Recherche-Assistent für Investment und Finanzen (Berichte, Earnings Calls, Broker-Research)

Aktienanalysten, Private-Equity- und Venture-Teams, Mitarbeitende der Unternehmensentwicklung und des Treasury verbringen den Großteil ihrer Zeit damit, Zahlen aus Berichten, Call-Transkripten und Broker-Notizen zu finden, zu lesen und neu einzutippen. Ein finanzspezifischer Recherche-Assistent durchsucht einen lizenzierten Korpus, antwortet mit Quellenangabe bis zur genauen Textstelle, füllt unternehmensübergreifende Vergleichsraster und verfolgt KPIs über mehrere Quartale. Er beschleunigt das Lesen und Übertragen; das Investmenturteil und jede Entscheidung bleiben beim Menschen.

Problem & Nutzen

• Heute: Analysten lesen pro Unternehmen und Quartal Hunderte Seiten (Geschäftsbericht, 10-K/10-Q, ESEF-Berichte, Call-Transkripte, Broker-Notizen), kopieren Zahlen in Excel und bauen vor jeder Berichtssaison, jedem Investment-Committee-Termin oder Pitch dieselben Wettbewerbsvergleiche neu auf. Die Inhalte verteilen sich auf Bloomberg-/LSEG-/FactSet-Terminals, Broker-Portale, Transkripte von Expertennetzwerken und interne Ablagen.
• KI-Nutzen: Suche in natürlicher Sprache über all das, Antworten mit Link zum Quellsatz, Extraktion über mehrere Dokumente in Raster und Alarme, wenn sich die Sprache des Managements oder eine KPI ändert. Der typische Gewinn sind Stunden pro Unternehmen und Quartal; die oben genannten Anbieter veröffentlichen keine geprüften, vergleichbaren Zahlen, behandeln Sie daher jede genannte Angabe „x % Zeitersparnis“ als Marketing, bis Sie sie in einem Piloten gemessen haben.
• Genauigkeit ist die eigentliche Einschränkung: Bei FinanceBench (10.231 Open-Book-Fragen zu börsennotierten Unternehmen) beantwortete ein Setup aus GPT-4-Turbo + Retrieval 2023 etwa 81 % der Fragen falsch oder verweigerte die Antwort [3]. Agenten haben sich stark verbessert, aber im Vals-AI-Finance-Agent-Benchmark (537 Fragen auf dem Niveau von Einsteiger-Analysten) erreichte das beste Modell im Juni 2026 64,37 % [2]. Zahlenbasierte Absicherung, Quellenangaben und Prüfung sind daher Entwurfsanforderungen, keine Extras.
• Nicht dasselbe wie Nachbar-Anwendungsfälle: KNOW-015 macht offene Web-Recherche; DOC-012 überträgt jeweils einen Abschluss; dieser Anwendungsfall ergänzt lizenzierte Premium-Inhalte, Zahlenraster über mehrere Dokumente, Transkripte und Quellenangaben auf Satzebene.

Varianten

• Recherche für öffentliche Märkte (Buy-/Sell-Side): Coverage-Universen, Abläufe der Berichtssaison, Konsens vs. Ist, Tonalitäts- und Guidance-Verfolgung über Call-Transkripte.
• Private Equity / VC / M&A: Fragen und Antworten zum Datenraum, Due-Diligence-Checklisten, Vergleichsgruppen mit Daten vom Typ PitchBook, Entwürfe von CIM und Teaser (menschlich geprüft).
• Unternehmensentwicklung, Treasury, CFO-Office: Beobachtung von Wettbewerbern und Kunden, Lesen von Gegenpartei-/Bankbonitätsinformationen, Peer-Benchmarking aus Geschäftsberichten.
• Investor Relations: die umgekehrte Sicht, Vorbereitung von Q&A aus Analystenfragen und Calls von Wettbewerbern.
• Vermögensverwalter und Family Offices: Zusammenfassung von Hausresearch und Fondsdokumenten für Berater (Hinweis: personalisierte Empfehlungen an Kunden sind eine andere, regulierte Tätigkeit).
• Privatanleger: Retail-Apps, die Berichte und Abschlüsse erklären; nützlich zum Lesen, aber keine Anlageberatung und reguliert, wenn sie als persönliche Empfehlung formuliert sind.

