KI

KI in Versicherungen: automatische Tarifierung, Betrugserkennung und Schadenbearbeitung

Tarifierung von Risiko und Schaden, Aufdeckung von Betrug, Bearbeitung von Meldungen vom ersten Kontakt bis zur Auszahlung. Wo KI in Versicherungen einen messbaren Effekt bringt, was die Vorschriften automatisieren lassen und wann es besser ist, bei Regeln und einem erfahrenen Sachbearbeiter zu bleiben.

Tomasz Kozon - CEO Boring Owl

Tomasz Kozon

CEO

16. Aug. 2026

Montag, halb neun. Im System warten mehrere Hundert Meldungen vom Wochenende: Parkplatzrempler, überflutete Badezimmer, eingeschlagene Scheiben, zwei Krankenhausaufenthalte. Die meisten davon sind einfach und ehrlich, und trotzdem durchläuft jede denselben Pfad. Der Sachbearbeiter öffnet die Anhänge, überträgt die Daten in das System, sieht sich die Fotos an, fordert fehlende Unterlagen an. Irgendwo in diesem Stapel liegt ein Schaden mit einem Foto, das vor einem halben Jahr bereits einer anderen Meldung beigefügt wurde. Niemand wird das bemerken, weil niemand die Zeit hat, zu vergleichen. Gerade an einem solchen Montag sieht man am besten, wofür KI in Versicherungen wirklich nützlich ist.

Die im Titel genannten Bereiche haben mehr gemeinsam, als die Namen der Abteilungen vermuten lassen. Automatische Tarifierung (von Prämie oder Schaden) ist die Prognose eines Betrags auf Basis von Daten. Betrugserkennung ist die Suche nach Fällen, die vom Muster abweichen. Schadenbearbeitung besteht zu einem großen Teil im Lesen von Dokumenten und im Treffen wiederkehrender Entscheidungen. In jedem dieser Bereiche kann ein Modell einen Teil der Arbeit übernehmen. In keinem sollte es ohne Aufsicht arbeiten.

Im Folgenden beschreiben wir, wie das aus Sicht der Implementierung aussieht: welche Daten nötig sind, was im Lichte der polnischen und europäischen Vorschriften automatisiert werden darf, wo sich Modelle irren und wann es besser ist, bei Regeln und einem erfahrenen Sachbearbeiter zu bleiben. Wir schreiben aus der Perspektive eines Teams, das Software für Versicherungsunternehmen entwickelt und sie mit den Systemen verbindet, die diese Unternehmen bereits haben.

Warum greifen Versicherer gerade jetzt zur KI?

Die einfachste Erklärung liegt in den Zahlen. Laut einem Bericht des Polnischen Versicherungsverbands (PIU) vom Juli 2026 haben Versicherer im Jahr 2025 Straftaten im Gesamtwert von fast 800 Mio. zł aufgedeckt, 18 % mehr als im Vorjahr (675 Mio. zł). In der Schadenversicherung betrafen rund 64 % der aufgedeckten Fälle den Kfz-Bereich: vorgetäuschte Kollisionen, absichtlich herbeigeführte Unfälle, fingierte Verletzungen und vorgetäuschte Autodiebstähle. Und das ist nur das, was ans Licht gekommen ist. Insurance Europe schätzt, dass aufgedeckter und nicht aufgedeckter Betrug zusammen rund 10 % aller Entschädigungsausgaben in Europa ausmachen. Auch die Technik der Betrugsversuche selbst hat sich verändert. Derselbe PIU-Bericht weist darauf hin, dass Täter massenhaft frei zugängliche KI-Werkzeuge nutzen, um medizinische Unterlagen zu fälschen. Eine gefälschte Entlassungsbestätigung aus dem Krankenhaus oder eine Rechnung für eine Reparatur entsteht in wenigen Minuten und sieht korrekt aus. Eine Kontrolle, die darauf beruht, dass der Sachbearbeiter „etwas Seltsames bemerkt“, reicht nicht mehr aus, wenn die Fälschung keine Tippfehler und keine schiefen Stempel enthält.

Auf der anderen Seite steht der Kunde, der auf sein Geld wartet. Art. 817 des polnischen Zivilgesetzbuchs gibt dem Versicherer 30 Tage ab Eingang der Schadenmeldung, und wenn die Umstände einer Klärung bedürfen, 14 Tage ab dem Zeitpunkt, zu dem sie bei gehöriger Sorgfalt geklärt werden konnten. Der unstreitige Teil der Leistung muss innerhalb der ersten Frist ausgezahlt werden. Der Kunde vergleicht die Bearbeitung jedoch nicht mit dem Gesetzbuch. Er vergleicht sie mit der Bank, in der eine Überweisung in wenigen Sekunden durchgeht.

