Wird KI Finanzanalysten ersetzen? Was die Daten wirklich zeigen [2026]

Nicht vollständig. Aber der Job des Finanzanalysten, wie er 2020 existierte — der Tabellenersteller, der deskriptive Berichtschreiber, die Person, die Rohdaten einmal im Monat in eine Präsentation verwandelt — wird gerade in Echtzeit zerlegt, und die Daten darüber, was ihn ersetzt, sind ungewöhnlich eindeutig.

Hier die Einordnung, die die größte US-Bank schriftlich festgehalten hat. JPMorgan Chase erklärt in seinem Ausblick 2026, dass KI die „Kosten von Expertise gegen null" treibt, und prognostiziert, dass agentische Modelle bis Frühjahr 2026 menschliches Leistungsniveau erreichen. In derselben Umfrage gaben 25 % der Unternehmensführer an, dass sie 2026 Einstellungen zugunsten von KI einschränken. Das ist kein Risikokapitalgeber in einem Podcast. Das ist die Bank mit rund 320.000 Beschäftigten, die ihren eigenen Kunden mitteilt, wie sie ihre Personalplanung ausrichten will.

Morgan Stanleys Analyse vom Februar 2026 verschärft das Bild weiter. Unternehmen, die KI seit über einem Jahr einsetzen, berichten von durchschnittlichen Produktivitätsgewinnen von 11,5 %. In Sektoren mit hoher KI-Exposition — das Finanzwesen ist das Paradebeispiel — misst Morgan Stanley einen Netto-Rückgang der globalen Belegschaft um 4 % und einen Rückgang der Einstellungen für Junior-Positionen um 7,7 % im Vergleich zu Nicht-Anwendern. Goldman Sachs prognostiziert einen Produktivitätsanstieg von 15 % bei vollständiger Einführung generativer KI und schätzt einen Anstieg der Arbeitslosenquote um 0,3 Prozentpunkte pro 1 % technologiegetriebener Produktivitätssteigerung.

Stapelt man diese Zahlen übereinander, ergibt sich ein konsistentes Bild: Die Produktion routinemäßiger Finanzanalysen wird komprimiert. Die Frage für jeden einzelnen Analysten lautet nicht, ob KI Ihre Arbeit berühren wird — das tut sie bereits. Sondern ob Ihr spezifischer Aufgabenmix auf der Seite liegt, die automatisiert wird, oder auf der Seite, die aufgewertet wird.

Die kurze Antwort

Finanzanalysten stehen vor einem erhöhten KI-Ersetzungsrisiko — typischerweise mit einem Score von 55–72 in unserem KI-Karriererisiko-Assessment, abhängig von Seniorität, Spezialisierung und aktueller KI-Tool-Kompetenz. Das ist höher als bei Krankenpflegern oder Lehrern und liegt in etwa auf dem Niveau von Buchhaltern. Die Spannbreite ist groß, weil „Finanzanalyst" alles abdeckt — vom Junior-FP&A-Analysten, der denselben monatlichen Abweichungsbericht erstellt, bis zum Senior-Kreditanalysten, der Ermessensentscheidungen über illiquide Privatschulden trifft.

Die klarste Unterscheidung verläuft zwischen deskriptiver Arbeit und Entscheidungsarbeit. Deskriptive Arbeit — Daten abrufen, Quellen abgleichen, Tabellen formatieren, jedes Quartal denselben Kommentar schreiben — ist genau das, was große Sprachmodelle, Excel Copilot und agentische Systeme zu nahezu null Grenzkosten erledigen. Entscheidungsarbeit — die richtige Frage wählen, entscheiden welches Signal relevant ist, beurteilen wann ein Modellergebnis falsch ist, die Empfehlung vor einem CFO oder Investitionsausschuss verantworten — ist der Bereich, in dem sich der Beruf konsolidiert.

