Ersetzt KI den Investment-Banking-Analysten?

Die kurze Antwort: nein. Die ehrlichere Antwort: KI ersetzt nicht den Analysten, sondern einen großen Teil dessen, was Analysten früher den halben Tag beschäftigt hat. Die Rolle verschwindet nicht, sie wird komprimiert und neu definiert. Wer 2026 ins Investment Banking will, muss verstehen, was das konkret bedeutet: für den Job, für die Anzahl der Stellen und vor allem für die Vorbereitung auf das Interview.

2026 haben die großen Banken die Pilotphase längst hinter sich gelassen. JPMorgan hat seine hauseigene LLM Suite laut Berichten rund 250.000 Mitarbeitenden zur Verfügung gestellt, mit angebundenen Modellen mehrerer Anbieter, unter anderem OpenAI und Anthropic. Morgan Stanley hat einen KI-Assistenten für seine Advisor-Teams ausgerollt, Goldman Sachs einen Assistenten für Banker getestet. Die repetitiven, mechanischen Aufgaben, die früher 60 bis 70 Prozent einer Analystenwoche gefressen haben, lassen sich heute in Minuten erledigen. Gleichzeitig fahren Banken schlankere Analyst-Klassen als noch vor 2023.

Dieser Beitrag gibt dir einen nüchternen Blick darauf, welche Aufgaben KI tatsächlich übernimmt, was menschlich bleibt, was die Banken gerade wirklich tun und warum die Fundamentals für dein Interview nicht unwichtiger, sondern wichtiger werden. Am Ende weißt du, worauf du deine Vorbereitung ausrichten solltest, damit dich kein Copilot in 30 Sekunden überflüssig macht.

Warum das Thema jetzt entscheidend ist

Die Frage ist keine Zukunftsmusik mehr, sondern verändert schon heute, wie eingestellt und gearbeitet wird. Drei Verschiebungen solltest du kennen, bevor du dich bewirbst.

• Schlankere Analyst-Klassen. Wenn ein Junior mit KI die Arbeit erledigt, die früher zwei oder drei Analysten brauchte, sinkt die Zahl der reinen Grunt-Work-Stellen. Der Job verschwindet nicht, aber die Tür wird enger und selektiver.
• Höhere Einstiegshürde. Die klassische Anlernphase, in der du sechs Monate lang Zelle für Zelle Modellieren gelernt hast, schrumpft, weil es weniger repetitive Arbeit zum Lernen gibt. Banken erwarten, dass du mit Accounting-Logik, Valuation und Deal-Strukturen bereits vertraut ankommst.
• Verschobene Interview-Messlatte. Es geht weniger darum, ob du ein Modell unter Zeitdruck fehlerfrei nachbaust. Es geht darum, ob du ein Modell beurteilen kannst: die falsche Annahme erkennen, die zwei bis drei Treiber benennen, die den Deal wirklich bewegen, und erklären, warum eine Wachstumsannahme zu aggressiv ist.

Grundlagen: Was ein IB-Analyst wirklich tut

Um zu verstehen, was KI abnehmen kann, musst du die Aufgaben eines Analysten sauber trennen. Grob lassen sie sich in zwei Kategorien einteilen: mechanische Arbeit, die sich standardisieren lässt, und Urteilsarbeit, die Kontext, Verantwortung und Beziehungen erfordert.

• Datenbeschaffung und Research. Geschäftsberichte, Filings, Earnings-Transcripts, Marktdaten und Präzedenzfälle zusammentragen und aufbereiten.
• Financial Modeling. DCF, LBO, Trading Comps und Precedent Transactions bauen, Annahmen setzen, Szenarien rechnen, Enterprise Value herleiten.
• Pitchbooks und CIMs. Präsentationen, Investment-Thesen und Prozessdokumente erstellen und immer wieder aktualisieren.
• Due-Diligence-Support. Datenräume durchforsten, Auffälligkeiten markieren, Q&A-Listen pflegen.
• Prozess und Admin. Buyer-Tracker aktualisieren, Formatierung, Versionskontrolle, Terminlogistik.
• Kommunikation. Interne Abstimmung, Vorbereitung von Client-Meetings, Zuarbeit für Senior-Banker in Verhandlungen.

