Wie ein KI-zentrierter Asset Manager neue Chancen für Investoren bietet #95 mit Michael Althof und Holger Wasem

00:00:01: Herzlich Willkommen zu Hedgework, der Kommunikationsplattform rund um alternative digitale

00:00:08: und nachhaltige Investments.

00:00:11: HedgeWork ist eine Marke der GFD-Finanzkommunikation.

00:00:21: Liebe Hedgeburgerinnen, liebe Hedgeberger!

00:00:22: Liebe interessierte an spannenden Anlagethemen.

00:00:26: ich begrüße Sie sehr herzlich zum zweiundneunzigsten Hedgeburg Talk.

00:00:30: Mein Name ist Joachim Althof und dieses Mal darf Ihnen gleich zwei interessante Gäste vorstellen, die sich in einer Minute auch selber genauer vorstellen.

00:00:39: Aber ich sage den Namen schon mal, Holger Wasem und Michael Althoff.

00:00:43: Sie haben einen neuen institutionalen Assetmanager aufgebaut.

00:00:46: Sie habe ihn LAVE genannt, L-E-I-W.

00:00:49: Da steht für Luxemburg Enterprise for Investment and Wealth Management.

00:00:54: was es neu daran?

00:00:56: er nutzt vollumfänglich die Möglichkeiten künstlicher Intelligenz.

00:00:59: Das sagen viele von sich, aber sie, ich bin überzeugter werden Sie gleich schon sagen können.

00:01:05: Haben es besonders genau damit genommen und vor einer Unternehmensorganisation bis zu Anlagezielen an vielen Stellstrauben haben sie das intensiv eingesetzt und da bin ich sehr gespannt was wir uns dazu erzählen können.

00:01:18: wenn wären auch konkrete Anlageziele sprechen, die sie auch mit Hilfe von KI unter anderem investiert haben.

00:01:25: Aber vorerst gerne eine kleine Vorstellungsrunde Michael, bitte fang du an.

00:01:30: ein kleiner Disclaimer, Herr Michael Althofi sind da bin ich verwandt oder versprägert.

00:01:34: das ist purer Zufall dass wir selten Nachnamen haben.

00:01:37: also Michael bitte

00:01:38: Vielen Dank Joachim.

00:01:39: super freut mich sehr dass wir hier sind.

00:01:41: vielen dank fürs Interesse an unserem Unternehmen.

00:01:44: Ja mein Hintergrund.

00:01:45: Ich habe Finanzmathematik studiert, dann lange fast zwei Jahrzehnte bei einem sehr großen amerikanischen Asset Manager gearbeitet.

00:01:55: Ich habe da mehrere Bereiche durchlaufen und war zuletzt für vor allem inflationsindexierte Mandate zuständig.

00:02:00: Ich hatte das ETF-Geschäft mit aufgebaut.

00:02:03: Und muss sagen so Richtung, ja, im Jahr two-tausendachzehn-neunzig kam immer mehr Datenmengen auf die zur Verfügung standen irgendwo abgespeichert waren.

00:02:12: Auf der anderen Seite hatten wir auch immer bessere Rechenkapazität ... wer man nur diese Daten bearbeiten konnte.

00:02:18: Und ich habe dann, ja... ... im Jahr zwei Tausend Achtzehn war das noch ein Doktor angefangen in mathematischer Statistik.

00:02:24: Das ist so die Basis für die KI-Modelle,... ...die wir so nutzen oder auch statistische Modelle,... ....die wir anbinden vor allen Dingen auf großen Datenmengen und strukturierten Datenmängen.

00:02:36: Und bin dann über mein Doktorvater nach Luxemburg gekommen.

00:02:40: Es gab da ein Projekt wo wir schon einige KI Ansätze hatten, wo ich dann mit Ausgäufen hab Und in diesem Zuge kamen immer mehr die Language Modell Models raus, Large-Language-Modells, wo im Jahr zwanzig fing das wirklich an und da haben wir uns dann auch immer mehr vertieft.

00:02:57: In diesen Bereichen so entstand die Idee von Lave.

00:03:00: Lave ist das Akronym für Löwe.

00:03:01: Löwe ist das Wappentier von Luxemburg.

00:03:03: deshalb haben wir das gewählt.

00:03:05: und ja unser Angehensweise ist ein Unternehmen aufzubauen was wirklich alle Bereiche so strukturiert der KI-Daten liefert und andererseits davon profitiert, wie die Daten analysiert werden.

00:03:22: Vielen Dank Michael!

00:03:23: Weil ich es redet, verstanden habe Holger ist genau dieser Punkt, wie KI die Staaten strukturiert?

00:03:29: Und was daraus dann an den nächsten Schritten folgt, genau dein Metier bitte.

00:03:33: Ja also auch von mir.

00:03:36: erstmal vielen Dank für die Einladung zu diesem Podcast.

00:03:40: Es ist wirklich ein spannendes Thema, was viele in unserer Industrie umtreibt.

00:03:45: Aber mich persönlich natürlich auch ganz besonders.

00:03:48: Das rührt daher, dass ich habe Mathematik und Physik studiert und seinerzeit an Künstlerintelligenz geforscht.

00:03:57: Und das liegt daran, dass KI letztlich in den Bereich mathematisch-statistischer Methoden fällt.

00:04:06: Nach meinem Studium bin ich ins erste Management gegangen Zuerst mal in der Systementwicklung bei einer Kommerzbank Tochter.

00:04:14: Bin dann aber selbst ins Fondsmanagement gewechselt, bei der DECA Investment.

00:04:18: Dort war ich am Ende für sechzehn Fonds mit ungefähr eins Komma sechs Milliarden Euro erstes an der Management verantwortlich.

