfacher Regression basieren, nutzen moderne KI-Systeme große Sprachmodelle (LLMs), Deep Learning und Reinforcement Learning, um Millionen von Datenpunkten zu verarbeiten, Daten im großen Maßstab zu analysieren und umsetzbare Erkenntnisse zu generieren.
Zu den wichtigsten Fähigkeiten gehören:
- Generative KI für die Erstellung von InhaltenErstellung von CIMs, Pitchbooks, Bewertungszusammenfassungen und Due-Diligence-Berichten aus Rohdaten und Dokumentenarchiven.
- Verarbeitung natürlicher SpracheKI extrahiert Informationen aus unstrukturierten Daten für die Dokumentenverarbeitung und versetzt Unternehmen in die Lage, juristische Dokumente, Gesprächstranskripte und Nachrichtenartikel auszuwerten.
- KI-Agentensemi-autonome KI-Systeme, die Aufgaben verketten (Einreichungen scrappen, Vergleichsgruppen erstellen, ein DCF-Modell ausführen, eine Zusammenfassung entwerfen) mit menschlicher Überwachung an Freigabepunkten.
- Prädiktive ModellePrädiktive Analytik schätzt zukünftige Ergebnisse anhand historischer Daten für Kreditrisiken, Marktvolatilität und Portfoliomanagement ein.
Der Paradigmenwechsel: KI-Investitionen und -Einführung im Bankwesen
Die Finanzmittel für KI-Start-ups stiegen von rund $18 Milliarden im Jahr 2017 auf etwa $92 Milliarden bis 2022, wobei die Jahre 2023 und 2024 von großen Finanzierungsrunden für Unternehmen im Bereich der Grundmodelle wie OpenAI, Anthropic, Cohere und Mistral geprägt waren. Diese Kapitalwelle hat die Technologie-Roadmaps globaler Banken neu geprägt. Große Institute verlagerten ihre Budgets von der Modernisierung bestehender Systeme hin zu KI-Plattformen, Agenten-Frameworks und Dateninfrastruktur.
KI steigert die betriebliche Effizienz durch die Rationalisierung manueller Aufgaben, und generative KI kann Banken durch Effizienzsteigerungen Einsparungen in Höhe von fast $1,5 Milliarden ermöglichen. KI könnte die Produktivität im Front-Office bis 2026 um 27 bis 35% steigern. Die durch die Corona-Pandemie bedingte Remote-Arbeit, zunehmende Cyberbedrohungen und sinkende Margen haben Banken dazu veranlasst, KI-Lösungen für Effizienzsteigerung, Compliance-Automatisierung und digitale Kundenbindung Priorität einzuräumen.
Wie KI die Kernprozesse im Investmentbanking verändert
KI berührt inzwischen praktisch jeden Schritt des Transaktionslebenszyklus, von der Identifizierung des Zielunternehmens über die Durchführung der Transaktion bis hin zur Post-Merger-Integration. Die folgenden Unterabschnitte behandeln spezifische Arbeitsabläufe, bei denen KI-Technologien einen messbaren Nutzen erzielen.
KI für Deal Sourcing und Origination
KIgestützte Plattformen analysieren Datensätze, um potenzielle Käufer und Verkäufer über öffentliche und private Quellen hinweg zu identifizieren, einschließlich SEC- und ESMA-Meldungen, Patentdatenbanken und sozialen Medien. Modelle des maschinellen Lernens bewerten Zielunternehmen nach Branchenpassung, Geografie, Verschuldung und Bewertungsmultiplikatoren. KI-Tools können Marktanomalien kennzeichnen und Akquisitionsziele hervorheben, während KI-Algorithmen unstrukturierte Datensätze analysieren, um Markttrends zu erkennen.
KI wird im Investmentbanking für die Deal-Sourcing- und M&A-Automatisierung eingesetzt. Laut T3s KI-im-Investmentbanking-Index, Rund 54% führender Banken setzen mittlerweile KI im Produktivbetrieb zur Identifizierung von Zielobjekten ein und verkürzen so die Beschaffungszeit um 50 bis 70%.
