Stiftungsvermögen 4.0: So kalibrieren Sie KI-Agenten für die Ewigkeit

Stiftungen sind auf Ewigkeit angelegt. Das Stiftungsvermögen muss über Generationen real erhalten bleiben und zugleich Jahr für Jahr verlässliche Mittel für den Stiftungszweck abwerfen. Wer jetzt KI-Agenten in die Asset-Allokation einbaut, stößt auf einen fundamentalen Widerspruch: Große Sprachmodelle und maschinelle Lernverfahren werden mit Daten trainiert, die bestenfalls 20, meist nur 5 oder 10 Jahre zurückreichen. Sie lernen aus dem jüngsten Marktrauschen, nicht aus einem Jahrhundert struktureller Veränderungen. Das Risiko: KI-Agenten optimieren kurzfristig und untergraben so die Ewigkeitsperspektive. Dieser Artikel zeigt, wie Family Offices diesen Widerspruch auflösen, indem sie KI-Agenten mit harten, selbst auferlegten Regeln kalibrieren.

Das Zeitproblem: Warum KI traditionell an der Ewigkeitsperspektive scheitert

Die Trainingsbasis fast aller aktuellen Modelle ist zeitlich eng begrenzt. GPT-4 und vergleichbare Systeme fußen auf Internettexten, deren Schwerpunkt in den letzten Jahren liegt. Finanzspezifische Large Language Models werden mit Börsendaten, Quartalsberichten und Analystenkommentaren der jüngeren Vergangenheit gefüttert. Das führt zu einem strukturellen Recency Bias: Die Muster des vergangenen Jahrzehnts dominieren die Vorhersagen, während längere Zyklen unterrepräsentiert sind.

Für eine Stiftung mit einem Planungshorizont von 50, 80 oder mehr als 100 Jahren ist das Gift. Ein KI-Agent, der auf eine 10-Jahres-Historie trainiert wurde, sieht das Deleveraging nach 2008 als extreme Anomalie, nicht aber den jahrzehntelangen Inflationsrückgang des 20. Jahrhunderts oder den Aufstieg neuer Wirtschaftsblöcke. Er tendiert dazu, aktuelle Momentum-Muster zu verstärken: wenn die letzten Jahre Technologiewerte getrieben waren, wird er Technologiewerte übergewichten. Langfristige Risiken wie Demografie, Klimatransition oder regulatorische Umbrüche, die sich über Jahrzehnte entfalten, bleiben im Trainingsmaterial unsichtbar.

Ein häufiges Muster: Ein auf moderne Machine-Learning-Modelle gestütztes Tool für die Asset-Allokation schlägt einen Portfolioumbau vor, der die Rendite der letzten fünf Jahre extrapoliert. Auf dem Papier sieht die optimierte Allokation überlegen aus. Doch in der Simulation über 30 Jahre bricht sie in Szenarien ein, die nicht in den Trainingsdaten enthalten sind, etwa ein dauerhafter Zinsanstieg kombiniert mit deglobalisiertem Handel. Für einen Privatanleger mag das noch risikoarm sein. Für eine Stiftung, deren Ausschüttungsfähigkeit vom realen Kapitalerhalt abhängt, ist dieser blinde Fleck existenzgefährdend.

Ewigkeitsregeln als Kontrollinstanz: Self-imposed Constraints für KI-Agenten

Die Lösung liegt nicht darin, KI-Modelle mit 100 Jahren fiktiver Daten zu trainieren. Das würde die Abhängigkeit von konstruierten Szenarien nur erhöhen. Stattdessen müssen KI-Agenten mit festen, unverhandelbaren Regeln ausgestattet werden, die der Ewigkeitsperspektive entsprungen sind. Diese Ewigkeitsregeln wirken wie ein kategorischer Imperativ für die Anlageentscheidung – und werden als programmatische Constraints implementiert, nicht nur als vage Leitplanken im Prompt.

Im deutschen Stiftungsrecht (§ 80 BGB, ergänzt durch landesrechtliche Vorgaben) ist das Grundstockvermögen ungeschmälert zu erhalten. Der Ausschüttungszwang verlangt, die Erträge zeitnah für den Stiftungszweck zu verwenden. Die IDW RS FAB 5 konkretisiert, wie aus handelsrechtlicher Sicht Kapitalerhalt und Ertragsverwendung abzugrenzen sind. All das lässt sich in ein formales Regelwerk gießen, das ein KI-Agent zwingend respektieren muss.