00:04:28: Dann bin ich von der Dека auf die Saleszeit gewechselts.

00:04:32: Da war ich bei der UBS zuletzt Leiter für strukturierte Produkte, für Deutschland und Österreich.

00:04:37: Und habe dann im Jahr zwei Tausend Zehn weißen Weiß gegründet.

00:04:42: Wir hatten angefangen Handelssysteme zu entwickeln... ...für den Handel mit Edelmitteilen und Derivaten auf Edelmetallen.. ..und haben uns weiterentwickelt als CDU.

00:04:56: dort war ich verantwortlich für die Entwicklung von Xalimo das ist eine Low Code Plattform und später dann Accentra OS.

00:05:07: Das ist eine Agendic AI-Plattform, also da kommen wir ja schon langsam zu unserem Thema.

00:05:14: Alle unsere Plattformen sind native Cloud basiert und heute verraten wir Kunden wie zum Beispiel Michael und Leif beim Aufsetzen von integrierter Cloudinfrastruktur.

00:05:30: Das heißt, wir helfen wirklich bei dem Design und der Implementierung von Infrastruktur die dann zum Betreiben von Chantic AI notwendig ist.

00:05:45: Und dazu gehört natürlich auch alles drum herum also nicht nur Infarenz, sondern es praktisch ausführen oder Anfragen, sondern auch das Training von neuronalen Netzen.

00:06:04: Vielen Dank.

00:06:04: Das klickt schon sehr.

00:06:06: Da spricht derwirt für das Tief-Trinsert.

00:06:09: vor allen Dingen ihr seid ja auch hier kennt die alte Welt.

00:06:11: Ihr seht im Namen schon gefallen DECA, UBS, Commerzbank, Michael, du warst bei den großen US amerikanischen traditionalen Assetmanagern.

00:06:19: Ist das ein Punkt, dass euch bewogen hat einen neuen SM-Manager zu gründen?

00:06:23: Weil ihr ihm die alte Welt kennt und er ist ganz anders machen wollt.

00:06:26: Das könnte ich so ein bisschen daraus lesen und von Anfang an sozusagen ohne die Altlasten neu anzufangen.

00:06:33: Ja im gewissen Sinne... Wir erfinden das Rad so gesehen nicht neu.

00:06:38: wir machen Formmanagement traditionell nur die Maschinerie dahinter läuft ist anders strukturiert.

00:06:45: Also stattdessen wir Portfolio Manager haben irgendwelche Junior-Analisten und andere zu arbeiten, haben wir eher einen Ansatz.

00:06:53: Dass wir alle Daten die wir anfassen, die irgendwie durchs Unternehmen gehen so abspeichern dass wir nachher nutzbar sind für unsere Modelle, die wir selber bauen.

00:07:03: Deshalb haben wir uns hingesetzt um das Ganze nochmal zu lernen, zu überlegen wie wir das strukturieren können.

00:07:08: Und man muss hier wirklich einen gesamten Arbeitsprozess eines Assetmanagers durchdenken und sich überlegen, wann fließen welche Informationen durch?

00:07:16: Wer hat welche Aufgaben?

00:07:17: Wer braucht Zugang zu welchen Informationsbereichen.

00:07:21: Und wie können wir sie auch so strukturieren dass es keine Silo-Bildung gibt sondern das Information zwischen verschiedenen Bereichen hin und her gereicht werden kann.

00:07:30: Zwischen Vertrieb und Portfoliomanagement, zwischen meinetwegen Risiko und Portfoliomanagement.

00:07:37: Das war der Ansatz sich zu überlegen.

00:07:39: Wir können ja erst mal von Grund auf aufbauen.

00:07:41: Nachher wendet man dann einen Modell an, wir wollen unser eigenes oder sind dabei uns eigenes zu bauen wo wir hoffen dass wir kompetitiv sind.

00:07:49: Aber wichtig ist hierbei das man eine Infrastruktur hat die man von sozusagen from scratch start one of englisch von null auf aufbauen kann und sich überlegen kann was es in Zukunft.

00:08:01: wenn mir jetzt ein asset manager fünf oder zehn jahren überlegen wie sollte der aussehen?

00:08:05: Wie soll er denken sozusagen Wie sollte die Information durchgehen?

00:08:09: Wer hat Zugang zu welchen Informationen, wie kann ich die aufbereiten.

00:08:14: Und wir müssen sie auch agnostisch aufbauen.

00:08:16: Wir müssen uns sagen vielleicht ist unser Modell aktuell gut.

00:08:19: Vielleicht kommt aber zukünftig ein neues Modell raus was sehr viel besser ist.

00:08:22: Das heißt, wir müssen auch kulturell als auch technologisch agnostisch sein und uns so aufstellen dass wir immer wieder mit dem neuesten an Modellen fortschreitend arbeiten können.

00:08:34: Ein ganz klares Ziel ist es, Informationen besser aufzubereiten zur Verfügung zu haben.

00:08:39: Zweitens aber auch Effizienzer zu arbeiten.

00:08:42: kosten vielleicht Kosten sparen da oder kosten effizienter sagen wir mal so und dafür müssen wir natürlich immer vorne dran sein.

00:08:49: Wir müssen eigentlich immer zusehen dass wir ja an der Forschung bleiben.

00:08:55: Das ist ein bisschen ähnlich was das Chef ich meine von JP Morgan gesagt hat.

00:09:00: in Zukunft werden Finanzunternehmen banken wahrscheinlich eher AI-Labs als das klassische Banker eingestellt werden, weil diese Informationsaufbereitung die Geschwindigkeit mit der und die Genauigkeit und Robustheit mit der Information aufbereitet extrem wichtig ist.

