Das Risikogebiet hat sich verschoben

Angesichts eines solchen Ausmasses an Disruption lassen sich Kausalzusammenhänge schwerer herstellen, und Anleger stützen sich stärker auf gemeinsame Narrative, um die Märkte zu verstehen. Narrativgetriebene Märkte konzentrieren Risiken auf eine Weise, für deren Erkennung traditionelle Attributionsmodelle nicht ausgelegt sind. Das erste Opfer der Unsicherheit im KI-Zeitalter ist die traditionelle Diversifizierung. Auf dem Papier kann ein typisches Portfolio gut diversifiziert erscheinen: Aktien über verschiedene Sektoren und Marktkapitalisierungen hinweg, Anleihen über verschiedene Ratings und Regionen hinweg, mit zunehmenden Allokationen in private Märkte. In der Praxis teilen sich jedoch viele dieser Positionen wahrscheinlich ein zugrunde liegendes Engagement in demselben Disruptionspfad.

Betrachten wir den KI-Rechen-Stack. Die Nachfrage nach Rechenzentren treibt Investitionen in die Energieinfrastruktur an. Sie gestaltet die Lieferketten der Halbleiterindustrie neu, wirkt sich auf Gewerbeimmobilien in einer Weise aus, die sich derzeit nur schwer eindeutig modellieren lässt, und führt zu Druck auf den Arbeitsmarkt, der in bestimmten Regionen und Qualifikationsbereichen zu Lohninflation führt. Ein Portfolio, das Versorger, Logistikimmobilien, Halbleiteraktien und Investment-Grade-Anleihen enthält, die mit Technologie-Investitionen verbunden sind, mag nach Anlageklassenbezeichnungen diversifiziert erscheinen. Doch wenn man einen Schritt zurücktritt, weisen diese Positionen ein gemeinsames Engagement in einem gemeinsamen KI-Ausbau-Szenario auf.

Das zweite Opfer ist die Stabilität der Korrelationsmatrix an sich. Die Beziehungen zwischen Anlageklassen, die jahrzehntelang die Grundlage des Portfolioaufbaus bildeten – die negative Korrelation zwischen langfristigen Staatsanleihen und Aktien oder die diversifizierenden Eigenschaften von Rohstoffen –, waren stets an bestimmte makroökonomische Rahmenbedingungen gebunden. Ebenso stehen die Energiewende und der KI-Energiebedarf in einem Spannungsverhältnis zueinander, und der Verlust von Arbeitsplätzen sowie Konsumausgaben sind auf eine Weise miteinander verknüpft, die je nach Region und Einkommensgruppe unterschiedlich ausfällt. Es entstehen nicht nur neue Korrelationen, sondern auch die Möglichkeit, dass sich Korrelationen verstärken, abschwächen oder gänzlich auflösen, während sich die ihnen zugrunde liegenden wirtschaftlichen Entwicklungen verändern.

In den Jahren vor der globalen Finanzkrise lieferten die Modelle ausnahmslos ein schlüssiges Bild. Banken hatten ihre Bilanzen anhand einer Reihe historischer Szenarien wie der Spar- und Kreditkrise, dem Zahlungsausfall Russlands oder der Dotcom-Blase einem Stresstest unterzogen. Doch keines dieser Szenarien enthielt einen landesweiten Rückgang der Immobilienpreise als Basisszenario. Was 2008 geschah, war nicht messbar, da die historischen Stresstests eine strikte Anwendung der Vergangenheit beinhalteten. Im Grunde stellten sie die falsche Frage.

Das Portfoliorisikomanagement im Zeitalter von KI steht vor einer ähnlichen Herausforderung. Historische Stresstests sind eine rückwärtsgerichtete Übung. Die implizite Annahme lautet, dass die Zukunft der Vergangenheit ähneln wird; dass die Verteilung der Ergebnisse stabil genug ist, damit historische Schlussfolgerungen als nützliche Anhaltspunkte für die Zukunft fungieren können. Diese Annahme ist gerade in Zeiten makrostruktureller Umbrüche am schwächsten.

Viele Anleger ergänzen historische Stresstests bereits durch zukunftsgerichtete Szenarioanalysen, und solche Instrumente sind mittlerweile in standardmässigen Risikosystemen gang und gäbe. Was KI verändert, ist nicht die Existenz dieser Ansätze, sondern ihre Anfälligkeit: Entwicklungen können sich schneller vollziehen, Anhaltspunkte sind spärlicher, und Risiken erstrecken sich über Sektoren hinweg, die in traditionellen Anlageklassenrahmen noch getrennt erscheinen.