Wenn Ihre Woche überwiegend deskriptiv ist, ist Ihr Risiko hoch. Wenn Ihre Woche überwiegend entscheidungsorientiert ist, ist Ihr Risiko moderat, aber die Anforderungen an Ihre KI-Kompetenz steigen. Die meisten Analysten befinden sich irgendwo dazwischen — weshalb die nächsten 18–24 Monate das Zeitfenster sind, um das Gleichgewicht bewusst zu verschieben.

Für eine parallele Fallstudie, wie sich ein ebenso zahlengetriebener Beruf aufspaltet, lesen Sie unsere Analyse zu der Frage, ob KI Buchhalter ersetzen wird. Das strukturelle Muster ist identisch; die regulatorischen Druckpunkte unterscheiden sich.

Was KI in der Finanzanalyse heute schon kann (2026)

Das ist keine Spekulation über ein zukünftiges Modell. Diese Systeme sind in den größten Finanzunternehmen der Welt bereits im Einsatz.

Citadel KI-Assistent. Citadel Securities hat im Dezember 2025 seinen proprietären KI-Assistenten eingeführt, trainiert auf firmeninternem Research und lizenzierten Daten. Er identifiziert Risiken, generiert maßgeschneiderte Researchberichte und wird von einer aktiven Einstellungsoffensive für „AI Data Engineers" begleitet, um Citadels agentische Workflows auszubauen. Das Signal ist unmissverständlich: Der Elite-Hedgefonds macht seine proprietäre KI zur Forschungsschnittstelle. Die Menschen, die sie dafür einstellen, sind keine Analysten, die Abfragen ausführen — es sind Ingenieure, die das System bauen, das die Abfragen ausführt.

JPMorgan, Goldman Sachs, BlackRock. Alle drei haben in den letzten 18 Monaten interne KI-Studios aufgebaut. Stellenausschreibungen aus diesem Cluster, analysiert über den Zyklus 2026, sind mittlerweile explizit in ihren Anforderungen: produktionsreifes Python (keine Notebooks), LLM-Stack-Kompetenz und praktische Erfahrung mit agentischen Workflows. Die Nachfrage nach MLOps- und KI-Integrationsrollen im Finanzwesen ist seit Anfang 2025 um rund 80 % gestiegen. Die Nachfrage nach klassischen deskriptiv-analytischen Analysten ist es nicht.

Excel mit Copilot. Microsoft 365 Copilot in Excel — mittlerweile Standard bei den meisten großen Finanzarbeitgebern — erstellt Formeln, baut Pivot-Tabellen und schlägt Visualisierungen aus natürlichsprachlichen Eingaben vor. Für die Aufgaben, die ein FP&A-Analyst dutzende Male pro Woche erledigt (Abweichungsmarkierung, rollierende Aggregate, bedingte Formatierung für Board-Pakete), reduziert es die Formelerstellungszeit um dokumentierte 60–70 %. Es ersetzt nicht den Analysten. Es ersetzt die Stunde, die der Analyst früher mit dem Zusammenbau der Tabelle verbracht hat.

Allzweck-Assistenten (Claude, ChatGPT). Beide sind mittlerweile Standardwerkzeuge für Finanzanalysen in Unternehmen, die sie zulassen. Portfolio hochladen, nach Konzentrationsrisiko fragen, Annahmen einem Stresstest unterziehen, die erste Version des Kommentars entwerfen. Der Analyst, der früher 2–3 Stunden für eine analytische Zusammenfassung brauchte, verbringt jetzt 15 Minuten mit der Erstellung und den Rest der Zeit mit Validierung, kritischer Prüfung und eigener Urteilsergänzung. Das klingt inkrementell, bis man es über eine 40-Stunden-Woche hochrechnet.

McKinseys Adoptionszahl. Ende 2025 nutzen 78 % der Finanzorganisationen KI in mindestens einer Funktion — gegenüber 72 % im Vorjahr. McKinseys Lesart der Daten: Das Verhältnis von Analysten zu Ingenieuren verschiebt sich innerhalb dieser Unternehmen — Firmen gewichten Rollen weg von reiner Analyse und hin zu KI-nativem Engineering. Der Fachmann, der nur analysieren, nicht aber bauen kann, befindet sich nach McKinseys eigener Beschreibung in der schrumpfenden Kategorie.

