KI in der Versicherung bedeutet, Software einzusetzen, die aus Daten lernt und Arbeit übernimmt, die früher von Hand erledigt wurde: Schadenunterlagen lesen, das Risiko einer neuen Police bewerten und Meldungen erkennen, die erfunden wirken. Der Nutzen ist messbar: schnellere Regulierung, zügigere Angebote und weniger betrügerische Auszahlungen.
Die Versicherungsbranche passt von Natur aus gut zu KI, denn die Arbeit dreht sich um Dokumente, Daten und Entscheidungen, die sich den ganzen Tag wiederholen. Mit unseren Dienstleistungen zur Entwicklung künstlicher Intelligenz automatisieren wir diese Routineaufgaben innerhalb der Systeme, die ein Unternehmen bereits betreibt, statt sie zu ersetzen. Für die meisten Versicherer ist KI auszuprobieren längst nicht mehr das Schwierige, wohl aber, unternehmensweit Wert daraus zu ziehen. BCG berichtete 2025, dass nur 7% der Versicherer ihre KI-Systeme skaliert hatten, während rund zwei Drittel Pilotprojekte betrieben.
Dieser Leitfaden behandelt die vier Bereiche, in denen sich KI in der Versicherung am verlässlichsten auszahlt: Schaden, Underwriting, Betrug und KI-Agenten, die unter menschlicher Aufsicht arbeiten. Er erklärt außerdem in einfachen Worten, was der Aufbau solcher Systeme mit sich bringt.
Welchen Nutzen bringt KI in der Versicherung?
Der größte Teil des Nutzens stammt aus einer Handvoll konkreter Aufgaben und nicht aus einem breit angelegten KI-Programm. Jede davon automatisiert langsame, manuelle Schritte in einem Prozess, den ein Versicherer täglich durchläuft.
Schadenbearbeitung
Liest Schadenformulare, Fotos und Rechnungen und gleicht sie mit der Police ab
Schnellere Auszahlungen bei weit weniger manueller Dateneingabe
Die Schadenbearbeitungskosten von Lemonade sanken auf rekordtiefe 5% der Beiträge, gegenüber einem Branchenschnitt von rund 9%
Underwriting
Sammelt Daten aus Anträgen und externen Quellen, um das Risiko zu bewerten
Schnellere, einheitlichere Angebote
Der KI-Assistent von AIG sortiert und priorisiert jeden neuen Antrag für ungewöhnliche, schwer platzierbare Risiken, sodass das Team mehr Policen ohne Neueinstellungen bewältigt
Betrugserkennung
Markiert Schäden und Dokumente, die nicht ins normale Muster passen
Weniger betrügerische Auszahlungen
Deloittes Versicherungsausblick 2026 schätzt, dass Betrugsanalysen in Echtzeit Sach- und Unfallversicherern bis 2032 bis zu 160 Milliarden US-Dollar sparen könnten
KI-Agenten mit menschlicher Prüfung
Zerlegt einen Schaden in Schritte und überlässt die Zahlungsentscheidung einem Menschen
Regulierung in Stunden statt Tagen
Allianz verkürzte Bearbeitungs- und Regulierungszeit bei Kleinschäden um 80%
Alle vier hängen von sauberen Daten ab und davon, zu wissen, wann ein Mensch eingreifen muss. Die folgenden Abschnitte zeigen, wie jeder davon funktioniert.
KI-gestützte Schadenbearbeitung übernimmt den Papierkram
Ein Schaden trifft selten als eine einzige, ordentliche Datei ein. Meist sind es ein Formular, ein paar Fotos, ein Reparaturkostenvoranschlag und manchmal ein Polizeibericht. Jemand muss all das lesen, die wichtigsten Angaben ins Schadensystem tippen und mit der Police abgleichen. Die KI-gestützte Schadenbearbeitung übernimmt dieses Lesen und Prüfen, damit Sachbearbeiter, also die Personen, die jeden Schaden beurteilen, ihre Zeit für Entscheidungen statt für Dateneingabe aufwenden.
