Robo-Advisory & geeignetheitsbasierte, personalisierte Anlageempfehlungen

Privatanleger brauchen eine Beratung, die zu ihrer Situation passt, doch menschliche Beratung ist teuer und oft vermögenderen Kunden vorbehalten. Robo-Advisor erfassen ein strukturiertes Kundenprofil, ordnen es einem Modellportfolio zu, gewichten automatisch neu und erstellen die Geeignetheitsdokumentation, die MiFID II verlangt. Der Kern ist deterministisch, regel- und optimierungsbasiert; LLMs werden zunehmend ergänzend für Erklärung, Zielplanung und Service eingesetzt, aber nicht als Entscheider über die Empfehlung selbst.

Problem & Nutzen

• Heute: Banken, Sparkassen/Volksbanken und Altersvorsorgeanbieter beraten in Gesprächen in der Filiale oder am Telefon mit Fragebögen auf Papier oder Tablet. Die Beratung ist je Kunde teuer, die Qualität schwankt zwischen den Beratern, und die Geeignetheitsdokumentation ist aufwendig. Viele kleine Sparer erhalten keine Beratung und landen in Bargeld oder in ungeeigneten Produkten.
• Nutzen durch KI/Automatisierung: einheitliche, skalierbare und dokumentierte Geeignetheitsprüfung; kostengünstiger Zugang zu diversifizierten Portfolios (typischerweise ETF-basiert); automatische Neugewichtung und steuerbewusste Ordererzeugung; durchgängige Compliance-Nachweise; bessere Erklärungen für Kunden.
• Belege: ESMA und nationale Aufsichtsbehörden (z. B. BaFin) haben Leitlinien und Aufsichtsfeststellungen zur automatisierten Beratung veröffentlicht, was auf eine ausgereifte, aber streng beaufsichtigte Kategorie hindeutet [1][2]. Gebühren und verwaltetes Vermögen unterscheiden sich je nach Anbieter stark; hier wird keine einzelne Richtgröße genannt.

Varianten

• Vollautomatisierte Robo-Beratung / digitale Vermögensverwaltung (Neobroker, Fintech, Banktochter): Kunden-Onboarding online, diskretionäre Verwaltung von Modellportfolios.
• Hybride Beratung: Der Berater nutzt die Engine als Cockpit; der Mensch bleibt verantwortlich. Typisch bei Sparkassen/Volksbanken und Privatbanken.
• Beratungsassistenz für menschliche Berater: Vorschläge für die nächste Anlage, Gesprächsvorbereitung, automatische Entwurfserstellung von Geeignetheitsberichten.
• Altersvorsorge und Ruhestandsplanung: zielbasierte Glidepaths, betriebliche und Riester-artige Produkte, Apps von Vorsorgeanbietern.
• Eingebettet/White-Label: Anlage-Engine, die per API an Banken, Versicherer oder Apps geliefert wird.
• Private Nutzung: selbstbestimmte Anleger nutzen Planungswerkzeuge oder LLM-Chat zur Information; das ist keine regulierte Beratung, solange kein zugelassener Anbieter persönliche Empfehlungen ausspricht. Verwandt: PERS-001.

So funktioniert es

1. onboarding (KYC, appropriateness/knowledge questionnaire, risk & loss capacity, goals, ESG)
2. profile validation (consistency checks, contradiction flags, human review of edge cases)
3. suitability engine (risk class
4. eligible product universe
5. target allocation)
6. portfolio construction (optimisation under constraints: costs, tax, ESG, concentration)
7. recommendation or discretionary mandate + costs & charges disclosure (ex-ante)
8. suitability report on durable medium
9. client consent / order
10. monitoring: drift, life-event triggers, periodic suitability review (at least annual for ongoing advice)
11. rebalancing proposals/orders, reporting, record-keeping