Die Branche reagiert bereits. In einer Untersuchung der EIOPA, der europäischen Versicherungsaufsicht, die bei 209 Unternehmen aus 22 Staaten durchgeführt und 2024 veröffentlicht wurde, gaben 50 % der Schaden- und 24 % der Lebensversicherer an, KI zu nutzen. Weitere 30 % bzw. 39 % planten eine Implementierung innerhalb von drei Jahren. Die am häufigsten genannten Anwendungen sind Kundenservice, Betrugserkennung, Schadenbearbeitung, Vertrieb und Tarifierung. Die Daten haben einen Vorbehalt: Sie beschreiben den Stand von 2022, vor der Verbreitung generativer Modelle.

Unsere Case Studies im Finanzsektor

Automatische Tarifierung: Prämie, Risiko und Schadenkalkulation

Das Wort „Tarifierung“ bedeutet in Versicherungen zwei unterschiedliche Dinge. Das erste ist die Risikobewertung, also die Festsetzung der Prämie beim Abschluss des Vertrags. Das zweite ist die Schadenbemessung, also die Festlegung, was dem Geschädigten zusteht. Beides lässt sich durch Modelle unterstützen, doch jeder Fall erfordert andere Daten und birgt ein anderes Fehlerrisiko.

Risikobewertung und Tarifierung

Der Tarif ist in der Regel ein statistisches Modell, das von Aktuaren aufgebaut wird, meistens ein verallgemeinertes lineares Modell (GLM). Das ist eine klassische Methode, bei der jeder Faktor, etwa das Fahrzeugalter oder die Postleitzahl, ein offen ausgewiesenes und nachprüfbares Gewicht hat. Maschinelles Lernen ersetzt diesen Tarif nicht, sondern ergänzt ihn. Ensemble-Modelle, also solche, die die Ergebnisse vieler einfacher Entscheidungsbäume verknüpfen, wie Gradient Boosting, erkennen selbst Zusammenhänge, die in einem GLM niemand im Voraus festgelegt hat. Ein junger Fahrer in einer großen Stadt verursacht andere Schäden als ein junger Fahrer auf dem Land, und allein die Variable „Alter“ zeigt das nicht. In der Praxis schlägt ein Modell des maschinellen Lernens den Aktuaren am häufigsten vor, in welchen Segmenten der Tarif falsch liegt, statt die Prämie selbstständig zu berechnen. Der Grund ist einfach. Ein Tarif muss gegenüber Aufsicht und Kunde begründet werden können, und „so kam es aus dem Modell“ ist keine Begründung.

Einen größeren Effekt als der Austausch des Algorithmus bringen oft neue Datenquellen. Bei Immobilienversicherungen sind das Standortdaten, etwa die Entfernung zum Fluss und die Überschwemmungshistorie der Umgebung. Ähnlich funktionieren automatische Modelle zur Immobilienbewertung, die der Markt für Hypothekenkredite nutzt. In der Kfz-Versicherung ist eine solche Quelle die Telematik, also Daten zum Fahrstil aus einer App oder einem Gerät im Fahrzeug. Jede neue Quelle wirft jedoch die Frage nach der Zustimmung des Kunden auf und danach, ob die Daten in einer automatischen Entscheidung verwendet werden dürfen. Darauf kommen wir im Teil zu den Vorschriften zurück.

Schadenbemessung auf Basis von Fotos und Dokumenten

Bei Kfz-Schäden ist der erste „Gutachter“ immer häufiger eine App. Der Kunde fotografiert das Fahrzeug nach Anweisungen auf dem Bildschirm, und die Bilderkennung durch KI weist beschädigte Teile aus und schlägt den Arbeitsumfang vor, von der Lackierung bis zum Austausch von Teilen. Auf dieser Grundlage berechnet ein Kalkulationssystem den Betrag. Für typische Karosserieschäden an gängigen Fahrzeugmodellen funktioniert das gut. Schlechter ist es bei Schäden, die auf dem Foto nicht sichtbar sind, wie ein gerissener Halter hinter der Stoßstange oder ein beschädigter Radarsensor. Ein vernünftig eingerichteter Prozess behandelt die Schätzung anhand von Fotos daher als Vorschlag. Der Kunde kann sie sofort annehmen, und bei einem höheren Betrag oder geringer Modellsicherheit geht der Fall in die Besichtigung. Eine überflutete Wohnung oder ein Brand ist eine andere Situation, denn Fotos sagen hier weniger aus. Mehr bringt das Auslesen von Rechnungen und Kostenvoranschlägen der Handwerker und anschließend der Vergleich der Preise mit der Historie ähnlicher Schäden in derselben Region. Das Modell bewertet dann vor allem die Plausibilität der Beträge.