Die relevante Frage für unsere von KI umgewälzte Welt lautet: Wie würde das Portfolio unter einer Reihe plausibler, KI-getriebener Entwicklungsszenarien abschneiden, für die es keine historischen Vorbilder gibt? Was passiert, wenn die Energie- und Rechenleistungsengpässe stärker zu Buche schlagen als erwartet? Was, wenn KI-getriebene Produktivitätsgewinne ungleichmässig eintreten und die Dynamik der Staatsverschuldung in einer Weise verstärken, die Druck auf die Anleihemärkte ausübt? Was, wenn sich die Disruption mit Citrini-Geschwindigkeit vollzieht – schnell, abrupt und konzentriert – anstatt sich allmählich auszubreiten?

Die Diagnose muss sich von der Wiederholung historischer Szenarien hin zu einer vorausschauenden Analyse von Entwicklungspfaden verlagern. Kein einziges Basisszenario mit Aufwärts- und Abwärtsvarianten, sondern eine neue Landkarte strukturell unterschiedlicher Zukunftsszenarien und eine Portfoliobewertung, wie sich das in all diesen Szenarien verhält.

Angesichts eines unsichereren Umfelds besteht die Versuchung, mit ausgefeilteren Prognosen zu reagieren. Bessere Modelle, mehr Daten und eine feiner granulierte Szenarioanalyse. Die angemessene Reaktion auf echte Unsicherheit ist jedoch Robustheit, nicht Präzision. Anstatt sich auf einen erwarteten Verlauf zu verlassen und die Strategie darauf abzustimmen, können Anleger Prognosen als bedingte Eingabeinformationen betrachten, ihre Sensitivität testen und die Konsequenzen einer Fehleinschätzung abwägen. Das Ziel ist es, ein Portfolio aufzubauen, das in einem breiten Spektrum plausibler Szenarien überlebt und eine gute Wertentwicklung erzielt, während gleichzeitig die Fähigkeit erhalten bleibt, sich an neue Erkenntnisse anzupassen.

Wie können Anleger erkennen, ob sie eine Konzentration aufweisen, die von bestimmten Narrativen abhängig ist? Klassische Korrelationsmatrizen können aufzeigen, dass sich Vermögenswerte parallel entwickelt haben. Sie können jedoch nicht erklären, warum dies so war oder ob diese Beziehung auch in Zukunft bestehen bleibt. In einer Phase des strukturellen Wandels müssen Anleger die wirtschaftlichen Zusammenhänge untersuchen, die ihre Portfoliopositionen miteinander verbinden.

Anleger könnten zunächst ihre Exponierungen gegenüber den zugrundeliegenden Treibern abbilden und dabei Korrelationen aus einer kausalen, pfadbasierten Perspektive betrachten, anstatt diese als feste statistische Eigenschaft zu behandeln. Ich schlage drei diagnostische Fragen vor, um diesen Denkprozess in Gang zu bringen:

Dieser Diagnosetest soll keine perfekte Prognose der Folgen von KI liefern. Vielmehr geht es darum, aufzudecken, inwieweit das Portfolio von einer gemeinsamen Vorstellung über die Zukunft von KI abhängig sein könnte, und zu beurteilen, ob es widerstandsfähig bleibt, falls sich diese Vorstellung als unvollständig erweist.

Dadurch werden die drei Säulen des Portfolioaufbaus neu definiert. Diversifizierung ist nicht mehr nur eine Aufgabe, bei der Anlageklassenkategorien befüllt werden, sondern wird zu einer Aufgabe, bei der echte Renditequellen identifiziert werden und sichergestellt wird, dass diese auf der Ebene der zugrunde liegenden Risikofaktoren – und nicht nur als blosse Bezeichnungen – im Wesentlichen unkorreliert sind. Optionalität – die Fähigkeit, sich neu zu positionieren, sobald die Entwicklungspfade klarer werden – wird zu einem eigenständigen Portfoliowert und ersetzt die Notwendigkeit besserer Prognosen. Und Ergebnisorientierung ersetzt die Benchmark-Optimierung als Organisationskriterium. 

Viele Anleger werden ahnen, wohin dieser Gedankengang führt: zum Total-Portfolio-Ansatz (TPA). Obwohl seine schärfsten Kritiker ihn als Marketing-Hype abtun, steht er für einen Wandel in der Vorgehens- und Denkweise. TPA ist ein Anlagerahmen, der von den gewünschten Ergebnissen und Risikobudgets ausgeht und alle Einflüsse miteinander verknüpft. Er wurde gerade deshalb entwickelt (und anschliessend von Willis Towers Watson kodifiziert), weil die traditionelle Diversifizierung nach Anlageklassen als unzureichend erkannt wurde. Er eignet sich gut für die Unsicherheiten des KI-Zeitalters, da er die Frage von «Wo sollen wir investieren?» in «Für das Halten welcher Risiken werden wir entschädigt?» umformuliert.

