Eine Erstschadenmeldung (FNOL) geht freitagnachmittags ein. Am Montag hat der Vorgang das Wochenende unbearbeitet in einem gemeinsamen Postfach verbracht, der Versicherungsnehmer hat zweimal angerufen, und der Sachbearbeiter startet in die Woche mit einem Rückstand. Das ist kein Ausnahmefall — das ist der Normalzustand bei den meisten mittelgrossen Versicherern und Maklerhäusern.
KI-Agenten in der Versicherung verändern diese Dynamik, indem sie Daten kontinuierlich verarbeiten — nicht nur dann, wenn ein Mitarbeitender verfügbar ist. Für Verantwortliche im Betrieb stellt sich nicht die Frage, ob Agenten in diesem Sektor nützlich sind — das sind sie offensichtlich —, sondern welche Warteschlangen die Automatisierung als Erstes rechtfertigen und welche Verbesserungen realistisch einzufordern sind.
Warum Versicherungsprozesse gut zu KI-Agenten passen
Agentenbasierte Automatisierung funktioniert am besten, wenn ein Prozess drei Merkmale aufweist: hohes Dokumentenvolumen, klare Entscheidungsregeln für einen wesentlichen Anteil der Fälle und messbare Durchlaufzeitziele mit kommerzieller Relevanz. Die Versicherungsbranche erfüllt alle drei Kriterien.
Die Schadenbearbeitung zieht Daten aus mehreren Quellen — dem Policensystem, eingereichten Unterlagen, Drittgutachtern, manchmal Telematik — und leitet sie durch eine Kette menschlicher Entscheidungen. Verlängerungen erfordern das Nachfassen bei Versicherungsnehmern, die Überprüfung des Deckungsumfangs und die Aktualisierung der Preisstrategie anhand aktueller Risikodaten. Beide Prozesse folgen in der Triage- und Datenerfassungsphase grösstenteils festen Regeln, auch wenn die endgültige Entscheidung einen zugelassenen Fachmann erfordert.
Genau an dieser Grenze — zwischen dem administrativen Gerüst und dem professionellen Urteil im Kern — schaffen Agenten Mehrwert, ohne zu übertreten.
Die zwei Warteschlangen, die zuerst angegangen werden sollten
FNOL-Triage und erste Datenerfassung
Die ersten 24–48 Stunden nach einer Schadenmeldung bestimmen den weiteren Verlauf des gesamten Prozesses. Eine langsame Aufnahme erzeugt Unruhe beim Versicherungsnehmer, erhöht das eingehende Anrufvolumen und verlängert die Gesamtdurchlaufzeit. Ein grosser Teil dieser anfänglichen Reibung ist vermeidbar: das Einholen der richtigen Unterlagen, die Deckungsvalidierung, die Bestätigung der Kontaktdaten und das Kennzeichnen offensichtlicher Betrugsindikatoren sind allesamt deterministische Aufgaben.
Ein an der FNOL eingesetzter Agent kann:
- Die Schadenmeldung per Webformular, E-Mail oder API entgegennehmen und sofort den Eingang mit einer Referenznummer und Anweisungen zu den nächsten Schritten bestätigen
- Relevante Policendaten aus dem Kernsystem extrahieren und prüfen, ob der gemeldete Vorfall unter die Deckungsbedingungen fällt
- Fehlende Unterlagen automatisch beim Anspruchsteller anfordern, mit Erinnerungen in definierten Abständen
- Den Schaden nach Komplexität und Betrugsrisiko mithilfe regelbasierter Heuristiken bewerten und einfache Schäden zur Schnellabwicklung weiterleiten, komplexe an einen erfahrenen Sachbearbeiter
Illustratives Szenario: Ein Regionalversicherer mit 400 Kfz-Schäden pro Monat, von denen 60 % unkompliziert sind (eindeutige Haftung, dokumentierter Kostenvoranschlag, keine Betrugshinweise). Wenn ein Agent den vollständigen Aufnahmezyklus für diese 240 Schäden übernimmt und ein Sachbearbeiter zuvor 30–45 Minuten pro Schadenaufnahme aufwendete (ein Wert, der mit veröffentlichten Anbieter-Fallstudien übereinstimmt), werden 120–180 Sachbearbeiterstunden pro Monat freigesetzt — Kapazität, die dem komplexen 40%-Anteil zugutekommen kann, der echtes menschliches Urteilsvermögen erfordert.