Fraud Detection: Wie suchen Modelle nach Betrug?

Die Aufdeckung von Betrug, englisch Fraud Detection, beruht nicht darauf, dass ein Modell „weiß“, wer lügt. Sie beruht darauf, jedem Schaden eine Risikobewertung zu geben und die verdächtigsten an Spezialisten weiterzuleiten. Das ist eine klassische Aufgabe der prädiktiven Analyse. Die Entscheidung über die Ablehnung einer Auszahlung wegen des Verdachts auf Betrug sollte bei einem Menschen liegen, der das Beweismaterial kennt.

Regeln, Modelle und Beziehungsanalyse

Die meisten Versicherer verfügen bereits über ein Regelsystem, sogenannte Red Flags. Ein Schaden, der wenige Tage nach Vertragsabschluss gemeldet wird, eine Kollision in der Nacht ohne Zeugen, eine Versicherungssumme, die kurz vor dem Brand erhöht wurde, ein Meldender, der sich nicht an die Einzelheiten des Ereignisses erinnert, aber die Versicherungsbedingungen hervorragend kennt. Regeln sind transparent und leicht zu erklären. Dafür haben sie zwei Nachteile: Sie erzeugen viele Alarme und werden schnell bekannt. Wer einmal eine Ablehnung erhalten hat, weiß, was er beim nächsten Mal vermeiden muss. Ein Modell des maschinellen Lernens betrachtet Hunderte von Merkmalen gleichzeitig und bewertet ihre Kombination. Es lernt an historischen Schäden, die einst als Betrug bestätigt wurden. Hier liegt die erste Falle. Solche Fälle sind selten, und die vorhandenen zeigen vor allem Schemata, die das Team bereits erkennen konnte. Deshalb werden neben Modellen, die an Beispielen lernen, auch Anomalieerkennung eingesetzt, also die Suche nach Schäden, die vom Rest des Portfolios abweichen, ohne das fertige Etikett „Betrug“.

Organisierte Gruppen treten am häufigsten in der Beziehungsanalyse zutage. Dieselbe Telefonnummer bei fünf Schäden. Dieselbe Werkstatt bei Kollisionen derselben Fahrer. Ein Zeuge eines Rempelers als Verursacher eines anderen. Ein einzelner Schaden erregt keinen Verdacht, ein ganzes Netz schon. Technisch ist das ein Graph, in dem die Knoten Personen, Fahrzeuge, Adressen und Werkstätten sind und die Verbindungen gemeinsame Schäden darstellen. Solche Zusammenhänge werden erst dann sichtbar, wenn Daten aus dem Policen- und dem Schadensystem an einer Stelle zusammenlaufen.

Gefälschte Fotos und Dokumente

KI wirkt hier auf beiden Seiten. Täter erzeugen Dokumente und bearbeiten Fotos, der Versicherer setzt ähnliche Techniken ein, um sie aufzuspüren. Einiges bringen einfache Tests: ob dasselbe oder ein sehr ähnliches Foto nicht bereits in einem anderen Schaden aufgetaucht ist und ob die Metadaten der Datei, etwa Aufnahmedatum und Koordinaten, mit der Beschreibung des Ereignisses übereinstimmen. Dokumente werden mit Vorlagen verglichen, die eine bestimmte medizinische Einrichtung oder Werkstatt zuvor ausgestellt hat. Die Erkennung von vollständig durch KI erzeugten Inhalten ist schwieriger. Das ist ein Wettlauf, in dem der Detektor meist einen Schritt hinter dem Generator bleibt, ähnlich wie bei Bildern und Aufnahmen vom Typ Deepfake. Wirksamer ist mitunter eine Prüfung an der Quelle: eine Anfrage beim Krankenhaus, ob es das betreffende Dokument ausgestellt hat, oder ein Abgleich der Daten mit Registern, zu denen der Versicherer Zugang hat.

