KI-Underwriting-Unterstützung

Das echte Ausmaß des Problems

Underwriting ist die Kernkompetenz jeder Versicherung — und gleichzeitig einer der engsten Flaschenhälse im Betrieb. Ein erfahrener Underwriter kann täglich 15 bis 25 einfache Risiken bearbeiten. Für komplexe gewerbliche Risiken — ein Industriebetrieb, eine Produkthaftpflicht für ein neues Produkt, eine Bauherrenhaftpflicht für ein größeres Projekt — braucht er zwei bis vier Stunden pro Fall. Das ist keine Ineffizienz, das ist die nötige Sorgfalt.

Das Problem: Einfache und komplexe Fälle landen im selben Posteingang. Ein Handwerksbetrieb, der eine Betriebshaftpflicht für 320 Euro Jahresprämie beantragt, benötigt theoretisch dieselbe Prüfroutine wie ein mittelständischer Produktionsbetrieb mit 50.000 Euro Prämie. Wer in dieser Gleichung seine Underwriting-Kapazität einsetzt, entscheidet über die Rentabilität des Portfolios. Zu wenig Prüfung bei Hochrisikofällen führt zu Schäden, die die Prämie auffressen. Zu viel Aufwand bei Standardfällen verschwendet teure Expertenzeit.

Dazu kommt das Konsistenzproblem: Zwei erfahrene Underwriter:innen desselben Hauses können für dasselbe Risiko unterschiedliche Tarifentscheidungen treffen — abhängig von persönlicher Erfahrung, Risikoappetit und Tagesform. Das ist in einem streng regulierten Markt ein echtes Problem: Versicherungsaufsicht und Aktionäre erwarten konsistente Risikoentscheidungen, kein implizites Bauchgefühl.

So funktioniert es in der Praxis

KI-Underwriting-Unterstützung funktioniert in zwei Modi, die sich ergänzen: automatisiertes Straight-Through-Processing für einfache Standardrisiken und KI-gestützte Entscheidungsassistenz für komplexe Fälle.

Für Standardrisiken (z. B. Hausrat bis 80.000 Euro Versicherungssumme, Kfz-Haftpflicht für Pkw unter 10 Jahren) kann das System vollautomatisch einen Tarifvorschlag berechnen und einen Vertragsentwurf erstellen — ohne menschliche Beteiligung. Die Underwriterin greift nur ein, wenn das System unsicher ist oder ein vordefinierter Schwellenwert überschritten wird. Das entlastet die Underwriting-Kapazität erheblich für die Fälle, die wirklich Expertise brauchen.

Für komplexe Risiken läuft das anders: Das System liest den Antrag und alle verfügbaren Dokumente (Geschäftsberichte, technische Unterlagen, branchenspezifische Risikoindikatoren) und bereitet eine strukturierte Risikoanalyse vor. Der Underwriter öffnet den Fall und sieht: Branchenvergleich (wie entwickeln sich Schadensquoten in dieser Branche?), Anomalien im Antrag (ungeklärte Punkte, fehlende Angaben), Tarifvorschlag mit Begründung, vergleichbare Fälle aus dem historischen Portfolio. Der Underwriter entscheidet — aber er entscheidet informierter und schneller, weil er die Vorarbeit nicht selbst leisten muss.

Welche Tools passen hierzu

Zelros ist ein spezialisiertes KI-Tool für Versicherungs-Underwriting mit starker Präsenz in Europa. Bietet Risikoscore, Tarifvorschlag und Portfolioanalyse. Gut integrierbar in bestehende Kernsysteme.

Quantemplate ist eine Datenanalyse-Plattform, die besonders im Rückversicherungs-Underwriting eingesetzt wird — relevant für größere Versicherungen mit komplexen Portfolios.

EY Nexus for Insurance und Guidewire PolicyCenter mit KI-Modulen adressieren das Underwriting-Thema in der Enterprise-Liga.

Claude eignet sich als Document-Intelligence-Layer: Du lädst einen Antrag als PDF hoch und bittest die KI, alle risikoerhöhenden Faktoren zu extrahieren, fehlende Angaben zu identifizieren und einen strukturierten Risiko-Steckbrief zu erstellen. Das ist kein Tarif-Rechner, aber ein sehr wirksamer Zeitsparer bei der Antragsprüfung. Einstieg ohne technische Integration möglich — gut für erste Pilotversuche.

