Österreichische Versicherer müssen nicht mehr zwischen Bauen oder Kaufen wählen. GenAI und LLM-first-InsurTechs eröffnen einen dritten, deutlich schnelleren Weg.
GenAI im Versicherungsmarkt: Das alte Dilemma passt nicht mehr
Österreichische Versicherer investieren 2024/2025 so viel in KI wie noch nie. Laut Branchenumfragen planen viele Häuser, innerhalb von drei Jahren über 40 % ihrer Schadenbearbeitung, Risikoprüfung und Betrugserkennung KI-gestützt abzuwickeln. Genau an diesem Punkt taucht seit Jahren dieselbe Frage auf: Sollen wir unsere KI-Lösungen selbst bauen oder eine Lösung einkaufen?
Die ehrliche Antwort: Wer 2025 noch nur in „Build vs. Buy“ denkt, verliert Tempo. Generative KI und Large Language Models (LLMs) haben die Spielregeln geändert. Zwischen reinem Eigenbau und starrem Standardprodukt gibt es inzwischen einen dritten Weg: konfigurierbare, hochspezialisierte LLM-first-Lösungen, die sich an die Prozesse eines Versicherers anpassen – nicht umgekehrt.
Dieser Beitrag aus der Serie „KI für österreichische Versicherungen: InsurTech“ zeigt, warum das klassische Build-or-Buy-Denken ausläuft, wie GenAI konkrete Use Cases in Schadenbearbeitung, Underwriting, Betrugserkennung und personalisierten Tarifen verändert – und was das speziell für österreichische Versicherer bedeutet.
Warum „Buy“ in der GenAI-Ära so attraktiv geworden ist
Fertige InsurTech-Lösungen sind für viele österreichische Versicherer der schnellste Weg zu messbarem KI-Nutzen. Sie bringen Technologie, Fachwissen und fertige Bausteine mit, die sich innerhalb weniger Wochen produktiv einsetzen lassen.
1. Time-to-Market: 8–12 Wochen statt 3–4 Jahre
Wer ein System zur automatisierten Kfz-Schadenbeurteilung oder eine Personalisierungs-Engine für Angebote komplett neu baut, kennt den Weg:
- Anforderungen sammeln
- Architektur entwerfen
- Daten aufbereiten
- Modelle entwickeln und trainieren
- Integrationen bauen
- Tests, Regulatorik, Rollout
Realistisch reden wir von 2–4 Jahren, bis das Ganze stabil läuft. InsurTech-Anbieter berichten dagegen von Einführungszeiten von 8–12 Wochen – inklusive Integration in Bestandssysteme und erste produktive Use Cases.
Für einen österreichischen Kompositversicherer kann das bedeuten:
- Q1: Projektentscheidung
- Q2: Pilot im Kfz-Schaden
- Q3: Rollout in weitere Sparten
Während der Eigenbau noch in der Konzeptphase steckt, erzielt das Haus mit einer spezialisierten Plattform bereits konkrete Kennzahlen: kürzere Durchlaufzeiten, geringere Bearbeitungskosten, höhere Kundenzufriedenheit.
2. Kostenvorteil: Das Kapital wurde längst investiert
Die meisten InsurTech-Plattformen haben mehrere Dutzend bis hunderte Millionen Euro an Risikokapital in ihre Technologie gesteckt. Diese Entwicklungsleistung „kauft“ der Versicherer mit einem Bruchteil der Kosten ein – über nutzungsbasierte oder Lizenz-Modelle.
