Ein internes KI-Projekt von OpenAI sorgt in der Finanzbranche für Nervosität und Neugier zugleich: Unter dem Codenamen „Mercury“ soll eine spezialisierte KI entstehen, die die typischen Routineaufgaben im Investmentbanking automatisiert – genau jene Tätigkeiten, die bislang in langen Nacht- und Wochenendschichten bei Juniorbankern landen.
Was hinter dem Codenamen „Mercury“ steckt
Nach übereinstimmenden Berichten arbeitet OpenAI an einer KI, die Finanzmodelle erstellt, pflegt und prüft sowie begleitende Dokumente vorbereitet. Mehr als 100 ehemalige Investmentbanker sollen ihr Praxiswissen einbringen, um die Systeme mit realistischen Workflows und Qualitätsstandards zu trainieren.
Ziel ist die weitgehende Automatisierung repetitiver Schreibtischarbeit im Investmentbanking – von der Datenaufbereitung über Modell-Updates bis zur Konsistenzprüfung in Präsentationen.
Wie die KI geschult wird
Praxiswissen statt Lehrbuch
Die Trainingsdaten scheinen nicht nur aus Lehrbüchern und Open-Source-Beispielen zu stammen, sondern aus kuratierten, praxisnahen Szenarien: typische Annahmen, Pitfalls in Excel, Red-Flag-Checks und „House Styles“, die Banken intern nutzen. Dadurch soll die KI nicht nur rechnen, sondern banktaugliche Ergebnisse liefern.
Qualitätskontrollen und Benchmarks
- Rechen- und Logikkonsistenz: Abgleich von DCF-, LBO- und Multiplikator-Ansätzen.
- Versionierung: Nachvollziehbare Änderungen bei Annahmen und Szenarien.
- Dokumentenfluss: Zahlenübereinstimmung zwischen Modell, Tabellen und Folien.
Was Mercury konkret übernehmen könnte
- DCF- und LBO-Skelette in Minuten aufsetzen, inklusive Sensitivitätstabellen und Szenario-Analysen.
- Comparable- und Precedent-Transaction-Tabellen aus strukturierten Quellen zusammenstellen und bereinigen.
- Modelldiagnostik (Circular References, Hardcodes, Broken Links) und automatische Fix-Vorschläge.
- Pitch-Deck-Entwürfe mit einheitlichem Look & Feel und Zahlenkonsistenz.
- Research-Zusammenfassungen für Markt- und Branchenüberblicke mit Quellenverweisen.
Chancen und Druck für den Arbeitsmarkt
Für Banken winken Produktivitätsgewinne und kürzere Turnaround-Zeiten. Für Nachwuchskräfte könnte sich das Aufgabenprofil verschieben: weniger Formatierung und Fleißarbeit, mehr Review, Deal-Logik und Mandantenkontakt. Zugleich bleibt die Frage, wie viele Einstiegsstellen künftig nötig sind, wenn ein Teil der klassischen Junior-Aufgaben entfällt.
Risiken, Grenzen und Compliance
- Datenvertraulichkeit: Strikte Abschottung kundenbezogener Informationen und vertragliche Nutzungskontrollen.
- Modellrisiko: Nachvollziehbarkeit von Rechenschritten, Audit-Trails und unabhängige Validierungen.
- Halluzinationen: Falsche Quellen oder Annahmen müssen durch harte Guardrails und menschliche Reviews abgefangen werden.
- Regulatorik: Anforderungen an Dokumentationspflichten, Aufbewahrung und Prüfpfade in regulierten Umgebungen.
- Haftung: Klärung, wer verantwortet, wenn KI-gestützte Modelle zu fehlerhaften Entscheidungen führen.
Zeitplan und offene Fragen
Eine offizielle Bestätigung liegt nicht vor. Unklar ist, ob Mercury als interne Plattform, API-Modul oder Branchenlösung gedacht ist – und wie die Integration in bestehende Bank-Stacks gelingt. Ebenso offen: Preismodelle, On-Prem-Optionen und die Tiefe der Kundendateneinbindung.
Einordnung: KI rückt näher an das Kerngeschäft
Investmentbanken testen seit Jahren Automatisierung, doch generative KI verschiebt die Grenze: Statt nur einzelne Klicks zu sparen, können ganze Arbeitsschritte orchestriert werden. Erfolgreich wird Mercury vor allem dann, wenn es Revisionssicherheit, Transparenz und Konsistenz nachweisen kann – und damit den Sprung vom Experiment zum produktiven Deal-Werkzeug schafft.
Fazit: Sollte Mercury halten, was der Codename verspricht, steht Investmentbanking vor einer Effizienzkur, die die Rolle von Juniorbankern neu definiert – weg vom PowerPoint- und Excel-Dienst, hin zu Kontrolle, Kontext und Kundennähe.
