Einsatz von Generativer KI und KI-Agenten im Underwriting von Versicherern

Der Wendepunkt im Underwriting ist erreicht

Das Underwriting entscheidet über Risikoannahme, Preisgestaltung und Deckungsumfang – und damit unmittelbar über Portfolioprofitabilität und Wachstum. Doch das Umfeld verändert sich grundlegend: Risiken werden vielfältiger, dynamischer und datenintensiver, während traditionelle, manuelle Prüfprozesse angesichts wachsender Datenmengen und steigender Risikokomplexität an ihre Grenzen stoßen. Für CEOs, CIOs und CDOs deutscher Versicherer stellt sich damit weniger die Frage, ob, sondern wie schnell sie Künstliche Intelligenz produktiv in die Kernprozesse ihrer Risikoprüfung integrieren.

Genau an diesem Punkt entwickelt sich Künstliche Intelligenz vom reinen IT-Experiment zum zentralen Wettbewerbshebel. Fortschritte in Natural Language Processing (NLP), Large Language Models (LLMs), Computer Vision und Agentic AI ermöglichen erstmals die verlässliche Analyse unstrukturierter Versicherungsdaten – und heben das Underwriting auf ein neues Qualitätsniveau.

_{Der Einflussbereich und die Technologiereife von KI/GenAI-Anwendungen ist insbesondere in den frühen Phasen des Underwriting ausgeprägt.}

Messbarer Mehrwert auf zwei Ebenen

Der strategische Einsatz von KI entlang der Wertschöpfungskette zahlt konkret auf Umsatz und Kosten ein:

• Umsatzsteigerung: präzisere, datengestützte Risikoselektion, wirksamer Schutz vor Antiselektion, drastisch verkürzte Time-to-Quote und erstmals wirtschaftlich skalierbare, kundenindividuelle Angebote
• Kosteneinsparung: automatisierte Verarbeitung unstrukturierter Dokumente, geringerer manueller Aufwand und konsistentere Entscheidungswege durch das Prinzip des „Augmented Judgement"

KI entlang der gesamten Wertschöpfungskette

Der Point of View analysiert die Einsatzpunkte von KI über alle fünf Phasen des Underwritings hinweg:

• Lead-Generierung und Risikoerfassung: automatisiertes Auslesen von Makler-Submissions, Scans und Fotos via OCR, NLP und Generativer KI
• Datenanalyse und Risikobewertung: Predictive Models, externe Daten (Geo-, Wetter-, ESG- und Cyber-Threat-Feeds) sowie multimodale KI – abgesichert durch Explainable AI (XAI) und Retrieval-augmented Generation (RAG)
• Preisgestaltung und Angebotserstellung: dynamische Tarifierung, Risiko- und Deckungssimulationen und automatisch erzeugte Angebotsdokumente
• Entscheidung und Policenerstellung: Kombination aus regelbasierter Logik und KI-Scores für auditierbare, konsistente Entscheidungen
• Monitoring und Portfoliomanagement: Frühwarnsysteme, Szenarioanalysen und ein geschlossener Feedback-Loop, in dem Schadendaten kontinuierlich in das Retraining der Underwriting-Modelle zurückfließen

Kernergebnisse

Die Marktdynamik ist eindeutig belegt:

• 74 Prozent der Unternehmen planen laut Deloitte, innerhalb der nächsten zwei Jahre autonome KI-Agenten einzusetzen – doch nur 21 Prozent verfügen bereits über ein ausgereiftes Governance-Modell.
• 91 Prozent der von Deloitte befragten CEOs erwarten durch GenAI eine höhere Produktivität, bei geschätzten Kosteneinsparungen von 40 bis 60 Prozent.
• 90 Prozent der Versicherer evaluieren aktuell GenAI-Tools, mehr als die Hälfte befindet sich bereits in der Umsetzung.

Strategische Implikationen und Risiken

Dem Potenzial stehen ernstzunehmende Herausforderungen gegenüber. Datenqualität ist in der Praxis das häufigste Umsetzungshindernis – inkonsistente Schaden- und Risikodaten bremsen den produktiven KI-Einsatz. Hinzu kommen KI-Halluzinationen, die Gefahr einer unkontrollierten Schatten-IT durch Low-Code-Ansätze sowie neue Angriffsflächen wie Adversarial Attacks, Model Poisoning und Datenlecks durch LLMs.

Eine erfolgreiche Transformation erfordert deshalb den parallelen Aufbau robuster Fähigkeiten in Datenmanagement und KI-Engineering, einen echten Kulturwandel in den Underwriting-Teams sowie die proaktive Integration regulatorischer Vorgaben – vom EU AI Act über das BaFin-Rundschreiben 09/2025 bis zur EIOPA-Opinion zu AI Governance und Risk Management. Das weitaus größere Risiko bleibt jedoch, untätig zu bleiben: Verzögerte Investitionen führen zu einem doppelten Nachteil, wenn Wettbewerber die profitablen Risikoprofile schneller selektieren und das eigene Portfolio schleichend an Qualität verliert.

Methodik

Der Beitrag entstand im Rahmen der Wissenspartnerschaft von Deloitte und dem InsurTech Hub Munich (ITHM). Grundlage sind das Scale-AI-Programm des ITHM sowie gemeinsam durchgeführte Status-quo-Analysen, Umfragen und Experteninterviews. Das Ergebnis ist ein praxisnaher Orientierungsrahmen für Versicherer, die KI im Underwriting nicht als IT-Experiment, sondern als zentralen Wettbewerbshebel strategisch verankern wollen.

Laden Sie hier den vollständigen Point of View herunter und erfahren Sie alle Ergebnisse im Detail.