Für österreichische Häuser mit begrenzten IT-Budgets ist das ein enormer Hebel:
- Kein Aufbau großer Data-Science-Teams nur für einen Use Case
- Kein Risiko teurer Fehlinvestitionen in eigene LLM-Stacks
- Planbare OPEX statt hoher CAPEX
3. Eingebaute Branchenexpertise & Regulatorik
Gute InsurTech-Lösungen kommen mit Versicherungs-DNA. Sie verstehen:
- Spartenlogiken (Kfz, Haushalt, Unfall, Leben, Kranken)
- typische Schadenprozesse inkl. Regress, Rückversicherung
- Anforderungen aus IDD, DSGVO, DORA, EIOPA-Leitlinien
Für österreichische Versicherer, die mit FMA-Vorgaben und strengen Datenschutzanforderungen arbeiten, ist das entscheidend. Es geht nicht nur um KI-Funktionen, sondern um prüfbare, auditierbare Prozesse, die in einem Onsite-Audit Bestand haben.
Wann Eigenbau trotzdem sinnvoll ist – und wann nicht
Eigenbau ist dann stark, wenn KI zum strategischen Differenzierungsmerkmal werden soll – nicht nur zur Prozessoptimierung. Viele Unternehmen überschätzen aber, wie oft dieser Fall tatsächlich eintritt.
1. Maximale Individualisierung
Wer seine Plattform von Grund auf selbst baut, kann:
- Prozesse 1:1 an die eigene Organisation anlehnen
- sehr spezielle Produktlogiken oder Tarifierungsmodelle abbilden
- eigene Datenmodelle und Schnittstellen vollständig frei gestalten
Das kann sinnvoll sein, wenn zum Beispiel ein Direktversicherer in Österreich ein völlig neues, dynamisches Pay-per-Use-Modell einführen will, das am Markt noch nicht existiert und sich mit Standardplattformen nur sehr schwer nachbilden lässt.
2. Kontrolle, IP und Langfristigkeit
Eigenbau bedeutet:
- volle Kontrolle über Technologie-Stack und Datenhaltung
- eigenes geistiges Eigentum (IP) für Modelle und Logiken
- Unabhängigkeit von der Roadmap einzelner Anbieter
Gerade bei Kernsystemen oder strategischen Pricing-Engines kann das ein starkes Argument sein.
3. Die Schattenseite: Kultur, Politik, Ressourcen
Aus der Praxis kennt man aber auch die andere Seite:
- Fachbereiche, IT und Data Science ziehen nicht an einem Strang
- politische Grabenkämpfe blockieren Entscheidungen
- Schlüsselpersonen verlassen das Unternehmen
- Budgets werden nach zwei Jahren ohne sichtbaren Erfolg gekürzt
Das Ergebnis: teure, halbfertige Lösungen, die nie wirklich stabil laufen. Viele Versicherer unterschätzen, wie viel Produktmanagement-Know-how und Delivery-Kompetenz sie für einen echten Eigenbau brauchen.
Der dritte Weg: Konfigurierbare LLM-first-Lösungen
Generative KI und LLMs machen eine neue Klasse von InsurTech-Lösungen möglich: Fachlich hochspezialisierte Plattformen, die über Konfiguration statt über harten Code anpassbar sind. Genau das beendet das alte „Build vs. Buy“-Dilemma.
1. Konfiguration statt Programmierung
Mit LLM-first-Plattformen verschiebt sich der Fokus:
- Statt eigene Modelle zu trainieren, werden prompts, Workflows und Regeln konfiguriert.
- Versicherungsfachleute arbeiten in Low-Code/No-Code-Oberflächen.
- IT kümmert sich vor allem um Integration, Sicherheit und Governance.
Beispiel Schadenbearbeitung in Österreich:
- Das LLM liest Schadenmeldungen (Text, Bilder, Dokumente).
- Fachregeln definieren, wann ein Fall direkt reguliert, wann manuell geprüft wird.
- Prompts sorgen dafür, dass die KI-Antwort fachlich korrekt, regulatorisch sauber und im Ton zur Marke passt.
Das ursprüngliche Dilemma „Bauen wir ein Bildanalysemodell oder kaufen wir eins?“ wird ersetzt durch: „Welche spezialisierte Plattform konfigurieren wir für unsere Prozesse?“
2. Multimodale Fähigkeiten: Text, Bild, Sprache, Struktur
Moderne LLMs sind multimodal. Sie können gleichzeitig:
- Text (E-Mails, Chat, Briefe, Gutachten)
- Bilder (Schadenfotos, Dokumentenscans)
- strukturierte Daten (Tarife, Polizzen, Bewegungsdaten)
- Sprache (Telefonmitschnitte, Voicebots)
verarbeiten und in einen konsistenten Kontext bringen.