Was KI noch nicht kann (und wahrscheinlich auch nie wird)

Dieselben Unternehmen, die die aggressivsten Automatisierungsprognosen abgeben, benennen auch klar, wofür ihre Systeme nach wie vor einen Menschen brauchen.

Urteilsvermögen unter echter Unsicherheit. KI ist gut bei Interpolation innerhalb der Verteilung ihrer Trainingsdaten. Sie ist schlecht bei Extrapolation, wenn sich die Bedingungen ändern — Kreditkonditionen in einem Regimewechsel, ein illiquider Vermögenswert ohne Vergleichsobjekt, ein Kontrahentenrisiko, das von ungeschriebenen Marktkonventionen abhängt. Jeder erfahrene Analyst kennt Geschichten über eine Zahl, die sauber aussah und aus Gründen falsch war, die nicht in den Daten steckten. Diese Lücke ist der Ort, an dem sich die Vergütung konzentriert.

Verantwortung für die Empfehlung übernehmen. Ein CFO, ein Investitionsausschuss oder ein Risikomanager braucht einen Namen, der hinter der Einschätzung steht. Regulierungsbehörden brauchen einen Namen. Treuhänderische Pflicht braucht einen Namen. KI kann diese Verantwortung nicht tragen. Der Analyst, der sich von „Ich habe diese Analyse erstellt" zu „Ich verantworte diese Empfehlung, so habe ich die KI-Inputs validiert, und das würde ich ändern, wenn sich die Bedingungen verschieben" weiterentwickelt, wird schwerer aus dem Workflow zu entfernen, nicht leichter.

KI-Risiko und Erklärbarkeit. Der GENIUS Act in den USA wird von Banken verlangen, bis Juli 2026 die Herkunft und Verarbeitung aller KI-Trainingsdaten zu dokumentieren. Die Finanzdienstleistungsregeln des EU AI Act gelten seit Anfang 2026. Das CPA AI Skillset, Anfang 2026 offiziell eingeführt, erkennt KI-Kompetenz als erforderliche Fähigkeit für CPAs an und schließt explizit die Fähigkeit ein, KI-Ergebnisse auf Risiken zu bewerten. Das CFA-Curriculum 2026 umfasst jetzt Practical Skills Modules in Python und KI. Regulierungsbehörden fordern die Unternehmen nicht auf, weniger KI einzusetzen. Sie fordern den Nachweis, dass jede KI-gestützte Entscheidung auditierbar, erklärbar und von einem qualifizierten Menschen überwacht wird. Diese Anforderung schafft Arbeitsplätze — aber nur für Personen, die Finanzwesen und KI-Governance gleichermaßen verstehen, um den Prüfpfad zu gestalten.

Dateninfrastruktur für agentische Systeme. Deloittes Analyse von 2025 identifiziert die nächste Grenze als agentische KI, die auf Data-Mesh- oder Data-Fabric-Architekturen aufbaut. Ohne diese Infrastruktur werden die Agenten unzuverlässig oder nicht compliant. Jemand muss diese Grundlagen entwerfen, testen und steuern. Der Analyst, der weiß, wo die Leichen im Datenbestand des Unternehmens begraben sind — welche Quellen unsauber sind, welche Definitionen systemübergreifend nicht übereinstimmen, welche Datenlinien undokumentiert sind — ist genau die Person, die gebraucht wird, um agentische Systeme sicher einzusetzen. Dieses institutionelle Wissen überträgt sich nicht automatisch auf ein LLM.

