KI-Vertragsanalyse für Versicherungsverträge

Das echte Ausmaß des Problems

Laut Analyse des GDV (Gesamtverband der Deutschen Versicherungswirtschaft) und unabhängiger Studien sind schätzungsweise 30 bis 40 Prozent der deutschen Gebäudeversicherungsverträge unterversichert — die Versicherungssummen wurden seit Vertragsabschluss nicht an die gestiegenen Baukosten und Immobilienwerte angepasst. Ähnliches gilt für Hausratversicherungen: Ein Vertrag aus 2005 mit 25.000 Euro Versicherungssumme deckt den Hausrat einer Vier-Zimmer-Wohnung 2024 kaum noch ab.

Gleichzeitig gibt es in vielen Haushalten Versicherungen, die sich überschneiden: eine private Haftpflicht, die Risiken abdeckt, die bereits durch die Betriebshaftpflicht des Arbeitgebers gedeckt sind. Eine Rechtsschutzversicherung, die im Kreditkartenvertrag bereits enthalten ist. Laut Verbraucherzentrale Bundesverband zahlen deutsche Haushalte im Schnitt 15 bis 25 Prozent ihrer Versicherungsbeiträge für überflüssige oder unzureichende Deckungen.

Das ist ein doppeltes Geschäftsproblem für Makler und Versicherer: einerseits entgangenes Cross-Selling-Potenzial, andererseits Kundenverlust durch Unzufriedenheit im Schadensfall. Eine systematische Bestandsanalyse würde beide Probleme adressieren — sie wird nur selten durchgeführt, weil der manuelle Aufwand 30 bis 60 Minuten pro Kunden beträgt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Die Zeitersparnis beim Analyse-Prozess ist erheblich: Von 45–60 Minuten manueller Arbeit pro Kunden-Portfolio auf 5–10 Minuten mit KI-Unterstützung. Für einen Makler mit 500 Kunden bedeutet das: Systematische Bestandsanalyse, die vorher schlicht nicht möglich war, wird durchführbar.

Kosteneinsparung — niedrig (2/5) Die Vertragsanalyse selbst spart keine Kosten — sie generiert potenzielle Mehreinnahmen durch Cross-Selling und verhindert Kundenverlust. Das ist ein anderes Nutzenmodell als bei der Schadensmeldungsautomatisierung oder der Rechnungsverarbeitung, wo direkte Kosten gespart werden. Der finanzielle Nutzen ist vorhanden, aber indirekter und von der Vertriebsperformance des Beraters abhängig.

Schnelle Umsetzung — hoch (4/5) Mit Claude oder ChatGPT ist ein erster Pilottest in einem Tag umsetzbar: Policen hochladen, Analyse-Prompt nutzen, Ergebnis bewerten. Für eine systematische Einführung im gesamten Bestand braucht es mehr Vorbereitung (Regelwerk, Reporting-Vorlagen, CRM-Integration), aber der Einstieg ist deutlich schneller als bei technisch komplexeren Projekten.

ROI-Sicherheit — mittel (3/5) Die Cross-Selling-Abschlüsse sind direkt zählbar. Was schwerer zu messen ist: der Effekt auf Kundenbindung und Stornoquote — der wahrscheinlich bedeutendere langfristige Wert. Ein Kunde, der durch proaktive Beratung vor Unterversicherung geschützt wurde, kündigt seltener. Dieser Wert ist real, aber schwer zu isolieren.

Skalierbarkeit — mittel (3/5) Die KI-Analyse skaliert mit dem Bestand ohne proportional steigenden Aufwand. Der Engpass ist nicht die Analyse, sondern die Gesprächsführung: Jede identifizierte Lücke erfordert ein Kundengespräch — und das bleibt menschliche Arbeit. Mit wachsendem Bestand wächst also auch die Kontakt-Kapazitäts-Anforderung.

Richtwerte — stark abhängig von Bestandsgröße, Vertragsstruktur und Vertriebsperformance des Beraters.