00:09:15: Und da wollen wir uns hinbewegen und deshalb wollen wir es von Null aufbauen um komplett frei gestalten zu können, zielorientiert freigestalten zu kann.

00:09:25: Okay.

00:09:26: Spannend, vielleicht können wir da ein bisschen Fleisch anknocken und noch heranbringen.

00:09:31: Holger, vielleicht kannst du da ein paar konkrete Schritte mal sprechen?

00:09:36: Ich vermute mal ihr habt doch dann weniger Mitarbeiter als ein treffzender Asset Manager hier.

00:09:42: Ihr braucht keine großen Büroflächen wie ... ich meine es ist ja schon up and running.

00:09:47: Ist nicht so dass das alles plant ist gibt sie alle schon.

00:09:50: was habt ihr da schon getan?

00:09:53: Was macht ihr der Zeiten wohl?

00:09:54: Kann man sozusagen so Unterschiede sehen, wie ihr vorgeht und wir vielleicht ein präzioneller IZIP Manager vorgehen würde.

00:10:02: Ja, wo fange ich da an Joachim?

00:10:08: Michael hat so viel schon angedeutet womit es zu tun hat also mit Daten aber auch mit der Organisation von Zugriffen auf Daten usw.. Da wird es dann irgendwann sehr technisch und vielleicht auch ein bisschen langweilig und nicht so, ich sag mal für denjenigen der nicht so tief in der Technik drinsteckt.

00:10:32: Auch ein bisschen unklar aber vielleicht wäre es am besten... Ich beschreibe mal einen Arbeitstag von Fiktiven Mitarbeiter bei LAVE, sagen wir heißt Julius ja?

00:10:45: Und er lockt sich ein morgens in sein virtuelles Büro.

00:10:51: und der Julius, der hat eben halt nicht nur Kollegen wie den Michael oder andere sondern er hat vor allen Dingen auch Kollegen die nicht aus Fleisch und Blut nämlich seine KI-Kollegen.

00:11:08: Und er arbeitet sozusagen in so einem hybriden Team Und man kann sich das wirklich vorstellen, wie wir nicht mit einem Kollegen sprechen.

00:11:18: So weit sind wir eben schon.

00:11:20: und diese Workflows die ich jetzt mal so anreise gibt es, die werden gelebt.

00:11:32: Der Julius lockt sich ein und sagt hey guten Morgen.

00:11:35: was steht heute auf meiner To-Do Liste?

00:11:38: Sein KI-Assistent, sein KI-Kollege sagt Anlageausschusssitzung für Megatrend IDs vorbereiten.

00:11:45: RFP bearbeiten Onboarding von neuen Kunden den Michael anrufen.

00:11:53: Wie kommuniziert der Julius mit seinen KI-kollegen?

00:11:57: Er hat sein Headset auf und spricht einfach als wäre es sein Kollege.

00:12:02: Das ist wirklich so.

00:12:04: Vielleicht wollen wir das irgendwann mal in der Folge mal demonstrieren, wie das alles läuft.

00:12:09: Aber heute erzähle ich es jetzt einfach mal.

00:12:12: Das heißt er kann wirklich mit seinen Kollegen sprechen und ihm dann sagen okay danke ich habe die Anlageausschusssitzung schon vorbereitet.

00:12:22: kannst du streichen ja?

00:12:23: Und dann kriegt er seine aktualisierte To-Do Liste gezeigt oder sagt Ich brauche unbedingt das Account Statement von Nick Watts.

00:12:34: Dann kriegt er das.

00:12:35: und ja, das muss ich als PDF an Eva Selma schicken.

00:12:39: Okay?

00:12:39: Und dann geht eine E-Mail auf mit diesem Account Statement als Attachment und er kann es nochmal drüber fliegen und kann's dann raus schicken!

00:12:50: Wenn man das jetzt mal alles sozusagen abstrahiert und versucht in ein paar Kernaussagen zusammenzufassen... Auch ein bisschen auf technischer und Infrastrukturebene.

00:13:05: Da kann man sagen, okay alle unstrukturierten Daten die im Unternehmen entstehen egal ob E-Mail Telefongespräche Video Calls Die werden digitalisiert und mittels KI Technologie in einem Firmengedechnis gespeichert und alle strukturierten Daten aus Drittsystemen, wie Form-Management-Systeme

00:13:28: usw.,

00:13:29: die werden mithilfe von KI-Agenten angebunden und zugänglich gemacht.

00:13:34: Und ab diesem Zeitpunkt sind alle Daten – egal ob strukturierte oder unstrukturiert für KI-Agent nutzbar – darüber entstehen in der Kommunikation mit der KI-Attok-Prozesse die in diesem Agentennetzwerk sich wirklich ad hoc bilden.

00:13:58: und ja, es kommt zu einer produktiven Nutzung all dieser Daten.

00:14:04: Es kommt nicht zur Silo-Bildung wie Michael das eben in seiner Darstellung erläutert hat.

00:14:14: Hat das hier spannend erwähnt?

00:14:17: War das jetzt nicht sozusagen Umbruch, dass ihr jetzt das umstellen müsstet von menschlichen zu KI-Agenten, sage ich mal?

00:14:23: Sondern von Anfang an.

00:14:24: Also das natürlich denkt man Vorteil.

00:14:27: wenn ein traditioneller Assets Manager das sozusagen erst umstellen müsste dann müsste er ja letztendlich auch dann Arbeitskräfte woanders einsetzen.