So funktioniert es

1. sources (licensed feeds, EDGAR/ESEF filings, transcripts, broker PDFs, internal files)
2. ingestion + entitlement tags (who may see which licence/restricted list)
3. parsing (layout/table extraction, XBRL facts, speaker-separated transcripts)
4. hybrid index (BM25 + embeddings + reranker, metadata: company, period, doc type)
5. agent loop (plan
6. retrieve
7. read tables
8. compute
9. verify)
10. answer / grid cell with sentence-level citation + numeric check against structured data
11. human review (analyst)
12. export (Excel, PowerPoint, memo)
13. archive

• Erst strukturiert, dann Text: Berichte in XBRL (die SEC-Schnittstellen company-facts und frames sind kostenlos und ohne Schlüssel [4]; EU-Emittenten reichen in ESEF/iXBRL ein) sollten die Zahlen direkt liefern; das LLM erklärt und vergleicht nur. Berechnungen laufen im Code, nicht im „Kopf“ des Modells.
• Raster-Muster: Zeilen = Unternehmen, Spalten = Fragen („Nettoverschuldung im Verhältnis zum Ergebnis“, „Segment-Guidance“, „Wechsel des Abschlussprüfers“); jede Zelle ist ein eigener Auftrag aus Suche + Extraktion mit eigener Quellenangabe. Matrix von Hebbia hat dieses Layout bekannt gemacht [6].
• Prüfung der Quellenangaben: Ein zweiter Durchlauf prüft, ob die zitierte Passage im genannten Dokument existiert und die Zahl stützt; Fehlschläge werden markiert, nicht verborgen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten geben frei, bevor etwas das Haus verlässt; die Ausgabe wird als KI-gestützter Entwurf gekennzeichnet; Anlageempfehlungen werden nie automatisch veröffentlicht.

Datenaufbereitung

Benötigte Daten: lizenzierte Berichte, Earnings-Call-Transkripte und Broker-Research sowie interne Modelle, Deal-Notizen und Investment-Memos. Diese liegen bei Datenanbietern, auf Research-Portalen, in E-Mails, in SharePoint oder auf Dateifreigaben und in den Excel-Modellen der Analysten.

Typische Lücken: PDFs mit Tabellen, die die Textextraktion brechen, Research hinter Lizenzen, die Indexierung oder KI-Nutzung verbieten, uneinheitliche Unternehmenskennungen und Ticker, veraltete Versionen interner Modelle, Notizen ohne Datum oder Deal-Tag und unklare Zugriffsrechte zwischen Deal-Teams (Informationsbarrieren).

Aufbereitungsschritte: je Quelle klären, ob die Lizenzbedingungen eine KI-Verarbeitung erlauben ([PREP-025]); Tabellen mit einer OCR- und Layout-Pipeline extrahieren und strukturieren ([DOC-014]); Unternehmen auf eine Kennung abbilden und Metadaten wie Periode, Dokumenttyp und Branche ergänzen ([PREP-010], [PREP-012]); Excel-Modelle in saubere Tabellen umbauen ([PREP-011]); Berechtigungen übernehmen, damit der Assistent Barrieren und Need-to-know einhält ([PREP-023]); ein Testset mit 50 bis 100 Analystenfragen und geprüften Antworten aufbauen ([PREP-018]). Werkzeuge: ein Dokumenten-Parser, eine Vektordatenbank, das vorhandene DMS.

Planen Sie rund 40 Prozent des Aufwands für Datenarbeit ein, davon viel für Lizenzklärung und Zugriffsrechte statt für Technik.

Umsetzungswege

Welcher Weg für wen

• smb: A - Kleine Berater und Unternehmensentwicklungs-Teams erhalten lizenzierte Inhalte samt Assistent gebündelt von Datenanbietern; ein Eigenbau würde sich nicht lohnen.
• enterprise: B - Banken, Vermögensverwalter und PE-Häuser besitzen meist bereits Datenlizenzen, daher können sie mit einer Retrieval-Schicht auf Cloud-KI-Diensten in einer EU-Region ihre eigenen Notizen und Modelle einbinden.
• developer: B - Integratoren bauen auf Cloud-LLM-APIs und den lizenzierten Korpora des Kunden auf; Selbstbetrieb braucht HW3-Hardware und lohnt sich selten.