Drei Technologien leisten den Großteil der Arbeit:
- Dokumentenerfassung: Die optische Zeichenerkennung (OCR) wandelt eingescannte Seiten in Text um, und ein Sprachmodell greift die wesentlichen Angaben heraus, etwa Daten, Beträge und Policennummern.
- Fotoauswertung: Computer Vision, also Software, die Bilder interpretiert, schätzt Schäden anhand von Fotos eines Autos oder eines Dachs. Unser Überblick über Computer-Vision-Anwendungen zeigt, wo die Technologie heute gut funktioniert.
- Validierung: Das System vergleicht jede ausgelesene Angabe mit der Police und markiert alles, was fehlt oder widersprüchlich ist.
Einfache Schäden, die alle Prüfungen bestehen, können ohne jedes Zutun direkt zur Zahlung gehen, was die Branche Dunkelverarbeitung nennt. Über Erfolg oder Misserfolg entscheidet, wie das System mit unsicheren Fällen umgeht. Ein guter Aufbau bewertet seine Zuverlässigkeit bei jeder ausgelesenen Angabe und leitet alles unterhalb der Schwelle an einen Menschen weiter. Unser Playbook zur Automatisierung der Dokumentenprüfung erläutert diese Weiterleitung, samt einer zweiten Prüfrunde bei Großschäden.
Die Textseite haben wir bereits gebaut. Für Recruit Media trainierten unsere Ingenieure ein neuronales Netz mit über 1,5 Millionen Texten, um Lebensläufe und Stellenbeschreibungen zu analysieren und die passendsten Schlagwörter vorzuschlagen. Allgemeine Dokumentenwerkzeuge stolpern oft über die eigenen Formulare und Kürzel eines Versicherers, und die KI-basierte Softwareentwicklung erlaubt es uns, ein Modell auf genau den Unterlagen zu trainieren, die Ihr Team tatsächlich bearbeitet.
Wie KI-Underwriting die Zeit bis zum Angebot verkürzt
Underwriting ist der Vorgang, mit dem ein Versicherer entscheidet, ob er ein Risiko deckt und was er dafür verlangt. Ein Underwriter sammelt Informationen aus dem Antrag, aus früheren Schäden, aus Besichtigungsberichten und externen Datenbanken und beurteilt dann das Risiko. Accenture stellte fest, dass Underwriter noch immer mehr als ein Drittel ihrer Zeit mit fachfremder Arbeit wie Datenbeschaffung und Verwaltung verbringen.
KI-Underwriting setzt genau bei dieser verlorenen Zeit an. Prognosemodelle lernen Muster aus früheren Policen und Schäden und bewerten dann jeden neuen Antrag daran. Sie können auch Echtzeitdaten heranziehen, etwa Gebäudemerkmale oder das Fahrverhalten, das ein Gerät im Auto aufzeichnet. Der Underwriter erhält eine vorausgefüllte Akte und einen vorgeschlagenen Risikowert und trifft die Entscheidung.
Daraus ergeben sich zwei Vorteile:
- Tempo: Angebote gehen schneller raus, da die langsame Arbeit des Sammelns und Prüfens erledigt ist, bevor jemand die Akte öffnet.
- Einheitlichkeit: Ähnliche Antragsteller erhalten ähnliche Preise, weil das Modell jedes Mal dieselbe Logik anwendet, ganz gleich, wer den Fall bearbeitet.
Versicherer erwarten, dass KI-Underwriting-Werkzeuge zur Normalität werden. In einer Accenture-Befragung von 430 Führungskräften soll die Verbreitung binnen drei Jahren von 14% auf 70% steigen.
Es gibt allerdings einen Haken: Ein Modell, das aus früheren Entscheidungen lernt, kann auch frühere Voreingenommenheit lernen, und genau darauf achten die Aufsichtsbehörden.
KI erkennt die manipulierten Nachweise von Betrügern
Versicherungsbetrug reicht vom Aufblähen eines echten Schadens bis zum Inszenieren eines Unfalls, den es nie gab, und KI macht das Fälschen von Nachweisen heute leichter denn je. In einer Studie von 2026 fand Verisk heraus, dass 98% der Versicherer darin übereinstimmen, dass KI-Bearbeitungswerkzeuge einen Anstieg beim Betrug mit digitalen Medien treiben, also mit manipulierten Fotos und Dokumenten. Nur 32% fühlten sich sehr sicher, einen Deepfake erkennen zu können, also ein Bild, Video oder eine Sprachaufnahme, die von KI so überzeugend erzeugt wurde, dass sie echt wirkt.
Die gute Nachricht: KI in der Versicherung wirkt auch auf der Abwehrseite, in drei Schichten:
- Anomalieerkennung: Ein Modell lernt, wie normale Schäden aussehen, und markiert alle, die nicht dazu passen, etwa eine Reparaturrechnung weit über dem für diesen Schaden Üblichen.
- Dokumentenforensik: Software prüft Dateien auf Spuren von Bearbeitung, etwa nicht zusammenpassende Schriftarten, veränderte Dateiangaben oder Pixelmuster, die Bildwerkzeuge hinterlassen.
- Netzwerkanalyse: Das System kartiert Verbindungen zwischen Anspruchstellern, Werkstätten, Kliniken und Adressen und legt organisierte Ringe offen, die eine Einzelfallprüfung übersehen würde, etwa mehrere Schäden unter einer Telefonnummer.
Keine dieser Schichten trifft die endgültige Entscheidung. Gemeinsam erzeugen sie einen Risikowert, und die Sonderermittlungseinheit, das Team für Betrugsverdacht, prüft die am höchsten eingestuften Fälle.
Dieselben Methoden haben wir in einer anderen Branche angewandt, in der gefälschte Unterlagen und manipulierte Fotos teuer werden. Unser Leitfaden zum Einsatz von KI in der Immobilienbranche zur Erkennung von Betrug und Auffälligkeiten zeigt, wie Dokumenten-KI, Bildforensik und Deepfake-Prüfungen zu einem Screening-Ablauf zusammenfinden, bei dem Menschen die Hochrisiko-Treffer prüfen.
Agentische KI übernimmt die Prüfungen: Ein Mensch gibt die Zahlung frei
Agentische KI bezeichnet Software-Agenten, die eine Reihe von Schritten auf ein Ziel hin ausführen, statt eine einzelne Frage zu beantworten. Im Schaden prüft womöglich ein Agent die Deckung, während ein zweiter Wetterdaten zieht und ein dritter nach Betrugssignalen sucht, wobei jeder seine Erkenntnisse weiterreicht. Human-in-the-Loop bedeutet, dass ein Mensch bei den wichtigsten Entscheidungen das Sagen behält, in der Regel bei der Auszahlung.
Das Projekt Nemo der Allianz ist das klarste Beispiel. Im Juli 2025 in Australien gestartet, bearbeitet es Schäden durch verdorbene Lebensmittel unter 500 AUD, etwa eine Gefriertruhe voller Vorräte nach einem Stromausfall. Da sich sieben KI-Agenten die Arbeit teilen, sank die Bearbeitungsdauer um 80%. Die Allianz erklärt, dass Zahlungsentscheidungen nie automatisiert werden, sodass in diesem System eine Schadenfachkraft jede Zahlung freigibt.
Travelers zog Anfang 2026 nach und brachte einen mit OpenAI entwickelten KI-Schadenassistenten an den Start, der die Erstmeldung eines Fahrzeugschadens per Sprache aufnimmt. Kundinnen und Kunden können jederzeit zu einer Fachkraft wechseln. Celent stellte fest, dass 22% der Versicherer bis Ende 2026 eine agentische KI-Lösung im Einsatz haben wollten.
