So gut läuft mein KI-Family-Office wirklich

Nach dem Verkauf meines Unternehmens und dem Ausstieg aus meiner operativen Rolle  bei Fincite hatte ich plötzlich drei Dinge: Geld, Zeit und mit KI ein ganz neues Werkzeug zur Hand. Also habe ich mir mein eigenes Family-Office mit KI-Agenten gebaut. Wie das genau strukturiert ist und warum ich dort welche Entscheidung getroffen habe, erfahrt ihr in Teil 1 der Serie. Hier geht es nun darum, was wirklich geklappt hat – und was nicht. 

Mit KI kann ich heute Teile meines Vermögens nahe an der Arbeitsweise eines Family Offices organisieren. Ohne feste Angestellte, mit überschaubarem Budget und mit den richtigen Spezialisten im Hintergrund. Aber mein Setup musste einige Probleme erst überwinden und ist teilweise noch dabei. 

Welche Fehler Travis macht

Ein Beispiel: Aktualität. Travis.Stock habe ich gebaut, weil ChatGPT und Claude Coworker vorher Kurse halluziniert haben. Mal war ein Kurs ein Jahr alt, mal in der falschen Währung. Erst ein klarer Prozess mit Finanzmarktdaten und integrierten Plausibilitätsprüfungen löste das Problem nur halbwegs. Denn bis heute habe ich regelmäßig Fehler in Aktienbewertungen und nutze weiterhin die externen Tools, mit denen ich seit Jahren arbeite, bevor ich eine Aktie kaufe oder verkaufe. 

Ganz besonders hoch war die Fehlerquote bei tagesaktuellen Ereignissen. Statt zu prüfen, was den Absturz einer Aktie am Kapitalmarkt verursacht hat, wurde die Antwort zunächst gut geraten. Plausibel, aber es verpasste den eigentlichen Kern. Hier war der Schlüssel die Anweisung zu geben, nur tagesaktuelle Quellen in einem kurzen Research zu nutzen. Da ich das Problem der Qualität von Finanzmarktdaten als Gründer des Softwareanbieters fincite leider nur zu gut kannte, weiß ich auch, dass ich dort sehr viel Zeit auf die Problemlösung verschwenden kann, ohne ein perfektes Ergebnis zu erzielen. 

Traue keinem Agenten, den du nicht selbst gefälscht hast

Ich habe die Schwäche daher akzeptiert. Bevor ich eine Position eröffne, beobachte ich oft ohnehin mehrere Quellen und Tools, die ich seit vielen Jahren nutze. Von daher ist dieses Problem für mich “gut genug gelöst”: Wer also einfach ChatGPT fragt: „Soll ich die Microsoft-Aktie heute kaufen?“, sollte sehr genau prüfen, ob die Begründung der Antwort auf den richtigen Daten beruht. Nicht selten sind die Einschätzungen, etwa der Verhältnisse von Marktwert zu Gewinn, um 30 bis 50 Prozent von den tagesaktuellen Werten entfernt.

Aktualität ist aber auch bei Änderungen im Steuerrecht manchmal ein Problem. So liegt mein “Steuer-Projekt” oft dann daneben, wenn sich Bereiche häufiger ändern (wie z.B. Firmenwagenbesteuerungsregelung von Elektroautos). Dieses Problem ließ sich aber lösen, durch den Hinweis nur ausgewählte Quellen mit hinreichender Aktualität bei der Antwort zu berücksichtigen.

Gleiches Problem, andere Lösung

Ein weiteres Problem: Konsistenz. Ohne die richtige Struktur löst jeder Prompt jedes Problem neu. Und oft anders. Mal wurden Kennzahlen mit Formel A, mal mit Formel B berechnet. Mal wurde Start-up A kritisch betrachtet und Start-up B dann sehr wohlwollend. Ich musste die KI mit Projektprompts, eng definierten Skills und Konfigurationen zwingen, nach festen Formeln und Reihenfolgen zu arbeiten und sich bei einigen Themen wie bei Aktienbewertungen oder aktuellem Steuerrecht nur auf wenige, vertrauenswürdige Quellen zu fokussieren. Wichtig ist auch, der Hinweis, dass sich das Projekt bei jeder Antwort frühere Antworten mit betrachtet und noch einmal verifiziert oder falsifiziert.

Irgendwann kannte ich die meisten Stärken und Schwächen der Modelle und wusste, wann welcher Weg und Arbeitsmodus (statisches Projekt in GPT, eigene Software, Agenten in Claude) Sinn macht und mit welchen Strukturen, Prompts und Skills ich Aktualität, Standardisierung und Sorgfalt sicher stelle. 

Auch sind mehr Daten nicht immer besser. Aus Gründen der Datensparsamkeit, aber auch aus Gründen des Fokus. Da ist viel Kontext für KI manchmal auch ein verzerrender Faktor. Manchmal verknüpft die KI sonst Themen miteinander, die inhaltlich keinen Bezug haben. Daher habe ich mich an vielen Stellen bewusst gegen eine weitreichende Integration entschieden.

Mit unperfekten Systemen lassen sich Kosten sparen 

Mein Setup ist nicht perfekt. Es ist nicht stark integriert, hat Medienbrüche und bedarf manuellen Aufwand. Es ist nicht einfach an Dritte übertragbar. Ich könnte also niemanden einstellen, ohne die Person lange einzuarbeiten. Aber es funktioniert für mich. In einigen Bereichen hat es bis zu 60 Prozent der Kosten für Spezialisten gespart. Nicht, weil ich Spezialisten ersetzt habe, sondern weil ich sie besser vorbereitet habe. Und es war schnell gebaut: in circa sechs Wochen, mit maximal zwei Stunden Aufwand pro Tag. Ich denke, das ist der Effekt, den wir auch bei Unternehmen, Softwareindustrie und KI sehen werden. Starke Einsparungen durch schnell gebaute, nicht perfekte Systeme.

Und das kann KI besser als Software. Software musste perfekt für einen Anwendungsfall skalieren. Das muss ein KI-Setup nicht. Das System muss nur für den eigenen Fall gut funktionieren. Weil jedes finanzielle Leben anders aussieht, wird jedes Setup, das wir bauen, anders aussehen. Mal wird der Schwerpunkt auf Immobilien größer sein, mal der auf betriebliche Altersvorsorge oder auf die Wegzugsbesteuerung. 

Was also kann jeder mitnehmen? Zwei Dinge: 

• Das Erste: Prüft eure bestehende Struktur, von Testament, Ehevertrag, Kostenstruktur der aktuellen Geldanlage, Struktur für anstehende Erbschaften bis hin zu Wertentwicklung von Immobilien. Schafft dafür Kontext. KI kann helfen, die Fragen zu identifizieren, die für euch persönlich den größten Hebel darstellen. 
• Das Zweite ist: Ihr braucht einen Plan. Die richtige Anlagestrategie mag für viele von uns nur ein breit gestreuter ETF sein. Aber wie viel zahle ich ein, wann kann ich damit in Rente gehen, sollte ich mir eine Immobilie kaufen, was passiert, wenn ich meinen Job verliere? Diese Szenarien durchzuspielen, bietet wertvolle Erkenntnisse. 

Probiert es mal aus.