Weg A — Kaufen (Standardsoftware)

• AlphaSense: Generative Search und Deep-Research-Agenten über eine Bibliothek von „500M+ premium documents“, Excel-/PowerPoint-Add-ins, Enterprise-Intelligence über interne Dateien [1].
• Hebbia (Matrix): Raster über mehrere Dokumente und Präsentationen; verbindet sich mit SEC-Einreichungen, Transkripten, FactSet, S&P Capital IQ, PitchBook und SharePoint/Box [6].
• Rogo: finanzspezifische Agenten für Banking und Investment; nennt SOC 2 Type II, ISO 27001 und ISO 42001 sowie mehr als 450 Kundenunternehmen [7].
• Quartr (Schweden, EU): Investor-Relations-Daten aus erster Hand (Live-Calls, Transkripte, Folien, Berichte), KI-Chat mit Quellenangaben, eine API und ein MCP-Konnektor für Claude und andere Werkzeuge [8].
• Etablierte Terminals: Bloomberg, LSEG, FactSet und S&P Capital IQ liefern eigene KI-Assistenten; die pragmatische Wahl, wenn Sie das Terminal ohnehin bezahlen.
• Suiten von Foundation-Model-Anbietern: Claude for Financial Services bietet vorgefertigte MCP-Konnektoren zu FactSet, S&P Global (Capital IQ, Transkripte), PitchBook, Morningstar, Daloopa, Box, Databricks und Snowflake und gibt an, dass Daten standardmäßig nicht zum Training verwendet werden [5].
• A wählen, wenn: Sie die Inhalte bereits lizenzieren (die Lizenz ist der Burggraben, nicht das Modell), weniger als ca. 100 Nutzer haben und innerhalb von Wochen Wert brauchen. Prüfen: EU-Datenspeicherort, AVV, SOC 2/ISO 27001, Abbildung der Zugriffsberechtigungen und Ausstiegsmöglichkeiten.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: ein führendes Reasoning-Modell mit Werkzeugnutzung (Claude Opus/Sonnet, GPT, Gemini) für die Agentenschritte; Mistral (EU-Anbieter), wo der Status als EU-Anbieter verlangt wird. Nutzen Sie EU-Regionen über AWS Bedrock (Frankfurt), Azure OpenAI (EU-Datenzone) oder Google Vertex AI (EU).
• Stack: MCP-Konnektoren zu lizenzierten Daten, Hybridsuche (OpenSearch/Elasticsearch oder pgvector + BM25), Reranker, Dokumenten-Parser (Azure Document Intelligence, Mistral OCR, Docling) und ein deterministisches Rechenwerkzeug (Python-Sandbox).
• Daten: SEC-EDGAR-APIs (kostenlos) [4], nationale Register und ESEF-Berichte von Emittenten-Websites/OAMs; ESAP, der europäische zentrale Zugangspunkt für Daten börsennotierter Unternehmen, wird schrittweise eingeführt und soll in den kommenden Jahren zu einer einheitlichen Quelle werden.
• B wählen, wenn: Sie individuelle Raster, die Integration in eine interne Deal-Datenbank oder Modellbibliothek brauchen und 2–4 Entwickler haben.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Reasoning-/Instruktionsmodelle (Qwen3, Llama, Mistral/Mixtral-Familien, DeepSeek) mit 30–120B auf einer einzelnen Profi-GPU (HW3) für sensibles Deal-Material; Encoder der FinBERT-Klasse für Stimmung/Klassifikation; BGE- oder multilingual-e5-Embeddings mit einem Cross-Encoder-Reranker.
• Stack: vLLM oder SGLang zur Bereitstellung, Qdrant/pgvector/OpenSearch, Docling oder Unstructured für das Parsing, LangGraph o. Ä. für Agenten; FinGPT (MIT-Lizenz, Hinweis auf akademischen Zweck) bietet Rezepte für Feintuning und Stimmungsmodelle, ist aber eher ein Forschungs-Toolkit als ein Produkt [9].
• Grenzen: Lizenzierte Broker- und Anbieterinhalte dürfen in der Regel nicht ohne ausdrückliche Lizenz in Ihren eigenen Index übernommen werden; Open-Weight-Modelle sind bei langem numerischem Schlussfolgern schwächer als führende Modelle, halten Sie daher Berechnungen im Code.
• C wählen, wenn: Deal-Vertraulichkeit, der Umgang mit MNPI (nicht öffentlichen Insiderinformationen) oder Aufsichtsbehörden eine Verarbeitung in Drittländern verbieten.

