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.

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

Mit vs. ohne KI — ein ehrlicher Vergleich

Erfahrungswerte aus Underwriting-Projekten bei deutschen Versicherungsunternehmen (2023–2025).

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Straight-Through-Processing für Standardrisiken eliminiert den Triage-Overhead fast vollständig. Wenn 40 bis 60 Prozent des Antragsvolumens automatisch bearbeitet werden, gewinnt das Underwriting-Team entsprechend Kapazität für die Fälle, die wirklich Expertise brauchen. Kein anderer Anwendungsfall in dieser Kategorie schafft eine ähnlich direkte Entlastung des Kernprozesses.

Kosteneinsparung — mittel (3/5) Die direkte Kosteneinsparung ist messbar: weniger Underwriting-Stunden für Standardfälle. Der Vorbehalt: Die Qualitätsverbesserung durch konsistentere Tarifierung — weniger Adverse Selection, bessere Risikoselektion — ist erheblich, aber schwerer zu isolieren und zuzuordnen. Der Gesamtnutzen liegt damit auf dem Niveau von Risikomodellierung — höher als reine Rechnungsautomatisierung.

Schnelle Umsetzung — niedrig (2/5) Automatisiertes Underwriting erfordert die Formalisierung von Tarifierungslogik, die in vielen Häusern noch implizit ist. Bevor das System konfiguriert werden kann, müssen Entscheidungsregeln explizit aufgeschrieben werden. Das ist oft aufwendiger als die Technologie selbst. Dazu kommt: Das Pilotprodukt muss sorgfältig gewählt werden — zu komplex und der Pilot scheitert, zu einfach und der Nutzen ist begrenzt. Realistische Zeitspanne: 5–20 Monate.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis bei Standardfällen ist direkt messbar: Tickets zählen, Bearbeitungszeiten vergleichen. Die Qualitätsverbesserung durch konsistentere Tarifierung — weniger Adverse Selection, bessere Combined Ratio — ist vorhanden, aber erfordert einen längeren Beobachtungszeitraum (12–24 Monate), um statistisch sauber nachgewiesen zu werden.

Skalierbarkeit — mittel (3/5) Das System skaliert mit dem Antragsvolumen ohne proportional steigenden Personalaufwand — das ist der Kernnutzen. Einschränkung: Wenn neue Produktlinien hinzukommen, muss die Tarifierungslogik neu formalisiert und konfiguriert werden. Das ist handhabbar, aber kein kostenloser Mehrwert.

Richtwerte — stark abhängig von Produktlinien-Komplexität, Automatisierungsgrad und vorhandener IT-Infrastruktur.

Was das System konkret macht

KI-Underwriting-Unterstützung funktioniert in zwei Modi, die sich ergänzen:

Modus 1 — Straight-Through-Processing für Standardrisiken Für Standardrisiken (z.B. Hausrat bis 80.000 Euro Versicherungssumme, Kfz-Haftpflicht für Pkw unter 10 Jahren, Betriebshaftpflicht für definierte Branchen bis zu bestimmten Umsatzgrenzen) berechnet das System vollautomatisch einen Tarifvorschlag und erstellt den Vertragsentwurf — ohne menschliche Beteiligung. Die Underwriterin greift nur ein, wenn das System unsicher ist oder ein vordefinierter Schwellenwert überschritten wird.

Modus 2 — KI-Entscheidungsassistenz für komplexe Risiken 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, Widersprüche
• Tarifvorschlag mit Begründung, welche Faktoren den Score beeinflusst haben
• Vergleichbare Fälle aus dem historischen Portfolio

Der Underwriter entscheidet — aber er entscheidet informierter und schneller, weil er die Vorarbeit nicht selbst leisten muss.

Der größte Effizienzgewinn liegt nicht im Tarifvorschlag, sondern in der Vorstrukturierung: Statt 45 Minuten Antrag lesen und Hintergrundinformationen recherchieren, öffnet der Underwriter eine bereits aufbereitete Akte.