Der Preis des Fehlalarms

Jeder als verdächtig markierte Schaden kostet. Zeit des Spezialisten und Nerven des Kunden, der sich meistens als ehrlich erweist und länger auf sein Geld wartet. Ein Modell, das mehr Betrugsfälle aufdeckt, aber die Zahl der Alarme verdoppelt, kann das Ergebnis in der Praxis verschlechtern, weil das Ermittlerteam die Warteschlange nicht abarbeitet. Die Alarmschwelle wird daher an die Kapazität des Teams und den Wert der Schäden angepasst. Die abstrakte „Trefferquote“ des Modells sagt hier wenig aus. Der einfachste Indikator zur Überwachung ist der Anteil der Alarme, die tatsächlich in der Aufdeckung eines Betrugs enden. Sinkt er, müssen Modell oder Regeln überprüft werden.

Wie können wir die Implementierung von KI in Versicherungen unterstützen?

Schadenbearbeitung von der Meldung bis zur Auszahlung

Die Schadenregulierung, also der gesamte Prozess von der Meldung bis zur Auszahlung, besteht zu einem großen Teil aus Arbeit mit Dokumenten und Gesprächen mit dem Kunden. Hier zahlt sich KI am schnellsten aus, weil die Wirkung sofort in der Bearbeitungszeit sichtbar wird.

Die Erstmeldung

Meldungen sind mitunter chaotisch. Der Kunde schreibt eine E-Mail ohne Policennummer und schickt die Fotos in drei getrennten Nachrichten. Ein KI-Chatbot, der Schadenmeldungen annimmt, fragt fehlende Daten nach, prüft die Police, erkennt die Schadenart und sagt sofort, welche Unterlagen benötigt werden. Geht der Fall über seinen Zuständigkeitsbereich hinaus, übergibt er das Gespräch an einen Berater zusammen mit dem, was er bereits festgestellt hat. Ein Teil der Kunden ruft lieber an, besonders kurz nach einem Unfall. Bei hohem Aufkommen an der Hotline erledigen dieselbe Arbeit Voicebots, die grundlegende Informationen aufnehmen und eine Meldung anlegen. Ein Gespräch mit jemandem im Schock oder nach einem schweren Unfall sollte man jedoch besser sofort an einen Menschen weiterleiten.

Dokumente, die eine Maschine liest

Rechnungen, Kostenvoranschläge, Entlassungsbestätigungen aus dem Krankenhaus, Polizeiprotokolle, Erklärungen der Verursacher. Klassisches OCR, also die Umwandlung eines Scans in Text, ist erst der Anfang. Ein Sprachmodell, also dieselbe Art von KI, auf der Chats wie ChatGPT beruhen, versteht, was was ist. Es weiß, dass der Betrag am unteren Rand einer Rechnung der Bruttowert ist, dass eine Diagnose in einer Krankenhausakte mit dem ICD-10-Code festgehalten wurde, dass das Datum auf dem Stempel vom Datum des Ereignisses abweicht und dass der Verursacher in der Erklärung seine Schuld einräumt. Daraus entstehen strukturierte Daten, die direkt in das Schadensystem gelangen.

Medizinische Unterlagen sind Daten einer besonderen Kategorie im Sinne der DSGVO, also unter anderem Informationen über die Gesundheit. Über die Wahl des Modells und des Verarbeitungsorts entscheidet dann ein Jurist in gleichem Maße wie ein Systemarchitekt. Die Anwendung selbst, durch die solche Daten laufen, sollte man vor dem Start einem Sicherheitsaudit der Anwendung unterziehen.

Fast Lane für einfache Schäden

Ein Teil der Schäden braucht gar keinen Sachbearbeiter. Eine eingeschlagene Scheibe oder die Erstattung der Kosten eines Arztbesuchs im Rahmen des Policenlimits sind gute Beispiele. Wenn der Betrag niedrig, die Bedingungen klar, die Unterlagen vollständig und die Risikobewertung für Betrug niedrig ist, kann das System eine Entscheidung und die Auszahlung ohne menschliche Beteiligung vorbereiten. Eine solche Aufteilung der Fälle, Triage genannt, sorgt dafür, dass sich Sachbearbeiter mit Schäden befassen, bei denen ihre Erfahrung zählt. Die Schwelle für die automatische Auszahlung sollte zu Beginn niedrig angesetzt werden. Man hebt sie dann an, wenn Daten aus mehreren Monaten zeigen, dass die Entscheidungen des Automaten nicht von menschlichen abweichen.