Im KI-Zeitalter, das voller unbekannter Unbekannter ist, wird diese Frage dringlicher und folgenreicher. TPA betrachtet das Portfolio in Risikoeinheiten statt in Allokationseinheiten. TPA kann verborgene Korrelationen (wie sie entstehen, wenn Vermögenswerte gemeinsam dem Risiko von KI-bedingten Disruptionen ausgesetzt sind) strukturell besser sichtbar machen. Und TPA bietet einen Rahmen für eine dynamische, faktororientierte Allokation, die sich weiterentwickeln kann, sobald die Entwicklungspfade klarer werden, anstatt das Portfolio in Positionen zu fixieren, die auf ein Regime abgestimmt sind, das möglicherweise nicht mehr stichhaltig ist.

Entscheidend ist, dass TPA von seiner Architektur her für «Pre-Mortem»-Denken geeignet ist. Anstatt ein Portfolio aufzubauen und darauf zu hoffen, dass es Stressereignisse übersteht, geht man zunächst davon aus, wie ein Portfolio scheitern könnte, und entwickelt im Voraus entsprechende Reaktionsvorgaben. TPA ist natürlich nicht die einzig mögliche Antwort auf den oben dargelegten Diagnosetest, aber es ist ein glaubwürdiger und potenziell robusterer Weg, darauf zu reagieren.

Doch Transparenz ist nur so gut wie das Urteilsvermögen derer, die sie nutzen. Ein Investor kann den TPA vollständig übernehmen und dennoch den KI-Wandel völlig falsch einschätzen. Das Gleiche galt im Jahr 2008: Es war nicht die Stresstest-Methodik, die Gewinner von Verlierern trennte, sondern die Frage, wer richtig einschätzte, dass die Immobilienblase zu Ende ging, und die Instrumente fand, um entsprechend dieser Einschätzung zu handeln.

Andrew Ang und andere haben argumentiert, dass die Zukunft eines ausgefeilten Portfoliomanagements weniger dem traditionellen Vermögensmanagement ähnelt als vielmehr einem selbstfahrenden System ähnelt: einem System, das sich als Reaktion auf eingehende Informationen kontinuierlich neu kalibriert, ein Modell seiner eigenen Unsicherheit beinhaltet und darauf ausgelegt ist, eine Bandbreite von Bedingungen zu bewältigen, anstatt sich auf eine einzige zu optimieren. ¹ TPA basiert auf derselben Logik der kontinuierlichen Neukalibrierung unter Unsicherheit. Es ist eine institutionelle Ausprägung dieses Prinzips.

Durch den Aufstieg von KI wird die grundlegende Logik, Risiken im Austausch für Rendite einzugehen, nicht entkräftet. Stattdessen verändert KI die Bedingungen, unter denen diese Logik gilt, und erhöht dadurch die Kosten intellektueller Starrheit.

Anleger, die KI als Branchenthema betrachten, werden in Rechenzentren und Halbleiterhersteller investieren und die Sache damit als erledigt ansehen. Diejenigen, die KI als makrostrukturellen Schock betrachten, sind gezwungen, kritischere Fragen zu stellen: zur Stabilität der Korrelationsmatrix, zur Angemessenheit historischer Stresstests und dazu, ob ihre scheinbare Diversifizierung ein konzentriertes Engagement in einem einzigen Disruptionsnarrativ verschleiert.

Korzybskis entscheidende Warnung lautete, dass es gefährlich ist, die Landkarte mit dem Gelände zu verwechseln. Die Anleger, die sich im KI-Zeitalter am effektivsten zurechtfinden werden, werden diese Warnung beherzigen. Sie werden sich stets bewusst sein, dass sich das Gelände ständig verändert. Und obwohl der Total-Portfolio-Ansatz nicht den Anspruch erhebt, das nicht Abbildbare abzubilden, wird hiermit zumindest ein Portfolio aufgebaut, das funktionieren kann, wenn die alte Landkarte überholt ist. In einem Zeitalter grundlegender struktureller Unsicherheit bietet diese Art von Bescheidenheit bei Investitionen vielleicht den beständigsten Vorteil, den es gibt: die Weisheit zu erkennen, was nicht gewusst werden kann, und sich entsprechend zu positionieren.

¹ Ang, Andrew, Nazym Azimbayev und Andrey Kim. «The Self-Driving Portfolio: Agentic Architecture for Institutional Asset Management.» Arbeitspapier, 2026.