Wie ein Principal dem Portfolio eine Frage stellt, ohne eine Halluzination zurückzubekommen

Ein Principal eines Single Family Office in Abu Dhabi möchte an einem Sonntagabend eine einzige Frage in klarem Deutsch stellen: „Wie viel meines Vermögens steckt aktuell in Private Credit, und welche Rendite hat es im letzten Quartal erzielt?” Er will kein 60-seitiges konsolidiertes Reporting-Paket. Er will die Zahl, und er will, dass sie stimmt.

Diese Bitte klingt trivial. Sie ist es nicht. Dahinter steht ein Private-Equity-Fonds, dessen NAV erst 60 Tage nach Quartalsende eintraf, ein Private-Credit-Mandat, das von einem anderen Administrator in einem anderen Format gemeldet wird, börsennotierte Positionen bei einer Schweizer und einer Depotbank am Golf, ein Sachwert, der zuletzt vor neun Monaten bewertet wurde, und ein paar Co-Investments, die in einer von Hand gepflegten Tabelle geführt werden. Die ehrliche Antwort auf seine Frage ist nicht eine einzige Zahl. Es sind mehrere Zahlen, zu unterschiedlichen Zeitpunkten erfasst, in unterschiedlichen Währungen denominiert, nach unterschiedlichen Konventionen definiert. Setzen Sie einen Chatbot auf dieses Durcheinander und lassen Sie ihn natürlichsprachlich antworten, dann haben Sie ein sehr selbstbewusstes Instrument geschaffen, um genau die Person in die Irre zu führen, deren Geld es ist.

Genau dieses Problem trifft Family Offices in der GCC-Region 2026, und es verdient mehr Sorgfalt, als die Demos vermuten lassen.

Warum dieses Office anspruchsvoller ist als ein Konzernhauptbuch

Single Family Offices in der GCC-Region sind zu ernstzunehmenden Allokatoren herangewachsen. Region­weit planen knapp 80 % der Family-Office-Investoren, ihr Private-Equity-Engagement auszubauen, und fast die Hälfte hält bereits mehr als 20 % der AUM allein in PE, ergänzt durch Sachwerte und Private Credit. Genau dieser Allokationsmix macht natürlichsprachliche Abfragen so gefährlich.

Ein Corporate-Finance-Team stimmt überwiegend Hauptbücher ab, die täglich aktualisiert werden. Ein Family Office stimmt Reporting-Ströme ab, die nach völlig unterschiedlichen Takten aktualisiert werden. PE-NAVs treffen üblicherweise 45 bis 75 Tage nach Quartalsende ein, und viele Investoren tragen einen weiteren Quartalsverzug, bevor diese Zahl in die eigenen Bücher gelangt – eine „aktuelle” Allokation kann also unbemerkt ein sechs Monate altes Bild sein. Rund zwei Drittel der Family Offices aggregieren noch immer von Hand. Daten aus den Private Markets werden immer wieder als das größte technologische Problem dieser Offices genannt. Nichts davon ist ein Modellproblem. Es ist ein Datenproblem, und ein Modell, das darauf aufsetzt, erbt jede einzelne Lücke.

Wenn der Principal also nach seiner Private-Credit-Gewichtung fragt, lautet die eigentliche Frage: per wann, wie bewertet, in welcher Währung, nach Abzug welcher Gebühren? Ein Sprachmodell weiß nicht, dass es das fragen muss. Es gleicht Muster ab, kommt auf einen plausibel aussehenden Prozentsatz und reicht ihn im selben ruhigen Ton weiter, den es für alles verwendet.

RAG über PDFs ist das falsche Fundament

Naheliegend ist der Ansatz, jedes Quartalsreporting, jedes Kapitalkonto und jeden Depotauszug in einen Vektorspeicher zu kippen und Retrieval-Augmented Generation die Fragen über die Dokumente beantworten zu lassen. Das lässt sich wunderbar demonstrieren. Und es scheitert leise.

Drei Gründe. Erstens sind diese Dokumente Tabellen, und Sprachmodelle lesen Tabellen schlecht. Kapitalkonten, NAV-Roll-forwards und Gebührenstaffeln sind dichte Raster, in denen die Bedeutung in der Beziehung zwischen den Zellen liegt – und genau dort bricht die Extraktion zusammen. Zweitens ruft RAG ab und fasst zusammen; es rechnet nicht. Fragen Sie nach einer kombinierten Rendite über vier Fonds, muss das Modell tatsächlich gewichtet rechnen, und ein LLM, das über abgerufene Textfragmente rechnet, rät – es kalkuliert nicht. Drittens kennt RAG kein „per wann”. Es vermengt bereitwillig einen NAV aus dem ersten Quartal mit einem Marktkurs aus dem dritten Quartal zu einer einzigen Antwort, weil beide Fragmente denselben Fonds erwähnen, und nichts im Retrieval-Schritt weist darauf hin, dass Sie soeben zwei verschiedene Zeitpunkte miteinander verglichen haben.

Das Ergebnis ist eine Antwort, die flüssig formuliert und scheinbar belegt ist – und auf eine Weise falsch, für deren Aufdröselung ein Analyst eine Stunde braucht. Für einen Principal, der eine Allokationsentscheidung trifft, ist genau diese Stunde der ganze Sinn der Frage.

