KI-gestützte Regulierungskorrespondenz und Kundenkommunikation

Das echte Ausmaß des Problems

Ein mittelgroßer Versicherer mit zwanzig Sachbearbeitenden in der Schadenregulierung produziert täglich bis zu 80–120 Ausgangsschreiben: Eingangsbestätigungen, Nachforderungen, Zwischenstandsmitteilungen, Anerkennungen, Teilanerkennungen, Ablehnungen. Das sind über ein Jahr gerechnet bis zu 25.000 Schreiben — jedes ein potenzielles Einfallstor für Inkonsistenzen, Formulierungsfehler oder rechtliche Lücken.

Das strukturelle Problem: Die rechtlich heikelsten Schreiben — Ablehnungen und Teilablehnungen — sind gleichzeitig die zeitaufwendigsten. Laut Praxisberichten aus mittelständischen Versicherungsgesellschaften dauert das Verfassen eines begründeten Ablehnungsschreibens mit Verweis auf Vertragsklauseln und § 28-Belehrung im Schnitt 18–28 Minuten. Bei einer Vollzeitkraft mit 50 Ablehnungsvorgängen pro Monat macht das allein in dieser Schreibkategorie über 20 Stunden — mehr als eine halbe Vollzeitwoche.

Und das Fehlerrisiko ist real: Die häufigsten rechtlichen Mängel in Versicherungsablehnungen nach eigener Praxiserhebung:

• Fehlende oder unpassende § 28-Abs.-4-VVG-Belehrung — wenn dieser Hinweis fehlt oder unvollständig ist, kann die Leistungsfreiheit des Versicherers nicht geltend gemacht werden, selbst wenn die Ablehnung inhaltlich begründet ist
• Kausalitätsbegründung aus dem Vorgängerschreiben kopiert — passt nicht zum neuen Sachverhalt, erzeugt Angriffsfläche im Streitfall
• Tonfall nicht an Schadensart angepasst — ein Ablehnungsschreiben bei einer Berufsunfähigkeitsrente klingt wie ein Kfz-Schaden-Bescheid

Die Allianz hat das strukturell erkannt: Ihr Insurance Copilot wurde gezielt entwickelt, um Sachbearbeiter bei genau dieser Arbeit zu entlasten — Schreiben entwerfen, Kontext aus der Fallakte ziehen, Konsistenz sicherstellen. Laut Allianz (2025) ist ein zentraler Treiber, dass Claims Officers weniger Zeit mit Routinekommunikation verbringen und mehr Kapazität für komplexe Fälle behalten.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Schätzwerte aus Praxisberichten mittelständischer Versicherer; keine repräsentative Erhebung.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Die Zeitersparnis ist bei diesem Anwendungsfall ungewöhnlich konkret: Schreibzeit von 18–28 Minuten je begründetem Ablehnungsschreiben auf 4–6 Minuten ist messbar und reproduzierbar. In der Branche liegt dieser Wert mit 4 von 5 knapp unter der Schadensmeldungsverarbeitung (5/5), weil dort Eingangsverarbeitung und Klassifizierung vollautomatisiert werden kann — während hier eine Prüfung durch Sachbearbeiter weiterhin notwendig bleibt.

Kosteneinsparung — niedrig (2/5) Die eingesparte Zeit ist real, lässt sich aber nicht direkt in Personalkosten umrechnen: Ein Sachbearbeiter, der täglich zwei Stunden weniger Schreiben formuliert, führt nicht zu einer Stelle weniger — sondern bearbeitet mehr Vorgänge im gleichen Zeitrahmen. Für Unternehmen mit messbar überlasteten Teams bedeutet das Kapazitätsgewinn, nicht Kostenreduktion. Ehrliche Einschätzung: 2 von 5 in dieser Kategorie — die Zeitersparnis ist zu indirekt, um als direkter Kostenhebel zu wirken.

Schnelle Umsetzung — hoch (4/5) Eine erste Vorlagen-Bibliothek für die häufigsten Schreibtypen (Eingangsbestätigung, Nachforderung, Anerkennung, Ablehnung) ist in 4–8 Wochen einsatzbereit — ohne IT-Integration, ohne Schadenmanagementsystem-Anbindung. Das unterscheidet diesen Anwendungsfall von schwerer anlaufenden Projekten wie der automatischen Vollständigkeitsprüfung eingereichter Unterlagen oder Schadenleistungs-Leakage-Erkennung, die strukturierte Datenbasis und Systemintegration voraussetzen.

