KI-Vertragsanalyse für Versicherungsverträge

Das echte Ausmaß des Problems

Laut einer Studie des Analysehauses Morgen & Morgen sind 38 Prozent der deutschen Haushalte in mindestens einem Versicherungsbereich unterversichert — haben also keine oder eine unzureichende Absicherung für ein realistisches Schadensszenario. Gleichzeitig gibt es in vielen Haushalten Versicherungen, die sich überschneiden oder gar doppeln: Eine private Haftpflicht, die über die Betriebshaftpflicht des Arbeitgebers bereits abgedeckte Risiken versichert. Eine Unfallversicherung zusätzlich zu einer Berufsunfähigkeitsversicherung ohne klare Abgrenzung.

Der Grund ist nicht Fahrlässigkeit der Kunden — es ist fehlende Analyse. Ein Versicherungsberater mit 300 aktiven Kunden hat schlicht keine Zeit, für jeden Kunden regelmäßig alle Policen zu sichten und zu vergleichen. Das Ergebnis: Kunden, die seit 15 Jahren ihre Verträge haben und noch nie gehört haben, was davon noch passt und was nicht. Wenn dann ein Schadensfall eintritt und die Deckungslücke offenbar wird, ist der Vertrauensschaden massiv.

Das ist ein doppeltes Geschäftsproblem für Makler und Versicherer: Einerseits entgangenes Cross-Selling-Potenzial (fehlende Deckungen könnten als neue Verträge abgeschlossen werden), andererseits Kundenverlust durch Unzufriedenheit im Schadensfall. Eine systematische Bestandsanalyse würde beide Probleme adressieren — sie wird nur selten durchgeführt, weil der manuelle Aufwand zu groß ist.

So funktioniert es in der Praxis

Schritt 1 — Automatischer Policen-Scan pro Kunde Das KI-System analysiert alle vorliegenden Policen eines Kunden — als PDF-Scan oder direkt aus dem Bestandssystem importiert. Es extrahiert die relevanten Deckungsparameter: versicherte Summen, Selbstbehalte, Ausschlüsse, mitversicherte Personen, Laufzeiten. Für jeden Vertrag entsteht ein strukturiertes Datenprofil, das als Basis für die Analyse dient.

Schritt 2 — Vergleich mit einem Bedarfsprofil Das System vergleicht die vorhandene Deckung mit einem hinterlegten Bedarfsprofil, das auf Kundenmerkmalen basiert: Familienstand, Wohneigentum, Beruf, Kinder, Fahrzeuge. Typische Lückentypen werden identifiziert: keine Berufsunfähigkeits-Absicherung bei Selbstständigen, fehlender Elementarschadenschutz trotz Hochwasserrisiko-Lage, keine Risikolebensversicherung trotz laufendem Immobilienkredit.

Schritt 3 — Strukturierte Beratungshinweise für den Vermittler Die Analyseergebnisse werden nicht direkt an den Kunden geschickt, sondern als strukturierte Gesprächsvorlage für den Berater aufbereitet: „Für Herrn Schmidt: Keine BU-Absicherung festgestellt. Empfehlung: Einsteigsgespräch zu BU-Optionen vor Vollendung des 40. Lebensjahres (in 8 Monaten). Risiko: BU ohne Absicherung bei Selbstständigen erhebliches finanzielles Risiko.” Der Berater bekommt einen fundierten Gesprächseinstieg, ohne selbst die Analyse durchgeführt zu haben.

Welche Tools passen hierzu

Claude — Für die Analyse hochgeladener Policen-PDFs: Claude kann mehrseitige Versicherungsverträge verarbeiten, relevante Deckungsparameter extrahieren und in einer strukturierten Tabelle ausgeben. Besonders gut für gelegentliche manuelle Analysen oder Pilot-Einsätze. 18 Euro/Monat.

ChatGPT — Ähnlich wie Claude, mit der Option, Dateien direkt hochzuladen und zu analysieren. Gut für die Entwicklung und den Test von Analyse-Prompts. 20 Euro/Monat.

NEOS CRM — Spezialisiertes CRM für Versicherungsmakler mit Analyse-Funktionen für Policenbestände. Integriert in die gängigen Makler-Software-Ökosysteme und kann Bestandsanalysen auf Basis der hinterlegten Vertragsdaten durchführen.

Softfair — Vergleichs- und Analysesoftware für Versicherungsmakler, die Bestandsverträge bewertet und Optimierungsvorschläge generiert. In Deutschland weit verbreitet im Maklersegment.

Make.com — Für die Automatisierung des Analyse-Workflows: Wenn täglich oder wöchentlich Kundenprofile für Überprüfungen ausgewählt werden sollen, kann Make.com den Prozess orchestrieren — Kundenprofil identifizieren, Analyse auslösen, Berater benachrichtigen.