Eine Schnellabwicklung für einfache Schäden — bei der der Agent innerhalb weniger Stunden nach der Aufnahme eine vorab genehmigte Zahlung auslöst — ist machbar, wenn das Policensystem die richtigen APIs bereitstellt und die Betrugsprüfung positiv ausfällt. Manche Versicherer tun dies bereits bei Haushaltsschäden mit niedrigem Schadenswert.
Verlängerungsoutreach und Deckungsprüfung
Die Verlängerungsquote ist eine Umsatzkennzahl, nicht nur eine operative. Ein Versicherungsnehmer, der von seiner Versicherung erst mit dem Verlängerungshinweis 30 Tage vor Ablauf hört, hatte Monate Zeit, von einem Wettbewerber gewonnen zu werden. Agenten können einen fortlaufenden, ereignisgesteuerten Outreach durchführen, den menschliche Kundenbetreuer im grossen Massstab nicht aufrechterhalten können.
Ein Verlängerungsagent-Workflow läuft auf Basis von Triggern:
- 90 Tage vor Verlängerung: Personalisierter Check-in mit Verweis auf die aktuelle Deckung und etwaige Lebensveränderungen im CRM (neues Fahrzeug, Änderung des Unternehmensumsatzes, Gebäudesanierung)
- 60 Tage: Vorab-Überprüfung mit Hinweis auf Deckungslücken und Angebot, bei komplexen Fällen einen Gesprächstermin zu vereinbaren
- 30 Tage: Formaler Vorschlag mit einem reibungslosen Zahlungsbestätigungspfad für unkomplizierte Verlängerungen
Das messbare Ergebnis ist die Verlängerungsquote unter Versicherungsnehmern, die andernfalls aufgrund von Reibung — nicht wegen Preisunzufriedenheit — abspringen würden. Das sind keine Kunden, die gehen wollten — sie haben es nur versäumt, zu verlängern.
Wo KI-Agenten in der Versicherung an Grenzen stossen
Ehrlichkeit ist hier gefragt. Nicht jeder Versicherungsprozess ist ein guter Automatisierungskandidat, und zu hohe Erwartungen an Agenten sind ein zuverlässiger Weg, das interne Vertrauen in die Technologie zu beschädigen.
Haftungsstreitigkeiten und komplexe Schäden erfordern rechtliches Urteilsvermögen, Empathie und oft Verhandlungsgeschick. Ein Agent, der versucht, einen Haftungsstreit autonom beizulegen, ist nicht nur nutzlos — er erzeugt regulatorische und Reputationsrisiken. Die Rolle des Agenten in diesen Fällen ist es, die Akte gründlich vorzubereiten, nicht sie abzuschliessen.
