GenAI in Versicherungen: Build vs. Buy ist vorbei

GenAI in Versicherungen: Warum das „Build vs. Buy“-Denken zu kurz greift

2023/2024 ist in vielen Versicherungsvorständen dasselbe passiert: Erstes GenAI-Pilotprojekt, beeindruckende Demos, große Erwartungen – und dann die Frage: Bauen wir das selbst oder kaufen wir eine InsurTech-Lösung zu?

Wer in Österreich Schadenbearbeitung, Risikoprüfung, Betrugserkennung oder personalisierte Tarife mit KI modernisieren will, landet fast automatisch in dieser „Build vs. Buy“-Diskussion. Die Realität: Mit Generativer KI und großen Sprachmodellen (LLMs) stimmt dieses Entweder-oder nicht mehr. Es gibt heute einen dritten Weg, der für Versicherungen deutlich besser passt: konfigurierbare, hochspezialisierte LLM‑First‑Lösungen.

In diesem Beitrag aus der Serie „KI für österreichische Versicherungen: InsurTech“ zeige ich,

• warum klassische Build‑ und Buy‑Ansätze an Grenzen stoßen,
• wie LLM‑First‑Plattformen funktionieren,
• und wie österreichische Versicherer damit konkret in 8–12 Wochen Mehrwert schaffen können – statt in 3–4 Jahren.

---

1. Warum der klassische „Build vs. Buy“-Ansatz im GenAI‑Zeitalter scheitert

Die Frage „Selbst bauen oder kaufen?“ war lange sinnvoll. Für GenAI in Versicherungen ist sie es nur noch bedingt.

Typische Ausgangslage in österreichischen Häusern

• Altsysteme (Host, Kernversicherungssysteme, teils Eigenentwicklungen)
• Hoher Regulierungsdruck (FMA, IDD, DSGVO, DORA)
• Fachbereiche, die schnell spürbare Effizienzgewinne brauchen (Schaden, Underwriting, Vertrieb, Kundenservice)
• IT‑Teams, die ohnehin schon ausgelastet sind

Parallel entstehen jeden Monat neue GenAI‑Use‑Cases:

• automatisierte Schadenanalyse (z.B. KFZ‑Fotos, Gutachten, Werkstattrechnungen),
• Risikobewertung auf Basis von Dokumenten, Formularen und externen Daten,
• Betrugserkennung, die unstrukturierte Daten einbezieht (Freitext, E‑Mails, Telefonnotizen),
• Personalisierung von Angeboten und Kundenkommunikation über alle Kanäle.

Mit klassischen Ansätzen prallen Zeitdruck, Komplexität und Kosten hart aufeinander. Genau hier wird sichtbar, warum Build und Buy alleine nicht mehr reichen.

---

2. „Buy“: Standard‑InsurTech kaufen – schnell, aber oft zu starr

Gekaufte InsurTech‑Lösungen haben in den letzten Jahren für Tempo gesorgt – gerade über APIs und Cloud‑Modelle.

Vorteile von „Buy“

1. Time‑to‑Market
   Viele spezialisierte Lösungen lassen sich in 8–12 Wochen produktiv setzen. Im Vergleich zu eigenen Großprojekten (3–4 Jahre) ist das dramatisch schneller.

2. Kostenvorteil
   InsurTechs investieren oft zweistellige Millionenbeträge in ihre Plattformen. Diese Entwicklungsleistung kann kein einzelner Versicherer für einen isolierten Use Case wirtschaftlich abbilden.

3. Branchen‑Know‑how
   Gute InsurTechs bringen Insurance‑DNA mit: Wissen über Prozesse, Produkte, Regulierung, Vertriebskanäle. Das reduziert das Risiko fachlicher Fehlentwicklungen.

