Bildnachweis: Roushon_AI_Designer – stock.adobe.com.
Vier Jahre nach dem ChatGPT-Moment hat künstliche Intelligenz (KI) die Investor-Relations-Branche erfasst – aber sehr ungleichmäßig. Während einige IR-Teams bereits Agenten-Workflows im Produktivbetrieb nutzen, experimentieren andere noch mit der ersten Textzusammenfassung. Drei Anwendungsfelder zeigen, wo der echte Mehrwert liegt – und welche Risiken nicht unterschätzt werden dürfen. Von Thorsten Greiten
Dieser Beitrag erscheint auch in GoingPublic 1/26 am 27. März!
Spricht man heute mit IR-Verantwortlichen über den Einsatz von KI, fällt schnell ein Satz: „Wir experimentieren gerade.“ Das ist keine schlechte Nachricht – aber es ist auch weit entfernt von effektivem Produktivbetrieb. Und der Weg bis dahin kann sehr weit und holprig werden. Unsere Erfahrung aus zahlreichen IR-Projekten und Workshops zeigt: Die überwiegende Mehrheit der deutschen Emittenten bewegt sich auf den ersten beiden Reifegradstufen. Man beobachtet, man testet – aber man skaliert nicht. Das führt zu einer paradoxen Situation: Wer von KI spricht, arbeitet meist noch mit ChatGPT als besserem Suchfeld bzw. Alternative zu Google. Wer KI wirklich nutzt, hat seine internen Workflows und Prozesse bereits gründlich analysiert und nachhaltig umgebaut.
Reifegradmodell: KI in der IR 2026
| Reifegrad | Charakteristik | Verbreitung (Schätzung) |
| Stufe eins: Beobachten | KI wird als Trend wahrgenommen, aber nicht aktiv genutzt. Vereinzelte Experimente finden statt, jedoch ohne jegliche Strategie. Anwendungen wie MS Copilot sind nur in Basisversionen verfügbar. Auswertungen der eigenen Website finden nicht statt. | ~45 % der Unternehmen |
| Stufe zwei: Pilotieren | Erste Anwendungsfälle befinden sich im Einsatz (z.B. Textentwürfe, Sentimentanalyse). Es gibt jedoch keinen systematischen Rollout in der Organisation. Anwendungen wie MS Copilot sind nur vereinzelt in höheren Versionen freigeschaltet. Regelmäßige Analytics-Auswertungen der eigenen Website zeigen vermehrt Zugriffe der Investoren durch KI-Modelle. | ~35 % der Unternehmen |
| Stufe drei: Skalieren | KI ist in mehrere IR-Prozesse integriert, es gibt Schnittstellen zu internen Systemen oder anderen Abteilungen (z.B. Controlling). Erste Agenten und Automatisierungen zeigen Kosten- und Zeitersparnisse im Produktivbetrieb. Anwendungsumgebungen wie MS Office 365 sind komplett ausgerollt und verfügbar. Die Website legt Wert auf Barrierefreiheit, ist für Suchmaschinen optimiert und taucht als Quelle bei ChatGPT auf. | ~15 % der Unternehmen |
| Stufe vier: Industrialisieren | KI-gestützte IR-Workflows gelten als Standard im gesamten Bereich und darüber hinaus. Das ermöglicht Personalisierung, Echtzeit-Monitoring oder den Einsatz autonomer Agenten, die weit über die eigenen Standardpakete hinaus verfügbar sind. Echte Effizienzgewinne sind spürbar und neue, innovative Ideen werden direkt umgesetzt. Die Website als Content Hub betrachtet Maschinen als Hauptzielgruppe. Auch der Content selbst ist skalierbar und KI-geprägt. Internationale Kommunikation erfolgt z.B. über Avatare in reichweitenstarken Social-Media-Kanälen. | ~5 % der Unternehmen |
Quelle: Einschätzung NetFederation auf Basis von IR-Workshops, Interviews und Benchmark-Studien 2025/26
Die Konsequenz ist eindeutig: Wer heute noch in Stufe eins verharrt, verspielt nicht nur Effizienzgewinne – er verliert die Kontrolle über seine eigene Digitalisierungsstrategie und den Anschluss an sich exponentiell entwickelnde Möglichkeiten. Und das nicht nur in den internen Prozessen, sondern auch in der Außenkommunikation mit den Investoren.
Denn KI-Systeme wie ChatGPT, Perplexity, Claude oder Google Gemini durchsuchen IR-Inhalte kontinuierlich und beantworten Investorenanfragen in Echtzeit. Sie greifen auf die Quellen zu, die am besten aufbereitet sind; nicht auf die, die am nächsten an der Primärquelle sitzen.