Konkret: Ein Multi-Agent-System erhält einen Regel-Agenten, der jede vorgeschlagene Transaktion prüft. Verstößt ein Allokationsvorschlag gegen die Vorgabe, dass das Stiftungsvermögen inflationsbereinigt nie unter den Echtgeld-Schwellenwert fallen darf, wird der Vorschlag blockiert. Ebenso muss jede Umschichtung sicherstellen, dass die erwartete Ausschüttungsquote der nächsten fünf Jahre nicht unter die Mindestanforderung fällt. Solche Constraints sind deterministisch, lassen sich mit traditionellen Prüfalgorithmen abbilden und laufen völlig unabhängig vom probabilistischen KI-Modell.

Damit wird die KI von der Verantwortung entlastet, selbst die Ewigkeitsprinzipien zu „verstehen“. Sie darf und soll kreative Allokationsideen generieren, aus Marktdaten Muster extrahieren, alternative Szenarien simulieren. Aber bevor ein Trade ausgeführt wird, fragt das System den Regel-Agenten: Ist das mit den Ewigkeitsregeln vereinbar? Die Antwort muss „Ja“ sein, sonst bleibt die Order liegen. Das ist keine grobe Einschränkung der KI, sondern ein Sicherheitsnetz, das den langen Atem der Stiftung schützt.

Multi-Agent-Systeme für die Ewigkeitsperspektive: Architektur und Anwendung

Für eine robuste Umsetzung empfiehlt sich eine Multi-Agent-Architektur, in der spezialisierte Agenten arbeitsteilig agieren. Nicht ein einzelner KI-Agent trifft die Entscheidung, sondern ein System aus mehreren, die sich gegenseitig kontrollieren und ergänzen.

Eine mögliche Konfiguration für ein Family Office:

• Asset-Allokations-Agent: verarbeitet Marktdaten, fundamentale Bewertungskennzahlen und liefert Entwürfe für die strategische und taktische Allokation.
• Langfrist-Szenario-Agent: simuliert über 60 bis 100 Jahre stochastische Pfade unter Berücksichtigung demografischer Projektionen, Klimaauswirkungen und struktureller Zinsentwicklungen.
• Risiko-Agent: bewertet jedes vorgeschlagene Portfolio auf Klumpenrisiken, Liquidität und Stressresistenz, auch unter Extremszenarien außerhalb historischer Ereignisse.
• Compliance- und Regel-Agent: prüft die Einhaltung der Ewigkeitsregeln, des Stiftungsrechts und der Anlagerichtlinien.
• Koordinator-Agent: aggregiert die Voten, wägt ab und legt bei Konflikten dem menschlichen Investment-Komitee eine begründete Entscheidungsvorlage vor.

Der Workflow könnte so aussehen: Der Asset-Allokations-Agent schlägt auf Basis aktueller Bewertungen eine Erhöhung der Aktienquote von 30 % auf 40 % vor, weil die Risikoprämien attraktiv erscheinen. Der Langfrist-Szenario-Agent prüft in 100-jährigen Simulationen, ob das Nominalvermögen auch unter pessimistischen Klimawandelszenarien und sinkendem Arbeitskräftepotenzial erhalten bleibt. Der Risiko-Agent warnt vor einem Anstieg des Shortfall-Risikos, wenn zugleich die Anleihenrenditen fallen. Der Compliance-Agent stellt fest, dass die geplante Aktienquote innerhalb der Richtlinie liegt, solange das Portfolio ein bestimmtes Liquiditätspolster für drei Jahre Ausschüttungen behält. Der Koordinator-Agent zeigt an: „Umsetzung möglich, wenn das Liquiditätspolster um 15 % erhöht wird.“ Der Mensch entscheidet.