Die regulatorische Compliance variiert stark nach Jurisdiktion und Sparte. In der Schweiz greift die FINMA-Aufsicht; in der EU führen Solvency II und nationale Versicherungsaufsichtsrahmen Einschränkungen für automatisierte Entscheidungsfindung in bestimmten Kontexten ein. Der EU AI Act fügt eine weitere Ebene hinzu, die jetzt eingeplant werden sollte: Anhang III klassifiziert KI, die für die Risikobeurteilung und Preisgestaltung in der Lebens- und Krankenversicherung eingesetzt wird, explizit als hochriskant, mit Verpflichtungen, die ab August 2026 nach geltendem Recht greifen (eine im Digital Omnibus vorgeschlagene Verschiebung auf Dezember 2027 war im Mai 2026 politisch vereinbart worden, stand aber zum Zeitpunkt der Abfassung noch zur formellen Annahme aus). Die Automatisierung von Schaden- und Unfallversicherungsschäden — der zentrale Anwendungsfall dieses Artikels — ist nicht ausdrücklich als hochriskant aufgeführt, könnte diese Einstufung jedoch erhalten, wenn sie Einzelpersonen profiliert; in der Praxis sollten Anforderungen an Dokumentation, menschliche Aufsicht und Erklärbarkeit unabhängig von der endgültigen Klassifizierung in jedes Deployment-Design integriert werden. Jedes Deployment benötigt eine klare Abgrenzung, welche Entscheidungen der Agent trifft und welche er lediglich vorbereitet. Unseren Hinweis zu KI-Agenten und DSGVO finden Sie als Basisrahmen, der für die meisten europäischen Deployments gilt.
Legacy-Kernsysteme sind die praktische Hürde, auf die die meisten Versicherer als Erstes stossen. Wenn das Policenverwaltungssystem keine APIs bereitstellt, benötigt der Agent entweder eine fehleranfällige Screen-Scraping-Schicht oder hat keinen Zugriff auf die benötigten Daten. Das ist lösbar, aber es ist ein Integrationsprojekt, keine Konfigurationsaufgabe — planen Sie das Budget entsprechend.
Die Sensibilität des Anspruchstellers spielt eine Rolle. Jemand, der gerade einen Haushaltsschaden erlitten hat oder dessen Auto als Totalschaden eingestuft wurde, ist nicht immer in der richtigen Verfassung für eine vollständig automatisierte Erfahrung. Der Ton des Agenten, die Geschwindigkeit, mit der er an einen Menschen eskaliert, und die Klarheit darüber, was er tut und was nicht, beeinflussen das Vertrauen. Das ist ein Designproblem, und es hat Lösungen — aber es erfordert bewusste Aufmerksamkeit.
Was „Underwriting-Unterstützung” tatsächlich bedeutet
Um KI im Underwriting rankt sich viel Marketing-Lärm. Das meiste beschreibt Werkzeuge, die Underwriter unterstützen, statt sie zu ersetzen — und das ist die richtige Sichtweise.
Ein Agent kann Risikosignale aggregieren (Schadenhistorie, öffentliche Register, Risikodrittdaten), eine vorab ausgefüllte Risikoübersicht für die Prüfung durch den Underwriter erstellen, ungewöhnliche Exponierungen kennzeichnen und sicherstellen, dass die erforderliche Dokumentation vollständig ist, bevor eine Akte zur Kalkulation geht. Das ist echte Wertschöpfung: Underwriter wenden einen unverhältnismässig grossen Teil ihrer Zeit für administrative Vorarbeiten auf, statt für das Risikourteil, für das sie zugelassen sind.
Was ein Agent nicht autonom tun sollte, ist die Preisgestaltung, die Deckungsgenehmigung oder Ausschlussentscheidungen. Die Haftung für diese Urteile liegt beim zugelassenen Rechtsträger, und die Aufsichtsbehörden sind zu Recht daran interessiert, wie KI in diese Kette eingebettet ist. Unser Artikel zu KI-Agenten für das Compliance-Monitoring behandelt die Audit-Trail-Infrastruktur, die regulierte Workflows erfordern.
Wie Sie Prioritäten setzen: ein praxistauglicher Rahmen für Versicherungsverantwortliche
Bevor Sie etwas bauen, sollten Sie jeden Prozesskandidat drei Fragen unterziehen:
- Volumen und Häufigkeit: Tritt dieser Vorgang oft genug auf, damit die Automatisierung spürbare Wirkung hat? Zwanzig Vorgänge pro Jahr rechtfertigen selten einen individuellen Agentenbau.
