«Disruption entsteht, wo die Wertschöpfungskette neu gedacht werden kann»

Pascal Nägeli ist Mitglied des Innovation Advisory Board von SoundCapital und Gründer des i.AM Innovation Lab. Er ist überzeugt: Die grösste Hürde für künstliche Intelligenz im Wealth Management liegt nicht mehr in der Technologie, sondern in der Umsetzung – in Koordination, Datenqualität und Vertrauen. Im Interview erklärt er, welche Anwendungsfälle für ein unabhängiges Schweizer Haus heute realistisch sind.

Pascal Nägeli, was hat Sie am Mandat gereizt, bei SoundCapital am Advisory Board teilzunehmen und welche Perspektive bringen Sie ein?

Gereizt hat mich vor allem die Haltung dahinter. SoundCapital behandelt Innovation nicht als Marketing-Projekt oder einmaligen Sprint, sondern verankert sie strukturell im Innovation Advisory Board, eingebettet in die bestehende Governance, mit dem klaren Auftrag, Themen zu priorisieren und in die Umsetzung zu bringen. Genau das deckt sich mit meiner Überzeugung: Die spannende Phase beginnt nicht beim Erkennen von Möglichkeiten, sondern beim Entscheiden und Liefern.

Was ich einbringe, ist eine Aussensicht mit Tempo. Mit dem i.AM Innovation Lab arbeite ich an der Schnittstelle von künstlicher Intelligenz, Distributed Ledger Technology und datengetriebenen Geschäftsmodellen. Und das quer über die Branche: bei Asset Managern, Banken und Versicherern.

Was heisst das für einen Vermögensverwalter?

Daraus entstehen drei Dinge, die ein Vermögensverwalter intern selten in dieser Tiefe zur Verfügung hat:

• Mustererkennung über viele Häuser hinweg: Ich sehe, welche KI- und Tokenisierungs-Ansätze tatsächlich skalieren und welche im Pilotstatus stecken bleiben. Das erspart hoffentlich teure Sackgassen.
• Übersetzungskompetenz von der Idee zum lauffähigen Prototyp: Wir beraten nicht nur, wir bauen auch. Schnell, iterativ, mit KI-gestützter Entwicklung. Ein Konzept, das man anfassen kann, ist in Diskussionen mehr wert als zehn Folien.
• Unabhängige, kritische Perspektive. Ich verkaufe kein Tool und keine Plattform. Das erlaubt eine ehrliche Einordnung auch dort, wo etwas (noch) nicht funktioniert.

Ein Vermögensverwalter optimiert zu Recht auf sein Kerngeschäft: die Kundenbeziehung und den Anlageprozess. Die nötige Tiefe an der KI-/DLT-Front, die Geschwindigkeit beim Iterieren und der Quervergleich über Industrien hinweg lohnen sich intern selten als Vollzeit-Kompetenz. Genau diese Lücke füllt eine externe Perspektive und ist dabei nicht Ersatz für das interne Team, sondern ein Verstärker.

Sie sehen also eine grosse Lücke zwischen KI-Versprechen und dem, was beim Kunden ankommt.

Ja, die grösste Lücke liegt heute nicht mehr in der Technologie. Die Modelle können sehr viel. Die Lücke liegt in der Umsetzung; konkret in drei Dingen: Koordination, Daten und Vertrauen.

Das zeigt sich auch in den Umfragen: Praktisch alle Häuser wollen ihre KI-Investitionen erhöhen, aber nur eine Minderheit hält das Wealth-Segment für führend bei der Adoption. KI gilt als wichtigste Technologie der Branche. Tatsächlich genutzt wird sie aber nur von rund einem Drittel der Firmen, täglich von einem Bruchteil. Europa hinkt den USA und Asien hinterher. Es klafft also eine Lücke zwischen Anspruch und gelebter Praxis.

Wie kann die Lücke geschlossen werden?

