KI als Research-Assistent

Lea nutzt ein KI-Tool, um sich schnell in eine Aktie einzuarbeiten. Sie bekommt eine flüssige, selbstbewusste Antwort, komplett mit einem konkreten Kurs-Gewinn-Verhältnis und dem Verweis auf eine Studie, die genau ihre Frage beantwortet. Es klingt überzeugend und spart viel Zeit. Als sie die Zahl im Geschäftsbericht nachschlägt, stimmt sie nicht, und die zitierte Studie ist nirgends auffindbar. Das Werkzeug war eloquent, aber nicht verlässlich.

Genau das ist der Kern dieser Lektion. Ein Sprachmodell ist ein mächtiger Assistent, aber ein eigenartiger: Es formuliert souverän und ist dabei manchmal mit voller Überzeugung falsch. Wer das versteht, kann KI sinnvoll für Recherche einsetzen. Wer es nicht versteht, baut Entscheidungen auf erfundenen Zahlen.

Diese Lektion zeigt, wofür ein Sprachmodell taugt, warum es Fakten und Quellen erfindet, welche eine Regel dich davor schützt und warum deine persönlichen Daten dort nichts verloren haben.

Wofür ein Sprachmodell taugt

Fangen wir mit den echten Stärken an, denn die sind beträchtlich. Ein Sprachmodell ist hervorragend darin, mit Sprache umzugehen, und genau dort liegt sein Nutzen für die Recherche.

Es erklärt Konzepte in einfachen Worten, wenn ein Fachtext zu sperrig ist. Es fasst lange Dokumente zusammen, etwa die Kernpunkte eines Geschäftsberichts, die du danach selbst im Original prüfst. Es liefert auf Wunsch Gegenargumente zu deiner eigenen These, eine Art eingebauter Advocatus Diaboli, der dich vor der Selbstbestätigung schützt. Und es hilft, Gedanken zu strukturieren oder eine erste Fragenliste zu einem Thema zu erstellen. In all diesen Fällen ist das Modell eine Denkhilfe, kein Orakel. Es beschleunigt das Verstehen, ersetzt aber nicht das Prüfen.

Wo es gefährlich wird: Halluzinationen

Jetzt zur Schattenseite, und sie ist fundamental. Ein Sprachmodell ist nicht darauf trainiert, die Wahrheit zu sagen, sondern darauf, plausibel klingenden Text zu erzeugen. Bei Unsicherheit gibt es nicht zu, etwas nicht zu wissen, sondern ergänzt eine überzeugende Erfindung. Dieses Verhalten heißt Halluzination, und es betrifft besonders genau das, was bei der Geldanlage zählt: konkrete Zahlen, Daten, Termine und Quellenangaben.

Eine empirische Untersuchung kommt zu dem Schluss, dass Sprachmodelle bei Finanzaufgaben ernsthaft halluzinieren. Je spezifischer die Frage, desto größer die Gefahr, dass eine erfundene Antwort kommt, weil das Modell lieber ergänzt als passt. Dazu kommt ein zweites Problem: Das Wissen eines Modells endet an einem Stichtag. Aktuelle Kurse, der heutige Leitzins oder die neuen Steuerwerte für dieses Jahr liegen oft jenseits dieses Datums, und das Modell weiß es im Zweifel nicht und sagt trotzdem etwas. Eine erfundene, aber flüssig vorgetragene Zahl ist gefährlicher als gar keine, weil sie Sicherheit vortäuscht.

Die eine Regel: jede Zahl an der Primärquelle prüfen

Daraus folgt eine einzige, nicht verhandelbare Regel: Ein Sprachmodell ist nie deine alleinige Quelle. Jede konkrete Zahl, jedes Datum, jede zitierte Studie wird an der Primärquelle geprüft, bevor du dich darauf verlässt. Das ist genau die Quellenhierarchie aus der Lektion Primärquellen statt Meinung, nur dass die KI hier ganz unten steht, noch unter dem Datenanbieter.