Weg D — Eigenes Training

Für den gesamten Assistenten selten sinnvoll. Feintuning lohnt sich für enge Komponenten: ein Reranker- oder Embedding-Modell auf Basis Ihrer eigenen Anfrage-/Klick-Protokolle, ein Klassifikator für Dokumenttypen oder Guidance-Aussagen oder ein Extraktionsmodell für branchenspezifische KPIs (z. B. Combined Ratio bei Versicherungen, ARR bei SaaS). Es braucht einige Tausend gelabelte Beispiele und ein Evaluationsset aus Ihren eigenen früheren Analystenfragen.

Stand der Technik (2026)

• Agentische Recherche ist das Standardmuster: Planer, die viele Suchen absetzen, Tabellen lesen und Zahlen neu berechnen. Die höchste Genauigkeit im Vals-Finance-Agent-Benchmark (v1.1) lag bei 64,37 % (Claude Opus 4.7), Claude Sonnet 4.6 erreichte im Juni 2026 63,33 % (neuere Benchmark-Versionen und Modelle haben die Rangfolge inzwischen verändert); das ursprüngliche Benchmark-Paper berichtete 46,8 % für das beste Modell bei durchschnittlich 3,79 US-Dollar pro Anfrage [2][10]. Die Genauigkeit steigt mit der Zahl der Werkzeugaufrufe, und die Kosten pro Frage zählen.
• Konnektor-Ökosysteme (MCP) lassen einen Assistenten FactSet, S&P, PitchBook, Quartr und interne Speicher erreichen, ohne Daten zu kopieren [5][8].
• Excel-native Agenten, die Modelle bauen und prüfen, sind ein sich schnell entwickelndes Feld; Anthropic berichtet, dass ein Partner-Agent 5 von 7 Stufen der Financial Modeling World Cup besteht [5].
• Fehlerbilder: erfundene oder falsch skalierte Zahlen (Einheiten, Tausend vs. Millionen), Verwechslungen von Periode/Restatement, Verwechslung von Geschäftsjahren zwischen Wettbewerbern, Zitat einer Passage, die die Aussage nicht stützt, Überinterpretation der Management-Tonalität, veraltete Daten und Prompt Injection aus externen Dokumenten. Verwenden Sie die Modellausgabe nie als alleinige Grundlage für einen Handel oder eine veröffentlichte Empfehlung.

Gemeinsame Bausteine & Kombinationen

• Gemeinsame Bausteine: Hybridindex (vector-db, search-engine, reranker), Dokumenten-Parsing (ocr-docparse), das Agenten-Framework mit MCP-Konnektoren, berechtigungsbewusste Zugriffskontrolle und eine Code-Sandbox für Berechnungen. Eine HW3-GPU oder ein privater EU-Cloud-Endpunkt bedient all das.
• KNOW-015 (Deep Research im offenen Web) liefert Nachrichten- und Webkontext; KNOW-002 (RAG auf Unternehmensdokumenten) deckt interne Memos ab; KNOW-013 (GraphRAG) ergänzt Graphen zu Lieferanten- und Eigentumsbeziehungen.
• DOC-012 (Übertragung von Jahresabschlüssen, „Spreading“) und DOC-014 (Tabellenextraktion) bilden die Schicht zur Zahlenextraktion; PRED-009 (Kreditscoring) und OPT-010 (Portfoliooptimierung) nutzen die strukturierten Ausgaben, sind aber eigene regulierte Systeme.
• ANOM-012 (Marktmissbrauchsüberwachung) teilt sich die Aufnahme von Transkripten/Nachrichten und ist das Compliance-Gegenstück; AGENT-002 führt geplante Abläufe der Berichtssaison aus.