KI-beschleunigte Due Diligence und Dokumentenprüfung
Tools zur Verarbeitung natürlicher Sprache und zur Bildverarbeitung lesen Datenräume aus, die Verträge, Darlehensvereinbarungen, Geheimhaltungsvereinbarungen und Compliance-Berichte enthalten. Große Sprachmodelle extrahieren Schlüsselklauseln aus Rechtsdokumenten, darunter Bestimmungen zum Kontrollwechsel, Kündigungsrechte und die Übertragung von geistigem Eigentum, gruppieren anschließend ähnliche Dokumente und fassen Risikopunkte zusammen. KI kann die Zeit für die Informationsbeschaffung um bis zu 75% verkürzen und durch die Automatisierung der Datenextraktion manuelle Fehler bei der aufsichtsrechtlichen Berichterstattung reduzieren.
Die für die Due Diligence benötigte Zeit sinkt um 30 auf 60%, wobei sich Investmentbanker und Anwälte auf Ausnahmen konzentrieren, anstatt jede Seite zu lesen. Bei grenzüberschreitenden Transaktionen unterstützt KI die mehrsprachige Prüfung und weist auf Unregelmäßigkeiten in Verträgen in der jeweiligen Landessprache hin. Die Modelle laufen in den virtuellen privaten Clouds (VPCs) der Banken mit rollenbasierten Berechtigungen und Prüfprotokollen, wodurch Datenschutz und -sicherheit gewährleistet werden.
KI für Finanzmodellierung und Bewertung
KI verbessert die Genauigkeit, indem sie manuelle Fehler bei der Datenverarbeitung für Finanzmodellierungen reduziert. Generative KI übernimmt die Datenerfassung, das Ausfüllen von Vorlagen, die Erstellung von Szenarien und die Fehlerprüfung, doch menschliches Urteilsvermögen bleibt für Annahmen und die Strukturierung von Transaktionen unverzichtbar. Tools verbinden LLMs mittlerweile direkt mit Tabellenkalkulationen und ermöglichen so Eingabeaufforderungen wie “Erstelle ein Drei-Bilanzen-Modell unter Verwendung der 10-K-Daten der letzten fünf Jahre und füge ein Negativszenario mit einem Umsatzrückgang von 20% hinzu.”
KI steigert die Produktivität durch die Automatisierung sich wiederholender Aufgaben. Nachwuchskräfte im Bankwesen verbringen weniger Zeit mit routinemäßiger Formatierung und mehr Zeit damit, von der KI erzeugte Annahmen zu hinterfragen, Randfälle zu validieren und Strukturen für komplexe LBO-Transaktionen anzupassen. Untersuchungen deuten darauf hin, dass etwa 46% der Aufgaben von Nachwuchsanalysten ein hohes Automatisierungspotenzial aufweisen, verglichen mit rund 9% bei Geschäftsführern, was eher auf eine Weiterentwicklung der Rollen als auf eine vollständige Ersetzung hindeutet. KI beschleunigt die Entscheidungsfindung, indem sie die Datenanalyse sowohl im Middle Office als auch im Front Office beschleunigt.
Risikomanagement, Betrugserkennung und Compliance
KI nutzt maschinelles Lernen zur verbesserten Betrugserkennung und Kreditrisikobewertung. KI kann riesige Transaktionsdatenströme in Echtzeit verarbeiten, und KI-Modelle können Anomalien in Handelsmustern erkennen, die auf Insiderhandel oder Marktmissbrauch hindeuten. Benchmark-Systeme erreichen bei Kreditkartenbetrug und verdächtigen Handelsmustern eine Genauigkeit von rund 98%, wobei die Falsch-Positiv-Raten um 30 bis 40% sinken.
Die Einhaltung von Vorschriften wird durch die automatisierte Erkennung von Anomalien bei Transaktionen verbessert Automatisierung des KYC-Verifizierungsprozesses mithilfe von KI, und KI überwacht Zahlungsströme und überprüft Dokumente auf Compliance. KI kann regulatorische Berichterstattungsprozesse im Investmentbanking automatisieren, und generative KI kann Entwürfe für technische Dokumente zur Compliance erstellen. KI kann Compliance-Daten für regulatorische Einreichungen zusammenfassen, und automatisierte Lösungen können Berichte über verdächtige Aktivitäten generieren.
