Wie globale Börsen auf künstliche Intelligenz setzen

Wenn man an künstliche Intelligenz im Finanzwesen denkt, hat man meist Hedgefonds mit intransparenten Handelssystemen vor Augen. Doch einige der wichtigsten KI-Experimente finden eine Ebene tiefer statt, direkt an den internationalen Börsen. Von New York bis London, von Mumbai bis Singapur setzen Börsen KI ein, um die Märkte zu überwachen, die Handelsinfrastruktur zu optimieren, neue Produkte zu entwickeln und Anlegern immer ausgefeiltere Datendienste anzubieten. Das Ergebnis ist ein stiller, aber tiefgreifender Wandel der Kapitalmärkte. Dieser verändert das Machtverhältnis zwischen Börsen, Regulierungsbehörden, Brokern und Händlern auf eine Weise, die Ökonomen noch nicht vollständig verstehen und die politische Entscheidungsträger trotz zunehmenden Drucks aus der Branche und von Anlegern erst allmählich kohärent regulieren.

Um diesen Wandel zu verstehen, ist es hilfreich, sich vor Augen zu führen, dass Börsen über weite Strecken ihrer Geschichte physische Handelsplätze waren, bevölkert von Händlern mit lauten Kursen und Papiertickets. Menschliches Urteilsvermögen und zwischenmenschliche Beziehungen spielten eine entscheidende Rolle bei der Preisfindung und Liquiditätsbereitstellung. Doch in den letzten drei Jahrzehnten haben sie sich zu hochmodernen Rechenzentren entwickelt, deren Hauptprodukt die zuverlässige Abwicklung elektronischer Aufträge ist. Künstliche Intelligenz (KI) ist der logische nächste Schritt in dieser Entwicklung. Denn mit der Digitalisierung der Handelsplätze wurden die von ihnen generierten Daten zu ihrem eigentlichen Kapital. KI profitiert von großen, detaillierten und gut strukturierten Datensätzen – genau das, was eine moderne Börse in jeder Mikrosekunde eines jeden Handelstages produziert. Diese Synergie ist den Börsenmanagern nicht entgangen. Sie beschreiben ihre Organisationen zunehmend weniger als Marktplätze, sondern vielmehr als „Technologie- und Datenunternehmen mit einer behördlichen Lizenz“ – eine Formulierung, die die Nasdaq-Führung kürzlich verwendete, um ihre strategische Neuausrichtung hin zu Software, Analytik und KI-gestützten Dienstleistungen zu erklären.

Der früheste und nach wie vor sichtbarste Einsatz von KI an Börsen findet sich im Handelssaal, genauer gesagt in den Algorithmen, die heute die Aufgaben menschlicher Händler übernehmen. Hochfrequenzhändler und große Brokerhäuser nutzen Modelle des maschinellen Lernens, um Aufträge weiterzuleiten, kurzfristige Kursbewegungen vorherzusagen und ihre Strategien in Echtzeit an die sich ändernden Liquiditätsbedingungen anzupassen. Die Börsen selbst sind jedoch nicht mehr nur neutrale Vermittler, die diese Strategien passiv unterstützen. Sie integrieren zunehmend KI in ihre Matching-Systeme, um Auftragsengpässe vorherzusagen, Latenzzeiten zu managen und potenzielle Engpässe zu antizipieren. So können beispielsweise Modelle anhand historischer Muster trainiert werden, um vorherzusagen, wann Auktionen oder Index-Rebalancings zu Volumenspitzen führen. Dadurch kann das System Rechenressourcen im Voraus zuweisen und Ausfälle vermeiden. Auch wenn dies nach einer rein technischen Optimierung klingt, hat es direkte Auswirkungen auf die Marktfairness. Ein stabiler und berechenbarer Markt ist weniger anfällig für Störungen, die schnelleren Marktteilnehmern einen unfairen Vorteil verschaffen oder das Vertrauen der Anleger untergraben können.

