AIOS: Von KI-Analyse zu konkreten Maßnahmen im Versicherungswesen

Versicherungsmodelle waren noch nie so leistungsfähig wie heute. Sie greifen auf mehr Daten zu, erkennen subtile Korrelationen, antizipieren Verhaltensweisen, bewerten Risiken und liefern immer präzisere Empfehlungen. Dennoch bleiben die finalen Entscheidungen in vielen Unternehmen langsam, fragmentiert und schwer umsetzbar.

Das Aktuariat verfeinert ein Modell. Das Datenteam generiert einen Score. Die Risikoprüfung erhält eine Empfehlung. Das Marketing identifiziert ein Abwanderungsrisiko. Doch zwischen Analyse und Umsetzung stehen weiterhin mehrere Hürden: isolierte Systeme, manuelle Freigaben, Abhängigkeit von der IT, verstreute Geschäftsregeln und unklare Verantwortlichkeiten.

Die Intelligenz ist vorhanden. Was Versicherern noch fehlt, ist die Fähigkeit, diese schnell in konsistente, kontrollierte und messbare Entscheidungen zu übersetzen. Dies ist eine der dringendsten Herausforderungen für KI im Versicherungswesen heute.

Da KI-Fähigkeiten immer breiter verfügbar werden, ist der bloße Zugang zu leistungsstarken Modellen immer weniger ein Differenzierungsmerkmal. Im Versicherungswesen hängt der Mehrwert davon ab, KI im Kontext branchenspezifischer Daten, Geschäftsregeln, regulatorischer Anforderungen, Workflows und menschlicher Expertise einzusetzen. Die nächste Herausforderung besteht daher darin, diese Fähigkeiten in ein vernetztes Betriebsmodell zu überführen, das die richtige Intelligenz im gesamten Unternehmen nutzbar macht.

In Frankreich ist diese Herausforderung besonders ausgeprägt. Versicherer müssen sich mit zunehmenden Klimarisiken, steigenden Schadenkosten, Druck auf die Kaufkraft der Haushalte und wachsenden Anforderungen an Transparenz auseinandersetzen. Gleichzeitig stützen sich ihre Betriebsmodelle häufig auf Altsysteme, mehrere Vertriebsnetze und komplexe Freigabeprozesse. In diesem Umfeld reicht es nicht mehr aus, präzisere Analysen zu erstellen. Versicherer müssen diese auch schnell in Entscheidungen übersetzen können, die umsetzbar, nachvollziehbar und über alle Kanäle hinweg konsistent sind.

An Modellen mangelt es der Versicherungsbranche nicht

Versicherer haben massiv in Advanced Analytics, Machine Learning und zuletzt auch in generative und agentische KI investiert.

Anwendungsfälle vervielfachen sich:

• negative Schadenentwicklung erkennen

• Veränderungen im Portfolio antizipieren

• Risikoselektion verbessern

• Empfehlungen personalisieren

• Abwanderungsrisiken identifizieren

• Informationen in einer Akte zusammenfassen

• administrative Aufgaben automatisieren

Jeder Anwendungsfall bringt für sich einen Mehrwert. Zusammen ergeben sie aber noch kein einheitliches Betriebsmodell.

Ein Versicherer verfügt vielleicht über ein leistungsstarkes Tool für Pricing, ein weiteres für Underwriting, ein drittes für Schadenregulierung und ein viertes für Customer Engagement. Doch die Entscheidungen, die diese Lösungen unterstützen, stehen selten für sich allein. Eine Risikoveränderung kann sich auf den Risikoappetit in Underwriting und Pricing auswirken. Eine Pricing- oder Underwriting-Entscheidung kann die Empfehlung beeinflussen, die einem Kunden gegeben wird. Neue Kunden-, Portfolio- oder Marktsignale können nachfolgende Entscheidungen beeinflussen. Wenn jede Lösung mit eigenen Daten, Zielen und Workflows arbeitet, können diese Zusammenhänge leicht verloren gehen.