Notion AI — Für die Dokumentation von Beratungshinweisen: Wenn Analyse-Ergebnisse in einer strukturierten Kundendatenbank (Notion) gespeichert werden, kann Notion AI die Inhalte durchsuchen und für Gespräche aufbereiten. Ab 8 Euro/Nutzer/Monat.

Was es kostet — realistisch gerechnet

Einstieg (Manuelle KI-Analyse mit Claude/ChatGPT)

• Claude Pro oder ChatGPT Plus: 18–20 Euro/Monat
• Kein technisches Setup — Policen als PDF hochladen und per Prompt analysieren
• Einrichtungsaufwand: 1 Tag für Prompt-Vorlage
• Erwarteter Effekt: Strukturierte Analyse für 5–10 Kunden pro Woche möglich, ohne Systemintegration

Skaliert (Automatisiertes Bestandsanalyse-System)

• NEOS oder Softfair Bestandsanalyse-Modul: 50–200 Euro/Monat je nach Bestand
• Make.com für Automation: 9–29 Euro/Monat
• Einrichtungsaufwand: 5–10 Tage
• Erwarteter Effekt: Vollständiger Kundenstamm einmal jährlich auf Optimierungspotenziale gescreent

ROI-Beispiel: Versicherungsmakler mit 400 Kunden. KI-Analyse identifiziert für 60 Kunden eine Deckungslücke mit Handlungsbedarf. Von diesen 60 schließen 25 innerhalb von 6 Monaten einen Ergänzungsvertrag mit durchschnittlich 600 Euro Jahresprämie. Provision: 15 Prozent = 90 Euro/Vertrag × 25 = 2.250 Euro zusätzliche Provision im ersten Jahr — plus Kundenbindungseffekt durch proaktive Beratung.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datenqualitätsprüfung	Woche 1	Vorhandene Policen-Daten im Bestandssystem auf Vollständigkeit prüfen	Viele Altverträge nicht digitalisiert — Scan-Aufwand unterschätzt
Analyse-Vorlage entwickeln	Woche 1–2	Bedarfsprofile für typische Kundensegmente definieren, Lückentypen katalogisieren	Zu viele Lückentypen führen zu Overwhelm — auf die 8–10 häufigsten fokussieren
Pilotanalyse mit 20 Kunden	Woche 2–4	Erste Batch-Analyse durchführen, Qualität der Empfehlungen prüfen	KI identifiziert Lücken, die aus guten Gründen bestehen — Kontext muss mitbetrachtet werden
Berater-Workflow einrichten	Woche 4–5	Analyse-Ergebnisse als Gesprächsvorbereitung formatieren, CRM-Integration	Berater nutzen Empfehlungen nicht — Training und Incentivierung nötig
Rollout auf ganzen Bestand	Ab Monat 2	Systematische Analyse des gesamten Kundenportfolios, quartalsweise Aktualisierung	Regulatorische Anforderungen (§ 61 VVG Beratungspflicht) beachten — Analyse ist Vorbereitung, nicht Beratung

Häufige Einwände

„Wir beraten unsere Kunden ohnehin regelmäßig.” Regelmäßige Beratung bedeutet in der Praxis: beim nächsten Schadenfall oder wenn der Kunde selbst fragt. Systematische Bestandsanalysen für alle 400 Kunden ohne KI-Unterstützung sind für einen Makler schlicht nicht machbar. KI macht die proaktive Analyse erst skalierbar.

„Datenschutz: Kundendaten dürfen nicht in KI-Systeme eingegeben werden.” Das hängt davon ab, welches Tool genutzt wird und wie es konfiguriert ist. Für Cloud-LLMs (ChatGPT, Claude) müssen personenbezogene Daten pseudonymisiert werden, bevor sie hochgeladen werden — oder es wird ein Anbieter mit EU-Hosting und AVV nach Art. 28 DSGVO genutzt. Alternativ kann eine lokal betriebene KI-Lösung eingesetzt werden, bei der keine Daten das Unternehmensnetzwerk verlassen. Die Datenschutzkonferenz (DSK) hat in ihrer Orientierungshilfe KI (2024) klargestellt, dass eine Auftragsverarbeitungsvereinbarung (AVV) mit dem KI-Anbieter eine notwendige, aber nicht hinreichende Bedingung ist — die Zweckbindung der Verarbeitung muss explizit geregelt sein. Ein Datenschutzbeauftragter sollte die spezifische Umsetzung begleiten.

„Cross-Selling fühlt sich für unsere Kunden aufdringlich an.” Proaktiver Hinweis auf eine echte Deckungslücke ist kein Verkaufsdruck — es ist Service. „Ich habe Ihre Policen angeschaut und festgestellt, dass Sie keine BU-Absicherung haben. Bei Ihrem Beruf halte ich das für ein relevantes Risiko — soll ich Ihnen Optionen zeigen?” ist ein anderes Gespräch als ein Kaltakquise-Anruf. Kunden, die einen solchen Hinweis bekommen, empfehlen den Makler weiter.