Prospekterstellung mittels generativer KI – Teil 2

Lesezeit: 7 Minuten
von Lukas Messner und Sebastian Sieder
20. Juli 2026

Ein Beitrag von RA DR. Sebastian Sieder LL.M (Finance) und Lukas Messner, CIPP/E, über Algorithmen als Co-Autor:innen bei der Erstellung eines Basisprospekts – Ein Praxisversuch: Vorgangsweise der KI-gestützten Erstellung bestimmter Abschnitte eines Basisprospekts.

---

Einleitung

Die Digitalisierung des Kapitalmarkts erreicht durch den Einsatz Künstlicher Intelligenz (KI) eine neue Stufe: Während die Erstellung eines Prospekts traditionell einen hohen personellen und zeitlichen Aufwand erforderte, versprechen moderne Technologien heute eine Automatisierung wesentlicher Teile dieses Prozesses. Diese Entwicklung wirft grundlegende Fragen zur künftigen Rolle der KI als Standardwerkzeug in der Rechtsberatung auf. Wir nehmen die aktuellen Marktentwicklungen zum Anlass, die KI-gestützte Prospekterstellung einer tatsächlichen Prüfung zu unterziehen.

Basisprospekte

Der Basisprospekt, als spezielle Prospektart, fungiert als zentrales Instrument (vor allem) für Kreditinstitute zur flexiblen Aufnahme von Fremdkapital am Kapitalmarkt. Zum Zeitpunkt der behördlichen Billigung ist der Basisprospekt konzeptionell unvollständig. Er enthält lediglich abstrakte Wertpapierbeschreibungen verschiedener Gattungen sowie ein Muster der endgültigen Bedingungen. Konkrete Parameter (z.B. ISIN, Emissionskurs, Zinssatz) werden erst bei der tatsächlichen Emission in den endgültigen Bedingungen festgelegt. Diese bedürfen keiner erneuten Billigung, müssen jedoch veröffentlicht werden. Auch die emissionsspezifische Zusammenfassung wird erst zu diesem Zeitpunkt erstellt.

Datenbasis durch Prospektveröffentlichungen

Die Qualität und Verfügbarkeit von strukturierten Referenzdaten sind essenziell für die automatisierte Dokumentengenerierung.Die Prospekt-VO schafft hierfür durch umfassende Transparenzpflichten eine fundierte Basis: Die zuständigen nationalen Behörden sind verpflichtet, gebilligte Prospekte öffentlich zugänglich zu machen. Die österreichische FMA hat diese Aufgabe auf die Österreichische Kontrollbank (OeKB) als zentrale Meldestelle übertragen. Für eine effiziente Verwendung von KI, ist eine direkte Anbindung an Datenbanken erstrebenswert. Internationale Vorbilder wie der Anbieter Harvey nutzen bereits Schnittstellen zur US-amerikanischen SEC-Datenbank EDGAR. Da der/die im Versuch herangezogene Toolanbieter:in aktuell über keine Schnittstelle zur OeKB verfügt, erfolgte die Datengewinnung durch manuelles Sourcing einschlägiger Referenzprospekte aus dem Archiv der OeKB. Diese öffentlich zugänglichen Daten bilden den notwendigen Kontext, um die KI-Modelle mit marktüblichen Standards und rechtlich validierten Formulierungen zu speisen.

Sammlung von Basisprospekten

Die Qualität der KI-gestützten Erstellung korreliert unmittelbar mit der Präzision der ausgewählten Referenzdokumente. Die Möglichkeit der Datenbank der OeKB, mit Suchparametern zu filtern, ermöglicht eine gezielte Suche nach bestimmten Prospekten.

Die methodische Auswahl für den Praxisversuch folgte einer mehrstufigen Selektion:

1. Eingrenzung des Emittentenkreises: Deutschsprachige Basisprospekte best. Kreditinstitute.
2. Ausschluss von Sonderformen: Bereinigung der Datenbasis um Instrumente wie Wandel- oder gedeckte Schuldverschreibungen.
3. Spezifizierung: Auswahl maßgeblicher Anhänge der DelVO (EU) 2019/980 (insb. Registrierungsformular für Nichtdividendenwerte, Wertpapierbeschreibungen (Retail/Wholesale), Dokumentationsstandards für Zustimmungserklärungen und endgültige Bedingungen).

Auf dieser Basis wurden zehn von der FMA gebilligte Basisprospekte von zehn österreichischen Kreditinstituten, mit den beschriebenen Anhängen ausgehoben. Diese dienten als Datenbasis und somit als strukturelle Richtschnur, um die Einhaltung marktüblicher Standards im Entwurfsprozess zu gewährleisten. Ziel war, diese eigens ausgewählten, qualitativen Datensätze mit den sprachlichen Qualitäten von großen Sprachmodellen (Large Language Models – LLMs) zu verknüpfen. Wir sprechen hierbei von Retrieval-Augmented Generation (RAG).