Das Ergebnis: Teams sitzen auf Erkenntnissen, mit denen sie erst einmal wenig anfangen können. Modelle schaffen es oft nicht rechtzeitig von der Entwicklung in den echten Betrieb, Empfehlungen müssen erst von Hand geprüft und weitergegeben werden, und was in einem Bereich entschieden wird, kommt im nächsten oft gar nicht erst an.

Die wachsende Herausforderung besteht darin, die Lücke zwischen immer ausgefeilteren analytischen Fähigkeiten und der operativen Realität ihrer Umsetzung zu schließen.

Teams sitzen auf Erkenntnissen, mit denen sie erst einmal wenig anfangen können. Modelle schaffen es oft nicht rechtzeitig von der Entwicklung in den echten Betrieb, Empfehlungen müssen erst von Hand geprüft und weitergegeben werden, und was in einem Bereich entschieden wird, kommt im nächsten oft gar nicht erst an.

Das Problem ist daher nicht ein Mangel an KI, sondern die Lücke zwischen analytischen Fähigkeiten und der operativen Realität.

Ein gutes Modell garantiert noch keine gute Entscheidung

Eine Versicherungsentscheidung stützt sich nie auf ein einziges Signal. Eine Anpassung im Pricing muss das Risikoniveau, die Nachfrage, die Profitabilität des Portfolios, geschäftliche Einschränkungen, Underwriting-Regeln und Marktbedingungen berücksichtigen.

In Frankreich belegen Klimawandel und Cyberangriffe inzwischen gemeinsam den Spitzenplatz auf der zukunftsorientierten Risikokarte von France Assureurs. Diese Entwicklung verdeutlicht eine wachsende Herausforderung: Risiken werden nicht nur häufiger oder kostspieliger, sie verändern sich auch schneller und sind zunehmend miteinander verknüpft.

Eine Produktempfehlung muss die Situation des Kunden, die verfügbaren Produkte, die Vertriebspolitik, regulatorische Vorgaben und den jeweils genutzten Kanal berücksichtigen. Eine Underwriting-Entscheidung muss Modellergebnisse, Geschäftsregeln, Falldaten und Expertenurteil zusammenführen.

Der Wert liegt nicht nur in der Genauigkeit eines Scores, sondern darin, wie dieser Score in eine Entscheidung eingebettet und anschließend in konkrete Maßnahmen übersetzt wird.

In den Sparten Kfz, Wohngebäude, Kranken- und Gewerbeversicherung zeigen sich dieselben Entwicklungen: steigende Kosten, stärkere Volatilität, Druck auf die Margen, höhere Kundenerwartungen und die Notwendigkeit, Entscheidungen deutlich schneller anzupassen.

In einem solchen Umfeld verliert ein zu spät erkanntes Signal einen Teil seines Werts. Ein negativer Trend, der ohne operative Anpassung bleibt, bleibt eine bloße Beobachtung. Eine relevante Empfehlung, die nie das Vertriebsnetz erreicht, bleibt eine Hypothese. Ein präzises Modell, dessen Implementierung mehrere Monate dauert, reagiert letztlich auf Rahmenbedingungen, die sich bereits verändert haben.

Die operative Herausforderung von KI

Über Jahre drehte sich die Diskussion um KI vor allem um Modelle: ihre Genauigkeit, ihre Komplexität und ihre Fähigkeit, wachsende Datenmengen zu analysieren. Diese Fähigkeiten bleiben wichtig, doch je zugänglicher leistungsstarke KI wird, desto weniger reicht reine Modellkomplexität allein aus, um sich vom Wettbewerb abzuheben.

Für Versicherer liegt die größere Chance darin, KI im spezifischen Kontext des Versicherungsgeschäfts einzusetzen: in ihren Daten, Geschäftsregeln, regulatorischen Anforderungen, Workflows, im Fachwissen der Mitarbeitenden und in den vielfältigen Wechselwirkungen zwischen Entscheidungen. Dafür reicht es nicht, einzelne KI-Anwendungsfälle isoliert zu betrachten – Intelligenz muss in die tausenden Entscheidungen einfließen, die das Tagesgeschäft eines Versicherers prägen.