ROI-Sicherheit — mittel (3/5) Die Zeiteinsparung je Schreiben ist gut messbar, der Qualitätsgewinn (weniger rechtliche Angriffsfläche, weniger Rückfragen) dagegen schwer direkt zuzuordnen. Damit liegt dieser Anwendungsfall in der Branchenmitte. Ein eindeutiger Vorteil — falls verfügbar — wäre ein direkter Vergleich der Nachfrage-Quote nach Ablehnungsschreiben vor und nach Einführung; das liefert aber nur, wer es vorab als KPI definiert.

Skalierbarkeit — hoch (4/5) Einmal entwickelte Vorlagen laufen für alle Sachbearbeitenden; neue Schadensprodukte erfordern neue Vorlagen, nicht neue Infrastruktur. Die Skalierbarkeit ist gut — aber nicht ganz die Höchstnote, weil die Pflege der Vorlagenbibliothek bei wachsendem Produktportfolio linearen Aufwand erzeugt.

Richtwerte — stark abhängig von Unternehmensgröße, Produktportfolio und Vorlagentreue in der täglichen Nutzung.

Was der KI-Schreibassistent konkret macht

Der Kern ist ein LLM — ein Generative KI-Modell wie Claude oder ChatGPT —, das mit drei Eingaben pro Vorgang arbeitet:

1. Falldaten — Versicherungsnehmer, Schadendatum, Schadensumme, relevante Vertragsklauseln, Entscheidungsbegründung (aus dem Schadenmanagementsystem oder manuell eingegeben)
2. Schreibtyp — Eingangsbestätigung, Nachforderung, Anerkennung, Teilanerkennung, Ablehnung
3. Produktkontext — Haftpflicht, Hausrat, KV, Lebensversicherung, BU usw.

Das System kombiniert diese Eingaben mit einer vorbereiteten Vorlagen-Bibliothek, die die rechtlichen Pflichtinhalte für jeden Schreibtyp enthält, und generiert einen Briefentwurf. Der Sachbearbeiter prüft, korrigiert falls nötig und sendet.

Was das System nicht tut: Es trifft keine Entscheidung über Anerkennung oder Ablehnung. Diese Entscheidung bleibt beim Sachbearbeiter — das System setzt sie nur in ein rechtlich tragfähiges Schreiben um. Dieser Unterschied ist für Compliance und Haftung zentral.

Technischer Ansatz: drei Wege

Ansatz A — Direkter Prompt in ChatGPT oder Claude (kein Tech-Setup) Der Sachbearbeiter fügt Falldaten in einen strukturierten Prompt ein, das Modell generiert den Entwurf. Einstieg ohne IT-Abteilung, aber ohne Integration in bestehende Systeme — manuelles Abtippen der Falldaten.

Ansatz B — Vorlagen-Bibliothek mit Variablen-Substitution (Low-Code) Ein Werkzeug wie n8n oder Make.com ruft Falldaten aus dem Schadenmanagementsystem ab, befüllt die KI-Vorlage und übergibt das fertige Schreiben in die Ausgangspost oder das DMS. Kein manuelles Abtippen, aber 4–8 Wochen Einrichtungsaufwand.

Ansatz C — Microsoft 365 Copilot mit Schadensystem-Connector Für Häuser, die bereits auf Microsoft 365 setzen: Microsoft 365 Copilot lässt sich mit einem Copilot Studio-Agenten ausstatten, der Falldaten aus SharePoint, Dynamics oder einem angebundenen System liest und Briefentwürfe direkt in Word erstellt. Hohe Integration, höherer Aufwand beim Setup.

VAG/VVG-Compliance-Layer: Was in KI-Ablehnungsschreiben rechtlich Pflicht ist

Das ist der kritischste Abschnitt dieses Anwendungsfalls — und der, den die meisten Einführungsprojekte unterschätzen.

Ein KI-generiertes Ablehnungsschreiben kann inhaltlich korrekt und gut formuliert sein und trotzdem rechtlich angreifbar — nämlich dann, wenn die gesetzlichen Pflichtinhalte fehlen oder nicht richtig auf den konkreten Fall abgestimmt sind. Die häufigsten Fallstricke:

§ 28 Abs. 4 VVG — Belehrungspflicht bei Obliegenheitsverletzung Wenn der Versicherer Leistungsfreiheit wegen Obliegenheitsverletzung geltend macht (z. B. fehlende Mitwirkung, verspätete Meldung, unrichtige Angaben), muss die Ablehnung eine gesonderte Belehrung in Textform enthalten, die den Versicherungsnehmer über die Rechtsfolgen aufklärt. Fehlt diese Belehrung oder ist sie nicht ausreichend hervorgehoben, ist die Leistungsfreiheit des Versicherers nach ständiger BGH-Rechtsprechung nicht durchsetzbar — unabhängig davon, ob die Obliegenheitsverletzung tatsächlich vorliegt.

