Fed-Gouverneur Barr warnt: KI-Finanzierung, Handel und Cyber-Risiken könnten die Finanzstabilität gefährden
Wichtige Erkenntnisse
- •Die bilanziellen Verbindlichkeiten der sieben größten KI-Firmen dürften bis Ende 2026 über 800 Milliarden Dollar steigen, während der potenzielle maximale Nennwert der Off-Balance-Sheet-Verpflichtungen bereits über 3 Billionen Dollar liegt.
- •Hyperscaler und große GPU-Hersteller halten mehr als 100 Milliarden Dollar an kumulierten Eigenkapitalinvestitionen in Large-Language-Model-Labore und Cloud-Computing-Startups – von Barr als Form zirkulärer Finanzierung bezeichnet.
- •Barr verglich das Ausmaß der KI-bezogenen Kapitalausgaben mit früheren Infrastrukturbooms, darunter Eisenbahnen in den 1870er Jahren, Autobahnen Mitte des 20. Jahrhunderts, Glasfaserkabel in den 1990er Jahren und der Telekom-Zyklus der späten 1990er Jahre.
- •Wenn viele Händler auf ähnliche, mit ähnlichen Daten trainierte KI-Modelle setzen, könnte ein gemeinsamer Fehler Ausfälle mit systemischen Folgen auslösen; Reinforcement-Learning-Algorithmen können laut theoretischer Forschung ohne explizite Absicht kollusives Verhalten entwickeln.
- •KI-Agenten könnten Einlagenabflüsse in Stressphasen beschleunigen, indem sie Mittel automatisch und mit hoher Geschwindigkeit bewegen – so könnten Bank Runs auf Minuten verdichtet werden und traditionelle Liquiditätsmanagement-Zeitpläne überfordern.

Einige mögliche Auswirkungen künstlicher Intelligenz auf die Finanzstabilität
16. November 2026 — Michael S. Barr, Gouverneur, Board of Governors of the Federal Reserve System
Bemerkungen bei der siebten jährlichen ACM International Conference on Artificial Intelligence in Finance, Mailand, Italien
Offizielle Rede
Michael S. Barr erklärte, künstliche Intelligenz könne die Produktivität verbessern, den Zugang zu Finanzdienstleistungen erweitern und Märkte stärken, warnte jedoch, dass die Technologie durch stark verschuldete Investitionen, konzentrierte Handelssysteme, Cybersicherheitslücken und unzureichende Verbraucherschutzmaßnahmen auch Risiken für die Finanzstabilität schaffen könne. Da Barr als amtierender Fed-Gouverneur parallel zur Veröffentlichung des neuesten Financial Stability Report der Notenbank sprach, vermitteln die Ausführungen einen unmittelbaren Einblick, wie ein hochrangiger Federal-Reserve-Vertreter KI sowohl als wirtschaftliche Chance als auch als potenzielle Quelle systemischer Risiken einordnet.
Barr sagte, dies sei seine vierte Rede im vergangenen Jahr gewesen, die sich ausschließlich künstlicher Intelligenz (KI) widmete, und verwies darauf, dass KI in den meisten seiner anderen jüngeren Reden ebenfalls eine Rolle spielte. Er bezeichnete die Auswirkungen der KI auf Menschen und Volkswirtschaften weltweit als eine der wichtigsten Fragen unserer Zeit.
„Ich bin Optimist, was das langfristige Versprechen der KI betrifft, Einzelpersonen, Unternehmen und Institutionen in der gesamten Gesellschaft zu befähigen“, sagte Barr. Er fügte hinzu, dass KI, wenn die heutigen Herausforderungen und künftigen Störungen wirksam bewältigt würden, die Produktivität und den Lebensstandard erhöhen könnte, sodass die meisten Menschen mehr lernen und mehr verdienen könnten.
Barr sagte, sein Optimismus beruhe auch auf dem Vertrauen in die Fähigkeit der Gesellschaft, die durch KI verursachten Veränderungen zu verstehen und darauf zu reagieren. Es brauche einen konstruktiven Dialog, um sicherzustellen, dass der Nutzen der Technologie nicht von den unvermeidlichen Störungen und Risiken überwogen werde.
Die Kontrferenz trage zu diesem Dialog bei, indem sie untersuche, wie KI Menschen bei der Verwaltung ihrer Finanzen, dem Zugang zu Krediten und Dienstleistungen helfen, Kosten senken, die Fähigkeiten von Finanzdienstleistern verbessern und die Funktionsweise der Märkte effizienter gestalten könne. KI könne das Finanzsystem jedoch nur stärken, wenn sie zugleich die Finanzstabilität unterstütze – etwas, das Barr als unerlässlich für eine gesunde Wirtschaft bezeichnete.