Ein politisch sensiblerer und strategisch entscheidender Bereich ist die Marktüberwachung. Hier hat sich KI rasant zu einem Kerninstrument für Börsen entwickelt, die Tausende von Wertpapieren in den Bereichen Kassamarkt, Derivate und festverzinsliche Wertpapiere überwachen müssen. Traditionelle regelbasierte Überwachungssysteme erkennen verdächtiges Verhalten wie Wash Trades, Layering oder Spoofing, wenn es vordefinierten Mustern entspricht. Raffinierte Marktmanipulationen sind jedoch selten identisch, und menschliche Manipulatoren sind geschickt darin, ihr Verhalten knapp außerhalb der Grenzen statischer Regeln zu bewegen. Systeme des maschinellen Lernens versprechen, diese Dynamik umzukehren, indem sie das normale Mikrostrukturverhalten jedes Wertpapiers, jedes Handelsplatzes und jeder Tageszeit erlernen und anschließend Anomalien erkennen, die von dieser mehrdimensionalen Basislinie abweichen. Die Nasdaq beispielsweise hat ihre SMARTS-Überwachungstechnologie öffentlich vorgestellt. Diese nutzt maschinelles Lernen, um ungewöhnliche Handelsmuster zu erkennen und wird nicht nur an die eigenen Märkte, sondern auch an über 50 Börsen und Aufsichtsbehörden weltweit verkauft. Dies verdeutlicht, wie die KI-Investition eines einzelnen Handelsplatzes schnell zu einem globalen Standard wird, der die Aufsichtspraktiken auf allen Kontinenten prägt.

Das Wachstum KI-basierter Überwachungsinstrumente spiegelt auch eine subtile Neupositionierung von Börsen wider: Sie wandeln sich von reinen Aufsichtsobjekten hin zu Compliance-Partnern der Regulierungsbehörden. Denn mit zunehmender Komplexität der Modelle und der Einbeziehung markt- und anlageklassenübergreifender Daten können sie Machenschaften aufdecken, die innerhalb der isolierten Strukturen einer einzelnen Handelsplattform unentdeckt blieben. Diese Entwicklung wirft grundlegende Fragen hinsichtlich Governance und Verantwortlichkeit auf. Meldet ein KI-System ein Muster, das sich später als Fehlalarm erweist, oder – schlimmer noch – übersieht es eine schwerwiegende Manipulation, so ist die Verantwortung auf undurchsichtige Weise zwischen der Börse, die das Modell trainiert hat, der Regulierungsbehörde, die sich auf dessen Ergebnisse verlassen hat, und möglicherweise dem Anbieter einzelner Komponenten verteilt. Rechtswissenschaftler weisen auf Parallelen zur Abhängigkeit der Luftfahrtindustrie von zunehmend autonomen Systemen hin, wo die menschliche Aufsicht oft eher ritualisiert als substanziell wird. Einige Markthistoriker haben Vergleiche mit dem Flash Crash von 2010 gezogen und argumentiert, dass, wenn die KI-gestützte Überwachung damals ausgereifter gewesen wäre, bestimmte Rückkopplungsschleifen möglicherweise früher hätten erkannt werden können. Andere halten jedoch dagegen, dass die Komplexität der Marktinteraktionen immer wieder Grenzfälle hervorbringen wird, die sich der algorithmischen Überprüfung entziehen.

Über Überwachung und Infrastruktur hinaus verändert KI die Geschäftsmodelle von Börsen durch die explosionsartige Zunahme von Marktdaten und Analysediensten. Diese generieren für viele Börsen mittlerweile einen erheblichen Anteil der Einnahmen im Vergleich zu traditionellen Handelsgebühren. Börsen können jahrelange Tick-by-Tick-Kurs- und Orderbuchdaten in Machine-Learning-Systeme einspeisen, um eigene Indizes, Sektor-Heatmaps, Volatilitätsprognosen und Faktorsignale zu erstellen, die sie an institutionelle Kunden vermarkten. Die Übernahme von Refinitiv durch die London Stock Exchange Group im Jahr 2021 wurde weithin als Signal dafür interpretiert, dass Daten und Analysen, unterstützt durch KI, im Zentrum ihrer Wachstumsstrategie stehen würden. Führungskräfte sprachen offen über den Einsatz generativer KI, um Kunden die Abfrage riesiger Finanzdatenbanken in natürlicher Sprache zu ermöglichen. Auch ICE, die Muttergesellschaft der New York Stock Exchange, hat massiv in KI-gestützte Analysen für den Anleihen- und Hypothekenmarkt investiert. Das Unternehmen setzt darauf, dass Kunden mit zunehmender regulatorischer Berichterstattung ausgefeilte Tools benötigen, um die daraus resultierende Flut strukturierter und unstrukturierter Informationen zu bewältigen.