Ich sehe hier vier wesentliche Punkte: Zunächst fehlt oft die Governance. Ohne klare Leitplanken – was darf KI, mit welchen Daten, mit welcher Freigabe – können Mitarbeitende gar nicht produktiv und sicher mit KI arbeiten. Das Ergebnis ist entweder Lähmung oder Schatten-KI. Bevor man über fancy Use Cases spricht, muss dieser Rahmen stehen.

Dann sind die Tools zu generisch. Standard-Chatbots sind nicht auf den Anlageprozess, das Reporting oder die Compliance eines Vermögensverwalters zugeschnitten. Das führt zu viel internem Gebastel, das lokal funktioniert, aber nie skaliert.

Dann kommt das Daten- und Integrationsproblem. Die Systemlandschaften sind fragmentiert: PMS, CRM, Custody, Marktdaten. Datenqualität ist der grösste einzelne Prädiktor dafür, ob ein KI-Output am Ende vertraut oder bei jedem Schritt hinterfragt wird. Ohne saubere, gemanagte Daten skaliert man KI nicht, man dämmt sie ein.

Dann kommt hinzu, dass man «Bolt-on» statt Neudenken betreibt. Doch das kann ein Trugschluss sein: Wer KI einfach oben auf einen kaputten Workflow setzt, bekommt punktuell Effizienz, organisationsweit aber nichts. Der eigentliche Hebel ist, den Prozess so zu denken, als wäre KI von Anfang an Teil davon.

Auf den Punkt gebracht: KI legt keine Technologie-Lücke offen, sondern eine Entscheidungs- und Daten-Lücke. Genau dort entsteht der Kundennutzen. Oder eben nicht.

Welche Anwendungsfälle sind bei einem Haus dieser Grösse realistisch, welche bleiben Zukunftsmusik?

Generell gilt für Vermögensverwalter, die nicht über die gleichen Budgets verfügen, wie die grossen Banken: Realistisch sind nicht die spektakulären, sondern die operativen Use Cases (repetitiv, mit klarem ROI und mit dem Menschen, der die Verantwortung behält). Ich sehe dabei zwei Hebel: Effizienz, die direkt auf die Profitabilität wirkt, und Vertriebskraft, die Wachstum ermöglicht.

Auf der Effizienzseite liegen heute die naheliegendsten Anwendungen: Automatisierung von Reporting und Anlagekommentaren, Zusammenfassen von Research für die internen Gremien, Erstellung von Dokumenten und Präsentationen aus vorhandenen Inhalten sowie Assistenzsysteme für wiederkehrende Compliance- und Wissensfragen, stets mit menschlicher Finalisierung. Das sind keine Visionen mehr. Solche Anwendungen laufen in der Branche bereits produktiv.

Auf der Vertriebsseite geht es um Produktivität der Kundenberater: automatische Gesprächsnotizen und Follow-ups, eine bessere Aufbereitung von Kundeninformationen und datenbasierte Hinweise, wann eine Kundenansprache sinnvoll ist. Der Effekt ist mehr Zeit beim Kunden und weniger Administration.

Mittelfristig und mit entsprechender Governance kommen assistierende, agentische Abläufe dazu, auch hier immer mit menschlicher Freigabe. Vorerst Zukunftsmusik bleiben im regulierten Kundengeschäft vollautonome Anlageentscheide ohne Sign-off oder KI, die unbeaufsichtigt direkt mit Kunden berät.

Mein Prinzip ist immer dasselbe: klein anfangen, inkrementell ausbauen, jede Iteration muss Zeit oder Kosten sparen. Und die Geschwindigkeit zählt! KI verändert die Branche strukturell, aktuell geben die US-Player das Tempo vor. Für ein fokussiertes Schweizer Haus ist gerade die Agilität die Chance, hier vorne mitzuspielen.

Kommen wir zu einem weiteren Thema: Welche Rolle spielen Tokenisierung und digitale Vermögenswerte für unabhängige Vermögensverwalter?