Drei Use Cases mit echtem Hebel
Statt einer langen Liste von KI-Möglichkeiten lohnt sich der Blick auf drei Anwendungsfelder, die in IR-Teams 2025/26 tatsächlich Wirkung entfalten – sortiert nach steigendem Implementierungsaufwand und wachsender strategischer Tiefe.
1. Earnings-Kommunikation: Der schnelle Gewinn
Die Vorbereitung von Analysten-Q&As gehört zu den zeitintensivsten Routinearbeiten im IR-Alltag. Vor jedem Quartalsergebnis werden dieselben Fragen antizipiert, dieselben Antworten formuliert, dieselben Tonalitätschecks durchgeführt. Hier liefert KI sofort messbaren Nutzen: Mit einem gut konfigurierten Sprachmodell lassen sich aus dem Earnings Release und dem internen Kommentarmanagement in Minuten vollständige Q&A-Sets generieren, die das IR-Team nur noch validiert und schärft.
Konkret im Einsatz: Automatisierter Tonalitätscheck von Ad-hoc-Mitteilungen auf Konsistenz mit der Investmentstory, KI-gestützte Zusammenfassung von Analystenreports für die interne Entscheidungsvorbereitung, automatische Erstellung von Investoren-Briefings nach Roadshows. Der Aufwand ist niedrig, die Zeitersparnis sofort spürbar – und das Vertrauen in KI-Systeme wächst mit jedem erfolgreichen Anwendungsfall. Das ist der entscheidende erste Schritt aus der Beobachter- in die Pilotierungsphase.
2. Agentische Workflows: KI, die selbst handelt
Die zweite Evolutionsstufe ist weniger bekannt, aber wirkungsvoller: sogenannte KI-Agenten. Das sind keine einfachen Chatbots, sondern autonome Systeme, die eigenständig Aufgaben ausführen – ohne dass ein Mensch jeden Schritt wiederholt anstoßen müsste.
In der IR-Praxis bedeutet das konkret: Ein Monitoring-Agent beobachtet rund um die Uhr Kapitalmarktberichte, Social-Media-Aktivitäten und Analystenkommentare, fasst relevante Entwicklungen zusammen und schlägt dem IR-Team proaktiv Kommunikationsmaßnahmen vor. Ein Reporting-Agent zieht Quartalsdaten aus dem ERP-System, erstellt Entwürfe für den Quartalsbericht und gibt Abweichungen vom Vorjahr direkt kommentiert aus. MS Copilot und ähnliche Systeme sind hier bereits heute einsatzbereit – der entscheidende Hebel liegt in der Qualität des Prompt- und Instruction-Sets, das dem Agenten mitgegeben wird.
Der Unterschied zu klassischer Automatisierung: KI-Agenten reagieren auf unstrukturierte Eingaben, lernen aus Kontext und können Aufgaben kombinieren, die vorher getrennte menschliche Schritte erforderten. Das ist nicht nur Effizienzgewinn in langweiligen Routineaufgaben – das ist vor allem ein Qualitätssprung In der Investorenkommunikation, da unter anderem weniger Fehler anfallen.
3. Personalisierte Investorenkommunikation: Der strategische Vorteil
Die dritte Entwicklungsstufe ist die anspruchsvollste – und die mit dem größten Differenzierungspotenzial. Klassische IR-Kommunikation sendet denselben Content an alle Investorengruppen. Moderne IR-Kommunikation fragt: Welcher Investor möchte welche Information, in welcher Tiefe, zu welchem Zeitpunkt und über welchen Kanal?
KI-gestützte CRM-Systeme können aus dem bisherigen Interaktionsverhalten von Investoren, ihren Fragen bei Roadshows und ihren Reaktionen auf Veröffentlichungen individuelle Profile erstellen. Auf dieser Basis lassen sich Kommunikationsstrecken automatisiert personalisieren – ohne dass das IR-Team für jeden Investor manuell agiert. Die Generation Z, die seit der Coronakrise und dank vieler neuer Neobroker überraschend stark nachrückt, erwartet genau diese Art individualisierter, datengetriebener Kommunikation als Standard.
Use-Case-Übersicht: Aufwand vs. Nutzen
| Use Case | Aufwand | Nutzen | Konkrete Anwendung |
| Earnings-Kommunikation | Niedrig | Hoch | KI-gestützte Q&A-Vorbereitung, Tonalitätscheck von Ad-hoc-Mitteilungen, automatische Analyst-Briefings |
| Agentische IR-Workflows | Mittel | Sehr hoch | Autonome Agenten für Monitoring, Reporting-Entwürfe, Investoren-Scoring und Nachverfolgung |
| Personalisierte Investorenkommunikation | Mittel bis hoch | Hoch | KI-CRM: Welcher Investor bekommt welchen Content, in welcher Tiefe und zu welchem Zeitpunkt? |
Quelle: NetFederation-Einschätzung auf Basis von IR-KI-Projekten 2024 bis 2026
Die unterschätzten Risiken
So groß die Chancen sind – die Risiken des KI-Einsatzes in der IR werden in der Praxis oft unterschätzt oder ausgeblendet. Drei Punkte verdienen besondere Aufmerksamkeit:
- Halluzinationen in regulatorisch sensiblen Texten: Die KI-Sprachmodelle werden zwar von Monat zu Monat akkurater und besser, können jedoch immer noch fehlerhafte Zahlen, falsche Zitate oder nichtexistierende Quellen generieren – überzeugend und ohne Warnung. In der IR, wo jede Aussage dem Kapitalmarktrecht unterliegt, ist ein menschlicher Validierungsschritt keine Option, sondern Pflicht. KI beschleunigt den Entwurf; verantworten muss dies der IR-Manager.
