GenAI kann Endorsements in Versicherungen massiv beschleunigen. Wie AEGIS London vorgeht – und wie österreichische Versicherer diesen Use Case in 90 Tagen pilotieren können.
Warum Endorsements zum Nadelöhr in Versicherungen werden
In vielen Versicherungen steckt noch 2025 erstaunlich viel Handarbeit: Besonders bei Policenänderungen und Endorsements werden PDF-Dokumente aus E‑Mails gezogen, manuell geprüft, in Kernsysteme übertragen und dann freigegeben. Das kostet Zeit, Nerven – und Geld.
Der Versicherer AEGIS London zeigt, dass es anders geht: Dort wurde die Bearbeitung von Endorsements mit Generativer KI (GenAI) weitgehend automatisiert. Aus einem klassischen Backoffice-Thema wird so ein echter Effizienzhebel.
Für österreichische Versicherer ist das hochrelevant. Wer über KI in der Schadenbearbeitung und Risikobewertung spricht, übersieht oft das unscheinbare, aber teure Massengeschäft: Vertragsänderungen, Klauselergänzungen, Textanpassungen. Genau hier lässt sich mit GenAI schnell und messbar Optimierung erreichen – ohne gleich das gesamte Kernsystem auszutauschen.
In diesem Beitrag geht es darum, wie ein Use Case wie bei AEGIS London konkret funktioniert, was davon auf österreichische Versicherungen übertragbar ist, welche Risiken man ernst nehmen sollte – und wie Sie in wenigen Wochen einen ersten KI-Pilot für Endorsements starten können.
Was AEGIS London macht – und warum das für Österreich spannend ist
Der Kern des AEGIS-Ansatzes ist einfach: GenAI liest, versteht und strukturiert Endorsement-Dokumente, bevor ein Mensch eingreift.
Statt dass Underwriter oder Sachbearbeiter jede E‑Mail und jedes PDF von Hand prüfen, läuft ein automatisierter Prozess:
- Eingang der Ă„nderungsanforderung (z.B. Broker-Mail mit Anhang)
- Klassifikation: Handelt es sich um ein Endorsement, eine neue Anfrage, eine Schadenmeldung?
- Extraktion: Relevante Inhalte (Policennummer, Deckungsänderungen, Fristen, betroffene Klauseln) werden identifiziert
- Abgleich: Vergleich der neuen Bedingungen mit der bestehenden Police
- Vorschlag: GenAI erzeugt eine strukturierte Ă„nderung inkl. BegrĂĽndung fĂĽr den Underwriter
- Freigabe: Mensch prĂĽft, passt ggf. an und gibt im System frei
Das Resultat: Weniger Tipparbeit, schnellere Durchlaufzeiten, weniger Fehler. Genau diese drei Effekte sind es, die ich in fast jedem österreichischen Institut höre, wenn es um „KI in der Versicherung“ geht.
Warum gerade Endorsements so geeignet sind
Endorsements sind ein idealer KI-Startpunkt, weil:
- sie textlastig sind (Klauseln, Sondervereinbarungen, individuelle Formulierungen),
- das Volumen meist hoch und wiederkehrend ist,
- die Logik klar ist (Vergleich „alt vs. neu“),
- und menschliche Fachlichkeit eher in Ausnahmen gebraucht wird.
Für viele Häuser hierzulande gilt: 30–50 % der Underwriting-Zeit gehen nicht in echte Risikoprüfung, sondern in Dokumentenroutine. Genau das lässt sich mit GenAI gezielt reduzieren.
Wie eine GenAI-Lösung für Endorsements technisch funktioniert
Eine produktive Lösung ist kein „ChatGPT für Underwriter“, sondern ein durchgängiger Workflow mit klaren Kontrollpunkten.
1. Eingang und Klassifikation
Die KI ĂĽbernimmt zuerst die Aufgabe, Dokumente zu erkennen und zuzuordnen:
- Extraktion von Anhängen aus E‑Mails
- Umwandlung von Scans in Text (OCR)
- Erkennung, ob es sich um ein Endorsement, eine Angebotsanfrage oder etwas anderes handelt
Antwort zuerst: 80–90 % der Dokumente lassen sich heute schon zuverlässig automatisch klassifizieren, wenn genügend Trainingsdaten vorhanden sind.
2. Inhaltserkennung und Strukturierung
Im zweiten Schritt analysiert GenAI den Inhalt:
- Welche Police ist betroffen?
- Welche Klauseln sollen geändert, ergänzt oder gestrichen werden?