Der entscheidende Punkt: Die ersten fünf Punkte enthalten sehr viel mechanische, wiederholbare Arbeit. Genau dort setzt KI an. Der Wert eines Analysten verschiebt sich vom Ausführen zum Beurteilen. Wer diese Trennung verinnerlicht, versteht auch, warum die Diskussion um KI im Banking selten schwarz oder weiß ist. Es geht nicht um Ersatz gegen Nicht-Ersatz, sondern darum, welche Teilaufgaben verschwinden und welche an Gewicht gewinnen. Für deine Karriere zählt, auf welcher Seite dieser Linie du dich positionierst.

Was KI kann und was nicht

Was KI heute übernimmt

Generative KI ist besonders dort stark, wo der Aufwand für die Erstellung hoch, die Prüfung des Ergebnisses aber vergleichsweise einfach ist. Das trifft auf einen Großteil der Analystenarbeit zu.

• Research in Sekunden. Marktrecherche, die früher einen ganzen Tag dauerte, wird in Minuten synthetisiert. Finanzspezifische Plattformen wie AlphaSense, Kensho oder Bloomberg-nahe Tools durchsuchen und verdichten riesige Dokumentmengen.
• Erste Modell-Entwürfe. KI erstellt die Struktur eines DCF oder LBO, füllt Annahmen aus öffentlichen Filings und markiert, wo Inputs vom Marktkonsens abweichen. Der Rohbau steht, bevor du die erste Zelle anfasst.
• Pitchbook-Erstellung. Werkzeuge wie FactSet Pitch Creator, 2025 gestartet und 2026 breit im Einsatz, erzeugen direkt in PowerPoint gebrandete Slides mit Unternehmensbeschreibung, Kursgrafiken und Kennzahlen.
• Dokumentenanalyse. Verträge vergleichen, Earnings-Transcripts auswerten, erste Entwürfe von M&A-Memoranden für die Banker-Review erstellen.

Was (noch) menschlich bleibt

Sobald es um Urteil, Verantwortung und Beziehungen geht, endet der Vorsprung der Maschine. Diese Kompetenzen entscheiden über deinen Wert im Team.

• Judgment. Welche zwei bis vier Variablen treiben diesen konkreten Deal? Ist die Terminal-Growth-Annahme verteidigbar? Wo bricht das Modell? KI liefert Optionen, die Entscheidung triffst du.
• Verantwortung. Am Ende muss ein Mensch für die Zahl geradestehen, vor dem MD und vor dem Client. Diese Accountability lässt sich nicht an ein Modell delegieren.
• Beziehungen und Verhandlung. Das Vertrauen eines Clients gewinnen, den Raum lesen, spüren, was die Gegenseite akzeptiert, ein Signal richtig deuten. Das bleibt zutiefst menschlich.
• Nicht-öffentlicher Kontext. Deal-Politik, Motivationen der Beteiligten, vertrauliche Informationen und kreative Strukturierung findest du in keinem Filing.

Die Arbeit des Analysten verschiebt sich von der Konstruktion zur Beurteilung. Das ist ein schwierigeres Skillset, kein leichteres.

Was die Banken 2026 tatsächlich tun

Zwischen Schlagzeile und Alltag klafft oft eine Lücke. So sieht der reale Einsatz aus.

• Enterprise-Rollout statt Experiment. JPMorgan, Goldman Sachs, Morgan Stanley und Citi betreiben KI in Kernfunktionen: Origination, Due Diligence, Modellierung, Reporting und Client-Service. JPMorgans LLM Suite gilt mit rund 250.000 Nutzern als eine der größten Enterprise-KI-Einführungen überhaupt.
• Human-in-the-Loop als Standard. KI unterstützt bei Research, Erstentwürfen und Analyse. Junioren prüfen, Senior-Banker definieren Strategie und treffen die finale Entscheidung, Risk und Compliance verantworten Governance und Nachweisbarkeit.
• Verschobenes Talentprofil. Es wird berichtet, dass KI-Anbieter ehemalige Banker anwerben, um Modelle darauf zu trainieren, LBO- und Restrukturierungsmodelle nach Wall-Street-Konventionen in Excel zu bauen. Das zeigt, wie wertvoll das Fundamentalwissen bleibt, das du im Interview beweisen musst.