Über Jahre drehte sich die Diskussion um KI vor allem um Modelle: ihre Genauigkeit, ihre Komplexität und die Datenmenge, die sie analysieren konnten.

Diese Faktoren sind nach wie vor wichtig. Aber sie reichen nicht mehr aus, um ein Unternehmen klar vom anderen zu unterscheiden. Die eigentliche Herausforderung besteht heute darin, Intelligenz in die tausenden Entscheidungen einfließen zu lassen, die das Tagesgeschäft eines Versicherers bestimmen.

Nehmen wir eine Klimawarnung. Anstatt isoliert in einem Risikomodell zu verbleiben, könnte sie eine Anpassung einer Underwriting-Regel auslösen, präventive Maßnahmen für die betroffenen Versicherungsnehmenden anstoßen, das Vertriebsnetz informieren und die Auswirkungen dieser Maßnahmen auf das Portfolio messen. Dafür braucht es die Fähigkeit,

• die richtige Art von KI für das jeweilige Problem auszuwählen,

• die relevanten Geschäftsregeln anzuwenden,

• ein akzeptables Automatisierungsniveau festzulegen,

Diese Durchgängigkeit über Daten, Modelle, Regeln, Entscheidungen und Ergebnisse hinweg ist das Grundprinzip von AIOS, dem KI-Orchestrierungssystem von Earnix für die Versicherungsbranche. AIOS bietet einen einheitlichen Betriebsrahmen, der steuert, wie unterschiedliche Formen von KI, Geschäftsregeln, Workflows und menschliches Fachwissen zu Entscheidungen im gesamten Versicherungsunternehmen beitragen.

Ziel ist es nicht, eine weitere Anwendung in eine ohnehin schon fragmentierte Systemlandschaft einzuführen, sondern zu strukturieren, wie KI zu den Entscheidungen eines Versicherers beiträgt.

Intelligenz mit Ausführung vernetzen

AIOS ist darauf ausgelegt, sich mit den Systemen, Daten, Modellen und Geschäftsprozessen zu vernetzen, die im gesamten Unternehmen bereits vorhanden sind. Dieser Ansatz ermöglicht es, je nach anstehender Entscheidung unterschiedliche Formen von KI einzusetzen:

• prädiktive KI, um Trends zu erkennen, Verhalten einzuschätzen oder Risiken zu bewerten

• generative KI, um Falldaten zusammenzufassen, eine Erklärung zu formulieren oder eine Empfehlung in eine umsetzbare Maßnahme zu übersetzen

• agentische KI, um einen Workflow zu koordinieren, die nötigen Ressourcen anzusprechen und eine Aktion innerhalb eines definierten Rahmens auszulösen

Sechs Voraussetzungen, damit KI vom Konzept zur echten Stärke im Betrieb wird

1. Die Zeit zwischen Signal und Aktion verkürzen

Geschwindigkeit wirkt sich direkt auf die Performance aus. Eine verzögerte Pricing-Anpassung erhöht die Negativselektion. Ein nicht adressierter Schadenstrend schmälert die Profitabilität. Ein langsamer Underwriting-Prozess treibt Kunden und Vertriebspartner in die Arme der Konkurrenz. AIOS verkürzt Test‑, Genehmigungs- und Bereitstellungszyklen. Kontrollen bleiben bestehen, werden aber direkt im Workflow verankert.

Geschwindigkeit entsteht daher nicht dadurch, dass Kontrollschritte wegfallen, sondern dadurch, dass sie orchestriert werden.

2. Entscheidungen anpassen, ohne Systeme neu aufzubauen

Produkte, Risiken, Verhaltensweisen und regulatorische Anforderungen entwickeln sich rasant weiter.

Entscheidungen müssen sich anpassen lassen, ohne dass ein grundlegender Architekturumbau nötig wird. In vielen Organisationen erfordert die Änderung einer Regel, eines Modells oder der Customer Journey jedoch nach wie vor zahlreiche Eingriffe von Business-, Daten- und IT-Teams. Diese Abhängigkeit bremst Experimente und begrenzt die Reaktionsfähigkeit.