Digitale Vermögenswerte bewegen sich gerade vom Experiment zur Infrastruktur. Für unabhängige Vermögensverwalter heisst das mittelfristig: tokenisierte Geldmarktfonds als programmierbares Cash und Collateral, besserer Zugang zu Privatmarkt- und alternativen Anlagen durch kleinere Stückelung, effizientere Distribution und programmierbare Compliance.

Der eigentlich spannende Punkt ist aber die Verbindung zur KI. KI und digitale Assets sind komplementär. Eine KI kann mit digitalen, programmierbaren Vermögenswerten nativ arbeiten: maschinenlesbar, in Echtzeit settlebar und mit vielen Daten, die on-chain öffentlich verfügbar sind. Mit klassischen Assets (T+2-Abwicklung, fragmentierte Verwahrung, Information in PDFs) geht das schlicht nicht. Die Disruption entsteht deshalb nicht beim tokenisierten Wertpapier selbst, sondern dort, wo Asset, Cash und Prozess durchgängig digital werden und die Wertschöpfungskette neu gedacht werden kann.

Ein etwas verrückter, aber sehr aktueller Use Case: Autonome KI-Agenten mit eigenem On-Chain-Wallet. Software hat kein Bankkonto und keine Rechtsfähigkeit. Eine Blockchain erlaubt es aber einer Software, Geld zu halten und zu bewegen. Genau das wird 2026 real: Coinbase hat «agentic Wallets» lanciert, Amazon hat mit Coinbase und Stripe eine Infrastruktur vorgestellt, mit der KI-Agenten Zahlungen in Stablecoins ausführen und über Protokolle wie x402 bezahlen Agenten Daten und Services autonom pro Anfrage in USDC. Übertragen aufs Wealth Management ist das noch früh und regulatorische Fragen haben wir noch nicht mal ansatzweise angeschnitten, aber es zeigt die Richtung: Eine entstehende Maschinenökonomie braucht digitale, programmierbare Werte. Wer digitale Assets versteht, versteht auch, wo KI hinführt.

Wo ziehen Sie die Grenze: Wann überwiegen regulatorische und Vertrauensrisiken den Effizienzgewinn?

Ein Grundsatz vorweg: Die Regeln (rechtlich, regulatorisch, FINMA, Datenschutz) gelten für jeden KI-Anwendungsfall genauso wie für jeden anderen Prozess. KI ist keine regulatorische Ausnahmezone. Das ist auch eine der zentralen Aufgaben, an denen wir im Innovation Advisory Board neben den spannenden Use Cases arbeiten werden: den Governance-Rahmen zu schaffen, damit Mitarbeitende überhaupt sicher und produktiv mit KI arbeiten dürfen.

Die Grenze ziehe ich dort, wo eine dieser drei Bedingungen erfüllt ist:

• Beim Datenabfluss: Kunden- oder kritische Unternehmensdaten könnten unkontrolliert in externe Modelle gelangen. Der Schutz dieser Daten ist nicht verhandelbar.
• Bei der fehlenden Nachvollziehbarkeit: KI entscheidet oder kommuniziert im Kundengeschäft, ohne dass der Output nachvollziehbar, erklärbar und belegbar ist. In einem regulierten Umfeld muss jeder Output verteidigt werden können.
• Beim direkten Kundenkontakt ohne Kontrolle: Eine Halluzination, die ungeprüft beim Kunden landet, kann mehr Vertrauen zerstören, als jede Effizienz je einbringt, Stichwort «false precision».

In diesen Fällen überwiegen die Vertrauens- und Regulierungsrisiken den Effizienzgewinn klar. Umgekehrt lohnt es sich überall dort, wo der Use Case intern ist, überwacht abläuft, eine menschliche Freigabe hat und auf einer sauberen Datenbasis steht.

Meine Faustregel: Je höher die Autonomie der KI, desto rigoroser die Kontrollen. Agenten-Berechtigungen behandelt man am besten wie produktive Zugangsdaten. Und letztlich gilt: Vertrauen entsteht nicht aus dem Modell, sondern aus Datenqualität und Governance.