Technische Anforderungen und Auswahl eines Toolanbieters / einer Toolanbieterin

RAG kombiniert die linguistische Kompetenz von LLMs mit einer gezielten Abfrage domänenspezifischer Datensätze (hier: die zuvor selektierten Referenzprospekte). Auf einen Prompt hin identifiziert das System zunächst die relevantesten Informationen im bereitgestellten Datenbestand (Retrieval) und übergibt diese als Kontext an das LLM, welches daraus den finalen Text generiert (Generation). Durch diesen Abgleich mit Primärquellen wird das Risiko von „Halluzinationen“ signifikant reduziert. Zudem ermöglicht die Quellenindizierung eine effiziente Verifizierung des Outputs. Der/die von uns ausgewählte deutsche Anbieter:in Prime Legal AI ermöglicht den Zugang zu diversen LLMs, darunter Gemini 2.5, GPT-5, Claude Sonnet 4.5 uvm. Nach eigenen Angaben verbindet seine/ihre „Lösung“ „eine juristisch trainierte Kontextsuche (Semantic Search) mit einem Wissensnetzwerk und steuert LLMs so, dass die Ergebnisse den Kontext exakt berücksichtigen und rechtlich belastbar sind“. Einem Finetuning wurden die Modelle nicht unterzogen.

Mit dem/der in unserer Versuchsanordnung herangezogenen Toolanbieter:in war der Abschluss einer Berufsträgergeheimnisvereinbarung sowie einer Auftragsverarbeitervereinbarung gem. Art. 28 DSGVO möglich.

Kollektionserstellung

Aus den Datensätzen der ausgewählten Referenzprospekte österr. Kreditinstitute wurden gezielt die Abschnitte „Risikofaktoren in Bezug auf die Emittentin“ exzerpiert. Insofern wurden die in der Praxis besonders aufwändig zu entwerfenden Risikofaktoren in Bezug auf die Emittentin ausgewählt. Die Daten wurden als maschinenlesbare PDF-Dateien in einer Wissensdatenbank innerhalb des Systems gespeichert und für die Aktion ausgewählt.

Legal Prompting

Der KI generierte Output hängt zudem von der Qualität der Eingabebefehle ab. In der Fachliteratur hat sich hierfür der Begriff des Legal Prompting etabliert. Basierend auf den wissenschaftlichen Erkenntnissen zum Legal Prompting und eigener Praxiserfahrung haben wir einen individuellen Prompt verfasst, der in seiner finalen Ausformulierung rund 6.000 Zeichen umfasste und aus Platzgründen hier nicht abgedruckt werden kann. Die Eingabe ist dreiteilig und besteht aus:

1. Prompt-Beschreibung: Kurzer Überblick, womit sich der Prompt im Folgenden befasst, ohne Auswirkungen auf den gegebenen Input.
2. Prompt-Anweisung: Gibt an, „wie“ das System arbeiten soll (Struktur-/Gliederungsvorgaben, formale und sprachliche Aspekte etc.).
3. Prompt-Aufgabe: Gibt an, „was“ das System machen soll: In diesem Fall die Erstellung eines Dokumententwurfs für den Abschnitt „Risikofaktoren in Bezug auf die Emittentin“ eines Basisprospekts, der als Vorlage für den Risikofaktoren-Teil in Bezug auf die Emittentin eines Basisprospekts eines beliebigen Kreditinstituts als Emittentin dienen kann.

Spezifizierung

Der erstellte, allgemein gehaltene Entwurf für den Abschnitt „Risikofaktoren in Bezug auf die Emittentin“ eines Basisprospekts hat sodann als Ausgangsdokument für den Risikofaktoren-Teil in Bezug auf die Emittentin eines Basisprospekts eines konkreten Kreditinstituts als Emittentin gedient. In einem Folgeschritt wurden daher weitere Datensätze zusammengetragen (Jahresabschluss und FB-Auszug eines Kreditinstituts in anonymisierter Form), die dem System als aktualisierte Datenbasis zugänglich gemacht wurden, um einen individuellen, auf das konkrete Kreditinstitut zugeschnittenen Abschnitt zu den Risikofaktionen zu generieren.

Fazit und Ausblick: Anspruch vs. Realität

Das Kapitalmarktrecht als dynamisches Rechtsgebiet bietet sich als Anwendungsbereich für KI an. Der rechtliche Rahmen wird primär durch die Prospekt-VO und die KI-VO vorgegeben. Wer KI-Tools professionell nutzt, gilt rechtlich als „Betreiber“ und muss seine/ihre Mitarbeiter:innen entsprechend schulen (Art. 4 AI Act).

Die völlig automatisierte Erstellung eines Basisprospekts hat sich im Rahmen unseres Versuchs derzeit nicht bewerkstelligen lassen. Technische Limits und die Komplexität der Daten limitieren (noch) die Erstellung eines kompletten, oft hunderte Seiten langen Prospekts „auf Knopfdruck“.

Der Versuch hat jedoch zeigt, dass mit generativer KI Entwürfe für Abschnitte erstellt werden können, auf dessen Basis eine individuelle, manuelle Weiterverarbeitung möglich ist. Künstlich generierte Texte müssen weiterhin von Spezialist:innen geprüft und verfeinert werden. Die KI ist ein unterstützendes Werkzeug, ersetzt aber nicht die juristische Sorgfalt. Durch den EU Listing Act und die damit einhergehende zunehmende Standardisierung der Prospekte wird das Potenzial für KI massiv steigen. Erhebliches Potenzial hat hierbei die Verknüpfung von KI für inhaltlich aufwändigere Abschnitte (wie eben z.B. die Risikofaktoren in Bezug auf die Emittentin) mit regelbasierten Anwendungenfür Abschnitte, wo Textblöcke immer wieder inhaltlich gleich mit Änderung weniger Angaben verwendet werden können.

Aus derzeitiger Sicht wird generative KI Anwält:innen bei der Prospekterstellung nicht ersetzen, aber Anwält:innen, die KI ignorieren, werden gegenüber jenen, die technologische Möglichkeiten nutzen, ins Hintertreffen geraten.

---

Über die Autoren: