Underwriting neu gedacht:

Mit KI zum Geschäftserfolg

Ein anschauliches Beispiel findet sich in der Versicherungsbranche. Im Underwriting-Prozess entscheidet eine Versicherungsgesellschaft, ob und zu welchen Bedingungen sie einem Antragsteller Versicherungsschutz gewährt. Der Prozess ist äußerst komplex und umfasst die verschiedensten Schritte. Im Wesentlichen handelt es sich dabei um das Informationsmanagement und die Bedarfsermittlung, die Tarifierung und Angebotserstellung, den Antrag, das Underwriting sowie den eigentlichen Abschluss.
Dass das Underwriting für Versicherer in der Regel mit einem hohen Aufwand verbunden ist, zeigt sich beispielsweise schon im Voranfragenprozess. Er beginnt mit der manuellen Sichtung und Bewertung von Freitext-Voranfragen. Bei unklaren Fällen sind längere Abstimmungszeiten zu berücksichtigen, das heißt, die erforderlichen Rückfragen an Vermittler oder Kunden ziehen einen zusätzlichen Aufwand nach sich. Nicht zuletzt sind die fehlende Standardisierung und Vergleichbarkeit der Risikoeinschätzung auf Seiten des Versicherers ein Hindernis für die schnelle Durchführung des Underwriting-Prozesses.

KI bietet großes Optimierungspotenzial

Der Einsatz von KI verspricht hierbei schnellere Prozesse durch automatisierte, risikoorientierte Vorabentscheidungen. Dabei bestehen die verschiedensten Optimierungspotenziale. KI kann etwa für die automatische Textanalyse zur Bewertung von Risikofaktoren oder die Klassifizierung von Anfragen in Risikoklassen wie „unkritisch“, „kritisch“ oder „unklar“ genutzt werden. Chatbots oder regelbasierte Dialogsysteme können eingesetzt werden, um Daten strukturiert zu erheben. Und durch die KI-basierte Auswertung historischer Daten erhalten Underwriter konkrete Entscheidungsempfehlungen.
Für die KI-Nutzung müssen zunächst die infrastrukturellen Voraussetzungen geschaffen werden. Klassische Infrastrukturen mit Mainframe-Umgebungen und Legacy-Systemen können die KI-Einführung verhindern oder erschweren. Hier ist unter Umständen eine Modernisierung unumgänglich. Auch prozessuale Anpassungen können erforderlich sein. Schließlich sollten vor jeder Automatisierung ineffiziente Prozesse zunächst optimiert werden. Wichtig ist zudem, dass die KI-Einführung kein reines IT-Thema sein darf, die Fachbereiche müssen von Anfang integriert werden, da es letztlich um ihre Prozesse geht.

Das Anwendungsspektrum ist breit gefächert

Nach den notwendigen Vorarbeiten kann KI dann gewinnbringend mit verschiedenen Use Cases in allen Underwriting-Prozessschritten eingesetzt werden. Einige Beispiele verdeutlichen das Anwendungspotenzial.

Ein konkreter Anwendungsfall ist die KI-gestützte Analyse von öffentlichen Ausschreibungen. Der zugrunde liegende Geschäftsprozess besteht darin, dass sich das Versicherungsunternehmen regelmäßig auf Ausschreibungen im öffentlichen Sektor bewirbt. Dabei muss es jede Ausschreibung sorgfältig prüfen, um sicherzustellen, dass sie mit den internen Compliance-Richtlinien vereinbar ist. Nur wenn dies der Fall ist, wird ein Angebot abgegeben. Dieser Abgleich ist bisher ein zeitaufwendiger, manueller Vorgang, der insbesondere bei umfangreichen Ausschreibungen mit hoher Komplexität erhebliche Ressourcen bindet. Ziel des Projekts ist es nun, diesen Prozess durch den Einsatz eines Sprachmodells weitgehend zu automatisieren. Die KI soll die Ausschreibungsunterlagen analysieren und eine fundierte Einschätzung liefern, inwiefern die Anforderungen mit den unternehmensinternen Compliance-Vorgaben übereinstimmen. So erhält der zuständige Sachbearbeiter eine verlässliche, vorstrukturierte Entscheidungsgrundlage, die eine schnellere und qualitativ konsistente Bewertung ermöglicht.