00:14:35: aber wir können sagen okay das hat mir von Anfang An so gemacht und von Anfang so auch dann strukturiert Und ich denke man ist ja auch dann ja skalierbar weil Denkt man mit den, dann die Prozesse auch wenn sie gleich auf KI-Agenten aufgesetzt sind.

00:14:50: Auch nicht zu sagen ja von der Kapazität auch bestränkt sind.

00:14:55: Das ist hier extrem spannend.

00:14:58: Was bedeutet das denn auch was du jetzt unsere Hörer auf interessiert?

00:15:01: Auch wenn wir in die Richtung auf Anlageidänen denken, ist er auch von Anfang an so schon sag mal integriert dass die KI-Agenten nach Anlageideen vielleicht suchen oder ihr habt den Anweisungen gegeben, was sie da machen sollen oder erforschen sollen um für eure Investoren produktiv zu sein.

00:15:24: Vielleicht könnt ihr noch ein bisschen einsteigen?

00:15:26: Ja gerne!

00:15:28: Wir konzentrieren uns natürlich auf die Bereiche wo sehr viel auch multidimensionelle Daten analysiert werden müssen gleichzeitig und Optimierung laufen und wo man traditionell eine ganze Mannschaft einstellen müsste, um diese Daten zu verarbeiten.

00:15:43: Also es sind normalerweise die alternativen Essetklassen wie Private Equity und Private Depth.

00:15:48: Da kommt ein Deal rein.

00:15:49: Das ist eine Machbarkeitsstudie bei.

00:15:50: Die hat's hundertfünfzig Seiten.

00:15:52: Die möchte ich jetzt relativ schnell auf die wichtigsten KWs, die wir auf die Wichtigsten Kennzahlen runter reduzieren.

00:15:58: Macht das Projekt Sinn oder nicht?

00:15:59: Macht im Sinn im Vergleich zu den anderen Projekten, die schon einen Portfolio habe... Wie könnte man in der Zukunft abschätzen, wie sich das Projekt eventuell entwickeln würde?

00:16:08: Hinsichtlich all die anderen Projekte, die ich schon in diesem Mandat investiert habe.

00:16:12: Das sind so die Fragen, die wir beantworten und sehr schnell beantwortet wollen.

00:16:16: Und wenn ich jetzt von meinem Agentin die Anlageausschusssitzung gerufen werde... ...und mir fehlt aber ein Datensatz dann kann ich den kurz über einen Prompt anfragen sagen, reich mir doch nochmal kurz so und so nach.

00:16:28: Die um die Tabelle und vergleich noch mal den neuen Deal mit dem alten Deal, sodass wir dann aktuell die Daten haben.

00:16:33: Da muss ich jetzt nicht an ein Anlösten gehen und der dann zwei, drei Tage durchließt und zusammenfasst usw.

00:16:41: Wichtig ist hierbei aber dass ich natürlich mit einem Modell arbeiten muss was sehr sauber arbeitet.

00:16:47: Sauberarbeiten heißt hier wir müssen strengstens darauf achten saubere Daten in das Modell einzuladen.

00:16:55: Wir müssen zweitens drauf achten dass die Ergebnisse robust sind und hier arbeiten wir an einem Forschungsprojekt haben uns jetzt angemeldet mit der Uni Luxemburg um Statistisch-Test für Robustheit von Ergebnissen aus Promz zu erstellen und zu wissen, arbeiten wir wirklich robust.

00:17:12: Ist das vergleichbar mit einer Mannschaft die wir sonst einstellen würden?

00:17:16: Und wir müssen auch sehen dass wir immer gut gegenüber anderen Modellen funktionieren.

00:17:20: Das heißt wir werden auch andere Modelle gleichzeitig laufen lassen und schauen ob unsere eigenen sehr enge vertikale Modelle besser funktionieren.

00:17:28: aber das ist der Kernpunkt.

00:17:30: Und jetzt könnte man sich überlegen, ein Modell für einen bestimmten Bereich zum Beispiel das Portfolio-Management wie gerade erläutert zu bauen.

00:17:37: Wir können natürlich dann auch Abweichungen konstruieren die kontextualisiert sind für z.B.

00:17:43: jemanden der Vertrieb macht was wollen die Kunden in Spanien?

00:17:46: Üblicherweise fasst mir die Telefonate mit spanischen Kunden aus der Funktionsindustrie zusammen und dann hat man schon mal Ergebnis.

00:17:55: Nimmt doch diese Ansätze und nimmt dieses Präsentations Material und Adjustier schon mal die wichtigsten Teile auf diesen Kundentypen, zum Beispiel.

00:18:04: Das heißt es geht über ganze Bereiche.

00:18:06: Auf der anderen Seite Legal Department.

00:18:09: wir bräuchten ein Investment Offering für einen Deal wo wir denken er könnte ganz gut sein.

00:18:12: schreibt mir den doch schon einmal vor lehne dich dabei an diese fünf Anderen an adaptiert auf usw.

00:18:18: Und diese Art und Weise zu arbeiten ist im Endeffekt Portfolio Management Arbeit nur dass sich mit einer Maschine rede statt mit Kollegen.

00:18:28: Wir haben aber trotzdem immer eine Mannschaft von sehr gut gebildeten Leuten, die technologieaffin sind und die immer den letzten Blick auf die Ergebnisse werfen können.

00:18:42: Das heißt es geht hier nichts einfach.

00:18:44: jetzt gibt dir keine automatische Entscheidung sondern das ist ein Mittel große Informationen, große Datenmengen schnell zu verarbeiten und auch so zu verarbeitet dass sich alle Informationen die wir darüber angehäuft haben gleichzeitig nutzen kann.

00:19:02: Das wollte ich gerade fragen.

