AI-Agenten bei NBIM: Fonds-Transformation

Multi-Agenten-KI-Systeme im Investmentfondsmanagement der NBIM

Norges Bank Investment Management (NBIM), die weltweit größte Staatsfondsgesellschaft, hat KI in allen Abteilungen über zwei Jahre hinweg integriert. Anstatt sich auf isolierte Projekte zu konzentrieren, wurden Multi-Agenten-Architekturen in 171 Geschäftsprozessen implementiert. Über 50 % der Mitarbeiter haben programmieren gelernt, die Vorbereitungszeit für Besprechungen wurde um 80 % reduziert und die Handelskosten gesenkt. Schulungen sind für alle verpflichtend geworden, Scrum wurde durch Mikroteams aus zwei Entwicklern und einem Fachexperten ersetzt.

Analyse von OTC-Geschäften in der Investmentabteilung

In der Investmentabteilung wurde ein Multi-Agenten-System zur Bewertung großer Blocktrades eingesetzt. Die Agenten aggregieren gleichzeitig Daten aus externen Quellen, internen Datenbanken, Geschäftstexten und Nachrichten. Sie berechnen Indexeffekte, Verkäuferkontext und faire Preise.

Fallbeispiel: Das Angebot von Goldman Sachs für ein Ferrari-Aktienpaket im Wert von 30 Milliarden Kronen. Früher dauerte die Datenerfassung eine Stunde; jetzt dauert es Minuten. Ein Team von fünf Personen verwaltet Vermögenswerte im Wert von 2 Billionen Kronen und erzielt jährlich Milliarden an Überrenditen.

Agentenarchitektur:

• Agent 1 (Websuche): identifiziert Begünstigte über Beteiligungsstrukturen.
• Agent 2 (Parsing): extrahiert Konditionen, Fristen, Sanktionen aus Geschäftstexten.
• Agent 3 (algorithmisch): modelliert Auswirkungen auf Index-Tracker.
• Zusätzliche Agenten: analysieren Geschäftshistorie, Markterwartungen, Preisgestaltung.

Der Prototyp wurde intern entwickelt und dann von einem Spezialisten verfeinert. Zeitverhältnis: Datenerfassung – 20 %, Analyse – 80 %. Der Fonds bearbeitet etwa 200 solcher Anfragen pro Jahr.

Medien- und Social-Media-Monitoring in der Kommunikation

Die Kommunikationsabteilung entwickelte die Echo-Plattform zur Analyse von über 50.000 Veröffentlichungen jährlich. Das System klassifiziert Stimmung, Medienpriorität, die Rolle des Fonds im Material, Themen und Personen. Ein auf Snowflake basierender Chatbot erstellt Berichte zu Social Media (LinkedIn, Instagram, YouTube).

Ein Team von zwei Spezialisten baute die Lösung eigenständig auf und vermied teure externe Dienstleistungen. Die Daten werden im firmeneigenen Snowflake gespeichert.

Hauptkomponenten der Agenten:

• Stimmungsklassifizierung (positiv/negativ/neutral).
• Bewertung der Rolle des Fonds (Erwähnung/Zitat/Hauptthema).
• Quellenpriorität (Top-Medien vs. Blog).
• Inhaltstyp (Nachrichten/Analyse/Recherche).
• Themen- und Personenextraktion.

Funktionalität:

• Zeitstrahl negativer Spitzen mit Details.
• KI-Erkenntnisse zu Haupttreibern.
• Echobot: Abfragen wie "Analyse der Social-Media-Interaktion" liefern Trends und Empfehlungen.

2025 – 50.000 Erwähnungen; 2026 – über 5.000 pro Quartal. Das System ist kostengünstiger und genauer als kommerzielle Alternativen.

Automatisierung von Untersuchungen in der Cybersicherheit

Ein KI-Agent in der Cybersicherheitsabteilung untersucht Vorfälle parallel zu Menschen. Aus einer Billion Logs jährlich filtert er Hunderttausende Verdachtsfälle heraus und liefert einen Bericht in 5 Minuten.

Szenario: Eine nächtliche Anomalie – Verbindung zu einer verdächtigen Website. Der Agent sammelt Kontext: Logs, Historie, Relevanzbewertungen.

Vorteile: konstante Geschwindigkeit (6x schneller als Menschen), keine Ermüdung bei Routineaufgaben. Der Analyst erhält einen fertigen Bericht für Entscheidungen.

Vorbereitung auf Besprechungen mit Top-Führungskräften

Ein KI-Assistent für 3.000 jährliche Treffen mit CEOs und Aufsichtsratsvorsitzenden. Ein Multi-Agenten-System erstellt Pläne, recherchiert Quellen und prüft die Qualität anhand interner Best Practices.

Prozess:

• Hochladen interner Daten (Hypothesen, Notizen).
• Planungsagent strukturiert den Ablauf.
• 3–5 Subagenten durchsuchen Nachrichten, Berichte.
• Finaler Agent validiert gegen Top-Beispiele und Fondstechniken.

Einsparungen: 10.000 Stunden pro Jahr (3 Stunden pro Besprechung). Schlussfolgerungen sind nachvollziehbar – mit Prompts und Quellen zur Vermeidung von Halluzinationen. Pläne: Simulation eines Interviewers mit Sprachsynthese und Feedback zu Verhandlungen.

Compliance: EVA-Agent für Marktwarnungen

Das EVA-System untersucht Verdachtsfälle von Insiderhandel und Marktmanipulation. Sechs Subagenten prüfen jede Warnung:

• Geschäftskontext.
• Index-Neugewichtung.
• Unternehmensnachrichten.
• Branchenereignisse.
• Zeitmuster.
• Kontakte zum Emittenten.

Der Master-Agent aggregiert und erstellt einen Prüfpfad. Menschen greifen in 3 Fällen ein: Unklarheit, Nicht-Automatisierbarkeit, rechtliche Verantwortung. Das gleiche Team bearbeitet mehr Vorfälle ohne Fehlalarme.

Wichtigste Erkenntnisse

• Umsetzungsmaßstab: KI in 171 Prozessen, 50 % der Mitarbeiter programmieren.
• Agentenarchitekturen: Schlüssel zur parallelen Analyse komplexer Daten.
• Ressourceneinsparungen: 80 % bei Besprechungen, 6x in der Sicherheit, Überrenditen im Handel.
• Eigenentwicklung: Verzicht auf externe Tools für maßgeschneiderte Lösungen.
• Nachvollziehbarkeit: Schutz vor Halluzinationen durch Quellen und Prompts.

— Editorial Team