Ein Drittel der Family Offices erstellt noch heute mehr als die Hälfte seines Reportings manuell (Campden Wealth / AlTi Tiedemann Global, Family Office Operational Excellence Report 2025, n=146 Family Offices weltweit). Das liegt selten am fehlenden Werkzeug. Es liegt daran, dass Positionen aus Depotbanken, Private-Equity-Fonds, Direktbeteiligungen und Immobilien in unterschiedlichen Formaten, mit unterschiedlicher Bewertungslogik und ohne durchgängigen Blick auf die zugrunde liegenden Vermögenswerte ankommen. KI kann diesen Aufwand deutlich reduzieren, aber nur, wenn die Datenschicht darunter stimmt.
Kurzfassung
KI-gestütztes Family-Office-Reporting scheitert seltener am Modell als an drei ungeklärten Datenschichten: Quellenanbindung, Normalisierung und Bewertungslogik. Look-Through-Transparenz, also der durchgängige Blick von der Fondshülle bis zur zugrunde liegenden Position, entsteht erst, wenn diese drei Schichten stimmen. KI automatisiert Extraktion, Abgleich und Konsolidierung. Die Bewertung illiquider Positionen bleibt Aufgabe von Menschen.
Warum Reporting im Family Office ein Datenproblem ist
Ein Single Family Office mit diversifiziertem Portfolio konsolidiert typischerweise Positionen aus mehreren Depotbanken, Private-Equity-Fonds mit eigenem Kapitalkonto, Direktbeteiligungen ohne Marktpreis, Immobilien und liquiden Mitteln. Jede Quelle liefert in einem anderen Format, zu einem anderen Bewertungsstichtag und mit einer anderen Bewertungslogik. Depotauszüge kommen strukturiert und tagesaktuell. PE-Kapitalkontenberichte kommen als PDF, meist quartalsweise und mit ein bis zwei Quartalen Verzögerung. Direktbeteiligungen haben oft gar keinen laufenden Marktwert, sondern nur eine jährliche oder anlassbezogene Bewertung.
Diese strukturelle Heterogenität ist der eigentliche Grund, warum Reporting im Family Office so viel manuelle Zeit bindet. Laut dem North America Family Office Report 2025 von RBC und Campden Wealth (Oktober 2025) nennen Family Offices manuelle Prozesse und die Abhängigkeit von Tabellenkalkulationen als häufigstes operatives Risiko. Gleichzeitig haben bereits 69 Prozent der befragten Family Offices automatisierte Reporting-Systeme eingeführt, ein Anstieg von 46 Prozent im Vorjahr, und 29 Prozent setzen generative KI konkret für die Reporting-Erstellung ein, dreimal so viele wie im Jahr zuvor.
Was Look-Through-Transparenz bedeutet, und wo sie im Reporting fehlt
Look-Through-Transparenz ist kein Marketingbegriff, sondern ein etabliertes Konzept aus der Fondsaufsicht: In Regulierungskontexten wie Solvency II oder bei Risikomessungen für Investmentfonds wird verlangt, Risikopositionen nicht an der Fondshülle stehen zu lassen, sondern bis zur zugrunde liegenden Anlage durchzurechnen. Für ein Family-Office-Reporting gilt dasselbe Prinzip, nur mit einer anderen Zielsetzung: Die Familie soll nicht nur den NAV eines Fondsvehikels sehen, sondern wissen, welche Portfoliounternehmen, Immobilien oder Wertpapiere tatsächlich dahinterstehen.
Ohne Look-Through-Transparenz bleiben zwei Risiken unsichtbar. Erstens Konzentrationsrisiken: Dieselbe Beteiligung kann über mehrere Private-Equity-Fonds oder Co-Investment-Vehikel gehalten werden, ohne dass das auf Vehikelebene auffällt. Ein Family Office, das über drei verschiedene Fondsvehikel investiert, sieht auf den ersten Blick drei diversifizierte Positionen. Erst der Blick auf die zugrunde liegenden Portfoliounternehmen zeigt, ob zwei dieser Vehikel tatsächlich in dasselbe Unternehmen investiert sind und sich die vermeintliche Diversifikation an dieser Stelle auflöst. Zweitens veraltete Bewertungsgrundlagen: Ein Fondsvehikel meldet einen NAV zum letzten Quartalsstichtag, während die zugrunde liegenden Portfoliounternehmen sich seither deutlich verändert haben können, etwa durch eine neue Finanzierungsrunde oder einen Exit.