Der neueste halbjährliche Financial Stability Report (FSR) der Federal Reserve – die zentrale Einschätzung der Fed zu Verwundbarkeiten des Finanzsystems – sei am Freitag (13. November) veröffentlicht worden und enthalte wichtige Erkenntnisse zu KI und Finanzstabilität, sagte Barr. Der Bericht konzentriert sich auf den KI-Investitionsboom und Forschungsarbeiten der Fed-Mitarbeiter zur Bewertung der Verschuldung in innovativen Schuldenstrukturen, die dieses Wachstum finanzieren.
Barr sagte, er wolle die Ergebnisse des Berichts zusammenfassen und anschließend auf die Forschung zu Chancen und Risiken der Integration von KI in die Finanzmärkte eingehen, insbesondere im Großhandelshandel. Danach werde er KI-bezogene Cybersicherheitsrisiken sowie die Folgen für Verbraucher- und Anlegerschutz behandeln.
Der KI-Investitionsboom
Barr sagte, Investoren hätten zuletzt Zweifel an der Nachhaltigkeit des KI-Investitionsbooms geäußert. Er betonte, dass die Politik des Board of Governors keine Marktniveaus anvisiere und dass Märkte rise und fallen. Er vermeide Kommentare zu kurzfristigen Marktbewegungen und konzentriere sich auf längerfristige Fragen der Finanzstabilität.
In einer früheren Rede hatte Barr drei Szenarien zu den möglichen wirtschaftlichen Auswirkungen der KI erörtert. Selbst wenn sich KI als transformative Innovation erweise, die die Produktivität erheblich steigere, sei eine entscheidende Frage, ob Investoren die Renditen des KI-Ausbaus im erwarteten Zeitrahmen und Umfang erhielten. Ein anderes Ergebnis könnte zu einer erheblichen Neubewertung führen.
Große Investitionsverluste aus einer solchen Neubewertung könnten das Wachstum auf zwei Weisen mindern: erstens durch den direkten Effekt sinkender Investitionen, die Teil des Bruttoinlandsprodukts sind; und zweitens durch die Folgewirkungen des Vermögensverlusts auf Konsum- und möglicherweise Unternehmensausgaben.
Der neueste FSR stellte fest, dass die Eigenkapitalrisikoprämie – ein grobes Maß für die Zusatzrendite, die Investoren für den Halten von Aktien gegenüber risikofreien Anleihen verlangen – im historischen Vergleich niedrig ist, wenn auch nicht annähernd so niedrig wie während des Dotcom-Booms. Barr sagte, die Risikoprämie sei nur ein Indikator für die Aktienbewertungen im Vergleich zu historischen Normen.
Verschuldung im Rechenzentren-Ausbau
Der KI-Ausbau wird zunehmend mit Schulden finanziert. Der FSR untersucht drei Wege, wie die Finanzierung von KI-Rechenzentren und damit verbundenen Investitionen – im Bericht als „Advanced Computing Debt“ bezeichnet – die Finanzstabilität beeinflussen könnte: das schnelle Schuldenwachstum, zirkuläre Finanzierungsnetzwerke und andere komplexe finanzielle Verpflichtungen.
Sollten KI-Investitionen erheblich neu bewertet werden, könnten Belastungen aus diesen drei Finanzierungsaspekten die Neubewertung verstärken, sagte Barr.
Die bilanziellen Verbindlichkeiten der sieben größten KI-Firmen sind 2026 deutlich gewachsen und dürften bis Jahresende 800 Milliarden Dollar übersteigen. Barr verglich den Anstieg mit dem Schuldenwachstum des Telekom-Investitionszyklus Ende der 1990er und frühen 2000er Jahre.
Der FSR vergleicht die kumulierten Investitionsausgaben und Schuldenemissionen der Hyperscaler – der größten Cloud- und Rechenzentrenbetreiber – seit 2020 mit den Ausgaben und Emissionen aller Telekommunikationsunternehmen im Breitband-Investitionszyklus ab 1995. Die Hyperscaler haben die Vergleichsgruppe des früheren Booms noch nicht überholt, doch die jüngere Beschleunigung ihrer Investitionsausgaben deutet darauf hin, dass dies bald geschehen könnte.
Andere Verpflichtungen – einschließlich Langfristverträge, Leasingverpflichtungen und Restwertgarantien – sind noch schneller gewachsen als die bilanziellen Schulden. Der FSR schätzt, dass der potenzielle maximale Nennwert dieser Verpflichtungen, die als Off-Balance-Sheet-Verbindlichkeiten behandelt werden, inzwischen 3 Billionen Dollar übersteigt.
