Zentralbank-KI: Die Delegation, die der Markt ignoriert

Das Präzedenzfall: Als Zentralbanken Modelle übernahmen

1968 übernahm die Federal Reserve das MPS-Modell, das gemeinsam mit dem MIT und der University of Pennsylvania entwickelt worden war. Die Logik war einfach: menschliches Urteilsvermögen durch Gleichungen ersetzen.

Der Hintergrund war die steigende Inflation in der zweiten Hälfte des Jahrzehnts. Dieses Modell versprach stabile Prognosen und lieferte während der Stagflation der 1970er-Jahre systematische Fehler.

Die Struktur dieser Entscheidung wiederholt sich heute – unter einem anderen Namen und mit weit größerer Rechenleistung. Drei ähnliche Präzedenzfälle reichen aus, um ein Muster zu erkennen. Die Lektion bleibt klar: Ein auf ein Regime kalibriertes Instrument versagt, wenn das Regime sich ändert.

Das Modell enthielt Dutzende von Verhaltensgleichungen. Seine mathematische Eleganz verbarg einen entscheidenden Fehler: Die Inflationserwartungen bewegten sich schneller als seine Schätzungen.

Währungsbehörden neigen zu Instrumenten, die individuelle Verantwortung verteilen. Eine Gleichung absorbiert Schuld besser als ein Notenbankpräsident. Diese Dynamik erklärt ein halbes Jahrhundert technischer Entscheidungen.

Das aktuelle Muster: Künstliche Intelligenz tritt in die Reaktionsfunktion ein

Zentralbank-KI beschreibt genau diese Phase. Zentralbanken testen maschinelle Lernmodelle für Nowcasting, Echtzeit-Preisüberwachung und Textanalyse von Datenreihen.

Die Bank für Internationalen Zahlungsausgleich führt die Forschung auf diesem Gebiet an. Ihre Ökonomen kartieren, wie sich Schocks durch direkte Effekte und Zweitrundeneffekte in der Inflation fortpflanzen.

Der Konsens beschreibt die Einführung als unvermeidlich und harmlos. Ich lese dasselbe Drehbuch wie 1968, verstärkt durch den Umfang der verfügbaren Daten. Der Unterschied liegt in der Geschwindigkeit, mit der sich Fehler fortpflanzen.

Ein statistisches Modell scheitert langsam. Ein auf Milliarden von Parametern trainiertes System scheitert schnell und mit scheinbarer Gewissheit.

Auch die Kommunikation gehört inzwischen dazu. Einige Zentralbanken verwenden Sprachmodelle, um ihre eigenen Protokolle zu analysieren und den von den Märkten wahrgenommenen Ton zu messen.

Die betroffenen Funktionen wachsen von Quartal zu Quartal: Prognose, Kommunikation, Finanzrisikoüberwachung, Liquiditätsmanagement.

Der Mechanismus: Warum Zinsentscheider der Versuchung nachgeben

Die Ursache ist präzise. Die Unsicherheit über die Persistenz der Inflation macht menschliches Urteilsvermögen kostspielig und politisch exponiert.

Ein Zentralbanker, der persönlich falsch liegt, verliert seine Stelle. Ein Ausschuss, der einem gemeinsamen Modell folgt, teilt das Reputationsrisiko. KI bietet genau diese Absicherung – und tut dies mit dem Anschein von Objektivität.

Beobachten Sie die Abfolge. Zuerst kommt die Forschung, dann der interne Pilotversuch, dann die Kommunikation, schließlich die Entscheidung. Jede Stufe erodiert den Spielraum für diskretionäres Urteil.

Der kausale Mechanismus führt zu einem vorhersehbaren Ergebnis. Je instabiler das Regime, desto stärker die Nachfrage nach Instrumenten, die Ordnung versprechen.

Diese Nachfrage wächst genau dann, wenn historische Daten ihren Vorhersagewert verlieren. Das ist das strukturelle Paradox.

Energieschocks verdeutlichen den Punkt. Sie verändern die Beziehungen zwischen Preisen und Produktion, und ein auf der Vergangenheit trainiertes Modell liest diese Brüche als Rauschen.

Das schwache Glied: Der Energieschock und die Grenzen der Daten

Das BIS Bulletin Nr. 131, veröffentlicht am 5. August 2026^[1], stuft den jüngsten Energieschock als einen der bedeutendsten seit den 1990er-Jahren ein.

Die Autoren machen einen Punkt, der für Befürworter der Automatisierung unbequem ist: Die richtige geldpolitische Reaktion hängt von der Persistenz des Drucks und dem Ausmaß der Wachstumsauswirkungen ab – und variiert von Volkswirtschaft zu Volkswirtschaft.

