Was bedeutet KI im Investment Banking?
Im Investment Banking ist mit KI aktuell meist Generative AI (GenAI) gemeint. Dabei handelt es sich um Software, die aus einfachen Prompts beispielsweise Texte, Spreadsheets oder Slides erstellen kann. Da Client Data und Deal Information besonders sensibel sind, stellen Investment Banks ihren Mitarbeiter:innen jedoch in der Regel keine frei zugänglichen Tools zur Verfügung. Stattdessen entwickeln sie geschlossene interne Lösungen, die innerhalb der eigenen Security Infrastructure arbeiten und nur auf freigegebene Daten zugreifen.
Goldman Sachs nutzt beispielsweise den GS AI Assistant, JPMorgan LLM Suite und Morgan Stanley verschiedene Tools wie den AI @ Morgan Stanley Assistant oder AskResearchGPT. Darüber hinaus entwickeln externe Anbieter:innen spezialisierte KI-Tools für Investment Banking, die sich direkt in Excel, PowerPoint und interne Datenbanken integrieren lassen.
Die nächste Entwicklungsstufe ist Agentic AI. Während klassische GenAI vor allem auf Anfragen reagiert, können Agentic Systems mehrstufige Financial Workflows selbständig durchführen. Analyst:innen könnten ein solches System beispielsweise damit beauftragen, relevante Cross-Border Acquisitions zu identifizieren, historische Financials zu sammeln, Currency Effects anzupassen und mögliche Compliance Risks zu markieren. In diese Richtung entwickelt sich KI im Investment Banking zunehmend.
Wie Analyst:innen heute arbeiten
Trotz der Veränderungen durch KI ist der klassische Workflow von Investment-Banking-Analyst:innen weiterhin stark manuell geprägt. Enge Deadlines und kurzfristige Anforderungen von Senior Banker:innen gehören zum Alltag.
Zu den wichtigsten Aufgaben zählen:
- Financial Modeling (Excel): Daten aus Public Filings wie 10-Ks sowie aus Datenbanken oder Terminals wie Bloomberg zusammentragen, um beispielsweise Comparable Company Analyses (Comps) oder andere Valuation Models zu erstellen.
- Confidential Information Memoranda (CIMs) und Pitchbook Creation (PowerPoint): Umfangreiche Präsentationen erstellen, Formatierungen anpassen, Grafiken ausrichten und Industry Charts aktualisieren.
- Administrative Due Diligence: Virtual Data Rooms durchsuchen, Company Registries prüfen sowie Contracts, Financials und Regulatory Filings analysieren und zusammenfassen.
Feedback von Senior Banker:innen kommt dabei häufig erst spät am Tag. Analyst:innen müssen Änderungen dann kurzfristig einarbeiten, Modelle aktualisieren und Formulas überprüfen, damit die Ergebnisse am nächsten Morgen fehlerfrei vorliegen. Traditionell lag ein großer Teil des Werts von Junior Banker:innen daher in Geschwindigkeit, sorgfältiger Recherche, Data Entry und hoher Detailgenauigkeit bei repetitiven Aufgaben.
Aufgaben, bei denen KI bereits unterstützen kann
Viele Aufgaben von Investment-Banking-Analyst:innen sind repetitiv und datenintensiv genau hier kann Generative AI besonders gut unterstützen. KI kann bereits heute bei Pitchbook Development, Financial Modeling, Market Research und Due Diligence eingesetzt werden und einen Teil der manuellen Arbeit reduzieren.
Hier ist ein Überblick darüber, wie KI im Investmentbanking diese sich wiederholenden Aufgaben automatisiert und den manuellen Arbeitsaufwand reduziert.
Pitchbook Development
Die Erstellung von Pitchbooks gehört traditionell zu den zeitaufwendigsten Aufgaben von Analyst:innen. KI Systeme können mittlerweile Deal Summaries erstellen, erste Entwürfe für Rationale Slides formulieren und Präsentationen anhand bestehender Unternehmenstemplates vorbereiten.
Bei einer internen Demonstration konnte JPMorgans LLM Suite beispielsweise innerhalb sehr kurzer Zeit, ca. 30 Sekunden, einen ersten Entwurf einer Investment-Banking-Präsentation mit aktuellen News, Earnings und Peer Comparison erstellen. Das zeigt, wie KI die Deal-Ausführung beschleunigen und den manuellen Aufwand reduzieren kann.
Financial Modeling Automation
Auch im Financial Modeling reduziert KI bereits manuelle Arbeit. Financial Modeling Automation Tools können beispielsweise historische Daten automatisch aktualisieren, anstatt dass Analyst:innen diese einzeln in ein Spreadsheet übertragen müssen.
Tools wie Rogo lassen sich direkt in Excel und PowerPoint integrieren und unterstützen unter anderem beim Roll Forward komplexer Models sowie beim Erkennen möglicher Formelfehler. Daloopa konzentriert sich wiederum auf die Extraktion strukturierter Daten aus unstrukturierten Dokumenten wie Company Filings. Dadurch können sowohl Zeitaufwand als auch Fehler durch manuelle Dateneingabe reduziert werden.
