Was passiert ist
Am 1. September hat Anthropic zwei neue Modelle vorgestellt: Claude Fable 5.1 und Claude Mythos 5.1. Die Ankündigung auf anthropic.com wurde auf Hacker News innerhalb weniger Stunden über tausend Mal positiv bewertet. Das ist ein klares Signal aus der Entwickler-Community: Die Verbesserungen treffen offenbar einen Nerv.
Die beiden Modelle setzen auf zwei Fähigkeiten, die für Finanzanwendungen entscheidend sind: längere Kontextfenster und zuverlässigere Werkzeugnutzung. Längere Kontextfenster bedeuten, dass ein Modell mehrere hundert Seiten Vertragstext, Fondsprospekte oder Research-Reports in einem Durchgang verarbeiten kann, ohne Details zu verlieren. Zuverlässigere Werkzeugnutzung bedeutet, dass das Modell externe Systeme ansteuern kann: eine Datenbank abfragen, einen Rechner ausführen, eine API aufrufen. Beides zusammen ist für die Finanzbranche relevanter, als es auf den ersten Blick wirkt.
Konkrete Zahlen nennt Anthropic in der Ankündigung nicht. Aus meiner Sicht ist das auch zweitrangig. Entscheidend ist, dass diese Fähigkeiten jetzt in einer Qualität verfügbar sind, die kleinere Teams ohne eigene KI-Infrastruktur nutzen können. Früher brauchten Sie für ähnliche Ergebnisse oft eigene Modelle, eigene Pipelines und ein Team, das sich um die Technik kümmert. Heute reicht ein API-Zugang.
Warum das jetzt für Asset Manager und Berater zählt
Die Finanzbranche lebt von Dokumenten. Ein Asset Manager prüft regelmäßig Fondsprospekte, Jahresberichte, Rating-Reports und Vertragswerke. Ein unabhängiger Finanzberater muss Anlagevorschläge auf Basis von Produktinformationen, Risikokennzahlen und Kundenprofilen erstellen. Beides bindet aktuell viel Arbeitszeit für Lesen, Vergleichen und Zusammenfassen.
Mit den neuen Modellen können Sie diese Arbeit anders organisieren. Ein typisches Beispiel: Ein Berater lädt ein 90-seitiges Produktinformationsblatt und eine Kundenakte mit 20 Seiten in ein System. Das Modell extrahiert die relevanten Risikoklassen, Kosten und Vertragsklauseln und gleicht sie mit dem Kundenprofil ab. Das Ergebnis ist ein Entwurf für die Geeignetheitsprüfung, den der Berater freigibt. Die manuelle Suche entfällt nicht komplett, aber sie reduziert sich auf die Kontrolle.
Häufiges Muster: Teams scheuen sich vor langen Dokumenten, weil herkömmliche Modelle nach 20 oder 30 Seiten anfangen, Details zu verlieren. Die neuen Kontextfenster machen diesen Fehler seltener. Das ist kein Freibrief für Blindvertrauen, aber es senkt die technische Hürde deutlich. Ein Fondsprospekt mit 100 Seiten und ein Kundenprofil mit 15 Seiten passen jetzt in einen einzigen Kontext. Das war vor einem Jahr noch ein Problem.
Auch im Trading und im Kapitalmarkt ändert sich etwas. Wer Research-Reports, Quartalszahlen und Newsfeeds automatisiert auswerten will, braucht Modelle, die lange Quellen sicher verarbeiten und externe Datenquellen korrekt ansprechen. Die Werkzeugnutzung ist hier der kritische Punkt: Ein Modell, das eine Berechnung selbst durchführt statt sie aus dem Gedächtnis zu schätzen, reduziert Fehler bei Kennzahlen. Wenn das Modell einen Python-Interpreter aufruft, um eine Sharpe-Ratio oder einen Drawdown zu berechnen, ist das Ergebnis nachvollziehbar. Wenn es die Zahl aus dem Training schätzt, ist es geraten. Der Unterschied ist für quantitative Analysen fundamental.