AIOS ist so konzipiert, dass es sich in die bestehende technologische Umgebung eines Versicherers einfügt. So können Teams ihre Entscheidungslogik weiterentwickeln, ohne umfangreiche Änderungen an den zugrunde liegenden Systemen vornehmen zu müssen.

Flexibilität wird damit zu einer Eigenschaft des Betriebsmodells – nicht zu einer Abfolge technischer Projekte.

3. Das richtige Maß an Automatisierung einsetzen

Der Wert von Automatisierung hängt davon ab, sie für jede Entscheidung im richtigen Maß einzusetzen. Manche Aufgaben lassen sich vollständig End-to-End automatisieren, andere erfordern eine Genehmigung, fachliche Beurteilung oder menschliche Aufsicht. AIOS ermöglicht es Versicherern festzulegen, wie KI und Menschen je nach Entscheidung, deren Komplexität und dem erforderlichen Kontrollniveau zusammenarbeiten. Würde jede Entscheidung automatisiert, entstünden schwer kontrollierbare Risiken. Umgekehrt würde eine vollständig manuelle Abwicklung den Nutzen von KI massiv einschränken. Entscheidend ist daher die Frage, wo Automatisierung Mehrwert schafft und wo menschliches Eingreifen unverzichtbar bleibt.

Eine sich wiederholende Aufgabe kann automatisch ausgeführt werden. Eine Empfehlung kann generiert und anschließend zur Genehmigung vorgelegt werden. Eine kritische Entscheidung kann bei einer Expertin oder einem Experten verbleiben – gestützt auf eine strukturierte und dokumentierte Analyse.

Diese Orchestrierung muss zudem das jeweilige Geschäftsmodell des Versicherers widerspiegeln. Bei einem Versicherungsverein auf Gegenseitigkeit (VVaG) kann sie helfen, Risikomanagement, Fairness unter den Mitgliedern und Zugang zum Versicherungsschutz in Einklang zu bringen. Bei einem Bankassurance-Anbieter kann sie für mehr Konsistenz bei Kundenkenntnissen, Pricing, Underwriting und den verschiedenen Vertriebsnetzen sorgen.

Ziel ist es, ein klares Kollaborationsmodell zwischen Teams und KI zu etablieren.

4. Governance in jede Entscheidung integrieren

Im Versicherungsgeschäft darf eine Empfehlung nicht von ihrem Ursprung getrennt werden. Sie muss zudem über alle Kanäle hinweg konsistent bleiben – ob über ein Angestelltennetz, eine Bankfiliale, einen gebundenen Vermittler, einen Makler, ein Contact Center oder einen digitalen Kanal.

Welche Daten wurden verwendet? Welches Modell hat das Ergebnis erzeugt? Welche Regeln wurden angewendet? Wer hat die Entscheidung genehmigt? Warum wurde eine bestimmte Aktion ausgelöst?

Diese Fragen sind für Compliance-Teams, Fachbereiche, Vertriebsnetze sowie Kundinnen und Kunden gleichermaßen zentral. Die Fähigkeit, Governance by Design zu verankern, wird umso strategischer, je stärker der europäische KI-Regulierungsrahmen mit den bereits für Versicherer geltenden sektorspezifischen Anforderungen verzahnt wird. In Frankreich bereitet die ACPR ihren Aufsichtsansatz anhand von Kriterien wie Governance, Performance, Robustheit, Erklärbarkeit, Fairness und Cybersicherheit von KI-Systemen vor.

AIOS verankert Nachvollziehbarkeit, Erklärbarkeit und Kontrollmechanismen direkt im Entscheidungsprozess. Entscheidungen lassen sich in dem Moment, in dem sie getroffen werden, nachverfolgen, prüfen und dokumentieren, sodass Governance den gesamten Lebenszyklus begleitet und nicht nachträglich ergänzt werden muss.