Aufwand, Kosten & Kennzahlen

• A: Wochen bis zum Piloten, Lizenzen pro Arbeitsplatz (typischerweise Enterprise-Preise auf Anfrage) plus Inhaltsgebühren; der größte Kostenfaktor sind Datenlizenzen.
• B: 2–4 Entwickler für 2–4 Monate; Kosten entstehen durch Modell-Tokens (agentische Läufe können bei komplexen Fragen Dollarbeträge pro Frage kosten, siehe [10]), Parsing und Index-Hosting.
• C: ein HW3-GPU-Server plus Betrieb; dauerhaft 1–2 Entwickler; die Integration lizenzierter Inhalte ist der schwierige Teil.
• D: nur für Komponenten; zusätzlicher Labeling-Aufwand von Wochen.
• Kennzahlen: Präzision der Quellenangaben (Anteil der Aussagen, die die zitierte Passage stützt), Zahlengenauigkeit an einem Goldset aus 100–200 eigenen Fragen, Zeit pro Aktualisierung je Unternehmen und Quartal, Akzeptanz bei Analysten, Anteil der Antworten mit Korrekturbedarf, Kosten pro Antwort und Zahl der Vorfälle (offengelegte Namen von Sperrlisten, falsche Zahlen, die Kunden erreichen).

Menschen & Veränderung

Binden Sie die Geschäftsführung und die Research-Leitung von Anfang an ein, dann die Analysten als tägliche Nutzer, Compliance für Informationsbarrieren und Lizenzbedingungen, die IT-Sicherheit für Zugriff und Protokollierung und den/die Datenschutzbeauftragte(n), falls Kunden- oder personenbezogene Daten vorkommen ([GUIDE-005], [GUIDE-013]). Die Datenverantwortlichen bei den Inhaltsanbietern gehören in die Vertragsgespräche ([GUIDE-010]).

Betriebsrat: abhängig vom Einzelfall. Wird die Nutzung je Analyst protokolliert oder könnten Suchanfragen Leistung erkennen lassen, gilt §87 Abs. 1 Nr. 6 BetrVG nach dem Maßstab der objektiven Eignung des BAG; vereinbaren Sie daher den Umfang der Protokollierung in einer Betriebsvereinbarung ([GUIDE-004]). Informieren Sie den Betriebsrat rechtzeitig nach §90 Abs. 1 Nr. 3 und erwägen Sie einen KI-Sachverständigen nach §80 Abs. 3.

KI-Kompetenz: Arbeitgeber müssen nach Art. 4 der KI-Verordnung (AI Act) Maßnahmen ergreifen, die die KI-Kompetenz ihrer Beschäftigten fördern; bieten Sie Analysten Schulungen zu Quellenangaben, erfundenen Zahlen und zur Prüfung gegen die Quelle an ([GUIDE-006]).

