Das Problem
In österreichischen Versicherungsmakler-Büros ist der Engpass nicht der Vertrieb — es ist die Bearbeitung. Standard-Schadensfälle dauern fünf bis vierzehn Tage von Eingang bis Auszahlungs-Freigabe, Antragsprüfung gegen Underwriting-Regeln ist manuelle Sachbearbeitung, und 60 Prozent der Kunden-Mails sind Statusabfragen zu offenen Vorgängen. Gleichzeitig wächst die Regulatorik schneller als die Personalkapazität: IDD, DORA, EU AI Act, MiFID II für Anlage-Produkte. Wer hier mit klassischen Office-Tools weiterarbeitet, verliert Marge und Kundenzufriedenheit gleichzeitig.
So funktioniert die KI-Lösung
Ein Versicherungs-KI-Setup besteht aus drei Hauptkomponenten. Erstens: ein Multi-Step-Agent für Schadenserfassung, der eingehende Meldungen (Mail, Foto, Online-Formular) automatisch klassifiziert — Kfz, Haushalt, Rechtsschutz, Personenschaden — und die für die Erstbearbeitung notwendigen Daten strukturiert extrahiert. OCR und Vision werten Schadenfotos und Polizei-Berichte aus.
Zweitens: ein Risiko-Scoring-Modell für Antragsprüfung. Hier ist Vorsicht geboten — Underwriting-Scoring fällt unter den EU AI Act als Hochrisiko-System (Anhang III, Ziff 5b). Das heißt: Diskriminierungs-Audits, DPIA, vollständiges Logging, Transparenz gegenüber dem Versicherten. Wir bauen das Scoring deshalb nicht als Black-Box-Empfehlung, sondern als nachvollziehbares Regelwerk mit ML-gestützter Kalibrierung.
Drittens: eine Antrags-Vorprüfung, die eingehende Anträge gegen die Underwriting-Richtlinien des jeweiligen Versicherers vorab abgleicht — Versicherbarkeits-Check, Risikoausschlüsse, Pflichtangaben, Plausibilität. Standard-Anträge gehen direkt durch, Sonderfälle kommen mit strukturiertem Befund an den Sachbearbeiter.
Architektur-Skizze
So sieht das Setup für ein mittleres Maklerbüro mit 40–120 Mitarbeitern aus:
- Eingangs-Layer: Mail-Connector (Microsoft 365, Tobit, SOGo), Foto-Upload via Kundenportal, Web-Formulare mit strukturierten Feldern
- OCR + Vision: Azure AI Document Intelligence (EU-Region) oder selbstgehostete Tesseract+LayoutLM-Pipeline für sensible Daten
- Klassifikations-Agent: Claude Sonnet 4.5 mit strukturierter Schadens-Taxonomie, Confidence-Scoring, Eskalations-Schwellen
- Risiko-Score: Logistische Regression oder GradientBoosting (XGBoost) über historische Schadens- und Antragsdaten, mit erklärbarem Output (SHAP)
- Workflow-Engine: Camunda, Temporal oder n8n (selbstgehostet) für die Multi-Step-Orchestrierung mit Mensch-in-the-Loop-Punkten
- Backend-Integration: Anbindung an BiPRO-Schnittstellen der Versicherer, TogetherSoft, MakerXP oder die hauseigene Bestandsverwaltung
- Audit-Layer: Langfuse plus separates Compliance-Log nach AI-Act-Art-12, mit unveränderbarer Speicherung der Entscheidungs-Trails
DSGVO und EU AI Act
Das ist der kritische Teil. Risiko-Scoring für Underwriting ist AI-Act-Hochrisiko — Anhang III, Ziff 5b der Verordnung (Bewertung der Kreditwürdigkeit / Versicherungs-Pricing für Lebens- und Krankenversicherung). Das löst eine ganze Kaskade an Pflichten aus: DPIA nach Art 35 DSGVO, Diskriminierungs-Audit (Geschlecht, Alter, Herkunft, Gesundheitsstatus), Logging-Pflicht (Art 12 AI Act), Transparenz-Pflicht gegenüber dem Versicherten und Aufsichts-Registrierung beim Datenschutzrat.
In der Praxis heißt das: wir verwenden für das Scoring nur explizit erlaubte Merkmale (keine Proxy-Variablen für geschützte Merkmale wie Postleitzahl als Herkunfts-Proxy), und jede Score-Entscheidung wird mit der Top-3-Begründung an den Sachbearbeiter ausgegeben. Standardschadens-Klassifikation ohne Pricing-Wirkung ist dagegen minimal-risk und braucht den vollen Apparat nicht — die Trennung der Risikostufen ist Architektur-Entscheidung Nummer eins.