Assistent des Sachbearbeiters

Allgemeine Versicherungsbedingungen können mehrere Dutzend Seiten umfassen, und im Portfolio sind mehrere Versionen davon im Einsatz. Ein Assistent, der nach der Technik RAG aufgebaut ist, also ein Sprachmodell, das auf Basis angegebener Dokumente antwortet und nicht aus dem eigenen Gedächtnis, findet die passende Stelle und zeigt den Absatz, aus dem sie stammt. Der Sachbearbeiter entscheidet weiterhin. Er verliert nur keine halbe Stunde mehr mit der Suche nach einem Haftungsausschluss.

Derselbe Assistent hilft, Begründungen von Entscheidungen und Antworten auf Beschwerden zu formulieren. Unter einer Bedingung: Jeder Text, der an den Kunden geht, wird von einem Menschen gelesen und freigegeben. Sprachmodelle klingen auch dann sicher, wenn sie sich irren.

Schadenweg mit KI: Meldung, Dokumente, Tarifierung und Risikobewertung für Betrug durch das Modell sowie Triage auf Fast Lane, Sachbearbeiter und Ermittlung mit Kennzeichnung, wer die Entscheidung trifft

Was automatisiert werden darf: DSGVO, Versicherungsrecht und AI Act

Ausgangspunkt ist Art. 22 DSGVO. Er gibt jedem das Recht, keiner Entscheidung unterworfen zu werden, die ausschließlich auf einer automatisierten Verarbeitung beruht, wenn sie ihm gegenüber rechtliche Wirkung entfaltet oder ihn in ähnlicher Weise erheblich beeinträchtigt. Der polnische Gesetzgeber hat für Versicherungen eine eigene Grundlage vorgesehen. Art. 41 Abs. 1a des Gesetzes über die Versicherungs- und Rückversicherungstätigkeit erlaubt dem Versicherungsunternehmen, solche Entscheidungen bei der Bewertung des Versicherungsrisikos und bei der Feststellung der Ursachen von Ereignissen und der Schadenhöhe zu treffen. Bedingung: Der Kunde hat das Recht auf Erläuterung der Grundlagen der Entscheidung, auf deren Anfechtung, auf Darlegung des eigenen Standpunkts und auf das Eingreifen eines Menschen.

Daraus ergeben sich konkrete Anforderungen an das System. Das Modell muss eine Spur hinterlassen, auf Grundlage welcher Daten und Faktoren es die Entscheidung getroffen hat, denn ohne das lässt sie sich nicht erläutern. Der Prozess muss einen Weg zur Einlegung eines Rechtsbehelfs bei einem Menschen vorsehen. Für automatisierte Entscheidungen dürfen zudem ausschließlich die in Abs. 1b dieses Artikels genannten Datenkategorien verwendet werden, sodass der Ansatz „schicken wir ins Modell alles, was wir haben“ ausscheidet.

Der AI Act, die EU-Verordnung über künstliche Intelligenz, zählt zu den Hochrisikosystemen jene, die der Risikobewertung und Preisfestsetzung in Lebens- und Krankenversicherungen natürlicher Personen dienen (Anhang III Nr. 5 lit. c). Kfz- und Schadenversicherungen sowie die Betrugserkennung stehen nicht auf dieser Liste. Den Geltungstermin für die Pflichten bei Systemen aus Anhang III hat die Verordnung (EU) 2026/1744, der sogenannte Digital Omnibus, verschoben, die am 27. Juli 2026 in Kraft getreten ist. Statt ab August 2026 gelten sie ab dem 2. Dezember 2027. Es geht dabei unter anderem um ein Risikomanagementsystem, die technische Dokumentation, die Protokollierung von Ereignissen und die menschliche Aufsicht.

Dass ein System nicht in die Kategorie des hohen Risikos gelangt ist, entbindet nicht von der Verantwortung. Die EIOPA hat in ihrer Stellungnahme vom August 2025 beschrieben, was die Aufsicht bei den übrigen KI-Anwendungen in Versicherungen erwartet: dokumentierte Data Governance, die Prüfung, ob die Ergebnisse nicht diskriminierend sind, Erklärbarkeit und eine echte menschliche Aufsicht.

