Vom Hype zur Realität: 3 Gründe, warum KI-Projekte scheitern – und wie man sie meistert

Versicherer investieren massiv in Künstliche Intelligenz, doch die Ergebnisse bleiben oft hinter den Erwartungen zurück. Während Pilotprojekte im Labor vielversprechend aussehen, offenbart der operative Betrieb eine Lücke zwischen technologischer Möglichkeit und unternehmerischer Realität. Das Problem liegt selten im Algorithmus selbst, sondern im Fundament: den Daten, den Kontrollmechanismen und der Akzeptanz durch die Menschen. Im Digital Insurance Podcast bringt es Marcus Looft, Strategy Director bei Earnix, auf den Punkt: Technologie muss als Werkzeug verstanden werden, das sorgfältig geführt werden muss.

Herausforderung 1: Das brüchige Datenfundament

Die größte Fehlerquelle in KI-Projekten liegt oft am Anfang: bei den Daten. Die Versicherungswirtschaft verfügt über riesige Datenmengen, deren Komplexität stetig zunimmt – von klassischen Tarifmerkmalen bis hin zu Telematik-Daten und Cyber-Risiken. Was früher händisch in überschaubarer Zeit analysiert werden konnte, übersteigt heute die menschlichen Kapazitäten. „Da braucht man schon KI, um diese Daten überhaupt zu untersuchen", erklärt Looft.

Hier lauert die erste Falle: Eine KI kann Muster erkennen, aber nicht die grundlegende Qualität ihrer Input-Daten beurteilen. Sind die Trainingsdaten fehlerhaft, veraltet oder inkonsistent, wird selbst der fortschrittlichste Algorithmus unzuverlässige Ergebnisse liefern. Die Fehler zeigen sich oft erst im Nachgang, wenn Entscheidungen bereits getroffen wurden und Schäden entstanden sind.

Die Investition in Datenqualität muss der Investition in KI-Modelle vorausgehen. Erfolgreiche Unternehmen behandeln Daten-Governance als strategische Priorität und nicht als Nebensache.

Herausforderung 2: Die Governance-Lücke

Viele KI-Systeme agieren als intransparente „Black Box", deren Entscheidungswege kaum nachvollziehbar sind. Für eine regulierte Branche wie die Versicherungswirtschaft ist dies ein untragbares Risiko. Spätestens wenn Aufsichtsbehörden oder Kunden eine Erklärung fordern, wird fehlende Nachvollziehbarkeit zum geschäftskritischen Problem. „Wir müssen uns rechtfertigen, dass wir da keinen Unsinn ausgerechnet haben", betont Looft.

Das oft zitierte Risiko von „halluzinierender" KI wird dabei pragmatisch eingeordnet. In der Versicherung geht es weniger um kreative, generative Aufgaben, bei denen KI fabulieren könnte, sondern um analytische Präzision. Dennoch bleibt das Risiko falscher Ergebnisse bestehen. Der Vergleich liegt nahe: Auch ein menschlicher Mitarbeiter kann fehlerhafte Arbeit abliefern. Man würde ihn deshalb nicht unkontrolliert agieren lassen. Genauso wenig darf man bei KI blauäugig vorgehen.

KI sollte niemals ohne ein robustes Governance-Framework implementiert werden. Es ist wichtig, auf erklärbare Systeme zu setzen und sicherzustellen, dass der Mensch stets die finale Kontrollinstanz bleibt.

Herausforderung 3: Die menschliche Akzeptanz

Ein technisch perfektes KI-Tool, das niemand nutzt, ist wertlos. Der Erfolg hängt entscheidend von der Akzeptanz der Mitarbeiter ab. Statt einer komplexen Technologie, die als Bedrohung wahrgenommen wird, braucht es intuitive Werkzeuge, die den Arbeitsalltag spürbar erleichtern.

Hier zeigt sich die Stärke von spezialisierten Assistenten wie dem Earnix Copilot. Solche Systeme befähigen den Nutzer, weil sie nutzerfreundlich sind. Neue Anwender können das System einfach fragen: „Was kannst du mir alles sagen?" Die KI erklärt ihre eigenen Fähigkeiten und senkt so die Einstiegshürde. Der praktische Nutzen wird schnell sichtbar – etwa bei der Automatisierung von Prozessen durch Python-Programmierung. „Ich bekam Code, den ich selber so gar nicht schreiben könnte. Das hat mir enorme Zeit eingespart und ein viel besseres Ergebnis produziert", berichtet Looft aus eigener Erfahrung.

KI sollte als unterstützender Assistent eingeführt werden, nicht als Befehlsempfänger. Wenn Mitarbeiter erleben, wie Technologie sie produktiver macht, entsteht Akzeptanz aus positiver Erfahrung.

Fazit: KI als Werkzeug, nicht als Allheilmittel

Erfolgreiche KI-Implementierungen basieren auf einem realistischen Ansatz und haben drei Gemeinsamkeiten: Sie priorisieren Datenqualität und Datenkontrolle. Sie definieren den Menschen als letzte Entscheidungsinstanz und die KI als beratendes Werkzeug. Sie lösen mit KI konkrete Probleme, anstatt sie als Allheilmittel zu betrachten.

Die Zukunft gehört nicht der KI allein, sondern jenen Organisationen, die dieses mächtige Werkzeug intelligent und kontrolliert einsetzen.

Um den vollständigen Podcast zu hören, klicken Sie unten: