KI in der IR: Zwischen Pilotprojekt und Produktivbetrieb

Wo stehen deutsche IR-Teams beim Thema Künstliche Intelligenz (KI) wirklich? Drei Use Cases, ein Reifegrad-Check – und ein paar unbequeme Wahrheiten.

Vier Jahre nach dem großen ChatGPT-Moment gibt es für Kommunikationsprofis jeglicher Couleur nur ein Thema: wie soll der richtige Umgang mit KI aussehen? Auch in der IR Community wird viel diskutiert: auf Konferenzen, in Panels, bei DIRK-Workshops, in LinkedIn-Posts trifft man auf eine außerordentlich hohe Buzzword-Dichte, die den geneigten Leser schwindelig macht. Kein Fachmagazin kommt ohne KI-Schwerpunkt aus, kein Jahresauftakt ohne den obligatorischen Vortrag zur digitalen Transformation. Und ja – die Technologie hat Substanz, das steht außer Frage. Nur: Wer genau hinhört, merkt schnell, dass zwischen „Reden“ und „Machen“ eine riesige Lücke klafft. Eine, die größer ist, als die meisten zugeben würden.

„Wir experimentieren gerade.“ Diesen Satz hört man in fast jedem Gespräch mit IR-Verantwortlichen. So weit so gut. Experimentieren gehört dazu, jede bisher erlebte Technologieadoption hat so begonnen. Aber die exponentielle Geschwindigkeit der Ereignisse ist in diesem Fall einmalig und Experimentieren ist eben kein Produktivbetrieb. Genau dieser Unterschied entscheidet darüber, wer in wenigen Jahren noch die Deutungshoheit über die eigene Investment Story besitzen wird – oder wer sie an einen Algorithmus verloren hat.

Der Reifegrad-Check: Wo steht IR wirklich?

Unsere Erfahrung aus IR-Projekten, Workshops und DIRK-Events der letzten Monate zeichnet ein klares Bild. Die große Mehrheit der deutschen Emittenten bewegt sich auf den ersten beiden Reifegradstufen. Beobachten. Testen. Aber nicht skalieren. Das führt zu einer paradoxen Situation. Wer von KI spricht, meint oft noch ChatGPT als bessere Suchmaschine – eine Art Google mit Konversationsoberfläche. Wer KI wirklich nutzt, hat seine internen Abläufe längst umgebaut. Die Schere geht auf, und zwar schnell.

Ein grober Überblick über den Stand der Dinge:

Stufe 1 – Beobachten (~35 % der Unternehmen): KI wird als Trend wahrgenommen, aber nicht aktiv genutzt. Vereinzelte Versuche, keine Strategie. Das typische Muster: Ein Teammitglied hat (auf privater Basis ChatGPT ausprobiert, der Rest wartet ab.

Stufe 2 – Pilotieren (~45 % der Unternehmen): Erste Anwendungsfälle laufen – Textentwürfe, Sentiment-Analyse, vielleicht eine automatisierte Zusammenfassung. Aber kein systematischer Rollout. Die Nutzung hängt an neugierigen Einzelpersonen, nicht an Prozessen.

Stufe 3 – Skalieren (~15 % der Unternehmen): KI steckt in mehreren IR-Prozessen. Erste Agenten und Automatisierungen laufen produktiv. Die IT-Abteilung weiß Bescheid und es existieren entsprechende Governance-Regeln.

Stufe 4 – Industrialisieren (~5 % der Unternehmen): KI-gestützte Workflows als Standard. Personalisierung, Echtzeit-Monitoring, autonome Agenten, die Ergebnisse liefern und massiv Zeit einsparen. Das ist die Spitze – und sie ist noch sehr dünn besetzt.

Die Zahlen basieren auf NetFederation-Einschätzungen aus IR-Workshops und Benchmark-Studien 2025/26 – keine repräsentative Studie, aber ein realistisches Stimmungsbild aus der Praxis.

Und die Konsequenz? Wer in Stufe 1 verharrt, verliert nicht nur Effizienz. Er verliert die Kontrolle über das eigene Narrativ. Denn KI-Systeme wie ChatGPT, Perplexity oder Google Gemini durchsuchen IR-Inhalte rund um die Uhr. Sie beantworten Investorenfragen in Echtzeit. Und sie greifen auf die Quellen zu, die am besten aufbereitet sind – nicht auf die, die am nächsten an der Primärquelle sitzen. Wer ist deine Zahlen nicht in die LLM bekommt bleibt unsichtbar und existiert nicht. Das sollte jedem IR-Team zu denken geben.

