Institutionelle Investmentlogik aus dem UBS Global Research-System betrachtet: KI-Kostenkurve, Quantencomputing und langfristige Perspektive der globalen Vermögensallokation

Institutionelle Anlagelogik aus der Perspektive von UBS Global Research: KI-Kostenkurve, Quantencomputing und eine langfristige Perspektive auf die globale Vermögensallokation

In einem Umfeld, in dem der Zinspfad noch unklar ist, die Inflation immer wieder zäh bleibt und geopolitische und technologische Wettbewerbe ineinandergreifen, verändert sich die Entscheidungsfindung institutioneller Investoren strukturell: von Einschätzungen, die auf einer einzelnen Anlageklasse basieren, hin zu einem Research-System, das anlageklassen- und regionenübergreifend ist und nachhaltig verfolgt werden kann. Öffentlich zugängliche Unterlagen von UBS Global Research zeigen, dass das Team aus rund 720 Analysten, Strategen und Ökonomen besteht und mehr als 50 Märkte sowie etwa 4.000 Aktien abdeckt. Dieser Artikel befasst sich nicht mit kurzfristigen Kursbewegungen, sondern nutzt die Kompetenzstruktur und die aktuellen Themen dieses Research-Rahmens als Leitlinien, um zu beobachten, wie globale Investmentforschung neu definiert wird und was diese Veränderung für die langfristige Vermögensallokation bedeutet.

Marktkontext: Makro und Mikro werden wieder verbunden

In den vergangenen mehr als zehn Jahren hat das Niedrigzinsumfeld den marginalen Einfluss makroökonomischer Einschätzungen auf Portfolioergebnisse in erheblichem Umfang verringert; die Vermögensallokation stützte sich stärker auf relative Bewertungen und Risikoprämien zwischen Anlageklassen. Da das Zusammenspiel von Zinszyklus, Inflationsstruktur und Fiskalpolitik komplexer geworden ist, lässt sich die starke Ausdifferenzierung innerhalb derselben Anlageklasse kaum noch allein durch eine Mean-Reversion-Logik auf Anlageklassenebene erklären.

Die Positionierung, die UBS ihren Economics- und Strategy-Teams gibt, spiegelt genau diesen Wandel wider: UBS Economics stützt sich auf die Einschätzungen der Marktstrategen und arbeitet eng mit Unternehmens- und Branchenanalysten zusammen, um die Funktionsweise der Weltwirtschaft besser zu verstehen; UBS Global Strategy hilft Investoren, Treiber zu identifizieren und sie mit Chancen über Anlageklassen und Regionen hinweg zu verbinden. Mit anderen Worten: Makroökonomische Einschätzungen und mikroökonomische Evidenz werden als zwei Enden derselben Analysekette betrachtet und nicht als zwei voneinander unabhängige Fachgebiete.

Auch die langfristige historische Perspektive erhält wieder mehr Gewicht. In öffentlich zugänglichen UBS-Unterlagen wird das „Global Investment Returns Yearbook 2026“ erwähnt. Dieses Jahrbuch hat die Aufgabe, die Treiber langfristiger realer Anlageerträge aufzuarbeiten und daraus Erkenntnisse zu ziehen, die für das Verständnis der Zukunft genutzt werden können. In Phasen zunehmender Volatilität haben solche langfristigen Daten, die mehrere Jahrzehnte umfassen und mehrere Anlageklassen abdecken, für langfristig orientierte Allokatoren wie Pensionsfonds, Staatsfonds und Versicherungsgelder einen unmittelbaren Research-Wert: Sie beantworten nicht die Frage „Was kaufe ich im nächsten Quartal?“, sondern „Welche Faktoren bestimmen langfristig wirklich die realen Erträge?“

Gleichzeitig verändert sich auch die Research-Agenda selbst. UBS Global Research hat „generative KI“ als eines der Schwerpunktthemen gesetzt und erklärt ausdrücklich, dass damit die Breite, Tiefe und Originalität der eigenen Ökonomen, Strategen und Analysten gezeigt werden soll. Diese Formulierung ist bemerkenswert: KI ist nicht mehr nur ein Thema der Branchenforschung, sondern eher eine analytische Variable, die mehrere Branchen und mehrere Anlageklassen durchzieht.

Aktuelle Kapitalflüsse: Worauf sich die Aufmerksamkeit konzentriertBetonenswert ist, dass die folgende Diskussion auf den von UBS öffentlich offengelegten Forschungsthemen und Kompetenzstrukturen basiert und nicht auf Rückschlüssen auf konkrete Kapitalvolumina. Die Auswahl der Forschungsthemen ist selbst ein verlässliches Fenster, um die Aufmerksamkeitsströme von Institutionen zu beobachten.