KI kann verschiedene ungünstige Marktbedingungen für Stresstests simulieren, und KI-Modelle bewerten potenzielle Verlustszenarien über komplexe Anlageklassen hinweg. NLP-Werkzeuge analysieren Datenquellen, um die Marktstimmung einzuschätzen, und Agentielle KI im Bankwesen zur Betrugserkennung und Kundenerfahrung unterstützt das Risikomanagement über Handels- und Kreditfunktionen hinweg.
Kundenbetreuung, Pitchbooks und generative KI für Inhalte
Generative KI erstellt automatisch personalisierte Pitchbooks und Berichte. KI-Tools können die Erstellung von Pitchbooks automatisieren, was die Arbeitsabläufe erheblich beschleunigt, wobei erste Entwürfe von Präsentationen mit 60 bis 80 Folien innerhalb von Stunden statt Tagen zusammengestellt werden. KI kann personalisierte Forschungsberichte für Kunden erstellen, und generative KI kann schnell maßgeschneiderte Kundenkommunikation erzeugen.
KI-Tools können die Kundenstimmung aus E-Mails und Anrufen analysieren, während die natürliche Sprachverarbeitung (NLP) dabei hilft, die Kundenstimmung in der Kommunikation zu analysieren. KI-gestützte Stimmungsanalysen können das Kundenbeziehungsmanagement verbessern, und KI ermöglicht eine proaktive Kundenintelligenz für personalisierte Interaktionen. KI-gestützte Einblicke helfen Banken dabei, die Kundenzufriedenheit und die Abschlussquoten zu steigern, was die Kundenbindung stärkt und das Kundenerlebnis verbessert. Insbesondere, 49% der OECD-Länder Nutzen Sie KI für die Kundenbeziehungen und unterstreichen Sie damit die Breite der KI-Einführung in diesem Bereich.
Die InvestGlass-Plattform: KI-gestütztes Kundenbeziehungs- und Workflow-Management
InvestGlass ist eine innovative KI-gestützte Plattform, die Investmentbanken bei der Automatisierung des Kundenbeziehungsmanagements und der operativen Arbeitsabläufe unterstützt. Durch die Integration fortschrittlicher KI-Funktionen wie natürlicher Sprachverarbeitung und prädiktiver Analytik ermöglicht es InvestGlass Bankern, hyper-personalisierte Kundenerlebnisse zu bieten und gleichzeitig die Compliance und Dokumentation zu optimieren.
Die Plattform bietet Tools zur Automatisierung der KYC-Verifizierung, zur Erstellung maßgeschneiderter Kundenberichte und zur Verwaltung von Geschäftspipelines mit KI-gestützten Erkenntnissen. Die KI-gestützte Sentiment-Analyse von InvestGlass hilft Kundenbetreuern, die Bedürfnisse ihrer Kunden und die Marktstimmung in Echtzeit einzuschätzen, wodurch das Engagement und die Abschlussraten gesteigert werden. Die sichere, cloudbasierte Infrastruktur gewährleistet Datenschutz und regulatorische Compliance, was sie zu einer vertrauenswürdigen Lösung für Banken macht, die KI nutzen möchten, ohne Kompromisse bei der Sicherheit einzugehen.
Durch den Einsatz von InvestGlass können Investmentbanken den manuellen Arbeitsaufwand reduzieren, die Datengenauigkeit verbessern und Beratungsdienste effizient skalieren, was zeigt, wie KI-Plattformen für die Zukunft des Investmentbanking-Geschäfts unerlässlich sind.
Praxisbeispiele für den Einsatz von KI im Investmentbanking
Führende globale Banken haben sich von Experimenten zu produktionsweiten Implementierungen verlagert. Diese Beispiele verdeutlichen Muster, wie viele Unternehmen KI im großen Stil nutzen.