Für den KI-Schreibassistenten bedeutet das: Die Vorlage für Ablehnungen wegen Obliegenheitsverletzung muss die § 28-Abs.-4-Belehrung als nicht-editierbaren Pflichtblock enthalten, der nur durch eine Compliance-freigabe angepasst werden kann.

§ 19 VVG — Anzeigepflichtverletzung Bei Ablehnungen wegen vorvertraglicher Anzeigepflichtverletzung gelten eigene formale Anforderungen: Der Versicherer muss nachweisen, dass er im Falle korrekter Angaben den Vertrag nicht oder zu anderen Konditionen abgeschlossen hätte. Eine KI-Vorlage für diesen Schreibtyp muss die Kausalitätsbegründung als zwingend auszufüllenden Textblock strukturieren — mit einer Warnung, wenn der Sachbearbeiter den Block leer lässt oder aus einem anderen Schreiben kopiert.

§ 21 VVG — Ausschlussfrist für Leistungsfreiheit Versicherer haben eine einmonatige Ausschlussfrist, innerhalb der sie Leistungsfreiheit geltend machen müssen, nachdem sie Kenntnis von der Obliegenheitsverletzung erlangt haben. Wenn die KI-Vorlage automatisch ein Datum einsetzt, muss das System prüfen, ob diese Frist noch läuft — oder eine Warnung ausgeben, wenn das Datum fehlt.

BaFin MaGo 2025 / EIOPA-Prinzipien Das BaFin-Rundschreiben zu Mindestanforderungen an die Governance (MaGo 2025-Entwurf) verlangt, dass automatisierte Prozesse in der Versicherung „angemessen gesteuert, überwacht und dokumentiert” werden — mit klarer Nachvollziehbarkeit. Für KI-gestützte Schreiben bedeutet das: Welche KI-Version hat welchen Entwurf erzeugt, wann, auf Basis welcher Eingaben? Diese Audit-Spur muss vorhanden sein.

Praktische Konsequenz für die Einführung: Vor dem ersten Produktivbetrieb mit Ablehnungsschreiben müssen mindestens folgende Schritte abgeschlossen sein:

1. Juristische Prüfung aller Ablehnungsvorlagen durch einen VVG-kundigen Anwalt oder die interne Rechtsabteilung
2. Pflichtblöcke (§ 28, § 19) als nicht-löschbarer Bestandteil der Vorlage definieren
3. Vier-Augen-Freigabe für jedes Ablehnungsschreiben einrichten (siehe unten)
4. Audit-Logging aktivieren: welcher Entwurf, welche KI, wann, durch wen freigegeben

Ton-Kalibrierung nach Schadensart: Warum ein Ton für alles nicht funktioniert

Das ist der Unterschied zwischen einem KI-Schreiben, das der Empfänger akzeptiert, und einem, das ihn sofort einen Anwalt einschalten lässt.

Kfz- und Sachschadenfälle (Haftpflicht, Hausrat, Gebäude) Hier ist ein sachlicher, klarer Ton angemessen: Schadendatum, Schadensumme, Begründung, Anerkennung oder Ablehnung. Die Kommunikation ist transaktional. Versicherungsnehmer in diesem Segment erwarten präzise Informationen, keinen emotionalen Begleittext.

Typischer KI-Fehler: zu formell-juristisch bei einfachen Teilanerkennungen. Ein Brief, der klingt wie ein Urteil, irritiert bei einem Sachschaden mehr als er hilft.

Krankenversicherung und Pflegeversicherung Hier ist Empathie nicht optional, sondern funktional wichtig: Der Versicherungsnehmer ist oft krank oder pflegebedürftig, manchmal in akuter Belastungssituation. Ablehnungen bei medizinisch notwendigen Leistungen müssen klar und begründet sein — aber in einem Ton, der nicht kalt oder bürokratisch wirkt.

