Warum die Versicherungsbranche AI-affin ist
Versicherungen leben von der Verarbeitung unstrukturierter Daten unter strukturierten Entscheidungsregeln. Schadensmeldungen kommen als Mails mit Fotos, Anträge als PDF-Formulare mit Beilagen, Beratungs-Anfragen als Telefonate oder Web-Formulare. Die Triage und Vorbereitung ist personal-intensiv, die finale Entscheidung verlangt Expertise — eine ideale Mensch-AI-Arbeitsteilung. Schweizer Versicherer (regulierte und Brokerhäuser) sehen die Effizienz-Gewinne, sind aber wegen FINMA-Rahmen und Reputations-Risiken zurückhaltend. Die Antwort 2026: Pilot in nicht-haftungsrelevanten Strecken (Triage, Vor-Klassifikation), schrittweise Ausweitung.
Use-Case 1: Schadensmeldungs-Triage
Eingehende Schadensmeldungen werden klassifiziert: Schaden-Art (Sach, Haftpflicht, Krank, Auto), Schwere (klein/mittel/gross), Dringlichkeit, Vollständigkeit der Unterlagen. Der zuständige Sachbearbeiter bekommt die Meldung vorbereitet, mit fehlenden Unterlagen markiert, mit Standard-Klassifikation. Architektur: Mail / Portal-Trigger → Multimodal-Modell (GPT-5 oder Claude Opus 4.7) für Bilder + Text → strukturierter Output an Sachbearbeiter-Cockpit. Eskalation: bei Schäden über CHF 100'000 oder bei Personenschaden direkt menschliche Bearbeitung, kein KI-Vorschlag.
Use-Case 2: Antrags-Vollständigkeits-Check
Neue Anträge oder Vertrags-Änderungen kommen oft unvollständig. AI prüft auf Vollständigkeit, schreibt Mandant höflich an mit konkreten Rückfrage-Punkten (im Tonfall der Firma), tracked Rückläufe. Das spart 30–60 % der manuellen Rückfrage-Zyklen. Architektur: PDF-OCR + Strukturierung (z.B. via PDF-Parser + Modell), Soll-Ist-Vergleich gegen Vertragsvorlage, Auto-Mail-Generator mit klarer KI-Kennzeichnung, Reminder-Zyklus. Compliance: Auto-Antworten als KI gekennzeichnet, Stornierungsmöglichkeit für den Antragsteller jederzeit.
Use-Case 3: Dokumenten-Assistent für AVB und Policen
Sachbearbeiter brauchen oft schnellen Zugriff auf Vertragsdetails: 'Ist Glasbruch in dieser Police gedeckt?', 'Welche Selbstbehalts-Regelung gilt?', 'Gibt es eine Wartezeit für diesen Schadensfall?'. Ein semantischer Dokumenten-Assistent durchsucht Policen und AVB, gibt die Antwort mit Klausel-Referenz und Seitenzahl. Architektur: Vector-Store mit allen Policen und AVB-Versionen (pgvector oder Pinecone), RAG-Pipeline mit Claude für Reasoning, klare Quellen-Referenz im Output, keine Antwort ohne Quelle. Dieses Pattern ist 2026 das Standard-Setup für jeden grösseren Versicherer.
Use-Case 4: Beratungs-Vorbereitung
Vor einer Versicherungs-Beratung muss der Makler verstehen: was hat der Kunde aktuell? Wo sind Lücken? Welche Produkte passen? AI unterstützt die Vorbereitung: Kunden-Stammdaten und bestehende Verträge werden aggregiert, Bedarfs-Analyse generiert (basierend auf Lebenssituation, Alter, Familienstand, Vermögen), Lücken markiert, passende Produkte vorgeschlagen. Im Gespräch ist der Makler optimal vorbereitet, ohne 2 Stunden Vorbereitungszeit. Wichtig: die finale Empfehlung gibt der Makler — die AI bereitet vor, sie verkauft nicht. Provisions-Optimierungen oder Kunden-Manipulationen sind explizit verboten in der Prompt-Architektur.
Use-Case 5: Forderungs-Klassifikation
Bei Schäden gehen Forderungen ein: Lieferanten-Rechnungen, Werkstatt-Belege, Mietminderungs-Berechnungen, Arzt-Rechnungen. AI klassifiziert: Wer fordert was, ist die Forderung plausibel, fehlen Belege? Bei Plausibilitäts-Bruch (z.B. Werkstatt-Rechnung > marktüblicher Preis für die Reparatur, Arzt-Rechnung mit ungewöhnlich hohen Sätzen) wird eskaliert. Audit-Trail dokumentiert jede AI-Bewertung. Compliance: keine automatische Ablehnung — AI markiert nur Auffälligkeiten, der Sachbearbeiter entscheidet.
FINMA-Rahmen für AI-Einsatz
Die FINMA hat 2024–2026 mehrere Rundschreiben und Hinweise veröffentlicht, die den AI-Einsatz strukturieren. Kernpunkte: (1) Verantwortlichkeit — bleibt beim regulierten Institut. AI ist Werkzeug, nicht Entscheider. (2) Modell-Risk-Management — bei wesentlichen AI-Anwendungen ist eine dokumentierte Modell-Validierung Pflicht. (3) Daten-Souveränität — bei FINMA-regulierten Daten ist EU/CH-Hosting Standard, US-Hosting nur mit besonderer Begründung. (4) Outsourcing-Regeln — wenn AI-Anbieter wie OpenAI im Pfad sind, gelten Outsourcing-Vorgaben (FINMA-RS 18/3). Praktische Konsequenz: TYTOS-Versicherungs-Projekte starten mit der Compliance-Architektur, nicht mit der KI-Funktionalität.
Einführungs-Roadmap für ein Versicherungs-KMU
Für ein Brokerhaus oder kleinere Versicherungs-KMU mit 20–80 Mitarbeitenden. Monat 1–2: Compliance-Setup (FINMA, revDSG, Outsourcing-Verträge), Architektur-Skizze, Hosting-Entscheidung. Monat 3: Pilot Schadensmeldungs-Triage in einem Segment (z.B. Hausrat) — niedrige Schadens-Volumina, klare Klassifikation. Monat 4–5: Antrags-Vollständigkeits-Check, AVB-Assistent. Monat 6: Review mit Mitarbeitenden, Compliance-Audit, Anpassungen. Monat 7–9: Beratungs-Vorbereitung, Forderungs-Klassifikation. Investment Jahr 1: 70'000–180'000 CHF, ROI typisch in Monat 7–10. Für regulierte Versicherer (FINMA-direkt) verlängert sich die Initial-Phase um 2–3 Monate für Modell-Validierung und FINMA-Abstimmung.