Warum ich beim Investieren dem Durchschnitt vertraue – und bei KI meinen Vorsprung suche. Blog#286

In meinem Ruhestand verfolge ich bei meinen Finanzen eine bewusst einfache Strategie: ein global breit diversifiziertes Aktien-ETF-Portfolio. Ich versuche nicht, den Markt zu schlagen, sondern akzeptiere bewusst die Marktrendite.

Bei meiner täglichen Arbeit mit Künstlicher Intelligenz und meinem persönlichen Wissensmanagement in Obsidian tue ich dagegen genau das Gegenteil: Hier suche ich gezielt nach dem größtmöglichen persönlichen Mehrwert und versuche, die Möglichkeiten dieser Technologien für mich optimal zu nutzen.

Auf den ersten Blick wirkt das inkonsequent. Tatsächlich folgen beide Strategien demselben ökonomischen Prinzip: Ressourcen sollten dort eingesetzt werden, wo sie den größten zusätzlichen Nutzen stiften.

Bei meinen Finanzen bedeutet das, Komplexität und Aufwand bewusst zu reduzieren und mich mit der Marktrendite zufriedenzugeben. Bei KI und Wissensmanagement lohnt sich dagegen der zusätzliche Aufwand, weil er meine eigene Produktivität, mein Lernen und meine Möglichkeiten erweitern kann.

Letztlich geht es also um eine bewusste Entscheidung darüber, wo sich zusätzlicher Aufwand lohnt – und wo nicht.

Alpha und Beta als Kompass

Ein Bild aus der Finanzwelt verdeutlicht diesen Ansatz. Beta steht für die Rendite, die ich durch eine breite Beteiligung am Markt erhalte. Alpha bezeichnet dagegen einen risikoadjustierten Mehrertrag gegenüber dem Markt – einen Vorsprung, der durch besondere Fähigkeiten, Informationen oder Strategien entsteht.

An der Börse gebe ich mich rational mit dem Beta zufrieden. Für mich als Privatanleger ist es praktisch unmöglich, den Markt über viele Jahre hinweg zuverlässig zu schlagen. Systematisch Alpha zu erzeugen, erfordert Fähigkeiten, Informationen, Ressourcen und einen Aufwand, über die ein Privatanleger in der Regel nicht verfügt. Der Versuch, es dennoch dauerhaft zu schaffen, kostet vor allem Zeit, Aufmerksamkeit und fast immer Rendite.

Mein Ziel ist deshalb nicht, besser als der Durchschnitt zu sein, sondern die Marktrendite möglichst zuverlässig und mit möglichst wenig Aufwand zu vereinnahmen.

Kognitives Beta: KI als Indexfonds für Wissen

Mit großen Sprachmodellen (LLMs) hat sich diese Logik auf die Wissensarbeit übertragen. Der Experte Tiago Forte beschreibt LLMs treffend als eine Art Indexfonds für menschliches Wissen. Wer KI lediglich mit generischen Prompts nutzt, greift auf diesen gewaltigen Wissenspool zu und erhält Antworten, die auf den in den Trainingsdaten gelernten Mustern beruhen.

Das ist kognitives Beta.

Das Problem: Wenn alle dieselben Modelle mit ähnlichen Prompts für ähnliche Aufgaben einsetzen, entsteht ein gewisses Maß an intellektueller Uniformität – die Ergebnisse werden effizient, professionell und zunehmend austauschbar. Standardtexte, Zusammenfassungen und einfache Analysen sind dann kaum noch ein Differenzierungsmerkmal.

Der entscheidende Wert liegt deshalb zunehmend in dem, was nicht einfach aus einem allgemeinen Wissenspool abrufbar ist: persönliche Erfahrung, Urteilskraft, spezifischer Kontext, eigene Daten und die Fähigkeit, die richtigen Fragen zu stellen.

Genau hier beginnt mein persönliches KI-Alpha.

Context-Maxxing: Der Wert des persönlichen Kontexts

Context-Maxxing bezeichnet die Idee, einer KI möglichst viel relevanten und persönlichen Kontext zur Verfügung zu stellen, um ihre Leistungsfähigkeit für die eigenen Fragestellungen zu erhöhen. Der Begriff wurde 2026 von Jacob Taylor und Kershlin Krishna in einem Brookings Working Paper geprägt und systematisiert. Ihr Ausgangspunkt ist einfach: Je besser und kontrollierter der Kontext ist, den ein Mensch in die Interaktion mit einer KI einbringt, desto größer kann der daraus entstehende Nutzen sein.

KI macht den Zugang zu allgemeinem Wissen immer einfacher. Wertvoller wird deshalb der individuelle Kontext – also das eigene Wissen, die persönliche Erfahrung, die Arbeitsweise, die Ziele und die Informationen, die eine KI über die jeweilige Person und ihre Fragestellungen erhält.

KI-Kompetenz bedeutet für mich deshalb nicht in erster Linie, besonders raffinierte Prompts zu formulieren. Entscheidend ist, der KI die richtigen Informationen, Ziele und Bewertungskriterien mitzugeben und ihr möglichst viel relevanten persönlichen Kontext bereitzustellen.

Dabei nutze ich vier Hebel:

1. Spezifikation: Ich definiere das Problem. 

Ich arbeite mit einem umfangreichen Master-Prompt, der zahlreiche persönliche Informationen, meine Arbeitsweise und meine Erwartungen an gute Antworten enthält. Für konkrete Aufgaben formuliere ich möglichst klar, was ich wissen oder erreichen möchte und nach welchen Kriterien die Antwort beurteilt werden soll – etwa Fakten und Interpretation zu trennen, Unsicherheiten offenzulegen oder Primärquellen kritisch zu bewerten. Ich lege damit fest, was für mich eine gute Antwort ausmacht.