Praktische Beispiele

Beispiel 1: Der Analysten-Tag, früher und heute

Der plakativste Unterschied zeigt sich im Tagesablauf. Die Zeit, die früher in reine Datenarbeit floss, wandert in Interpretation und Vorbereitung.

Beispiel 2: DCF, wo die KI aufhört und dein Urteil beginnt

Eine KI baut dir das Gerüst eines DCF und zieht Basiszahlen aus den Filings. Was sie dir nicht abnimmt, ist die Frage, ob die Annahmen tragen. Ein bewusst vereinfachtes Rechenbeispiel macht das deutlich.

Die Zahl selbst rechnet die Maschine. Aber ob 9 Prozent WACC angemessen sind, ob 2 Prozent Terminal Growth zur Branche passen und ob der Free Cash Flow normalisiert werden muss, das ist Judgment. Genau diese Sensitivität ist der Grund, warum Interviewer nicht fragen, ob du eine Formel kennst, sondern ob du verstehst, welcher Hebel den Wert bewegt.

Beispiel 3: Trading Comps, Auswahl schlägt Sammlung

KI zieht in Sekunden eine Liste vermeintlich vergleichbarer Unternehmen samt EV/EBITDA und weiteren Multiples. Die eigentliche Arbeit ist die Auswahl: Welche Unternehmen sind wirklich vergleichbar in Geschäftsmodell, Größe, Wachstum und Margen? Welche Ausreißer musst du ausschließen und warum? Ein sauber begründetes Comps-Set ist ein Urteil, keine Suchabfrage.

Beispiel 4: LBO, Struktur ist schnell, Realismus ist Urteil

Eine KI setzt dir die Struktur eines LBO auf: Sources and Uses, Schuldentranchen, einen Debt-Schedule und eine IRR-Rechnung. Was sie nicht weiß, ist, welches Leverage der Markt für diesen Sektor gerade akzeptiert, ob die unterstellte Margenexpansion realistisch ist und ob der Exit-Multiple zu optimistisch angesetzt wurde. Genau diese Plausibilität ist der Unterschied zwischen einem Modell, das rechnet, und einem, das überzeugt. Und sie ist der Grund, warum ein Interviewer dich nach der Intuition hinter den Zahlen fragt, nicht nur nach der Mechanik.

Experten-Tipps für deine Vorbereitung

Wenn KI die Mechanik übernimmt, gewinnt, wer die Mechanik beurteilen kann. So richtest du deine Vorbereitung aus.

1. Beherrsche die Fundamentals so gut, dass du KI-Output prüfen kannst. DCF, WACC, LBO, Trading Comps und Terminal Value musst du im Schlaf herleiten, sonst erkennst du keinen Fehler im Modell.
2. Baue ein Modell einmal komplett von Hand. Nur so verstehst du, was die KI im Hintergrund verbirgt, und kannst ihre Annahmen hinterfragen.
3. Werde AI-fluent. Übe, präzise zu prompten, Ergebnisse kritisch zu bewerten und Werkzeuge zu orchestrieren. Das ist eine eigene Kompetenz.
4. Kenne die Tools beim Namen. AlphaSense, Kensho, Bloomberg, Microsoft Copilot und interne LLM-Suites solltest du im Interview einordnen können.
5. Trainiere Judgment, nicht nur Mechanik. Übe, die zwei bis drei Treiber eines Cases zu benennen und eine Annahme zu verteidigen.