Was das System konkret macht

Schritt 1 — Automatischer Policen-Scan pro Kunden Alle vorliegenden Policen werden in einem strukturierten Prozess erfasst: per PDF-Upload, über Verbindungen mit Bestandssystemen oder über standardisierte Datenexporte. Das NLP-System liest die Policen und extrahiert die strukturierten Kerndaten: Versicherungsart, Versicherungssumme, Selbstbehalt, Ausschlüsse, Prämie, Laufzeit, mitversicherte Personen.

Schritt 2 — Regelbasierte Lückenanalyse Das System vergleicht die extrahierten Deckungsdaten mit einem hinterlegten Regelwerk:

• Sind die Versicherungssummen zeitgemäß? (Gebäudeversicherung: Anpassung an aktuelle Baupreisindizes)
• Sind Standardrisiken des Kundenprofils abgedeckt? (z.B. Berufsunfähigkeit fehlend bei Hauptverdiener)
• Gibt es Überschneidungen zwischen verschiedenen Verträgen?
• Gibt es klare Lücken mit realistischem Schadenpotenzial?

Schritt 3 — Priorisierter Beratungsbericht Das Ergebnis wird in zwei Varianten aufbereitet: als Kundenbericht (verständlich, konkret, ohne Fachchinesisch) und als Beratungsgrundlage für den Vermittler (mit Priorisierung und konkreten Handlungsempfehlungen). Der Kundenbericht stärkt das Vertrauen. Die Beratungsgrundlage gibt dem Vermittler einen strukturierten Gesprächseinstieg.

Konkrete Werkzeuge — was wann passt

Claude Für die Dokumentenanalyse einzelner Policen: Claude kann mehrere Policen gleichzeitig verarbeiten und auf Lücken oder Überschneidungen analysieren. Ideal als Einstieg ohne technische Integration. 18–22 Euro/Monat.

ChatGPT Alternative mit ähnlichen Fähigkeiten. Mit GPT-4o können Policen als Dateien hochgeladen und analysiert werden. 20–30 Euro/Monat.

Make.com Für die Automatisierung des Analyse-Workflows: Wenn neue Policen in das System hochgeladen werden, löst Make.com automatisch eine Analyse aus und benachrichtigt den Berater über Ergebnisse. Ab 9 Euro/Monat.

Microsoft 365 Copilot Wenn Policen als Word-Dokumente vorliegen und direkt in die Analyse-Pipeline eingespeist werden sollen: Copilot kann Schlüsselinformationen extrahieren und in strukturierte Berichte umwandeln. 28,10 Euro/Nutzer/Monat.

Salesforce mit CRM-Integration Für Makler mit größeren Beständen: Salesforce ermöglicht die Verwaltung aller Kundenverträge in einer Ansicht und löst automatisch Aufgaben für den Berater aus, wenn Analysen Handlungsbedarf identifizieren. Ab Sales Cloud Professional (ca. 80 Euro/Nutzer/Monat).

Zusammenfassung: Wann welcher Ansatz:

• Einzelanalysen, schneller Einstieg → Claude oder ChatGPT
• Workflow-Automatisierung → Make.com
• Microsoft-Ökosystem → M365 Copilot
• CRM-Integration für Bestand → Salesforce

Datenschutz und Datenhaltung

Policendaten enthalten personenbezogene und sensible Finanzinformationen. Die Verarbeitung unterliegt der DSGVO.

Auftragsverarbeitungsvertrag: Wer Policendaten an KI-Dienste (Claude, ChatGPT, Copilot) zur Analyse übergibt, benötigt einen AVV mit dem Anbieter. Alle genannten Anbieter stellen AVV-Vorlagen bereit, müssen aber aktiv angefordert werden.

Datensparsamkeit: Für die Analyse sind nur die relevanten Deckungsparameter nötig — Kundendaten wie Name, Adresse und Geburtsdatum sollten vor dem Upload anonymisiert oder pseudonymisiert werden, wenn die Analyse nur für interne Auswertungszwecke genutzt wird.

EU-Datenhaltung: Claude (Anthropic EU) und ChatGPT (Azure OpenAI EU Region) bieten europäische Datenhaltungsoptionen. Microsoft 365 Copilot ist über das EU Data Boundary Programm EU-konform konfigurierbar.