00:19:03: ja noch wie groß ist die Mannschaft?

00:19:04: Vielleicht noch ein bisschen auch Einblick gegeben?

00:19:06: wie wird sich Lave entwickelt seit der Gründung?

00:19:09: Wie viele Experten habt ihr an Bord?

00:19:11: und da würde mich interessieren Ihr macht KI, aber wie sieht das aus?

00:19:16: ...umfällt euer Ökosystem angebunden werden.

00:19:18: Ihr müsst ja sehr viel sprechen mit Regulatoren, mit Brokern... ...mit Börsen und allmöglichen.

00:19:25: Können die sozusagen da eingebunden werden?

00:19:26: Und ist das dann auch... ...dann sind die sozusagen nur nicht so weit?

00:19:31: Also als Mannschaft wie Sie zu

00:19:33: gut... Als zur technischen Frage kann ich ja gerne...

00:19:35: Genau!

00:19:36: Das wollte ich dann gleich weiterreiten.

00:19:39: Also zur technischem Teil würde ich dann... ...gleich an den Holger übergeben aber im Grunde haben wir Zugang zu unseren Daten, also das ist ja praktisch unser... Das was den Wert unseres Unternehmens dann ausmachen würde sind vor allem die Daten.

00:19:52: Die sauberen Daten und das Modell oder die Modelle, die wir drum herum gebaut haben.

00:19:56: Es ist jetzt der Kernwert.

00:19:58: Wenn jetzt jemand aus der Mannschaft gehen würde, würde das Model trotzdem weiter funktionieren.

00:20:02: Das heißt sein Gehirn im gewissen Sinne bleibt bei uns.

00:20:05: Im Moment sind wir zu dritt Ich selbst, dann habe ich noch einen Jean-Michel der macht Errisken & Compliance und dann stellen wir noch genau zum Herbst jemand ein, der auch aus meinem Doktorandenprogramm kommt.

00:20:20: Und sich auf Language Models konzentriert hat mit dem wir unsere eigenen Modelle sozusagen entwickeln werden.

00:20:27: Es kommt auch aus verschiedenen Forschungsgebieten an denen wir gearbeitet haben.

00:20:32: die Außenwelt ist indirekt eingebunden, also alle Interaktionen die wir mit jemandem haben würden wird der bei uns abgespeichert.

00:20:39: Also E-Mailverkehr wie wir schon erwähnt haben, Telefonie, Telefonnate und so weiter wird bei uns abgespeichern und nutzbar gemacht.

00:20:47: Also übernetzt, telefoniert, übersetzt in ein Textarteil, die dann vorab gespeicherd wird und jetzt zur Verfügung stünde für ein Modell was trainiert wird oder später für die Inferenz.

00:20:57: Und das ist eigentlich sein praktisch ein offenes Design.

00:21:02: Jetzt ist es so, dass wir mit dem Regulator natürlich zusammenarbeiten müssen.

00:21:05: Es gibt gewisse Gesetze die wir respektieren müssen also EU AI-Eck zum Beispiel.

00:21:11: wissen die Mitarbeiter genau was das für Modelle sind wie sie funktionieren und so weiter.

00:21:15: haben die ein ordentliches Training bekommen?

00:21:16: das ist zum Beispiel einen Bereich auf der anderen Seite Dora.

00:21:19: Also ist es So wenn jetzt unser Server abschmiert Was ja man passieren könnte.

00:21:24: Können wir weiter arbeiten?

00:21:27: Wie können wir weiter?

00:21:28: aber sind die Daten noch trotzdem noch irgendwo zur Verfügung um Entscheidungen treffen zu können.

00:21:32: Und so müssen wir uns immer aufstellen, das heißt wie sind... Wir können jetzt nicht nur einen Konstrukt bauen sondern wir müssen auch mal denken was ist?

00:21:40: Wir müssen immer handelsfähig bleiben für den Endkunden und das ist etwas was auf der regulatorischen Seite überprüft wird und wo wir dann auch schon einige Präsentationen beim Regulator hatten um genau diese Art und Weise des Arbeiten vorzustellen.

00:21:56: Wir arbeiten jetzt noch mit einem existierenden Alternative Investment Fund Manager zusammen, über den wir die Fonds aussetzen.

00:22:02: Das heißt, wir bauen unsere Infrastruktur über die nächsten ein zwei Jahre so auf, dass wir – wie ich es euch nennen – also echte Investments haben auch an denen wir mitarbeiten und bei dem wir Forschungs-Input geben zur Entscheidungstreffung zum Risk Compliance

00:22:21: usw.,

00:22:21: da liefern wir das Material Um dann, wenn wir robust genug sind und sicher genug sind, eine Maschinerie haben die sauber läuft.

00:22:29: Dann auch unsere eigene Lizenz beantragen zu können.

00:22:31: Das ist so die herangehensweise.

00:22:34: Erst mal testen vor ICE Principle.

00:22:37: Da schaut noch jemand drauf.

00:22:38: Die kümmern sich um valuation compliance risk reporting

00:22:42: usw.,

00:22:43: um dann zu sagen gut jetzt sind wir fertig Und in diesem Zuge werden wir fertig sind, haben wir natürlich regulatorische Pflichten, denen wir einstellen müssen.

00:22:48: Das ist ja, ich sag mal, grob acht bis zehn Leute.

00:22:52: Aber hier werden es immer minimal gestalten.

00:22:54: die Mitarbeiter sind immer in ihrer Arbeitsweise verstärkt durch den Input, durch die Maschinerie, die wir drum herum aufgebaut haben Die KI-Tools sozusagen und dadurch werden wir tendenziell weniger Personal einstellen Müssen.

