Warum simples RAG für Versicherungen scheitert

Warum simples RAG für Versicherungen scheitert – und was Österreichs Assekuranzen stattdessen brauchen

Österreichische Versicherer investieren 2025 so viel in KI wie nie zuvor. Schadenbearbeitung, Risikoprüfung, Betrugserkennung, personalisierte Tarife – überall taucht Generative AI auf den Roadmaps auf. Viele Technologieprojekte starten derzeit mit einem simplen Versprechen: „Wir hängen ein RAG-System an unsere PDFs, dann beantwortet die KI alle Fragen zu Polizzen und Bedingungen.“

Die Realität? Die meisten dieser RAG-PoCs scheitern still. Die Antworten sind zu grob, wichtige Ausnahmen fehlen, Haftungsrisiken bleiben beim Versicherer. Für streng regulierte Märkte wie Österreich ist das brandgefährlich.

Hier ist der Punkt: Retrieval Augmented Generation (RAG) ist ein wichtiges Bauteil, aber als „Out-of-the-box“-Lösung allein völlig ungeeignet für Versicherungen. Wer KI ernsthaft in der österreichischen Versicherungsbranche einsetzen will, braucht eine ganz andere Architektur – eine Entscheidungsengine, die Regulatorik, Produkte und Prozesse wirklich versteht.

In diesem Beitrag aus der Serie „KI für österreichische Versicherungen: InsurTech“ zeige ich, warum simples RAG nicht reicht, welche Risiken dahinterstecken und wie ein versicherungs-tauglicher Ansatz aussieht, der tatsächlich Mehrwert und ROI bringt.

---

1. Warum Standard-RAG Versicherungsdokumente falsch versteht

Ein klassisches RAG-System funktioniert so: Es durchsucht Dokumente (z.B. AVB, Richtlinien, Wissensdatenbank), holt passende Textstellen und lässt ein Sprachmodell daraus eine Antwort formulieren.

Das klingt perfekt für Versicherung – ist es aber nicht. Denn Versicherungsbedingungen sind hochgradig vernetzt, juristisch heikel und voller Sonderfälle.

Beispiel aus der Praxis: „Bin ich bei Sturmschäden an Bäumen versichert?“

Stellen wir uns eine typische österreichische Haushalt- oder Eigenheimversicherung vor. Eine Kundin fragt im Chatbot:

„Bin ich versichert, wenn ein Sturm die Bäume in meinem Garten beschädigt?“

Ein simples RAG durchsucht die 60–80 Seiten Bedingungen und findet irgendwann einen Absatz: „Bäume und Pflanzen auf dem Grundstück sind bei Sturmschäden versichert, sofern sie vor mindestens zwei Jahren gepflanzt wurden.“

Die generierte Antwort lautet dann:

„Ja, Sie sind versichert, wenn die Bäume seit mindestens zwei Jahren gepflanzt sind.“

Das wirkt korrekt – ist in der Praxis aber brandgefährlich. Denn:

• Auf einer anderen Seite steht, dass der Schutz nur gilt, wenn eine Zusatzdeckung für Außenanlagen eingeschlossen ist.
• In einer Tabelle weiter hinten sind Entschädigungsobergrenzen pro Baum geregelt.
• Im Ausschlussteil steht, dass Grundstücke über einer bestimmten Größe ausgeschlossen sind.
• Und im Schadenersatzteil: Leistung nur gegen Nachweis der Wiederanpflanzung binnen zwei Jahren, abzüglich allfälliger öffentlicher Förderungen.

Eine versicherungstaugliche Antwort muss also mindestens abdecken:

1. Gilt die Deckung nur mit bestimmter Zusatzoption?
2. Welche Voraussetzungen (Alter der Bäume, Grundstücksgröße)?
3. Welche Limits (z.B. Betrag pro Baum, Jahreshöchstleistung)?
4. Wie wird entschädigt (Zeitwert, Neuwert, Wiederanpflanzung, Fristen)?
5. Was wird abgezogen (z.B. Förderungen, Selbstbehalt)?

Genau hier scheitert simples RAG. Es versteht nicht die Struktur der Dokumente, sondern nur Textfetzen. Für Konsumgüter mag „halb richtig“ reichen – für Versicherungsverträge nicht.

Merksatz: In der Versicherungsbranche ist eine unvollständige Antwort oft gefährlicher als gar keine Antwort.