Erstens: Generative KI bewegt sich von der „Konzeptdiskussion“ zur „Kosten- und Effizienzdiskussion“. Im UBS Global Research Podcast diskutierten Caroline Li und Wei Xiong von UBS Research KI-Adoptionstrends, sinkende Inferenzkosten sowie die Frage, welche Wettbewerbslandschaft der nächsten Phase das chinesische KI-Ökosystem möglicherweise offenbaren könnte. Wenn Organisationen von der Experimentierphase zu messbaren Erträgen übergehen, wird Kosteneffizienz zu einem wichtigen Faktor bei Einsatzentscheidungen. Die Implikation dieser Verschiebung für die Investmentforschung ist: Der Validierungsmaßstab für das KI-Narrativ verschiebt sich von der „Leistungsobergrenze“ zu den „Unit Economics“.

Zweitens: Quantencomputing wird in die Position eines „langfristigen Optionswerts“ gerückt. In einer weiteren Ausgabe erörterten Paul Winter, Leiter der quantitativen Forschung bei UBS, und Professorin Elena Ynduráin den aktuellen Stand der Technologie, die tatsächliche Bedeutung der „Quantenüberlegenheit“ und die Frage, wie ihre Konvergenz mit KI Innovationen beeinflussen könnte. In der Diskussion wurde zugleich darauf hingewiesen, dass sich Quantencomputing derzeit weiterhin hauptsächlich in der Testphase befindet und dass Fortschritte bei KI dazu beitragen könnten, sein Potenzial über einen längeren Zeithorizont zu erschließen. Für langfristig orientierte Allokatoren liegt der Wert solcher Themen nicht in kurzfristigen Katalysatoren, sondern in der Frage, ob sie die Kostenstruktur und die Wettbewerbsbarrieren bestimmter Branchen verändern könnten.

Drittens: Die Nachfrage nach systematischer Forschung zu privaten Märkten steigt. Die Private-Company-Research von UBS erstellt mit systematischen Methoden Profile von Privatunternehmen und bewertet ihre Wettbewerbsposition. Da der Anteil von Innovationstätigkeit und Kapitalbildung an den privaten Märkten steigt, entsteht bei der Beurteilung der Branchenlandschaft eine Lücke, wenn der Public-Market-Forschung Vergleichsgrößen aus dem privaten Sektor fehlen. Dies ist auch ein forschungsmethodischer Grund dafür, dass institutionelle Investoren in den vergangenen Jahren Private Equity und alternative Anlagen kontinuierlich im Blick behalten.

Viertens: Alternative Daten und quantitative Tools werden zur Forschungsinfrastruktur. UBS Evidence Lab bietet „direkt für Insights nutzbare Datensätze“ aus mehr als 55 Fachgebieten, die Asset Library umfasst mehr als 5.000 Unternehmen; die UBS-HOLT-Datenbank enthält mehr als 20.000 Unternehmen und dient dem Vergleich und der Bewertung globaler Unternehmen; Quant Answers wiederum bietet Module für Portfolio-Risikoprognosen, Portfolio-Stil- und Fundamentalanalyse. Der gemeinsame Nenner dieser Tools ist: Forschungsergebnisse müssen nachvollziehbar, reproduzierbar und auf Portfolioebene überprüfbar sein.Fünftens: Konsum- und Kulturthemen fließen in die langfristige Markenwertanalyse ein. Die UBS-Analysten Jay Sole und Michael Lasser diskutierten, wie Sport- und Kulturmomente von Konsumunternehmen in langfristigen Markenwert umgewandelt werden und welche Wachstumschancen sich aus veränderten Partizipationstrends ergeben. Das mag makroökonomisch irrelevant erscheinen, ist aber ein wichtiger Baustein zum Verständnis der langfristigen Profitabilität des Konsumsektors – Markenkapital, Nutzerengagement und kulturelle Relevanz bilden Wettbewerbsbarrieren, die sich mit kurzfristigen Finanzkennzahlen kaum messen lassen.

Betrachtet man diese Themen zusammen, zeigt sich ein klarer roter Faden: Der Fokus der Institutionen verschiebt sich von der „Rotation zwischen Anlageklassen“ hin zu „strukturellen Themen + nachprüfbaren Belegen“.

Analyse der Anlagelogik: Strukturelle Faktoren, die den Wandel vorantreiben

Erstens: Das Absinken der Technologiekostenkurve verändert die Dauerhaftigkeit von Investmentthemen. Wenn KI vom Experiment zum skalierten Einsatz übergeht, werden Inferenzkosten, Energieverbrauch, Daten-Governance und organisatorische Anpassungsfähigkeit zu den entscheidenden Variablen dafür, wer tatsächlich Renditen erzielt. Das bedeutet, dass das KI-Thema nicht in Form einer einzelnen Branche existieren wird, sondern in Form von „Effizienzsteigerungen“ in die Kostenstrukturen mehrerer Branchen eindringt. Für Asset-Allokatoren ähneln solche Themen eher langfristiger Infrastruktur als einem vorübergehenden Hotspot.