• Profilierung: Fragebögen müssen so gestaltet sein, dass sie verzerrte oder mehrdeutige Fragen vermeiden; die Geeignetheitsleitlinien der ESMA verlangen, dass Unternehmen widersprüchliche Antworten klären und die Antworten der Kunden nicht lenken [2].
• Allokations-Engine: Mean-Variance-, Black-Litterman-, Risk-Parity- oder einfache Glidepath- Modelle, gelöst durch konvexe Optimierung unter Nebenbedingungen; Monte-Carlo-Simulation für die Wahrscheinlichkeit, das Ziel zu erreichen. Die Produktauswahl folgt Regeln (zulässiges Universum, Kosten, SFDR- Klassifizierung, Zielmarkt nach Produktüberwachung).
• LLM-Schicht (optional): erklärt die Empfehlung, beantwortet Fragen, fasst den Geeignetheitsbericht in verständlicher Sprache zusammen und unterstützt Berater bei der Vorbereitung. Sie liest die Ausgabe der Engine, ändert aber keine Allokationen. Ausgaben werden gegen eine Compliance- Leitplanke gefiltert (keine Renditeversprechen, keine Produktempfehlungen außerhalb der Engine).
• Mensch-in-der-Schleife (Human-in-the-Loop): Compliance verantwortet Modell und Regeln; Berater behandeln Sonderfälle (schutzbedürftige Kunden, Inkonsistenzen, hohe Beträge); Modelländerungen durchlaufen Änderungs- kontrolle und Tests.

Datenaufbereitung

Benötigt werden Antworten aus Kundenfragebögen, Stammdaten, Bestände und Zahlungsströme, das Produktuniversum mit Kosten, KID/KIID und ESG-/SFDR-Daten, Marktdaten und der steuerliche Status. Sie liegen im Kernbanken- oder Depotsystem, im CRM, in Excel-Dateien der Berater, in PDF-Produktdokumenten und in Papierfragebögen.

Typische Lücken: nicht unterschriebene oder veraltete Fragebögen, uneinheitliche Definitionen der Risikoklassen zwischen Beratern, Produktdaten mehrerer Anbieter mit unterschiedlichen Kennungen (ISIN-Zuordnung), fehlende ESG-Daten, eingescannte Papierakten und doppelte Kundendatensätze.

Schritte der Aufbereitung: alte Fragebögen digitalisieren und erneut validieren (PREP-006, PREP-008), ein verbindliches Schema für Risikoklassen und Anlageziele festlegen (PREP-019), Kundenstammdaten bereinigen (PREP-011), Produkt- und Kostendaten über automatische Feeds von Datenanbietern statt aus PDFs beziehen (PREP-005, DATA-003) und für Tests verwendete Daten pseudonymisieren (PREP-022). Frühere Entscheidungen von Beratern als Testfälle sammeln (PREP-018). Typische Werkzeuge sind das Data Warehouse der Bank, ETL-Werkzeuge und ein Framework für Datenqualität.

Der Aufwandsanteil ist mittel, etwa 30 bis 40 Prozent; der größte Teil entfällt auf regulatorische Definitionen und Produktdaten, nicht auf das Volumen. GUIDE-003 bietet eine Prüfung vor dem Start.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen (Enterprise): B. Geeignetheitslogik, Produktuniversum und Dokumentationspflichten sind zentral und reguliert und müssen mit Depot, CRM und Kernbankensystem integriert werden; bauen Sie die Engine auf eigenen Regeln mit Cloud-Komponenten auf und kaufen Sie nur dort ein lizenziertes Beratungsmodul, wo das Institut klein ist.
• Entwickler: C. Open-Source-Bibliotheken für Optimierung und Portfolios (z. B. PyPortfolioOpt, cvxpy) laufen selbst betrieben; die Kundendaten bleiben unter eigener Kontrolle, und LLMs erklären, falls eingesetzt, nur die Ausgaben.
• Privat: A. Zugelassene Robo-Advisor oder Broker-Werkzeuge sind für Privatpersonen der sinnvolle Weg; selbst gebaute Beratung hat keinen regulatorischen Status.

Weg A — Kaufen (Standardsoftware; White-Label-Robo-Plattform für kleinere Banken und Anbieter)