Typischer KI-Fehler: Standardformulierungen wie „Die Erstattung kann nicht gewährt werden, da die Voraussetzungen gemäß §… nicht erfüllt sind” ohne jeden Übergang zur Beschwerdeinformation. Das erzeugt vermeidbare Eskalationen. Die Vorlage sollte explizit einen Hinweis auf das Widerspruchsrecht und die Beschwerdemöglichkeiten enthalten — in menschlichem Deutsch.

Lebensversicherung und Berufsunfähigkeit (BU) Das ist der empfindlichste Ton-Kontext im Versicherungsbereich. Ablehnungen in der BU-Sparte betreffen Menschen, die oft seit Monaten nicht mehr arbeiten können, deren Existenz von der Leistung abhängt — und die, wenn sie ein Ablehnungsschreiben erhalten, häufig in einer emotional extremen Situation sind.

Die KI-Vorlage für diese Schreibkategorie sollte explizit folgende Elemente enthalten:

• Klare Begründung, aber in verständlicher Sprache (kein Juristenlatein)
• Hinweis auf das Widerspruchsverfahren und konkrete Fristen
• Empfehlung, bei Fragen den persönlichen Betreuer oder den Ombudsmann zu kontaktieren
• Kein Tonfall, der den Eindruck erweckt, der Antrag sei von vornherein aussichtslos

Typischer KI-Fehler ohne Ton-Kalibrierung: Das Modell schreibt einen sachlich korrekten, aber gefühlsblinden Brief — der die gleiche juristische Sprache verwendet wie ein Kfz-Schaden, aber bei einer ernsthaften BU-Ablehnung als menschlich kalt wahrgenommen wird und die Beschwerdequote erhöht.

Haftpflichtfälle mit Drittbeteiligung Wenn Dritte beteiligt sind, ändert sich die Kommunikationssituation: Der Versicherungsnehmer ist möglicherweise gleichzeitig Schadenverursacher und Adressat. Der Ton muss neutral sein, ohne Schuldeingeständnis zu implizieren — eine für KI-Modelle ohne explizite Anweisung oft fehlerträchtige Nuance.

Praktische Umsetzung: Definiere für jede Schadensart eine eigene Vorlage oder einen eigenen System-Prompt-Block. Das verhindert, dass die KI einen Einheitston wählt, der mal zu formell, mal zu informell ist. Die Ton-Kalibrierung ist günstiger als man denkt: Sie ist Arbeit beim ersten Setup — danach liegt sie im Prompt und kostet nichts.

Vier-Augen-Prinzip: regulatorische Anforderung, kein Nice-to-have

Das ist der häufigste Fehler in der Einführungsphase: Teams, die die KI-Zeitersparnis nutzen wollen, sparen gleichzeitig am Prüfprozess. Das ist falsch — und potenziell teuer.

Warum Ablehnungsschreiben immer eine menschliche Freigabe brauchen:

1. Rechtliche Anforderung: Ablehnungen sind Willenserklärungen mit Rechtswirkung. Die BaFin MaGo und das Aufsichtsrecht verlangen menschliche Verantwortungsübernahme für Leistungsentscheidungen. Ein KI-generiertes Schreiben, das ohne menschliche Prüfung versendet wird, erzeugt Haftungsrisiken für den Versicherer, wenn es fehlerhafte Pflichtinhalte enthält.

2. EU AI Act (Hochrisiko-Klassifizierung): Automatisierte Entscheidungssysteme im Versicherungsbereich, die Zugangsbeschränkungen zu Leistungen betreffen, werden unter dem EU AI Act als Hochrisikobereich behandelt. Für solche Systeme gilt: Human Oversight ist keine Empfehlung, sondern gesetzliche Anforderung.

3. Praxisrisiko bei Vorlagenfehlern: Wenn ein Fehler in der Vorlage steckt — etwa eine falsch formulierte § 28-Belehrung —, vervielfältigt sich dieser Fehler ohne Vier-Augen-Prinzip auf alle Schreiben dieses Typs. Allianz hat in ihrem Insurance Copilot explizit ein “Human-in-the-Loop”-Modell eingebaut: Die KI empfiehlt und entwirft, der Claims Officer entscheidet und gibt frei.

Wie ein funktionierender Vier-Augen-Workflow aussieht:

Wichtig: Die KI erstellt den Entwurf, der Sachbearbeiter spart Zeit beim Verfassen — aber die letzte inhaltliche Verantwortung liegt beim Menschen. Das ist kein Bug, das ist das Modell.