- Regelabdeckung: Wie hoch ist der Anteil der Fälle, die einem klar dokumentierten Entscheidungspfad folgen? Unter 50 % muss der Prozess wahrscheinlich erst überarbeitet werden, bevor er automatisiert werden kann.
- Durchlaufzeitsensitivität: Hat ein langsamer Schritt messbare kommerzielle Folgen — Churn, regulatorische Verstösse, Überstunden der Sachbearbeiter? Wenn ja, ist der ROI-Fall eindeutig.
Die FNOL-Aufnahme erzielt bei allen drei hohe Werte. Verlängerungsoutreach erzielt hohe Werte bei Volumen und Durchlaufzeitsensitivität. Komplexe Schäden und endgültige Deckungsentscheidungen erzielen bei der Regelabdeckung niedrige Werte — genau deshalb bleiben sie menschlich.
Unser Leitfaden zum KI-Agenten-ROI behandelt die KPI-Struktur, die für serviceintensive Umgebungen wie die Versicherung sinnvoll ist.
Agenten in Ihren Versicherungs-Stack integrieren
Ein gut gebauter Versicherungsagent integriert sich typischerweise mit vier Systemen: der Policenverwaltungsplattform (Deckungen, Prämien, Schadenhistorie), dem CRM (Kontaktdaten und Verlängerungstermine), einer Dokumentenverwaltungsschicht (für Aufnahme, Extraktion und Speicherung) und einem Outbound-Kanal (E-Mail, SMS oder ein sicheres Portal).
Bei komplexen Deployments — Mehrsparten-Versicherern oder Maklerhäusern über mehrere Gesellschaften hinweg — wächst der Integrationsumfang entsprechend. Die Massenaufnahme von Dokumenten aus heterogenen Quellen (Unfallberichte, medizinische Akten, Reparaturkostenvoranschläge) erfordert oft dedizierte Extraktionswerkzeuge statt einer angehängten Funktion; unseren Artikel zu Dokumentenverarbeitung mit KI-Agenten finden Sie für die architektonische Unterscheidung.
Die Unternehmen, die bei der Versicherungsautomatisierung erfolgreich sind, behandeln die Integration als primären Workstream — mit der Agentenlogik als Schicht darüber. Das System of Record trägt normative Verpflichtungen. Diese Reihenfolge ist entscheidend.
Der richtige Einstieg für ein Versicherungs-KI-Projekt
Wenn Sie als Operations- oder IT-Verantwortlicher bei einem Versicherer oder Maklerhaus tätig sind, ist der produktivste Ausgangspunkt keine Proof-of-Concept-Demo. Es ist ein Prozess-Audit: Welche Warteschlangen verursachen die meiste Reibung, wo verschlechtert sich die Durchlaufzeit am sichtbarsten, und was stellt Ihr heutiges Kernsystem an APIs und Datenzugang bereit?
Dieses Audit erfordert typischerweise einige Tage strukturierter Gespräche und liefert eine priorisierte Liste von drei bis fünf Prozesskandidaten — mit einer realistischen Einschätzung, was jeder einzelne an Automatisierung erfordert und welche Ergebnisse messbar wären.
Orange ITS entwirft und baut massgeschneiderte KI-Agentensysteme für Versicherer, Maklerhäuser und Finanzdienstleister in der Schweiz und Europa. Unsere Arbeit zur KI-Prozessoptimierung deckt den vollständigen Stack ab: Prozesskartierung, Integrationsarchitektur, Agentenlogik und die Governance-Schicht, die regulierte Umgebungen erfordern.
Wenn Sie eine nüchterne Einschätzung wünschen, welcher Teil Ihres Schaden- oder Verlängerungs-Workflows tatsächlich bereit für Agenten ist — und was Sie von einem Deployment einfordern sollten — buchen Sie ein 30-minütiges Scoping-Gespräch. Kein Pitch-Deck, nur ein fokussiertes Gespräch über Ihren spezifischen operativen Kontext.