Die strategische Logik hinter diesen Schritten ist einleuchtend: Handelsvolumina können zyklischen Schwankungen unterliegen und stark von makroökonomischen Bedingungen beeinflusst werden, während die Nachfrage nach hochwertigen Daten und Analysen stabiler ist und höhere Margen ermöglicht. KI unterstützt Börsen dabei, sich von reinen Handelsplätzen zu Informationszentren zu entwickeln, die Investitionsentscheidungen vor und nach Transaktionen fundieren. Langfristig könnte dies die Grenzen zwischen Börsen und Datenanbietern verwischen – eine Entwicklung, die Kritiker bereits jetzt besorgniserregend finden, da sie die Marktmacht konzentrieren und die Kosten für kleinere Marktteilnehmer erhöhen kann. Vermögensverwalter beklagen seit Jahren steigende Datengebühren, und KI-gestützte Produkte könnten diese Debatte verschärfen, wenn ausgefeilte Analysen nicht mehr optional, sondern unerlässlich werden. Dies könnte Kartellbehörden veranlassen, zu prüfen, wie Börsen Zugang, Daten und KI-gestützte Dienstleistungen bündeln und ob dies die Chancengleichheit an den öffentlichen Märkten untergräbt.

Mit Blick auf die Zukunft liegt die nächste Herausforderung für KI-gestützte Börseninitiativen in der prädiktiven Analytik, die sich zwischen Risikomanagement und quasi-beratungsähnlichen Dienstleistungen bewegt. Einige Börsen experimentieren mit Tools, die die Wahrscheinlichkeit eines Handelsstopps für eine bestimmte Aktie, die Wahrscheinlichkeit extremer Volatilität nach einer Indexanpassung oder die systemischen Auswirkungen eines großen Optionsverfalls prognostizieren. Diese Prognosen können Marktteilnehmern bei der Planung von Hedging-Strategien und der Anpassung der Liquiditätsbereitstellung helfen. Sie werfen jedoch auch Fragen zur Reflexivität auf, denn wenn genügend Händler auf dasselbe KI-generierte Signal reagieren, können sie das vom Modell vorhergesagte Ergebnis verändern – eine Dynamik, die an George Soros' Theorie der Reflexivität auf den Finanzmärkten erinnert. Erfahrene Marktteilnehmer warnen davor, dass blindes Vertrauen in KI-Prognosen die Selbstüberschätzung wiederholen kann, die früheren Krisen vorausging, wie beispielsweise dem Zusammenbruch von Long-Term Capital Management im Jahr 1998, dessen Statistiker glaubten, ihre Modelle erfassten alle relevanten Risiken. Moderne KI bietet zwar mehr Flexibilität, löst aber nicht auf magische Weise das Problem unvollständiger Informationen und unvorhersehbaren menschlichen Verhaltens.

Regionale Unterschiede verkomplizieren das globale Bild zusätzlich, da Börsen in den USA, Europa und Asien KI nicht einheitlich einsetzen und ihre regulatorischen Rahmenbedingungen bestimmen, was zulässig und profitabel ist. In den USA, wo die Märkte über Dutzende von Handelsplätzen und alternative Handelssystemen fragmentiert sind, wird KI umfassend zur Optimierung von Orderrouting und Internalisierung genutzt. Kritiker argumentieren daher, das System sei für Privatanleger zu komplex und undurchsichtig geworden. Europäische Börsen, die unter dem MiFID-II-Rahmenwerk operieren, unterliegen strengeren Regeln zur Datentransparenz und zur bestmöglichen Ausführung von Aufträgen. Dies beeinflusst, wie sie KI-gestützte Analysen kommerzialisieren können, ohne gegen regulatorische Obergrenzen für Datengebühren zu verstoßen. Asiatische Börsen, insbesondere in Singapur, Hongkong, Shanghai und Mumbai, betrachten die KI-Einführung hingegen oft als Teil einer umfassenderen nationalen Strategie, sich als globale Finanzzentren zu positionieren. Regierungen unterstützen Sandboxes und öffentlich-private Partnerschaften, die KI-gestützte Innovationen in den Bereichen Clearing, grenzüberschreitende Abwicklung und Notierung digitaler Vermögenswerte testen und gleichzeitig lokale KI-Fachkräfte und -Infrastruktur als strategische Branche fördern.