Konkrete Werkzeuge — was wann passt

Claude (via AWS Bedrock oder claude.ai) Für reine Schreibqualität ist Claude derzeit das stärkste verfügbare Modell — differenzierter Ton, konsistente Struktur, gutes Deutsch ohne KI-typische Floskeln. Für produktiven Einsatz in einem DSGVO-sicheren Umfeld: Claude über AWS Bedrock (Frankfurt) oder Google Vertex AI (europe-west) beziehen. Nicht über die Consumer-App claude.ai — die verarbeitet Daten in den USA, was für Versicherungsfälle mit personenbezogenen Daten problematisch ist. API-Kosten: ca. 1–3 Euro pro 1.000 Schreiben je nach Modell und Länge.

ChatGPT (ChatGPT Enterprise oder Azure OpenAI) Vergleichbare Schreibqualität wie Claude, stärker verbreitet in mittleren und großen Versicherungsunternehmen. ChatGPT Enterprise verarbeitet Daten in der EU; Azure OpenAI Service bietet EU-Region plus AVV und ist oft die Wahl für Häuser mit bestehendem Azure-Vertrag.

Microsoft 365 Copilot Für Versicherer, die vollständig auf Microsoft 365 setzen: Copilot Studio ermöglicht einen eigenen Agenten, der Falldaten aus SharePoint oder Dynamics zieht und Briefentwürfe direkt in Word erstellt. Vorteil: volle Microsoft-Integration, EU Data Boundary verfügbar. Preis: ca. 15,60 Euro/Person/Monat zusätzlich zur M365-Lizenz. Nachteil: höherer Setup-Aufwand als ein direkter API-Ansatz; die Schreibqualität allein liegt knapp unter Claude für differenzierte Ablehnungsformulierungen.

n8n oder Make.com für die Automatisierungsschicht Diese Werkzeuge verbinden das Schadenmanagementsystem mit dem LLM-Schreibassistenten: Falldaten werden automatisch ausgelesen, an die KI weitergegeben, der Entwurf zurück ins DMS oder die Ausgangspost geschrieben. n8n lässt sich selbst hosten (EU-Datenresidenz ohne Aufpreis); Make.com ist schneller eingerichtet, aber Cloud-hosted. Beide reduzieren den manuellen Eintippe-Aufwand auf null — der eigentliche Produktivitätshebel für Volumenbetrieb.

Zusammenfassung — wann welcher Ansatz:

• Kein IT-Budget, erster Test: direkt ChatGPT oder Claude mit strukturiertem Prompt
• Mittelständischer Versicherer, kein M365-Fokus: Claude API + n8n (selbst gehostet)
• M365-Haus mit SharePoint-Basis: Microsoft 365 Copilot + Copilot Studio-Agent
• Großer Versicherer mit Azure-Vertrag: Azure OpenAI Service mit eigener Einrichtung

Datenschutz und Datenhaltung

Regulierungsschreiben enthalten regelmäßig besonders schützenswerte personenbezogene Daten: Gesundheitsangaben (bei Kranken- und BU-Fällen), Finanzinformationen, Angaben zu Tatvorwürfen (bei Haftpflichtfällen). Das bedeutet: Jedes System, das diese Daten verarbeitet, unterliegt DSGVO Art. 9 (besondere Kategorien personenbezogener Daten) und erfordert besondere Schutzmaßnahmen.

Pflichten vor dem Start:

• Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO mit dem KI-Anbieter abschließen — alle genannten Anbieter (Anthropic/Bedrock, OpenAI/Azure, Microsoft) stellen AVV-Vorlagen bereit
• Datenschutz-Folgenabschätzung (DPIA) durchführen, wenn Gesundheitsdaten verarbeitet werden — bei BU, Krankenversicherung zwingend
• Datenminimierung: Nur die Falldaten übergeben, die für das Schreiben notwendig sind; keine vollständigen medizinischen Gutachten in den Prompt einlesen

Empfohlene Hosting-Optionen für deutsche Versicherer:

• AWS Bedrock Frankfurt (eu-central-1): Claude-Modelle in der EU, AVV mit Amazon, Daten verlassen die EU-Region nicht
• Azure OpenAI Service (westeurope/germanywest): GPT-Modelle in europäischen Rechenzentren, AVV mit Microsoft, beliebt bei M365-Häusern
• n8n selbst gehostet auf Hetzner oder einem deutschen Rechenzentrum: Die Automatisierungsschicht bleibt vollständig unter eigener Kontrolle

