Eine Preisneuberechnung in drei Minuten schafft keinen Mehrwert, wenn die Implementierung fünf Monate dauert

Ein Pricing-Modell, das im Februar vom Technischen Ausschuss validiert wird. Ein Preis, der im Oktober tatsächlich auf die Versicherungsnehmenden angewendet wird.

Diese Diskrepanz habe ich bei sehr unterschiedlichen Unternehmen immer wieder beobachtet –zuerst auf der Seite der aktuariellen Produktion und später auf der Seite der Lösungsanbieter. Zwischen diesen beiden Zeitpunkten ändert sich das Modell mitunter überhaupt nicht. Markt, Kundenverhalten und Portfoliostruktur hingegen entwickeln sich häufig weiter. Vor allem aber durchläuft die Entscheidungskette eine Reihe von Validierungen, IT-Einbindungen, Überprüfungen, Tests und Abwägungen.

Dieses Intervall ist zu einem der wichtigsten Schauplätze für die Performance von Versicherern geworden – und genau hier vollzieht sich aktuell der Wandel im Aktuariat.

Warum Modellqualität allein keinen Wettbewerbsvorteil mehr schafft

Jahrzehntelang basierte der aktuarielle Nutzen im Wesentlichen auf der Modellqualität: bessere Risikosegmentierung, bessere Rückstellungen, bessere Verhaltensprognosen und bessere Preisgestaltung. Diese Fähigkeiten sind nach wie vor unerlässlich.

Gleichzeitig verkürzen künstliche Intelligenz und Automatisierung den Zeitaufwand für einzelne Schritte der Modellierung, Dokumentation und Analyse. Die Methoden werden zugänglicher, die Iterationen schneller und die verfügbare Rechenleistung steigt. Die technische Produktion nimmt Tempo auf, ohne jedoch die bestehenden Einschränkungen in Bezug auf Daten, Validierung, Deployment oder Governance zu beseitigen.

Damit verändert sich auch das Risiko. Früher bestand die zentrale Gefahr darin, ein schlechtes Modell zu entwickeln. Heute liegt sie darin zu glauben, dass ein gutes Modell ausreicht, um zu einer guten Entscheidung zu gelangen. Ein Modell kann eine Verlustwahrscheinlichkeit schätzen, das Stornorisiko antizipieren oder ein geeignetes Preisniveau empfehlen. Es legt jedoch nicht eigenständig fest, welches Risiko das Unternehmen zu tragen bereit ist, noch trifft es automatisch die Abwägung zwischen Profitabilität, kommerzieller Wettbewerbsfähigkeit, Fairness zwischen Versicherungsnehmenden, Einhaltung regulatorischer Vorschriften und Portfoliostrategie.

Diese Trade-offs können zwar unterstützt und teilweise automatisiert werden, liegen jedoch weiterhin in der Verantwortung des Unternehmens und der Entscheidungsträger. Genau hier beginnt sich der Engpass zu verlagern: weg vom Modell hin zu der Entscheidung, die daraus abgeleitet wird.

Zwischen validiertem Modell und angewendetem Preis

Ein validiertes Modell und ein tatsächlich angewendeter Preis sind zwei unterschiedliche Dinge. Dazwischen liegen Validierungen, IT-Entwicklungen, Konfiguration von Geschäftsregeln, Compliance-Kontrollen, Tests, Rollback-Mechanismen und die Erstellung eines Audit-Trails. Hier konzentrieren sich häufig die Verzögerungen.

Während sich Modellmethoden, Rechenleistung und Analysewerkzeuge stark weiterentwickelt haben, gelingt es vielen Versicherern nach wie vor nicht, diese Fähigkeiten in die Praxis umzusetzen. Der Earnix-Branchenreport 2026 zu Aktuellen Trends: Das Rennen um die Neuerfindung, zeigt, dass nur 30 % der Versicherer die für Geschäftsentscheidungen benötigten Informationen schnell abrufen können und weniger als die Hälfte (46 %) davon ausgeht, dass ihre Technologie die für wirksame Entscheidungen notwendige Geschwindigkeit bietet. Gleichzeitig geben zwei Drittel der Versicherer an, dass eine mangelhafte Datenqualität Entscheidungen verlangsamt und die Effektivität von KI einschränkt.

Der Engpass liegt daher nicht mehr allein in der Modellerstellung, sondern in der Fähigkeit, eine analytische Empfehlung in eine operative Entscheidung umzusetzen. Und diese Transformation ist nicht nur eine technische, sondern eine gemeinsame Aufgabe.

