KI-Risikodatenplattformen nach dem Vorbild von Cytora & InformData verändern das Gewerbe-Underwriting. So können österreichische Versicherer das Modell nutzen.
Warum KI-Risikodaten fĂĽr Versicherer 2026 ĂĽberlebenswichtig sind
Die meisten Versicherer verlieren im Gewerbegeschäft Geld, bevor die Police überhaupt gezeichnet ist – durch manuelle Prüfung, Medienbrüche und schlechte Datenqualität. Besonders im B2B-Segment dauert es oft Tage, bis ein Underwriter ein vollständiges Bild des Risikos hat.
Genau hier setzen KI-gestützte Datenplattformen wie Cytora und Datenanbieter wie InformData an: Sie kombinieren externe Risikoquellen mit automatisierten Workflows und schaffen so eine neue Grundlage für Underwriting-Entscheidungen. Für den österreichischen Markt ist das kein „Nice-to-have“, sondern die Voraussetzung, um im Wettbewerb mit internationalen InsurTechs mitzuhalten.
In diesem Beitrag aus der Reihe „KI für österreichische Versicherungen: InsurTech“ zeige ich, wie integrierte Risikodaten-Workflows funktionieren, welche Rolle Anbieter wie Cytora & InformData spielen – und vor allem, wie österreichische Versicherer diese Ansätze auf ihren Markt übertragen können.
Was Cytora & InformData eigentlich tun – übersetzt für DACH
Der Originalartikel berichtet darĂĽber, dass Cytora seine Plattform um InformData erweitert. Hinter der Schlagzeile steckt ein strategisch wichtiger Trend:
„Risikoprüfung wandert von der Excel-Liste in einen durchgängigen KI-Datenworkflow.“
Cytora in einem Satz
Cytora ist eine Plattform, die Gewerberisiken digital „einliest“, mit externen Datenquellen anreichert und als strukturierten Risikodatensatz an Underwriting-Systeme weitergibt. Statt PDFs zu öffnen, E-Mails zu suchen und Registerauszüge manuell zu prüfen, bekommt der Underwriter ein fertig aufbereitetes, bewertbares Risikoobjekt.
Was bringt InformData dazu?
InformData ist ein spezialisierter Datenanbieter, der Hintergrund- und Registerinformationen zu Unternehmen und Personen bereitstellt, etwa:
- Handelsregister- und Firmeninformationen
- Gerichts-, Insolvenz- und Strafregisterdaten (je nach Land & Rechtslage)
- Beschäftigungs- und Identitätsdaten
In Kombination mit Cytora entsteht ein Workflow, der:
- Anträge automatisch einliest
- Relevante Risikodaten aus verschiedenen Quellen abruft
- Diese Daten strukturiert zusammenfĂĽhrt
- Das Ergebnis an Underwriting- oder Pricing-Systeme ĂĽbergibt
Für den US-Markt ist das bereits Realität. Die spannende Frage für uns in Österreich: Wie lässt sich dieses Modell auf europäische, insbesondere österreichische Rahmenbedingungen übertragen?
Ăśbertrag auf Ă–sterreich: Chancen und Grenzen
Für österreichische Versicherer gelten strengere Datenschutz- und Arbeitsrechtsvorgaben als in den USA. Gleichzeitig sind Registerdaten hier sehr wertvoll, weil der Markt kleiner, aber hoch reguliert ist.
Welche Datenquellen sind realistisch nutzbar?
Im österreichischen Gewerbe- und Industriegeschäft bieten sich vor allem an:
- Firmenbuch & Gewerberegister: Rechtsform, Geschäftsführer:innen, Beteiligungen, Tätigkeitsbereiche
- Bonitätsinformationen: Zahlungsfähigkeit, Insolvenzhistorie
- Branchen- und Standortdaten: Risikoexposition (z.B. Naturgefahren, Sicherheitslage, Branchenrisiko)
- Eigene Bestands- und Schadendaten: Historische Schadenfrequenz und -höhe pro Kundensegment
Der Clou: Diese Daten sind bereits vorhanden, aber sie landen selten automatisiert im Underwriting. Viele Häuser arbeiten noch mit:
- manueller Recherche im Firmenbuch
- parallel geöffneten Browser-Tabs
- Copy-Paste in Excel
Ein KI-gestĂĽtzter Workflow nach Cytora-Vorbild wĂĽrde genau das bĂĽndeln und standardisieren.