Für österreichische Versicherungen ergeben sich dadurch neue Use Cases:
- Kfz-Schaden: Sofortbewertung von Handyfotos inkl. Plausibilitätscheck
- Haushalt/Haushaltsbündel: Analyse von Meldungen zu Sturm- oder Hagelschäden
- Betrugserkennung: Quervergleich zwischen Meldetext, Foto, Historie, Mustern
- Kundenservice: Zusammenfassung von langen E-Mail-Threads und CRM-Informationen für den Sachbearbeiter
3. Foundation Models: Das teure Training ist schon bezahlt
Große Basis-LLMs werden von wenigen globalen Playern entwickelt und mit gigantischen Datenmengen trainiert. Versicherer müssen diese Modelle nicht selbst bauen, sondern können sie:
- über spezialisierte InsurTech-Plattformen nutzen
- mit eigenen Daten feinjustieren (RAG, Fine-Tuning unter strengen DSGVO-Regeln)
- in ihre Kernprozesse integrieren
Damit ist der eigentliche „Hardcore-AI-Teil“ ausgelagert. Die Wertschöpfung im Versicherer liegt vor allem in:
- sauberer Datenbasis
- kluger Konfiguration
- fachlicher Governance
4. UX wird zum eigentlichen Differenzierungsfaktor
Der größte Hebel liegt heute nicht mehr im Modell selbst, sondern in der User Experience (UX) und Integration in die tägliche Arbeit:
- Wie gut unterstützt die KI den Sachbearbeiter in Schaden und Leistung?
- Wie nahtlos ist die Integration in Bestandssysteme, Maklerportale, Partner-Plattformen?
- Wie verständlich und transparent sind KI-Empfehlungen für Kunden und Vermittler?
Generative KI kann hier als „Insurance Copilot“ fungieren: immer verfügbar, kontextsensitiv, erklärend – aber unter voller Kontrolle des Menschen.
Konkrete Einsatzfelder für österreichische Versicherer
Damit das nicht abstrakt bleibt, hier vier praxisnahe Felder aus der Serie „KI für österreichische Versicherungen: InsurTech“, in denen LLM-first-Lösungen besonders gut funktionieren.
1. Schadenbearbeitung: Von Tagen zu Minuten
LLM-first-Plattformen können:
- eingehende Schadenmeldungen klassifizieren und priorisieren
- fehlende Informationen automatisch nachfragen
- Vorschläge für die Regulierung inklusive Begründung erstellen
- Standardfälle vollautomatisch abwickeln
Österreichische Schadenabteilungen berichten dort, wo ähnliche Automatisierung eingesetzt wird, von:
- 30–50 % schnelleren Durchlaufzeiten
- deutlich geringerer manueller Datenerfassung
- stabilerer Servicequalität, auch bei Schaden-Peaks (Sturm, Hagel, Unwetter)
2. Risikobewertung & Underwriting
Statt einzelne Risikofaktoren nur tabellarisch auszuwerten, können LLM-first-Lösungen:
- umfangreiche Unterlagen (Anträge, Gutachten, Arztbriefe, Verträge) lesen
- Kernaussagen extrahieren und für den Underwriter zusammenfassen
- Hinweise auf Lücken oder Inkonsistenzen geben
Das beschleunigt insbesondere komplexe Gewerbe- und Industrieanträge – ein Feld, in dem viele österreichische Versicherer aktuell massive Margen- und Kostendruck spüren.