00:23:09: im traditionellen Sinne werden aber auf der anderen Seite Einiges einstellen müssen natürlich an Data Scientist, die dann die Infrastruktur mit aufbauen in Gang halten, kompetitiv halten gegenüber dem Wettbewerb.

00:23:27: Ja und vielleicht nochmal zur Anbindung von anderen Parteien, mit denen man einen Datenaustausch hat?

00:23:38: Ich meine wir sind jetzt gerade in der Übergangsphase würde ich mal sagen in dieser KI Revolution, in der bei uns befinden wo jetzt noch nicht der Standard ist, dass Agenten direkt miteinander reden werden oder aktuell schon reden.

00:23:55: Das wird irgendwo sicherlich passieren und irgendwann, wann es schwer zu sagen aber es gibt ja bestehende Schnittstellen immer schon zur anderen Parteien.

00:24:09: Und was wir eben gemacht haben, sind diese Schnittstellen nutzbar zu machen.

00:24:17: Dafür zu sorgen dass alle Daten zentral eben verwaltet werden können die über jedwede Schnittsteller geschickt wird.

00:24:29: und das ist eigentlich der Kern der Infrastruktur von LAVE was natürlich sozusagen verglichen mit einem traditionellen Asset Manager, also eine komplett andere Herangehensweise ist.

00:24:45: Vielleicht können wir da eben noch ein bisschen stärker einsteigen?

00:24:49: Wir haben jetzt den Rahmen in Infrastruktur genau beschrieben extrem spannend wie er vorgeht komplett anders.

00:24:54: Was heißt das für Investoren?

00:24:56: Durch viele, die hier zu hören zusehen interessiert sich für neue Anlagen gedehnen und könnt ihr andere Anlageziele bieten oder anders herangehen, die andere Aesthettinger vielleicht nicht bieten können.

00:25:10: Und ihr habt ja auch schon konkrete Dinge ins Rollen gebracht und könntet da vielleicht noch genau darauf eingehen, was Investoren von euch erwarten können?

00:25:19: Ja sehr gerne!

00:25:21: Wir werden uns natürlich anfänglich auf Bereiche konzentrieren, die davon profitieren wie wir Daten analysieren, wo wir einen Wettbewerbsvorteil haben.

00:25:30: Das könnte meinetwegen großem Datenmengen sein.

00:25:33: Das können Datenmengen sein, die aus ganz verschiedenen Bereichen kommen.

00:25:37: Wo eine Optimierung über ganz verschiedene Bereiche laufen muss um die guten Investitionen zu finden, schnell herausbildern zu können und werden dann später Stück für Stück auch in Anführungsstrichen traditionellere alternative Esselklassen angehen.

00:25:52: Da ist dann die Skalierung.

00:25:53: ein Experten einzustellen, der sogenanntes Domain-Wissen hat für den wir dann eventuell spezifisch oder auch in unserem gesamten Konstrukt schon einen Modell an die Hand geben können mit dem er arbeiten kann und der dann seine Arbeit ausführt.

00:26:06: Und wir dann hoffentlich über Effizienz auf der einen Seite von Infrastruktur, auf der anderen Seite die Arbeitsweise wie wir sie erläutert haben über KI, sehr viel besser darstellen könnte.

00:26:16: Das ist unsere Handgehensweise!

00:26:17: Die ersten Assets, die wir haben ist ein Beispiel.

00:26:20: Wir kaufen in einem Form nonperforming Loans von Mikrofinanzinstituten auf und der Hintergrund ist hier dass das eine Menge Darlin-Sema vielleicht zwei Millionen drei Millionen vier Millionen sind jeweils fünfzig hundert zweihundert Dollar Darlin aufgenommen haben und vielleicht jetzt in Zahlung Schwierigkeiten gekommen sind.

00:26:42: Wie kann ich diese Masse an Darlin Seemann bearbeiten?

00:26:46: ohne einen kohärenten Ansatz zu haben, diese große Datenmenge zu strukturieren und zu priorisieren.

00:26:52: Und dann jemand an die Hand zu geben um diese Bearbeitung effizient durchzuführen?

00:26:58: Der Hintergrund hier ist auf unserer Seite.

00:26:59: wie nennst du den LAFE Ethical Recovery Fund?

00:27:02: Das heißt wir gehen an die Datensnehmer treten an die heran Schauen was dort los war vielleicht ein Job verlust Vielleicht ist irgendwas in der kleinen konstruierten Firma schief gelaufen Ein Produktionsfaktor funktioniert nicht mehr, was auch immer es ist.

00:27:19: Und haben dann lokal Teams die nicht zu uns gehören sondern sich darum darauf spezialisiert sind, die wir praktisch mit denen zusammenarbeiten, die nach unserer Priorisierungsliste an diese Darlehenslieder herantreten und fragen, was können wir tun?

00:27:33: Können wir das anders machen?

00:27:34: Also größere Darlehen sind natürlich wichtiger als kleinere Darlegen.

00:27:38: Dann machen wir Kohortenanalyse, Familie... Wohnort, welches Land usw.

00:27:46: Solche Optimierung laufen da und das können wir sehr gut mit solchen Datenanalysen machen.

00:27:50: Das ist wirklich ein Fonds wo wir erst durch unser Datennansatz dazu kommen können diese Esseklasse aufzubauen.

00:27:57: Die gibt es eigentlich sonst kaum investierbar einfach durch die Datenmenge.

00:28:01: Es ist ein Beispiel.

00:28:02: Zweites Beispiel wäre, wo wir jetzt an der Aktiv dran arbeiten, ist zum Beispiel Datencenterfinanzierung.