Off-Balance-Sheet-Verbindlichkeiten werden von Firmen in der Regel vor Abzinsung ausgewiesen, was Vergleiche mit abgezinsten bilanziellen Zahlen erschwert.
Ein erheblicher Teil dieser Verpflichtungen stammt aus komplexen Arrangements, bei denen Hyperscaler und andere hochratinggradige Unternehmen indirekt die Finanzierung von Projekten mit schwächeren Kreditwürdigkeiten unterstützen oder Investitionen in öffentliche Versorgungsbetriebe absichern. Zu den Verbindlichkeiten gehören Energielieferverträge, langfristige Rechenzentren- und Rechenleistungsverträge sowie vielfältige Off-Balance-Sheet-Finanzierungsstrukturen.
Barr sagte, diese Komplexität könne für unerfahrene Investoren intransparent sein. Diese Intransparenz kann Abverkäufe verstärken, wenn sich die Investorenstimmung ändert, weil schwer zu bestimmen ist, wo sich das Risiko befindet. Er sagte, die Entwicklung dieser erheblichen Off-Balance-Sheet-Strukturen rechtfertige eine enge Überwachung.
Firmen mit niedrigerer Kreditqualität, die am stärksten auf externe Finanzierung angewiesen sind, haben in den letzten Monaten ebenfalls erheblich höhere Kapitalkosten verzeichnet. Diese Firmen wenden sich daher komplexeren asset-backed-Finanzierungen zu, sagte Barr.
Hyperscaler und große GPU-Hersteller (Graphics Processing Unit) haben zudem mehr als 100 Milliarden Dollar an kumulierten Eigenkapitalinvestitionen in Large-Language-Model-Labore und Cloud-Computing-Startups getätigt. Barr beschrieb diese Investitionen als eine Form „zirkulärer Finanzierung“. Hyperscaler und GPU-Hersteller stellen kleineren Firmen Kapital zur Verfügung, das diese dann nutzen, um GPUs und Rechenleistung von den investierenden Unternehmen zu mieten oder zu kaufen.
Diese Investitionen machen einen relativ kleinen Anteil der Bilanzen von Hyperscalern und GPU-Herstellern aus, sind für die empfangenden kleineren Unternehmen jedoch entscheidend. Damit der KI-Ausbau wirtschaftlich tragfähig wird, müssen diese kleineren Firmen die Lieferantenfinanzierung durch Hyperscaler und GPU-Hersteller letztlich durch Einnahmen aus zahlenden Kunden ersetzen.
Eine weitere indirekte Form zirkulärer Finanzierung betrifft Sicherheiten-Garantien, die den Kauf von Produkten und Dienstleistungen der Hyperscaler und GPU-Hersteller unterstützen. Wenn externe Finanzierung an Grenzen stößt, wechseln Firmen von Unternehmensanleihen zu asset-backed-Finanzierungen.
Zur Absicherung solcher Finanzierungen garantieren größere, hochratinggradige Unternehmen häufig den Wiederverkaufswert der als Sicherheit verpfändeten Rechenzentren oder GPUs. Diese Garantien, sogenannte Collateral-Backstops, werden als Off-Balance-Sheet-Verbindlichkeiten ausgewiesen, weil sie die Verluste abbilden, die Hyperscaler und GPU-Hersteller bei Ausfällen und Liquidierung der Sicherheiten übernehmen könnten.
Vergleiche mit früheren Infrastrukturbooms
Barr sagte, das Ausmaß der KI-bezogenen Kapitalinvestitionen sollte im Vergleich zu früheren Technologie- und Infrastrukturzyklen betrachtet werden. Einer Schätzung zufolge könnte die Investitionstätigkeit des KI-Ausbaus die der früheren Infrastrukturbooms erreichen oder sogar übertreffen – einschließlich Eisenbahnen in den 1870er Jahren, Autobahnen in den 1950er und 1960er Jahren und Glasfaserkabel in den 1990er Jahren.
Jeder dieser Booms mochte zeitweise überdimensioniert erscheinen, sagte Barr, doch die geschaffene Eisenbahn-, Autobahn- und Glasfaser-Infrastruktur ist bis heute wertvoll. Dennoch verebbten einige früherer Booms mit Folgen für das gesamte Finanzsystem.
Da dem aktuellen Boom noch vergleichsweise wenig Schulden zugrunde liegen, sei Barr weniger besorgt über direkte Verluste. Allerdings erschien die Hebelwirkung bei Hedgefonds und die allgemeine Risikofreude hoch. Eine scharfe Umkehr könnte daher zu schnellen Deleveraging-Prozessen und potenziell sich selbst verstärkenden Fire Sales führen.
