Künstliche Intelligenz (KI) Certified AI Resilience Due Diligence

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1

   Einführung in KI, physische Klimarisiken und Due Diligence

   Grundlagen KI-gestützter Analysen physischer Klimarisiken im Rahmen von Due-Diligence-Prozessen sowie der Übersetzung von Gefahren in finanzielle Auswirkungen
   Verständnis der Quantifizierung von Asset-Level-Risiken für Immobilien, Infrastruktur und weitere Anlageklassen sowie deren Integration in Investitionsentscheidungen
   Definition des Scopes hinsichtlich Asset-Klassen, Gefahrentypen, Zeithorizonten und Klimaszenarien
   Einführung in die Grundlagen der Risikobewertung mit Fokus auf Hazard, Exposure und Vulnerability
   Einordnung belastbarer und auditierbarer Daten für Investment-Komitees, M&A-Prozesse und Kreditentscheidungen

2. 2

   Datenlandschaft, Integration und technologische Grundlagen

   Auswahl und Integration relevanter Datenquellen wie Asset-Daten, Geodaten, hochauflösende Klimaprojektionen und Vulnerabilitätsdaten
   Aufbau eines präzisen Asset-Registers mit Geokoordinaten als Grundlage für fundierte Risikoanalysen
   Einführung in Schnittstellen zu Klimarisiko-Datenanbietern, Katasterquellen und internen Asset-Management-Systemen
   Nutzung von Satellitenbildern und Drohnenaufnahmen zur Validierung von Exposure-Daten und zur Erfassung von Vulnerabilitätsmerkmalen
   Überblick über Geospatial AI, Klimarisikomodelle, Schadensfunktionen, Portfolio-Aggregationstechniken sowie Toolchains für automatisierte Due-Diligence-Berichte

3. 3

   Automatisierung von Resilience-Due-Diligence- und Risk-Analytics-Prozessen

   Einführung in automatisierte Workflows nach dem Prinzip "Geocode Asset - Assess Hazard Exposure - Apply Vulnerability - Quantify Risk - Generate Report"
   Nutzung von KI, LLMs und Agentic Workflows für das automatisierte Screening großer Asset-Portfolios, die Zusammenfassung von Risikoberichten und die Erstellung von Management-Readouts
   Automatisierte Erkennung von Datenanomalien und Plausibilitätsprüfungen in Asset-Beständen
   Human-in-the-Loop-Konzepte für die Interpretation komplexer Risikoprofile und die Formulierung strategischer Empfehlungen
   Entwicklung eines Operating Models zur Integration physischer Klimarisiken in Investment-, Finanzierungs- und Kreditprozesse

4. 4

   Anwendungsfelder, Governance und Compliance

   Anwendung auf physische Klimarisiko-Due-Diligence für Immobilientransaktionen, Infrastrukturfinanzierungen, Bankportfolios, Versicherungsbestände und M&A-Transaktionen
   Integration von Klimarisikoanalysen in Investment-Readouts, Unternehmensbewertungen und strategische Entscheidungsprozesse
   Audit-Ready-by-Design mit nachvollziehbarer und transparenter Dokumentation des gesamten Due-Diligence-Prozesses
   Compliance mit regulatorischen Anforderungen und Standards wie TCFD, EU-Taxonomie sowie einschlägigen Aufsichtsanforderungen
   Transparente Kommunikation von Modellunsicherheiten, Sensitivitäten, Datenqualität und Sicherheitsanforderungen bei vertraulichen Asset-Informationen

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen