Zum Hauptinhalt springen
VisualVest_HandMockup_02

VISUALVEST KI-CHATBOT: VESTAI ERKLÄRT GELDANLAGE EINFACH

VestAI beantwortet Finanzfragen verständlich mit KI.

KI-Chatbot VestAI informiert

Wer sich erstmals mit Geldanlage beschäftigt, steht vor hohen Hürden: Komplexe Fachbegriffe, breite Produktlandschaften und die Scheu, vermeintlich einfache Fragen zu stellen, wie „Was ist ein ETF?“, „Was bedeutet thesaurierend?“ oder „Wie funktioniert ein Sparplan?“. Gerade jüngere Menschen suchen nach niedrigschwelligen, digitalen Wegen, sich in ihrem eigenen Tempo zu informieren. Um diese Lücke zu schließen, hat VisualVest, ein digitaler Online-Broker und Tochter der Union Investment, ein Projekt zur Entwicklung eines LLM-basierten Chatbots ins Leben gerufen.

csm_Mockup_VestAI_960x720_2_61f1c7b7aa

Die Herausforderung

Als Finanzinstitut legt VisualVest höchsten Wert auf die Einhaltung regulatorischer Vorgaben. Der Bot soll nicht nur fundiertes Finanzwissen und detaillierte Produktinformationen verständlich vermitteln, sondern muss bei jeder Antwort auf rechtlich saubere Formulierungen und fachliche Korrektheit achten. Gerade beim Einsatz von Large Language Models (LLMs) ist es eine besondere technische Hürde, diese Präzision und Verlässlichkeit dauerhaft und konsistent zu garantieren.

Für das Projekt suchte VisualVest Unterstützung, um generative KI mit regulatorischen Anforderungen zu verbinden. So entstand VestAI, ein KI-Chatbot, der seit Januar 2026 auf der Startseite der VisualVest informiert.

Europas Ressourcenlücke verlangt ein neues Innovationstempo

KI verdichtet jahrzehntelange industrielle Entwicklungszeiten auf Monate

70 % Menschen, 30 % Technologie: KI überwindet Silos zwischen F&E, Engineering und Business

Kumulative KI-Fähigkeiten könnten bald den Wettbewerb entscheiden

Europas Ressourcenlücke fordert ein neues Innovationstempo

Neue Prozessentwicklungen haben immer Jahrzehnte gebraucht. Lithium-Ionen-Batterien brauchten rund 30 Jahre von den ersten Laborzellen bis zur industriellen Produktion. Kohlenstofffasern folgten einer ähnlichen Kurve. Der Weg vom ersten Experiment zur profitablen Fertigung wurde in Generationen gemessen.

Diese Zeit hat die Welt nicht mehr. Regulierung fordert heute höhere Recyclingquoten. Europas Abhängigkeit von importierten kritischen Rohstoffen ist heute eine strategische Schwachstelle. Und hunderte Millionen Tonnen Industrieabfall akkumulieren, während die Prozesse zu ihrer Verwertung erst noch erfunden werden.

Ragn-Sells entschied sich, diesen Weg mit KI zu beschleunigen. Gemeinsam mit iteratec baute das Unternehmen einen digitalen Prozesstwin, der nicht einen bekannten Prozess optimiert, sondern die Entwicklung eines völlig neuen beschleunigt.

csm_iteratec_sustainablesolutions_ragnsells_960x720.jpg_0be5c72df0

Was wäre, wenn aus Jahrzehnten Monate werden könnten?

Was wäre, wenn jedes Laborexperiment sofort in ein vollständiges Prozessdesign und einen validierten Business Case übersetzt werden könnte? Wenn nicht auf den Pilotmaßstab gewartet werden müsste, um zu verstehen, ob die Wirtschaftlichkeit stimmt? Wenn akkumuliertes Wissen aus tausenden Experimenten jahrzehntelanges sequenzielles Trial-and-Error ersetzen könnte? Diese Vision hat das Projekt von Beginn an getrieben.

Der digitale Prozesstwin kodiert die physikalische Realität des Prozesses als harte Grenzen: Massenbilanzen, Energielimits, Materialbeschränkungen, Kostenstrukturen. Innerhalb dieser Grenzen lernt eine Machine-Learning-Komponente aus Labor- und Betriebsdaten und liefert optimierte Sollwerte, wann immer sich Einsatzstoffe, Ziele oder Bedingungen ändern.

Ingenieure führen Simulationen durch und validieren Empfehlungen an der realen Anlage. Die Ergebnisse fließen zurück ins Modell. Mit jedem Zyklus wird das System präziser. Ein Laborergebnis steht nicht mehr isoliert. Es verbindet sich mit allem, was die Organisation zuvor gelernt hat.

70 % Menschen, 30 % Technologie

Die Plattform funktioniert, weil sie um ingenieurstechnische Entscheidungen herum gebaut wurde, nicht um Datenanforderungen. 70 % des Projekterfolgs lagen bei Menschen und Organisation. Nur 30 % bei der Technologie.

Die meisten KI-Initiativen beginnen mit monatelanger Datenerhebung, bevor überhaupt erste Ergebnisse sichtbar werden. Process AI geht den entgegengesetzten Weg: Ingenieure, die den Prozess kennen, können das System sofort nutzen. Keine vorgelagerte Dateninfrastruktur. Kein Warten. Das Werkzeug trifft die Expertinnen und Experten dort, wo sie sind, und lernt gemeinsam mit ihnen.

Process AI has already changed how we approach scale-up decisions — combining what our process engineers know with what the data tells us, in a way that wasn't possible before. It hasn't replaced our engineers' judgement — it's amplified it. That's what makes me optimistic about where this can go.

Graham Aid Group Innovation Coordinator and Strategist, Ragn-Sells

Es geht nicht um Daten. Es geht um Fähigkeiten.

Jeder Prozess, den die Plattform lernt, macht den nächsten schneller. Jeder Materialstrom, jede Anlagenkonfiguration, jeder Optimierungszyklus ergänzt einen Wissenspool, den kein Wettbewerber durch sequenzielle Entwicklung replizieren kann.

Was heute für Kalziumkarbonat aus Ölschiefer-Asche funktioniert, wird bereits für weitere Materialströme innerhalb der Ragn-Sells-Gruppe vorbereitet. Die Vision: Eine neue Prozesskonfiguration – Ausbeuteziele, Kostenprojektionen, Qualitätsparameter – könnte durch Simulation substanziell vorvalidiert werden, bevor nennenswerte Ressourcen in physische Versuche fließen. Was früher jahrelange sequenzielle Entwicklung erforderte, könnte in einem Bruchteil der Zeit einem Stresstest unterzogen werden.

Das ist mehr als ein Software-Tool. Es ist eine strategische Entscheidungsunterstützungsplattform für die Prozessentwicklung, die gerade jetzt aufgebaut wird.

Ein Muster, das sich überträgt

Die Herausforderung, vor der Ragn-Sells steht, ist die Kernherausforderung kapitalintensiver Industrien: neue industrielle Prozesse entwickeln, unter einem Zeitdruck, den die Geschichte des Ingenieurwesens noch nicht kannte.

Von der Batterietechnologie bis zur Rohstoffrückgewinnung, von neuartigen Lebensmittelzutaten bis zur Hochleistungsfertigung: Jedes Unternehmen, das Neuland betritt, trifft auf dieselbe Realität. Die Prozesse existieren noch nicht. Die Rahmenbedingungen sind unbekannt. Der Weg vom Labor zum Markt ist lang. Und das wirtschaftliche Umfeld wartet nicht.

KI kann diesen Weg um eine Größenordnung verkürzen. Ragn-Sells zeigt, dass kumuliertes ingenieurstechnisches Wissen ein skalierbares Kapital ist, das gerade jetzt aufgebaut wird.

Sie stehen vor ähnlichen Herausforderungen? Sprechen Sie uns an.