Häufige Fehler

• Denken, KI mache die Fundamentals überflüssig. Das Gegenteil ist der Fall. Wer den Output nicht beurteilen kann, ist ersetzbar, nicht wertvoll.
• Blindes Vertrauen in KI-Zahlen. Modelle halluzinieren, ziehen falsche Comps oder veraltete Daten. Ungeprüfter Output ist ein Risiko, kein Ergebnis.
• Im Interview über KI schwärmen ohne Substanz. Buzzwords ohne Verständnis wirken schwächer als eine saubere manuelle Herleitung.
• Nur Mechanik üben. Wenn du exakt das kannst, was ein Copilot in 30 Sekunden liefert, hast du dich nicht differenziert.
• Governance und Compliance ignorieren. Gerade in Europa ist der verantwortungsvolle Umgang mit KI ein Thema, das Senior-Banker ernst nehmen.

Best Practices

• Human-in-the-Loop denken. Nutze KI für den Entwurf, übernimm die Verantwortung für die Prüfung und die finale Aussage.
• Immer Quellen und Annahmen prüfen. Frag bei jeder Zahl: Woher kommt sie, welche Annahme steckt dahinter, wie sensitiv ist das Ergebnis?
• Fundamentals und Tool-Fluency kombinieren. Die wertvollste Kombination 2026 ist tiefes Finanzwissen plus die Fähigkeit, KI effektiv zu steuern.
• Fehlermuster der KI kennen. Wer weiß, wo Modelle typischerweise straucheln, prüft gezielt statt blind.

Der neue Analyst-Skillstack 2026

Wenn Mechanik zur Massenware wird, entscheidet die Kombination aus drei Kompetenzen über deinen Wert. Die Analysten, die 2026 und danach vorne liegen, sitzen genau an dieser Schnittstelle. Keine der drei Säulen ersetzt die andere.

1. Financial Acumen

Ein tiefes Verständnis von Valuation, Kapitalstruktur und Marktmechanik. Ohne dieses Fundament kannst du KI-Output weder prüfen noch die relevanten Treiber benennen. DCF, WACC, LBO, Trading Comps und Terminal Value sind hier die Basis, nicht die Kür.

2. AI Fluency

Präzise prompten, Ergebnisse kritisch bewerten, Werkzeuge orchestrieren und wissen, wo Modelle typischerweise scheitern. Diese Kompetenz ist neu und wird im Recruiting zunehmend erwartet, auch wenn sie selten explizit abgefragt wird.

3. Judgment und Kommunikation

Die zwei bis drei Treiber eines Cases herausarbeiten, eine Annahme verteidigen und komplexe Zusammenhänge einem Client verständlich machen. Das ist der Teil, den die Maschine am wenigsten beherrscht, und deshalb der Teil, der dich unersetzlich macht.

Vergleich: Mensch vs. KI und Rolle im Wandel

Zwei Tabellen fassen zusammen, wer welche Aufgabe stärker besetzt und wie sich die Rolle über die Jahre verschoben hat.

Pro und Contra

KI im Analystenalltag hat zwei Seiten. Für deine Karriereplanung lohnt sich der klare Blick auf beide.

Häufige Fragen

Fazit

KI ersetzt nicht den Investment-Banking-Analysten. Sie ersetzt den Analysten, der nur Mechanik kann. Die Maschine baut den Rohbau, zieht die Daten und formatiert die Slides. Was sie dir nicht abnimmt, ist das Urteil, welche Annahme trägt, welcher Treiber den Deal bewegt und wer am Ende für die Zahl geradesteht.

Für deine Vorbereitung heißt das: Die Fundamentals werden nicht unwichtiger, sondern zur Grundlage deiner Differenzierung. Wer DCF, LBO und Comps beherrscht und zugleich KI klug steuert, sitzt genau an der Schnittstelle, an der die Banken 2026 den größten Wert sehen.

Die gute Nachricht: Diese Schnittstelle lässt sich gezielt trainieren. Du musst nicht raten, welche Fragen kommen, und du musst die Mechanik nicht zufällig lernen. Wenn du deine Vorbereitung auf Verständnis statt Auswendiglernen ausrichtest, baust du genau das Urteilsvermögen auf, das im Interview und im Job den Unterschied macht.