Drei Use Cases, die tatsächlich Wirkung entfalten

Statt einer endlosen Feature-Liste lohnt sich der Blick auf drei Anwendungsfelder, die IR-Teams 2025/26 echten Mehrwert bringen, sortiert nach steigendem Aufwand und wachsender strategischer Tiefe.

1. Earnings-Kommunikation: Der schnelle Gewinn

Die Vorbereitung von Analysten-Q&As gehört zu den zeitfressendsten Routinen im IR-Alltag. Vor jedem Quartalsergebnis dieselben Fragen antizipieren, dieselben Antworten formulieren, dieselben Tonalitätschecks durchlaufen. Klassisches Hamsterrad. Und jedes Mal frisst es Tage.

KI liefert hier sofort messbaren Nutzen. Ein gut konfiguriertes Sprachmodell generiert aus Earnings Release und internem Kommentarmanagement innerhalb von Minuten vollständige Q&A-Sets. Das IR-Team validiert und schärft – statt von Null aufzubauen. Die Qualität des ersten Entwurfs? Überraschend hoch, wenn das Prompt-Design stimmt.

Was konkret schon läuft: automatisierte Tonalitäts-Checks von Ad-hoc-Mitteilungen auf Konsistenz mit der Equity Story. KI-gestützte Zusammenfassungen von Analysten-Reports für die interne Entscheidungsvorbereitung. Automatische Investoren-Briefings nach Roadshows – inklusive individueller Gesprächsnotizen, die das System aus den Meeting-Protokollen destilliert.

Der Aufwand? Niedrig. Die Zeitersparnis? Sofort spürbar. Und der Nebeneffekt, den viele unterschätzen: Das Vertrauen ins Tool wächst mit jedem erfolgreichen Einsatz. Genau das ist der entscheidende Schritt – raus aus der Beobachter- und rein in die Pilotierungsphase. Nicht der perfekte Use Case zählt. Sondern der erste, der funktioniert.

2. Agentische Workflows: KI, die selbst handelt

Hier wird es richtig interessant. Die zweite Evolutionsstufe kennen noch wenige, dabei entfaltet sie die stärkste Wirkung: sogenannte KI-Agenten. Keine simplen Chatbots, bei denen man eine Frage tippt und eine Antwort bekommt. Autonome Systeme, die eigenständig Aufgabenketten ausführen – ohne dass ein Mensch jeden einzelnen Schritt anstoßen muss.

Was das in der IR-Praxis bedeutet? Ein Monitoring-Agent beobachtet rund um die Uhr Kapitalmarktberichte, Social-Media-Aktivitäten und Analystenkommentare. Er fasst relevante Entwicklungen zusammen und schlägt dem IR-Team proaktiv Kommunikationsmaßnahmen vor. Nicht als vage Empfehlung. Als konkreter Handlungsvorschlag mit Priorität und Zeitrahmen.

Ein Reporting-Agent zieht Quartalsdaten aus dem ERP-System, erstellt Entwürfe für den Quartalsbericht und kommentiert Abweichungen vom Vorjahr direkt. Nicht als Vorschlag. Als fertiger Entwurf, den das Team abnehmen oder korrigieren kann.

Tools wie MS Copilot und ähnliche Systeme bringen die technische Grundlage bereits mit. Der entscheidende Hebel liegt woanders: in der Qualität des Prompt-Sets und des Instruction-Sets, das den Agenten steuert. Wer dem Agenten schlechte Anweisungen gibt, bekommt schlechte Ergebnisse. Garbage in, garbage out – das gilt hier ganz besonders.

Der fundamentale Unterschied zu klassischer Automatisierung: KI-Agenten reagieren auf unstrukturierte Eingaben, lernen aus Kontext und kombinieren Aufgaben, die vorher getrennte menschliche Arbeitsschritte erforderten. RPA automatisiert Klickstrecken. KI-Agenten automatisieren Denkschritte. Das ist kein Effizienzgewinn. Das ist ein Qualitätssprung.

Wichtig dabei: Die besten Ergebnisse erzielen Teams, die Agenten nicht als Black Box behandeln, sondern iterativ trainieren. Wer seine Instruction-Sets regelmäßig anpasst, Feedback-Schleifen einbaut und die Outputs systematisch einem Review unterzieht, baut über Wochen eine Qualität auf, die mit manuellem Aufwand schlicht nicht erreichbar wäre. Das ist der eigentliche Hebel – nicht die Technologie an sich, sondern die Disziplin, sie richtig einzusetzen.