Was nicht geht: Consumer-Apps (claude.ai, ChatGPT.com) für Produktivbetrieb mit echten Versicherungsfällen — diese verarbeiten Daten in den USA, ohne ausreichende Garantien für Gesundheitsdaten.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Vorlagen-Bibliothek entwickeln (15–25 Schreibtypen, juristisch geprüft): 3.000–8.000 Euro, je nach Produktportfolio und ob externe Anwälte einbezogen werden
• Technischer Aufbau Prompt-System ohne Integration: 1–2 Wochen intern, keine Extrakosten
• Integration in Schadenmanagementsystem via n8n / Make.com: 4.000–12.000 Euro Einrichtung (Implementierungspartner)
• Gesamt-Einstieg ohne Integration: 3.000–8.000 Euro
• Gesamt mit Systemintegration: 7.000–20.000 Euro

Laufende Kosten (monatlich)

• Claude API (AWS Bedrock, Sonnet): ca. 0,50–2 Euro pro 1.000 Schreiben — bei 2.000 Schreiben/Monat also 1–4 Euro für die KI-Kosten selbst
• Microsoft 365 Copilot: 15,60 Euro/Person/Monat zusätzlich zur M365-Lizenz
• n8n Cloud: ab 20 Euro/Monat; selbst gehostet: Serverkosten ca. 10–30 Euro/Monat

Nutzenrechnung — konservativ 20 Sachbearbeitende × 40 Ablehnungsschreiben/Monat = 800 Ablehnungen/Monat. Zeitersparnis je Schreiben: 14 Minuten (von 20 auf 6 Minuten). Gesparte Zeit: 800 × 14 min = 186 Stunden/Monat. Bei einem Bruttostundensatz von 28–38 Euro (Tarifgruppe Versicherung, VVG-Kenntnisse): 5.200–7.100 Euro monatliche Zeitersparnis. Bei API-Kosten von unter 50 Euro/Monat und anteiligen Einrichtungskosten amortisiert sich das System in unter drei Monaten.

Wie du den Nutzen tatsächlich misst: Nicht die Stundenkalkulation — die ist eine Schätzung. Der ehrlichste Beweis sind: Schreibzeit per Vorgang (vorher messen, nachher vergleichen), Rückfrage-Quote der Versicherungsnehmer, Beschwerdequote, juristische Beanstandungen bei internen Audits.

Drei typische Einstiegsfehler

1. Vorlagen juristisch nicht prüfen lassen. Das ist der teuerste Fehler: Eine KI-Vorlage für Ablehnungsschreiben, die von einem Sachbearbeiter gebaut wurde und nicht von einem VVG-Juristen geprüft wurde, enthält mit hoher Wahrscheinlichkeit mindestens eine rechtlich angreifbare Formulierung — sei es eine unvollständige § 28-Belehrung, eine fehlende Kausalitätsbegründung oder einen inhaltlich falschen Verweis auf den Versicherungsschein. Der Fehler wird dann nicht einmal bemerkt, weil alles ordentlich aussieht. Abhilfe: Jede neue Vorlagenklasse einmalig durch die Rechtsabteilung oder einen VVG-Spezialisten freigeben lassen, bevor sie in Betrieb geht.

2. Alle Schreibtypen gleich behandeln. Einfache Eingangsbestätigungen und begründete Ablehnungen brauchen sehr unterschiedliche Qualitätssicherung. Viele Einführungsprojekte definieren einen einheitlichen Prozess für alle Schreibtypen — ohne Vier-Augen-Pflicht für Ablehnungen, ohne Ton-Differenzierung nach Schadensart. Das Ergebnis: Das System funktioniert für unkritische Schreiben gut und produziert gleichzeitig rechtlich angreifbare Ablehnungsschreiben in zu hohem Tempo.

3. Das Vorlagen-System wird eingeführt, aber nicht gepflegt. Das ist der stille Langzeitfehler — und beim Thema Regulierungskorrespondenz besonders riskant. Wenn das VVG eine Gesetzesänderung erfährt (das nächste Reformvorhaben ist absehbar), wenn die BaFin neue Anforderungen an Ablehnungsbegründungen stellt, wenn das Produktportfolio neue Schadensarten einschließt — müssen die Vorlagen aktualisiert werden. Ohne eine namentlich benannte Person mit Zuständigkeit für die Vorlagen-Wartung ist das System nach 18 Monaten veraltet. Benennt diese Verantwortung vor der Einführung. Nicht die IT — die Rechtsabteilung oder ein erfahrener Fachexperte aus der Schadenregulierung.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste. Die menschliche Seite ist schwieriger.