Die Geschichte der Finanzinnovation zeigt, dass technologische Wettrüsten zwischen Börsen die globale Markthierarchie unvorhersehbar verändern können. So dominierte die Amsterdamer Börse des 17. Jahrhunderts unter anderem, weil sie neue Instrumente wie Futures und Optionen einführte. London überholte sie durch die Beherrschung globaler Zahlungsabwicklung und Börsennotierungen im Zusammenhang mit dem britischen Empire, und New York stieg später dank Industrialisierung und großem inländischem Kapital deutlich auf. Im 21. Jahrhundert könnte der Wettbewerbsvorteil weniger von der geografischen Lage als vielmehr von der Leistungsfähigkeit KI-gestützter Infrastruktur, Datenprodukten und Risikokontrollen abhängen, wobei kleinere, aber technologisch fortschrittliche Börsen potenziell überproportional erfolgreich sein könnten. Diese Aussicht hat einige politische Entscheidungsträger dazu veranlasst, eine stärkere internationale Koordinierung der KI-Standards in der Marktinfrastruktur zu fordern, damit nicht ein Flickenteppich inkompatibler Systeme und regulatorische Arbitrage die Schwachstellen wieder aufleben lässt, die zu früheren systemischen Schocks geführt haben. Eine solche Koordinierung ist jedoch politisch heikel, da Börsen heute börsennotierte Unternehmen sind, deren Aktionäre von ihnen erwarten, dass sie aggressiv auf Wachstum und Rentabilität hinarbeiten, selbst wenn dies bedeutet, sich in ethisch und rechtlich fragwürdige Bereiche der Datenmonetarisierung und algorithmischen Entscheidungsfindung zu begeben.

Eine weitere Dimension der KI-Einführung betrifft Börsennotierungen und Emittentenservices. Börsen experimentieren mit Tools, die die Börsenreife privater Unternehmen bewerten, die wahrscheinliche Investorennachfrage auf Basis historischer Daten und Stimmungsdaten abschätzen und sogar Entwürfe für Offenlegungstexte generieren können, um Unternehmen die Einhaltung der Börsenzulassungsregeln zu erleichtern. Befürworter argumentieren, dass solche Tools die Kosten eines Börsengangs senken könnten, insbesondere für kleinere Unternehmen ohne große Rechts- und Bankabteilungen. Dies könnte die öffentlichen Märkte wiederbeleben, die angesichts des Aufstiegs von Private Equity und Direktkrediten einen relativen Rückgang bei Neuemissionen verzeichnet haben. Skeptiker entgegnen, dass die Automatisierung von Teilen des Börsenzulassungsprozesses eine oberflächliche Bewertungsmentalität fördern könnte. Emittenten und Börsenplätze würden sich dann zu stark auf KI verlassen, um die Qualität der Unternehmensführung oder das Geschäftsrisiko zu beurteilen, wodurch potenziell schwache Unternehmen durchrutschen könnten. Sie ziehen Parallelen zur Zeit vor 2008, als komplexe hypothekenbesicherte Wertpapiere von Modellen, die korrelierte Ausfälle nicht vorhergesehen hatten, übermäßig großzügig bewertet wurden. Sie warnen davor, dass eine ähnliche Selbstzufriedenheit hinsichtlich KI-generierter Sicherheit auch bei Börsengängen und Zweckgesellschaften entstehen könnte.

Investitionen von Börsen in KI überschneiden sich mit der dynamischen Welt der digitalen Vermögenswerte und tokenisierten Wertpapiere. Neue Handelsplätze konkurrieren um die Listung von Kryptowährungen, Security-Token und anderen Blockchain-basierten Instrumenten. Viele der jüngeren Plattformen preisen KI-gestützte Risikomodelle, Empfehlungssysteme und On-Chain-Analysen als Alleinstellungsmerkmale an, während etablierte Börsen vorsichtig prüfen, wie sie ihre Technologie und regulatorischen Rahmenbedingungen an die Tokenisierung anpassen können, ohne den Anlegerschutz zu gefährden. Beispielsweise haben einige Pilotprojekte gestartet, in denen traditionelle Anleihen oder Immobilien tokenisiert und parallel zu ihren konventionellen Formen gehandelt werden. KI-Systeme überwachen dabei Liquidität, Preisabweichungen und Abwicklungsrisiken in beiden Bereichen. Diese Experimente deuten auf eine Zukunft hin, in der die Definition einer Börse verschwimmt. Hybride Handelsplätze führen Aufträge für alles durch – von tokenisierten CO₂-Zertifikaten bis hin zu fraktionierter Kunst – und das alles unter der Aufsicht von KI-Algorithmen, die nahezu in Echtzeit über verschiedene Anlageklassen und Jurisdiktionen hinweg operieren.