Ein konkretes Anwendungsbeispiel: Eine Stiftung mit einem Vermögen von 120 Millionen Euro, einem jährlichen Ausschüttungsbedarf von 3 % und dem obersten Ziel, das Grundstockvermögen inflationsbereinigt für die nächsten 80 Jahre zu erhalten. Die Multi-Agent-Konfiguration sorgt dafür, dass keine Allokation freigegeben wird, die in einem simulierten Jahrhundert den Schwellenwert auch nur in einem Prozent der Pfade unterschreitet. Der Langfrist-Agent rechnet mit einem permanenten Produktivitätsrückgang, einer Energiepreis-Verteuerung und einem Anstieg der Lebenserwartung. Das Ergebnis ist eine Allokation, die Infrastruktur und Realwerte höher gewichtet als ein rein vergangenheitsdatengetriebenes Modell.

Kalibrierung in der Praxis: Parameter, Daten und Grenzen

Die entscheidende Frage lautet: Mit welchen Daten und Parametern kalibriert man das Langfrist-Modell, ohne selbst dem Recency Bias zu verfallen?

Zunächst sind Datenquellen zu erschließen, die weit über Kurszeitreihen hinausgehen. Demografische Projektionen der UN oder des Statistischen Bundesamtes, Klimaszenarien des IPCC, Langzeitstudien zu Rohstoffverfügbarkeiten und Technologiepfaden. Diese Daten stehen der KI nicht automatisch zur Verfügung, sondern müssen gezielt in das Langfrist-Szenario-Modul eingespeist werden. Ein typischer Fehler: Man lässt das LLM einfach allgemeine Wirtschaftsdaten scrapen. Besser: ein dedizierter Datenfeed mit Szenario-Annahmen, die von unabhängigen Experten gepflegt werden.

Die Gewichtung ist das zweite kritische Element. Ein Modell, das zu 90 % auf historischen Marktdaten basiert, wird die nächste Krise nie erfassen. Ich halte eine Aufteilung von 50 % historische Marktrenditen, 30 % strukturierte Szenarien (z. B. CO2-Pfad, Zinswende-Japan-Szenario) und 20 % fundamentale Ewigkeitsprojektionen für einen gangbaren Ansatz. Der Langfrist-Agent muss in seiner internen Logik erkennen, welche Phase eines langen Zyklus er gerade modelliert, und die kurzfristigen Allokationsideen entsprechend relativieren.

Die Parameter für Risiko und Rendite dürfen nicht nur als Erwartungswert definiert werden, sondern als bedingte Verteilung unter verschiedenen Pfadabhängigkeiten. Der Risiko-Agent muss Fragen beantworten: Wie hoch ist die Wahrscheinlichkeit, dass die Stiftung in 30 Jahren weniger als 80 % des realen Stiftungsvermögens hält, wenn wir heute die Aktienquote erhöhen? Wie stark schwankt die jährliche Ausschüttung in einem deflationären Jahrzehnt? Solche Analysen gehen über klassische Value-at-Risk-Ansätze hinaus und erfordern Monte-Carlo-Simulationen mit generationenübergreifendem Zeithorizont.

Dennoch bleibt die Grenze jeder KI: Sie kann nicht erahnen, was es noch nie gegeben hat. Ein Ethik-Komitee oder zumindest ein menschliches Kontrollgremium darf sich nicht allein auf die Modellausgaben verlassen. Es muss in regelmäßigen Abständen die Ewigkeitsregeln selbst hinterfragen: Ist der Ausschüttungssatz von 3 % in einer Welt mit strukturell niedrigeren Renditen noch haltbar? Müssen Klimaszenarien um Kipppunkte erweitert werden, die heute noch nicht wissenschaftlich quantifizierbar sind? Die KI liefert Zahlen, die menschliche Urteilskraft bleibt unverzichtbar.

Vergleich: Stiftungs-Allokation mit vs. ohne KI-Agenten

Greift man auf ein KI-gestütztes Multi-Agent-System zurück, verschieben sich die Ergebnisse gegenüber einer traditionellen, rein regelbasierten oder diskretionären Allokation deutlich.

Ein klassisches Stiftungsportfolio – 60 % Anleihen, 30 % Aktien, 10 % Immobilien, jährliches Rebalancing – hat in den letzten 20 Jahren real etwa 2,5 bis 3 % Rendite erzielt, bei ordentlichem Kapitalerhalt. In Phasen negativer Realzinsen fraß die Inflation jedoch am Grundstockvermögen, und die Ausschüttung musste zeitweise aus der Substanz erfolgen. Planbare, gleichbleibende Ausschüttungen waren nur mit großem Puffer möglich.