Datenweitergabe an Dritte: Wenn die Analyse-Ergebnisse an andere Versicherer oder Produktanbieter weitergegeben werden, ist das eine eigenständige Verarbeitung und erfordert eine separate Rechtsgrundlage.

Was es kostet — realistisch gerechnet

Einstieg (Manuelle KI-Analyse per Claude/ChatGPT):

• Claude Pro oder ChatGPT Plus: 18–20 Euro/Monat
• Einrichtungsaufwand: 1 Tag für Analyse-Prompt-Vorlage
• Kapazität: 10–20 Kunden-Analysen pro Woche möglich
• Erwarteter Effekt: Sofort einsetzbar, kein technischer Overhead

Skaliert (Integriertes System mit Workflow-Automatisierung):

• Make.com für Workflow-Automation: 9–29 Euro/Monat
• Salesforce oder NEOS CRM: 50–200 Euro/Monat
• Einrichtungsaufwand: 3–5 Tage
• Erwarteter Effekt: Systematische Analyse des gesamten Bestands, Priorisierung nach Handlungsbedarf

ROI-Beispiel: Makler mit 500 Kunden führt systematische Bestandsanalyse durch. Für 75 Kunden werden Optimierungsempfehlungen ausgesprochen. 30 Kunden schließen einen Ergänzungsvertrag mit durchschnittlich 800 Euro Jahresprämie. Provision 15 Prozent = 120 Euro × 30 = 3.600 Euro zusätzliche Courtage im Erstjahr, plus Folgeprovisionen und Kundenbindungseffekt. Bei Tool-Kosten von 1.500 Euro/Jahr klar positiv.

Vier typische Einstiegsfehler

1. Zu detaillierte Berichte für Kunden erstellen. Ein 8-seitiger Analysebericht mit allen technischen Details überfordert Kunden und führt selten zu Abschlüssen. Das Kunden-Dokument sollte maximal eine Seite umfassen: Was fehlt, warum es wichtig ist, was als nächstes zu tun ist. Die technische Tiefe gehört in die interne Beratungsgrundlage.

2. Alle identifizierten Lücken gleichzeitig ansprechen. Kunden, die in einem Gespräch mit fünf Optimierungsvorschlägen konfrontiert werden, treffen keine Entscheidung. Priorisierung ist entscheidend: Welche Lücke hat das größte Schadenpotenzial? Das kommt zuerst. Alles andere in Folge-Gesprächen.

3. Ohne Datenschutz-Check Policen hochladen. Wer eine echte Police mit Name, Adresse und Versicherungsnummer in Claude hochlädt, ohne AVV und ohne Eintrag in der Datenschutzerklärung, riskiert ein DSGVO-Bußgeld — für genau diese Datenkategorie haben Aufsichtsbehörden bereits Bußgelder im fünfstelligen Bereich verhängt. Remedy: Kundendaten vor dem Upload durch ein Kürzel ersetzen (z. B. „K42”), AVV bei Anthropic oder OpenAI aktiv anfordern und die Verarbeitungstätigkeit ins Verzeichnis aufnehmen.

4. Die Analyse einmalig durchführen und nicht wiederholen. Eine Bestandsanalyse ist kein einmaliges Projekt — sie ist ein fortlaufender Prozess. Versicherungssummen, die heute stimmen, können in zwei Jahren durch Baukostenentwicklung oder Inflation wieder veraltet sein. Neue Lebensumstände der Kunden (Umzug, Heirat, Renteneintritt, Kinder) verändern den Bedarf laufend. Wer die Analyse einmalig durchführt und dann nicht mehr aufgreift, verliert den Beratungsvorsprung schrittweise wieder. Ein jährlicher Prüfrhythmus — zumindest für Kunden mit mehr als drei Verträgen — sollte von Anfang an als fester Prozess eingeplant werden.