Wann KI in Versicherungen keinen Sinn hat

Nicht jedes Problem in der Schadenabteilung ist ein Problem für ein Modell. Eine Implementierung rechnet sich in der Regel in fünf Situationen nicht:

  • Das Volumen ist klein. Eine Agentur, die jährlich einige Hundert Schäden bearbeitet, wird keine Daten für das Training eines eigenen Modells zur Betrugserkennung sammeln, und die eingesparte Zeit deckt die Wartung nicht. Besser bewährt sich ein fertiges Werkzeug oder eine einfache Automatisierung ohne maschinelles Lernen.
  • Das Problem liegt im Prozess, nicht in der Entscheidung. Wenn ein Schaden eine Woche wartet, weil Dokumente per E-Mail zwischen den Abteilungen kursieren, wird das Modell nichts beschleunigen. Zuerst muss der Ablauf geordnet werden, oft durch gewöhnliche Prozessautomatisierung (BPA).
  • Es fehlen Daten mit Ergebnis. Ein Modell zur Betrugserkennung lernt an Schäden, bei denen bekannt ist, wie sie ausgegangen sind. Wenn die Ergebnisse der Ermittlungen in Notizen und Tabellen außerhalb des Systems leben, müssen sie zuerst zusammengetragen werden.
  • Jeder Schaden ist anders. Große Unternehmensrisiken, Industrieschäden oder Berufshaftpflicht haben wenige wiederkehrende Fälle, und die Bewertung erfordert Expertenwissen. Das Modell kann hier höchstens bei der Durchsuchung der Dokumentation helfen.
  • Niemand wird das Modell nach der Implementierung betreuen. Betrugsmuster verändern sich, Preise für Teile und Arbeitsleistung steigen, und ein an Daten von vor zwei Jahren trainiertes Modell beginnt, sich zu irren. Ohne Monitoring und einen Verantwortlichen auf der Geschäftsseite ist es besser, bei Regeln zu bleiben, die das gesamte Team versteht.

 

Es kommt auch die umgekehrte Situation vor. Regeln funktionieren gut, und das Unternehmen will „KI dazu nehmen“, weil die Konkurrenz es tut. Die ehrlichste Empfehlung ist dann oft, die Regeln und das Reporting zu verfeinern. Weniger spektakulär. Dafür günstiger.