Die bimodale Realität: Junior-Stellen sinken, Karrieremitte wird neu positioniert

Die wichtigste Zahl, die Morgan Stanley in diesem Zyklus veröffentlicht hat, ist der Rückgang der Junior-Einstellungen um 7,7 % in KI-integrierten Unternehmen. Lesen Sie genau: Das ist kein Rückgang der Belegschaft um 7,7 %. Es ist ein Rückgang der Einstiegseinstellungen um 7,7 % im Vergleich zu Nicht-Anwendern. Kombiniert mit dem Netto-Personalabbau von 4 % in finanznahen Sektoren ergibt sich das strukturelle Bild: Unternehmen entlassen keine Analysten in der Karrieremitte massenhaft. Sie besetzen den unteren Teil der Pyramide nicht nach.

Dieselbe Morgan-Stanley-Analyse stellt fest, dass Fachkräfte in der Karrieremitte (2–10 Jahre Berufserfahrung) hohe Umschulungsraten erleben, um KI-Workflows zu managen, anstatt ersetzt zu werden. Das ist das bimodale Ergebnis. Junior-Analysten-Einstellungen werden von KI absorbiert. Senior-Analysten, die KI-Systeme entwerfen und beaufsichtigen können, werden gehalten und befördert. Der Druck lastet auf denjenigen in der Mitte, die sich nicht aktiv neu positionieren.

Die Konsequenz für alle, die dies lesen: Der Weg nach vorne heißt nicht „auf Normalisierung warten." Sondern „bewusst in der Wertschöpfungskette aufsteigen, bevor die eigene Rolle um einen herum umstrukturiert wird."

Die Kompetenzen, die Sie von gefährdet zu gefragt bewegen

Diese stammen direkt aus den Stellenausschreibungen bei Citadel, Revolut, BlackRock, JPMorgan und Goldman Sachs der letzten sechs Monate, abgeglichen mit den Fähigkeiten, die das CPA AI Skillset und das CFA-Curriculum 2026 inzwischen als Basis statt als Spitzenqualifikation behandeln.

LLM-Stack-Kompetenz und agentisches Workflow-Design. Das ist das einzelne wertvollste Upgrade, das einem Finanzanalysten derzeit zur Verfügung steht. Es geht nicht darum, ChatGPT zu benutzen. Es geht darum zu verstehen, wie man LLM-Aufrufe zu einem System verkettet, das strukturierte Finanzinputs entgegennimmt, eine Entscheidung trifft (Risiko markieren, Maßnahme empfehlen, Kommentar generieren) und ein auditierbares Ergebnis mit Begründung liefert. Realistischer Zeitrahmen: 8–12 Wochen strukturiertes Lernen plus praktische Übung. Ein vernünftiger 30-Tage-Richtwert ist, einen funktionierenden Agenten zu erstellen, der fünfmal mit echten Daten läuft, ohne manuellen Eingriff.

Produktionsreifes Python. Jede Stellenausschreibung unterscheidet inzwischen zwischen „Notebook-Python" und „Produktions-Python." Notebook-Python ist exploratives Scripting. Produktions-Python ist testbarer, deploybarer, versionskontrollierter Code, der in einer geteilten Codebasis bestehen kann. Für Analysten ist das Ziel nicht, Softwareentwickler zu werden. Es geht darum, Module zu schreiben, die Finanzdaten lesen, mehrstufige Transformationen durchführen, Fehler ordentlich protokollieren, Unit-Tests enthalten und einem Data-Engineering-Team übergeben werden können, ohne umgeschrieben werden zu müssen. Realistischer Zeitrahmen: 6–10 Wochen gezieltes Üben.

Data Governance und KI-Audit-Architektur. Das ist der regulatorische Rückenwind, den die Schlagzeilen übersehen. Da die GENIUS-Act-Compliance bis Juli 2026 erforderlich ist und die Regeln des EU AI Act bereits gelten, hat der Analyst, der ein Prüfpfad-Framework für ein KI-System in seinem Unternehmen entwerfen kann — was protokolliert wird, warum und wie es eine bestimmte regulatorische Anforderung erfüllt —, eine Karriereversicherung geschaffen, die keine Automatisierung replizieren kann. Realistischer Zeitrahmen: 4–6 Wochen fokussiertes Studium und ein dokumentierter interner Vorschlag.