Konkrete Werkzeuge — was wann passt

Claude als Document-Intelligence-Layer Für kleinere Versicherungen und Maklerbüros, die ohne technische Integration starten wollen: Claude kann einen Antrag als PDF aufnehmen und auf Befehl alle risikoerhöhenden Faktoren extrahieren, fehlende Angaben identifizieren und einen strukturierten Risiko-Steckbrief erstellen. Kein Tarif-Rechner, aber ein wirksamer Zeitsparer bei der Antragsprüfung. 18–22 Euro/Monat pro Nutzer.

ChatGPT für Branchen-Research Wenn ein Underwriter ein Risiko aus einer wenig bekannten Branche erhält, kann ChatGPT innerhalb von Minuten einen Überblick über typische Schadensursachen, regulatorische Anforderungen und Marktrends liefern. Kein Ersatz für Expertenwissen, aber deutlich schneller als Eigenrecherche. 20–30 Euro/Monat.

Zelros Spezialisiertes europäisches KI-Tool für Versicherungs-Underwriting mit Präsenz in der DACH-Region. Bietet Risikoscore, Tarifvorschlag und Portfolioanalyse. Integriert in bestehende Kernsysteme (Guidewire, SAP). Preise auf Anfrage, typisch ab 30.000 Euro Jahresvolumen.

Guidewire PolicyCenter mit KI-Modulen Für Unternehmen, die Guidewire PolicyCenter bereits als Kernsystem nutzen: Die KI-Module ermöglichen Straight-Through-Processing und Risikoanalyse direkt im bestehenden System. Enterprise-Preise, Integration durch zertifizierte Partner.

Microsoft 365 Copilot Wenn Underwriting-Unterlagen in Word und Excel vorliegen und Copilot für die strukturierte Aufbereitung genutzt werden soll: Copilot kann Dokumente zusammenfassen, Schlüsselinformationen extrahieren und Vergleichstabellen aus mehreren Anträgen erstellen. Kein vollständiges Underwriting-Tool, aber starke Ergänzung für Teams, die bereits im Microsoft-Ökosystem arbeiten. 28,10 Euro/Nutzer/Monat.

EY Nexus for Insurance Enterprise-Plattform für vollständige Underwriting-Digitalisierung, besonders für große Versicherungen mit komplexen Portfolios. Implementierung durch EY-Berater.

Zusammenfassung: Wann welcher Ansatz:

• Einstieg ohne technische Integration → Claude als Dokumenten-Analyse-Tool
• Branchen-Research beschleunigen → ChatGPT
• Guidewire bereits im Einsatz → Guidewire KI-Module
• Spezialisierte Underwriting-KI, Europa-Anbieter → Zelros
• Enterprise-Transformation → EY Nexus

Rechtliche Besonderheiten

Underwriting-Entscheidungen mit KI-Unterstützung berühren mehrere regulatorische Anforderungen:

DSGVO Art. 22 und vollautomatisiertes Underwriting: Wenn das System vollautomatisch — ohne menschliche Prüfung — einen Vertrag annimmt oder ablehnt, handelt es sich um eine automatisierte Einzelentscheidung nach Art. 22 DSGVO. Das bedeutet: Der Versicherungsnehmer hat das Recht auf menschliche Überprüfung der Entscheidung, auf Erläuterung der Entscheidungslogik und auf Widerspruch. Für Ablehnungen ist das besonders relevant — sie dürfen nicht vollautomatisch erfolgen, wenn sie keine menschliche Prüfungsoption vorsehen. Die Lösung: Automatische Annahme ist technisch unbedenklich, automatische Ablehnung immer mit menschlichem Prüfschritt.

EU AI Act Anhang III — mögliches Hochrisiko-System: Automatisierte Systeme, die über den Zugang zu privaten Versicherungsleistungen entscheiden, können nach EU AI Act als Hochrisiko-System klassifiziert werden (Anhang III Nr. 5b). Das erfordert eine Risikoklassifikation, Dokumentation des Trainingsdatensatzes und Conformity Assessment. Dieser Prozess sollte vor der Einführung beginnen, nicht danach.