Aber: Wo „Buy“ bei GenAI häufig nicht reicht

• Stark vorgegebene Use‑Cases, wenig Raum für eigene Varianten
• Begrenzte Anpassbarkeit an österreichische Besonderheiten (Kollektivverträge, Landesnischen, steuerliche Spezialfälle)
• Abhängigkeit von der Roadmap des Anbieters

Für einfache Automatisierung reicht „Buy“. Für GenAI‑getriebene Innovation – etwa maßgeschneiderte Tarife und Beratung in Echtzeit – ist ein starrer Standard zu wenig.

---

3. „Build“: Alles selbst entwickeln – maximal individuell, maximal teuer

Viele österreichische Versicherer sind stolz auf ihre eigene IT. Und ja: Wer selbst baut, hat volle Kontrolle.

Stärken des „Build from Scratch“-Ansatzes

1. Maximale Individualisierung
   Prozesse, Datenmodelle, Tarifierung, Workflows – alles kann exakt auf das eigene Haus zugeschnitten werden.

2. Eigene Innovationsagenda
   Wer selbst entwickelt, kann GenAI genau dort einsetzen, wo die strategische Differenzierung liegt: etwa bei der Kombination von Underwriting, Schaden- und Betrugserkennung.

3. Hohe Kontrolle über Sicherheit & Compliance
   Gerade bei sensiblen Kundendaten fühlen sich viele Häuser wohler, wenn die komplette Pipeline intern liegt.

Die harten Realitäten

• Aufbau eines Data‑ & AI‑Teams mit LLM‑Expertise ist teuer und dauert Jahre.
• Foundation‑Modelle in der benötigten Qualität selbst zu trainieren ist für einzelne Versicherer wirtschaftlich nicht sinnvoll.
• Projektlaufzeiten von 3+ Jahren sind in GenAI de facto zu langsam – bis zur Fertigstellung hat sich der Markt und die Technologie mehrfach weiterentwickelt.

Wer heute noch vollständig selbst baut, läuft Gefahr, jahrelang am Fundament zu werken, während andere längst produktive GenAI‑Services im Kundenkontakt einsetzen.

---

4. Der dritte Weg: Konfigurierbare, spezialisierte LLM‑First‑Lösungen

Der wirklich spannende Ansatz für die österreichische Versicherungsbranche ist ein Mischmodell: SaaS‑Plattform plus starke Konfiguration statt Hard‑Coding.

Die Idee:

Versicherer nutzen ein vortrainiertes, multimodales LLM‑Fundament und konfigurieren darauf ihre eigenen GenAI‑Anwendungen – ohne selbst ein Forschungslabor betreiben zu müssen.

Was zeichnet eine LLM‑First‑InsurTech‑Plattform aus?

1. Flexibel konfigurierbar statt starr vorgegeben

   • Fachbereiche definieren Use‑Cases (z.B. „KFZ‑Schadenaufnahme mit Fotoanalyse und Betrugsindikatoren“).
   • Die Plattform wird über Konfiguration, Prompts und Low‑Code/No‑Code angepasst, nicht durch langwierige Individualentwicklung.

2. Multimodalität ab Werk
   Moderne LLMs können:

   • Text (E‑Mails, Briefe, Gutachten),
   • Bilder (Schadenfotos, Dokumentenscans),
   • Strukturierte Daten (Tarife, Polizzen, Risikoattribute)
     gemeinsam verarbeiten.

   Das verändert Teams: Statt fünf spezialisierten Modellen (NLP, Computer Vision, Scoring etc.) nutzt man ein übergreifendes Modell – gesteuert durch gute Konfiguration.

3. Foundation‑Modelle statt Eigenentwicklung
   Kein österreichischer Versicherer wird sinnvollerweise ein eigenes Foundation‑LLM trainieren. LLM‑First‑Plattformen greifen auf marktführende Modelle zurück und bringen:

   • vordefinierte Versicherungs‑Prompts,
   • geprüfte Datenschutz‑Setups,
   • fertige Bausteine für typische Versicherungsprozesse.