5. Bewährtes replizieren

Ein Pilotprojekt kann die Relevanz eines Use Cases aufzeigen. Es beweist jedoch noch nicht, dass das Unternehmen daraus dauerhaft Mehrwert generieren kann.

Die Schwierigkeit entsteht, wenn diese Logik auf mehrere Produkte, Teams, Kanäle oder Märkte ausgeweitet werden muss.

AIOS bietet einen gemeinsamen Rahmen, um Workflows zu formalisieren, Ergebnisse zu überwachen und bewährte Ansätze im gesamten Unternehmen zu skalieren. So kann aus einer lokalen Initiative eine unternehmensweit nutzbare Fähigkeit werden, unterstützt durch einheitliche Governance-Regeln und Leistungskennzahlen.

6. KI flächendeckend im Unternehmen einsetzen

Das Geschäft eines Versicherers beruht auf Millionen von Entscheidungen: bewerten, bepreisen, annehmen, empfehlen, weiterleiten, erklären und anpassen. Um spürbare Wirkung zu entfalten, muss KI in diesem Umfang arbeiten können – ohne Einbußen bei Konsistenz oder Kontrolle.

AIOS stellt diese gemeinsame Struktur bereit, holt KI aus dem Labor heraus und verankert sie im täglichen Betrieb. Entscheidungen können über verschiedene Produkte und Funktionen hinweg ausgerollt, überwacht und im Zeitverlauf verbessert werden.

Entscheidungen im gesamten Versicherungsunternehmen vernetzen.

Spezialisierte KI-Lösungen können in einzelnen Versicherungsbereichen erheblichen Mehrwert schaffen – von der Verbesserung von Pricing-Modellen und der Unterstützung des Underwritings bis zur Betrugserkennung und Personalisierung von Kundeninteraktionen. Noch mehr Wert entsteht, wenn diese Fähigkeiten in einem vernetzten Rahmen für Entscheidungsfindung zusammenarbeiten können.

Die Herausforderung beginnt dort, wo diese Fähigkeiten zusammenspielen müssen. Eine Pricing-Entscheidung beeinflusst das Underwriting. Eine Veränderung des Risikos verändert die Empfehlung an eine Kundin oder einen Kunden. Präventive Maßnahmen wirken sich auf das Portfolio aus. Eine Entscheidung muss von Fachbereichen verstanden, dem Vertriebsnetz erklärt und im Zeitverlauf überwacht werden.

Diese Kontinuität steht im Zentrum des Earnix-Ansatzes. AIOS vernetzt Pricing, Underwriting und Kundendialog über einen gemeinsamen Entscheidungsrahmen und hilft Versicherern, KI, Modelle, Geschäftsregeln, menschliche Expertise und Aktionen unternehmensweit zu orchestrieren.

Diese Orchestrierung beantwortet eine Frage, die sich Versicherer mit wachsender Dringlichkeit stellen: Wie lassen sich Investitionen in KI in messbare Verbesserungen von Profitabilität, Reaktionsfähigkeit und Kundenerlebnis übersetzen?

Von besseren Modellen zu besseren Entscheidungen

Die Zukunft der KI im Versicherungswesen wird davon abhängen, wie gut Versicherer immer leistungsfähigere Intelligenz im spezifischen Kontext ihres Geschäfts einsetzen: auf erkannte Signale reagieren, die daraus entstehenden Entscheidungen steuern, Entscheidungen funktionsübergreifend vernetzen und Ergebnisse im großen Maßstab reproduzieren.

Dafür braucht es ein Betriebsmodell, das für die Komplexität des Versicherungsgeschäfts ausgelegt ist und Daten, KI, Modelle, Geschäftsregeln, menschliche Expertise, Entscheidungen und Maßnahmen innerhalb eines Governance-Rahmens miteinander verbindet. Genau diesen Wandel ermöglicht AIOS: KI aus einzelnen Anwendungsfällen und Experimenten herauszuführen und zu einer operativen Fähigkeit weiterzuentwickeln, die messbare Ergebnisse im gesamten Versicherungsunternehmen liefert.