Der Druck auf Versicherer steigt: Kundinnen und Kunden erwarten heute maßgeschneiderte, digitale und unkomplizierte Lösungen, die in Echtzeit funktionieren. Gleichzeitig nehmen Konkurrenz durch InsurTechs, Regulierungsanforderungen und Kostendruck zu. In dieser Gemengelage wird eines zur Schlüsselressource: verlässliche, gut erschlossene Daten – und darauf aufbauend eine skalierbare Daten- und KI-Plattform.

Anzeige

Warum „Data Driven“ jetzt zur Pflicht wird

cms.ggfyr.660x371Abbildung 1: Marktumfeld

Viele Kunden möchten heutzutage nicht nur die Schadenmeldungen online erledigen, sondern auch Verträge einfach, transparent und digital im Kundenportal per Smartphone abschließen oder anpassen.

Gleichzeitig verschiebt der steigende Einsatz von KI und insbesondere Agentic AI die Spielregeln im Versicherungsumfeld. Systeme werten immer weniger nur noch aus, sondern agieren zunehmend eigeninitiativ, indem sie auf Basis definierter Ziele passende Aktionen anstoßen. Sie bereiten proaktiv Angebote vor oder leiten automatisch Prozesse im Kundenportal ein, um nur zwei Beispiele zu nennen. Experten hinterfragen daher verstärkt, ob historisch gewachsene System- und Softwarearchitekturen die dafür notwendigen KI-Schnittstellen, APIs und Datenzugänge bereitstellen.

Philip Schreiber ist Managing Consultant bei der adesso SEPhilip Schreiber ist Managing Consultant bei der adesso SEadesso SE

Neue digitale Wettbewerber und InsurTechs bringen von Haus aus neue, datengetriebene Geschäftsmodelle mit in den Markt und setzen damit etablierte Häuser bezüglich Geschwindigkeit, Pricing und Kundenerlebnis unter Zugzwang.

Data Driven Insurance bedeutet in diesem Kontext: Entscheidungen entlang der gesamten Wertschöpfungskette aus den verfügbaren Daten treffen – vom Produktdesign über Pricing bis zur Schadenregulierung. GenAI wirkt dabei als Beschleuniger, ist aber ohne eine robuste Datenbasis wirkungslos.

Vom Leuchtturm-Use-Case zur Plattform

Viele Versicherer haben bereits einzelne KI- oder Analytics-Use-Cases umgesetzt. Vom anfänglichen Chat-Bot-Einsatz bis zur einzelnen, isolierten Lösung im Bestand, Underwriting oder Schadenmanagement.

Sie erreichen damit punktuelle Effizienzgewinne, die Anwendungsfälle bleiben aber strategisch wirkungslos, da die Daten nur spartenspezifisch und in Silos vorliegen, jeder Use Case sein eigenes Modell beinhaltet und es noch keine gemeinsame Plattform für Daten, Features, Modelle und Governance gibt.

Folgende Punkte sind daher unerlässlich:

  1. Zentral verfügbare, qualitätsgesicherte Daten durch Data Lakehouse, einheitliche Datenmodelle und klare Ownerships
  2. Wiederverwendbare Daten- und KI-Bausteine im Rahmen von gemeinsamen Kunden- und Vertragsprofilen, Scoring-Services und Bildklassifikationen
  3. Standardisierte Schnittstellen (APIs, Events) in den Systemen, die Fachbereiche in ihre Services einbinden können
  4. Governance und Compliance durch nachvollziehbare Modelle, Audit-Trails, Datenschutz und Fairness – idealerweise unterstützt durch spezialisierte Governance-Lösungen, die Transparenz, Steuerung und Dokumentation automatisiert bereitstellen

Ein Beispiel für einen solchen Governance-Baustein ist der Governance Agent: Er überwacht Datenmigrationen aus Governance-Sicht und verknüpft technische Metadaten sowie fachliche Informationen zu einem Gesamtbild. Damit schafft er Transparenz über Projekt- und Migrationsstatus, stellt ein Frühwarnsystem für Risiken und Abweichungen bereit und liefert eine Management- und Audit-taugliche Dokumentation.

Am Beispiel ausgewählter Use Cases lässt sich hier gut zeigen, wie aus isolierten Projekten Plattform-Bausteine werden können, um den Herausforderungen am Markt entgegentreten zu können.