„Die KI schreibt nicht so, wie ich schreibe.” Das ist das häufigste erste Feedback — und es ist kein Ablehnungsargument, sondern ein Kalibrierungsauftrag. Erfahrene Sachbearbeiter haben einen Schreibstil entwickelt, der für sie funktioniert. Die Vorlage wird nie genau so klingen. Was hilft: Zeig ihnen, dass sie die KI-Entwürfe nicht unverändert übernehmen müssen — sie starten nur von einem besseren Ausgangspunkt. Die eigentliche Zeitersparnis liegt im Grundgerüst, nicht im letzten Satz.

Die Qualitätsprüfer fühlen sich überflüssig. Sachbearbeiter, die bisher als fachlich starke Korrektoren von Kollegenbriefen bekannt waren, können sich durch ein System bedroht fühlen, das konsistentere Erstergebnisse liefert. Diese Personen sind wertvoll: Sie sollten als Vorlagen-Prüfer und Qualitäts-Verantwortliche eingesetzt werden — nicht als Gegner des Systems, sondern als seine Hüter.

Was konkret hilft:

• Pilotstart mit zwei oder drei freiwilligen Sachbearbeitenden, nicht mit der ganzen Abteilung
• Erste vier Wochen: Vorlagen laufen parallel zum bestehenden Prozess, kein Pflichtgebrauch
• Wöchentliches Feedback-Format mit konkreten Formulierungsvorschlägen — jede Verbesserung der Vorlage gilt für alle
• Nach dem Piloten: transparente Auswertung (Zeitersparnis, Fehlerquote, Nutzerzufriedenheit)

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI-Schreiben klingen generisch — unsere Kunden merken das.” Das stimmt für schlecht kalibrierte Vorlagen. Wenn du eine KI einfach bittest, einen Versicherungsbrief zu schreiben, ohne Tonvorgabe, ohne Kontext, ohne Produktspezifik — entsteht tatsächlich etwas, das klingt wie aus einer Behörde. Das ist aber kein KI-Problem, das ist ein Vorlagen-Problem. Ein gut kalibrierter Prompt mit deinem Unternehmens-Tonfall, dem richtigen Register für die Schadensart und konkreten Formulierungsbeispielen produziert Ergebnisse, die ein geübter Leser nicht von einem guten Sachbearbeiter-Brief unterscheiden kann.

„Das haben wir schon versucht mit Textbausteinen — hat nicht funktioniert.” Textbausteine sind statisch: Sie passen nicht auf den Einzelfall zu, sondern werden manuell kombiniert. Ein LLM-Assistent ist dynamisch: Er liest den Sachverhalt, wählt die richtigen Elemente und formuliert ein kohärentes Schreiben. Der Unterschied ist nicht graduell, sondern strukturell. Wer Textbausteine kennt, sollte das System mit einem konkreten Grenzfall testen — einem Sachverhalt, für den kein Baustein perfekt passt.

„Was ist, wenn die KI etwas Falsches hineinschreibt und wir das nicht bemerken?” Das ist der einzig berechtigt wichtige Einwand — und er hat eine klare Antwort: Deswegen gibt es das Vier-Augen-Prinzip, deswegen müssen Ablehnungsschreiben menschlich freigegeben werden, und deswegen dürfen Pflichtblöcke (§ 28-Belehrung) nicht durch die KI editierbar sein. Das System ist nicht dazu da, menschliche Prüfung abzuschaffen — sondern um den Erstellungsaufwand zu reduzieren, damit die menschliche Prüfung wieder auf das wesentliche Urteil konzentriert werden kann.