- Datenschutz und Vertraulichkeit: Wer interne IR-Daten – Quartalsergebnisse vor Veröffentlichung, Investorengespräche, M&A-Überlegungen – in externe KI-Systeme einspielt, riskiert Compliance-Verstöße. Die Lösung liegt in unternehmenseigenen oder europäischen KI-Infrastrukturen, die Daten nicht für das Training verwenden.
- Abhängigkeit von US-Hyperscalern: Microsoft, Google, Anthropic und OpenAI dominieren die KI-Infrastruktur. Europäische Alternativen existieren, besitzen aber noch nicht denselben Reifegrad. Wer heute ausschließlich auf US-Lösungen setzt, schafft eine strategische Abhängigkeit – die sich in einem regulatorisch unsicherer werdenden transatlantischen Verhältnis als Risiko erweisen kann. Digitale Souveränität ist ein zunehmend strategischer Faktor in einer turbulenten und volatilen Welt.
Diese Risiken sind kein Argument gegen KI-Einsatz, sondern ein Argument für einen strukturierten, governancebasierten Ansatz – und für IR-Teams, die die Bedeutung und exponentielle Entwicklung der Technologie verstehen, nicht nur stumpf nutzen.
Was jetzt zu tun ist: Ein pragmatischer Fahrplan
Die gute Nachricht: Der Einstieg in den produktiven KI-Einsatz muss weder komplex noch teuer sein. Drei Maßnahmen, die IR-Teams sofort angehen können:
- einen konkreten Use Case definieren und umsetzen – nicht die perfekte KI-Strategie entwerfen. Wer mit einem Q&A-Agenten für das nächste Quarterly beginnt, lernt mehr als durch sechs Monate Strategie-Workshop.
- Daten AI-ready aufbereiten – strukturiert, maschinenlesbar, aktuell. KI-Systeme können nur verarbeiten, was zugänglich ist. Wer seine Investmentstory noch im PDF-Format als nicht durchsuchbaren Scan anbietet, liefert keine Datengrundlage für externe KI – und verliert die Deutungshoheit über sein eigenes Narrativ.
- Interne KI-Kompetenz aufbauen – nicht delegieren. Die Generation Z bringt den unbefangenen Umgang mit KI-Tools mit. Sie in IR-Teams einzubinden und ihnen Raum für Experimente zu geben, ist eine der kosteneffizientesten Maßnahmen zur KI-Transformation.
KI verändert Investor Relations nicht nur graduell – sie verschiebt die gesamte Logik der Kapitalmarktkommunikation. Wer heute immer noch beobachtet, verliert morgen die Deutungshoheit und damit den Anschluss. Denn KI-Systeme greifen auf gut strukturierte, maschinenlesbare und aktuelle Inhalte zu – nicht auf die, die am nächsten an der Quelle sind. Die gute Nachricht: Der Einstieg ist niedrigschwellig. Wer mit konkreten Use Cases beginnt – etwa der KI-gestützten Vorbereitung von Analysten-Q&As oder dem systematischen Sentiment-Monitoring – sammelt schnell Erfahrungen und schafft internen Rückhalt. Der nächste Schritt, agentische Workflows und personalisierte Kommunikation, folgt darauf logisch.
Fazit
IR bleibt in Zeiten von Algorithmen und KI-Agenten das, was es immer war: ein höchst menschliches Beziehungsgeschäft. Doch die Frage, wer dieses Beziehungsgeschäft mit den besten Werkzeugen führt, wird die nächste Qualitätsstufe der IR-Kommunikation definieren. Die Entscheidung fällt jetzt.
Autor/Autorin
Thorsten Greiten
Thorsten Greiten ist CFO bei NetFederation – part of team neusta –, einer Beratungsagentur für digitale Unternehmenskommunikation in Köln. Er studierte BWL mit den Schwerpunkten Steuerlehre und Wirtschaftsinformatik an der Universität Mannheim und ist aktuell als Lehrbeauftragter im Department Digital Business und Innovation an der FH St. Pölten tätig.