Zweitens: Die Grenze zwischen öffentlichen und privaten Märkten verwischt zunehmend. Die Reifephasen innovativer Unternehmen verlängern sich, und zwischen der im öffentlichen Markt investierbaren Branchenabdeckung und der Verteilung innovativer Aktivitäten entsteht eine Diskrepanz. Das erklärt, warum systematische Research zu privaten Unternehmen, Private Equity und alternative Investments in breitere Asset-Allocation-Diskussionen einbezogen werden und nicht nur als Satellitenallokation existieren.

Drittens: Daten- und Modellkompetenz werden zur „Produktionsfunktion“ von Research-Instituten. Wenn Datenabdeckung, quantitative Frameworks und Bewertungstools zu wiederverwendbarer Infrastruktur werden, sinken die Grenzkosten des Research-Outputs, während die Anforderungen an die Validierung steigen. Die Kombination aus UBS Evidence Lab, HOLT und Quant Answers spiegelt genau diese Arbeitsteilung wider: Breite der Daten, Konsistenz der Bewertung und Quantifizierung des Portfoliorisikos – keine dieser drei Komponenten ist entbehrlich.

Viertens: Die Verbindlichkeitsstruktur langfristig orientierter institutioneller Gelder erfordert „erklärbare Renditequellen“. Pensionsfonds, Staatsfonds und Family Offices benötigen angesichts von Treuhandpflichten und interner Governance Rahmenwerke, die Renditequellen und Risikoexpositionen erklären können. Genau deshalb gewinnen langfristig angelegte Studien wie das „Global Investment Returns Yearbook“ sowie neue Formen der Inhaltsverteilung wie Podcasts an Bedeutung – Forschung muss nicht nur richtig sein, sondern auch verstanden, diskutiert und in Entscheidungsprozesse integriert werden können.

Insgesamt betrachtet sind diese Faktoren kein kurzfristiges Phänomen. Sie deuten gemeinsam auf einen langfristigen Trend hin: Investment Research wandelt sich von der „Bereitstellung von Meinungen“ zur „Evidenzinfrastruktur“, und Asset-Allocation-Entscheidungen wandeln sich von der Gliederung nach Anlageklassen zu einem Rahmen, der Themen, Risikofaktoren und strukturelle Treiber in den Mittelpunkt stellt.

RisikofaktorenMakroökonomische Risiken. Der Zinspfad und die Inflationsstruktur sind weiterhin mit Unsicherheit behaftet. Falls das Tempo des Inflationsrückgangs und der Rhythmus politischer Anpassungen nicht zusammenpassen, können sich Cross-Asset-Korrelationen in kurzer Zeit deutlich verändern und Portfolioannahmen, die auf historischen Korrelationen basieren, ungültig machen.

Politische und regulatorische Risiken. Änderungen bei der KI-Regulierung, den Regeln für grenzüberschreitende Datenflüsse, den Technologieexportkontrollen und der Steuerpolitik können die Wettbewerbslandschaft und die Kostenstruktur der Technologiebranche neu gestalten. Für Portfolios mit einem Kernengagement in Technologiethemen sind politische Variablen zu einer Risikoquelle geworden, die ebenso wichtig ist wie Fundamentaldaten.

Geopolitische Risiken. Die Fragmentierung technologischer Ökosysteme, die Neuordnung von Lieferketten und Beschränkungen regionaler Kapitalströme beeinflussen, wie Unternehmen Märkte erschließen und wie Kapitalrenditen realisiert werden. Die Entwicklung des chinesischen KI-Ökosystems wird in der Forschung unter anderem deshalb aufmerksam verfolgt, weil sie aufzeigen könnte, wie sich Wettbewerbslandschaften regionalisieren.

Bewertungs- und Erwartungsrisiken. Wenn ein Thema breite Zustimmung gewinnt, passen sich die Preise häufig an, bevor sich die Cashflows verbessern. Das größte Risiko bei Themeninvestitionen ist meist nicht die falsche Richtung, sondern ein Timing-Mismatch und überzogene Bewertungen.

Modell- und Datenrisiken. Die wachsende Abhängigkeit von alternativen Daten, quantitativen Modellen und systematischen Bewertungsrahmen bringt auch neue Risiken mit sich: Datenqualität, Stichprobenverzerrung, Modellannahmen und die Grenzen historischer Extrapolation können unterschätzt werden. Je mächtiger die Instrumente, desto höher die Anforderungen an methodische Transparenz.

Liquiditätsrisiken. Eine größere Forschungstiefe bei Privatmärkten und alternativen Vermögenswerten ist nicht automatisch gleichbedeutend mit besserer Liquidität. Für langfristig orientiertes Kapital bleiben Bewertungsfrequenz, Exit-Wege und der Rhythmus der Kapitalabrufe Risikodimensionen, die eigenständig gemanagt werden müssen.