Woran du merkst, dass das zu dir passt

• Deine Abteilung schreibt mehr als 200 Regulierungsschreiben pro Monat — erst ab dieser Größenordnung übersteigt der Produktivitätsgewinn den Einrichtungsaufwand klar
• Du hast mindestens eine Person, die dauerhaft Vorlagen-Verantwortung übernehmen kann — ohne diese Rolle veraltet das System
• Du hast eine Rechtsabteilung oder Zugang zu einem VVG-Spezialisten, der die Vorlagen einmalig prüft — ohne diese Prüfung ist der rechtliche Mehrwert zweifelhaft
• Dein Team arbeitet in einem Schadenmanagementsystem oder wenigstens in einer konsistenten Datenstruktur, aus der Falldaten abrufbar sind

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 3 Vollzeit-Sachbearbeiter in der Schadenregulierung. Bei diesem Volumen ist der ROI nicht darstellbar: Der Einrichtungsaufwand und das laufende Vorlagen-Maintenance sind Fixkosten, die sich erst ab einem nennenswerten Schreibvolumen amortisieren. Eine gut gepflegte Word-Vorlage mit Textbausteinen ist günstiger und ausreichend.

2. Kein strukturiertes Schadenmanagementsystem — Falldaten liegen in E-Mails und PDFs ohne einheitliches Format. Ein KI-Schreibassistent braucht strukturierte Eingaben: Versicherungsnehmer, Vertragsnummer, Schadendatum, Begründung. Wenn diese Daten immer manuell zusammengesucht werden müssen, entfällt der wesentliche Teil der Zeitersparnis. Die Systemintegration lohnt sich dann mehr als die KI-Schreibhilfe.

3. Spezialversicherer mit vorwiegend einzigartigen Einzelfällen (marine, Kunst, Filmproduktion, Speziallinien): Wenn jeder Regulierungsvorgang juristisch individuell beurteilt werden muss und keine wiederkehrenden Muster existieren, fehlt die Basis für skalierbare Vorlagen. KI-Unterstützung kann dann trotzdem sinnvoll sein — aber als freie Schreibhilfe, nicht als Vorlagensystem.

Das kannst du heute noch tun

Öffne Claude oder ChatGPT — kostenlos, kein Setup. Suche eines deiner letzten Ablehnungsschreiben heraus (Daten anonymisiert) und füge es als Kontext ein. Frag das Modell dann: „Formuliere dieses Ablehnungsschreiben neu — sachlich korrekt, klar strukturiert, mit §-28-Abs.-4-Hinweis, Ton für einen KV-Fall.” Vergleiche das Ergebnis mit dem Original.

Was du danach weißt: ob die Schreibqualität dein Team entlasten würde — vor jedem Cent Ausgabe.

Hier ist ein einsatzbereiter Prompt für die häufigste Schreibkategorie — den begründeten Ablehnungsbescheid:

Quellen & Methodik

• Allianz Insurance Copilot (2025): Allianz SE, Pressemeldung „KI bei der Allianz: Schneller zur korrekten Auszahlung” (Februar 2025), allianz.com. Beschreibt das “Human-in-the-Loop”-Modell, bei dem Claims Officer alle KI-Empfehlungen prüfen und freigeben; KI entwirft Korrespondenz und verhindert Überzahlungen.
• KPMG-Law, „KI in Versicherungsunternehmen — Chancen nutzen, Risiken managen” (2025): kpmg-law.de. Enthält Analyse zu BaFin MaGo 2025 (Entwurf), EIOPA-Grundsätzen zur Erklärbarkeit KI-gestützter Ablehnungen und Haftungsrisiken für automatisierte Korrespondenz.
• § 28 VVG (Versicherungsvertragsgesetz): Gesetze-im-Internet.de, aktuelle Fassung. Begründungspflicht und Belehrungspflicht bei Obliegenheitsverletzungen; BGH-Rechtsprechung zur „gesonderten Mitteilung in Textform”.
• Microsoft 365 Copilot Preise (Stand Mai 2026): microsoft.com/de-de/microsoft-365-copilot/pricing. Add-on: 15,60 Euro/Person/Monat (Jahresabo).
• Schreibzeiten und Fehlerquoten: Erfahrungswerte aus Praxisberichten mittelständischer Versicherungsgesellschaften (anonymisiert, Stand 2024–2025); keine repräsentative Erhebung, aber konsistente Beobachtungen über mehrere Einführungsprojekte.
• EU AI Act, Hochrisiko-Klassifizierung für Versicherungsentscheidungen: Verordnung (EU) 2024/1689, Anhang III, in Kraft seit August 2024; Hochrisikosysteme in Versicherungsbereich ab August 2026 mit verschärften Human-Oversight-Anforderungen.

Du willst wissen, welche Schreibtypen in deiner Schadenregulierung den größten Gewinn bringen und wie eine erste Vorlagen-Bibliothek konkret aussehen würde? Meld dich — das ist ein Gespräch, das in 45 Minuten ergebnisoffen ist.