Use Case 1: Durchgängig datengetriebene Schaden-/ Leistungsbearbeitung (Dunkelverarbeitung)

Automatisierung im Rahmen der Dunkelverarbeitung ist vielfach der schnellste Hebel, um Kosten zu senken und zugleich Geschwindigkeit und Servicequalität zu erhöhen.

Beim Inputmanagement klassifiziert KI automatisiert jegliche Dokumente (Briefe, PDFs, E-Mails, Bilder), extrahiert relevante Informationen und verarbeitet diese strukturiert weiter.

Durch regelbasierte Vorentscheidungen mit Hilfe von KI ordnen Unternehmen Standardfälle automatisch zu, so dass sich der einzelne Sachbearbeiter auf die komplexeren Sonderaufgaben und Ausnahmen konzentrieren kann.

Auch im Backoffice können assistierende Systeme Akten zusammenfassen, Fälle vorbereiten, Vertragsbedingungen gegen Schadenmeldungen prüfen und die darauffolgende Kundenkommunikation vorbereiten.

Ein einmal aufgebauter „Documents-to-Data“-Baustein reduziert den Aufwand in vielen Bereichen – von Schaden über Leistung bis hin zur Compliance.

Use Case 2: KI-gestützte Fraud Detection

Betrugsprävention ist ein klassischer Data-Science-Anwendungsfall. Moderne Lösungen gehen deutlich über einfache Plausibilitätsprüfungen hinaus:

cms.qahif.660x371Abbildung 2: Automatische Betrugsprävention

Viele der hierfür benötigten Komponenten (Anomalie-Erkennung, Netzwerkanalysen, Bildklassifikationen) sind generische Services. Diese können auch für Geldwäscheprävention, Regressmanagement oder Risikocontrolling eingesetzt werden.

Use Case 3: Datengetriebene Bewertung und Pricing

Risikobewertung und Tarifierung sind Kernkompetenzen von Versicherern – und prädestiniert für datengetriebene Ansätze.

Die KI analysiert Kunden- und weitere externe Daten (z. B. Fahrverhalten, Umweltrisiken, Gesundheitsinformationen), erkennt Muster und Anomalien und liefert eine präzisere Risikobewertung als der Mensch – und das in Echtzeit.

KI-Modelle berechnen Prämien außerdem granularer und berücksichtigen Verhalten und Risikoverlauf, ohne regulatorische Grenzen zu verletzen.

Versicherungsnehmer und Aufsicht müssen transparent nachvollziehen können, warum ein bestimmter Preis auch mit Hilfe von KI zustande kommt. Unternehmen können die dafür entwickelten Risk Scores, Datenpipelines und Modell-Services in Underwriting, Bestandssteuerung und Rückversicherung wiederverwenden.

Maturity Assessment: Ausgangspunkt jeder Plattformstrategie

Bevor Spezialisten die einzelnen Use Cases industrialisieren und auf eine Daten- und KI-Plattform heben, ist eine ehrliche Bestandsaufnahme notwendig. Ein sogenanntes Maturity Assessment betrachtet typischerweise folgende Punkte im Umgang mit Daten und KI:

  • Datenqualität, Datenverfügbarkeit
  • Data Governance
  • Technologische Basis der Daten
  • Organisation und Rollen
  • Prozesse für Modellentwicklung, -betrieb und -überwachung
  • Compliance- und Risiko-Management

Erst auf dieser Basis können Entscheider die Use Cases priorisieren, Lücken schließen und eine Roadmap zur Data Driven Insurance entwickeln. Ohne diesen Schritt laufen Vorhaben Gefahr, im Pilotstadium zu bleiben oder an Silos, fehlender Governance und mangelnder Skalierbarkeit zu scheitern.

Fazit

Data Driven Insurance ist mehr als einzelne KI-Use-Cases. Entscheidend ist, diese Use Cases auf eine gemeinsame, skalierbare Plattform zu heben – mit verlässlichen Daten als Kern, GenAI als Enabler und klaren Leitplanken durch Regulierung und Nachhaltigkeit.

Wer seinen Reifegrad systematisch bewertet, Governance über spezialisierte Lösungen – wie beispielsweise den Governance Agent – operationalisiert und darauf aufbauend eine Plattformstrategie entwickelt, schafft die Voraussetzung, um Kundenerwartungen zu erfüllen, Kosten nachhaltig zu senken und im verschärften Wettbewerb zu bestehen.