FAQ

FAQ – Häufig gestellte Fragen zu KI in Versicherungen

  • Die Kosten reichen vom Gegenwert mehrerer Wochen Arbeit eines kleinen Teams bei einem Test an historischen Daten bis zum Budget eines mehrmonatigen Projekts bei vollständiger Integration in das Schadensystem. Die günstigste Variante umfasst einen Prozess, zum Beispiel das Auslesen von Rechnungen und Kostenvoranschlägen mit automatischer Befüllung der Felder in der Schadenakte. Die teuerste verbindet die Risikobewertung für Betrug, automatische Auszahlungen in einfachen Fällen und einen Assistenten für Sachbearbeiter, dazu mehrere Quellsysteme. Neben der Entwicklung selbst sind laufende Kosten zu rechnen: Gebühren für Sprachmodelle, die nach der Zahl verarbeiteter Dokumente abgerechnet werden, Infrastruktur, Monitoring und periodische Nachschulung der Modelle. Eine belastbare Schätzung lässt sich erst nach einer Durchsicht des Prozesses und der verfügbaren Daten erstellen. Bei einer geringen Zahl von Schäden pro Jahr muss zuerst berechnet werden, ob die eingesparte Zeit die Wartung deckt.
  • Erste Ergebnisse auf historischen Daten sind in der Regel nach einigen Wochen verfügbar, und ein System, das laufende Schäden bewertet, ist eine Perspektive von mehreren Monaten. Die meiste Zeit beansprucht die Vorbereitung der Daten, nicht der Aufbau des Modells: die Rekonstruktion der Ergebnisse früherer Ermittlungen, die Verknüpfung von Informationen aus dem Policen- und dem Schadensystem, die Vereinheitlichung der Kennungen von Personen, Fahrzeugen und Werkstätten. Danach folgt eine Phase der Parallelarbeit, in der das Modell Meldungen neben dem Team bewertet, aber keine Entscheidungen beeinflusst. Diese Phase zu verkürzen lohnt sich nicht, denn erst sie zeigt die tatsächliche Zahl der Alarme und ihre Treffgenauigkeit in frischen Fällen. Der Zeitplan verlängert sich, wenn eine Analyse des Beziehungsnetzes zwischen Schäden, die Anbindung an externe Datenbanken oder die Anforderung hinzukommt, dass jede Bewertung dem Kunden in einfacher Sprache begründet werden kann.
  • Ja, das polnische Recht lässt eine solche Möglichkeit zu. Das Gesetz über die Versicherungs- und Rückversicherungstätigkeit erlaubt Versicherungsunternehmen in Art. 41 Abs. 1a, Entscheidungen zu treffen, die ausschließlich auf einer automatischen Datenverarbeitung beruhen, unter anderem bei der Feststellung der Umstände des Ereignisses und der Schadenhöhe. Dabei muss dem Kunden das Recht auf Erläuterung der Grundlagen der Entscheidung, auf deren Anfechtung, auf Darlegung seines Standpunkts und auf eine erneute Prüfung durch einen Menschen erhalten bleiben. In der Praxis gibt der Automat meist einfache Auszahlungen frei: den Austausch einer Scheibe, geringfügige Schäden auf Reisen, die Erstattung von Behandlungskosten im Rahmen eines Limits. Ablehnungen und Leistungskürzungen sollte man vernünftigerweise dem Sachbearbeiter überlassen, denn sie führen am häufigsten zu Beschwerden und Gerichtsverfahren. Der Kunde sollte zudem eine klare Information erhalten, dass die Entscheidung vom System getroffen wurde, sowie einen Hinweis, wie er eine erneute Prüfung der Sache durch einen Mitarbeiter anfordern kann.
  • Ja, denn die nützlichsten Anwendungen im Versicherungsvertrieb erfordern kein Training eigener Modelle. Es genügen fertige Sprachmodelle, die mit den Dokumenten und Systemen des Unternehmens verbunden sind. Beispiele sind der Vergleich des Versicherungsschutzes in Policen und Versicherungsbedingungen verschiedener Gesellschaften, die Vorbereitung einer Angebotsübersicht für den Kunden, das Vorausfüllen einer Schadenmeldung auf Basis einer E-Mail und von Fotos oder Erinnerungen an auslaufende Verträge mit einem Verlängerungsvorschlag. Aufbau und Wartung einer solchen Lösung kann ein externes Team übernehmen, und auf Seiten des Maklers wird eine Person benötigt, die den Prozess kennt und die Qualität der Ergebnisse bewertet. Häufiger ist die Datenqualität im Agentursystem die Hürde als der Mangel an Spezialisten. Zudem muss der Schutz der Kundendaten geordnet werden: ein Auftragsverarbeitungsvertrag mit dem Modellanbieter und klare Regeln, welche Informationen an ihn übermittelt werden dürfen.
  • RPA wiederholt programmierte Schritte, und KI interpretiert Inhalte, die sie zuvor nicht gesehen hat. Ein RPA-Roboter, also ein Programm, das die Arbeit eines Menschen in der Benutzeroberfläche eines Systems nachahmt, überträgt Daten aus einem Formular in das Schadensystem, sofern das Formular immer gleich aussieht. Schickt der Kunde ein mit dem Telefon aufgenommenes Foto einer Rechnung, eine handschriftliche Notiz oder eine E-Mail ohne jegliche Struktur, bleibt der Roboter stehen. Das KI-Modell liest ein solches Dokument, erkennt Betrag, Datum und Policennummer und reicht sie weiter. In vielen Unternehmen wirken beide Ansätze zusammen: KI verwandelt unstrukturierte Dokumente in Daten, und RPA oder eine Integration über API trägt sie in ältere Systeme ohne andere Schnittstelle ein. RPA ist kostengünstiger und berechenbar, geht aber bei jeder Änderung der Oberfläche kaputt, weshalb es sich dort bewährt, wo Systeme selten geändert werden.
  • Ja, wenn die Anforderungen der DSGVO und der Regulierung des Finanzsektors erfüllt sind. Der Anbieter des Modells muss auf Grundlage eines Auftragsverarbeitungsvertrags handeln, die Verarbeitung sollte im Europäischen Wirtschaftsraum erfolgen oder mit angemessenen Schutzmaßnahmen für die Übermittlung, und der Vertrag muss die Nutzung der Daten für das Training der Modelle des Anbieters ausschließen. Seit dem 17. Januar 2025 unterliegen Versicherungsunternehmen zudem der DORA-Verordnung, die unter anderem eine Risikobewertung des IKT-Dienstleisters, ein Auditrecht und einen Ausstiegsplan aus dem Vertrag verlangt. Bei Gesundheitsdaten gilt ein besonderer Schutz, weshalb Pseudonymisierung eingesetzt wird, also das Ersetzen identifizierender Daten durch Codes vor dem Versand des Dokuments, oder ein Modell, das in der eigenen Infrastruktur betrieben wird. Die Wahl hängt von der Art der Daten, der Zahl der Dokumente und den Anforderungen der Compliance-Abteilung ab. Die eigene Infrastruktur gibt volle Kontrolle, doch ihre Wartung kostet mehr.
  • Ja, denn die Modelle müssen nicht innerhalb des alten Systems arbeiten, um dessen Daten zu nutzen. Daneben wird eine Zwischenschicht aufgebaut, die Informationen zu Schäden über verfügbare Schnittstellen, einen Export in eine Datenbank oder eine Datenkopie bezieht, sie verarbeitet und das Ergebnis in einer Form zurückgibt, die das System annimmt: ein Feld in der Schadenakte, eine Notiz oder eine Aufgabe für den Sachbearbeiter. Dadurch tritt die Wirkung ein, ohne das zentrale System auszutauschen, was in Versicherungen Jahre dauert und ein hohes Risiko birgt. Eine Einschränkung ist mitunter der Modus des Datenaustauschs. Stellt das alte System die Daten einmal pro Tag bereit, erfordert eine Risikobewertung im Moment der Meldung die Erfassung der Informationen früher, auf der Ebene des Formulars oder der Hotline. Die Zwischenschicht ist auch bei einer späteren Migration nützlich, weil die neuen Funktionen dann nicht an den alten Kern gebunden sind.
  • Ein fertiges Werkzeug lohnt sich dort, wo das Problem standardisiert ist und große Datenmengen erfordert, und eine eigene Lösung dort, wo die Besonderheit des Prozesses und die Integrationen zählen. Ein Beispiel der ersten Gruppe ist die Bewertung von Fahrzeugschäden anhand von Fotos: spezialisierte Anbieter trainieren Modelle an Datensätzen, die ein einzelner Versicherer nicht zusammentragen kann. Ähnlich verhält es sich mit der Kalkulation von Reparaturen nach Teilekatalogen und Zeitnormen der Hersteller. Eine eigene Lösung ist sinnvoll bei einem Assistenten für den Sachbearbeiter, der auf den firmeneigenen Versicherungsbedingungen und Verfahren beruht, bei einer Risikobewertung für Betrug, die an die Schemata eines konkreten Portfolios angepasst ist, und bei der Automatisierung des Dokumentenflusses zwischen den Systemen des Unternehmens. Oft endet es bei einem gemischten Modell: fertige Komponenten dort, wo sie ausgereift sind, und eine eigene Schicht, die sie mit dem Schadensystem, den Regeln des Unternehmens und der täglichen Arbeit der Sachbearbeiter verbindet.