00:28:09: Der Datencenter hat viele Inputfaktoren Lokale Gesetzgebung, europäische Gesetzgebungen.

00:28:16: Zugang zu Wasser, Zugang zur Strom vor allen Dingen sehr wichtig oder Energiequellen.

00:28:21: Wie kann ich speichern?

00:28:25: Was mache ich mit der Abwärme und diese Optimierung dann auch darüber hinausgehend... Was für ein Typ von der Rechenzentren möchte ich gerne haben?

00:28:35: Wie viele Stockwerke, wie viel Server kann ich... ...wieviele White Spacer ist so genannt.

00:28:38: Wieviel Server kann Ich dort wirklich hereinstellen von verschiedenen Typen eher um Daten zu speichern oder eher jetzt für den KI-Bereich, für Inferenz und so weiter, die sind verschieden strukturiert.

00:28:48: Und das wäre eigentlich ein sehr aufwendiges Arbeiten für eine ganze Mannschaft wenn jetzt da zehn, zwanzig verschiedener Projekte hereinkommen, die interessant aussehen, wo man jetzt aber strukturierend herangehen müsste und eine Optimierung machen müsste und herunterrechnen müsste pro Quadratmeter White Space, wie man ihn nennt, wo ich Server hinstellen kann.

00:29:08: Und diese Optimierung ist so eine multidimensional Optimierung, wo auch unstrukturierte Daten hereingegen Gesetzestexte, Machbarkeitsstudien die vielleicht erstellt wurden, Naturschutz der dort hereinspielt.

00:29:21: Das ist eine Optimierung die wir dann relativ gut über diese Methodik in den Griff bekommen.

00:29:27: Anderes Beispiel... Ich nenne es noch ein Beispiel einfach um zu zeigen, dass das ganz verschiedene Sektoren sind die wir angehen.

00:29:32: Das ist der Bereich der Aufforstung.

00:29:35: Aufforstung hat wieder ganz verschiedene Bereiche.

00:29:37: Lokale Gesetzgebungen welches Land welche?

00:29:41: wie ist der aktuelle Biodiversitätsindex?

00:29:45: Wie wird er sich wahrscheinlich in Zukunft entwickeln?

00:29:47: Welche Pflanzenarten sollten dort auftauchen?

00:29:49: Die können wir.

00:29:50: Satellitenbilder einbauen.

00:29:54: Tonmaterial vor Ort mit einbauen, um zu zählen wieviel Herden von welcher Art auch immer dort gerade jetzt durch den Wald gehen.

00:30:03: Um wirklich eine robuste Messung von Biodiversität zum Beispiel zu haben, die von der EU gefordert sind.

00:30:08: Das sind so Optimierungen, die über ganz verschiedene Bereiche laufen wo ich in riesen Mannschaften einstellen müsste, die ich aber hier in dem Bereich sehr viel schneller darstellen kann.

00:30:17: Natürlich ist dort immer am Ende ein Expertenwissen dabei und wir haben unsere Modelle so aufgebaut dass wir immer wieder Experten wissen mit aufnehmen können, um das Modell schneller trainieren zu können oder immer aktuell zu halten sozusagen.

00:30:33: Der Experte sagt nein es stimmt nicht.

00:30:35: in Ungarn können wir die und die Pflanzen gar nicht pflanzen sondern es müsste so und so sein und dann wird das korrigiert.

00:30:41: Das heißt wir müssen immer trotzdem mit Experten arbeiten, die dann immer noch die letzte Meinung, die letzten Punkte zu geben können.

00:30:53: Dann geht natürlich wirklich völlig anders an, wie man es gewohnt ist.

00:30:57: Sonst würde man Aktien, Anleihen oder Rohstoffspezialisten einstellen und dann ist man in diesem Bereich extrem gut spezialisiert und vielleicht Markt führen aber eben nur diesen Bereich.

00:31:06: Und ihr seid da, welcher verstehe, agnostisch könnt ihr wirklich verschiedene Bereiche, die indivisiert wenn sie mit Daten belegbar sind und mit Daten analysierbar sind, dann sofort ausrollen.

00:31:22: Kostenbasis und viel schneller.

00:31:25: Das denkt man, wenn die beiden Effekte sein, die auf dir besonders großen Wert legt.

00:31:30: Das gibt glaube ich schon mal so eine starke oder einen kleinen Spotlight wo die Reise hingeht.

00:31:36: Vielleicht Volker du bist ja sehr tief drin.

00:31:39: Schon seit ihr habt mit beschäftigt als wir noch gar nicht alle wussten was ist das diese Alternative Intelligence?

00:31:49: Wie sieht dein Blick aus gerade jetzt auch für die S&M in der Windbranche?

00:31:52: Wir haben ja schon ein bisschen was gehört, wenn ihr schon sozusagen auch im Arbeitsalltag das einsetzt.

00:31:58: Also an Stellen wo in anderen Unternehmen vielleicht Analysten meistens nicht Assistenten angestellt würden.

00:32:05: Das geht hier von vornherein über AI-Tools an.

00:32:09: Aber da gibt es wahrscheinlich noch weitere Beispiele.

00:32:11: und wie siehst du den großen die großen Trend?

00:32:15: wo?

00:32:16: wie wird das DSL Management Porsche noch beeinflussen in nächster Zeit?

00:32:21: Tja, also da sprichst du natürlich eine Frage an oder ein Thema an was sehr komplex ist und wo es natürlich im Moment schwierig ist sozusagen in die Kristallkugel hineinzuschauen.

00:32:37: Aber wir sehen schon mal ein paar ganz klare Trends ganz klare Aktivitäten, die schon mal den Weg vorgeben.