• Robo-Advice-Plattformen/White-Label-Engines: Scalable Capital (DE) und Quirion (DE) betreiben Angebote für Privatkunden; B2B-Engines sind unter anderem Fincite (DE), Avaloq (CH), Temenos und FNZ. Prüfen Sie die aktuelle Verfügbarkeit.
• Compliance-Werkzeuge: Geeignetheitsberichte, KID-/Kostenausweis und Archivierung aus dem Kernbanken- oder Wealth-System.
• A wählen, wenn: Sie kein Quant-Team haben, einen für die Zulassung tauglichen Compliance-Rahmen brauchen und einen Anbieter bevorzugen, der die aufsichtliche Prüfung bereits bestanden hat. Prüfen: Hosting in der EU, wer das regulierte Unternehmen ist, Dokumentation der Modell-Governance, Prüfzugriff, Ausstiegsrechte.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Engine: eigener Dienst für Geeignetheit und Allokation (Python, cvxpy/PyPortfolioOpt, QuantLib für Analysen); Markt- und Fondsdaten von Anbietern wie Morningstar, LSEG oder MSCI (ESG-/SFDR-Daten).
• LLM-Schicht: führende Modelle über Endpunkte in EU-Regionen (Azure OpenAI in der EU, Google Vertex AI EU, AWS Bedrock Frankfurt, Anthropic Claude über Cloud-Regionen in der EU, Mistral La Plateforme als EU-Anbieter) für Erklärungen und Entwürfe von Berichten, mit strukturierten Ausgaben und einem Retrieval, das auf die freigegebenen Inhalte des Unternehmens beschränkt ist.
• Integration: Depot und Brokerage über Bank-APIs oder einen Broker-Partner; Workflow über Camunda oder Ähnliches; Archivierung nach den Aufzeichnungspflichten der MiFID.

Weg C — Selbst betreiben (Open Source)

• Optimierung und Simulation: cvxpy, PyPortfolioOpt, Riskfolio-Lib, QuantLib, Ray.
• LLM-Schicht: Modelle mit offenen Gewichten (z. B. Klasse Mistral Small/Medium, Qwen3, Llama, gpt-oss), betrieben mit vLLM für Erklärungen und Chat; die Allokations-Engine selbst benötigt nur eine CPU. Leitplanken ergänzen (z. B. NeMo Guardrails, Llama Guard) für konforme Formulierungen.
• Hardware: HW1 für die Engine; HW2, um ein quantisiertes Modell mit ca. 8–30 Mrd. Parametern für Erklärungen zu betreiben.
• Geeignet, wenn: Anforderungen an die Datensouveränität (Rechenzentren der Sparkassen/Volksbanken) schwerer wiegen als Bequemlichkeit.

Weg D — Eigenes Training

Für die Portfoliokonstruktion nicht nötig, da erklärbare, prüfbare Modelle bevorzugt werden. Feintuning ist gerechtfertigt für ein Service-LLM, das auf die freigegebenen Formulierungen des Unternehmens trainiert wird, für die Vorhersage von Abwanderung und Lebensereignissen oder für die Optimierung der Kundenkommunikation. Daten: gelabelte Gespräche und Ergebnisse; strikte Trennung von der Empfehlungs-Engine.

Stand der Technik (2026)

• Deterministischer Kern, generative Hülle: Führende Anbieter halten die Geeignetheits- und Allokationslogik regelbasiert und testbar und ergänzen LLMs für Erklärungen, Zieldialoge und Berater-Copiloten. Frei formulierte LLM-Empfehlungen haben sich als inkonsistent erwiesen, variieren mit der Formulierung des Prompts und können Geeignetheitsbeschränkungen übersehen; deshalb betonen Aufsichtsbehörden die Verantwortlichkeit unabhängig vom Werkzeug [2][3].
• Zielbasierte Planung und personalisiertes Direct Indexing (Tax-Loss-Harvesting, ESG-Gewichtungen) sind in den USA weiter verbreitet; in der EU verläuft die Einführung wegen Kosten und Steuerregeln langsamer.
• ESG-Präferenzen sind seit August 2022 Teil der Geeignetheitsprüfung nach MiFID II und an die Kategorien von SFDR und EU-Taxonomie gebunden [4].
• Kleinanlegerstrategie (Retail Investment Strategy): Das Kleinanlegerpaket der EU schlägt Änderungen bei Zuwendungen, Preis-Leistungs-Verhältnis und Beratungsregeln vor; prüfen Sie den aktuellen Stand der Gesetzgebung vor dem Entwurf [5].
• Grenzen und Fehlerbilder: Fragebögen messen die angegebene, nicht die tatsächliche Risikobereitschaft; Kunden antworten widersprüchlich; Modellportfolios verhalten sich bei Marktstress ähnlich (Herdenverhalten); LLMs können Produktfakten erfinden oder Garantien andeuten; Daten zur Verlusttragfähigkeit fehlen häufig.

