Die Geeignetheitserklärung ist das Herzstück jeder Fondsberatung. Sie dokumentiert, warum ein bestimmtes Produkt zum Kunden passt. Für Fondsvertriebe ist sie Pflicht. Und ein massiver Zeitfresser. Ein KI-Agent, der diese Arbeit übernimmt, klingt verlockend. Tatsächlich ist die Technik heute reif. Aber der Schein trügt: Wer die Erklärung blind übernimmt, dem tickt eine Haftungsbombe.
Warum Geeignetheitserklärungen der ideale Use Case für KI-Agenten sind
Der regulatorische Druck ist hoch. § 64 Wertpapierhandelsgesetz (WpHG) verlangt, dass jedes Finanzinstitut, das Anlageberatung betreibt, vor einer Transaktion eine Geeignetheitserklärung erstellt. Diese muss individuell und präzise darlegen, wie die empfohlene Anlage zur Risikotoleranz, zum Anlagehorizont und zu den Kenntnissen des Kunden passt. In der Praxis bedeutet das für Fondsvertriebe ein manuelles Abgleichen von Produktinformationsblättern (PIBs) mit den Kundenfragebögen. Bei mehreren hundert Fonds im Angebot und möglicherweise täglich wechselnden Kundenprofilen ist das ein hoher Aufwand. Und fehleranfällig: Eine Studie der BaFin aus 2023 zeigte, dass über 30 Prozent der geprüften Geeignetheitserklärungen Mängel aufwiesen, häufig durch Inkonsistenzen zwischen Risikoklasse und Kundenangaben.
Genau hier setzen KI-Agenten an. Die Aufgabe ist datenintensiv, regelbasiert und wiederholend. Das sind ideale Bedingungen für Automatisierung. Ein Multi-Agent-System kann die einzelnen Schritte entkoppeln: Ein Agent liest das PIB aus, extrahiert strukturierte Daten wie Anlageziele, Kosten, Risikokennzahlen, Zielmarktinformationen. Ein zweiter Agent liest das Kundenprofil und erstellt eine Vektordarstellung der relevanten Merkmale (z. B. finanzielle Situation, Risikotragfähigkeit, Kenntnisniveau). Ein dritter Abgleich-Agent matched diese Mengen und identifiziert Diskrepanzen. Und ein vierter Agent generiert den Entwurf der Erklärung, mit allen von der Aufsicht geforderten Bausteinen.
Kein einzelner KI-Mono-Agent kann das zuverlässig leisten. In der Demo mag ein einzelnes Large Language Model eine plausible Erklärung generieren. Aber die Fehlerquote bei Zahlen, Prozentangaben und regulatorischen Pflichtformulierungen ist zu hoch. Das Zusammenspiel spezialisierter Agents, jeder mit eingeschränktem Scope und klaren Prüfregeln, mindert das Risiko. Zudem erlaubt es eine schrittweise Qualitätssicherung.
Ein häufiges Muster: Ein unabhängiger Fondsvertrieb mit fünf Beratern erstellt monatlich 200 Geeignetheitserklärungen. Jede Erklärung dauert manuell 45 Minuten. Der KI-Agenten-Workflow reduziert den Zeitaufwand auf 10 Minuten pro Fall, weil der Berater nur noch den Entwurf prüft und anpasst. Das sind über 100 Stunden pro Monat Einsparung allein in diesem Betrieb.
Technischer Deep Dive: Wie ein RAG-Stack die Prospektprüfung automatisiert
Das Herzstück ist ein Retrieval-Augmented Generation (RAG) Stack. Der sorgt dafür, dass das KI-System nicht auf das angewiesene Wissen aus dem Training begrenzt ist, sondern live auf die spezifischen Prospekt-PDFs zugreift. So werden Halluzinationen über Produkteigenschaften drastisch reduziert.
Der Stack besteht aus drei Schichten: Dokumentenpipeline, Retrieval und Antwortgenerierung. In der Dokumentenpipeline wandelt ein Parsing-Agent das PIB-PDF in Text und tabellarische Daten um. Hier kommen Techniken aus dem Document AI zum Einsatz: Layout-Analyse erkennt, welche Textblöcke eine Kostenübersicht und welche eine Risiko-Einstufung enthalten. Numerische Werte, wie die laufenden Kosten oder der historische maximale Verlust, werden als strukturierte Key-Value-Paare extrahiert. Einmal extrahiert, werden diese Daten chunkweise in eine Vektordatenbank geschrieben, indexiert auf die entsprechenden Abschnitte.
Retrieval: Bei einer Kundenanfrage wird das Kundenprofil ebenfalls vektorisiert (Embedding). Das Retrieval-Modul sucht dann in der Fonds-Datenbank nach den ähnlichsten Chunks, die zu den Anforderungen passen: Risikotoleranz, Anlageziel, Kostenlimite. Wichtig ist, dass nicht nur eine kosmetische Ähnlichkeit gesucht wird, sondern semantisch die Passgenauigkeit. Zwei Fonds mit Risikoklasse 4 mögen vektoriell nahe beieinander liegen, aber einer hat einen Kostenanteil, der das Profil sprengt. Ein regelbasierter Filter nach dem Retrieval (Guardrail) verwirft dann unpassende Kandidaten.
