Agentische Due Diligence für einzelne Aktien.

Aktien-Research ist Fleißarbeit: Geschäftsberichte lesen, Pflichtmitteilungen sichten, Peers vergleichen, das Ganze in ein Memo gießen. Für eine einzelne Position kostet das einen halben bis ganzen Tag — und ist dennoch nie vollständig, weil immer eine Quelle fehlt oder eine Zahl veraltet ist. Ein agentischer KI-Workflow verspricht, genau diese Arbeit zu übernehmen: Der Agent zieht eigenständig Filings, vergleicht Kennzahlen mit Wettbewerbern, sammelt aktuelle Nachrichten und entwirft ein strukturiertes Memo. Anders als ein einzelner Prompt entscheidet er dabei selbst, welche Werkzeuge er in welcher Reihenfolge aufruft. Das ist mächtig — und gefährlich, wenn man die Fehlerquoten nicht kennt. Dieser Beitrag zeigt, wie ein solcher Agent architektonisch aufgebaut ist, welche Tool-Calls er braucht, wo der Mensch zwingend dazwischen muss und welche Genauigkeit realistisch ist. Es geht ausdrücklich nicht um eine Black Box, die Kaufempfehlungen ausspuckt, sondern um ein nachvollziehbares Recherche-Werkzeug, dessen Stärken und blinde Flecken man benennen kann.

Was ein Recherche-Agent von einem einzelnen Prompt unterscheidet.

Ein klassischer Aufruf eines Sprachmodells ist ein Frage-Antwort-Spiel: Sie geben Kontext hinein, bekommen Text heraus. Das Modell kann nur aus dem schöpfen, was im Prompt steht — und aus seinem Trainingswissen, das per Definition veraltet ist. Für aktuelle Aktien-Recherche ist das untauglich.

Ein Agent dagegen arbeitet in einer Schleife. Das Modell bekommt eine Aufgabe und eine Liste von Werkzeugen — etwa Filing abrufen, Kennzahl nachschlagen, News suchen. Es entscheidet selbst, welches Werkzeug es als Nächstes braucht, ruft es auf, liest das Ergebnis, entscheidet erneut. Diese Schleife läuft so lange, bis das Modell genug Material gesammelt hat, um die Aufgabe abzuschließen.

Der Gewinn liegt in der Eigenständigkeit: Der Agent muss nicht im Voraus wissen, welche Daten er braucht. Stellt er beim Lesen des Geschäftsberichts fest, dass die Verschuldung auffällig ist, kann er von sich aus die Anleihe-Ratings nachschlagen. Genau diese Anpassungsfähigkeit ist der Mehrwert — und zugleich die Quelle der schwer kalkulierbaren Kosten und Fehler.

Die Architektur: Werkzeuge, Schleife und Mensch im Loop.

Ein belastbarer Due-Diligence-Agent besteht aus vier Bausteinen, die sauber getrennt sein sollten:

• Werkzeug-Schicht: definierte Funktionen mit klarem Schema — get_filing(ticker, typ, jahr), get_peers(ticker), search_news(query, zeitraum), get_financials(ticker). Jedes Werkzeug hat eine eng umrissene Aufgabe und gibt strukturierte Daten zurück.
• Orchestrierung: die Schleife, die Modell-Antwort und Werkzeug-Aufruf abwechselnd ausführt, mit einer harten Obergrenze für die Zahl der Iterationen.
• Quellenspeicher: jedes abgerufene Dokument wird mit Herkunft, Datum und Abrufzeitpunkt protokolliert — die Grundlage für spätere Prüfbarkeit.
• Übergabepunkt: definierte Stellen, an denen der Mensch das Zwischenergebnis sieht, bevor das Memo finalisiert wird.

Wichtig ist die Trennung zwischen Recherche und Schlussfolgerung. Der Agent darf Fakten sammeln und strukturieren. Die Bewertung — kaufen, halten, meiden — gehört nicht in seine Hand. Wer diese Grenze verwischt, baut eine Empfehlungsmaschine, deren Begründungen plausibel klingen, aber nicht belastbar sind.

Tool-Use und strukturierte Ausgaben als Fundament.

Damit der Agent zuverlässig läuft, müssen zwei technische Bausteine sitzen. Erstens: Function-Calling. Das Modell gibt nicht Freitext aus, sondern einen strukturierten Werkzeug-Aufruf mit validierten Parametern. Erzwingt man ein striktes Schema, ist garantiert, dass ticker ein gültiges Kürzel und jahr eine Zahl ist — keine halluzinierten Felder.

Zweitens: strukturierte Ausgabe für das Ergebnis. Das fertige Memo sollte nicht als freier Fließtext entstehen, sondern gegen ein festes Schema — Umsatzentwicklung, Margen, Verschuldung, Wettbewerbsposition, offene Risiken, jeweils mit Quellenverweis. So wird das Ergebnis maschinell weiterverarbeitbar und vor allem prüfbar.