Die Reihenfolge, die tatsächlich funktioniert: erst abstimmen, dann fragen

Die Lösung ist kein cleverer Prompt. Sie besteht darin, das Schlussfolgern und das Rechnen an unterschiedliche Stellen zu legen und ein abgestimmtes Modell dazwischenzuschalten.

Erstens: in ein einziges Modell aggregieren und abstimmen. Ziehen Sie jede Quelle zusammen – Depot-Feeds, Statements der Fondsadministratoren, Kapitalkonten, die Tabellen – in eine einzige Struktur, in der jede Position ein explizites Bewertungsdatum, eine Währung, eine Asset-Klasse, eine Beteiligungskette und eine Verknüpfung zurück zum Quelldokument besitzt. Ist ein NAV veraltet, weiß das Modell, dass er veraltet ist, und führt diesen Hinweis mit, statt vorzugeben, die Zahl sei frisch. Das ist dieselbe Single-Source-of-Truth-Disziplin, die ein Konzern mit mehreren Einheiten braucht, und wir führen den Konsolidierungsfall ausführlich in einem abgestimmten Modell über 40 SPVs aus.

Zweitens: die Berechnung deterministisch ausführen. Wenn der Principal nach seiner Private-Credit-Gewichtung oder einer kombinierten Quartalsrendite fragt, läuft die Berechnung durch eine feste Engine, nicht durch das Sprachmodell. Gewichtete Renditen, Währungsumrechnung zu einem definierten Kurs an einem definierten Datum, Allokationsanteile gegen eine definierte Gesamtsumme: Das sind Formeln, und Formeln sollten ausgeführt und nicht vorhergesagt werden. Aufgabe des Sprachmodells ist es, die Frage zu verstehen und die Antwort zu formulieren. Die Arithmetik berührt es nie.

Drittens: jede Antwort nachvollziehbar machen. Die Antwort auf „Wie viel steckt in Private Credit” sollte sich in die Positionen aufklappen, aus denen sie sich zusammensetzt – jeweils mit Bewertungsdatum und Quelldokument. Beruht eine Zahl auf einem NAV, der zwei Quartale alt ist, sagt die Antwort das. Genau diese eine Gewohnheit – das Stichtagsdatum und die Herkunft auszuweisen – unterscheidet ein Werkzeug, auf das ein Principal hin handeln kann, von einem Spielzeug, das ein Gefühl erzeugt. Es ist zugleich die Disziplin, an der sich der Rest der GCC-Finanzwelt messen lassen muss, was wir in geprüften Jahresabschlüssen FY2025 und KI-Nachvollziehbarkeit behandeln.

Wo natürliche Sprache wirklich hilft – und wo nicht

Ich möchte den Grenzen gerecht werden. Bei einer Sache ist die natürlichsprachliche Abfrage ein echter Fortschritt: beim Zugang. Ein Principal, der niemals ein BI-Dashboard öffnen würde, tippt eine Frage in ein Chatfeld, und ihm einen direkten, dialogischen Zugriff auf sein eigenes Vermögen zu geben, ist von echtem Wert. Das Interface ist nicht das Problem.

Was es nicht leisten kann, ist eine Sicherheit zu erfinden, die die zugrunde liegenden Daten nicht haben. Hat ein Fonds seinen NAV für das vierte Quartal noch nicht gemeldet, kann Ihnen kein Modell den tatsächlichen aktuellen Wert dieser Position nennen; es kann Ihnen nur den letzten bekannten Wert nennen und wie alt er ist. Eine abgestimmte Schicht ist darin ehrlich. Ein Chatbot über PDFs übertüncht es. Der Unterschied zeigt sich an dem Tag, an dem ein Principal eine echte Entscheidung auf Basis einer Zahl trifft, die sich als sechs Monate veraltet herausstellt.

Und es kann keine Definitionen reparieren, auf die Sie sich nicht geeinigt haben. „Rendite” nach Abzug welcher Gebühren, „Vermögen” einschließlich oder ausschließlich des operativen Geschäfts, „liquide” auf welchem Horizont? Das sind Governance-Entscheidungen, die das Family Office einmal treffen und im Modell verankern muss. Die deterministische Engine wendet sie dann jedes Mal auf dieselbe Weise an, und das ist der eigentliche Sinn: dieselbe Frage zweimal stellen und zweimal dieselbe Antwort erhalten.

Das Fazit

Ein Principal, der eine Frage in klarem Deutsch stellt, ist eine gute Idee, die auf einer fragilen Annahme beruht – nämlich, dass die Zahlen darunter bereits vertrauenswürdig sind. In einem GCC-Family-Office, das PE, Private Credit, Sachwerte und börsennotierte Bestände über mehrere Jurisdiktionen hinweg umfasst, hält diese Annahme von vornherein so gut wie nie. Die Arbeit liegt in der Abstimmung, nicht im Chat-Interface. Bauen Sie zuerst das einzige abgestimmte Modell, leiten Sie jede Berechnung durch eine deterministische Engine und sorgen Sie dafür, dass jede Antwort auf eine datierte Quelle zurückführt – dann wird der natürlichsprachliche Zugang sicher. Lassen Sie das aus, dann haben Sie der wichtigsten Person im Haus ein eloquentes Mittel gegeben, um selbstbewusst danebenzuliegen.

Wenn Sie sehen möchten, wie es aussieht, dem Portfolio eine Frage zu stellen, bei der jede Zahl auf ihre Quelle zurückführt, buchen Sie eine Demo und bringen Sie Ihr unübersichtlichstes Fondsreporting mit.