Antwortgenerierung: Ein LLM erhält den Prompt mit dem Kundenprofil, den ausgewählten Prospekt-Chunks und einem vorgefertigten Template für die Geeignetheitserklärung. Das Template enthält die Pflichtabschnitte gemäß § 64 WpHG und BaFin-Muster: Anlegertyp, Kenntnisse, Risikoklasse, Kostenaufstellung, Produktbeschreibung, Abgleichsergebnis. Das LLM befüllt die Platzhalter mit den extrahierten Daten und formuliert die Begründung aus. Es zitiert dabei die Quelle (z. B. Seite 3 des PIB). So entsteht eine nachvollziehbare Vorlage.
Der mehrstufige Agenten-Ansatz ist hier kein Over-Engineering. Würde man ein einzelnes LLM direkt den gesamten Prospekt samt Kundenfragebogen fressen lassen, drohen falsche Zahlenextraktionen und ausgelassene Risikohinweise. Die Aufteilung in Extraktion, Abgleich und Generierung macht jeden Schritt überprüfbar. Der Extraktionsagent loggt jedes extrahierte Feld mit Position im PDF. Der Matching-Agent protokolliert Übereinstimmungen und Abweichungen. So lässt sich später rekonstruieren, warum ein bestimmter Fonds empfohlen wurde.
Stellen Sie sich einen mittelständischen Fondsvertrieb vor, der ein Portfolio von 80 Publikumsfonds vertreibt. Jeder Fonds hat ein 30-seitiges PIB. Ein RAG-Stack kann in wenigen Minuten alle PIBs indexieren. Bei einer Kundenanfrage liefert das System binnen 15 Sekunden einen vorausgefüllten Entwurf der Geeignetheitserklärung. Die Zeitersparnis liegt hier bei über 80 Prozent. Aber der Teufel steckt in den Details. Und genau da tickt die Haftungsbombe.
Die Haftungsbombe: Warum automatisierte Erklärungen nicht ohne menschlichen Vorbehalt auskommen
Die Technik liefert einen Entwurf. Mehr nicht. Die rechtliche Verantwortung verbleibt gemäß § 64 WpHG i. V. m. Art. 54 der Delegierten Verordnung (MiFID-2) vollständig beim Berater. Ein KI-generierter Text, der ungeprüft übernommen wird, entbindet den Berater nicht von der Haftung. Im Gegenteil: Wenn die Erklärung nicht den tatsächlichen Kundenumständen entspricht und ein Schaden entsteht, haftet das Institut unter Umständen sogar für einen Organisationsmangel, wenn es keine ausreichenden Kontrollen automatisierter Entscheidungen eingerichtet hat.
Die Risiken liegen im Detail. KI-Agenten können Korrelationen erkennen, aber keine individuellen Umstände wie eine bevorstehende Erbschaft, eine Liquiditätsreserve für einen Hauskauf oder die steuerliche Situation. Das sind Faktoren, die in keinem standardisierten Kundenfragebogen stehen und in keinem PIB vorkommen. Ein automatisches System kann sie nicht erfragen. Die finale Beurteilung muss ein Mensch treffen.
Ein heikles Beispiel sind ESG-Präferenzen nach MiFID-2. Seit August 2022 müssen Berater die Nachhaltigkeitspräferenzen der Kunden abfragen und in der Geeignetheitserklärung dokumentieren. Ein KI-Agent, der die ESG-Einstufung aus dem PIB extrahiert, stößt auf implizite Angaben. Ein Fonds mag als „grün“ vermarktet werden, aber die tatsächliche Taxonomiequote liegt unter 5 Prozent. Das System kann das falsch interpretieren, wenn die Datenbank nur Stichworte matcht. Der Berater muss den Kontext verstehen und prüfen, ob die angebliche Nachhaltigkeit tatsächlich den expliziten Kundenwünschen entspricht.
Die BaFin hat klargestellt: Die Letztverantwortung für Anlageempfehlungen kann nicht auf eine KI delegiert werden. Prüfprotokolle sind Pflicht. Nach Art. 22 DSGVO dürfen automatisierte Einzelfallentscheidungen nicht ohne menschliche Einwirkung bleiben, wenn sie rechtliche Folgen haben. Und das sind Anlageempfehlungen. Wer also eine Geeignetheitserklärung per Klick aus dem System holt und ungeprüft verschickt, riskiert eine Rüge, eine Geldbuße und im Ernstfall Schadenersatzklagen.