Goldman Sachs: Firmenweiter KI-Assistent und Entwickler-Agenten
Goldman Sachs führte seinen „GS AI Assistant“ im Juni 2025 unternehmensweit ein, nachdem zuvor ein Pilotprojekt mit rund 10.000 Wissensarbeitern durchgeführt worden war. Anfang 2026 nutzten bereits über 12.000 Entwickler bei Goldman Sachs „Claude“ von Anthropic und erzielten damit eine um etwa 30% schnellere Einarbeitung sowie eine um 20% höhere Produktivität bei der Code-Prüfung. Der Governance-Ansatz sieht den Betrieb der Modelle innerhalb der firmeneigenen Infrastruktur von Goldman Sachs vor, wobei Red-Teaming, Protokollierung und strenge Zugriffskontrollen die Sicherheit gewährleisten. Diese KI-Assistenten unterstützen unternehmensweit die Recherche, die Erstellung interner Memos und die Finanzanalyse.
JPMorgan und Bank of America: KI-Agenten für Forschung und Vermögensverwaltung
JPMorgan gibt den jährlichen Wert seiner KI-Initiativen mit $1,5 bis $2,0 Milliarden an, wobei es über 500 aktive KI-Anwendungsfälle gibt, die von Betrugsprävention über den Handel bis hin zur Kreditentscheidung reichen. Die generative KI-Plattform der Bank of America ermöglicht es Mitarbeitern, Marktanalysen zusammenzufassen, Besprechungsunterlagen zu erstellen und Folge-E-Mails zu verfassen, wobei zweistellige Produktivitätssteigerungen vermeldet werden. Beide Unternehmen legen Wert auf Erklärbarkeit und beziehen einen Menschen in den Entscheidungsprozess ein, wenn es um Empfehlungen geht, die Kundenportfolios betreffen. Investmentbanken nutzen KI, um Kosten zu senken und ihre Beratungskapazitäten zu erweitern, und diese Unternehmen veranschaulichen, wie Fachwissen in Kombination mit KI-Technologien messbare Ergebnisse liefert.
Vorteile von KI im Investmentbanking
Die im Zeitraum von 2023 bis 2026 beobachteten Vorteile erstrecken sich auf die Produktivität, die Entscheidungsunterstützung und das Kundenerlebnis.
Produktivität und Kosteneffizienz
KI senkt die Betriebskosten durch die Automatisierung von Arbeitsabläufen und die Reduzierung von Fehlern, wobei sich bei Routinerecherchen Zeitersparnisse von 30 bis 70% und bei der Erstellung von Pitchbooks Zeitersparnisse von 20 bis 40% ergeben. KI kann die Zeit für die Informationsbeschaffung um bis zu 75% verkürzen. Banken setzen personelle Ressourcen nun verstärkt für Verhandlungen und die Beratungsarbeit der Kundenbetreuer ein. Einige Unternehmen berichten von Kosteneinsparungen von 40 bis 70% bei bestimmten standardisierten Aufgaben, wenn KI-Tools mit einer Neugestaltung der Prozesse kombiniert werden.
Bessere Entscheidungsfindung und Risikoeinblick
Maschinelles Lernen analysiert die Marktstimmung zur Optimierung von Handelsstrategien. KI kann Daten aus sozialen Medien im Hinblick auf Stimmungsanalysen auswerten, und Investmentbanken nutzen KI, um Anlagestrategien auf Basis der Marktstimmung zu verfeinern. KI beschleunigt die Datenverarbeitung und ermöglicht so schnellere Marktreaktionen. Analysten erhalten Entscheidungsunterstützung durch Szenarioanalysen und Simulationsmodelle, die Deal-Strukturen unter verschiedenen Makroannahmen testen.
Skalierung der personalisierten Kundenbetreuung
KI ermöglicht es Betreuungsteams, mehr Kunden zu bedienen, ohne die Personalisierung zu verwässern. Kundenbetreuer erhalten dynamische Briefings, die Nachrichten, Einreichungen und CRM-Notizen zusammenfassen. Analysten können die Qualität aufrechterhalten KI-gestütztes Portfoliomanagement mit Abdeckung von 80 bis 100 Titeln Anstelle der herkömmlichen 40 bis 50, wodurch neue Effizienzen bei der Bereitstellung von Kundenerlebnissen geschaffen werden. Dieser Skalierungseffekt hilft regionalen und mittelständischen Unternehmen, mit Global Banken zu konkurrieren, indem sie KI-Werkzeuge desselben Kalibers bei geringerer Mitarbeiterzahl einsetzen.
