Versicherung läuft auf Dokumenten, Entscheidungen und Vertrauen: Schadenakten, Maklereinreichungen, ärztliche Berichte, Bedingungswerke, und dahinter eine Aufsicht, die erwartet, dass jede folgenreiche Entscheidung erklärbar ist. Diese Kombination macht die Branche an manchen Stellen ungewöhnlich gut geeignet für KI und an anderen ungewöhnlich unnachgiebig. Der häufigste Fehler ist, beide Zonen als eine zu behandeln. Dieser Artikel sortiert die Anwendungsfälle nach realistischem Payback, benennt die Datenrealitäten, die über das Projekttempo entscheiden, und zieht die Linie, an der Unterstützung endet und verantwortliche menschliche Entscheidung bleiben muss, eine Linie, die auch die BaFin von Ihnen erwartet ziehen zu können.
Die wertvollsten Anwendungsfälle, nach realistischem Payback sortiert
Die folgenden Spannen sind Planungsannahmen aus typischen Projektzuschnitten, keine Anbieterversprechen und keine Marktstatistiken. Wo Ihre Daten sauberer und die Volumina höher sind, landen Sie am schnellen Ende; wo die Kernsystem-Integration schwer ist, rechnen Sie Monate hinzu.
| Anwendungsfall | Realistischer Payback | Warum er dort liegt |
|---|---|---|
| Schadendokumenten-Verarbeitung (Eingang, Extraktion, Routing) | 3-6 Monate | Hohes Volumen, repetitiv, Ergebnis gegen das Quelldokument prüfbar; die Ersparnis zeigt sich als Bearbeitungszeit pro Schaden |
| Kundenservice-Unterstützung (Antwortentwürfe, Gesprächszusammenfassungen, Korrespondenz-Triage) | 3-9 Monate | Sofortiger Assist-Nutzen für Serviceteams; Qualität ist leicht prüfbar, bevor etwas den Kunden erreicht |
| Betrugsindikator-Triage (Auffälligkeits-Hinweise für menschliche Ermittler:innen) | 6-12 Monate | Braucht Tiefe in der Schadenhistorie und sorgfältiges False-Positive-Management; rechnet sich über Ermittlerfokus, nicht über Auto-Entscheidungen |
| Underwriting-Unterstützung (Einreichungs-Triage, Risikodaten-Extraktion, Kurzdossiers) | 9-18 Monate | Hoher Wert pro Fall, aber schwerere Governance, Integration in Underwriting-Arbeitsplätze und Erklärbarkeitsanforderungen |
| Regress- und Rückforderungs-Erkennung (übersehene Regresschancen in geschlossenen Schäden) | 6-12 Monate | Gut abgegrenzt und messbar, hängt aber davon ab, wie strukturiert Ihre geschlossenen Schadendaten tatsächlich sind |
Die Datenrealitäten, die Ihren Zeitplan entscheiden
Jeder KI-Plan in der Versicherung sollte am Zustand der Daten gestresstestet werden, bevor irgendjemand über Modelle spricht.
| Datenrealität | So sieht es in der Praxis aus | Konsequenz für KI-Projekte |
|---|---|---|
| Legacy-Kern- und Bestandssysteme | Jahrzehntealte führende Systeme, Batch-Schnittstellen, über die Jahre zweckentfremdete Felder | Integration, nicht Modellierung, ist der lange Pfad; echte Engineering-Zeit dafür budgetieren |
| Gescannte und semistrukturierte Dokumente | Schäden kommen als PDFs, Fotos, Faxe und Freitext-E-Mails von Maklern und Anspruchstellern | Dokumenten-KI-Qualität gatet die gesamte Pipeline; Extraktionsgenauigkeit messen, bevor stromabwärts automatisiert wird |
| Datensilos je Sparte | Kfz, Sach, Haftpflicht und Kranken mit jeweils eigenen Systemen und Konventionen | In einer Sparte starten; spartenübergreifende Anwendungsfälle kommen später oder gar nicht |
| Besondere Datenkategorien nach DSGVO | Gesundheitsdaten in Schaden und Underwriting lösen Art.-9-Pflichten aus | Rechtsgrundlage, Datenminimierung und Zugriffskontrolle müssen hineinkonstruiert werden, nicht nachgerüstet |
| Spärlich gelabelte Betrugsfälle | Bestätigte Betrugsfälle sind selten und uneinheitlich dokumentiert | Betrugsmodelle starten als Triage-Hilfen mit menschlichen Validierungsschleifen, nicht als blind vertraute Klassifikatoren |
Das häufige Versagensmuster: die Entscheidung automatisieren statt der Vorbereitung
Das wiederkehrende Scheitern bei Versicherungs-KI beginnt mit der Dunkelverarbeitung von Schaden- oder Underwriting-Entscheidungen, dem sensibelsten Schritt, bevor die Organisation bewiesen hat, dass sie KI auf den vorbereitenden Schritten verlässlich betreiben kann. Das Projekt kollidiert dann gleichzeitig mit Governance-Anforderungen, Betriebsrat, Kundenvertrauen und aufsichtlichen Erwartungen und stirbt in der Prüfung. Die Korrektur ist Sequenzierung: erst Extraktion, Zusammenfassung und Routing automatisieren, eine menschliche Entscheidungsebene behalten, die Prüfquote instrumentieren und Autonomie nur dort ausweiten, wo Monate an Evidenz zeigen, dass Maschine und Mensch übereinstimmen.