---

2. Tabellen, Fußnoten, Anhänge: Warum Versicherungs-AVB RAG überfordern

Die komplexesten Informationen in Versicherungsbedingungen stehen selten im Fließtext. Sie stecken in:

• Deckungstabellen
• Leistungsmatrizen
• Aufzählungen mit Fußnoten
• Sonderbedingungen in Anhängen

Genau dort finden sich Leistungsgrenzen, Selbstbehalte, Wartezeiten, regionale Ausnahmen – also genau die Details, die im Streitfall vor Gericht relevant sind.

Warum LLMs mit Tabellen kämpfen

Standard-RAG setzt voraus, dass Inhalte als Text vorliegen. Versicherungs-Tabellen hingegen sind häufig:

• schlecht aus PDF extrahierbar,
• mit verschachtelten Spalten/Kopfzeilen aufgebaut,
• mit „*“ und Fußnoten vollgestopft,
• in Dokumente verteilt (Hauptbedingungen, Zusätze, Produktfolder).

Ohne spezielle Vorverarbeitung (z.B. Computer Vision + semantische Interpretation) entsteht für das Modell ein chaotischer Textblock ohne Kontext. Das führt typischerweise zu:

• ignorierten Limits („bis 10.000 € pro Jahr“ fehlt in der Antwort),
• falscher Zuordnung von Spalten (z.B. verwechselt Tarifvarianten),
• komplett übersehenen Ausschlüssen.

Für österreichische Versicherer, die ID-G, VAG, DSGVO und FMA-Erwartungen berücksichtigen müssen, ist das nicht tragbar.

Wer ernsthaft KI in der Produktberatung oder Schadenkommunikation einsetzen will, muss Tabellen in strukturierte, maschinenlesbare Wissenseinheiten überführen – und genau das leistet simples Standard-RAG nicht.

---

3. Statisches Wissen bedeutet: Fehler werden endlos wiederholt

Viele aktuelle RAG-Implementierungen in Versicherungen werden an statische Wissensquellen angeschlossen:

• PDF-Bedingungen
• Produktunterlagen
• Prozesshandbücher
• Wissensdatenbank der Fachbereiche

Das System erreicht dann vielleicht 60–80 % korrekte Antworten im PoC – und bleibt dort stehen. Denn:

• Die Quelle (Dokumente) ist nicht dafür gemacht, von Maschinen befragt zu werden.
• Fehlerhafte oder unklare Stellen werden nicht systematisch korrigiert.
• Es gibt keinen Feedback-Loop zwischen Fachbereich, IT und KI-Modell.

Die Folge: Das System macht monatelang die gleichen Fehler, nur schneller. Für ein reguliertes Geschäft ist das ein No-Go.

Wie ein sinnvoller Lernzyklus aussieht

Ein versicherungsfähiger Ansatz braucht einen strukturierten Verbesserungsprozess:

1. Monitoring: Welche Fragen werden gestellt, wo liegen Fehlerraten, wo gibt es viele Rückfragen durch Agenten oder Sachbearbeitung?
2. Fachliche Review: Fachabteilungen markieren falsche, unvollständige oder zu vage Antworten.
3. Kuratiertes Wissen: Aus den ursprünglichen PDFs wird strukturierter Content erzeugt (z.B. Entscheidungsbäume, Regelwerke, FAQ mit präzisen Konstellationen).
4. Retraining/Feintuning: Die KI wird auf dieser kuratierten Wissensbasis optimiert.

Das Ergebnis ist nicht mehr nur ein „Suchaufsatz auf PDFs“, sondern eine echte Entscheidungsengine – und genau dorthin bewegt sich der Markt der InsurTech-Lösungen.

---

4. Ohne kluge UX entstehen neue Fehler – nur digital

Viele Versicherer unterschätzen, wie stark User Experience (UX) die Qualität von KI-Entscheidungen beeinflusst. Die gleiche fachlich richtige Antwort kann je nach Darstellung komplett unterschiedlich verstanden werden.

Für österreichische Versicherungen, die gerade Self-Service-Portale, Maklerplattformen und interne Cockpits digitalisieren, ist das zentral.

Drei UX-Prinzipien für KI in Versicherungen

1. Integration in bestehende Workflows
   Die beste KI nützt nichts, wenn sie im dritten Tool versteckt ist. Für Agenten, Makler, Schadenbearbeiter:innen und Kund:innen muss die Entscheidung dort erscheinen, wo sie ohnehin arbeiten – im Bestandssystem, Maklerportal, Schaden-Cockpit oder Kundenportal.