Beide Einführungen teilen ein nachahmenswertes Muster: Agenten leisten die Vorarbeit, ein Mensch behält die letzte Entscheidung. Ein naheliegendes Einsatzfeld ist die Schadentriage, also das Sortieren eingehender Schäden nach Dringlichkeit und Komplexität. Agenten tragen Fakten zusammen, führen Prüfungen aus und formulieren eine Empfehlung. Alles Ungewöhnliche, etwa eine hohe Schadenhöhe, eine Deckungsfrage oder ein Betrugshinweis, eskalieren sie mit der vollständigen Akte an einen Sachbearbeiter. Wer die Eskalationsregeln festlegt und wer einen Agenten stoppen darf, ist ein eigenes Thema, behandelt unter Governance für Enterprise-KI-Agenten. Wenn wir Agenten über unsere Leistungen zur Entwicklung von KI-Agenten bauen, ist diese Übergabe an einen Menschen vom ersten Tag an Teil des Entwurfs.
Drei Dinge entscheiden, ob sich ein KI-Projekt rechnet
Diese Anwendungsfälle funktionieren bereits bei echten Versicherern, doch sie nachzubauen garantiert nicht dieselben Ergebnisse. Der größte Teil der Schwierigkeiten liegt außerhalb der Technik selbst: Derselbe BCG-Bericht fand, dass nur rund 10% der Probleme beim Skalieren von KI von den Modellen herrühren. Darauf sollten Sie zuerst achten:
- Saubere, verbundene Daten: Ein Modell ist nur so verlässlich wie die Datensätze, aus denen es lernt. Liegen Policendaten, Schadenhistorie und Kundenangaben in getrennten Systemen, kommt das Zusammenführen und Bereinigen zuerst, und es ist oft die längste Etappe.
- Kernsysteme, die bleiben, wo sie sind: Viele Versicherer führen Policen und Schäden auf jahrzehntealten Kernsystemen, deren Austausch zu riskant wäre. Der praktikable Weg ist, die KI an diese Software anzubinden: Das Modell liest Daten heraus und schreibt Ergebnisse zurück, während die Kernplattform weiterläuft. KI in ältere Systeme integrieren geht diesen Ansatz Schritt für Schritt durch.
- Entscheidungen, die sich erklären lassen: Bis April 2026 hatten 24 Bundesstaaten sowie Washington, D. C., das KI-Musterrundschreiben übernommen, das von der National Association of Insurance Commissioners (NAIC) stammt. Das Rundschreiben erwartet ein schriftliches KI-Programm, Schutzvorkehrungen gegen unfaire Diskriminierung und die Aufsicht über externe Anbieter. Die KI-Verordnung der EU stuft KI, die in der Lebens- und Krankenversicherung Risiken bewertet und Preise festlegt, als hochriskant ein. Was dieses Etikett in der Praxis verlangt, zeigt KI-Compliance für Finanzanwendungen. Jede automatisierte Entscheidung sollte festhalten, welche Daten sie nutzte und warum sie so bewertet hat.
Rund um Kernsysteme zu arbeiten, die nicht ersetzt werden können, ist für uns vertrautes Gelände. Für die Preisplattform KillerBee von KB&G, gebaut für Unternehmen der Baustoffbranche, musste unsere Software Daten mit älteren, oft undokumentierten Werkzeugen der Kunden austauschen. Selbst mit dieser Einschränkung beschleunigte ihre Automatisierung die Angebotserstellung um 90%.
Wo sollten Sie mit KI in der Versicherung anfangen?
Die Belege für Ergebnisse nehmen zu. Der Evident AI Index fand, dass 20 der 30 von ihm beobachteten Versicherer inzwischen Ergebnisse für mindestens einen KI-Anwendungsfall berichten. Das klarste Beispiel in diesem Leitfaden begann eng zugeschnitten: Die Allianz startete mit Lebensmittelschäden unter 500 AUD. Gehen Sie denselben Weg: Wählen Sie einen kostspieligen, sich wiederholenden Prozess, meist Schadenannahme, Underwriting-Vorbereitung oder Betrugsprüfung, und automatisieren Sie ihn, während ein Mensch das letzte Wort behält. Funktioniert das, nehmen Sie sich den nächsten vor.