Was mit der Einführung wirklich passiert — und was nicht

Das Adoption-Problem bei Beratern. Berater, die seit Jahren erfolgreich intuitiv arbeiten, sehen in strukturierten Analyse-Berichten zunächst Mehrarbeit, nicht Unterstützung. Was hilft: Einen Berater früh zum internen Champion machen, der zeigt, wie die Analyse in einem konkreten Kundengespräch zu einem Abschluss geführt hat. Der erste Erfolg — ein Kunde, der nach der Analyse echten Mehrwert sieht — ist wertvoller als jede Schulung.

Das Kontakt-Kapazitäts-Problem. Die Analyse generiert potenzielle Kontaktanlässe. Wenn ein Makler plötzlich 200 Kunden mit Handlungsbedarf identifiziert, hat er die Kapazität für 200 zusätzliche Gespräche nicht. Prioritätssetzung ist entscheidend: Die Kunden mit dem höchsten Schadenpotenzial und dem höchsten Bestandswert kommen zuerst.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Kunden reagieren nicht auf proaktive Kontaktaufnahme.” Das ist ein Signal, kein Grund zum Aufgeben. „Wir haben Ihre Versicherungen analysiert und eine potenzielle Lücke gefunden” ist etwas anderes als „Wir haben ein attraktives Angebot für Sie.” Der Tonwechsel von Verkauf zu Beratung macht einen erheblichen Unterschied in der Resonanz.

„KI kann eine professionelle Versicherungsberatung nicht ersetzen.” Stimmt — und der Ansatz zielt nicht darauf ab. Die KI-Analyse ist ein Werkzeug zur Gesprächsvorbereitung. Die Beratungsleistung — Einordnung in die individuelle Lebenssituation, Produktempfehlung, Abschlussbegleitung — liegt weiterhin beim Menschen.

„Was, wenn die KI eine Lücke falsch identifiziert?” Eine fehlerhafte Empfehlung, die zum Kundengespräch führt und dort korrigiert wird, ist kein Schaden — sie ist ein Gesprächsanlass. Der Berater prüft die Analyse, bevor er den Kunden kontaktiert. Das System ist ein Vorfilter, kein Urteil.

Woran du merkst, dass das zu dir passt

• Du betreust Kunden mit mehreren Verträgen bei verschiedenen Anbietern, aber niemand hat je das Gesamtbild betrachtet
• Du weißt, dass viele Kunden unterversichert oder doppelt versichert sind, aber du hast keine systematische Methode, das aufzudecken
• Proaktive Bestandsanalysen bleiben aus Zeitgründen aus — du wartest, bis Kunden von sich aus fragen
• Cross-Selling-Potenziale liegen brach, weil du nicht weißt, wo du anfangen sollst

Wann es sich (noch) nicht lohnt: Wenn dein Bestand unter 100 Kunden liegt, ist eine manuelle Prüfung vollständig machbar. Außerdem: Wenn deine Policen hauptsächlich als Papierdokumente vorliegen und du keine Zeit oder Kapazität hast, sie einzuscannen, ist die Digitalisierungs-Vorarbeit ein eigenständiges Projekt, das vor der KI-Analyse erledigt sein muss.

Das kannst du heute noch tun

Nimm drei Kunden-Portfolios aus deinem Bestand — idealerweise Kunden, die seit mehr als 5 Jahren keine Bestandsüberprüfung hatten — und lade die Policen in Claude oder ChatGPT hoch. Bitte die KI, nach Deckungslücken und Überschneidungen zu suchen.

Das dauert 30 Minuten und zeigt dir sofort, ob der Ansatz für deine Produkte funktioniert.

Quellen & Methodik

• Unterversicherung Gebäude 30–40 Prozent: GDV-Daten zur Gebäudeversicherung und Baupreisindex-Entwicklung 2004–2024, Statistisches Bundesamt.
• Morgen & Morgen Studie 2024: Unterversicherungsquoten im deutschen Privatkundengeschäft.
• Verbraucherzentrale Bundesverband: Schätzung Doppelversicherungsquote in deutschen Haushalten.
• DSGVO Art. 28: Auftragsverarbeitungsanforderungen bei Übergabe von Versicherungsdaten an KI-Dienste.
• IDD Art. 20: Anforderungen an Eignungsprüfung und Beratungsprotokoll im Versicherungsvertrieb.