2. Kontextualisierung: Ich stelle mein Wissen bereit.

Hier liegt ein wesentlicher Teil des persönlichen Mehrwerts. Mein über Jahrzehnte aufgebautes Wissen aus der Pharmaforschung und meine in Obsidian strukturierte Wissensbasis bilden den individuellen Kontext, der einer KI von Haus aus fehlt. Dazu gehören auch meine umfangreichen Notizen zu den von mir gelesenen Büchern und wissenschaftlichen Artikeln. Die KI kann dadurch nicht nur auf ihr allgemeines Trainingswissen zurückgreifen, sondern auch auf meinen persönlichen Wissensbestand und die darin enthaltenen Zusammenhänge.

3. Orchestrierung: Ich lasse die KI mein Wissen erweitern und verknüpfen.

Die KI wird damit zu einem Denk- und Analyseverstärker meines eigenen Wissens. Sie kann Informationen strukturieren, Zusammenhänge herstellen, unterschiedliche Perspektiven miteinander verbinden, Widersprüche aufzeigen und neue Fragen entwickeln. Der Ausgangspunkt ist jedoch mein eigener Kontext: Die KI erweitert und verarbeitet ihn, ersetzt ihn aber nicht.

4. Evaluation: Ich entscheide, ob das Ergebnis trägt.

Eine plausibel klingende Antwort ist nicht automatisch eine richtige Antwort. Deshalb prüfe ich die Ergebnisse kritisch und hinterfrage insbesondere bei wissenschaftlichen Fragestellungen die zugrunde liegenden Aussagen und Quellen. Wo es darauf ankommt, gleiche ich sie mit Primärquellen ab. Die letzte Instanz bleibt meine eigene Erfahrung und Urteilskraft.

Context-Maxxing bedeutet für mich: Der wahre Nutzen einer KI hängt weniger vom Modell ab als vom Kontext, mit dem ich es speise. So wird aus einem standardisierten Werkzeug ein maßgeschneiderter, leistungsfähiger Denkverstärker für meine Wissensarbeit.

Wann sich die Suche nach Alpha lohnt

Einen persönlichen Vorsprung zu entwickeln und zu nutzen, kostet Zeit und geistige Energie. Deshalb investiere ich diesen zusätzlichen Aufwand nur dann, wenn drei Bedingungen zusammenkommen: 

• ein relevanter Hebel – also eine Aufgabe, bei der bessere Ergebnisse einen spürbaren Unterschied machen; 
• ein eigener Erfahrungsvorsprung – also Wissen oder Erfahrung, die nicht jedem zur Verfügung stehen; und 
• ein erwartbarer Qualitätsgewinn – also die begründete Aussicht, dass der zusätzliche Aufwand tatsächlich zu einem besseren Ergebnis führt.

An den Kapitalmärkten verfüge ich über keinen solchen Vorsprung. Für mich als Privatanleger ist es praktisch nicht möglich, den Markt langfristig zuverlässig zu schlagen. Deshalb begnüge ich mich dort mit dem passiven Beta.

Bei der Nutzung von KI oder bei Fragen, bei denen mein eigenes Fachwissen eine Rolle spielt, sieht es anders aus. Hier verfüge ich über umfangreiche Erfahrung und einen persönlichen Wissenskontext, den die KI nicht von selbst besitzt. Die zusätzliche intellektuelle Arbeit kann deshalb einen echten Mehrwert erzeugen.

Bei Aufgaben dagegen, die weder spezielles Vorwissen noch eine individuelle Beurteilung erfordern, reicht mir das kognitive Beta. Dazu gehören etwa das Zusammenfassen eines längeren Textes, das Übersetzen eines Dokuments oder das schnelle Erklären eines unbekannten Begriffs. Hier geht es vor allem darum, vorhandenes Wissen effizient zugänglich und nutzbar zu machen – nicht darum, einen persönlichen Vorsprung zu erzeugen.

Fazit: Zwei Strategien für unterschiedliche Ziele

An der Börse bin ich bewusst passiv, bei der Nutzung von KI dagegen sehr aktiv. Das ist kein Widerspruch, sondern die konsequente Frage nach dem lohnenden Aufwand.

___________________________________________________________________

Transparenzhinweis zur Texterstellung: Die Idee, die inhaltliche Struktur sowie alle Kernaussagen dieses Beitrags beruhen vollständig auf meiner eigenen intellektuellen Leistung. Für die finale sprachliche Ausformulierung wurde ein KI-Modell als Werkzeug genutzt. Das Ergebnis wurde im Anschluss von mir nochmals sorgfältig auf fachliche und inhaltliche Korrektheit geprüft.

Verantwortlicher: Klaus Rudolf; Kommentare und Fragen bitte an: rudolfklausblog@gmail.com. Auf diesem Blog teile ich meine persönlichen Meinungen und Erfahrungen. Es ist wichtig zu betonen, dass ich weder Arzt noch Finanzberater bin. Jegliche Informationen, die ich in meinem Blog vorstelle, stellen weder Anlageempfehlungen noch Therapieempfehlungen dar. Für fundierte Entscheidungen in Bezug auf Gesundheitsfragen oder Finanzanlagen empfehle ich, sich umfassend zu informieren und bei Bedarf einen professionellen Experten zu konsultieren.