Datenschutz & Compliance: Der entscheidende Unterschied
Österreichische Versicherer müssen bei KI-Lösungen zur Risikobewertung drei Dinge besonders sauber lösen:
- Rechtsgrundlage: Klare Legitimation nach DSGVO (Vertragsanbahnung, berechtigtes Interesse, Einwilligung, je nach Datentyp).
- Transparenz: Versicherungsnehmer:innen müssen nachvollziehen können, welche Datenarten verwendet werden.
- Erklärbarkeit der KI: Kein „Black Box“-Pricing, vor allem nicht bei sensiblen Sparten oder KMUs.
Die gute Nachricht: KI-gestützte Risikodatenplattformen lassen sich so aufsetzen, dass nur zulässige Datenquellen genutzt werden und Entscheidungslogiken dokumentiert sind. Hier liegt eine riesige Chance für österreichische Häuser, die das Thema proaktiv angehen.
Konkrete Use Cases: So sieht das in der Praxis aus
Damit das nicht abstrakt bleibt, drei typische Szenarien aus dem österreichischen Markt, wie ein Cytora-ähnlicher Ansatz Mehrwert schafft.
1. Schnellere Risikoaufnahme bei KMU-Policen
Problem: Makler:innen schicken Sammel-E-Mails mit Anhängen, der Antrag wandert durch mehrere Postfächer. Die Antwortzeit ist Tage, manchmal Wochen.
Mit KI-Risikodaten-Workflow:
- E-Mail-Anhänge werden automatisch ausgelesen
- Firmenbuchnummer oder UID wird erkannt
- Firmenbuch- und Bonitätsdaten werden automatisiert ergänzt
- Branchenrisiko wird anhand von NACE-/Ă–NACE-Codes klassifiziert
- Underwriter erhält einen „Risikosteckbrief“ mit Ampelstatus (grün/gelb/rot)
Ergebnis: Bearbeitungszeiten sinken von Tagen auf Minuten, Standardrisiken können sogar straight-through gezeichnet werden. Gerade im harten Markt 2025/2026 ist das ein echter Wettbewerbsfaktor.
2. Bessere Betrugserkennung in der Schadenbearbeitung
Auch wenn Cytora/InformData sich vorrangig an das Underwriting richten, ist der Ansatz fĂĽr die Schadenbearbeitung hoch relevant.
Mögliche KI-Checks:
- Abgleich von Schadenmeldungen mit internen und externen Daten
- Erkennung unplausibler Muster (z.B. gleiche Kontaktpersonen bei verschiedenen Firmen mit gehäuften Schäden)
- Standortbezogene PrĂĽfung (z.B. Naturgefahrenprofil des gemeldeten Schadensorts)
Für österreichische Kompositversicherer heißt das: Fokus der Sachbearbeitung verschiebt sich von Datensuche zu Bewertung und Kommunikation mit Kund:innen. Verdachtsfälle werden systematisch, aber fair identifiziert.
3. Industriekunden: Dynamische Risikobewertung statt statischer Fragebögen
Gerade im Industriegeschäft ist der jährliche Erneuerungsprozess oft zäh. Fragebögen werden hin- und hergemailt, Änderungen im Unternehmen bleiben unentdeckt.
Mit einem KI-basierten Datenworkflow könnten Versicherer:
- Ă„nderungen im Firmenbuch oder Konzernstrukturen automatisch erkennen
- neue Standorte und Tätigkeitsbereiche zeitnah ins Risikomodell aufnehmen
- Risikoparameter (Umsatz, Mitarbeiter:innenzahl, Branchenmix) laufend aktualisieren
Der Effekt: Risikobewertungen werden dynamischer und treffsicherer, Pricing und Kapazitätssteuerung gewinnen an Stabilität – etwas, das Rückversicherer explizit nachfragen.
Wie österreichische Versicherer pragmatisch starten können
Viele Häuser in Österreich stehen an einem ähnlichen Punkt: Es gibt Pilotprojekte, aber oft fehlt ein klarer Fahrplan. Aus Projekten, die ich gesehen habe, funktioniert ein schrittweiser Ansatz am besten.