SQL-Optimierung für KI-gestützte Pipelines. SQL-Kompetenz steht in jeder Stellenausschreibung für Finanzdatenrollen, aber die Messlatte hat sich von „kann ein SELECT schreiben" zu „kann Abfragen schreiben, die effizient auf Millionen von Zeilen skalieren und KI-Modelle zuverlässig versorgen" verschoben. Für die meisten Analysten liegt die Lücke nicht in der Syntax — sondern bei Abfrageplänen, Indexierungslogik und Datenqualitäts-Troubleshooting. Realistischer Zeitrahmen: 4–8 Wochen mit echten Datenbanken.

KI-Risiko- und Compliance-Bewertung. Die aufstrebende Premiumkompetenz. Eine KI-generierte Finanzanalyse zu überprüfen und ihre Fehlermodi zu identifizieren (Halluzination, Trainingsdaten-Verzerrung, unvollständige Inputs, Logikfehler, regulatorischer Verstoß) — genau diese Arbeit formalisieren das CPA AI Skillset und die CFA-Module jetzt. Sie ist schwer zu automatisieren, weil der Prüfer sowohl Finanzdomänenwissen als auch KI-Kompetenz braucht. Der Analyst, der eine glaubwürdige einseitige Risikobewertung eines Modells erstellen kann, das das Unternehmen bereits nutzt, ist der Analyst, den das Compliance-Team zu Meetings einzuladen beginnt.

Die Gehalts- und Karrieremathematik

Ein paar unbequeme, aber nützliche Zahlen — belegt und richtungsweisend, nicht garantiert.

Morgan Stanleys Produktivitätsgewinn von 11,5 % bedeutet mechanisch, dass Arbeit, die derzeit 10 Analysten erfordert, von etwa 8,85 Analysten erledigt werden kann, die KI gut einsetzen. Goldman Sachs' Produktivitätsannahme von 15 % verschiebt das näher an 8,7. Keine der Schätzungen übersetzt sich eins zu eins in Entlassungen — der Großteil des Produktivitätsgewinns zeigt sich zunächst als weniger Junior-Einstellungen und mehr Output pro bestehendem Analysten. Aber die Richtung ist klar, und sie ist konsistent mit dem, was JPMorgans 25-%-Einstellungszurückhaltung signalisiert.

Die daraus folgende Karrieremathematik ist einfach. Wenn Ihr Unternehmen 8,7 Analysten braucht, um die Arbeit zu erledigen, für die es früher 10 brauchte, werden die überlebenden Stellen nicht zufällig verteilt. Sie gehen an die Analysten, die die KI-Tools bedienen können, die den Produktivitätsgewinn überhaupt erst ermöglicht haben. Die verdrängten Analysten sind diejenigen, die die deskriptive Arbeit erledigten, die die KI jetzt schneller und günstiger erledigt.

Das ist keine Geschichte über einen sterbenden Beruf. Es ist eine Geschichte über einen Beruf, der sich unten komprimiert und oben ausdehnt, mit einem ungewöhnlich klaren Kompetenzprofil, das bestimmt, auf welcher Seite Sie landen.

Wie Sie die nächsten 90 Tage nutzen

Eine praktische Abfolge, konzipiert für einen Analysten mit Vollzeitjob und begrenzten Zusatzstunden.

Tage 1–30. Wählen Sie eine wiederkehrende analytische Aufgabe, die Sie jede Woche erledigen — Abweichungskommentar, Anomalieerkennung, Transaktionskategorisierung, Exposure-Zusammenfassungen. Zeichnen Sie die Entscheidungslogik auf Papier als Flussdiagramm. Erstellen Sie einen Prototyp, der Claude oder ChatGPT (oder das zugelassene Äquivalent Ihres Unternehmens) für den ersten Entwurf nutzt. Validieren Sie jedes Ergebnis von Hand. Erfassen Sie eingesparte Zeit und erkannte Fehler. Das ist Ihr Beweisstück.

