Ich habe mich in Bezug auf KI geirrt. Zweimal.

Lassen Sie mich mit einem Eingeständnis beginnen. Die Technologie, die meine Branche derzeit grundlegend verändert, ist mir erst spät aufgefallen. Nicht im Jahr 2017, als die Grundlagenforschung veröffentlicht wurde. Nicht im Jahr 2020, als das erste wirklich leistungsfähige Modell erschien. Erst Ende 2022, als ein Chatbot auf den Markt kam. Ich hatte jahrelang mit quantitativen Methoden gearbeitet, war nah genug an diesem Bereich dran, um mich darin sicher zu fühlen, und dennoch habe ich es nicht kommen sehen. Schlimmer noch: Nachdem ich es erkannt hatte, habe ich es noch zweimal unterschätzt.

Ich denke, diese Abfolge ist Ihre Zeit wert. Nicht, weil die Technologie interessant ist – obwohl sie es ist –, sondern weil der Fehler, den ich gemacht habe, einer ist, zu dem Anlageprofis strukturell neigen. Und weil das, was man tut, nachdem man ihn gemacht hat, letztendlich das A und O ist.

Der Boden, auf dem ich stand

Während des größten Teils meiner Karriere bedeutete maschinelles Lernen etwas Spezifisches und klar Abgegrenztes. Regularisierte Regression, Lasso und Elastic Net, waren die bewährten Werkzeuge für Finanzprognosen, bei denen man viele korrelierte Merkmale, begrenzte Datenmengen und ein echtes Bedürfnis hat, das Modell vor Überanpassung zu bewahren. Gradient-Boosted Trees, XGBoost und dergleichen waren das Mittel der Wahl bei strukturierten tabellarischen Daten: zur Vorhersage des nächsten Songs auf einer Streaming-Plattform oder des nächsten Videos in einem Feed. Deep Learning war das schwergewichtigere Instrument, das sich nur bei riesigen Datensätzen rechtfertigte, um beispielsweise zu entscheiden, welche Werbung in einem Netzwerk mit Milliarden von täglichen Ereignissen geschaltet werden sollte.

All diese Ansätze basierten auf einer gemeinsamen Annahme: ein Modell pro Problem. Man definierte die Aufgabe, kuratierte die Daten, trainierte das Modell und setzte es ein. Um etwas Neues zu erreichen, entwickelte man etwas Neues. Und generative KI bedeutete für mich, soweit sie mir überhaupt bewusst war, Deepfakes auf der Verbraucherseite und die Generierung synthetischer Daten auf der professionellen Seite. Ein Spezialwerkzeug, das an eine bestimmte Art von Ergebnis gebunden war. Nützlich, begrenzt, leicht einzuordnen.

Dieses selbstbewusste, funktionierende mentale Modell davon, wasKI- e war – – war genau das, was mich daran hinderte zu erkennen, wohin sich die Entwicklung bewegte.

Der Moment und mein erster Irrtum

Dann, Ende 2022, tippte ich eine Frage in ein Chatfeld ein und erhielt eine Antwort, die mich innehalten ließ. Es war nicht die Neuheit, dass eine Maschine flüssige Prosa schrieb. Es war die Erkenntnis, dass ich mit einer Maschine in einfacher Sprache interagierte und dass dies eine wirklich neue Art war, schriftliche Informationen abzurufen und damit zu arbeiten.

Innerhalb weniger Tage begannen wir mit Experimenten, sowohl im Frontend als auch im Backend. Die Anwendungen, die sich auszahlten, waren die Backend-Anwendungen, die unsichtbaren. Zu dieser Zeit verwalteten wir das Engagement in einer großen Anzahl von Beteiligungen, die über Investmentpartnerschaften gehalten wurden, wobei die Informationen, die man tatsächlich benötigt, in unstrukturierten Dokumenten verborgen sind. Sprachmodelle ermöglichten es uns, diese Informationen in großem Maßstab zu extrahieren – auf eine Weise, die zuvor einfach nicht praktikabel gewesen war.

Und genau hier habe ich mich beim ersten Mal getäuscht. Ich betrachtete das, was wir aufgebaut hatten, und sah eine benutzerfreundlichere Abfragesprache, eine unkompliziertere Art, einer Datenbank Fragen zu stellen. Ich habe nicht erkannt, dass dieselbe Fähigkeit schon bald die Art und Weise in Frage stellen würde, wie Software selbst entwickelt und genutzt wird.

Was ich übersehen hatte, war, dass diese Modelle nicht nur Informationen abrufen und umformulieren. Wenn man eines davon ausschließlich auf Zugfolgen aus dem Brettspiel Othello trainiert – ohne Regeln, ohne Abbildung des Spielbretts, nur anhand der Notation –, und dann einen Blick hineinwirft, stellt man fest, dass es ein funktionierendes Modell des Spielbretts erstellt hat, einschließlich der Information, welche Spielsteine sich umdrehen, wenn eine Position erobert wird. Es hat die Struktur des Spiels allein aus den Statistiken der Notation abgeleitet. Das ist kein Nachschlagen. Es kommt eher dem Verstehen nahe. Und ich hatte es unter „bessere Suche“ abgelegt.

