KI im Underwriting: Verständnis schafft Vertrauen
Mehr Tempo, mehr Service, mehr Innovation versus Jobverlust, Datenmissbrauch und Cyber-Kriminalität: Künstliche Intelligenz (KI) ist auch in der Assekuranz Top-Thema. In unserer KI-Kolumne PROMPT! beziehen Experten und Entscheider Stellung. Heute: Corin Targan, Director bei Deloitte Deutschland.
(Foto: Deloitte)
Künstliche Intelligenz hält zunehmend Einzug ins Underwriting. Dabei sind die Erwartungen in der Branche hoch: Deloitte-Studien zeigen, dass sich mehr als 90 Prozent der Versicherer durch GenAI Produktivitätsgewinne erhoffen – bei Kosteneinsparungen von 40 bis 60 Prozent. Zugleich ist der wirtschaftliche Effekt bereits konkret messbar. Versicherer mit ausgereifter KI-Analytik erzielen eine um sechs Prozentpunkte bessere Schaden-Kosten-Quote als Mitbewerber ohne. Damit wird klar: Es mangelt nicht am Potenzial, sondern an der Umsetzung.
Strategisch neu ausrichten
Es reicht jedoch nicht, einzelne Anwendungsfälle umzusetzen. Gefragt ist ein grundlegender Perspektivwechsel: Versicherer müssen ihre fachliche, organisatorische und technologische Aufstellung neu denken. Dazu gehören ein gezielter Kompetenzaufbau, strukturelle Anpassungen der Teams und die Weiterentwicklung der IT-Landschaft. Gleichzeitig bleibt die menschliche Risikoexpertise zentraler Bestandteil des Underwriting-Prozesses. KI ergänzt diese, sie ersetzt sie nicht. Zunehmend wird Spartenspezifik zum entscheidenden Faktor. Während etwa in der Lebens- und Krankenversicherung regulatorische Anforderungen, medizinische Daten und biometrische Modelle im Vordergrund stehen, gewinnen in der Schaden- und Unfallsparte Geo- und Klimadaten an Bedeutung.
Schlüssel und Engpass zugleich
Für den erfolgreichen Einsatz von KI im Underwriting benötigen Versicherer Fähigkeiten im Datenmanagement, im KI-Engineering sowie im Prompt-Engineering. In der Praxis zeigt sich: Nur auf Basis qualitätsgesicherter Daten lassen sich leistungsfähige Systeme entwickeln. Inkonsistente historische Daten, mangelhafte Qualität für das Training von Modellen sowie fragmentierte Altsysteme bremsen viele Initiativen. KI-Projekte scheitern daher häufig nicht an der Technologie, sondern an der Datenverfügbarkeit und -qualität.
Gleichzeitig gewinnt die gezielte Demokratisierung an Bedeutung. Fachbereiche müssen in die Lage versetzt werden, eigene Anwendungsfälle zu identifizieren und mithilfe moderner Low-Code- und No-Code-Lösungen umzusetzen.
Entscheidend für den Erfolg
Der größte Wandel zeigt sich aber in den Underwriting-Teams selbst. KI entfaltet ihren Nutzen erst, wenn sie Teil der täglichen Entscheidungsarbeit wird. Nicht als Zusatz, sondern als integraler Bestandteil. Voraussetzung ist ein gemeinsames Grundverständnis der Technologie. Erst wenn Mitarbeitende nachvollziehen können, wie etwa das Verarbeiten natürlicher Sprache (NLP), Large-Language-Modelle (LLMs) oder Agenten-Systeme funktionieren, entsteht Vertrauen – und damit Akzeptanz. Dieses Verständnis befähigt Teams, KI nicht nur zu nutzen, sondern aktiv weiterzuentwickeln. Es ermöglicht, Verbesserungen eigenständig voranzutreiben, neue Werkzeuge gezielt einzusetzen und Potenziale entlang der Underwriting-Prozesse zu identifizieren. Gleichzeitig entstehen neue Rollen an der Schnittstelle von Underwriting, Daten und Technologie, etwa KI-Manager, die fachliche Anforderungen und technische Umsetzung verbinden. Zunehmend setzen Versicherer dabei auf agile, cross-funktionale Teams.
In Zukunft zählt Vernetzung
Schlussenendlich braucht es ein ganzes Ökosystem: Plattformen, Daten-Services und KI-Komponenten werden hier flexibel verbunden. So lassen sich Risiken schneller, präziser und wirtschaftlich tragfähig bewerten – und Underwriting entwickelt sich zu einem vernetzten, datengetriebenen Prozess.
Weitere Artikel
Kein Produkt, Geschäftsmodell!
Der nächste Wettbewerb läuft über die Antwortzeit