Der Grund, warum Look-Through-Reporting in der Praxis oft an der Fondshülle stehen bleibt, ist banal: Die Portfoliounternehmen-Listen aus GP-Quartalsberichten liegen als Fließtext in PDF-Dokumenten vor, nicht als strukturierte Daten. Genau diese Extraktion manuell nachzuvollziehen, für zehn, zwanzig oder mehr Fondsbeteiligungen pro Quartal, ist der Punkt, an dem die meisten Family Offices den Blick auf die Fondsebene beschränken, statt konsequent durchzuschauen.
Die drei Datenschichten, die vor der Automatisierung stimmen müssen
Bevor KI ein Reporting sinnvoll unterstützen kann, müssen drei Schichten geklärt sein. Wer direkt bei der Automatisierung ansetzt, ohne diese Reihenfolge einzuhalten, bekommt schnellere, aber nicht verlässlichere Berichte.
Quellenebene. Welche Systeme und Kanäle liefern welche Daten, in welcher Form und mit welcher Aktualität? Depotbank-Feeds, GP-Investorenportale, per E-Mail zugestellte PDF-Kapitalkontenberichte und interne Cap-Table-Listen für Direktbeteiligungen sind grundverschiedene Quellentypen. Diese Landkarte fehlt in vielen Family Offices, weil sie historisch gewachsen ist und nie dokumentiert wurde.
Normalisierungsebene. Unterschiedliche Währungen, Bewertungsstichtage und Formate müssen in ein gemeinsames Schema überführt werden. Genau hier liegt der größte Hebel für KI: Ein Sprachmodell liest ein GP-Kapitalkontoreport-PDF, extrahiert Kapitalabrufe, Ausschüttungen, NAV und die genannten Portfoliounternehmen, und überträgt sie strukturiert in das Reporting-Schema. Was vorher Stunden manuellen Abtippens gebunden hat, wird zu einer Extraktion mit anschließender Stichprobenprüfung.
Bewertungs- und Freigabeebene. Hier endet die Automatisierung bewusst. Die Bewertung illiquider Positionen, etwa einer Direktbeteiligung ohne Marktpreis, bleibt eine fachliche Entscheidung auf Basis von Jahresabschlüssen, Transaktionspreisen oder Gutachten. KI kann Abweichungen zwischen gemeldeten Werten markieren und auf Inkonsistenzen hinweisen. Sie sollte keinen eigenen Schätzwert für eine illiquide Position ausgeben, der ungeprüft ins Reporting übernommen wird.
Ein Durchlauf: vom Kapitalkontenbericht zum konsolidierten Reporting
Konkret sieht der Ablauf für eine einzelne PE-Position so aus. Der Fondsverwalter schickt quartalsweise einen Kapitalkontenbericht als PDF, mit Kapitalabruf, Ausschüttung, aktuellem NAV und einer Liste der Portfoliounternehmen, häufig eingebettet in Fließtext oder eine unstrukturierte Tabelle. Ein KI-Modell liest dieses Dokument, extrahiert die genannten Kennzahlen und die Portfoliounternehmen-Liste und überführt sie in das gemeinsame Reporting-Schema, inklusive Quellenverweis auf Seite und Absatz des Originaldokuments.
Anschließend gleicht das System die extrahierten Werte gegen den letzten gemeldeten Stand ab und markiert Auffälligkeiten: ein NAV-Sprung außerhalb der erwarteten Bandbreite, ein neu aufgetauchtes Portfoliounternehmen, eine Abweichung zwischen gemeldetem und im Cap Table hinterlegtem Beteiligungsprozentsatz. Diese Markierungen gehen an die zuständige Person im Family Office, nicht als automatische Korrektur, sondern als Prüfhinweis mit Beleg. Erst nach dieser Prüfung fließt die Position in den konsolidierten Bericht, der dann auch auf Portfoliounternehmen-Ebene zeigt, wo sich Beteiligungen über mehrere Vehikel hinweg überschneiden.
Der Zeitgewinn entsteht nicht dadurch, dass eine Prüfung entfällt, sondern dadurch, dass die Person, die prüft, nicht mehr selbst durch das PDF blättern und Zahlen abtippen muss, sondern eine vorstrukturierte, mit Quellenangabe belegte Übersicht bekommt, an der sie ihre fachliche Einschätzung ansetzen kann.
Wo KI im Look-Through-Reporting ansetzt, und wo Menschen entscheiden
Die Trennlinie zwischen den drei Schichten oben entscheidet auch, wo KI im Prozess sinnvoll eingesetzt wird.
Was KI gut übernimmt: das Lesen unstrukturierter GP- und Depotbank-Dokumente und die Extraktion der relevanten Kennzahlen und Portfoliounternehmen-Listen, der quellenübergreifende Abgleich auf Inkonsistenzen und Auffälligkeiten, die Währungs- und Formatnormalisierung, und das Erstellen eines konsolidierten Berichtsentwurfs mit nachvollziehbarer Quellenangabe je Position.