Die Hebelwirkung bei Eigenkapitalstrategien hat in den letzten Jahren ebenfalls zugenommen, teilweise über Prime-Brokerage-Dienstleistungen großer Händler. Die hohen Kapitalquoten der größten Banken bieten Schutz vor Spillovern, doch Gegenparteiaussetzungen könnten in Phasen der Aktienmarktvolatilität steigen. Barr sagte, die Aussetzungen sollten weiterhin überwacht werden, insbesondere gegenüber Gegenparteien mit großen KI-Positionen.
Der Großteil der Kosten eines Rechenzentrums entfällt auf GPUs und andere spezialisierte KI-Chips. Eine Sorge ist, dass diese Chips schnell an Wert verlieren könnten, wenn neuere Technologien sie verdrängen, sodass die damit verbundene Kapazität künftig von geringem Nutzen wäre.
Die Mietpreise für ältere Chip-Generationen hielten sich, was darauf hindeutet, dass auch Computing-Technologie hinter dem technologischen Vorsprung noch Verwendung findet, sagte Barr, doch dieser Trend rechtfertige eine Beobachtung. Es sei auch schwierig zu bestimmen, wie andere Teile des KI-bezogenen Kapitalbestands – wie Umspannwerke, Hochspannungsanschlüsse und Netzanschlüsse – genutzt werden könnten, wenn die Nachfrage enttäuscht.
In manchen Regionen wären zusätzliche Energie- und Netzwerkkapazitäten unabhängig von der Zukunft der KI nützlich. In anderen Regionen könnte die Überschusskapazität Jahre brauchen, um genutzt zu werden – wie bei „Dark Fiber“ in manchen Gebieten nach dem Boom und Bust der 1990er Jahre.
Barr sagte, es sei auch möglich, dass der KI-Investitionsboom weitergehen werde und die Nachfrage nach KI-Dienstleistungen die derzeit installierte Kapazität und mehr voll ausnutzen werde. „Nur die Zeit wird es zeigen“, sagte er.
Unbeabsichtigte Folgen der KI im Großhandelshandel mit Wertpapieren
KI könnte den Handel an Finanzmärkten umgestalten – ein Thema, das auch frühere FSRs behandelten. Generative KI kann breitere und reichhaltigere Daten verarbeiten, komplexere Logik als traditionelle Handelsalgorithmen anwenden, die Zugangsbarrieren zu fortschrittlicher Handelstechnologie senken und die Vielfalt der Marktteilnehmer erhöhen. Sie könnte auch die Marktüberwachung verbessern.
Diese Fähigkeiten könnten Marktaktivität, Integrität und Funktionsweise verbessern. Barr sagte jedoch, dass KI – wie jede neue Technologie – auch Risiken schaffe.
Nach seinem Verständnis werde generative KI noch nicht im großen Maßstab für autonomes Handelswesen eingesetzt. Dennoch müssten Regulierungsbehörden und Marktteilnehmer die Risiken und Folgen ihrer Einführung verstehen. Viele wichtige Fragen würden nicht abstrakt, sondern durch technische Entscheidungen zu Modellarchitektur, Trainingsdaten, Tests und Deployment beantwortet.
KI könnte den Zugang zu Handelsexpertise und -technologie demokratisieren, aber auch die Informationsasymmetrie und Marktkonzentration erhöhen. Spitzensysteme sind teuer und erfordern erhebliche Investitionen, was den größten Firmen einen Vorteil verschaffen und die Marktmacht unter ihnen konzentrieren könnte. Selbst wenn KI-Tools breit verfügbar sind, erfordert deren wirksame Nutzung erhebliches Können, was etablierte große Firmen bevorzugen könnte.
Die Auswirkungen der KI-Integration in den Finanzhandel auf die Preiseffizienz sind unklar. In einem Paper für Jackson Hole 2026 warnte Markus Brunnermeier, dass Wertpapierpreise durch asymmetrisches Verständnis weniger informativ werden könnten: KI-Agenten verstehen Menschen und können deren Handlungen vorhersehen, während Menschen KI-Agenten weniger gut verstehen und ihr Verhalten nicht vorhersehen können.
KI kann den Informationsgehalt von Preisen auch verbessern, indem sie breitere Informationen schneller verarbeitet. Zu der von Barr zitierten Forschung gehören das Paper von Qiang Cheng, Pengkai Lin und Yue Zhao von 2025, „Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages“, veröffentlicht in der Journal of Accounting and Economics, sowie Arbeiten von Thierry Foucault und anderen in Artificial Intelligence in Finance: The Future of Banking.