VAG und BaFin — Erklärbarkeit von Tarifentscheidungen: Die BaFin erwartet, dass Tarifierungsentscheidungen nachvollziehbar begründbar sind. KI-Systeme, die einen Tarif vorschlagen, müssen die wesentlichen Entscheidungsfaktoren erklären können (SHAP-Werte oder ähnliche Interpretierbarkeits-Methoden). Eine Black-Box-Tarifierungs-KI ist regulatorisch nicht akzeptabel.

IDD (Insurance Distribution Directive): Im Vertriebskontext — wenn KI-Empfehlungen direkten Einfluss auf die Produktempfehlung für den Kunden haben — sind zusätzliche Anforderungen an Interessenkonflikt-Dokumentation und Eignungsprüfung zu beachten.

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, Durchschnittsgehalt 65.000 Euro (Vollkosten ca. 85.000 Euro = ca. 54 Euro/Stunde). Durch Straight-Through-Processing werden 40 Prozent der Standardanträge automatisiert — bei einem Team, das 50 Prozent seiner Zeit mit Standardfällen verbringt, entspricht das ca. 1 Stunde täglich pro Person eingespart. Das ergibt ca. 170 Stunden/Monat im Team × 54 Euro = 9.180 Euro Zeitwert. Bei Lizenzkosten von 5.000 Euro/Monat: Nettovorteil 4.180 Euro/Monat — plus der schwerer zu beziffernde Wert durch konsistentere Risikoselektion.

Wie du den Nutzen tatsächlich misst: Bearbeitungszeit pro Antrag vor und nach der Einführung. Anteil der Standardanträge, die vollautomatisch bearbeitet werden. Kundenfacing: Angebotsdauer (Zeit zwischen Antragseingang und Angebotszusendung).

Vier typische Einstiegsfehler

1. Mit einem zu komplexen Produkt als Piloten starten. Der Reflex: Das Produkt mit dem höchsten Volumen nimmt man zuerst. Wenn dieses Produkt aber viele Sonderfälle, Rückfragen und manuelle Eingriffe erfordert, scheitert der Pilot — und das KI-Projekt wird gestoppt. Besser: Das Produkt mit dem homogensten Risikoprofil und den klarsten Entscheidungsregeln wählen. Oft ist das nicht das größte Produkt, sondern das einfachste.

2. Die Entscheidungsregeln nicht vorher formalisieren. Underwriting-Entscheidungen, die als „das ist Erfahrungssache” beschrieben werden, lassen sich nicht automatisieren. Bevor ein System konfiguriert werden kann, müssen die Regeln explizit aufgeschrieben werden — welche Merkmale führen zu welchem Tarif-Ergebnis, welche Kombinationen eskalieren zur manuellen Prüfung? Diese Formalisierung ist oft der aufwendigste Teil des Projekts.

3. Das System als Effizienz-Instrument verkaufen, nicht als Qualitäts-Instrument. Underwriter, die das Gefühl haben, das System ersetzt ihre Expertise, werden es umgehen. Richtig: Das System übernimmt die Routine-Prüfung, damit Underwriter ihre Zeit für die Fälle nutzen können, die tatsächlich Urteilsvermögen erfordern. Das ist für die meisten erfahrenen Underwriter attraktiv — wenn es ehrlich kommuniziert wird.

4. Kalibrierung nach dem Start vergessen. Ein Tarifierungssystem, das sich nicht an Marktveränderungen anpasst, produziert nach 18–24 Monaten veraltete Tarifvorschläge. Die Kalibrierungsfrequenz (quarterly vs. jährlich) muss von Anfang an festgelegt werden.

Was mit der Einführung wirklich passiert — und was nicht

Der Widerstand der Experten. Erfahrene Underwriter, die seit Jahren auf Basis ihrer Intuition und Erfahrung entscheiden, sehen in automatisierten Tarifvorschlägen zunächst eine Bedrohung. Was tatsächlich passiert, wenn das System gut konfiguriert ist: Der Vorschlag stimmt in 80 bis 90 Prozent der Standardfälle mit ihrer eigenen Einschätzung überein (Schätzwert aus Praxisberichten) — und in den 10 bis 20 Prozent, wo er abweicht, ist das oft ein Signal für einen Sonderfall, den sie dann intensiver prüfen.