Wenn Sie bereits wissen, welche Aufgabe in Ihrem Team die meisten Stunden frisst, ist das Ihr Ausgangspunkt. Redwerk kann sie mit Ihnen abstecken, an die Systeme anbinden, die Sie heute betreiben, und die menschlichen Kontrollen einbauen, die Aufsichtsbehörden erwarten. Sagen Sie uns, was Sie automatisieren möchten, und wir skizzieren die Schritte dorthin.
Häufige Fragen
Was ist KI in der Versicherung?
KI in der Versicherung ist der Einsatz von Software, die auf früheren Fällen trainiert wurde, um die Arbeit über den gesamten Lebenszyklus einer Police zu unterstützen, vom Angebot für einen neuen Kunden bis zur Regulierung eines Schadens. Ältere Automatisierung folgt festen Wenn-dann-Regeln, während KI mit unordentlichen Eingaben wie handschriftlichen Formularen, Fotos und freien Textnotizen umgehen kann. Üblicherweise bereitet die KI Entscheidungen schneller vor, und geschulte Mitarbeitende genehmigen weiterhin alles, was über Routinefälle hinausgeht.
Wie wird KI in der Schadenbearbeitung eingesetzt?
Meldet eine Kundin oder ein Kunde einen Schaden, kann die KI die Angaben über eine App oder einen Sprachassistenten erfassen, die beigefügten Fotos und Belege lesen und bestätigen, dass der Schaden gedeckt ist. Schäden mit geringem Risiko und geringer Höhe lassen sich dann binnen Stunden zahlen. Alles Komplexe oder Verdächtige geht an eine Schadenregulierungsfachkraft, die Spezialistin für die Bewertung von Schäden, zusammen mit einer geordneten Akte statt eines Papierstapels.
Was ist KI-Underwriting?
KI-Underwriting ist der Einsatz von Prognosemodellen, um einen Versicherungsantrag zu bewerten und abzuschätzen, wie wahrscheinlich er zu einem Schaden führt. Das Modell vergleicht jeden Antragsteller mit Mustern aus historischen Daten und externen Quellen, etwa Gebäude- oder Fahrdaten, und empfiehlt dann einen Preis oder äußert Bedenken. Die Entscheidung trifft weiterhin ein Underwriter, und das Modell sollte regelmäßig darauf geprüft werden, ob es vergleichbare Antragsteller unfair behandelt.
Kann KI Versicherungsbetrug erkennen?
KI kann viele Arten von Versicherungsbetrug erkennen, von der überhöhten Reparaturrechnung bis zum mit Bildbearbeitung veränderten Unfallfoto. Die Software misst jeden Schaden an typischen Fällen und verknüpft zusammenhängende Schäden, die sich Personen, Fahrzeuge oder Adressen teilen. Statt jemanden zu beschuldigen, ordnet das System die Schäden nach Risiko, sodass Ermittler die verdächtigsten zuerst prüfen und ehrliche Kundinnen und Kunden schneller ihr Geld erhalten.
Ist KI in der Versicherung reguliert?
KI in der Versicherung ist reguliert, in den USA überwiegend auf Ebene der Bundesstaaten. Etwa die Hälfte der Staaten hat die Leitlinien der National Association of Insurance Commissioners (NAIC) übernommen. Die NAIC erwartet von Versicherern, zu dokumentieren, wie sie KI steuern, ihre Modelle auf unfaire Verzerrungen zu prüfen und ihre Anbieter zu überprüfen. Colorado hat eine eigene Regelung. In der EU stuft die KI-Verordnung KI, die Lebens- und Krankenpolicen bewertet und bepreist, als hochriskant ein.
Erfahren Sie, wie Redwerk ein neuronales Netz mit über 1,5 Millionen Datensätzen trainierte, um eine KI-Matching-Plattform zu betreiben, die später von einem US-Personalvermittlungsriesen übernommen wurde
