Warum KI eine Gefahr für die Finanzmärkte ist Interview mit der Süddeutschen Zeitung

01.07.2026 Köhler-Geib, Fritzi Fritzi Köhler-Geib EN

Das Gespräch führten Meike Schreiber und Markus Zydra.

Frau Köhler-Geib, haben Sie heute schon auf Ihrem Handy dem Agenten für künstliche Intelligenz eine Frage gestellt?

Heute Morgen noch nicht. Grundsätzlich nutze ich KI sehr regelmäßig – vor allem, wenn ich komplexe Themen besser verstehen möchte, schnelle Zusammenfassungen brauche oder mich beispielsweise auf Interviews vorbereite. Dann schaue ich mir an, worüber die Journalistinnen und Journalisten zuletzt geschrieben haben. Auch bei der Bundesbank arbeiten wir mit einem eigenen coolen KI‑Tool: Unsere Belegschaft kann Large-Language-Modelle nutzen, ohne dass die eingegebenen Daten nach außen an die Anbieter abfließen oder weiterverwendet werden. Das schafft Vertrauen und ermöglicht gleichzeitig viele praktische Anwendungen im Arbeitsalltag.

Macht Ihnen die rasante Entwicklung der künstlichen Intelligenz Angst?

Künstliche Intelligenz ist eine disruptive Technologie, die Wirtschaft und Gesellschaft tiefgreifend verändert. In Europa müssen wir verstärkt die Möglichkeiten nutzen, die sich daraus ergeben. Das erlaubt uns dann auch, die Risiken besser abzufedern. Europa ist bei den großen KI‑Modellen aktuell klar im Hintertreffen – insbesondere gegenüber den USA und China. Das ist eine strukturelle Herausforderung, die wir lösen müssen. Ein aktuelles Beispiel ist der Fall rund um die US‑Firma Anthropic und deren KI‑Modell Mythos 5: Die US‑Regierung hat angeordnet, den Zugriff auf die neuesten Versionen für den Rest der Welt zu sperren. Das zeigt sehr deutlich, welche strategische Relevanz diese Technologien erlangt haben.

Was bedeutet das konkret für Europa?

Modelle wie Mythos sind mächtige Instrumente, um Sicherheitslücken in komplexen IT‑Systemen zu identifizieren. Wenn europäische Staaten und Unternehmen keinen Zugang zu solchen Fähigkeiten haben, starten sie mit einem klaren Nachteil in den Wettbewerb. Wie bei früheren bahnbrechenden Neuerungen wie beispielsweise Spinnmaschinen oder der GPS‑Satellitennavigation, führt ein Nutzungsverbot meist nicht zum Verzicht, sondern zur Entwicklung eigener Alternativen. Das muss bei KI nun kommen. Bildlich gesprochen: Die USA halten einen starken Tiger im Käfig, Europa darf ihn anschauen, wenn es dafür zahlt. Eigentlich müsste Europa in der Lage sein zu sagen: „Wir haben selbst einen mindestens ebenso starken Tiger.“ Momentan fehlt uns diese Option. Ganz klar: Wir müssen unsere digitale Souveränität vorantreiben.

Wie gefährlich ist der Einsatz von KI‑Modellen etwa an den Aktienmärkten? Was bedeutet das für die Stabilität an den internationalen Finanzmärkten?

Das hängt von mehreren Faktoren ab. Zum einen spielt die Art der eingesetzten KI‑Modelle eine Rolle – etwa, ob mit sogenannten Reinforcement-Learning-Modellen, Large-Language-Modellen oder anderen Ansätzen gearbeitet wird. Das sind sehr unterschiedliche Systeme, die sich auch unterschiedlich verhalten können. Zum anderen ist entscheidend, wie heterogen die Daten sind, mit denen diese Modelle jeweils trainiert werden. Wenn alle Modelle auf denselben Datensätzen basieren, führt das schnell zu einer Art Gleichlauf: Übertragen auf Menschen wäre das so, als hätten alle Aktieninvestoren dieselbe Ausbildung, dieselben Modelle im Kopf und würden identische Entscheidungen treffen. Dadurch kann sich Herdenverhalten deutlich verstärken oder überhaupt erst entstehen.

Wie kann man Herdenverhalten an den Aktienmärkten unterbinden?

Grundsätzlich kennen wir Phänomene wie Herdenverhalten an den Kapitalmärkten schon lange. Entsprechend gibt es auch Regulierung, die genau darauf abzielt, übermäßig ähnliche Reaktionen zu begrenzen. Jetzt kommt mit KI eine neue technologische Dimension hinzu. Mein Eindruck ist, dass sowohl Zentralbanken als auch Aufsichtsbehörden hier sehr proaktiv agieren: Sie versuchen, sich frühzeitig ein Bild zu verschaffen, mögliche Risiken zu verstehen und – wo nötig – Leitplanken einzuziehen. Wie etwa im Projekt Logos des BIS Innovation Hubs: Dort können Zentralbanken in einer künstlichen Übungsumgebung beobachten, wie KI‑Agenten Informationen verarbeiten, Kapital verteilen und auf Marktveränderungen reagieren.