Was bei Menschen bleibt: die Bewertung illiquider Positionen, die Entscheidung, welcher von mehreren abweichenden gemeldeten Werten ins Reporting übernommen wird, und die fachliche Freigabe des konsolidierten Berichts vor Weitergabe an die Familie. Ein KI-System, das ohne Freigabeschritt eigenständig entscheidet, welcher NAV der richtige ist, verschiebt genau das Risiko, das Look-Through-Reporting eigentlich sichtbar machen soll, nur eine Ebene tiefer.
Diese Aufgabenteilung ist auch der Grund, warum ein spezialisiertes CLM- oder Reporting-Tool oft nur einen Teil der Aufgabe löst. Wie sich diese Build-vs-Buy-Frage bei anderen dokumentenlastigen Prozessen stellt, beschreibt der Beitrag KI-Vertragsanalyse: CLM-Tool-Feature oder eigene KI-Lösung?.
Vertraulichkeit: warum diese Rohdaten nicht in öffentliche KI-Tools gehören
Depotauszüge, GP-Kapitalkontenberichte und Cap-Table-Daten sind keine allgemeinen Geschäftsdaten. Sie stehen häufig unter Vertraulichkeitsvereinbarungen mit Beteiligungsgesellschaften, Banken und Co-Investoren, zusätzlich zu den datenschutzrechtlichen Anforderungen, sobald Familienmitglieder oder Ansprechpartner in den Daten auftauchen. Ein Reporting-Workflow, der diese Rohdaten durch ein öffentliches KI-Tool ohne Auftragsverarbeitungsvertrag und ohne EU-Hosting-Nachweis schickt, unterläuft genau die Vertraulichkeitsbindung, die das Reporting eigentlich schützen soll.
Für den Kernprozess der Reporting-Konsolidierung ist deshalb private KI-Infrastruktur die belastbarere Wahl: ein Modell, das auf eigenen Servern oder in einer kontrollierten Private Cloud läuft, ohne dass Rohdaten einen Drittanbieter unkontrolliert durchlaufen. Wie diese Infrastrukturentscheidung im Family-Office-Kontext insgesamt aussieht, von Anwendungsfeldern bis Deploymentpfad, beschreibt der Beitrag KI im Family Office. Die datenschutzrechtliche Grundlage dafür erklärt Datenschutzkonforme KI für Unternehmen.
Wie du strukturiert anfängst
Schritt 1: Quellenlandkarte erstellen. Welche Depotbanken, GP-Portale und internen Systeme liefern heute welche Reporting-Rohdaten, in welchem Format und mit welcher Verzögerung? Diese Bestandsaufnahme fehlt in den meisten Family Offices komplett und ist trotzdem die Voraussetzung für alles Weitere.
Schritt 2: Einen Datentyp pilotieren, nicht die gesamte Reporting-Strecke. GP-Kapitalkontenberichte sind ein guter erster Kandidat, weil sie besonders viel manuelle Extraktion binden und ein klares PDF-zu-Struktur-Muster haben.
Schritt 3: Freigabeprozess vor Produktivbetrieb festlegen. Wer prüft die extrahierten Werte, bevor sie ins konsolidierte Reporting einfließen? Diese Frage vor dem ersten Piloten zu klären erspart Korrekturrunden im laufenden Betrieb.
Schritt 4: Infrastrukturentscheidung an die Datenklasse koppeln. Für allgemeine, nicht-vertrauliche Auswertungen kann eine SaaS-Lösung mit EU-Hosting ausreichen. Sobald tatsächliche Portfolio- und Beteiligungsdaten verarbeitet werden, ist private Infrastruktur der sicherere Ausgangspunkt. Die Übersichtsseite für Family Offices zeigt, wie abi consulting dabei unterstützt.
Was jetzt zu tun ist
Look-Through-Transparenz im Reporting ist kein Software-Feature, das sich nachträglich zuschalten lässt. Sie entsteht, wenn Quellenlandkarte, Normalisierung und Freigabeprozess von Anfang an sauber gebaut sind, mit KI als Beschleuniger für Extraktion und Abgleich, nicht als Ersatz für die fachliche Bewertungsentscheidung. Wer wissen will, welcher Reporting-Prozess dafür der richtige erste Pilot ist und welche Infrastruktur zur eigenen Vertraulichkeitsanforderung passt: Der KI-Prozess-Audit gibt in 30 Minuten eine erste Einordnung mit konkreten nächsten Schritten.