Auch im Bereich Krypto und digitale Assets gibt es Anwendungen. Wer On-chain-Daten auswertet oder Smart Contracts prüft, hat oft lange Transaktionslisten und Code-Abschnitte. Die neuen Modelle können diese Kontexte besser halten und bei Bedarf externe Blockchain-Explorer abfragen. Das ist für kleinere Krypto-Dienstleister interessant, die keine eigene Analyse-Infrastruktur betreiben.
Auch Steuerberater und Wirtschaftsprüfer arbeiten mit langen Belegsammlungen und Verträgen. Die automatische Extraktion von relevanten Klauseln wird zuverlässiger, wenn der Kontext groß genug ist, um den gesamten Vertrag und die zugehörigen Anhänge gleichzeitig zu sehen.
Und ja, auch Compliance-Teams profitieren. Dokumentenprüfung, Vertragsanalyse, Sanktionslistenabgleich. Aber ich will den Fokus nicht auf Banken-Compliance legen. Die Anwendungsfälle in Beratung und Asset Management sind mindestens genauso groß und oft schneller umsetzbar, weil die Prozesse weniger formalisiert sind.
Was Sie konkret tun können
Mein Rat: Fangen Sie nicht mit einem großen Projekt an. Nehmen Sie sich eine wiederkehrende Aufgabe, die heute zwei bis drei Stunden Dokumentenarbeit kostet. Das kann die Erstellung eines Anlagevorschlags sein, die Prüfung eines Fondsprospekts oder die Auswertung eines Research-Dossiers. Testen Sie, ob eines der neuen Modelle diese Aufgabe mit vertretbarem Kontrollaufwand erledigt.
Schritt eins: Definieren Sie die Aufgabe präzise. Schreiben Sie auf, welche Eingaben das Modell bekommt, welche Ausgabe Sie erwarten und welche Fehler nicht passieren dürfen. Ohne diese Definition messen Sie nur Bauchgefühl. Ein Beispiel aus der Praxis: Ein Vermögensverwalter will aus einem Fondsreport die Kostenquote, die Top-10-Positionen und die Währungsabsicherung extrahieren. Die Fehlerdefinition lautet: Keine veraltete Kostenquote, keine erfundene Position, keine falsche Währungsangabe. Das ist prüfbar.
Schritt zwei: Bauen Sie einen kleinen Test mit echten Daten. Nutzen Sie die Werkzeugfunktion, wenn Sie Kennzahlen berechnen lassen. Lassen Sie das Modell nicht rechnen, ohne dass es einen Rechner aufruft. Das ist der häufigste Fehler, den ich sehe. Sie können das technisch erzwingen, indem Sie dem Modell nur dann eine Rechenoperation erlauben, wenn es das Werkzeug aufruft. Oder Sie prüfen die Ergebnisse manuell nach. Beides ist in einem Pilotprojekt machbar. Die Kosten für einen solchen Test über die API liegen im Bereich von wenigen Euro pro hundert Seiten, abhängig vom Anbieter und vom Modell. Das ist kein Hindernis.
Schritt drei: Implementieren Sie eine Kontrollschleife. Ein Mensch prüft die Ausgabe, bevor sie verwendet wird. Dokumentieren Sie den Prüfschritt. In regulierten Bereichen ist das nicht optional, sondern Voraussetzung. Die BaFin und die FMA erwarten nachvollziehbare Entscheidungen. Wenn Sie ein KI-Modell als Hilfsmittel einsetzen, müssen Sie belegen können, dass die Endverantwortung bei einer Person liegt. Das ist kein bürokratischer Selbstzweck. Es schützt Sie vor Fehlern, die in der Finanzbranche teuer werden.
Die neuen Modelle sind kein Grund, sofort alles umzustellen. Aber sie sind ein Grund, die eigene Dokumenten- und Analysearbeit neu zu bewerten. Wer jetzt einen konkreten Test startet, hat in sechs Monaten einen Erfahrungsvorsprung. Wer wartet, bis die Konkurrenz den Prozess etabliert hat, zahlt später doppelt: einmal für die Technik und einmal für den Rückstand.