Aus strategischer Investitionsperspektive ist einer der bemerkenswertesten Trends die Art und Weise, wie Börsen KI- und datenorientierte Unternehmen akquirieren oder Partnerschaften mit ihnen eingehen, um ihre Kompetenzen zu erweitern. Denn die Entwicklung modernster KI im eigenen Haus ist kostspielig und zeitaufwendig, insbesondere in einem stark regulierten Umfeld, in dem Nachvollziehbarkeit und Revisionssicherheit höchste Priorität haben. Die Nasdaq beispielsweise hat in Regtech- und Cloud-Security-Unternehmen investiert, deren Tools maschinelles Lernen nutzen, und diese in ihre Markttechnologieangebote integriert, die weltweit an andere Börsen und Banken verkauft werden. Auch die Deutsche Börse hat sich an Analyse- und Indexanbietern beteiligt, die KI zur Erstellung thematischer Indizes und ESG-Scores einsetzen. Dies spiegelt die Überzeugung wider, dass die nächste Welle der Investorennachfrage sich auf Nachhaltigkeit und langfristige Risikoanalyse konzentrieren wird, wo maschinelles Lernen die Verarbeitung großer Mengen an Umwelt-, Sozial- und Governance-Daten unterstützen kann. Diese Schritte stehen im Einklang mit einem umfassenderen Corporate-Venture-Ansatz, bei dem Börsen mehrere Wetten auf externe Innovatoren platzieren, in der Hoffnung, von Aufwärtspotenzial zu profitieren und gleichzeitig frühzeitig Zugang zu Technologien zu erhalten, die später in ihren Kernmärkten skaliert werden könnten.

Die globalen Investitionen von Marktinfrastrukturanbietern in KI lassen sich schwer genau beziffern, da viele Projekte in umfassendere Technologiebudgets eingebettet sind. Schätzungen von Beratungsunternehmen gehen jedoch davon aus, dass Börsen und Clearingstellen jährlich Milliarden von Dollar für fortgeschrittene Analysen, Cloud-Migration und Automatisierung ausgeben, wobei KI einen immer größeren Anteil dieser Ausgaben ausmacht. Diese Investitionen dienen nicht nur der Aktualisierung des technologischen Stands, sondern auch der Abwehr von Cyberbedrohungen, die ihrerseits zunehmend KI nutzen. Angreifer setzen automatisierte Tools ein, um Schwachstellen aufzuspüren, Handelsverhalten zu imitieren oder ausgeklügelte Phishing-Angriffe gegen Börsenmitarbeiter und -kunden zu starten. Als Reaktion darauf führen Börsen KI-basierte Cybersicherheitssysteme ein, die das normale Netzwerkverhalten erlernen und Anomalien erkennen. So entsteht ein Wettrüsten im Wettrüsten, in dem sich defensive und offensive Algorithmen kontinuierlich aneinander anpassen. Cybersicherheitsexperten warnen, dass das größte Risiko nicht nur ein vorübergehender Ausfall, sondern eine schleichende Beeinträchtigung der Datenintegrität ist. Im Marktkontext könnte dies zu gefälschten Orderhistorien oder manipulierten Referenzpreisen führen, die das Vertrauen in als unantastbar geltende Benchmarks untergraben.