Beide Mechanismen reduzieren eine zentrale Fehlerquelle: das Erfinden von Zahlen. Wenn das Modell eine Kennzahl nur über ein Werkzeug beziehen kann und das Ergebnis ein Pflichtfeld mit Quellenangabe ist, sinkt die Wahrscheinlichkeit, dass es eine Marge frei erfindet, erheblich. Sie sinkt aber nicht auf null — dazu später mehr.

Quellenprüfung und der Umgang mit Halluzinationen.

Der gefährlichste Fehler eines Recherche-Agenten ist nicht, dass er etwas nicht findet, sondern dass er etwas behauptet, das nicht in den Quellen steht. Sprachmodelle füllen Lücken plausibel — und im Finanzkontext ist eine plausibel falsche Zahl teurer als eine ehrliche Lücke.

Gegenmaßnahmen, die sich bewährt haben: Jede Aussage im Memo muss auf ein konkretes Quelldokument verweisen, das der Agent tatsächlich abgerufen hat. Eine nachgelagerte Prüfschicht — gern ein zweiter Modellaufruf mit der einzigen Aufgabe, Behauptungen gegen die Quellen abzugleichen — fängt einen Teil der Erfindungen ab. Und der Agent muss explizit sagen dürfen: „Diese Information habe ich in den verfügbaren Quellen nicht gefunden.“

Trotzdem bleibt eine Restfehlerquote. Realistisch liegt der Anteil der Aussagen, die einer manuellen Prüfung nicht standhalten, bei sauber gebauten Systemen im niedrigen einstelligen Prozentbereich — und steigt, sobald das Sortiment exotischer wird, die Datenlage dünner oder die Filings in unstrukturierten Formaten vorliegen. Genau deshalb ist der Mensch im Loop keine Option, sondern Pflicht.

Wo der Mensch zwingend dazwischen muss.

Es gibt drei Punkte, an denen menschliche Prüfung nicht delegierbar ist. Erstens bei der Quellenauswahl-Plausibilität: Hat der Agent die richtige Gesellschaft erwischt, oder verwechselt er Mutter und Tochter? Bei ähnlich benannten Entitäten passiert das häufiger, als man denkt.

Zweitens bei auffälligen Zahlen: Wenn das Memo eine ungewöhnliche Marge oder einen drastischen Schuldenanstieg ausweist, gehört das verifiziert, bevor irgendjemand darauf reagiert. Der Agent kann markieren, was auffällig ist — bewerten muss es der Mensch.

Drittens bei der Schlussfolgerung selbst. Der Agent liefert ein strukturiertes Faktenbild. Ob daraus eine Investitionsthese wird, ist eine Entscheidung mit Verantwortung, die kein System tragen kann. Wer den Übergabepunkt wegrationalisiert, um Zeit zu sparen, verschenkt genau die Kontrolle, die das Werkzeug überhaupt erst seriös macht.

Kosten, Latenz und realistischer Nutzen.

Ein Due-Diligence-Lauf für eine einzelne Aktie umfasst typisch zwischen fünf und zwanzig Werkzeug-Aufrufen und mehrere Modell-Iterationen. Je nach Modellklasse und Umfang der Filings entstehen pro Lauf Kosten im Bereich weniger Cent bis weniger Euro — die eigentliche Rechnung wird erst spürbar, wenn man hunderte Titel täglich durchläuft. Dann lohnt sich die Optimierung über Caching und kleinere Modelle für Teilaufgaben.

Die Latenz liegt bei einem gründlichen Lauf bei mehreren Minuten, nicht Sekunden — der Agent liest schließlich ganze Geschäftsberichte. Für ein Screening-Vorfeld ist das akzeptabel, für eine interaktive Anwendung nicht.

Der ehrliche Nutzen: Ein gut gebauter Agent erledigt die Sammel- und Strukturierungsarbeit, die einen Analysten Stunden kostet, in Minuten und in gleichbleibender Form. Er ersetzt nicht das Urteil, die Branchenkenntnis und die kritische Distanz eines erfahrenen Researchers. Wer ihn als Beschleuniger für die Fleißarbeit einsetzt und das Urteil beim Menschen lässt, holt den größten Wert heraus — und vermeidet die teuren Fehler, die entstehen, wenn man dem System mehr zutraut, als es leisten kann.

Sie überlegen, einen agentischen Research-Workflow für Ihre Watchlist oder Ihr Anlageuniversum aufzubauen? Unverbindlich anfragen — wir schauen gemeinsam auf Datenquellen, Tool-Schnittstellen und die nötigen Prüfschichten und schätzen Aufwand und realistischen Nutzen ehrlich ab.