3. Betrugserkennung mit Kontextverständnis
Klassische Fraud-Systeme arbeiten oft rein regelbasiert oder mit starren Scoring-Modellen. LLMs bringen zusätzlich:
- Sprachverständnis: Auffällige Formulierungen, Widersprüche in Aussagen
- Kontextabgleich: Vergleich mit früheren Meldungen oder Mustern
- multimodale Prüfung: Text + Bild + Historie in einem Modell
Dadurch können verdächtige Fälle früh herausgefiltert werden, ohne dass unbescholtene Kunden unnötig blockiert werden – ein wichtiger Aspekt für die Kundenzufriedenheit im österreichischen Markt.
4. Personalisierte Tarife & Beratung
Im Vertrieb können GenAI-Lösungen:
- Kundenbedürfnisse aus Interaktionen erkennen
- passende Produkte und Bausteine vorschlagen
- Beratungsdokumentationen automatisch erstellen
Für Makler und Ausschließlichkeitsorganisationen in Österreich heißt das:
- bessere Cross- und Upselling-Chancen
- rechtssichere, vollständig dokumentierte Beratung
- mehr Zeit für den eigentlichen Kundendialog statt Papierarbeit
Fahrplan für österreichische Versicherer: So nutzen Sie den dritten Weg
Wer heute startet, muss sich nicht zwischen „Bauen“ und „Kaufen“ entscheiden – sondern sollte gezielt nach konfigurierbaren, LLM-first-InsurTechs suchen. Ein pragmatischer Fahrplan sieht so aus:
-
Use Cases priorisieren
Fokus auf Felder mit hohem ROI und klar messbaren Effekten: Kfz-Schaden, einfache Sachschäden, Service-Anfragen, Betrugs-Vorprüfung. -
Partner auswählen
Kriterien:- Fokus auf Versicherungsbranche
- nachweisbare Projekte in Europa / DACH
- DSGVO-konforme Datenverarbeitung
- starke Konfigurationsmöglichkeiten (Low-Code/No-Code)
-
Kleinen, scharfen Pilot starten
Kein Laborspiel, sondern echter Produktivbetrieb mit:- klar definierter Kennzahlenbasis (Bearbeitungszeit, NPS, Dunkelverarbeitungsquote)
- enger Einbindung von Fachbereich, IT, Compliance und Betriebsrat
-
Skalieren und organisatorisch verankern
Wenn der Nutzen sichtbar ist:- Ausrollen auf weitere Sparten und Kanäle
- Aufbau eines kleinen, schlagkräftigen „AI Enablement Teams“ im Haus
- laufende Anpassung von Prompts, Regeln und Workflows durch Fachbereiche
Warum das Build-vs.-Buy-Denken für GenAI ausgedient hat
Die Realität 2025 ist klar:
- Niemand in Österreich wird seine eigenen Basis-LLMs von Grund auf trainieren – der Aufwand ist schlicht zu hoch.
- Reine Standard-Software ohne Branchenfokus und Konfigurierbarkeit bringt zu wenig Differenzierung.
Der Weg dazwischen ist der KI-gestützte Versicherungs-Copilot: eine spezialisierte, LLM-first-Anwendung, die sich über Konfiguration tief in die Wertschöpfung eines Versicherers einbettet – von der Schadenbearbeitung über die Risikoprüfung und Betrugserkennung bis zu personalisierten Tarifen.
Für österreichische Versicherer heißt das:
Wer heute konsequent auf konfigurierbare GenAI-Lösungen setzt, verschafft seinen Mitarbeitenden mehr Zeit für wertschöpfende Aufgaben und bietet Kundinnen und Kunden ein deutlich besseres Erlebnis – ohne Milliarden in eigene KI-Infrastruktur zu stecken.
Wenn Sie gerade vor der Frage stehen, wie Sie KI „richtig“ angehen sollen, dann stellen Sie nicht zuerst die Frage „Bauen oder kaufen?“, sondern:
„Mit welchem spezialisierten GenAI-Partner können wir unsere Fachkompetenz am schnellsten und sichersten in produktive KI-Anwendungen übersetzen?“
Genau dort entscheidet sich der Wettbewerbsvorteil im österreichischen Versicherungsmarkt der nächsten Jahre.