3. Personalisierte Investorenkommunikation: Der strategische Vorteil

Die dritte Stufe ist die anspruchsvollste – und die mit dem größten Differenzierungspotenzial. Klassische IR-Kommunikation funktioniert nach dem Gießkannenprinzip: derselbe Content an alle Investorengruppen. Derselbe Quartalsbericht, dasselbe Factsheet, dieselbe Präsentation. Ob Retail-Investor oder Portfoliomanager eines Staatsfonds – alle bekommen das Gleiche.

Moderne IR-Kommunikation stellt eine andere Frage: Welcher Investor braucht welche Information, in welcher Tiefe, zu welchem Zeitpunkt und über welchen Kanal?

KI-gestützte CRM-Systeme erstellen aus dem bisherigen Interaktionsverhalten – Fragen bei Roadshows, Reaktionen auf Veröffentlichungen, Klickverhalten auf der IR-Website – individuelle Investorenprofile. Auf dieser Basis lassen sich Kommunikationsstrecken automatisiert personalisieren. Ohne dass das IR-Team für jeden Investor manuell agiert. Die Maschine übernimmt die Segmentierung, der Mensch behält die Kontrolle über Ton und Inhalt.

Klingt nach Zukunftsmusik? Nicht ganz. Erste DAX-Unternehmen testen bereits KI-gestützte Investoren-Segmentierung in Kombination mit automatisierten Content-Empfehlungen. Der technische Aufwand ist überschaubar, wenn die Datenbasis stimmt. Der kulturelle Wandel im Team – weg vom Gießkannenprinzip, hin zum datengetriebenen Targeting – ist oft die größere Herausforderung.

Ein Aspekt, der in der Praxis oft übersehen wird: Die Gen-Z-Generation rückt zunehmend in institutionelle Investorenrollen nach. Junge Portfoliomanager, Analysten, ESG-Researcher – digital sozialisiert, mit anderen Erwartungen an Kommunikation. Diese Generation erwartet individualisierte, datengetriebene Kommunikation nicht als Bonus. Sondern als Standard. Wer ihnen ein generisches PDF schickt, hat die erste Chance auf eine echte Beziehung schon verspielt.

So viel zu den Chancen. Jetzt der Teil, der auf Konferenzen gerne übersprungen wird. Drei Risiken, die IR-Teams ernst nehmen müssen – auch wenn sie die KI-Euphorie bremsen.

Halluzinationen in regulatorisch sensiblen Texten. Sprachmodelle können fehlerhafte Zahlen, falsche Zitate oder nicht existierende Quellen generieren – überzeugend und ohne jede Warnung. Ein KI-generierter Entwurf kann eine EBITDA-Marge um zwei Prozentpunkte verfälschen, und der Text liest sich trotzdem flüssig. In der IR, wo jede Aussage dem Kapitalmarktrecht unterliegt, bleibt der menschliche Validierungsschritt keine Option. Er ist Pflicht. KI beschleunigt den Entwurf. Verantworten muss der IR-Manager. Immer.

Datenschutz und Vertraulichkeit. Wer interne IR-Daten – Quartalsergebnisse vor Veröffentlichung, Investorengespräche, M&A-Überlegungen – in externe KI-Systeme einspeist, riskiert Compliance-Verstöße. Stichwort MNPI. Stichwort MAR. Die Lösung: unternehmenseigene oder europäische KI-Infrastrukturen, die Daten nicht fürs Modelltraining verwenden. Das kostet mehr. Aber es schützt.

Abhängigkeit von US-Hyperscalern. Microsoft, Google, OpenAI dominieren die KI-Infrastruktur. Europäische Alternativen wie Aleph Alpha oder Mistral existieren, haben aber noch nicht denselben Reifegrad erreicht. Wer ausschließlich auf US-Lösungen setzt, schafft eine strategische Abhängigkeit. In einem transatlantischen Verhältnis, das regulatorisch unsicherer wird, gehört dieses Risiko auf die Agenda. Und zwar nicht als Fußnote im Compliance-Report, sondern als strategische Entscheidung auf Vorstandsebene.

Diese drei Punkte sind kein Argument gegen KI-Einsatz. Sie sind ein Argument für einen strukturierten, governance-basierten Ansatz. Und dafür, dass IR-Teams die Technologie verstehen – nicht nur nutzen. Wer blind implementiert, handelt sich Probleme ein, die teurer werden als die Effizienzgewinne, die KI bringt.