1. Fokus auf User Experience
   Die eigentliche Differenzierung wandert weg vom „Model Tuning“ hin zu:

   • UX für Sachbearbeiter und Vermittler (z.B. KI‑Copilot im Bestandssystem),
   • reibungsloser Integration in bestehende IT‑Landschaften,
   • klaren, nachvollziehbaren Antworten (Erklärbarkeit, Auditability).

2. Spezialisierte B2B‑SaaS für Versicherungen
   LLM‑First‑Anbieter im InsurTech‑Segment konzentrieren sich auf:

   • fertig gedachte Versicherungs‑Use‑Cases,
   • branchenspezifische KPIs (z.B. geringere Regulierungszeit, höhere Abschlussquote, weniger Betrugsfälle),
   • enge Zusammenarbeit mit Fachbereichen statt nur IT.

Das Ergebnis: Versicherer müssen weder selbst ein LLM bauen noch eine Blackbox kaufen. Sie konfigurieren auf einer Spezialplattform ihre eigenen GenAI‑Anwendungen.

---

5. Konkrete Use‑Cases für österreichische Versicherer

Wie sieht das in der Praxis aus – etwa für ein Komposit- oder Lebensversicherungsunternehmen in Österreich?

5.1 Schadenbearbeitung im KFZ‑Bereich

Antwort in einem Satz: LLM‑First‑Lösungen beschleunigen die Schadenregulierung, indem sie Bilder, Dokumente und Textdialoge kombiniert auswerten und den Sachbearbeiter wie ein Copilot unterstützen.

Typisches Szenario:

• Kunde meldet per App oder Webformular einen Schaden, lädt Fotos hoch und beschreibt den Vorfall im Freitext.
• Das LLM analysiert Bilder, Text und Schadenhistorie gleichzeitig:
  • Schadenausmaß einschätzen
  • Plausibilität prüfen
  • Betrugsindikatoren erkennen
• Der Sachbearbeiter erhält in seiner gewohnten Oberfläche:
  • einen Vorschlag für die Entscheidung (z.B. Sofortregulierung bis Betrag X),
  • Hinweise auf mögliche Unstimmigkeiten,
  • automatisch vorgeschlagene Kundenkommunikation in passendem Ton.

Ergebnis: Regulierungszeiten verkürzen sich von Tagen auf Stunden oder Minuten, Kundenzufriedenheit und Mitarbeiterentlastung steigen.

5.2 Risikobewertung und Underwriting

Bei komplexeren Risiken (Gewerbe, Industrie, Spezialversicherungen) kämpfen Mitarbeiter mit:

• langen Fragebögen,
• vielfältigen Dokumenten (Gutachten, Verträge, Pläne),
• verstreuten Informationen aus unterschiedlichen Systemen.

Ein LLM‑First‑Copilot kann:

• Dokumente zusammenfassen,
• fehlende Informationen anzeigen,
• anhand von Regeln und Daten Vorschläge für Risikoklassen und Prämienkorridore liefern.

Underwriter entscheiden weiterhin – aber besser informiert und deutlich schneller.

5.3 Betrugserkennung mit GenAI

Klassische Fraud‑Modelle nutzen vor allem strukturierte Daten. Generative KI kann zusätzlich:

• Freitext in Schadenmeldungen analysieren,
• Muster in E‑Mails und Korrespondenz erkennen,
• Inkonsistenzen zwischen Text, Bildern und Historie aufzeigen.

Die Stärke: GenAI findet auch ungewöhnliche Muster, die in fixen, regelbasierten Systemen nicht vorkommen – und erklärt ihre Hinweise in natürlicher Sprache.

5.4 Personalisierte Tarife & Beratung

Für Marketing und Vertrieb in Österreich sind drei Dinge zentral:

• faire, risikoadäquate Tarife,
• verständliche Kommunikation,
• kanalübergreifende Kundenerlebnisse (Makler, Agentur, digital).