Ein vergleichbares Multi-Agent-System, das Ewigkeitsregeln und Langfristszenarien einbezieht, könnte in Simulationen folgende Effekte zeigen:

• Stabile reale Renditen von 3,5 bis 4 % über rollierende 30-Jahres-Zeiträume.
• Geringere Volatilität der Ausschüttungen, weil die KI frühzeitig auf Divergenzen zwischen Marktbewertung und Langfristpfad hinweist.
• Automatische Umschichtung in inflationsgeschützte Anlageklassen, sobald die Projektion dies erfordert, ohne dass das Investment-Komitee jedes Mal tagen muss.

Praktisch bedeutet das nicht, dass die KI allein entscheidet. Sie schlägt vor, zeigt die Auswirkungen auf die nächsten 50 Jahre, und das Komitee stimmt zu oder verlangt alternative Pfade. Die Entscheidungsvorbereitung wird systematischer und weniger von der Emotion des Tages getrieben.

Allerdings sind regulatorische und praktische Herausforderungen zu beachten. Sobald ein KI-System bei der Kapitalanlage einer Stiftung mitentscheidet, müssen Aufsichtsgremien nachweisen können, dass die Entscheidungslogik nachvollziehbar und die Einhaltung der Stiftungssatzung jederzeit gewährleistet ist. Die Dokumentation erfordert eine klare Audit-Trail-Funktion: Welcher Agent hat welches Votum abgegeben, welche Simulation lag zugrunde, und warum wurde eine Allokationsänderung genehmigt oder abgelehnt? Damit ist mehr Aufwand verbunden als mit einer diskretionären Strategie, aber auch mehr Sicherheit vor späteren Regressansprüchen.

Fazit & Handlungsempfehlungen für Family Officers

Die Ewigkeitsperspektive einer Stiftung und das kurzfristige Gedächtnis gängiger KI-Modelle lassen sich versöhnen – indem man der KI nicht die Ewigkeitsregeln überlässt, sondern sie als feste Constraints einzieht. Das technische Mittel ist ein Multi-Agent-System, das Asset-Allokation, Risikomanagement, Langfristszenarien und Compliance in einem arbeitsteiligen Prozess vereint, ohne dass eine Instanz die alleinige Entscheidungsgewalt hat.

Eine pragmatische Checkliste für die Kalibrierung:

1. Ewigkeitsregeln kodifizieren: Ausschüttungsziel, realer Kapitalerhalt, maximale Entnahme aus dem Grundstockvermögen – als messbare, harte Grenzwerte formulieren.
2. Multi-Agent-Architektur aufsetzen: Getrennte Agenten für Allokation, Langfrist, Risiko und Compliance definieren. Kein Agent darf ohne die Gegenkontrolle der anderen handeln.
3. Langfristdaten einbinden: Demografische Projektionen, Klimaszenarien und säkulare Produktivitätstrends strukturiert in das Simulationsmodul einspeisen und regelmäßig aktualisieren.
4. Menschliche Kontrollinstanz etablieren: Ein Investment-Komitee oder Ethik-Gremium, das die Modellparameter mindestens jährlich hinterfragt und in Krisenzeiten ad-hoc anpasst.
5. Schrittweise einführen: Mit einem Teilportfolio und einer parallelen Simulation über zwölf Monate starten. Erst wenn die Praxis zeigt, dass die Ewigkeitsregeln auch unter Volatilität halten, auf das Gesamtvermögen ausdehnen.

Mein Rat: Warten Sie nicht, bis die BaFin oder die Stiftungsaufsicht explizite Vorgaben für KI-gestützte Stiftungsallokation erlässt. Wer heute beginnt, die eigenen Ewigkeitsregeln zu formulieren und mit einer testenden KI-Architektur zu verheiraten, schafft einen strukturellen Vorteil für die nächste Trustees-Generation. Wer tiefer einsteigen will, findet auf wolfgangrenz.com weitere Informationen oder kann ein unverbindliches Gespräch anfragen.