Dies zerstört die Idee eines universellen Modells. Jede Jurisdiktion erfordert eine andere Kalibrierung, und die Unsicherheit über diese Effekte erschwert die Entscheidung zusätzlich.

Ein Zentralbank-KI-System erbt die Unsicherheit der Ausgangsdaten und verstärkt sie. Die Qualität des Outputs hängt von der Qualität der Anfangsbedingungen ab.

Die operative Schlussfolgerung bleibt hart. Wer ein Portfolio auf geldpolitische Kompetenz ausrichtet, setzt eine Stabilität voraus, die das aktuelle Regime aktiv untergräbt.

Das BIS-Dokument bleibt vorsichtig gegenüber der Rolle der Automatisierung. Diese Vorsicht signalisiert mehr als tausend enthusiastische Ankündigungen.

Meine Position: Die algorithmische Delegation kommt zu früh

Ich beziehe eine explizite Position. Die Zentralbanken der G7-Länder werden KI in die offizielle Prognosefunktion integrieren, bevor sie das Problem des Regimewechsels gelöst haben.

Dies ist eine strukturelle Entscheidung, unabhängig vom Wahlzyklus oder dem amtierenden Notenbankpräsidenten. Der institutionelle Druck zur Absicherung des Reputationsrisikos weist in eine einzige Richtung.

Die jüngere Geschichte bietet einen Test. Während der Pandemie scheiterten die Inflationsprognosen der großen Zentralbanken spektakulär, mit wiederholten Aufwärtskorrekturen in 2021 und 2022. Diese Fehler stammten von menschlich unterstützten Modellen. Die Automatisierung erbt denselben blinden Fleck.

Was würde meine Einschätzung ändern? Nur eine Sache: die Veröffentlichung eines Validierungsrahmens, der Modelle anhand von Regimen testet, die in den Trainingsdaten nicht vorhanden sind. Ein kontrafaktisches Stresstestprotokoll, das übernommen und veröffentlicht wird.

Dieses Protokoll fehlt bislang in offiziellen Dokumenten. Solange das so bleibt, geht die Delegation dem Verständnis voraus.

Drei Implikationen für Kapital

Der Markt hat das Risiko eines durch Automatisierung verstärkten geldpolitischen Fehlers noch nicht eingepreist. Das ändert sich für alle, die jetzt Kapital verwalten.

Erstens, für Family Offices und Staatsfonds: Der Horizont der nächsten 36 Monate begünstigt reale Vermögenswerte, die gegenüber geldpolitischen Fehlern widerstandsfähig sind. Gold, Energieinfrastruktur, landwirtschaftliche Flächen. Die Zinsvolatilität wird mit der Modellvolatilität steigen.

Zweitens, für Chief Risk Officer: Das Szenario eines systemischen Prognoseausfalls fehlt in aktuellen VAR-Modellen. Fügen Sie es hinzu. Ein Modell, das über mehrere Zentralbanken hinweg korreliert versagt, erzeugt neues Tail-Risk.

Drittens, für CFOs und Investor Relations: Die Erzählung einer geordneten Disinflation könnte sich innerhalb von achtzehn Monaten als fragil erweisen. Bereiten Sie ein alternatives Szenario vor, bevor Investoren danach fragen.

Die Prognose

Ich formuliere eine überprüfbare Vorhersage. Mindestens eine G7-Zentralbank wird bis zum 30. September 2027 die offizielle Integration von maschinellen Lernmodellen in ihren Inflationsprognoseprozess ankündigen.

Konfidenz: hoch, 72 von 100. Horizont: 30. September 2027. Verifikation: ein offizielles Dokument oder eine Rede des Notenbankpräsidenten, die die operative Übernahme bestätigt.

Das Signal, das die These widerlegen würde, ist klar: das vollständige Ausbleiben jeglicher offizieller Ankündigung dieser Art bis zum angegebenen Datum.

Was zu beobachten ist

Drei Indikatoren werden die Richtung in den kommenden Quartalen bestätigen oder widerlegen.

• Forschungspapiere der BIZ und der Zentralbanken zum operativen Einsatz von KI: Häufigkeit und Tonalität.
• Einstellungen: Leiter der Data-Science-Abteilungen in geldpolitischen Bereichen.
• Reden von Notenbankpräsidenten, die Prognoseautomatisierung als operatives Instrument zitieren – nicht nur als Forschungsthema.

Denken Sie an die Regel dieses Desks. Ein strukturelles Muster erstreckt sich über Jahrzehnte, ein Zyklus über wenige Jahre. Dieser Übergang gehört zur ersten Kategorie.

Die Divergenz zwischen dem Vertrauen in Algorithmen und der Qualität der Regimendaten löst sich immer auf. Die Frage bleibt, wie. Beobachten Sie die Daten. Beobachten Sie die Ausschüsse.