Ein großes Effizienzpotenzial verspricht auch ein weiterer Anwendungsfall: die KI-basierte Analyse von Freitext-Angaben bei Angebotsanfragen. Insbesondere bei gewerblichen Risiken enthalten solche Anfragen häufig unstrukturierte Informationen – zum Beispiel Beschreibungen von Betriebsprozessen, Sicherheitsmaßnahmen oder besonderen Risikofaktoren. Diese Details manuell zu analysieren und in ein Underwriting-Schema zu überführen, ist aufwendig und erfordert erfahrene Underwriter. Hier kann ein Sprachmodell ansetzen, das die Freitext-Felder automatisch interpretiert, relevante Inhalte extrahiert und strukturiert aufbereitet – inklusive einer Zuordnung zu bestehenden Risikokategorien. Auf diese Weise entsteht eine fundierte Grundlage für Pricing und Risikobewertung, und zwar deutlich schneller, konsistenter und nachvollziehbarer als bei herkömmlichen Prozessen.

Derzeit wird in der Branche zudem evaluiert, wie mit Hilfe von KI die automatisierte Vorprüfung von Kundendaten im Rahmen der Risikoeinschätzung erfolgen kann. Im klassischen Underwriting-Prozess müssen Kundendaten – etwa Gesundheitsangaben, Schadenshistorien oder Risikoprofile – manuell gesichtet und mit den jeweiligen Produktbedingungen abgeglichen werden. Dieser Vorgang ist fehleranfällig und bindet viel Zeit im Fachbereich. Durch den Einsatz eines Sprachmodells kann eine erste KI-gestützte Einschätzung erfolgen, die die relevanten Datenpunkte identifiziert und bewertet sowie im Kontext der Versicherungsbedingungen interpretiert. Der Underwriter erhält damit eine strukturierte Empfehlung inklusive Risikoklassifizierung als Grundlage für die finale Entscheidung.

Die Effizienzsteigerungen sind beträchtlich

Die Vorteile des KI-Einsatzes sind vielfältig. Sie reichen von schnelleren und exakteren Entscheidungen über die bessere Risikobewertung und Schadensprognose bis hin zur Kostensenkung. Nach Erfahrungswerten können Unternehmen durch die KI-Einführung Effizienzsteigerungen von 25 bis 40 Prozent erreichen. Zudem ergeben sich Qualitätsverbesserungen durch die konsistenter auf die Kundenbedürfnisse angepassten Prozesse. Ein Beispiel dafür wäre die Vermeidung von Wartezeiten im Callcenter durch die Nutzung von Conversational AI.

Wenn Versicherer KI in immer größeren Maßstab im Underwriting-Prozess einsetzen, stellt sich die Frage nach der sicheren Verwaltung der einzelnen KI-Lösungen. Für diese Herausforderungen existieren Betriebsplattformen, die die zentralisierte Orchestrierung und skalierbare Nutzung von KI-Diensten unterstützen.

Es besteht kein Zweifel, dass – wie in anderen Branchen auch – der Einsatz von KI in Versicherungsunternehmen weiter zunehmen wird. Bereits heute arbeiten viele Versicherer mit traditioneller KI, kurzfristig wird aber vor allem die generative KI an Bedeutung gewinnen. Perspektivisch versprechen auch Multi-Agenten-Systeme oder Agentic AI zusätzliche Automatisierungspotenziale. Während Multi-Agenten-Systeme nur weitgehend autonom arbeiten, also mit geringer menschlicher Unterstützung, handelt Agentic AI vollständig autonom ohne jegliche menschliche Steuerung oder Interaktion.

Welchen konkreten Weg ein Versicherer letztlich auch einschlägt, eine Entwicklung wird angesichts des in der Branche zunehmenden Wettbewerbsdrucks nicht aufzuhalten sein: die zunehmende KI-gestützte Automatisierung. Gerade der Underwriting-Prozess mit vielen unterschiedlichen Verarbeitungsschritten bietet hier ein enormes Automatisierungs- und damit Optimierungspotenzial.