Anthropic hat vor Kurzem KI-Agenten speziell für Finanzdienstleistungen eingeführt und zielt dabei auf Szenarien wie Investmentbanken, Vermögensverwaltung, Versicherungen, Kreditanalysen und Unternehmensfinanzen. Laut einer Ankündigung von Anthropic können diese Agent-Templates für zeitintensive Aufgaben in der Finanzbranche eingesetzt werden, etwa für das Erstellen von Pitchbooks, KYC-Prüfungen und das monatliche Abschluss-Accounting; zudem lassen sie sich in Claude Cowork, Claude Code und Claude Managed Agents integrieren.
Aber zu sagen, dass das die Finanz-Research-Analysten ersetzt, dürfte noch zu früh sein. Der Podcast „Hardcore 財經通識“ hat auf Facebook erklärt, dass es einen konkreten Schmerzpunkt gebe, auf den Anthropic im Kern abzielt: die Aktualisierung vieler wichtiger, aber extrem repetitiver Informationen. Allerdings sind Finanzdaten oft keine offensichtlichen Fehler. Junior-Analysten bauen sich mit der Zeit ein „Data Sense“ auf. Viele Informationen reichen nicht, um sie nur „erreichbar“ zu machen – man muss auch wissen, was ein Unternehmen diesmal in der Darstellung geändert hat, welche Kennzahlen nicht direkt mit früheren Zeiträumen vergleichbar sind und welche Zahlen lediglich vom Management „verpackt“ wurden.
Anthorpic kann Finanz-Research bei der Informationsaktualisierung unterstützen
Anthropic bringt diesmal 10 Agenten für Finanzdienstleistungen heraus, die Aufgaben wie das Erstellen von Präsentationen, das Prüfen von Jahresabschlüssen und das Verfassen von Credit Memos übernehmen können.
Der Moderator von „Hardcore 財經通識“, Paku, der früher in einem großen inländischen Finanzkonzern im Trading Desk tätig war, sagt, dass die Reaktion des Marktes auf solche Tools leicht in zwei Extreme kippt: Auf der einen Seite „Finanzbranche: Ende der Welt“, „AI knackt das Investitions-Heiligtum“, auf der anderen Seite die vielen Nutzer, die zur Schau stellen, wie sie mit ein paar Stunden „vibe coding“ eine Investitionsmaschine mit beeindruckenden Backtest-Performancezahlen bauen. Er ist jedoch der Ansicht, dass beide Erzählungen die Realität der Finanz-Research-Arbeit stark vereinfachen.
Paku zufolge zielt Anthropic genau auf einen Schmerzpunkt in der Finanz-Research-Branche: eine große Menge wichtiger, aber sich ständig wiederholender Informationsaktualisierungsarbeit. In der fundamentalen Analyse hängen sich – egal ob Buy-Side oder Sell-Side – Berichte, Earnings Calls, Datenbanken, Präsentationen, Modelle und Kunden-Updates gegenseitig stark durch. Bevor Analysten ein Modell aufbauen können, müssen die Daten erst einmal vorliegen. Und da die unternehmensspezifischen Unterschiede extrem groß sind, lässt sich im Research-Prozess kaum vermeiden, dass zusätzliche Informationen zum Unterstützen beim Zusammenführen über Datenbanken und Dokumente hinweg gebraucht werden.
Gerade in der Berichtssaison müssen Sell-Side-Analysten, wenn sie einen ganzen Sektor abdecken, gleichzeitig massenhaft Jahresabschlüsse, Earnings Calls, wichtige Kennzahlen, Finanzmodelle und Research-Reports aktualisieren. Selbst mit Unterstützung durch Junior-Analysten fühlt sich der gesamte Ablauf weiterhin wie eine Hölle an: Jede Firma fokussiert andere Metrics, die Art, das Modell anzupassen, ist unterschiedlich, und die Kunden sind meist extrem teure Großfonds mit wenig Zeit. Analysten müssen in kurzer Zeit herausfiltern, was wirklich wertvolle „best ideas“ sind.
Das größte Absurditätsmoment im Finanz-Research: 80% der Zeit gehen für Arbeiten mit geringem Wert drauf
Paku ist der Meinung, dass das eigentliche Kuriose im Finanz-Research darin besteht, dass das Ergebnis oft stark von den anfänglichen Entscheidungen abhängt – etwa welche Schlüsselkennzahlen man betrachten sollte, welche Trends man fokussieren muss, wie man mit fehlenden Daten umgeht und wie man Vergleiche über Unternehmen hinweg aufsetzt. In der Praxis verbringen Analysten jedoch sehr viel Zeit damit, Daten zu greifen, Excel zu ziehen, Reports zu aktualisieren und Präsentationen zu erstellen.
Mit anderen Worten: Forschungsergebnisse könnten zu 80% von der Einschätzung abhängen, aber die Arbeitszeit wird zu 80% von Datenaufbereitung und Format-Updates „aufgefressen“.
Das ist auch der Einstiegspunkt für die Finanz-Agenten von Anthropic. Ziel ist nicht, direkt das Investitions-Heiligtum für den Analysten zu finden, sondern einen Research-Workflow mit etwa 60% Fertigstellungsgrad zu produzieren: Zuerst hilft er, Daten zu beschaffen, Datenbanken zu verbinden, Modelle zu aktualisieren sowie Präsentationen und Dokumente zu strukturieren. Danach zeigt ein Mensch per natürlicher Sprache auf, wo etwas falsch ist, wo Ergänzungen nötig sind und in welchem Abschnitt neue Daten gebraucht werden.