Wieder falsch, auf dieselbe Weise

Der zweite Irrtum nahm dieselbe Form an. Als die Modelle zu fähigen Programmierern wurden, dauerte die Arbeit, die meinem Team früher Monate gekostet hatte – das Erstellen einer Schnittstelle, das Einrichten einer Datenpipeline –, plötzlich nur noch Tage. Ich habe dies zu Recht als großen Effizienzgewinn gewertet. Was ich jedoch erneut unterschätzt habe, war das Ausmaß davon. Ich sah eine schnellere Merkmalsextraktion. Ich sah noch nicht, dass eine ganze Wissensbranche – Forschung, Analyse, die Synthese schriftlicher Informationen als Beruf – neu geordnet wurde und nicht bloß beschleunigt.

Zweimal also habe ich eine qualitative Veränderung als quantitative Veränderung betrachtet. Beide Male verfügte ich über alle notwendigen Voraussetzungen, um es besser zu wissen.

Wo es tatsächlich wehtut

Das bringt mich dazu, wo sich dies in unserer eigenen Branche niederschlägt und wohin es meiner Meinung nach als Nächstes führen wird. Die Auswirkungen lassen sich klar entlang der Grenze zwischen diskretionärem und systematischem Management unterscheiden.

Für diskretionäre Manager war die Veränderung bislang am größten und läuft auf eine Demokratisierung hinaus. Ein fundamentaler Manager, der nie über eine quantitative Infrastruktur verfügte, kann nun mit einem leistungsfähigen Modell und einem angemessenen Datenabonnement Aufgaben erledigen, für die früher ein dedizierter Quant oder ein ständiger Kontakt zum Sell-Side-Desk erforderlich war: anlageklassenübergreifendes Screening, Szenarioanalysen, vergleichende Bewertungen großer Wertpapierbestände, zügiges Auswerten umfangreicher Unterlagen. Die technische Schwelle ist gesunken. Scharfsinnige Einschätzungen lassen sich nun mit größerer Stringenz und weitaus kürzerer Vorlaufzeit formulieren. Nicht-Quant-Anlegern wurde damit faktisch ein bedeutender Teil der Quant-Fähigkeiten an die Hand gegeben.

Für systematisch orientierte Fondsmanager verläuft der Wandel anders und ist noch weniger ausgereift – und genau an dieser Grenze arbeiten wir derzeit. Bedenken Sie, was Quant-Research tatsächlich beinhaltet: die relevante Literatur lesen, eine vielversprechende Methode auswählen, sie in die eigene Simulations- und Backtesting-Engine implementieren, sie unter realistischen Annahmen testen und entscheiden, ob sie den Einsatz im operativen Geschäft rechtfertigt. Jede Phase ist zeitaufwendig, und die Anzahl der Ideen, die ein Team in einem Jahr durch diesen Prozess bringen kann, schränkt das Tempo erheblich ein. Aktuelle, auf Logik und Programmierung basierende Modelle sind kurz davor, wesentliche Teile davon zu bewältigen. Nicht die Beurteilung, welche Hypothese es wert ist, weiterverfolgt zu werden, und auch nicht die endgültige Entscheidung darüber, ob ein Backtest realistisch ist oder überangepasst wurde, sondern den mechanischen Kern des Lesens einer Arbeit, des Extrahierens der Methode und der Erstellung einer ersten Implementierung, die ein Forscher dann verfeinern kann. Der Abstand zwischen Idee und erstem Ergebnis verkürzt sich. Die Zyklen werden schneller.

Doch die entscheidende Einschränkung ist nicht das Modell. Es ist die Infrastruktur, die es umgibt. Um diese Arbeit tatsächlich zu beschleunigen, müssen drei Dinge vorhanden und richtig miteinander vernetzt sein: eine saubere, strukturierte Datenumgebung mit ausreichender Historie; eine Simulations-Engine, die Ausführungskosten, Marktauswirkungen und Portfoliobeschränkungen realistisch modelliert; und eine zuverlässige Brücke von der Simulation zum Live-Handel, die die dabei getroffenen Annahmen bewahrt. Keines dieser Elemente ist selbstverständlich. Die meisten Unternehmen weisen in mindestens einem Bereich Lücken auf oder verfügen über drei Systeme, die schlecht miteinander kommunizieren. Modellfähigkeiten sind mittlerweile zur Massenware geworden. Jeder kann die gleiche Leistungsgrenze erreichen. Die Bereitschaft der Infrastruktur ist es jedoch nicht, und genau darin wird der Unterschied liegen.

Die eigentliche Lehre betrifft nicht die KI

Wenn es einen roten Faden gibt, der sich durch all dies zieht, dann geht es nicht um Technologie. Es geht darum, sich zu irren. Ich hatte alle Vorteile, dies klar zu erkennen, und dennoch habe ich das Ausmaß wiederholt falsch eingeschätzt. Es ist nicht angenehm, dies schriftlich festzuhalten. Aber es ist das Nützlichste, was ich einem Mitinvestor mitgeben kann.

Sie werden sich irren. Oft, und manchmal gerade bei den Dingen, für deren Beurteilung Sie am besten qualifiziert sind. Der Vorteil lag nie darin, auf Anhieb richtig zu liegen. Er liegt darin, den Fehler schnell zu erkennen, ihn klar anzusprechen und sich anzupassen, bevor sich die Kosten vervielfachen. Das gilt für einen falsch eingeschätzten Fondsmanager, einen überlaufenen Trade, eine These, die still und leise aufgehört hat zu funktionieren. Es stellte sich heraus, dass dies genauso für den bedeutendsten technologischen Wandel meiner Karriere gilt.

Ich lese es gerade zum dritten Mal. Ich gehe fest davon aus, dass ich es immer noch unterschätze.