Die ethischen und sozialen Implikationen dieser KI-gestützten Transformation von Börsen werden erst jetzt ernsthaft diskutiert und reichen weit über die üblichen Bedenken hinsichtlich des Arbeitsplatzverlusts durch Automatisierung hinaus, obwohl dieser in bestimmten Bereichen wie Betrieb, Compliance und IT-Support durchaus real ist. Tiefgreifender ist die Frage der Intransparenz und Kontrolle, denn je mehr Entscheidungen KI-Systeme über die Funktionsweise des Marktes treffen – von der Kennzeichnung verdächtiger Transaktionen bis hin zur Verteilung von Rechenressourcen in Stresssituationen –, desto undurchsichtiger wird die Logik dieser Entscheidungen selbst für die Ingenieure, die die Modelle entwickelt haben. Regulierungsbehörden fordern daher vermehrt „erklärbare KI“ in kritischen Finanzfunktionen. Informatiker warnen jedoch davor, dass oft ein Zielkonflikt zwischen Genauigkeit und Interpretierbarkeit besteht, sodass die Forderung nach perfekter Transparenz unter Umständen den Einsatz weniger leistungsfähiger Modelle zur Folge haben kann. Diese Spannung spiegelt breitere gesellschaftliche Debatten über KI in Bereichen wie Gesundheitswesen und Strafjustiz wider, doch die Auswirkungen auf den Kapitalmärkten sind auch systemischer Natur, da ein Vertrauensverlust Paniken und Liquiditätsengpässe auslösen kann, die sich auf die Realwirtschaft auswirken und Arbeitsplätze, Ersparnisse und öffentliche Finanzen beeinträchtigen. Dadurch wird die scheinbar technische Frage des KI-Designs an Börsen zu einer Frage der makroökonomischen Stabilität.

Ein hartnäckiger Mythos unter Laien ist, dass der Einzug von KI in die Börsen zwangsläufig fehlerfreie, effiziente Märkte hervorbringen wird, in denen Fehlbewertungen verschwinden und Börsencrashs der Vergangenheit angehören. Markthistoriker und Verhaltensökonomen sind sich jedoch nahezu einig, diese optimistische Vorstellung abzulehnen. Sie weisen darauf hin, dass jeder bedeutende technologische Fortschritt in der Marktinfrastruktur – vom Telegrafen bis zum automatisierten Handel – mit neuen Formen von Volatilität und neuen Möglichkeiten zur Manipulation einherging. KI kann zwar helfen, manipulatives Verhalten schneller zu erkennen und operationelle Risiken effektiver zu managen, doch sie kann weder menschliche Angst, Gier und begrenzte Rationalität eliminieren, noch politische Schocks, Naturkatastrophen oder Pandemien, die die wirtschaftlichen Erwartungen über Nacht verändern, vollständig vorhersehen. Tatsächlich argumentieren einige Forscher, dass KI durch die Erhöhung der Geschwindigkeit und Komplexität der Marktinteraktionen in bestimmten Szenarien das Herdenverhalten verstärken könnte, da Algorithmen, die mit ähnlichen Daten trainiert wurden, zu vergleichbaren Reaktionen führen, was zu überfüllten Handelsaktivitäten führt, die sich bei veränderten Bedingungen heftig auflösen. Daher können die KI-Investitionen der Börsen zwar viele Aspekte der Marktfunktion verbessern, sie werden aber weder den Konjunkturzyklus noch die psychologischen Grundlagen von Blasen und Crashs beseitigen.

Letztendlich wird die Art und Weise, wie Börsen künstliche Intelligenz im nächsten Jahrzehnt einsetzen, entscheidend dafür sein, wer von der fortschreitenden digitalen Transformation des Finanzwesens profitiert. Es besteht die Gefahr, dass ohne sorgfältige Steuerung vor allem große etablierte Unternehmen profitieren, die sich Premium-Daten und -Analysen leisten können. Dies würde die Kluft zwischen erfahrenen Marktteilnehmern und Kleinanlegern weiter vergrößern. Einige Experten schlagen Gegenmaßnahmen vor, wie beispielsweise die Verpflichtung zu einem Mindestmaß an öffentlich zugänglichen, maschinenlesbaren Marktdaten, die Förderung von Open-Source-KI-Tools für die Finanzanalyse und die Unterstützung von Partnerschaften zwischen Hochschulen und Börsen, um den Zugang zu fortschrittlichen Technologien zu demokratisieren. Andere plädieren für einen stärker marktorientierten Ansatz und prognostizieren, dass der Wettbewerb zwischen Börsen, Fintech-Plattformen und dezentralen Protokollen letztendlich die Preise senken und Innovationen fördern wird, wie es in anderen technologieintensiven Branchen bereits der Fall war. Unabhängig vom eingeschlagenen politischen Weg werden die jetzt getroffenen Entscheidungen über KI-Architektur, Dateneigentum und Transparenz in den Kernsystemen der Börsen nicht nur die Infrastruktur der globalen Märkte prägen, sondern auch die Verteilung finanzieller Chancen in einer Ära, in der Algorithmen zunehmend darüber entscheiden, wer Zugang zu Kapital erhält, zu welchen Bedingungen und mit welchem Verständnis der damit verbundenen Risiken.