Der algorithmische Hochfrequenzhandel existiert seit mehr als 20 Jahren – was wird jetzt eigentlich neu oder potenziell gefährlich, wenn Händler verstärkt KI einsetzen?

Stimmt, das algorithmische Trading ohne künstliche Intelligenz ist seit Langem etabliert. In den USA werden rund 60 Prozent des Aktienhandels auf Basis mathematischer Modelle automatisiert abgewickelt, in Europa etwa 50 Prozent. Neu ist jedoch, dass die KI die Grenze verschiebt, bis zu der wir Menschen direkten Einfluss auf die Handelsentscheidungen nehmen. Mit sogenannter agentischer KI, die auch immer leistungsfähiger wird, treffen Systeme immer häufiger eigenständig Entscheidungen – ohne dass ein Mensch im Einzelfall eingreift.

Wissen die Behörden, wo und welche KI‑Modelle im Aktienhandel genutzt werden?

Das ist genau die Herausforderung. Die Europäische Bankenaufsichtsbehörde beispielsweise führt derzeit eine Umfrage unter den beaufsichtigten Banken durch, um ein besseres Bild zu erhalten, wo KI genutzt wird und welche Modelle zum Einsatz kommen. Das geht über spezifische Trading-Modelle hinaus und ist breiter angelegt – es geht darum, die Landschaft insgesamt besser zu erkunden. Die Risiken dieser Modelle müssen nicht notwendigerweise größer sein als die, die wir aus dem algorithmischen Handel der letzten 15 Jahre ohne KI kennen.

Was sind das für KI‑Modelle, mit denen man Aktien handeln kann?

Da gibt es die Reinforcement oder auch Q-Learning genannten Modelle. Sie bilden sich keine „Meinung“ darüber, ob die Märkte eher steigen oder fallen. Stattdessen orientieren sie sich stark daran, welche Geschäfte in der Vergangenheit funktioniert haben, also wie die eigene Rendite ausfiel – und wie sich andere Marktteilnehmer verhalten haben. Sie reagieren auf Muster aus der Vergangenheit, ohne sie in breitere Argumentationsketten einzuordnen. Genau das kann dazu führen, dass sich bestehende Trends oder Herdenverhalten an den Märkten eher verstärken. Das Reinforcement-Learning-Modell „denkt“ nicht, es ist sehr mechanisch und übersetzt vergangene Renditen und beobachtetes Marktverhalten direkt in Handlungen.

Wie arbeiten die Large-Language-Modelle?

Auch sie denken nicht im menschlichen Sinne. Large-Language-Modelle sind neuronale Netze, also eine Art von statistischen Modellen, die mit großen Textdatenmengen trainiert werden und selbständig Verknüpfungen herstellen können. Deshalb stellt sich immer auch die Frage: Welche Daten fließen eigentlich in diese Modelle ein – und wie verlässlich sind sie? Large-Language-Modelle „lesen“ Daten nicht im klassischen Sinne und haben Schwierigkeiten, strukturierte Inhalte wie Tabellen direkt zu verarbeiten. Das ist gerade aus statistischer Sicht eine echte Herausforderung, denn sie erzeugen Antworten auf Basis von Wahrscheinlichkeiten – sie liefern also das Ergebnis, was am plausibelsten erscheint.

Haben Sie für diese Unschärfen ein Beispiel?

Wenn ich etwa frage: „Wie hoch ist das Bruttoinlandsprodukt Deutschlands?“, dann greift ein solches Modell typischerweise auf viele Texte zurück – von wissenschaftlichen Arbeiten bis zu Berichten – und generiert daraus eine wahrscheinlich klingende Zahl. Es greift aber nicht gezielt auf die offiziellen, präzisen Tabellen vom Statistischen Bundesamt oder der Bundesbank zu, um die exakte aktuelle Zahl zu liefern. Natürlich könnte es auch vorkommen, dass die KI eine amtliche Zahl ausspuckt, vielleicht aber aus dem falschen Jahr. Genau darin liegt eine wichtige Beschränkung, die man bei der Nutzung dieser Modelle im Blick behalten muss.

Dann sind KI‑Modelle nicht unbedingt die besseren Investoren?

Interessanterweise können sich bei KI‑Modellen ähnliche Voreingenommenheiten wie bei menschlichen Investoren einschleichen. Sie handeln zum Beispiel überoptimistisch oder blenden Risiken aus. Das Spannende daran: Diese Modelle können solche sogenannten Biases oft hervorragend benennen. Allerdings können sie diese Biases bislang nicht zuverlässig abstellen. Das liegt auch daran, dass diesen Modellen ein Bewusstsein und die Selbstreflexion im menschlichen Sinn fehlt. Das kann sich in den kommenden Jahren weiterentwickeln – aber Stand heute bleibt das eine zentrale Einschränkung im Umgang mit KI an den Finanzmärkten.