Market Research und M&A Deal Sourcing
Auch Recherche- und Schreibaufgaben lassen sich zunehmend durch KI unterstützen. Morgan Stanleys AskResearchGPT ermöglicht es Mitarbeiter:innen aus Banking und Research beispielsweise, große Mengen interner Research Reports über natürliche Sprache zu durchsuchen. Der AI @ Morgan Stanley Debrief kann Client Meetings zusammenfassen und daraus Follow-up Emails erstellen.
Goldmans GS AI Assistant wird unter anderem eingesetzt, um lange Dokumente zusammenzufassen, erste Textentwürfe zu erstellen oder Recherche für internationale Kund:innen zu übersetzen. KI kann außerdem globale Märkte, News Feeds und Alternative Data beobachten, um potenzielle Käufer oder Acquisition Targets zu identifizieren. Dadurch lässt sich auch M&A Deal Sourcing effizienter gestalten.
Due Diligence & CIMs
Während des ersten Deal Screenings können Document Intelligence Tools unstrukturierte Informationen aus Contracts, Invoices und anderen Dokumenten extrahieren und in strukturierte Daten überführen.
Im weiteren Deal Process können spezialisierte KI Tools wie Hebbia bei der Analyse von CIMs unterstützen. Analyst:innen können damit beispielsweise gezielt nach Risk Clauses oder Revenue Breakdowns suchen, anstatt komplette Dokumente manuell durchzugehen.
KI kann außerdem große Virtual Data Rooms analysieren, bestimmte Metrics identifizieren und passende Quellen hinterlegen. Dadurch müssen Analyst:innen deutlich weniger Dokumente manuell durchsuchen und können sich stärker auf die Interpretation der Due-Diligence-Ergebnisse konzentrieren.
Was KI noch nicht gut kann
Trotz ihrer Stärken bei repetitiven und datenintensiven Aufgaben stößt KI im Investment Banking weiterhin an Grenzen. Das liegt unter anderem an der hohen Bedeutung persönlicher Beziehungen, regulatorischen Anforderungen sowie technologischen Schwächen wie Hallucinations und Fehlern.
Zu den Bereichen, die KI bislang nicht zuverlässig übernehmen kann, gehören:
- Client-Ready Materials vollständig selbstständig erstellen: Im Investment Banking ist Genauigkeit entscheidend. KI kann jedoch falsche Informationen oder überzeugend klingende Halluzinationen produzieren. Analyst:innen müssen Quellen, Zahlen und Ergebnisse daher weiterhin sorgfältig überprüfen.
- Verhandlungen und Client Relationship Management: Investment Banking basiert stark auf Vertrauen und persönlichen Beziehungen. KI kann weder komplexe Verhandlungen eigenständig führen noch langfristige Beziehungen zu Gründer:innen, CEOs oder anderen Kund:innen aufbauen.
- Evaluation und Risk Assessment eigenständig durchführen: KI kann quantitative Risiken wie Leverage, Litigation History oder Customer Concentration erkennen. Schwieriger sind dagegen qualitative Faktoren wie Reputationsrisiko oder mögliche Marktreaktionen, bei denen Erfahrung und menschliches Urteil entscheidend sind.
- Data Protection und Compliance garantieren: Aufgrund sensibler Deal Informationen gelten im Investment Banking besonders hohe Datenschutz- und Compliance-Anforderungen. Automatisierte Workflows müssen deshalb kontrollierbar und vollständig nachvollziehbar bleiben.
Wie sich die Analyst:innen-Rolle verändert
Wenn KI immer mehr Aufgaben auf der Produktionsseite übernimmt, verschiebt sich die Rolle von Analyst:innen zunehmend in Richtung menschlichem Review und Oversight. Statt beispielsweise eine Comps Table vollständig selbst aufzubauen, könnten Analyst:innen künftig stärker überprüfen, ob die von KI erstellte Peer Group und die zugrunde liegenden Daten tatsächlich sinnvoll sind.
Damit verändert sich auch, wodurch Junior Banker:innen einen Mehrwert für das Deal Team schaffen. Geschwindigkeit bei Data Entry oder perfekte Slide-Formatierung werden weniger wichtig. Entscheidend wird vielmehr, was Analyst:innen mit den bereits aufbereiteten Informationen anfangen können. Dazu gehört beispielsweise: Auffälligkeiten in Financials erkennen, Valuation Assumptions hinterfragen, Modelle stresstesten, Ergebnisse richtig interpretieren, strategische Empfehlungen für Kund:innen ableiten. Dadurch könnten Analyst:innen bereits früher in ihrer Karriere stärker an strategischen Aufgaben beteiligt sein.