Ein durchgerechnetes Beispiel zeigt, warum das so wichtig ist. Annahme: Lea will ein Unternehmen über sein Kurs-Gewinn-Verhältnis einordnen, das sie aus der Lektion Bewertungskennzahlen ohne Zahlenmagie kennt. Das Modell nennt selbstbewusst einen Gewinn je Aktie von 5 Euro, bei einem Kurs von 90 Euro ergäbe das ein KGV von 18, klingt günstig. Der echte Wert aus dem Geschäftsbericht ist aber ein Gewinn je Aktie von 3,75 Euro. Beim selben Kurs von 90 Euro ist das KGV also 24, nicht 18, ein Unterschied von einem Drittel. Aus scheinbar günstig wird eher teuer. Wer auf der falschen Zahl aufbaut, trifft eine Entscheidung auf Sand. Genau diese Skepsis gegenüber überzeugenden, aber ungeprüften Ergebnissen kennst du schon aus der Lektion Backtesting und Datenanalyse.

Sensible Daten gehören nicht ins Modell

Es gibt eine zweite Grenze, die nichts mit Halluzinationen zu tun hat, sondern mit Datenschutz. Was du in ein KI-Tool eingibst, kann gespeichert und unter Umständen weiterverwendet werden, etwa zum Training. Persönliche Finanzdaten haben dort deshalb nichts verloren.

Konkret heißt das: keine Kontonummern, keine Zugangsdaten, keine konkreten Depotpositionen mit deinem Namen, keine Identifikationsdaten. Du kannst ein Modell allgemein fragen, wie ein bestimmtes Produkt funktioniert oder wie eine Kennzahl berechnet wird. Du solltest es aber nicht mit deiner persönlichen Vermögenslage füttern. Halte die Frage allgemein und deine privaten Daten heraus, dann nutzt du das Werkzeug, ohne ein unnötiges Risiko einzugehen.

Wie du ein Sprachmodell richtig einsetzt

Aus alldem ergibt sich ein einfacher, sicherer Arbeitsstil. Nutze das Modell für das, was es gut kann, und sichere ab, was es nicht kann.

Lass es Konzepte erklären, lange Texte zusammenfassen und Gegenargumente zu deiner Idee formulieren. Bitte es ausdrücklich um die Quellen, auf die es sich beruft, und prüfe diese Quellen dann selbst, statt der Behauptung zu glauben. Behandle jede Zahl als unbestätigt, bis du sie im Original gesehen hast. Und betrachte den Text immer als Entwurf, den du gegenliest, nicht als fertiges Ergebnis. Ein gutes Bild ist das eines schnellen, belesenen, aber unzuverlässigen Praktikanten: nützlich für Vorarbeit, niemals allein verantwortlich für eine Entscheidung.

Typische Fehler

Vier Muster führen beim Einsatz von KI besonders oft in die Irre:

Flüssigkeit mit Richtigkeit verwechseln. Eine souveräne Formulierung ist kein Beleg, sie ist nur souverän formuliert.
Zahlen und Quellen ungeprüft übernehmen. Genau hier halluzinieren Modelle am häufigsten.
Den Wissensstichtag vergessen. Aktuelle Kurse, Zinsen und Steuerwerte liegen oft jenseits des Trainingsdatums.
Persönliche Finanzdaten eingeben. Was einmal eingegeben ist, hast du nicht mehr in der Hand.

Deine Aufgabe

Stell einem KI-Tool eine Frage zu einem Finanzthema, das dich interessiert, und achte gezielt auf eine konkrete Tatsachenbehauptung in der Antwort: eine Zahl, ein Datum oder eine genannte Studie. Such dann die Primärquelle dazu, also den Geschäftsbericht, die Seite der Behörde oder die Originalstudie.

Halte fest, ob die Behauptung der Prüfung standhält, ungenau ist oder frei erfunden war. Wiederhol das ein paarmal, und du bekommst ein Gefühl dafür, wie oft eine überzeugende Antwort einer Nachprüfung nicht standhält. Diese Übung macht dich nicht zum KI-Skeptiker, sondern zum souveränen Nutzer, der das Werkzeug einsetzt, ohne sich darauf zu verlassen.

Weiter lernen

Du weißt jetzt, wie du ein Sprachmodell als Assistenten nutzt, ohne dir falsche Zahlen einzufangen. Die nächste und letzte inhaltliche Profi-Lektion behandelt ein Thema, bei dem Genauigkeit besonders zählt: Steuern und Dokumentation für Fortgeschrittene, von der Verlustverrechnung bis zum Auslandsbroker. Warum die Primärquelle über allem steht, vertieft die Lektion Primärquellen statt Meinung. Wie Selbstüberschätzung zu teuren Fehlern führt, steht in Behavioral Finance: die teuersten Anlegerfehler.