Ein LLM‑basierter „Versicherungs‑Copilot“ kann:

• aus Kundenprofilen, Interaktionshistorie und Produkten passende Angebote vorschlagen,
• Cross‑ und Upselling‑Ideen liefern (inkl. Begründung für den Berater),
• Kommunikationsbausteine erstellen – von der E‑Mail bis zur Erklärung im Call‑Center.

Wichtig: Die finale Entscheidung über Tarife und Empfehlungen bleibt beim Versicherer; GenAI unterstützt, aber ersetzt nicht die Fachkompetenz.

---

6. Wie österreichische Versicherer den Einstieg strukturieren können

Wer nicht fünf Jahre warten, sondern 2026 bereits skalieren will, sollte strukturiert vorgehen.

Schritt 1: Use‑Cases priorisieren

• Wo ist der größte Nutzen (Kosten, Zeit, Kundenzufriedenheit)?
• Wo sind Datenqualität und Prozesse ausreichend stabil?
• Wo ist regulatorisch am wenigsten Risiko (z.B. interne Effizienz vor komplexer Beratung)?

Oft starten Häuser mit:

• Schaden (KFZ, Haushalt)
• Kundenservice (Mail‑Bearbeitung, Dokumentenzusammenfassung)

Schritt 2: LLM‑First‑Plattform auswählen – mit klaren Kriterien

Darauf sollten Sie achten:

• Spezialisierung auf Versicherungen (nicht nur generische AI‑Plattform)
• Nachweisbare Erfolge bei ähnlichen Häusern/Regionen
• Möglichkeit zur Konfiguration statt teurer Individualentwicklung
• Sauberes Datenschutz‑ und Compliance‑Konzept (DSGVO, Datenresidenz, Audits)
• Gut dokumentierte APIs und Integrationen in Bestandssysteme

Schritt 3: Vom Proof of Concept zur Skalierung

• 8–12 Wochen für einen ersten produktiven Use Case sind heute realistisch.
• Wichtig ist, früh Fachbereiche, IT, Compliance und Betriebsrat einzubinden.
• Parallel sollten Governance, Monitoring (LLMOps) und Schulung der Mitarbeiter aufgebaut werden.

Wer diesen Weg geht, verschiebt den Fokus weg von Technologie‑Bastelei hin zu konsequentem Nutzenaufbau in den Fachbereichen.

---

Fazit: Für österreichische Versicherer heißt die Frage nicht mehr „Build oder Buy“, sondern „Welche LLM‑Plattform konfigurieren wir?“

GenAI und multimodale LLMs verändern die Spielregeln. Kein österreichischer Versicherer wird ein eigenes Foundation‑Modell wirtschaftlich betreiben. Gleichzeitig reicht es nicht, eine starre Standardlösung zu kaufen, die sich kaum an Produkte, Prozesse und lokale Regulierung anpassen lässt.

Der Weg dazwischen – konfigurierbare, spezialisierte LLM‑First‑InsurTech‑Plattformen – passt deutlich besser zur Realität in Österreich:

• Schnelle Time‑to‑Market (Wochen statt Jahre)
• Nutzung von High‑End‑KI, ohne sie selbst bauen zu müssen
• Hohe Anpassbarkeit an eigene Produkte, Prozesse und Regulatorik
• Fokus auf das, was wirklich zählt: effiziente Mitarbeiter, zufriedene Kund:innen, bessere Schadenquoten und fairere Tarife

Wer sich 2025/2026 ernsthaft mit KI für österreichische Versicherungen beschäftigt, sollte die alte Build‑vs‑Buy‑Debatte loslassen und eine neue Frage stellen:

Welche GenAI‑Plattform bringt unseren Fachbereichen in den nächsten 12 Monaten den größten Mehrwert – und wie konfigurieren wir sie so, dass sie zu unserem Haus passt?

Der nächste logische Schritt: einen klar umrissenen Pilot‑Use‑Case auswählen, eine LLM‑First‑Plattform evaluieren und in 8–12 Wochen echte Ergebnisse im eigenen Bestand sehen.