Pilot und Bedenken: Wählen Sie ein kleines Coverage-Universum und lassen Sie zwei oder drei Analysten die Antworten mit ihrer eigenen Arbeit vergleichen. Typische Bedenken sind falsche Zahlen in Kundendokumenten, Arbeitsplatzverlust und regulatorische Risiken. Begegnen Sie ihnen, indem Sie anklickbare Quellenangaben verlangen, eine menschliche Freigabe für alles, was das Haus verlässt, und indem Sie das Werkzeug als Weg darstellen, mit demselben Team mehr Unternehmen abzudecken ([GUIDE-008], [GUIDE-009]).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Ein Recherche-Assistent für Fachleute hat im Allgemeinen minimales Risiko; Art. 4 (KI-Kompetenz) gilt. Hochrisiko wird er nur, wenn er für die Kreditwürdigkeitsprüfung natürlicher Personen nach Anhang III Nr. 5(b) oder für Risikobewertung und Preisbildung bei Lebens-/Krankenversicherungen wiederverwendet wird [11], was dieser Anwendungsfall nicht tut. Chatbot-artige Oberflächen für externe Nutzer lösen die Transparenzpflicht nach Art. 50 aus.
• MAR (Verordnung 596/2014): Recherchewerkzeuge dürfen nicht zum Kanal für Insiderinformationen werden (Art. 7, 8, 10). Halten Sie MNPI-Quellen (Datenräume, Sperrlisten, Wall-Crossing-Material) in getrennten, zugriffsgeschützten Arbeitsbereichen; protokollieren Sie Anfragen und halten Sie Insiderlisten (Art. 18) konsistent damit, wer welche Daten abfragen darf.
• MiFID-II-Researchregeln und Regeln für Anlageempfehlungen: KI-erstelltes Research, das an Kunden verteilt wird, muss dieselben Anforderungen an Offenlegung, Interessenkonflikte und Freigabe erfüllen wie von Menschen verfasstes Research; KI nimmt dem Autor die Verantwortung nicht ab. Für personalisierte Beratung gelten die Geeignetheitsregeln.
• Lizenzen und Urheberrecht: Broker-Research, Terminaldaten und Transkripte sind lizenziert; prüfen Sie, ob KI-Verarbeitung, Embedding und Speicherung erlaubt sind und welche vertraglichen Weitergabegrenzen der Anbieter hat. Die EU-Regeln zu Text- und Data-Mining setzen die Lizenzbedingungen bei kostenpflichtigen Inhalten nicht außer Kraft.
• DORA: Finanzunternehmen, die externe KI-/Cloud-Anbieter nutzen, müssen diese als IKT-Drittdienstleister registrieren, das Konzentrationsrisiko bewerten und den Ausstieg planen.
• DSGVO: Transkripte und Expertengespräche enthalten personenbezogene Daten von Führungskräften und Experten; legen Sie die Rechtsgrundlage fest, minimieren Sie die Daten und beachten Sie die Vertraulichkeitsbedingungen der Expertennetzwerke.
• Gegenmaßnahmen: Quellenangaben mit Verifikation, menschliche Freigabe, Berechnung im Code, berechtigungsbewusste Suche, Protokollierung von Anfragen, Red-Teaming auf Prompt Injection aus Berichten und Webinhalten.

Erste Schritte

1. Wählen Sie 20-30 reale frühere Analystenfragen (mit bekannten Antworten) zu Berichten, Calls und Broker-Notizen; das ist Ihr Evaluationsset.
2. Erfassen Sie Inhalte und Lizenzen: Welche Quellen dürfen von wem und wo per KI verarbeitet werden.
3. Testen Sie ein Produkt von Weg A (z. B. AlphaSense, Hebbia, Rogo oder Quartr) und ein konnektorbasiertes Setup (Claude oder Gleichwertiges mit FactSet-/S&P-/Quartr-Konnektoren) am Evaluationsset.
4. Legen Sie die Kontrollschicht fest: Quellenangaben verpflichtend, Zahlen im Code neu berechnet, Trennung des MNPI-Arbeitsbereichs, Protokollierung, Freigabe vor externer Nutzung.
5. Führen Sie das System in einer Berichtssaison mit einem einzigen Team ein; messen Sie die Kennzahlen, bevor Sie ausweiten.

Quellen

1. AlphaSense platform overview (Generative Search, Deep Research, content library) - https://www.alpha-sense.com/platform/ - accessed 2026-10.
2. Vals AI, Finance Agent benchmark v1.1 (537 questions; scores as of 2026-06-04) - https://www.vals.ai/benchmarks/finance_agent - accessed 2026-10.
3. Islam et al., FinanceBench: A New Benchmark for Financial Question Answering, arXiv:2311.11944 - https://arxiv.org/abs/2311.11944 - accessed 2026-10.
4. U.S. SEC, EDGAR application programming interfaces (submissions and XBRL APIs) - https://www.sec.gov/search-filings/edgar-application-programming-interfaces - accessed 2026-10.
5. Anthropic, Claude for Financial Services (connectors, features) - https://www.anthropic.com/news/claude-for-financial-services - accessed 2026-10.
6. Hebbia (Matrix) - https://www.hebbia.com/ - accessed 2026-10.
7. Rogo - https://rogo.com/ - accessed 2026-10.
8. Quartr (IR data, API, MCP) - https://quartr.com/ - accessed 2026-10.
9. AI4Finance Foundation, FinGPT repository - https://github.com/AI4Finance-Foundation/FinGPT - accessed 2026-10.
10. Finance Agent Benchmark paper, arXiv:2508.00828 - https://arxiv.org/abs/2508.00828 - accessed 2026-10.
11. EU AI Act, Annex III (point 5(b), 5(c)) - https://artificialintelligenceact.eu/annex/3/ - accessed 2026-10.