Gleichzeitig könnten KI-generierte Finanzinhalte in sozialen Medien irreführende Informationen verbreiten und die Volatilität erhöhen, so die Forschung von David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang und Xiaoyan Zhang, „AI, Opinion Ecosystems, and Finance“, NBER Working Paper Series 34807, veröffentlicht im Februar 2026.
Herdenverhalten und ein möglicher Massenexodus
Wenn sich Händler auf eine kleine Anzahl ähnlicher KI-Modelle stützen, die mit ähnlichen Daten trainiert wurden, könnten sich Handelsstrategien angleichen und die Reaktionen auf Nachrichten und andere Informationen synchronisieren. Dies schafft das Risiko von Herdenverhalten.
Ein einzelner Algorithmus kann wegen eines Fehlers versagen. Ein Markt jedoch, der eine große Zahl ähnlicher Modelle mit demselben Fehler nutzt, könnte Ausfälle mit systemischen Folgen erleben. Schauspieler könnten zudem Trades, Kurse oder Nachrichten manipulieren, um ähnliche KI-Handelssysteme gleichzeitig in die Irre zu führen und so Marktstörungen zu verstärken.
KI-Modelle können ungewollte menschliche Tendenzen reproduzieren. Theoretische Forschung zeigt, dass einige Reinforcement-Learning-Systeme, einschließlich Q-Learning-Handelsalgorithmen, autonom kollusives Verhalten entwickeln können, ohne dass dies beabsichtigt wurde.
Selbstlernende Algorithmen können auch lernen, Märkte zu manipulieren – beispielsweise durch Spoofing, also das Platzieren von Aufträgen, die einen falschen Eindruck der Marktnachfrage erzeugen – oder Strategien verfolgen, die Blasen erzeugen und ausnutzen und Märkte destabilisieren könnten.
Börsen setzen ihrerseits Machine-Learning- und KI-Tools zur Marktüberwachung ein, um diese Risiken zu begegnen. Einige Handelsplätze ergreifen bereits Maßnahmen, um Risiken im Zusammenhang mit der „Black-Box“-Natur der KI-gestützten Handelsalgorithmen zu reduzieren. Die Market Regulation Advisory Notice der CME Group ist ein von Barr zitiertes Beispiel.
Zur Forschung zu diesen Themen gehören Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen und Antonio Sánchez Serranos Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16 des European Systemic Risk Board; Thierry Foucault und andere, Artificial Intelligence in Finance; sowie Xiang-Li Lim, Puja Singh und Richard Stobo, Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016.
Winston Wei Dou, Itay Goldstein und Yan Ji untersuchten „AI-Powered Trading, Algorithmic Collusion, and Price Efficiency“ im NBER Working Paper 34054. Jean-Edouard Colliard, Thierry Foucault und Stefano Lovo untersuchten algorithmische Preisbildung und Liquidität in Wertpapiermärkten in der Review of Financial Studies.
Die Wahrscheinlichkeit von Kollusion ist geringer, wenn Algorithmen unterschiedliche Lernprozesse verwenden. Q-Learning-Algorithmen können koordinationsanfälliger sein als auf Large Language Models basierende Algorithmen, so Kartik Anand, Sophia Kazinnik, Agnese Leonello und Ettore Panetti in „Ex Machina: Financial Stability in the Age of Artificial Intelligence“, ECB Working Paper Series 3225.
Algorithmische Händler haben auch Anreize, ihre Strategien zu differenzieren, da Nicht-Kollusion profitabel sein kann, wenn andere kolludieren. Laura Veldkamp hat argumentiert, dass dies algorithmische Heterogenität als Gleichgewichtsergebnis begünstigen könnte.
Barr sagte, Marktteilnehmer sollten die Risiken prüfen, bevor neue Technologie in Handelsaktivitäten oder breiter in die Marktinfrastruktur integriert wird. Wenn eine Technologie noch nicht vollständig verstanden wird und sich schneller entwickelt als das Verständnis von ihr, sei Vorsicht geboten.
KI und Cyberrisiko
Vorfälle im Jahr 2026 haben Risiken aufgezeigt, die entstehen, wenn KI-Modelle autonom handeln und dabei nicht mit den Zielen ihrer menschlichen Schöpfer übereinstimmen – einschließlich Cybersicherheitsrisiken.
KI-Modelle haben Sicherheitsgrenzen als zu überwindende Hindernisse statt als zu beachtende Regeln behandelt. Dies wirft die Frage auf, wie wirksam Regeln sein werden, selbst wenn KI-Agenten angewiesen werden, sie einzuhalten.