Welche Skills zukünftige Investment-Banking-Analyst:innen brauchen
Mit der zunehmenden Investment Banking Automation verändern sich auch die Skills, die gute Analyst:innen auszeichnen.
- Kritisches Denken & Skepsis: Analyst:innen müssen sich zunehmend von reinen Creator:innen zu Expert:innen entwickeln, die KI-Output kritisch überprüfen. KI Modelle können falsche Informationen sehr überzeugend präsentieren. Deshalb ist es wichtig, logische Fehler und fehlende Informationen erkennen zu können.
- Gründliche Recherche & Faktenprüfung: Informationen müssen konsequent anhand zuverlässiger Originalquellen überprüft werden. Quellenangaben und Prüfpfade werden dadurch noch wichtiger.
- Deep Business Model, Deal & Industry Fluency: KI kann Slides formatieren, besitzt aber keine echte Sektor-Intuition. Analyst:innen müssen weiterhin verstehen, wie Business-Modelle funktionieren, welche Wettbewerbsvorteile relevant sind und welche Unternehmen tatsächlich in ein Comps Set gehören.
- Technische Kompetenz: Du musst kein:e Software Engineer:in werden. Allerdings solltest du verstehen, wie du komplexe Anfragen strukturierst, Agentic Systems steuerst und Prompts so formulierst, dass brauchbarer Output entsteht.
Wird KI Investment-Banking-Analyst:innen ersetzen?
Zumindest auf absehbare Zeit wird KI die Rolle von Investment-Banking-Analyst:innen voraussichtlich nicht vollständig ersetzen. Banken benötigen weiterhin Junior-Talent, das KI-Output überprüft, menschliches Urteil einbringt und Verantwortung für die Ergebnisse übernimmt. Gleichzeitig bildet die Analyst:innen-Ebene die Grundlage für zukünftige Vice Presidents und Managing Directors. Würde diese Einstiegsebene vollständig verschwinden, würde auch ein wichtiger Teil der zukünftigen Führungskräfte-Pipeline fehlen.
KI könnte allerdings Auswirkungen auf die Größe von Analyst:innen-Teams haben. Wenn einzelne Analyst:innen mithilfe von Enterprise KI-Tools mehr Output produzieren können, könnte sich der Bedarf an Junior Banker:innen verändern, wodurch der Markt auch kompetitiver wird. Das könnte kleinere Analyst:innen Classes oder eine höhere Deal-Auslastung pro Person bedeuten. Entscheidend ist deshalb weniger, ob der Beruf verschwindet, sondern vielmehr, wie sich die Anforderungen an Analyst:innen verändern.
Was bedeutet das für Kandidat:innen?
Wenn du dich aktuell für Praktika oder Full-Time Analyst:innen Roles bewirbst, fragst du dich möglicherweise, ob Investment Banking weiterhin ein sinnvoller Karriereweg ist. Die kurze Antwort lautet: ja. Gleichzeitig könnte der Wettbewerb um Einstiegspositionen zunehmen, wenn Banken durch KI mit kleineren Teams arbeiten können. Für Kandidat:innen wird es deshalb wichtiger, neben klassischen Finance Skills auch einen souveränen Umgang mit KI zu zeigen.
Die Grundlagen bleiben jedoch entscheidend. Accounting, Valuation und Financial Modeling musst du weiterhin verstehen, möglicherweise sogar besser als zuvor. Wenn ein Teil deiner Arbeit künftig darin besteht, den von KI erstellten Output zu kontrollieren, musst du selbst wissen, wie ein korrektes Modell, eine sinnvolle Valuation oder eine gute Analyse aussehen sollte. Nur so kannst du Fehler zuverlässig erkennen.
Auch die Arbeitsstunden könnten durch KI nicht automatisch sinken. Zeit, die bei einzelnen Aufgaben eingespart wird, könnte stattdessen durch mehr Deals oder höhere Erwartungen ausgefüllt werden.
Fazit
KI schafft die Rolle von Investment-Banking-Analyst:innen nicht ab, verändert aber zunehmend deren tägliche Aufgaben. Der Fokus verschiebt sich von der reinen Erstellung von Materialien hin zur Kontrolle, Bewertung und Weiterentwicklung von KI-generiertem Output. Damit wird die Zukunft der Analyst:innen vor allem denjenigen gehören, die KI als Tool verstehen und sinnvoll einsetzen können ohne sich blind darauf zu verlassen.
Kurzfristig kann dieser Wandel zu Veränderungen bei Hiring und Teamgrößen führen und den Wettbewerb um Einstiegspositionen erhöhen. Gleichzeitig entstehen neue Chancen für Kandidat:innen, die technisches Finance-Wissen mit KI-Kompetenz, kritisches Denken und gutem Urteil verbinden. Denn auch wenn KI viele operative Aufgaben übernehmen kann, bleiben persönliche Beziehungen, komplexe Deal-Entscheidungen und die kritische Bewertung von Ergebnissen Bereiche, in denen menschliches Know-how weiterhin entscheidend ist.