ChatGPT funktioniert für ähnliche Aufgaben. Besonders nützlich: Branchen-Research. Wenn ein Underwriter ein Risiko aus einer Branche erhält, die er nicht gut kennt, kann ChatGPT innerhalb von Minuten einen Überblick über typische Schadensursachen, regulatorische Anforderungen und Marktrends liefern.

Was es kostet — realistisch gerechnet

Einstieg mit Claude/ChatGPT als Dokumentenanalyse-Tool:

• Kosten: 20–30 Euro/Monat pro Nutzer
• Kein technisches Setup nötig
• Anwendungsfall: Antragsdokumente zusammenfassen, Risikofaktoren extrahieren, Branchen-Research

Spezialisierte Underwriting-KI (z. B. Zelros):

• Lizenz: ab ca. 30.000–80.000 Euro/Jahr je nach Volumen
• Integration: 2–4 Monate mit Integrationspartner
• Sinnvoll ab ca. 5.000 Anträgen/Jahr oder komplexem Gewerbeportfolio

ROI-Rechnung am Beispiel: Underwriting-Team mit 8 Personen, durchschnittliches Gehalt 65.000 Euro (inkl. Nebenkosten ca. 85.000 Euro = ca. 54 Euro/Stunde). Durch Straight-Through-Processing werden 40% der Standardanträge automatisiert = 3,2 Vollzeitäquivalent-Stunden täglich pro Person eingespart (bei 50% Standardanteil). Das entspricht ca. 170 Stunden/Monat × 54 Euro = 9.180 Euro Zeitwert. Bei Lizenzkosten von 5.000 Euro/Monat: Nettovorteil 4.180 Euro/Monat — plus die deutlich schwerer zu beziffernde Wertverbesserung durch konsistentere Risikoselektion.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Portfolio-Analyse	Woche 1–4	Antragsvolumen nach Risikotyp segmentieren, Automatisierungspotenzial schätzen, Datenverfügbarkeit prüfen	Daten liegen in Altsystemen ohne API — Extraktion aufwändig
Pilotprodukt auswählen	Woche 4–6	Ein Produkt (z. B. einfache Betriebshaftpflicht) für den Pilot bestimmen	Zu komplexes Produkt als Startpunkt — Pilot scheitert, Projekt wird gestoppt
Modell & Integration	Woche 6–20	KI-System einrichten, Tariflogik definieren, Schwellenwerte kalibrieren, Integration in Kernsystem	IT priorisiert andere Projekte — Underwriting-KI wartet
Produktivbetrieb & Ausbau	Ab Woche 20	Pilot-Produkt im Echtbetrieb, weitere Produkte schrittweise onboarden	Underwriter:innen vertrauen dem System nicht — manuelle Nachprüfung macht Zeitgewinn zunichte

Häufige Einwände

„Tarifentscheidungen müssen nachvollziehbar begründbar sein — KI ist eine Blackbox.” Das war ein legitimer Einwand vor drei Jahren. Heutige Underwriting-KI-Systeme sind auf Erklärbarkeit ausgelegt: Jeder Tarifvorschlag kommt mit einer Begründung — welche Faktoren haben den Score wie beeinflusst, wo liegt der Fall im Portfoliovergleich, welche Analogfälle waren ausschlaggebend. Das entspricht dem, was ein erfahrener Underwriter beim Aktenzusatz dokumentieren würde — nur schneller und konsistenter. Regulatorisch ist das ebenfalls abgedeckt: BaFin-Anforderungen zu Erklärbarkeit von algorithmusgestützten Entscheidungen sind lösbar, wenn das System von Anfang an auf Transparenz ausgelegt wird.

„Unsere Underwriter:innen werden das nicht nutzen, wenn sie das Gefühl haben, ihre Expertise wird ersetzt.” Das ist die Einführungsfrage, keine Technologiefrage. Der entscheidende Rahmen: KI nimmt den Underwriter:innen die langweiligen Teile ab — Dokumentenzusammenfassungen, Standardfallprüfungen, Branchen-Research — und lässt ihnen mehr Zeit für die Fälle, die wirklich Urteilsvermögen brauchen. Das ist für die meisten erfahrenen Underwriter:innen eine attraktive Vorstellung, keine Bedrohung. Problematisch wird es, wenn die Kommunikation lautet: „KI macht euren Job.” Richtig ist: „KI macht die Teile eures Jobs, die euch keine Freude machen.”

---

Wenn du dein Underwriting-Team entlasten und gleichzeitig die Konsistenz deiner Tarifentscheidungen verbessern willst — meld dich. Wir schauen uns an, welche Produktlinien sich als erstes für Automatisierung oder KI-Assistenz eignen.