- Gibt es Bedingungen, Fristen oder Summen, die angepasst werden?
Hier kommen LLMs (Large Language Models) ins Spiel, die speziell auf Versicherungssprache und Unternehmensvokabular trainiert wurden. Die Ausgabe ist kein Fließtext, sondern ein strukturiertes Datenpaket – zum Beispiel im JSON-Format – das von Downstream-Systemen verarbeitet werden kann.
Gute Lösungen kombinieren generative KI mit klassischen Regelsystemen. GenAI versteht den Text, die Business Rules entscheiden, was erlaubt ist.
3. Abgleich mit der bestehenden Police
Die eigentliche Wertschöpfung entsteht im Vergleich zwischen Ist und Soll:
- GenAI lädt die bestehende Police (oder relevante Teile) aus dem Bestandssystem
- identifiziert Abweichungen in Deckung, Limits, Selbstbehalten, AusschlĂĽssen
- erstellt eine Change-Logik: „Was ändert sich konkret für diesen Vertrag?“
Für österreichische Versicherungen ist das spannend, weil viele Altverträge immer noch in semi-strukturierten PDFs stecken. GenAI kann hier als Brückentechnologie dienen, um aus unstrukturiertem Altbestand strukturierte Informationen zu gewinnen.
4. Vorschlag fĂĽr Underwriting & Policierung
Statt dass der Underwriter jedes Detail neu formuliert, erhält er:
- einen Vorschlag für die geänderte Police bzw. das Endorsement-Dokument
- eine strukturierte Liste mit Ă„nderungen
- ggf. Hinweise auf Auffälligkeiten (z.B. „Deckung erweitert, aber Prämie unverändert“)
Die menschliche Rolle verschiebt sich vom Datentipper zum Entscheider. Genau das ist aus meiner Sicht der sinnvolle Weg von KI in der Versicherung: Routine raus, Entscheidungskraft stärken.
Nutzen für österreichische Versicherer: Mehr als nur Effizienz
Wer nur „Kosten sparen“ im Blick hat, unterschätzt das Potenzial. GenAI in Endorsement-Prozessen wirkt an mehreren Stellen gleichzeitig.
Effizienz und Durchlaufzeit
Realistische Effekte aus ähnlichen Projekten im DACH-Raum:
- 30–60 % weniger Bearbeitungszeit pro Endorsement
- 20–40 % schnellere Durchlaufzeit vom Eingang bis zur Bestätigung
- deutlich weniger RĂĽckfragen zwischen Vertrieb, Broker und Underwriting
Gerade im Jahresendgeschäft (in Österreich klassisch stark im Q4) ist das ein echter Vorteil: Kapazitäten werden frei, ohne zusätzliche FTE.
Qualität und Risikosteuerung
Automatisierte Vergleiche reduzieren Ăśbertragungsfehler:
- keine vergessenen AusschlĂĽsse
- konsistente Anwendung von Zeichnungsrichtlinien
- automatische Warnhinweise bei Abweichungen von Standardklauseln
Das ist nicht nur eine Qualitätsfrage, sondern auch Risikomanagement. Ein falsch oder unvollständig erfasstes Endorsement kann bei Großschäden Millionen kosten.
Vertrieb und Kundenerlebnis
Schnelle, transparente Endorsement-Bearbeitung wirkt direkt auf die Kundenzufriedenheit:
- Makler und Firmenkunden erhalten rascher Klarheit
- Ă„nderungswĂĽnsche werden nachvollziehbar dokumentiert
- Kommunikation wird konsistenter
Gerade im österreichischen Markt, wo persönliche Beziehungen und Vertrauen stark zählen, ist „Wir sind in 24–48 Stunden mit einer sauberen Antwort da“ ein echter Differenzierungsfaktor.
Was österreichische Häuser beachten müssen: Daten, Haftung, Regulierung
Die Technologie ist reif. Die eigentlichen HĂĽrden liegen in Daten, Governance und Organisation.
Datenschutz & Datenstandort
FĂĽr Versicherer in Ă–sterreich gilt:
- personenbezogene Daten dĂĽrfen nicht in unkontrollierte Public-Cloud-LLMs wandern
- bevorzugt werden EU-basierte, DSGVO-konforme KI-Plattformen
- ideal sind On-Premise- oder Private-Cloud-Modelle, die innerhalb des Konzerns betrieben werden
Kurz: „Wir schieben einfach alles zu einem US-KI-Dienstleister“ ist keine Option. Wer hier sauber aufsetzt, kann aber trotzdem die Vorteile moderner LLMs nutzen – etwa durch Fine-Tuning auf internen, sicher gehosteten Modellen.