Tage 31–60. Nehmen Sie den Prototyp und bauen Sie den Datenabrufschritt in produktionsreifem Python neu. Fügen Sie Logging, Fehlerbehandlung und einen Unit-Test hinzu. Bitten Sie Ihr Data-Engineering-Team um eine 30-minütige Überprüfung. Damit wird Ihr KI-Experiment von einem persönlichen Workaround zu etwas, das das Unternehmen tatsächlich betreiben könnte.

Tage 61–90. Lesen Sie die neueste KI-Leitlinie Ihrer Aufsichtsbehörde (FINRA, Federal Reserve, SEC, FCA, ESMA, BaFin oder lokales Äquivalent). Verfassen Sie eine einseitige Risikobewertung eines KI-Systems, das Ihr Unternehmen bereits nutzt oder einzuführen plant: Fehlermodi, Erkennung, Kontrollen. Senden Sie sie an Ihren Vorgesetzten oder Ihren Compliance-Kontakt. Sie haben sich jetzt als die Person positioniert, die über KI-Governance nachdenkt — und das ist die Rolle, die das Unternehmen ohnehin besetzen muss.

Am Ende von 90 Tagen haben Sie drei Artefakte: einen funktionierenden KI-gestützten Workflow, eine produktionsreife Codebasis und ein Risikobewertungsdokument. Nichts davon ist hypothetisch. Alle drei erscheinen direkt in den Stellenausschreibungen, die die Elite-Unternehmen gerade veröffentlichen.

FAQ

Wird KI Junior-Finanzanalysten ersetzen?

Für den deskriptiv-berichtenden Anteil der Rolle: weitgehend ja, und die Daten zeigen es bereits. Morgan Stanleys Analyse vom Februar 2026 ergab einen Rückgang der Junior-Einstellungen um 7,7 % in KI-integrierten Unternehmen im Vergleich zu Nicht-Anwendern. Das ist der Frühindikator: Unternehmen entlassen Junior-Analysten nicht massenhaft, sie stellen sie stillschweigend nicht mehr nach. Die Junior-Analysten, die künftig eingestellt werden, sind diejenigen, die vom ersten Tag an KI-Workflow-Kompetenz nachweisen können — nicht weil das Unternehmen ein Wunderkind sucht, sondern weil die Routinearbeit, an der neue Analysten früher lernten, jetzt von KI erledigt wird.

Welcher Typ Finanzanalyst ist am stärksten von KI bedroht?

Rollen, die auf hochvolumiger, standardisierter, deskriptiver Arbeit basieren, tragen das höchste kurzfristige Risiko: FP&A-Analysten, die denselben monatlichen Abweichungsbericht erstellen, Junior-Kreditanalysten mit Routine-Underwriting, Aktienresearch-Associates, die Wartungsmodelle für liquide Large-Caps pflegen, und einfache Compliance-Berichtsrollen. Rollen, die auf Urteilsvermögen unter echter Unsicherheit basieren, sind deutlich besser geschützt: Senior-Kreditanalyse für illiquide Privatschulden, Distressed-Debt- und Sondersituationsanalyse, M&A-Urteilsarbeit, Fundamentalresearch in weniger abgedeckten Märkten und jede Rolle, in der der Analyst die Empfehlung vor einem Treuhandausschuss verantwortet.

Lohnt sich das CFA noch im Jahr 2026?

Ja, aber mit einem anderen Denkmodell als vor zehn Jahren. Das CFA-Curriculum 2026 umfasst jetzt Practical Skills Modules in Python und KI — das heißt, die Zertifizierungsstelle behandelt KI-Kompetenz als Grundlage, nicht als Option. Das CFA signalisiert nach wie vor analytische Strenge, Ethikausbildung und globale Anerkennung — alles weiterhin wertvoll. Aber allein ist es kein ausreichendes Differenzierungsmerkmal mehr. Der Analyst, der das CFA mit nachgewiesenen KI-Workflow-Fähigkeiten, produktionsreifem Python und einer Erfolgsbilanz in der Steuerung von KI-Outputs kombiniert, ist der Analyst, den die Elite-Unternehmen jetzt wollen. Das CFA ohne diese Kombination ist eine Qualifikation aus den 2010er Jahren in einem Einstellungsmarkt von 2026.