Risiken, Einschränkungen und regulatorische Überlegungen
Die Einführung von KI bringt echte Herausforderungen mit sich. Die regulatorische Prüfung von KI im Finanzwesen nimmt weltweit zu, mit Rahmenwerken wie dem EU KI-Gesetz die Einstufung vieler KI-Systeme im Finanzwesen als Hochrisikosysteme und FINRAs Regulierungshinweis 24-09 die Bestätigung, dass die bestehenden Wertpapiergesetze in vollem Umfang auf generative KI und LLMs anwenden, was widerspiegelt, wie KI gestaltet das Zentralbankwesen, die Geldpolitik und digitale Währungen neu unter ähnlich strenger Aufsicht.
Datenschutz, Sicherheit und Vertraulichkeit
KI-Systeme benötigen Zugriff auf sensible Daten, darunter Finanzdaten von Kunden, Geschäftspipelines und interne Kommunikation. Zu den Sicherheitsmaßnahmen zählen Verschlüsselung, strenge Zugriffskontrollen, der Einsatz privater Clouds und zuverlässige Prüfpfade. Die Nutzung öffentlicher generativer KI-Tools ohne Isolierung birgt das Risiko unbeabsichtigter Datenlecks sowie rechtlicher Unsicherheiten im Hinblick auf die DSGVO oder den CCPA. Bemerkenswert ist, dass 85% der Führungskräfte im Finanzsektor die Datenqualität als ihre größte Herausforderung nennen.
Modellrisiko, Verzerrung und Halluzinationen
KI-Modelle können historische Vorurteile bei Kreditentscheidungen verstärken und selbstbewusste, aber falsche Ergebnisse liefern. Zur Minderung sind Modellvalidierung, Szenario-Backtesting, laufende Überwachung und eine obligatorische menschliche Überprüfung bei wirkungsstarken Ergebnissen erforderlich. Das Modellrisikomanagement muss sich auch auf große Sprachmodelle und KI-Agenten erstrecken und nicht nur auf herkömmliche quantitative Modelle.
Kultureller Widerstand und Auswirkungen auf Talente
Banker misstrauen möglicherweise undurchsichtigen KI-Systemen oder fürchten den Verlust ihres Arbeitsplatzes. Eine erfolgreiche KI-Einführung stellt Werkzeuge als Co-Piloten dar, die lästige Routinearbeiten beseitigen. Zu den Anforderungen an neue Fähigkeiten gehören Datenkompetenz, Prompt Engineering und die Fähigkeit, KI-Ergebnisse zu hinterfragen. Das Bewusstsein für Trainingsdaten und das Verständnis der Modellgrenzen sind heute wesentliche Kompetenzen sowohl für Analysten als auch für Associates.
Integration mit Altsystemen und Datenqualität
Viele Banken arbeiten mit veralteten Handelsplattformen und isolierten CRM-Systemen, die nicht für moderne KI-Technologien ausgelegt sind. Über 80% des Aufwands für KI-Projekte entfällt in der Regel auf Datenbereinigung, Datenabgleich und Daten-Governance. Der Aufbau einer einheitlichen Datenschicht mit standardisierten Taxonomien ist eine Grundvoraussetzung für die Skalierung fortschrittlicher KI-Initiativen. Ohne eine einzige Quelle für bereinigte, gut verwaltete Daten bleiben selbst die besten KI-Modelle hinter ihren Möglichkeiten zurück.
Wie Investmentbanken KI strategisch implementieren können
Ein schrittweiser, pragmatischer Ansatz übertrifft ambitionierte, aber ungesteuerte Transformationsprogramme.
Robuste Daten- und Infrastrukturgrundlagen schaffen
Modernisierung durch zentrale Data Lakes, standardisierte Schemata, Echtzeit-Pipelines und hochwertige historische Archive. Beginnen Sie mit einer begrenzten, qualitativ hochwertigen Domäne, um Referenzimplementierungen zu erstellen, bevor Sie expandieren. Eine starke Datenorchestrierung, einschließlich Eigentümerschaft, Zugriffsrichtlinien und Herkunftsnachverfolgung, ist von grundlegender Bedeutung.