Haftung und Fachverantwortung
KI darf im Versicherungskontext nie „heimlich entscheiden“. Klare Regeln helfen:
- KI macht Vorschläge, Mensch entscheidet – insbesondere bei Zeichnung und Vertragsänderung
- jeder KI-Vorschlag ist prĂĽf- und nachvollziehbar (Audit-Trail)
- Fachbereiche behalten die endgĂĽltige Verantwortung fĂĽr Inhalte
Ich bin überzeugt: Wer das konsequent implementiert, erhöht sogar die Rechtssicherheit, weil Entscheidungen besser dokumentiert sind als in vielen heutigen E‑Mail-Prozessen.
Betriebsrat & Change Management
Automatisierung ist immer auch ein Kulturthema. In Ă–sterreich kommen Betriebsrat und Personalvertretung frĂĽh ins Spiel. Erfolgreiche Projekte:
- sprechen offen von Assistenz, nicht von Personalabbau
- zeigen konkrete Beispiele, wie Sachbearbeiter entlastet werden
- binden Fachbereiche in die Gestaltung der KI-Prompts und Regeln ein
Wenn Underwriter selbst mitdefinieren, welche Checks die KI ausfĂĽhren soll, steigt die Akzeptanz deutlich.
Wie ein KI-Pilot fĂĽr Endorsements in 90 Tagen aussehen kann
Theorie ist nett, aber entscheidend ist: Wie startet man pragmatisch? Hier ein erprobtes Vorgehen, das zu österreichischen Häusern gut passt.
Schritt 1: Fokus definieren
Nicht „alle Sparten auf einmal“, sondern z.B.:
- Industrie-Sach, nur Bestandskunden
- Kfz-Flotte, nur Ă„nderungen von Deckungserweiterungen
- Transport, nur bestimmte Endorsement-Typen
Ziel: Einen klar abgegrenzten, datenreichen Use Case wählen.
Schritt 2: Daten und Dokumente sammeln
FĂĽr den Pilot werden gebraucht:
- 500–2.000 historische Endorsements
- dazugehörige Policen bzw. relevanten Auszüge
- Information, wie diese Fälle damals entschieden wurden
Diese Daten bilden die Grundlage fĂĽr Prompt-Design, Regeln und Tests.
Schritt 3: Prototyp mit Fachbereich bauen
Gemeinsam mit einem KI/InsurTech-Partner entsteht ein erster Workflow:
- Dokumenteingang und Klassifikation
- inhaltliche Analyse durch GenAI
- strukturierte Änderungsvorschläge
Wichtig: Fachliche Experten sitzen von Anfang an mit am Tisch und testen laufend. So wird aus einem KI-Projekt ein Fachprojekt mit KI, nicht umgekehrt.
Schritt 4: Messen, nachschärfen, skalieren
FĂĽr die Bewertung sollten Sie mindestens diese Kennzahlen beobachten:
- durchschnittliche Bearbeitungszeit pro Endorsement
- Anteil der Fälle, in denen der KI-Vorschlag nur minimal angepasst wird
- Fehlerquote (z.B. nach 4-Augen-Prinzip)
Ab einer Trefferquote von 80–90 % bei Standardfällen lohnt die Ausweitung auf weitere Sparten oder Produkte.
Wie dieser Use Case in die größere KI-Strategie passt
Endorsements sind nur ein Baustein in der Serie „KI für österreichische Versicherungen: InsurTech“, aber ein strategisch kluger:
- Er ist klar messbar (Zeit, Qualität, Kosten).
- Er berĂĽhrt Kernprozesse, ohne sofort das ganze Kernsystem umzubauen.
- Er erzeugt Vertrauen in KI bei Underwritern und Sachbearbeitern.
Von hier aus lassen sich weitere Themen aufbauen:
- Schadenbearbeitung: automatisierte Erfassung, Triage, Betrugserkennung
- Risikobewertung: KI-gestĂĽtzte Analyse von Risikoberichten, Gutachten, Fotos
- Personalisierte Tarife: Nutzung strukturierter Daten aus Verträgen und Verhalten
Wer heute mit einem fokussierten GenAI-Use-Case wie Endorsements startet, schafft sich einen Vorsprung, der sich in den nächsten Jahren kaum noch aufholen lässt. Der Markt bewegt sich – London zeigt, wie.
Die eigentliche Frage für österreichische Häuser ist daher nicht mehr: „Ob wir KI einsetzen?“, sondern: „Mit welchem konkreten Use Case starten wir – und wann?“