Gemeinsame Bausteine & Kombinationen

• OPT-010 (institutionelle Portfoliooptimierung und Handel) teilt Optimierungsbibliotheken und Marktdaten-Pipelines; KNOW-023 liefert Research-Zusammenfassungen für Berater; LANG-037 liefert SFDR-/Taxonomie-ESG-Daten; LANG-024 prüft Marketing und Finanzwerbung; CONV-013 ist das dialogorientierte Frontend; PRED-009 und REC-003 teilen sich Kunden- analysen, doch die Nutzung für Marketing muss von der Geeignetheitslogik getrennt bleiben.
• Gemeinsame Bausteine: optimization-solver, guardrails, llm-general, workflow-automation.

Aufwand, Kosten & Kennzahlen

• Weg A: 3–9 Monate einschließlich Compliance-Freigabe, Integration mit dem Depot und Onboarding; Lizenzgebühren richten sich typischerweise nach verwaltetem Vermögen oder Kundenzahl.
• Weg B: 9–18 Monate mit einem Team aus Quant, Entwicklung und Compliance; große Kostenblöcke sind Datenlizenzen, Validierung und Aufsicht.
• Weg C: ähnlich wie B, zuzüglich Infrastruktur und Betrieb der LLMs.
• Kennzahlen: Abschlussquote beim Onboarding, Anteil der Kunden mit dokumentierter Geeignetheit, Quote inkonsistenter Profile, Abweichung des Portfolios vom Ziel, Tracking Error, Kostenquote, Kundenbindung, Beschwerdequote, Zahl der Compliance-Ausnahmen, Qualität der Erklärungen (durch Menschen bewertet).

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung (Strategie, Haftung), die Leitung der Beratung als Prozessverantwortliche, Berater und Portfoliomanager, Compliance und Recht (MiFID-II-Geeignetheit, Produktüberwachung, Erwartungen der Aufsicht), IT und IT-Sicherheit, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und den Betriebsrat ein. Die Datenverantwortlichen für Kunden- und Produktdaten sind früh dabei. Kundinnen und Kunden sind von der Ausgabe betroffen und brauchen klare Erklärungen.

Betriebsrat: abhängig vom Einzelfall, in der Praxis aber wahrscheinlich ja. Die Arbeitsabläufe der Berater ändern sich (§ 90 Abs. 1 Nr. 3 BetrVG), und Werkzeuge, die die Tätigkeit oder Qualität der Berater protokollieren, sind zur Verhaltensüberwachung geeignet (§ 87 Abs. 1 Nr. 6, BAG: objektive Eignung genügt). Ein Sachverständiger für KI kann nach § 80 Abs. 3 hinzugezogen werden. Einrichtungen der öffentlichen Hand beteiligen den Personalrat.

Datenschutz: Finanzprofile sind sensibel; eine DSFA (Art. 35 DSGVO) ist wegen der systematischen Bewertung von Personen wahrscheinlich, mit jedem Auftragsverarbeiter ist ein AVV zu schließen, und die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte ist von Anfang an einzubinden. Die Einstufung nach der KI-Verordnung (AI Act) braucht eine dokumentierte Bewertung, siehe GUIDE-014.

KI-Kompetenz: unterstützen Sie Berater und Compliance-Mitarbeitende mit Schulungen zu den Grenzen der Modelle und zur Erklärung von Empfehlungen (Art. 4 KI-Verordnung (AI Act), GUIDE-006).