Schritt 1: Klaren Business Case definieren
Nicht „Wir wollen KI nutzen“, sondern:
- Konkretes Ziel: z.B. „Durchlaufzeit im KMU-Neugeschäft um 40 % senken“
- Messgrößen: Durchlaufzeit, Trefferquote, Combined Ratio, Maklerzufriedenheit
- Startbereich: Eine Sparte, ein Segment (z.B. einfache Gewerbe bis 10 Mio. Umsatz)
Ohne belastbaren Business Case verkommen KI-Projekte in Versicherungen schnell zu LeuchttĂĽrmen ohne Ertrag.
Schritt 2: Dateninventur und Integration
Vor der Suche nach „exotischen“ Datenquellen lohnt sich ein Blick nach innen:
- Welche internen Daten liegen schon vor (Bestand, Schaden, Korrespondenz)?
- Welche externen Quellen werden heute manuell genutzt (Firmenbuch, AuskĂĽnfte)?
- Über welche Schnittstellen (APIs) können diese Daten angebunden werden?
Danach kann ein externer Partner, ähnlich wie Cytora, helfen, einen zentralen Risikodaten-Layer aufzubauen, der alle relevanten Informationen bündelt und standardisiert.
Schritt 3: KI-Modelle mit Fachbereichen entwickeln
Erfolgreiche InsurTech-Projekte entstehen nicht im reinen Data-Science-Silo. Underwriter:innen und Schadenexpert:innen mĂĽssen von Anfang an eingebunden werden:
- Definition: Was ist ein „gutes“ Risiko im jeweiligen Segment?
- Festlegung von Regeln vs. Modellen: Was ist hart (z.B. Ausschluss), was ist bewertbar?
- Aufbau von Erklärbarkeit: Welche Faktoren beeinflussen die Score-Ergebnisse sichtbar?
So entsteht Vertrauen in die KI – und die Modelle lernen wirklich aus dem Know-how des Hauses.
Schritt 4: Klein ausrollen, konsequent skalieren
Ein häufiger Fehler ist, gleich den gesamten Bestand „umbauen“ zu wollen. Besser ist:
- Pilot mit begrenzter Zielgruppe (z.B. 5–10 Maklerpartner, eine Region)
- Enges Monitoring von KPIs und Feedback
- Schrittweise Erweiterung auf weitere Segmente und Sparten
Wer so vorgeht, reduziert Projektrisiko – und sammelt echte Erfolgsgeschichten für das Haus.
Warum jetzt handeln – und nicht auf „die perfekte Lösung“ warten
Der Markt bewegt sich deutlich schneller als die meisten Legacy-Systeme. Während große internationale Player bereits KI-Workflows im Underwriting und in der Schadenbearbeitung etabliert haben, arbeiten viele österreichische Versicherer noch mit manuellen Checklisten.
Die Realität: Es braucht keine perfekte All-in-One-Lösung, um zu starten. Ein fokussierter KI-Risikodaten-Workflow in einem klar abgegrenzten Segment reicht, um:
- spĂĽrbare Effizienzgewinne zu erzielen
- die Datenbasis für besseres Pricing zu stärken
- Erfahrungen mit KI-Governance und Erklärbarkeit zu sammeln
Genau darum geht es in unserer Serie „KI für österreichische Versicherungen: InsurTech“: Schritt für Schritt zu zeigen, wie praxisnahe KI-Anwendungen aussehen – von Schadenbearbeitung über Betrugserkennung bis hin zu dynamischer Risikobewertung.
Wer jetzt beginnt, eine datengetriebene Underwriting-Architektur aufzubauen, wird ab 2026 deutlich flexibler auf Marktzyklen, regulatorische Anforderungen und neue Risiken reagieren können.
Wenn Sie in Ihrem Haus konkret vor der Frage stehen, wie Sie KI-Risikodaten in bestehende Systeme integrieren können, lohnt sich der nächste interne Schritt: Ein klar umrissenes Pilotvorhaben definieren – mit Business Case, Datenquellen und Zielsegment.
Der Vorsprung gehört künftig nicht dem Versicherer mit dem größten Bestand, sondern dem, der seine Daten am intelligentesten für Risiko, Preis und Service nutzt.