Wie genau sind KI-Tools für Finanzanalysen derzeit?

Genau genug für einen Entwurf, nicht genau genug, um ihn ohne Überprüfung weiterzugeben. Dieselben Halluzinationsprobleme, die bei juristischer KI dokumentiert sind, gelten für KI im Finanzwesen: überzeugend klingende Ergebnisse mit erfundenen Zahlen, falsch zitierten Quellen oder subtilen Logikfehlern. Sowohl das CPA AI Skillset als auch die CFA-2026-Module formalisieren dies — Fachleute werden nun erwartet, KI-Ergebnisse auf Risiken zu bewerten, bevor sie sich darauf verlassen. In der Praxis überlebt folgender Workflow eine Prüfung: KI erstellt den Entwurf, Mensch validiert anhand der Quelldaten, Mensch verantwortet die endgültige Zahl. Jeder Analyst, der KI-Output ungeprüft in ein Board-Paket oder eine Einreichung weitergibt, nimmt ein persönliches regulatorisches und treuhänderisches Risiko auf sich, das kein Produktivitätsgewinn aufwiegt.

Wie hoch ist Ihr tatsächliches Risiko?

Finanzanalysten verteilen sich über ein breites Risikospektrum. Ein Senior-Kreditanalyst für notleidende Schulden und ein Junior-FP&A-Analyst, der monatliche Abweichungsberichte erstellt, haben beide „Finanzanalyst" auf ihrem LinkedIn-Profil. Ihre KI-Expositionsprofile sind nicht annähernd vergleichbar.

Wenn Sie wissen möchten, wo Sie persönlich stehen — basierend auf Ihrer Tätigkeitsart, Branche, Ihrem täglichen Aufgabenmix, Ihrer aktuellen KI-Tool-Nutzung und Seniorität — berechnet unser personalisierter KI-Risiko-Score eine Zahl über 9 Dimensionen, gestützt auf dieselbe Forschung von JPMorgan, Morgan Stanley, Goldman Sachs, McKinsey, Anthropic, der OECD und dem BLS, die diese Analyse stützt. Es dauert 90 Sekunden und liefert Ihnen ein konkretes Ergebnis, keine vage Beruhigung.

Der Beruf des Finanzanalysten verschwindet nicht. Aber die Version davon, die 2020 existierte, wird zerlegt in die Teile, die KI erledigen kann (die verschwinden) und die Teile, die nur Menschen erledigen können (die Vergütung, Verantwortung und Bestandssicherheit auf sich konzentrieren). Genau zu wissen, auf welcher Seite dieser Linie Ihre aktuelle Rolle steht, ist der erste Schritt, den es sich in diesem Quartal zu machen lohnt.

Machen Sie das 90-Sekunden-KI-Risiko-Assessment →

Methodikhinweis: Diese Analyse stützt sich auf JPMorgan Chase Outlook 2026, Morgan Stanley KI-Produktivitätsforschung (Februar 2026), Goldman Sachs Projektionen zu generativer KI und Arbeitsmärkten (2026), McKinsey Global Survey zu KI im Finanzwesen (2025), Deloitte Insights zu agentischer KI und Data Mesh (2025), Citadel Securities KI-Assistent-Einführungsdokumentation (Dezember 2025), AICPA CPA AI Skillset (2026), CFA Institute Curriculumaktualisierungen 2026, den U.S. GENIUS Act, die Finanzdienstleistungsbestimmungen des EU AI Act sowie Stellenausschreibungsanalysen bei Citadel, Revolut, BlackRock, JPMorgan und Goldman Sachs (2026). Details zur Berechnung individueller Risiko-Scores finden Sie in unserer Methodik.