Die Risiken, die keiner hören will und was jetzt zu tun ist: Drei Schritte statt Strategiepapier

Die gute Nachricht: Der Einstieg in produktiven KI-Einsatz muss weder komplex noch teuer sein. Drei Maßnahmen, die sofort umsetzbar sind:

Einen konkreten Use Case definieren und umsetzen. Nicht die perfekte KI-Strategie entwerfen. Wer mit einem Q&A-Agenten fürs nächste Quartalsergebnis beginnt, lernt mehr als in sechs Monaten Strategie-Workshop. Einfach anfangen. Der perfekte Plan ist der Feind des guten Starts.

Daten AI-ready aufbereiten. Strukturiert, maschinenlesbar, aktuell. KI-Systeme verarbeiten nur, was zugänglich ist. Wer seine Equity Story noch als nicht durchsuchbaren PDF-Scan anbietet, liefert keine Datengrundlage für externe KI – und verliert die Deutungshoheit über das eigene Narrativ. An dieser Stelle tut es bei vielen weh, weil es Grundlagenarbeit bedeutet. Datenbereinigung, Strukturierung von Inhalten, konsistente Metadaten. Kein glamouröses Thema. Aber ohne saubere Daten bleibt jeder KI-Einsatz Stückwerk. Das ist die unbequeme Wahrheit, die hinter dem ganzen KI-Hype steckt: Am Ende geht es um Datenqualität, nicht um Algorithmen. Eine barrierefreie Website ist Grundvoraussetzung.

Interne KI-Kompetenz aufbauen – nicht delegieren. Die Gen Z bringt den unbefangenen Umgang mit KI-Tools mit. Diese Mitarbeitenden in IR-Teams einzubinden und ihnen Raum für Experimente zu geben, gehört zu den kosteneffizientesten Maßnahmen überhaupt. Es ist kein teures Beratungsprojekt nötig. Manchmal reicht ein Nachmittag mit dem richtigen Prompt. Und wer dieses Wissen dann intern weitergibt – per Lunch-and-Learn, per gemeinsamer Prompt-Bibliothek, per Peer-Coaching – baut organisch genau die Kompetenz auf, die IR-Teams in den nächsten Jahren brauchen.

Beziehungsgeschäft mit besseren Werkzeugen

KI verändert Investor Relations nicht graduell. Sie verschiebt die gesamte Logik der Kapitalmarktkommunikation. Wer heute nur beobachtet, verliert morgen den Anschluss und und übermorgen die Deutungshoheit. Die KI-Systeme greifen auf gut strukturierte, maschinenlesbare Inhalte zu – nicht auf die, die am nächsten an der Quelle sitzen oder die besten Beziehungen zu Kapitalmarktakteuren haben. Das ist keine Drohung. Das ist die neue Mechanik.

Die gute Nachricht ist, dass der Einstieg sehr niedrigschwellig daherkommt. Wer mit konkreten Use Cases beginnt – KI-gestützte Q&A-Vorbereitung, systematisches Sentiment-Monitoring – sammelt schnell Erfahrungen und baut internen Rückhalt auf. Agentische Workflows und personalisierte Kommunikation folgen darauf logisch: Schritt für Schritt, nicht als Big Bang.

IR bleibt auch in Zeiten von Algorithmen und KI-Agenten das, was es immer war: ein zutiefst menschliches Beziehungsgeschäft. Die Frage ist nur, wer dieses Beziehungsgeschäft künftig mit den besten Werkzeugen führt.

Quellen

–  NetFederation GmbH: Einschätzungen auf Basis von IR-Workshops und Benchmark-Studien 2025/26

–  DIRK – Deutscher Investor Relations Verband: Workshops und Fachveranstaltungen zu KI in der IR

–  Praxiserfahrungen aus IR-KI-Projekten bei deutschen Emittenten (NetFederation, 2024/25)

–  Microsoft Copilot: Einsatzszenarien in IR-Workflows (DIRK-Workshop-Materialien)

–  Regulatorischer Rahmen: MAR (Market Abuse Regulation), DSGVO und EU AI Act als Kontextfaktoren

–  Europäische KI-Alternativen: Aleph Alpha, Mistral AI – Marktpositionierung im Vergleich zu US-Hyperscalern

Der Autor

Thorsten Greiten, NetFederation