Eine Preisentscheidung, die oft gemeinsam getroffen wird

Dies zeigt sich besonders deutlich bei Versicherungsvereinen auf Gegenseitigkeit, Bancassurance-Anbietern und Unternehmensgruppen mit mehreren Vertriebswegen. Eine Änderung im Pricing ist selten die Entscheidung einer einzelnen Abteilung. Beteiligt sind häufig das Aktuariat, die Fachbereiche, der Vertrieb (je nach Organisation eigene Vertriebsmitarbeitende, Agenturen, Makler oder Bankvertriebsnetze), Compliance, die IT sowie verschiedene Governance-Gremien. Sobald kommerzielle, regulatorische oder mitgliederbezogene Interessen gegeneinander abgewogen werden müssen, kann die Entscheidung zudem auf höhere Freigabe- und Entscheidungsebenen eskalieren.

Diese gemeinsame Architektur ist ein Pluspunkt. Sie sichert die Einheitlichkeit im Pricing, die Risikosteuerung sowie die Beziehung zu Mitgliedern oder Kundinnen und Kunden. Gleichzeitig verursacht sie Kosten, gemessen in mehreren Wochen Durchlaufzeit. KI kann ermöglichen, innerhalb weniger Stunden zahlreiche Szenarien zu erstellen, während ihre Validierung dennoch mehrere Wochen in Anspruch nehmen kann. Ein Versicherer, der die Pricing-Time-to-Market verkürzen will, ohne die Governance zu schwächen, kann daher nicht einfach nur die Modellierung beschleunigen, sondern muss die Schritte zwischen technischer Validierung und produktivem Einsatz neu gestalten.

Pricing-Entscheidungen werden ebenfalls nur selten isoliert getroffen. Eine Änderung im Pricing kann den Underwriting-Appetit, die Vertriebsstrategie, die Kundenansprache, die Portfolio-Performance und das regulatorische Reporting beeinflussen. Da Versicherer KI immer stärker im Unternehmen verankern, geht es nicht mehr nur darum, einzelne Entscheidungen zu verbessern, sondern wichtiger ist, dass diese Entscheidungen unternehmensweit vernetzt, einheitlich und kontrolliert bleiben.

Die Entscheidung steuern

Genau dies bestätigt der "Earnix-Branchenreport 2026 zu Aktuellen Trends: Das Rennen um die Neuerfindung", der auf einer Befragung unter 400 Führungskräften der globalen Versicherungsbranche basiert. Laut der Studie führen 92 % der Versicherer in regelmäßigen Abständen formelle Überprüfungen ihrer KI-Governance durch, doch weniger als ein Drittel der Führungskräfte ist vollständig davon überzeugt, dass diese Reviews ausreichen, um mit den sich wandelnden regulatorischen Anforderungen Schritt zu halten. 38 % nennen regulatorische und rechtliche Risiken als ihre größte ethische Sorge im Zusammenhang mit der Einführung von KI.

Die Herausforderung besteht darin, dass diese Verfahren Entscheidungen ermöglichen müssen, die sowohl schnell als auch nachvollziehbar und erklärbar sind. Es reicht nicht mehr aus, ein Modell vor dem Einsatz in der Produktion zu validieren: Sein Verhalten muss im Zeitverlauf überwacht, Drift erkannt, Entscheidungen dokumentiert, Schwellenwerte für menschliche Eingriffe definiert und Verantwortlichkeiten klar festgelegt werden.

Governance darf nicht länger eine einmalige Phase am Ende des Prozesses sein. Sie muss in den gesamten Entscheidungszyklus integriert sein. Es geht nicht darum, jede Entscheidung zu automatisieren, sondern festzulegen, welche Entscheidungen innerhalb welcher Grenzen, mit welchen Kontrollmechanismen und über welche Eskalationsmechanismen automatisiert werden können.

Wenn Unternehmen mehr Modelle einsetzen, ohne ihre Überwachung zu standardisieren, wird sogar zusätzliche Komplexität riskiert: Mehr Versionen, Variablen, Regeln und Empfehlungen ziehen mehr Kontrollen, Trade-offs und Verantwortlichkeiten nach sich. Daher befürworten 56 % der von Earnix befragten Führungskräfte ein schrittweises Vorgehen, bei dem menschliche Eingriffe mindestens in den kommenden drei Jahren erhalten bleiben. Diese Vorsicht zeugt nicht von Misstrauen gegenüber der Technologie, sondern davon, dass sich Governance im gleichen Tempo wie die technischen Fähigkeiten weiterentwickeln muss.