ROI-Beispiel
Realer Case aus einem österreichischen Versicherungsmakler mit 80 Mitarbeitern und etwa 18.000 Schadensfällen pro Jahr:
| Kennzahl | Vorher | Nach 9 Monaten | Differenz |
|---|---|---|---|
| Standard-Schadens-Durchlaufzeit | 9 Tage | 2 Tage | -78 % |
| Manuelle Antragsprüfung pro Tag | 240 Anträge | 108 Anträge | -55 % |
| Underwriting-Konsistenz (Audit) | 71 % | 92 % | +30 % |
| Kunden-Statusabfragen / Monat | 3.400 | 980 | -71 % |
| Sachbearbeiter-Kapazität | 100 % | 100 % | +28 % Volumen |
Setup-Kosten: €65.000 einmalig (Implementation-Sprint, 12 Wochen, inkl. DPIA und Diskriminierungs-Audit). Laufende Kosten: rund €4.200 pro Monat (LLM-API, ML-Modell-Hosting, Compliance-Logging, AI-Care). Amortisation nach 11 Monaten. Hebel liegt in der zusätzlichen Bearbeitungs-Kapazität und der deutlich besseren Underwriting-Konsistenz — was wiederum die Schadenquote um schätzungsweise 1,5 Prozentpunkte verbessert hat.
Durchlaufzeit Standard-Schadensbearbeitung bei einem 80-MA-Makler nach 9 Monaten
Implementation-Aufwand
Versicherungs-KI ist regulatorisch komplexer als andere Use-Cases — die Größenordnungen reflektieren das:
- Sprint S (6 Wochen, €28.000–42.000): Schadens-Klassifikation und OCR-Erfassung, ohne Scoring-Komponente — minimal-risk, ohne DPIA-Pflicht
- Sprint M (10–14 Wochen, €55.000–85.000): Plus Antrags-Vorprüfung gegen Underwriting-Regeln und Workflow-Orchestrierung; DPIA und Diskriminierungs-Audit für die Pre-Check-Komponente
- Sprint L (16–22 Wochen, €110.000–180.000): Voll-Setup mit Risiko-Scoring, vollständiger AI-Act-Compliance, Audit-Registrierung, kontinuierliches Drift-Monitoring und Re-Audit-Zyklus
Laufende AI-Care-Kosten: €2.500–7.500 pro Monat, je nach Modell-Komplexität und Audit-Tiefe.
Häufige Fehler
Aus aktuell sieben Versicherungs-Audits sehen wir drei wiederkehrende Anti-Patterns:
- Undokumentierte Scoring-Modelle: Ein Sachbearbeiter, der einem Black-Box-Score blind folgt, ist nach Art 14 AI Act keine echte menschliche Aufsicht — und damit nicht compliant. Wir liefern jedem Score eine SHAP-Erklärung mit den drei wichtigsten Einflussfaktoren, dokumentiert in der Akte.
- Fehlende Anti-Diskriminierungs-Audits: Indirekte Diskriminierung über Proxy-Variablen ist der häufigste Befund — etwa Postleitzahl, die stark mit Herkunft korreliert. Quartalsweise Fairness-Tests mit Equalized-Odds-Metriken sind Pflicht, nicht optional.
- Keine Transparenz-Hinweise an Kunden: Art 86 AI Act gibt Versicherten ab August 2026 das Recht auf Erklärung individueller Entscheidungen, die durch ein Hochrisiko-System getroffen wurden. Wer das nicht bereits jetzt in den Workflow einbaut, hat im Q3/2026 ein echtes Compliance-Problem.
Häufige Fragen
Was Versicherungsmakler vor dem AI-Act-Stichtag fragen.
Müssen wir wirklich eine DPIA für die Schadensbearbeitung machen?
Wie integriert sich die KI mit den BiPRO-Schnittstellen der Versicherer?
Was passiert, wenn das Modell einen Antrag fälschlich ablehnt?
Wie oft müssen die Modelle neu auditiert werden?
Können wir die historischen Schadens-Daten als Trainingsbasis nutzen?
Bereit für ein erstes Audit?
Wenn dein Maklerbüro mehr als 5.000 Schadensfälle pro Jahr bearbeitet oder mit Lebens- oder Krankenversicherungs-Anträgen arbeitet, lohnt sich der Blick auf KI-gestützte Bearbeitung jetzt — die AI-Act-Übergangsfristen für Hochrisiko-Systeme laufen bis 02.08.2026. Im Audit M (€7.500) analysieren wir deine Bearbeitungs-Bottlenecks, klassifizieren die regulatorischen Anforderungen und liefern einen Implementation-Pfad inklusive DPIA-Outline. Buch dir einen 45-minütigen Discovery-Call — danach weißt du, ob sich der nächste Schritt für dich rechnet.