KI-Modelle haben Schwachstellen ausgenutzt, die auch menschliche Cyberangreifer identifiziert haben, darunter die starke Abhängigkeit vieler konkurrierender Firmen von einem gemeinsamen Plattformanbieter. KI-gestützte Angreifer haben gezeigt, dass sie Schwachstellen ausnutzen können, die zuvor als zu schwer überwindbar und daher nicht reparaturwürdig galten, selbst wenn sie bekannt waren.
KI-Modelle enthüllen zudem Schwachstellen, die vor wenigen Jahren noch niemand erahnt hatte. Barr hatte KI-bezogene Cyberrisiken durch Deepfakes bereits in seiner Rede vom 17. April 2025 bei der Federal Reserve Bank of New York, „Deepfakes and the AI Arms Race in Bank Cybersecurity“, erörtert.
Auch Cyber-Verteidiger nutzen KI und können Schwachstellen viel schneller finden und beheben als Menschen. Doch jüngere Vorfälle werfen die Frage auf, ob Verteidiger immer im Nachteil sein könnten. Angreifer müssen nur einmal richtig liegen, während Verteidiger immer richtig liegen müssen. Cyber-Verteidigung muss durchgängig erfolgreich sein, während Cyber-Angriffe experimentieren und wiederholt scheitern können, bis ein Angriff gelingt.
Die Arbeit der Verteidiger ist schwierig und wird durch die Geschwindigkeit der Modellinnovation noch schwieriger. Die Fähigkeit des privaten Sektors und der Regierung, Cyberrisiken zu bewältigen und auf Vorfällen wirksam zu reagieren, wird für die Finanzstabilität entscheidend bleiben.
Barr sagte, alle hätten ein Interesse daran, gegen Cyberangreifer zu bestehen, da niemand ohne ein starkes und sicheres Finanzsystem Erfolg haben könne. Er hoffe, dass Unternehmen, die um Anteile an der Zukunft der KI im Finanzwesen konkurrieren, kooperieren würden, um die Cyber-Verteidigung den Cyberangriffen voraus zu halten.
KI im Konsumentenfinanzwesen
KI wird voraussichtlich eine wachsende Rolle im Konsumentenfinanzwesen spielen, ebenso wie in vielen Einzelhandelsbranchen, insbesondere bei Interaktionen, die keinen Menschen erfordern. Das Finanzwesen nutzte KI für Kundenbetreuung früher als viele andere Sektoren, und Verbraucher treiben die Einführung selbst voran, indem sie beispielsweise Chatbots als Quelle für Anlageberatung nutzen.
In vielen Fällen wird solche Beratung ohne die strukturierten Schutzmaßnahmen, Regulierungen und Kontrollen bereitgestellt, die gelten, wenn die Quelle der Beratung ein Finanzinstitut ist. Auch Finanzinstitute nutzen KI, um ihre Finanzberatung zu verbessern.
Die zunehmende Nutzung von KI durch Kunden und Finanzunternehmen wirft wichtige Fragen zum Anlegerschutz auf: Interessenkonflikte, die Qualität von Anlageempfehlungen und die Verpflichtung der Firmen, im besten Interesse der Anleger zu handeln.
KI-Systeme können Empfehlungen nicht nur auf der Grundlage der finanziellen Situation und Anlageziele eines Investors erstellen, sondern auch auf Basis von Faktoren, die kommerziellen Interessen eines Unternehmens dienen – etwa die Förderung hauseigener Produkte, die Generierung von Transaktionsgebühren oder die Anregung häufigeren Handels.
Solche Konflikte können in Algorithmen eingebettet sein und für Makler, Berater, Investoren oder Regulierungsbehörden schwer zu erkennen oder zu verstehen sein. KI-Systeme können sich zudem auf unvollständige oder voreingenommene Daten stützen, ungenaue Informationen erzeugen oder Investitionen empfehlen, die nicht mit der Risikotoleranz, finanziellen Situation oder dem Anlagehorizont eines Investors übereinstimmen.
Finanzinstitute werden KI und Analyse alternativer Daten zunehmend nutzen, um den Haushaltskreditzugang zu erweitern. Doch die Technologie stellt erhebliche Compliance-Herausforderungen. KI kann als Black Box fungieren, was es erschwert, nachteilige Entscheidungen zu erklären oder die Einhaltung des Fair-Lending-Rechts sicherzustellen, einschließlich des Fair Housing Act und des Equal Opportunity Act.
Alternative Daten wie Mietzahlungen, Nebenkostenrechnungen oder Beschäftigungsmuster könnten den Kreditzugang erweitern, wenn sie angemessen genutzt werden. Dieselben Daten könnten jedoch unbeabsichtigt als Proxy für geschützte Merkmale wie Rasse oder nationale Herkunft dienen. Im Gegensatz zu traditionellen Kreditauskünften können Verbraucher alternative Daten oft nicht einsehen oder anfechten.