Das IT-Projekt-Problem. Underwriting-Automatisierung erfordert Integration in das Kernsystem — und das bedeutet fast immer IT-Kapazitäten, die intern priorisiert werden müssen. Erfahrungsgemäß ist die IT-Integration der häufigste Grund für Projektverzögerungen, nicht die KI-Technologie selbst. Frühzeitige Einbindung der IT ist entscheidend.

Was wirklich zählt: Underwriter, die nach 6 Monaten sagen, dass sie sich auf die wirklich interessanten Fälle konzentrieren können — weil der Routine-Overhead weggefallen ist — sind die überzeugendsten Fürsprecher.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Tarifentscheidungen müssen nachvollziehbar begründbar sein — KI ist eine Black Box.” 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 Aktenvermerk dokumentieren würde — nur schneller und konsistenter.

„Unsere Underwriter 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 Underwritern 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 attraktiv, keine Bedrohung. Problematisch wird es nur, wenn ihr die Botschaft so formuliert: „KI macht euren Job.”

„Die Integration ins Kernsystem wird ewig dauern.” Stimmt für vollständige Systemintegration. Der Einstieg mit Claude oder ChatGPT als Document-Intelligence-Layer benötigt keine Integration: Dokument hochladen, Analyse bekommen, Ergebnis ins System übertragen. Das ist ineffizient für große Volumina, aber als Pilotphase ohne IT-Aufwand sofort umsetzbar.

Woran du merkst, dass das zu dir passt

• Dein Underwriting-Team verbringt mehr als 50 Prozent der Zeit mit Standardfällen, die keine echte Expertise erfordern, während komplexe Fälle in der Queue warten
• Zwei verschiedene Underwriter kommen bei ähnlichen Risiken regelmäßig zu unterschiedlichen Tarifentscheidungen — Konsistenz ist ein offenes Thema
• Angebotserstellungszeiten von mehr als 2 Werktagen für Standardrisiken führen zu Beschwerden oder Verlust an Makler, die schnellere Anbieter vorziehen
• Dein Volumen liegt bei mehr als 3.000 Anträgen pro Jahr — darunter ist der Einrichtungsaufwand kaum gerechtfertigt

Wann es sich noch nicht lohnt: Wenn die gesamte Underwriting-Kapazität aus einer oder zwei Personen besteht und der Betrieb hochgradig individuell ist — dann ist die Formalisierung von Entscheidungsregeln schwieriger als der Nutzen. Außerdem: Wenn das Kernsystem-Altsystem keine API-Anbindung unterstützt, sind die Integrationskosten oft unverhältnismäßig hoch für den Nutzen.

Das kannst du heute noch tun

Öffne Claude und lade drei bis fünf Antragsunterlagen hoch, die dein Underwriting-Team in den letzten Monaten bearbeitet hat. Bitte Claude, für jeden Antrag alle risikoerhöhenden und -mindernden Faktoren zu extrahieren, fehlende Informationen zu identifizieren und eine Risikoeinschätzung zu formulieren.

Das dauert 30 Minuten. Was du danach weißt: Ob KI-Unterstützung für eure Antragstypen funktioniert — bevor du in technische Integration investierst.

Quellen & Methodik

• Underwriting-Kapazitäten und Bearbeitungszeiten: Erfahrungswerte aus Underwriting-Prozessanalysen bei deutschen Versicherungsunternehmen und Maklern (2023–2025).
• EU AI Act, Anhang III Nr. 5b: Verordnung (EU) 2024/1689 — KI-Systeme im Versicherungswesen als mögliche Hochrisiko-Systeme.
• DSGVO Art. 22: Automatisierte Einzelentscheidungen — Anforderungen bei vollautomatisierter Antragsbearbeitung.
• IDD (Insurance Distribution Directive): Richtlinie 2016/97/EU — Anforderungen an den Versicherungsvertrieb.
• BaFin-Konsultationsdokument zu KI in der Versicherungsaufsicht (2024): Erklärbarkeitsanforderungen für algorithmengestützte Underwriting-Entscheidungen.