Wenn historische Daten nicht mehr ausreichen

Künstliche Intelligenz ist besonders wirkungsvoll, wenn reichlich Daten vorhanden sind, die Phänomene relativ stabil sind und die Ziele klar definiert sind. Sie kann komplexe Zusammenhänge identifizieren, in kurzer Zeit zahlreiche Hypothesen testen und Empfehlungen in einem Umfang liefern, den manuelle Methoden kaum erreichen.

Doch wenn anhaltende Inflation, regulatorische Umbrüche, der Klimawandel oder neues Kundenverhalten auftreten, verliert die historische Datenbasis an Aussagekraft für die Zukunft. Modelle bleiben zwar ein wichtiges Instrument, ihre Nutzung verlangt jedoch stärkeres Urteilsvermögen, vorausschauende Szenarioplanung und engmaschige Überwachung. Ergebnisse müssen interpretiert, Annahmen überprüft, teils widersprüchliche Ziele priorisiert und Entscheidungen in Kontexten getroffen werden, in denen historische Daten und Modelle allein keine hinreichende Grundlage bieten.

Mit zunehmender Automatisierung der Analyseerstellung durch Werkzeuge gewinnen diese Momente an Gewicht. Genau dort muss Entscheidungs-Governance ansetzen: nicht um den Ablauf zu verlangsamen, sondern damit die zuständigen Personen zügig Entscheidungen treffen können. Die Rolle des Aktuars verschwindet nicht, sie entwickelt sich weiter – hin zur Ausgestaltung, Überwachung und Governance von Entscheidungssystemen, zu denen Modelle beitragen.

Der Aktuar als Entscheidungsarchitekt

Mit der Automatisierung bestimmter technischer Aufgaben rücken andere Kompetenzen in den Vordergrund. Das Aktuariat muss nach wie vor Modelle sicher beherrschen und ihre Belastbarkeit prüfen. Gleichzeitig verlagert sich seine Rolle hin zur Entwicklung und Governance von Entscheidungssystemen: die Abgrenzung von Automatisierung und Überwachung, die Festlegung von Schwellen für menschliches Eingreifen, die Erläuterung von Entscheidungen gegenüber Aufsichtsbehörden und Fachbereichen sowie das Abwägen widersprechender Ziele.

Die Weiterentwicklung der Funktion des Aktuariats zielt heute stärker auf die Governance von Entscheidungen als auf deren technische Umsetzung. Das Aktuariat übernimmt eine Architekturfunktion, die sicherstellt, dass sich eine analytische Empfehlung in eine konsistente, kontrollierte und erklärbare Entscheidung überführen lässt. Es muss regulatorische Vorgaben und Governance-Anforderungen zu künstlicher Intelligenz ebenso souverän beherrschen wie bisher Reservierungs- oder Pricing‑Methoden. So kann ein Unternehmen seine Implementierungsfristen verkürzen, ohne zusätzliche operative oder aufsichtsrechtliche Risiken einzugehen.

Der nächste Wettbewerbsvorteil

Modelle werden sich weiter verbessern und lassen sich künftig schneller erstellen, einfacher anpassen und für eine wachsende Zahl von Unternehmen nutzen. Der Mehrwert bleibt dabei im Modell erhalten; er erstreckt sich vielmehr auf das gesamte System, das es ermöglicht, das Modell in eine Entscheidung umzusetzen.

Wettbewerbsvorteile werden davon abhängen, wie gut Versicherer ihre Modelle schnell bereitstellen, in Geschäftsprozesse integrieren, wirksam steuern und die daraus resultierenden Entscheidungen nachvollziehbar machen können. Lange Zeit unterschieden sich Versicherer durch die Komplexität und Feinheit ihrer Modelle. Künftig werden sie sich außerdem dadurch unterscheiden, bessere Entscheidungen zu treffen – schneller, in größerem Umfang und mit einem an die jeweiligen Risiken angepassten Kontrollniveau.

Genau hier entsteht aus verantwortungsvoller Agilität ein echter Wettbewerbsvorteil. Erfolgreiche Unternehmen werden nicht nur bessere Modelle entwickeln, sondern diese Modelle in vertrauenswürdige Entscheidungen übersetzen, die schnell getroffen werden, nachvollziehbar bleiben und im gesamten Unternehmen mit Vertrauen skaliert werden können. Das Modell bleibt zwar unverzichtbar, doch der eigentliche Wert entsteht in der Entscheidung.