Aus meiner Sicht ist die größte Gefahr nicht der grobe Fehler, sondern die schleichende Verflachung der Sorgfalt. Wenn das System in 95 Prozent der Fälle richtig liegt, stumpft der Berater ab. Der eine Fall, in dem der Kundenwunsch nicht zur KI-Interpretation passt, rutscht durch. Ohne einen verbindlichen Human-in-the-Loop-Prozess, der jeden Entwurf gegen das Kundenprofil prüft, entsteht eine schleichende Verschlechterung der Beratungsqualität.
Praxisleitfaden: So bauen Sie eine MiFID-2-konforme Auto-Geeignetheitserklärung
Wer die Automatisierung einführen will, sollte vier Schritte beherzigen. Die Technik ist das eine, die Prozessgestaltung das andere.
Schritt 1: Schnittstelle zwischen KI und Mensch exakt definieren. Die KI liefert einen Entwurf. Der Berater prüft ihn, korrigiert und gibt ihn frei. Erst nach der Freigabe geht die Erklärung an den Kunden. Die Freigabe muss technisch protokolliert werden, mit Zeitstempel und Benutzer-ID. Die KI schlägt außerdem Änderungen farblich markiert vor, sodass der Berater auf einen Blick sieht, was automatisch eingefüllt wurde. So bleibt der Überblick.
Schritt 2: Jede Agentenentscheidung loggen. Das Retrieval, der Matching-Score, die extrahierten Felder, die generierte Begründung. Alles in einer Audit-Trail-Datenbank. Diese Nachvollziehbarkeit ist nicht nur regulatorisch geboten, sondern auch praktisch: Wenn ein Kunde reklamiert, können Sie zeigen, dass der Fonds aufgrund objektiv extrahierter Merkmale vorgeschlagen wurde. Das Logging muss DSGVO-konform sein, also keine überflüssigen Personendaten speichern.
Schritt 3: Regelmäßige Audits gegen BaFin-Mustererklärungen. Lassen Sie das System testweise die Fälle einer Prüfung unterziehen. Ziehen Sie eine repräsentative Stichprobe der automatisierten Erklärungen und vergleichen Sie sie mit den Vorlagen der Aufsicht. Checkliste: Sind alle Pflichtangaben vorhanden? Werden Risikohinweise nicht verfälscht? Ist der Abgleich nachvollziehbar? Diese Audits sollten quartalsweise durchgeführt werden und dienen auch der Weiterentwicklung der Agenten.
Schritt 4: Einwilligungs- und Widerspruchsmechanismen integrieren. Kunden müssen wissen, dass ihre Beratung automatisiert unterstützt wird. Sie müssen der automatisierten Verarbeitung zustimmen können und ein Widerspruchsrecht haben. Das ist weniger technisch als organisatorisch relevant. Ein Hinweis im Beratungsprotokoll und die Möglichkeit, eine manuelle Erstellung ohne KI zu verlangen, sind gute Praxis.
Ein praktisches Setup: Sie setzen eine Pipeline auf, die alle PIBs monatlich neu indexiert, wenn Aktualisierungen erscheinen. Die Kundenprofile werden aus dem CRM gezogen. Der Berater öffnet die Fallakte, löst die Geeignetheitserklärung aus und erhält einen Vergleich mehrerer passender Fonds mit Abweichungsnotation. Er wählt einen aus, passt die Begründung an und gibt frei. Das System logged den Vorgang. So ist Compliance sichergestellt.
Fazit: Effizienzgewinn ja, aber niemals blind vertrauen
KI-Agenten sind keine Zukunftsmusik. Sie funktionieren heute für die automatisierte Prospektprüfung und Geeignetheitserklärung. Die Zeitersparnis ist real: bis zu 80 Prozent weniger Aufwand bei gleichbleibender Dokumentationstiefe. Der Haken ist die Haftung. Wer glaubt, die automatisierte Erklärung sei ein perfekter Ersatz für menschliche Urteilskraft, fährt in eine Wand.
Die Lösung heißt Human-in-the-Loop. Die KI bereitet vor, der Mensch entscheidet. Das ist nicht nur aufsichtsrechtlich geboten, sondern auch im Interesse des Kunden und letztlich des eigenen Instituts. Diejenigen, die jetzt in durchdachte Agenten-Pipelines investieren und klare Prüfprozesse etablieren, gewinnen einen echten Produktivitätsvorteil. Alle anderen riskieren Haftungsfälle und Kundenvertrauen.
Aus meiner Sicht ist es klug, mit einem Pilotprojekt zu starten: einen Fondsbereich auswählen, einen RAG-Stack einrichten, die Benutzeroberfläche für die Freigabe bauen und dann schrittweise erweitern. Der Aufwand ist überschaubar, der Nutzen messbar. Vor allem aber lernen Sie, wo Ihre Daten Lücken haben und wo die menschliche Beratung unersetzlich bleibt.
Schreiben Sie diese Erkenntnis nicht als Schlussfolgerung einer KI, sondern als Ihre eigene: Die Geeignetheitserklärung bleibt, was sie immer war – eine persönliche Verantwortung gegenüber dem Kunden. Die KI macht sie schneller. Nicht weniger gewissenhaft.