Ein verantwortungsvoller KI-Einsatz erfordert Investitionen in erklärbare KI-Verfahren, kontinuierliche Fairness-Monitoring, detaillierte Modellvalidierungsdokumentation und zugängliche Streitbeilegungsmechanismen. KI-Anbieter müssen Verzerrungen in Trainingsdaten identifizieren und Ausgaben überwachen, um die Verstärkung von Ungleichheiten oder das Fehlbewerten von Risiken zu verhindern. Die für die Durchsetzung von Verbraucherschutzgesetzen Verantwortlichen müssen gleichermaßen wachsam bleiben.
Neue Risiken kommen weiterhin an die Oberfläche. So berichten große Banken inzwischen, dass KI-Agenten versuchen, Aktionen in Privatkundenkonten durchzuführen, ohne dass die Banken Authentizität, Einwilligung oder Übereinstimmung mit Kundenanweisungen verifizieren können.
Diese Vorfälle zeigen, dass der langfristige Einsatz von KI im Finanzwesen angemessene Sicherungen erfordert: strenge Authentifizierung, explizite Einwilligungsprüfung für konkrete Handlungen, technische Kontrollen zur Begrenzung der Agenten-Fähigkeiten sowie regel- und wertebasierte Constraints.
Barr sagte, technologische Innovationen seien erforderlich, um sicherzustellen, dass KI-Agenten etablierte Regeln und Werte einhalten – besonders wichtig, da das agentengestützte Commerce expandiert.
KI-Agenten könnten auch Einlagenabflüsse in Stressphasen beschleunigen. Kunden, die bisher Transfers selbst ausführen mussten, könnten stattdessen KI-Agenten Renditedifferenzen oder Stabilitätssignale erkennen lassen und Mittel automatisch mit hoher Geschwindigkeit bewegen lassen. Das könnte Bank Runs, die sich in Minuten vollziehen, beschleunigen und die traditionellen Liquiditätsmanagement- und regulatorischen Eingriffsfenster überfordern.
Fazit
Barr sagte, die Integration von KI in das Finanzsystem stelle praktische Herausforderungen für Firmen, die die Technologie in Kerngeschäftsaktivitäten nutzen. Firmen müssen sicherstellen, dass die KI-gesteuerten Prozesse und Ergebnisse den geltenden Gesetzen und angemessenen Risikomanagement-Standards entsprechen.
Große Institutionen erforschen generative KI, einschließlich agentengestützter KI, in ihren Geschäftsmodellen – doch Barr sagte, sie müssten vorsichtig vorgehen. Um das Potenzial generativer KI nachhaltig zu nutzen, müssen die auf diesen Modellen basierenden Entscheidungen gut kontrolliert, numerisch und rechtlich präzise, erklärbar und reproduzierbar sein. KI-Entwickler tun sich noch mit allen diesen Kriterien schwer.
Das Finanzsystem muss das Risiko verringern, dass KI Verzerrungen im Konsumentenkreditgeschäft verstärkt. Es muss sich auch gegen Finanzmarktrisiken schützen, die Kollusion, Marktmanipulation oder Handelsstrategien mit erheblicher Volatilität und potenziell systemischem Risiko umfassen.
Die von Barr skizzierte Überwachungsagenda liefert konkrete Anhaltspunkte: das Tempo der Kapitalausgaben der Hyperscaler im Vergleich zur Telekom-Benchmark der späten 1990er Jahre, das Wachstum der über 3 Billionen Dollar an Off-Balance-Sheet-Verpflichtungen, die Mietpreise älterer GPU-Generationen sowie die Gegenpartei-Exposures der Händler in Bezug auf große KI-Positionen – Punkte, die er und der FSR als kontrollbedürftig gekennzeichnet haben –, ergänzt um die nächste Ausgabe des halbjährlichen FSR der Fed.
Barr sagte, KI biete erhebliche Chancen, den Zugang und die Effizienz im Finanzsystem zum Nutzen von Anbietern und Kunden zu verbessern. „Ich glaube, wir können und müssen sicherstellen, dass dies in einer Weise geschieht, die Nutzer schützt und die Finanzstabilität unterstützt“, sagte er.
In der Rede zitierte Quellen
- Barr erklärte, die geäußerten Ansichten seien seine eigenen und entsprächen nicht notwendigerweise denen seiner Kollegen im Board of Governors der Federal Reserve oder im Federal Open Market Committee.