Paku beschreibt das so, als wäre es eher ein „Junior“, der sehr schnell ist, aber bei dem trotzdem erst ein Kommando ein „Befehl-und-Handlung“-Ablauf kommt. Der Wert liegt nicht darin, Senior-Analysten zu ersetzen, sondern die vielen Stunden für geringwertige Tätigkeiten stark zu senken, sodass die eigentliche Research-Einschätzung wieder beim Menschen landet.
Größtes Risiko: Fehler in Finanzdaten sind meist implizit
Paku betont jedoch auch, dass die größte Herausforderung für Finanz-Agenten nicht darin liegt, ob sie Berichte schreiben können, sondern ob sie sicherstellen können, dass die Daten korrekt sind.
Er sagt, dass das Problem bei der Aktualisierung von Finanzdaten darin besteht, dass Fehler oft keine offensichtlichen Fehler sind. Die Zahlen wirken vielleicht „alle vorhanden“, aber sind in Wahrheit komplett falsch zugeordnet, ergeben logisch keinen Sinn oder die Definition ist falsch. Noch komplizierter wird es, wenn sich Fehler weiter nach unten in der Prozesskette ausbreiten: Dann steigt die Nachverfolgungskosten exponentiell. Wenn Modelle, Präsentationen, Reports und Investment-Memos auf falschen Daten aufgebaut sind, muss man am Ende zurückgehen und Fehler nachprüfen – die Kosten sind dann deutlich höher als das initial vom Menschen entschiedene Prüfen der Datenquelle und der Definition.
Genau hier verbessert sich ein junior analyst mit der Zeit – also im sogenannten „Data Sense“. Viele entscheidende Informationen liegen nicht in strukturierten Datenbanken, sondern sind in Management Presentations, Earnings Calls, den Anmerkungen in den Finanzberichten und in den von Unternehmen selbst definierten Kennzahlen versteckt. Diese Informationen reichen nicht nur dafür, „zugreifbar“ zu sein – man muss auch wissen, was ein Unternehmen diesmal in der Darstellung geändert hat, welche Kennzahlen nicht direkt mit früheren Zeiträumen verglichen werden dürfen und welche Zahlen nur vom Management „verpackt“ wurden.
Ähnliche Probleme tauchen auch bei Financial-AI-Benchmarks auf. Eine aktuelle Studie zu BankerToolBench zeigt: Selbst bei den besten Vorreiter-Modellen schaffen es in End-to-End-Workflows für Junior-Analysten bei Investmentbanken fast die Hälfte der Bewertungsbereiche nicht zu bestehen, und bei einer Bewertung durch Banker erreicht die Ausgabe in 0% der Fälle den „client-ready“-Standard. Das verdeutlicht, dass AI-Agenten zwar bereits Teile der Arbeit bewältigen können, aber noch ein deutlicher Abstand zur direkten Auslieferung von hochriskanten finanziellen Ergebnissen besteht.
AI kann SQL schreiben, aber nicht frei LTV und churn rate spielen
Paku weist außerdem darauf hin, dass AI sehr effektiv sein kann, wenn es nur um einfache Aufgaben zum Extrahieren von Daten geht. Gerade weil moderne ETL-Tools schon ziemlich ausgereift sind und wenn man dazu eine passende Schnittstelle und ein System für menschliches Eingreifen kombiniert, gibt es für Finanz-Agenten tatsächlich Chancen, die Effizienz im Research-Workflow zu verbessern.
Gefährlich wird es jedoch dann, wenn Nutzer verlangen, dass die KI komplexere Berechnungen selbst vornimmt oder Kennzahlen liefert, die stark von Definitionen abhängen – etwa LTV in Segmentierung, churn rate oder Unit-Economics-Modelle. Wenn Menschen nicht zuerst klare Formeln und Benchmarks einspeisen und die KI dann einfach frei „machen“ lassen, kann das sehr gefährliche Ergebnisse erzeugen. Denn diese Kennzahlen sind keine reinen Matheaufgaben: Sie hängen von Business-Definitionen, Daten-„Ausrichtung“ und Branchenkontext ab. Wenn die Formel um einen kleinen Punkt falsch ist, kann sich die gesamte Investment-Entscheidung verschieben.
Der Finanz-Agent von Anthropic ist weder „das AI-Investitions-Heiligtum“, noch ein Spielzeug, bei dem Nutzer mit zwei Stunden vibe coding eine Backtest-Engine mit einer jährlichen Rendite von 2000% bauen. Stattdessen ist es ein Branchen-Tool, das versucht, den Finanz-Research-Workflow neu zu strukturieren.
Die wahrscheinlichste Veränderung: Analysten werden aus dem vielen Aktualisieren von Daten, dem Sortieren in Excel, dem Erstellen von Report-Layouts und der Erstellung von Präsentationen herausgelöst – damit Menschen ihre Zeit wieder für die Bewertung nutzen können: Welche Kennzahlen wichtig sind, welche Trends es wert sind zu verfolgen, welchen Daten man nicht vertrauen sollte und welche Vergleichsmethoden in die Irre führen können.
Dieser Artikel „Anthorpic bringt spezialisierte KI-Agenten für die Finanzbranche, Insider enthüllen: Claude kann Analysten nicht ersetzen“, erschien zuerst bei der Ketten-News ABMedia.