Blog

Verwandte Artikel

Mehr lesen
Support

Voicebots im Unternehmen: Wie Gesprächsautomatisierung den Kundenservice verändert

Die Entwicklung des Kundenservice wird heute zu immer anspruchsvolleren Prozessen. Eine Schlüsselrolle spielen dabei Voicebots, die der Automatisierung im Unternehmen eine innovative Dimension verleihen. Sie ermöglichen eine effizientere Kommunikation und sparen wertvolle Zeit, sodass sie zu einem festen Bestandteil moderner Unternehmen werden.

Tomasz Kozon
01. Sept. 2025
Integrationen

Agentic Commerce Protocol – der neue Standard für Einkäufe durch KI

Das Agentic Commerce Protocol (ACP) von OpenAI und Stripe beschreibt, wie ein KI-Agent im Namen eines Kunden im Online-Shop eine Bestellung aufgibt. Wir zerlegen es in sechs Begriffe – vom Produkt-Feed bis zum Bestell-Webhook – und zeigen, was die erste Implementierung in ChatGPT für einen polnischen Shop bedeutet.

Tomasz Kozon
26. Okt. 2026
KI

Künstliche Intelligenz im Kundenservice – von Chatbots zu intelligenten KI-Agenten

Künstliche Intelligenz im Kundenservice hat den Weg von Bots mit Buttons zu KI-Agenten zurückgelegt, die Anliegen eigenständig in den Firmensystemen erledigen. Wir zeigen anhand einer Kundenanfrage, wie vier Generationen von Bots antworten, wann ein Mensch nötig ist, wie man Ergebnisse misst und wie man die Implementierung beginnt.

Tomasz Kozon
08. Okt. 2026
KI

KI im Finanzwesen: Wie Finanzinstitute Entscheidungsprozesse automatisieren

KI im Finanzwesen trifft immer häufiger die erste Entscheidung anstelle eines Menschen – bei der Bonitätsprüfung, der Betrugserkennung oder der Qualifizierung von Anträgen. Wir erklären, wie solche Systeme funktionieren, welche Daten sie nutzen und wo die realen Schwierigkeiten der Implementierung liegen.

Tomasz Kozon
23. Sept. 2026