Starten Sie mit einer kleinen Beratergruppe oder einer einzelnen Produktlinie als Pilot, parallel zur menschlichen Beratung, und stellen Sie sicher, dass Berater oder Compliance jede Empfehlung prüfen und übersteuern können. Typische Sorgen sind Arbeitsplatzverlust und Haftung; begegnen Sie ihnen, indem Sie das Werkzeug als Unterstützung mit dokumentiertem Prüfpfad positionieren. Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• MiFID II: Geeignetheitsprüfung, Ex-ante-Kostenausweis, Produktüberwachung, Aufzeichnungspflichten und die Geeignetheitsleitlinien der ESMA gelten; bei vollautomatisierter Beratung bleiben die Unternehmen verantwortlich, und die ESMA geht ausdrücklich auf automatisierte Werkzeuge ein [1][2]. Deutsche Unternehmen unterliegen dem WpHG und der Aufsicht der BaFin.
• KI-Verordnung (AI Act): Anlageberatung ist nicht in Anhang III aufgeführt, daher ist Robo-Advice für sich genommen in der Regel nicht hochriskant; die Bewertung der Kreditwürdigkeit (Anhang III Nr. 5 Buchst. b) ist jedoch hochriskant, und die Risikobewertung und Preisgestaltung bei Lebens- und Krankenversicherungen fällt ebenfalls unter Anhang III. Eine Chat- oder Erklärungsschicht löst die Transparenzpflicht nach Art. 50 aus (Kunden mitteilen, dass sie mit KI interagieren), und die KI-Kompetenz nach Art. 4 gilt. Zu den verbotenen Praktiken (Art. 5) zählen manipulative Techniken oder das Ausnutzen von Schwächen aufgrund von Alter oder finanzieller Lage; daher ist ein Anstupsen zu kostenintensiven Produkten zu vermeiden. Die Einstufung hängt vom Umfang ab; holen Sie eine rechtliche Prüfung ein [6]. Fristen für Pflichten bei Hochrisiko-Systemen können sich durch EU-Vereinfachungsvorschläge verschieben, prüfen Sie daher die aktuellen Termine.
• DSGVO: Finanzdaten, Ziele und Hinweise auf Schutzbedürftigkeit sind personenbezogene Daten; Art. 22 gilt für ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung, bieten Sie daher menschliche Überprüfung und Erklärung an; DSFA voraussichtlich erforderlich; vermeiden Sie das Ableiten besonderer Datenkategorien (z. B. Gesundheit) [7].
• DORA: IKT-Risiko, Aufsicht über Drittanbieter (Cloud- und LLM-Anbieter) und Meldung von Vorfällen für Finanzunternehmen.
• Risiken & Gegenmaßnahmen: ungeeignete Beratung (konservative Rückfalloptionen, Prüfung von Ausreißern), Interessenkonflikte (keine versteckte Lenkung zu hauseigenen Produkten), Modellrisiko (Validierung, Versionierung, Backtesting), Falschaussagen von LLMs (vorformulierte Hinweise, Leitplanken, Protokollierung), schutzbedürftige Kunden (Eskalation an Menschen).

Erste Schritte

1. Das Servicemodell (Beratung vs. Vermögensverwaltung vs. reine Ausführung mit Angemessenheitsprüfung) mit Compliance festlegen; es bestimmt die Pflichten.
2. Zielmarkt, Produktuniversum und Fragebogen dokumentieren; den Fragebogen mit echten Kunden auf Konsistenz testen.
3. Die Engine eines Anbieters (Weg A) erproben oder die Allokations-Engine mit einfachen, erklärbaren Regeln bauen, bevor ein LLM hinzukommt.
4. Die LLM-Schicht nur lesend für Erklärungen ergänzen; alle Ausgaben protokollieren und gegen einen Compliance-Prompt-Satz testen.
5. Einen beaufsichtigten Pilot mit begrenzter Kundengruppe durchführen, Geeignetheitsberichte stichprobenartig durch Compliance prüfen lassen, dann skalieren.

Quellen

1. ESMA — MiFID II interactive single rulebook — https://www.esma.europa.eu/publications-and-data/interactive-single-rulebook/mifid-ii
2. ESMA — Guidelines on certain aspects of the MiFID II suitability requirements (ESMA35-43-3172) — https://www.esma.europa.eu/document/guidelines-certain-aspects-mifid-ii-suitability-requirements-0
3. BaFin — German financial supervisor (search "robo-advice") — https://www.bafin.de/EN/Homepage/homepage_node.html
4. European Commission — Sustainable finance: SFDR and sustainability preferences in MiFID II — https://finance.ec.europa.eu/sustainable-finance_en
5. European Commission — Retail investment strategy — https://finance.ec.europa.eu/publications/retail-investment-strategy_en
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. Directive 2014/65/EU (MiFID II) — https://eur-lex.europa.eu/eli/dir/2014/65/oj
9. cvxpy — https://github.com/cvxpy/cvxpy
10. PyPortfolioOpt — https://github.com/robertmartin8/PyPortfolioOpt