00:32:51: Also ich glaube da braucht es jetzt keine Kristallkogel mehr um die nächsten Jahre doch zu antizipieren im Sinne von wie wird sich unser Arbeitsalltag besonders im Asset Management verändern?

00:33:07: eben Unternutzung von künstlicher Intelligenz?

00:33:13: Bevor ich vielleicht darauf gehe, noch einen Hinweis.

00:33:16: Wir hatten ja auch vor kurzem die Situation dass ein amerikanischer Präsident auf die Idee kommt eine KI-Modell abzuschalten oder schalten zu lassen oder bestimmten anderen Ländern nicht mehr verfügbar zu machen.

00:33:40: Das ist etwas, was wir von Anfang an sozusagen als Geschäftsrisiko ausschließen wollen bei LAVE.

00:33:49: Und vielleicht ist das noch nicht so ganz klar rausgekommen aber alles was wir für LAVE aufgebaut haben und die ganze Infrastruktur bei LAV ist komplett on-premise.

00:34:00: Das heißt auch die Modelle, die LLMs, die wir nutzen.

00:34:04: Alles läuft komplett on premise sozusagen nicht abhängig von solchen geopolitischen Risiken.

00:34:16: Und das sage ich auch deshalb, weil ich glaube, dass wird oftmals komplett übersehen – auch bei diesen Aktivitäten die im Moment stattfinden.

00:34:27: und was sind das für Aktivität, die stattfinden?

00:34:30: Also ich denke jetzt wenn wir zum Asset Management gehen Städte oder ganze Staaten, an deren Business-Modell eigentlich auf die Asset Management, Asset Servicing Industrie und so weiter aufgebaut ist.

00:34:49: Oder Beratungsindustrie.

00:34:54: Überall sehen wir schon heute einen massiven Abbau von Arbeitsplätzen und die Ersetzung von manueller Arbeit durch Menschen bewerkstelligte Aufgaben, durch KI-Prozesse.

00:35:16: Und das wird sich immer mehr beschleunigen bis eben zu diesem Zeitpunkt wo auch Parteien untereinander mithilfe von Agenten direkt miteinander kommunizieren können.

00:35:32: Das wird Auswirkungen haben auf alle Industrien aber natürlich auch unsere Asset Management Industry und wir sehen es bei den Anfragen, die wir haben.

00:35:44: Was dafür Fragestellungen schon jetzt gedacht werden?

00:35:50: Wo die Reise hingeht und wenn man das hoch rechnet und auch vergleicht mit dem was in der Beratungsindustrie schon passiert ist und wie sich da Pyramidenstrukturen Personalstruktur zu eher Säulen-Strukturen schon jetzt verändert haben.

00:36:09: Und man das hochrechnet, wird es natürlich zu einem riesigen Umbruch von ganzen Industrien und allen darauf aufgebauten Geschäftsmodellen führen.

00:36:25: Spannend!

00:36:27: Was ist der positive Ausblick für Investorenseite?

00:36:30: Ist das durchaus ein Trend, der zu neuen Möglichkeiten führt.

00:36:36: Wir besprochen haben auf geringere Kostenstrukturen und schnellere Umsetzungen.

00:36:42: Vielleicht auch durchaus Risiko... adjustiert auch besser berechenbar, weil eben Daten basiert.

00:36:48: Also der durchaus für Investoren eine spannende Zeit hier ist da kommen wird wenn sie auch die Anbieter danach sehr stark umstellen müssen.

00:36:58: Ich glaube das können wir doch so festhalten als Ausblick.

00:37:01: Ja man kann auch das so ein bisschen verallgemeinern und sagen überall alle Transaktionsbasierten Interaktionen seien das jetzt eben ich kaufe verkaufe Voranteile, Aktien, Renten oder ich buche bei Airbnb oder was auch immer alles was Transaktions basiert ist wird zukünftig natürlich sehr viel günstiger und sehr viel direkter produziert werden können oftmals ohne einen Market Maker oder Marketplace sozusagen dazwischen.

00:37:39: Okay, aber es braucht immer noch den Gehirn-Schmalls um sich die Dinge anzustoßen und zu entwickeln.

00:37:44: Um auch wie ihr ein ganzes Asset Manager auf um AI herum zu entwickelnden und neue Investment Ideen zu generieren.

00:37:52: Ich bin überzeugt wir haben auch häufiger sprechen dann auch wie auch eure Ideen sei es nun Mikrofinanz Sei es Datencenter sei es Aufforstung das ich euch als sehr spannende Entwicklung als Beispiel hier genannt habe werden sicherlich mehr weiterer zukommen wen wir freuen, wenn man nach Zukunft noch mal zu besprechen kann wie sich das entwickelt hat wieder Leif der Luxemurgalöwe anfängt zu laufen, zu springen.

00:38:17: Herzlichen Dank Michael!

00:38:18: Herzlichen dank Holger!

00:38:19: Ich danke dir!

00:38:20: Vielen Dank Joachim!

00:38:22: Ja!

00:38:23: Vielen Dank lieber Zuhörer, lieber Zuschauer wenn sie jetzt im Video zuschauen.

00:38:28: Bitte abonnieren Sie uns!

00:38:29: Sie wissen wie das geht auf den Button drücken in Ihrer App wo Sie mal zu schauen, damit ich doch zum nächsten Mal Nachricht lief werden, wenn eine weitere Folge in der Reihe Hedgeberg Talk passiert, ungefähr ausgesendet wird.

00:38:40: und genau bis dahin.

00:38:42: einen schönen Tag an alle

00:38:44: Tschüss.