| Stufe | Versagens-Variante | Korrigierte Variante |
|---|---|---|
| Erstes Projekt | Dunkelverarbeitung einer ganzen Sparte | Dokumenten-Extraktion und Routing für eine Schadenart, Mensch entscheidet |
| Governance | Wird „später“ behandelt, wenn der Pilot läuft | Modelldokumentation, Prüfquoten und Eskalationsregeln vor Go-live definiert |
| Erfolgsmetrik | Anteil ohne Menschen regulierter Schäden | Bearbeitungszeit pro Schaden, Extraktionsgenauigkeit, Korrekturquote der Prüfer:innen |
| Ausbau | Big-Bang-Rollout über alle Sparten | Autonomie Schritt für Schritt dort ausgeweitet, wo Übereinstimmungsquoten es rechtfertigen |
Team und Skills: kaufen, leihen oder ausbilden
Die meisten Versicherer brauchen kein zehnköpfiges KI-Labor, um die ersten zwei Anwendungsfälle zu heben. Sie brauchen einen kleinen, senioren Umsetzungskern und eine geschulte Prüfebene im Fachbereich.
| Fähigkeit | Kaufen (einstellen), leihen (extern) oder ausbilden | Begründung |
|---|---|---|
| KI-/ML-Engineer mit Dokumenten-KI- und Integrationserfahrung | Kaufen, ein bis zwei Einstellungen, sobald der erste Pilot trägt | Das ist die dauerhafte Kernfähigkeit; vor dem Piloten einzustellen heißt, gegen eine unbewiesene Spezifikation zu rekrutieren |
| Senior-KI-Architekt:in für Pipeline- und Governance-Aufbau | Leihen, für die ersten 3-6 Monate | Früh der größte Hebel, am schwersten schnell einzustellen; externe Seniorität nimmt Risiko aus der Designphase |
| KI-Governance und Regulatorik (BaFin-Erwartungen, EU AI Act, DSGVO) | Beratung leihen, interne:n Owner:in ausbilden | Sie brauchen dauerhafte interne Verantwortung, aber keinen dauerhaften Spezialisten-Headcount auf Beratungsniveau |
| Schadensachbearbeiter:innen und Underwriter:innen als KI-Prüfer:innen | Ausbilden | Das Fachurteil existiert bereits im Haus; neu sind strukturierte Prüfung, Feedback und Eskalationsdisziplin |
| Data Engineering für Kernsystem-Extraktion | Kaufen oder leihen, je nach vorhandener IT-Tiefe | Wenn Ihre IT die Kernsysteme bereits gut betreibt: ausbilden und erweitern; wenn nicht: zuerst leihen |
Pragmatische erste 90 Tage
Neunzig Tage reichen von null bis zu einem gemessenen Piloten in der Schadendokumenten-Verarbeitung, wenn der Zuschnitt eng bleibt und Governance von Tag eins an eingebaut statt nachträglich angeschraubt wird.
| Phase | Fokus | Konkrete Ergebnisse |
|---|---|---|
| Tage 1-30 | Use-Case-Inventur, Datenzugang, Leitplanken | Eine Schadenart ausgewählt; Dokumentenstichproben bewertet; DSGVO-Grundlage und Prüfregeln dokumentiert; Erfolgsmetriken mit der Schadenleitung vereinbart |
| Tage 31-60 | Assist-Pipeline bauen | Extraktion und Routing laufen im Schattenmodus auf echten Dokumenten; Sachbearbeiter:innen prüfen die Ergebnisse; Genauigkeit pro Feld getrackt |
| Tage 61-90 | Messen und entscheiden | Evidenz zu Bearbeitungszeit und Genauigkeit liegt vor; Go/No-Go für Produktivbetrieb mit menschlicher Prüfung; Roadmap für den zweiten Anwendungsfall |
- Den Piloten innerhalb einer Sparte und einer Schadenart halten, Breite ist der Feind eines 90-Tage-Beweises.
- Korrekturquoten der Prüfer:innen ab Woche eins ehrlich berichten; sie sind zugleich Governance-Nachweis und Verbesserungssignal.
- Betriebsrat und Compliance früh einbinden, deren Anforderungen nach Go-live nachzurüsten kostet mehr, als von Anfang an dafür zu bauen.