Künstliche Intelligenz: Governance, Kontrollen und Ethik etablieren
Richten Sie KI-Lenkungsausschüsse und Funktionen für das Modellrisikomanagement ein. Kodifizieren Sie Richtlinien zu zulässigen Verwendungen, Fairness, Erklärbarkeit und verbindlichen menschlichen Kontrollpunkten. Stimmen Sie sich durch regelmäßige Stresstests und Audits mit den Folgenabschätzungen des EU AI Act und den FINRA-Aufsichtsstandards ab.
Priorisieren Sie zuerst wirkungsvolle Anwendungsfälle mit geringem Risiko
Beginnen Sie mit der Synthese von Recherchen, der Dokumentenerstellung, der Automatisierung von Vergleichsblättern (Comp Sheets) und der internen Wissenssuche. Quantifizieren Sie den ROI durch eingesparte Zeit pro Analyst, reduzierte Fehlerraten und verbesserte Gewinnraten. Gehen Sie allmählich zu risikoreicheren Anwendungsfällen wie Preisgestaltung und Risikobewertung über, während die Governance reift.
Befähigung von Bankangestellten durch Schulung und Human-in-the-Loop-Design
Beteiligen Sie Kundenberater an vorderster Front und Risikomanager an Design, Tests und Feedback. Strukturierte Schulungen decken KI-Fähigkeiten, Grenzen und die Interpretation von Ergebnissen ab. Menschliche Überwachungsmuster folgen einer klaren Logik: KI schlägt vor, Mensch entscheidet; KI entwirft, Mensch bearbeitet; KI filtert, Mensch bestätigt.
Zukunftsaussichten: Agentenbasierte KI und die nächste Innovationswelle
Die Industrie wandelt sich von Ein-Aufgaben-Modellen zu agentenbasierten KI-Systemen, die unter menschlicher Aufsicht autonom mehrstufige Prozesse ausführen. Bis 2027 bis 2028 werden KI-Agenten routinemäßig komplexe Arbeitsabläufe wie umfassende Due-Diligence-Zusammenfassungen, Echtzeit-Risikoüberwachung und automatisierte regulatorische Aktualisierungen koordinieren.
Generative KI verbessert die Portfolio-Performance durch fortschrittliche Simulationen, und KI-basierte Strategien für ein effektives Portfoliomanagement Auswertung der historischen Performance zur Optimierung von Portfolios. KI kann Marktszenarien simulieren, um Handelsstrategien zu verbessern, während KI-gestützte Modelle Portfolio-Strategien an neue Bedingungen anpassen können. KI verbessert die Risiko-Rendite-Analyse im Portfoliomanagement und ermöglicht so anspruchsvollere Ansätze im Umgang mit Marktvolatilität. Die Integration mit Blockchain und tokenisierten Vermögenswerten kann die Abwicklung und kontinuierliche Covenants-Prüfung weiter automatisieren.
Die Kluft im Wettbewerb wird sich zwischen Banken, die KI als zentrale Fähigkeit betrachten, und solchen, die im Testbetrieb bleiben, vergrößern. Die Zukunft gehört Unternehmen, die Technologie mit Governance, Fokus und Kultur verbinden.
Fazit: Wie sollten Investmentbanken auf das KI-Zeitalter reagieren?
Künstliche Intelligenz im Investmentbanking ist ein struktureller Wandel und kein vorübergehender Trend. Sie verändert die Deal-Anbahnung, Finanzmodellierung, Betrugserkennung und den Kundenservice in der gesamten Branche. Die leistungsstärksten Banken werden die Geschwindigkeit und Breite der KI mit menschlichem Urteilsvermögen, Kreativität und Beziehungen verbinden.
Unternehmen sollten eine klare KI-Strategie definieren: Anwendungsfälle priorisieren, in Daten und Governance investieren und eine Kultur aufbauen, die KI als Co-Piloten statt als Bedrohung betrachtet. Organisationen, die zwischen 2024 und 2028 eine verantwortungsvolle KI-Einführung vorantreiben, werden den Maßstab für das nächste Jahrzehnt des globalen Investmentbanking setzen. Die Frage ist nicht länger, ob man KI einführt, sondern wie schnell und wie gut.