Timing-Risiken bei Quantencomputing und anderen Zukunftstechnologien. In der Diskussion wurde bereits klargestellt, dass sich Quantencomputing derzeit überwiegend in der Testphase befindet. Die Investitionsimplikationen solcher Technologien ähneln eher langfristigen Optionen als einer linear extrapolierbaren kurzfristigen Cashflow-Quelle.

Langfristiger Ausblick

Die nächsten 3 bis 5 Jahre: Industrialisierung der Forschung und thematische Rahmensetzung. Dateninfrastruktur, quantitative Instrumente und Forschung zu Privatmärkten werden schrittweise von einer „Differenzierungsfähigkeit“ zu einer „Grundausstattung“. Gleichzeitig wird sich das KI-Thema klarer von einer Branchenerzählung hin zu Kosten- und Effizienzindikatoren verschieben, und Investoren werden stärker auf die Messbarkeit der Rendite aus dem Einsatz achten als auf die Demonstration von Modellfähigkeiten.

Die nächsten 5 bis 10 Jahre: KI wird Infrastruktur, kein eigenständiges Thema. Wenn die Inferenzkosten weiter sinken und die Integration von KI in Geschäftsprozesse zunimmt, wird KI eher wie Strom und das Internet zu einer Hintergrundvariable für die Analyse anderer Branchen. Dann könnten letztlich Energieversorgung, Data Governance, Talentstruktur und organisatorische Effizienz – also „Nicht-KI“-Faktoren – den Unterschied bei den Renditen ausmachen.

Der langfristige Optionswert von Zukunftstechnologien. Die Aussicht auf eine Fusion von Quantencomputing und KI ist ein typisches Thema mit langem Horizont und hoher Unsicherheit. Ihr Forschungswert liegt darin, zu erkennen, welche Branchen durch einen Sprung bei der Rechenleistung ihre Kostenkurve verändern könnten, anstatt den Zeitpunkt der Kommerzialisierung präzise vorherzusagen.Weitere Entwicklung des Asset-Allocation-Rahmens. Mit der Integration von Research zu öffentlichen und privaten Märkten und der Standardisierung alternativer Daten könnten Allokationsentscheidungen stärker nach Risikofaktoren, Themen-Exposures und langfristigen Treibern organisiert werden als nach traditionellen Anlageklassenquoten.

Veränderungen bei Research-Distribution und Entscheidungsprozessen. Podcasts, Datenplattformen und Kundenportale (z. B. die von UBS Neo bereitgestellten Kanäle für Makro- und lokale Markteinblicke) zeigen, dass Research zunehmend in mehr Phasen des Investmentprozesses eingebettet wird. Für Institutionen bedeutet dies, dass sich die Bewertungskriterien für Research von „ob die Schlussfolgerung attraktiv ist“ zu „ob der Prozess überprüfbar ist“ verschieben.

Fazit: Der langfristige Wert von Research liegt in der Verifizierbarkeit

In der globalen Investmentlandschaft werden Veränderungen der Kapitalströme oft vor Preisveränderungen beobachtet, und die Beobachtungsfähigkeit hängt von der Breite und Tiefe des Research-Systems ab. Die von UBS Global Research öffentlich dargestellte Kompetenzstruktur – Cross-Asset-Teams für Economics und Strategy, Analyseabdeckung von rund 4.000 Aktien in mehr als 50 Märkten, Datenbestände, die mehr als 55 Fachgebiete abdecken, eine Bewertungsdatenbank mit über 20.000 Unternehmen sowie systematische Research zu privaten Unternehmen – spiegelt im Kern denselben Trend wider: Institutionelle Anleger brauchen nicht mehr Meinungen, sondern besser verifizierbare Evidenzketten.

Für langfristige Kapitalallokatoren ist die Frage, die es wirklich wert ist, kontinuierlich verfolgt zu werden, nicht, ob ein Thema im nächsten Quartal gefragt ist, sondern: Welche strukturellen Faktoren verändern die Kostenkurven und Wettbewerbsbarrieren von Branchen? Gibt es für diese Veränderungen messbare Datenbelege? Spiegeln die aktuellen Preise diese Veränderungen bereits wider? Und: Verfügt das Portfolio angesichts gleichzeitig bestehender makroökonomischer, politischer und geopolitischer Risiken über ausreichende Diversifikation und Erklärungskraft?

In diesem Sinne liegt der Wert von Investment Research nicht in der Prognose, sondern darin, Unsicherheit in eine handhabbare Form zu bringen. Dies ist sowohl eine langfristige Aufgabe institutioneller Anlagestrategien als auch die zugrunde liegende Logik der fortlaufenden Entwicklung der globalen Kapitalmärkte.