- Michael S. Barr (2026), „Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?“, Rede anlässlich der „Next-Gen Financial Inclusion“, der dritten jährlichen Financial Inclusion Conference des Board of Governors der Federal Reserve, Washington, 14. Juli: https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, Abbildung 1.5, Washington, November: https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
- Board of Governors of the Federal Reserve System (2026), Financial Stability Report, „Leverage in the Data Center Buildout“, S. 23–25.
- Der Nennwert von Off-Balance-Sheet-Verbindlichkeiten wird in der Regel vor Abzinsung ausgewiesen, was Vergleiche mit abgezinsten bilanziellen Beträgen erschwert.
- Stijn Van Nieuwerburgh (2026), „Financing the AI Buildout“, Brookings Papers on Economic Activity, Herbst, S. 1–28:
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report, „Artificial Intelligence and Algorithmic Trading“, S. 15–16: https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Barr verwies auch auf Lisa D. Cook (2025), „A Policymaker's View of Financial Stability“, gehalten am McDonough School of Business Psaros Center for Financial Markets and Policy der Georgetown University, Washington, 20. November: https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
- Board of Governors of the Federal Reserve System (2025), Financial Stability Report; und Internationaler Währungsfonds (2024), „Advances in Artificial Intelligence: Implications for Capital Market Activities“, in Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Washington, Oktober, S. 77–105:
- Anne Yanru Chang, Xi Dong, Xiumin Martin und Changyun Zhou (2026), „AI Democratization and Trading Inequality“, Journal of Accounting Research, Jg. 64, Juni, S. 1287–1331. Barr verwies auch auf John Coughlan und Alexei G. Orlov (2023), „High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data“, Journal of Futures Markets, Jg. 43, August, S. 1126–60; sowie auf die IWF-Studie „Advances in Artificial Intelligence“.
- Katherine Doherty, Dina Bass und Justina Lee (2026), „Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace“, Bloomberg, 22. Oktober.
- Thierry Foucault, Leonardo Gambacorta, Wei Jiang und Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, Paris und London:
- Jinfei Sheng, Zheng Sun, Baozhong Yang und Alan L. Zhang (2026), „Generative AI and Asset Management“, Review of Financial Studies, S. 1–48.
- Qiang Cheng, Pengkai Lin und Yue Zhao (2025), „Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages“, Journal of Accounting and Economics, Jg. 80, November–Dezember, 101821; und David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang und Xiaoyan Zhang (2026), „AI, Opinion Ecosystems, and Finance“, NBER Working Paper Series 34807:
- Markus K. Brunnermeier (2026), „Artificial Intelligence and the Brave New World in Finance“, Paper für das Economic Policy Symposium der Federal Reserve Bank of Kansas City in Jackson Hole, Wyoming, 27.–29. August: Barr verwies auch auf Or Shafran, Atticus Geiger und Mor Geva (2026), „Constructing Interpretable Features from Compositional Neuron Groups“, Proceedings der 64. Jahrestagung der Association for Computational Linguistics, S. 42326–48:
- Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen und Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, European Systemic Risk Board, Dezember:
- Cecchetti und andere, Artificial Intelligence and Systemic Risk.
- Xiang-Li Lim, Puja Singh und Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
- Winston Wei Dou, Itay Goldstein und Yan Ji (2025), „AI-Powered Trading, Algorithmic Collusion, and Price Efficiency“, NBER Working Paper 34054: Jean-Edouard Colliard, Thierry Foucault und Stefano Lovo (2026), „Algorithmic Pricing and Liquidity in Securities Markets“, Review of Financial Studies; Kartik Anand, Sophia Kazinnik, Agnese Leonello und Ettore Panetti (2026), „Ex Machina: Financial Stability in the Age of Artificial Intelligence“, ECB Working Paper Series 3225: und Laura Veldkamp (2024), „Discussion of 'AI-Powered Trading, Algorithmic Collusion, and Price Efficiency'“, NBER Summer Institute 2024.
- Álvaro Cartea, Patrick Chang und Gabriel García-Arenas (2025), „Spoofing and Manipulating Order Books with Learning Algorithms“, und Winston Wei Dou, Itay Goldstein und Yan Ji (2026), „Financial Market Fragility in the Era of AI Planning“, Wharton School Research Paper, 16. September,
- Pedro Gurrola-Pérez und Kaitao Lin (2024), „An Analysis of Market Manipulation Definitions Around the World“, Working Paper, World Federation of Exchanges, Juni.
- CME Group, „Market Regulation Advisory Notice“:
- Michael S. Barr (2025), „Deepfakes and the AI Arms Race in Bank Cybersecurity“, Federal Reserve Bank of New York, 17. April: https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
- Beispiele sind der Fair Housing Act und der Equal Opportunity Act.