Morningstar: Depots gegen die Zielausrichtung geprüft, Vorschläge mit Begründung.
Auf einen BlickAusgangslage
Alle reden über KI. Kaum jemand sieht, wie ein Anwendungsfall im Alltag aussieht.
So lässt sich eine Beobachtung zusammenfassen, die Morningstar in vielen Kundengesprächen macht. Die Kunden, überwiegend Finanzinstitute auf der Investorenseite, sind oft unsicher, was KI für sie wirklich leisten kann.
Morningstar liefert die Daten, die solche Lösungen brauchen, baut aber bewusst selbst keine Software und keine fertigen KI-Anwendungen. Gerade bei Kunden, die darauf eine eigene, selbstständig arbeitende KI aufsetzen wollen, sind die Fragen groß: Wer muss mitreden, wie steht es um Compliance und IT-Sicherheit? Projekte, die viele Häuser intern nicht allein stemmen können.
Dazu kommt der Alltag der Wealth Manager: Die Betreuung der Bestandskunden fällt im Tagesgeschäft regelmäßig hinten runter, weil die Gewinnung neuer Kunden vorgeht. Gleichzeitig steht ein riesiger Vermögensübergang bevor: schlecht betreute Bestandskunden wechseln genau dann den Anbieter. Hinzu kommen aufwändige Pflichtdokumentationen und eine über viele Anbieter verstreute Datenlage: lauter manuelle Aufgaben, die Zeit kosten. Zeit, die für die eigentliche Beratung fehlt.
Lösung
Eine Zusammenarbeit zu dritt: Daten, Branchenwissen und der AI-Mitarbeiter.
Aus dieser Lage entstand eine Zusammenarbeit zu dritt: scoreprise.AI baut die AI-Mitarbeiter, EY bringt die Erfahrung aus der Finanzbranche ein, Morningstar liefert die Daten. Für das KI-Bootcamp von Morningstar in Frankfurt entwickelten scoreprise.AI und EY in nur einer Woche einen lauffähigen Prototyp: die AI-Mitarbeiterin für Wealth Management (im Projekt Lucy genannt), vollständig auf Basis der Morningstar-Daten.
Sie arbeitet über eine übersichtliche Oberfläche im Morningstar-Look und über die DSGVO-konforme Plattform Langdock, keine Blackbox: erkannte Abweichungen in den Depots, anstehende Termine mit vorbereiteten Gesprächspunkten, ein Marktüberblick, freizugebende Pflichtdokumente und eine vollständige Aufzeichnung aller Schritte.
Ein Kernstück ist der Vorschlag zur Umschichtung: die AI-Mitarbeiterin liest die Positionen eines Kunden live aus den Morningstar-Daten, erkennt eine Abweichung von der Zielausrichtung und schlägt konkrete Käufe und Verkäufe vor, mit Begründung, neuer Aufteilung und einer Prognose über zwölf Monate. Alle Empfehlungen bleiben bewusst Vorschläge: sie bereitet vor, der Wealth Manager entscheidet. Für das Asset Management überträgt der AI-Mitarbeiter für Asset Management dieselbe Arbeitsweise auf Wettbewerbs- und Vergleichsanalysen. Die Modelle laufen auf eigenen Servern in Deutschland, auch Langdock arbeitet auf einer in Deutschland angesiedelten Infrastruktur. Sensible Kundendaten verlassen das gesicherte Umfeld nicht.
Nachtlauf
Depots gegen die Zielausrichtung geprüft
Jede Nacht liest die AI-Mitarbeiterin für Wealth Management die Positionen des Kundenbestands aus den Morningstar-Daten und erkennt Abweichungen von der Zielausrichtung.
Vorschlag
Käufe und Verkäufe mit Begründung
Zu jeder Abweichung entsteht ein Vorschlag mit neuer Aufteilung, Begründung und einer Prognose über zwölf Monate. Vorgeschlagen wird, entschieden wird vom Berater.
Dokumente
Pflichtdokumente im Entwurf
Die regulatorisch nötigen Dokumente, Morgen-Briefings und E-Mail-Entwürfe kommen fertig zur Freigabe, jeder Schritt bleibt aufgezeichnet.
Der Aha-Moment
„Eine reine Grenz- und Compliance-Prüfung kann heute jede Software. Echte KI muss mehr leisten: eine eigene, begründete Einschätzung, an der man merkt, dass wirklich Intelligenz dahintersteckt.“
Nach einer Woche stand kein Konzept auf Folien, sondern ein anfassbarer digitaler Kollege, der live mit den Morningstar-Daten arbeitet. Der begründete Vorschlag zur Umschichtung wurde zum überzeugendsten Teil des Use Case.
Ergebnis
Vom Bootcamp in die Kundengespräche der DACH-Region.
Die AI-Mitarbeiterin wurde auf dem KI-Bootcamp von Morningstar in Frankfurt vorgestellt, und der Prototyp wirkt seither weiter. Die Vertriebs- und Beratungsteams von Morningstar in der DACH-Region und der Schweiz nutzen die funktionsfähige Demo in Kundengesprächen, um greifbar zu machen, was mit den Daten möglich ist.
Im größeren Kreis zeichnete sich die ideale Zielgruppe ab: kleine bis mittelgroße Wealth Manager und Privatbanken, vor allem in der Schweiz, die so eine Lösung nicht allein bauen können und genau deshalb einen Partner brauchen. Aus den Rückmeldungen flossen direkt konkrete Verbesserungen ein: eine ausführlichere Nachweis- und Quellenangabe zu jeder Datenabfrage sowie ein eigener Arbeitsbereich pro Kunde. Auch die Form der Zusammenarbeit nahm Gestalt an: ein gemeinsamer Weg, bei dem beide Seiten Kunden gewinnen, statt eines reinen Datenbezugs.
Der Use Case zeigt, wie Datenanbieter, Berater und KI-Spezialisten gemeinsam aus vorhandenen Daten einen einsetzbaren AI-Mitarbeiter machen und damit die Lücke zwischen KI-Versprechen und konkretem Nutzen für Finanzinstitute schließen.
„Was scoreprise.AI und EY hier in kürzester Zeit gebaut haben, ist genau das, was viele unserer Kunden suchen: ein konkretes, greifbares Beispiel statt abstrakter KI-Versprechen. Ein fertig vorzeigbarer digitaler Kollege auf unseren Daten hilft gerade Häusern, die beim Thema KI noch unsicher sind, den nächsten Schritt zu gehen.“
Weitere Use Cases.
Alle Use Cases
Nächster Schritt
Ihr Anwendungsfall, an einem vergleichbaren Fall gezeigt.
Monatlich kündbar · Betrieb in Deutschland