Wie GenAI Endorsements in Versicherungen automatisiert

Warum KI in der Policenverwaltung plötzlich den Unterschied macht

Die meisten Versicherer investieren Millionen in Marketing – und verlieren dann ihre Kunden an holprige Prozesse im Backoffice. Ein klassisches Beispiel: Endorsements, also Vertragsänderungen von bestehenden Polizzen. Genau hier hat AEGIS London angesetzt und den Endorsement-Prozess mit Generativer KI (GenAI) automatisiert.

Für die österreichische Versicherungsbranche ist das hochrelevant. Während hierzulande noch viele Häuser mit manuellen Workflows, E-Mail-Anhängen und Copy-Paste arbeiten, zeigen internationale Use Cases sehr deutlich, wohin die Reise geht: KI-gestützte, nahezu vollautomatische Vertragsverwaltung, von der Underwriting-Abteilung bis zum Makler-Service.

In diesem Beitrag aus unserer Serie „KI für österreichische Versicherungen: InsurTech“ geht es darum, was hinter solchen Projekten steckt, wie sich ein automatisierter Endorsement-Prozess konkret anfühlt – und wie österreichische Versicherungen 2025 realistisch dorthin kommen.

---

Was AEGIS London mit GenAI tatsächlich automatisiert hat

Der Kern des Use Cases ist simpel beschrieben: Eingehende Endorsement-Anfragen werden von GenAI gelesen, verstanden, in strukturierte Daten übersetzt und regelbasiert verarbeitet. Menschen greifen nur noch ein, wenn etwas unklar oder wirklich komplex ist.

Typischer Ablauf eines KI-gestützten Endorsements

Ein moderner Endorsement-Prozess mit Generativer KI kann so aussehen:

1. Eingang der Anfrage
   Makler oder Kunde schickt eine E-Mail oder ein PDF-Formular mit Änderungswunsch (z. B. Änderung der Versicherungssumme, neue Risikoadresse, zusätzlicher Versicherungsnehmer).

2. Dokumenterkennung & Klassifikation
   Ein KI-Modell erkennt: Das ist ein Endorsement, nicht eine Schadenmeldung oder eine Kündigung. Art des Endorsements wird automatisch klassifiziert (z. B. Adressänderung, Risikoerweiterung, Deckungserweiterung, Prämienanpassung).

3. Inhaltliches Verständnis
   GenAI extrahiert relevante Informationen (Polizzennummer, neue Werte, Datum des Änderungsbeginns, betroffene Sparten) und formuliert eine strukturierte „Änderungsanweisung“ für das Kernsystem.

4. Geschäftsregeln & Underwriting-Logik
   Ein Regelwerk prüft:

   • Liegt die Änderung innerhalb definierter Toleranzen?
   • Muss ein Underwriter freigeben?
   • Welche Prämienanpassung ergibt sich?
     Nur bei Ausnahmen erstellt das System einen „Task“ für Underwriter oder Sachbearbeiter.

5. Automatische Umsetzung im Bestandssystem
   Die freigegebenen Endorsements werden direkt im Bestands- oder Policensystem geändert, inklusive neuer Beitragsberechnung.

6. Transparente Kommunikation
   GenAI generiert eine qualitätsgesicherte E-Mail an Makler oder Kunden, zusammengefasst in verständlicher Sprache: Was wurde geändert, ab wann gilt es, wie wirkt sich das auf Prämie und Deckung aus?

So oder sehr ähnlich dürfte AEGIS London seinen Prozess aufgesetzt haben. Der entscheidende Punkt: Die Generative KI ersetzt nicht den Underwriter, sondern übernimmt das mühsame Lesen, Interpretieren und Dokumentieren.

---

Warum das für österreichische Versicherungen hochspannend ist

Für den österreichischen Markt mit starkem Maklervertrieb und hohem Serviceanspruch ist der Endorsement-Prozess ein stiller Kostenfresser. Genau dort passen KI-Lösungen hervorragend hinein.

Typische Probleme im aktuellen Alltag

Aus Gesprächen mit Versicherern und Maklern sieht der Status quo oft so aus:

• Endorsements dauern mehrere Tage, obwohl 70–80 % fachlich trivial wären.
• Makler müssen mehrfach nachtelefonieren, weil Status und Wirkungstermin unklar sind.
• Sachbearbeiter kopieren Daten manuell aus E-Mails in Bestandssysteme – fehleranfällig und frustrierend.
• Die IT scheut Projekte, weil Kernsysteme historisch gewachsen sind und schwer anpassbar wirken.

GenAI ändert das Spielfeld. Die KI sitzt nicht im Kernsystem, sondern davor – als intelligente Schicht zwischen E-Mail/Posteingang und Bestandsführung. So lassen sich auch ältere Systeme sinnvoll anbinden, ohne gleich eine Großmigration zu starten.

Konkrete Effekte, die realistisch sind

Versicherer, die ähnliche Automatisierungen bereits umgesetzt haben, berichten typischerweise von:

• 40–60 % schnellere Bearbeitung bei Standard-Endorsements
• 30–50 % weniger manuellen Eingaben durch automatische Extraktion
• deutlich weniger Rückfragen von Maklern dank klarer, einheitlicher Kommunikation
• steigender Mitarbeiterzufriedenheit, weil Routinearbeit wegfällt und komplexere Fälle Vorrang haben

Gerade in Zeiten von Fachkräftemangel in Underwriting und Operations ist das kein „Nice to have“, sondern eine sehr direkte Entlastung.

---

Wie ein KI-Endorsement-Projekt in der Praxis aufgebaut wird

Wer jetzt in Österreich ein ähnliches Projekt starten will, sollte klein, fokussiert und pragmatisch beginnen. Der Weg dorthin ist klarer, als viele denken.

1. Einen scharfen Use Case definieren

Anstatt „Wir wollen KI überall“ zu sagen, lohnt ein sehr fokussierter Einstieg:

• Start mit einer Sparte (z. B. Gewerbe-Sach oder Haftpflicht).
• Auswahl von 2–3 Endorsement-Arten, die häufig vorkommen und standardisiert sind, etwa:
  • Adressänderungen
  • Änderung der Versicherungssumme
  • Aufnahme neuer Standorte

Dieser Fokus macht Trainingsdaten, Regelwerk und Erfolgsmessung deutlich einfacher.

2. Datenbasis und Dokumente aufbereiten

GenAI ist nur so gut wie die Beispiele, die man ihr gibt. Für ein Pilotprojekt braucht man typischerweise:

• Einige hundert echte Endorsement-Fälle aus der Vergangenheit
• Zu jedem Fall: eingehende E-Mails/PDFs und der tatsächlich umgesetzte Endorsement-Datensatz im System
• Fachliche Richtlinien, Unterzeichnungs- und Zeichnungsrichtlinien des Underwritings

Aus diesen Daten wird ein Set von „goldenen Beispielen“ erstellt, an denen das KI-System lernt, wie eine korrekte Interpretation aussieht.

3. KI-Modelle und Regelwerk kombinieren

Reine GenAI ohne Regeln ist im Versicherungsbetrieb gefährlich. Die Erfolgsprojekte verbinden daher zwei Welten:

• Generative KI für Sprachverständnis, Zusammenfassung und Formulierung von Antworten
• Deterministische Business-Regeln für Pricing, Freigabegrenzen, Zeichnungsvollmachten und Compliance

In der Praxis bedeutet das:
Die KI schlägt vor, die Regeln entscheiden. Und nur bei Abweichungen oder Unsicherheiten ist ein Mensch im Spiel.

4. Governance, Compliance und Datenschutz klären

Gerade in Österreich mit starkem Fokus auf Datenschutz und Aufsicht sind folgende Punkte Pflicht:

• Verarbeitung personenbezogener Daten innerhalb der EU, idealerweise in österreichischen oder europäischen Rechenzentren
• Keine Nutzung sensibler Kundendaten zum Training externer Foundation-Modelle
• Klare Nachvollziehbarkeit: Warum wurde welches Endorsement wie umgesetzt?
• Protokollierung aller Entscheidungen für interne Revision und FMA-Anfragen

Wer diesen Rahmen sauber definiert, nimmt Risiko aus dem Projekt und bekommt schneller interne Freigaben.

5. Vom Pilot in den Regelbetrieb wachsen

Ein realistischer Fahrplan für österreichische Versicherer könnte so aussehen:

1. PoC (2–3 Monate):
   KI liest Endorsements, ein separates Testsystem zeigt Vorschläge, Menschen prüfen alles.
2. Pilot (3–6 Monate):
   Echtbetrieb für ausgewählte Makler oder Sparten, aber mit 4-Augen-Prinzip.
3. Skalierung (ab 6–12 Monaten):
   Automatische Umsetzung für Standardfälle, Underwriter sehen nur noch Ausnahmen.

Wichtig ist, die Erfolge messbar zu machen: Durchlaufzeit, Anzahl manueller Touchpoints, Fehlerquote, Rückfragen aus dem Vertrieb.

---

Häufige Einwände – und warum sie oft überbewertet sind

Bei Gesprächen mit österreichischen Versicherern tauchen immer wieder ähnliche Bedenken auf. Viele lassen sich entkräften, wenn man sauber trennt, was die KI wirklich tut – und was nicht.

„Unsere Bestands-IT ist zu alt für sowas“

Die Realität: KI für Endorsements kann als Zwischenschicht aufgesetzt werden, ohne das Kernsystem zu ersetzen. Solange das Bestandsystem eine API, Batch-Schnittstelle oder wenigstens eine strukturierte Importmöglichkeit hat, lässt sich arbeiten.

Notfalls startet man rein unterstützend: KI erzeugt strukturierte Datensätze und die Mitarbeiter übernehmen diese mit einem Klick ins System.

„Wir wollen keine Black Box im Underwriting“

Zurecht. Genau darum werden in modernen Ansätzen:

• fachliche Regeln weiterhin von Aktuariat und Underwriting definiert,
• KI-Entscheidungen transparent geloggt,
• nur Routine- und Standardfälle voll automatisiert.

Die KI entscheidet nicht über die Risikopolitik – sie setzt sie effizient um.

„Unsere Makler wollen persönlichen Kontakt, nicht Roboter“

Makler wollen vor allem verlässliche und schnelle Antworten. Wenn ein Endorsement statt in drei Tagen in drei Stunden erledigt ist, steigt die Zufriedenheit massiv – auch wenn die erste Antwort automatisiert erstellt wurde.

Gerade in Österreich, wo viele Geschäftsbeziehungen über Jahrzehnte gewachsen sind, kann KI helfen, Serviceversprechen einzuhalten, ohne zusätzliche Köpfe einzustellen.

---

Wie dieser Use Case in die KI-Strategie eines Versicherers passt

Automatisierte Endorsements sind kein isoliertes Technikprojekt, sondern Teil einer größeren KI-Roadmap für Versicherungen:

• Schadenbearbeitung: Automatische Erstsichtung von Schadenmeldungen, Dokumentenklassifikation, Betrugserkennung.
• Risikobewertung: KI-gestützte Analyse von Gewerberisiken, z. B. durch externe Datenquellen, Satellitendaten oder IoT.
• Betrugserkennung: Mustererkennung über Sparten hinweg, Kombination aus klassischen Machine-Learning-Modellen und GenAI für Textanalysen.
• Personalisierte Tarife: Einsatz von Machine Learning für Pricing, verbunden mit transparenten Erklärmodellen.

Der Charme beim Start mit Endorsements:
Man erzielt schnell sichtbare Effekte, ohne gleich an den heikelsten Punkten wie Tarif oder Zeichnungskapazität zu rütteln. Gleichzeitig schaffen Sie Kompetenzen, Datenpipelines und Governance-Strukturen, die Sie später in anderen KI-Projekten wiederverwenden.

---

Nächste Schritte für österreichische Versicherer und Makler

Wer diesen Beitrag bis hierher liest, hat in der Regel zwei Optionen: abwarten, bis der Markt sich bewegt – oder selbst gestalten. Ich plädiere klar für Variante zwei.

Pragmatischer Einstieg in die Automatisierung von Endorsements:

1. Prozessaufnahme: Welche Arten von Endorsements haben wir? Welche sind häufig, welche wirklich komplex?
2. Business Case rechnen: Wie viele FTE-Stunden stecken jedes Jahr in diesen Änderungen? Welche Durchlaufzeiten sind heute üblich?
3. Technische Quick-Check: Welche Schnittstellen hat das Bestandssystem, wie kommen wir an historische Daten?
4. Pilot definieren: Eine Sparte, 2–3 Endorsement-Typen, klarer Zeitraum, klare KPIs.
5. Partner suchen: Internes Projektteam plus externer KI- oder InsurTech-Spezialist, der GenAI, Versicherungsfachlichkeit und österreichische Regulatorik versteht.

Für die Serie „KI für österreichische Versicherungen: InsurTech“ ist der Case von AEGIS London ein starkes Signal: Wer heute mit GenAI startet, verschafft sich in den nächsten 2–3 Jahren einen klaren Kosten- und Servicevorsprung. Die Frage für österreichische Häuser lautet deshalb weniger „ob“, sondern „wo wir sinnvoll beginnen“.

Wer den Endorsement-Prozess im Griff hat, legt den Grundstein für die nächsten Ausbaustufen – von der Schadenbearbeitung bis zur aktiven Risikosteuerung mit KI.