2. Kontextbewusstsein
   Ein RAG, das nur Textbedingungen liest, ignoriert den konkreten Fall. Ein intelligentes System nutzt:

   • vorhandene Verträge (Sparten, Tarife, Deckungserweiterungen),
   • Kundendaten (z.B. Nutzungsart, Adresse, Alter des Objekts),
   • Schadenkontext (Sturm, Hochwasser, Glasbruch, Unfallort).

   Beispiel: Bei einem Kfz-Schaden durch Hochwasser muss die KI zuerst erkennen, ob Kasko vorhanden ist, ob Elementardeckung eingeschlossen ist und ob der Schaden im Rahmen der Gebäude- oder Kfz-Versicherung zu betrachten ist. Erst dann lohnt sich überhaupt ein Blick in die jeweiligen Bedingungen.

3. Vertrauen und Überprüfbarkeit
   Nutzer:innen – egal ob Kundin im Portal oder Underwriter in der Fachabteilung – müssen erkennen:

   • Wie sicher ist diese Antwort?
   • Auf welchen Quellen beruht sie?
   • Welche Alternativen oder Unsicherheiten gibt es?

   Das kann über Confidence-Anzeigen, Farbcodes, Quellenverweise oder Erklärtexte geschehen. So behalten Menschen die Kontrolle und können kritisch eingreifen, bevor ein falsches Leistungsversprechen abgegeben wird.

Die Kombination aus KI-Entscheidung + transparenter Erklärung + klarer Nutzerführung ist der Schlüssel, um Haftungsrisiken zu reduzieren und Akzeptanz im Vertrieb zu gewinnen.

---

5. Structured vs. Unstructured: Erst die Verbindung bringt echten ROI

Das vielleicht wichtigste Missverständnis rund um RAG: Viele Projekte schauen nur auf unstrukturierte Inhalte wie PDFs oder E-Mails. In der Versicherung liegt der eigentliche Schatz aber in strukturierten Daten:

• Bestandsdaten (Polizzen, Risiken, Mitversicherungen)
• Schadenhistorie
• Zahlungsverhalten
• Risikomerkmale aus Underwriting
• Betrugsindikatoren

Unstrukturierte Daten sind nur ein Teil des Puzzles. Für smarte KI-Anwendungen in der österreichischen Versicherungsbranche müssen beide Welten verbunden werden.

Beispiele aus der Praxis in Österreich

1. Schadenbearbeitung

   • Strukturiert: Art des Schadens, Datum, Deckungsumfang, Selbstbehalt.
   • Unstrukturiert: Freitext-Schadenmeldung, Fotos, Werkstattberichte.

   Eine gute KI prüft erst: „Deckt dieser Vertrag diesen Schaden grundsätzlich?“ (Regelwerk + strukturierte Daten) und nutzt dann RAG auf Gutachten, Fotos und E-Mails, um Empfehlungen zur Regulierung zu geben.

2. Risikoprüfung / Underwriting

   • Strukturiert: Fragebögen, Tarifmerkmale, Risiko-Scorings.
   • Unstrukturiert: Ärztliche Berichte, Gutachten, Maklernotizen.

   Hier kann Generative AI den Underwriter*innen Vorschläge zur Risikoeinschätzung und Formulierung von Klauseln machen – aber nur, wenn sie auf beidem basiert: Tariflogik und Dokumentenwissen.

3. Personalisierte Tarife & Next Best Action

   • Strukturiert: Kundenprofil, bestehende Verträge, Zahlungsverhalten.
   • Unstrukturiert: E-Mail-Anfragen, Telefon-Transkripte, Chatverläufe.

   Eine KI, die beides zusammenführt, kann Agent:innen in Österreich helfen, sinnvolle Zusatzangebote zu machen – etwa eine Elementarschaden-Erweiterung nach wiederkehrenden Starkregen-Events.

Wer nur ein Standard-RAG über AVB stülpt, verschenkt 80 % des Potenzials von KI in der Versicherung.

---

6. Wie österreichische Versicherer jetzt vorgehen sollten

Die gute Nachricht: Der Weg von „RAG-PoC im Labor“ zu produktiver, regulierungskonformer KI ist machbar – wenn man strategisch vorgeht.

Konkrete Handlungsempfehlungen

1. Use Cases scharf definieren
   Nicht mit der Technologie, sondern mit Geschäftszielen starten:

   • „Bearbeitungszeit im Schaden um 30 % reduzieren“
   • „Beratungsqualität im Maklerkanal messbar steigern“
   • „Fehlzuordnungen von Deckung in der Hotline halbieren“

2. Dokumente strukturieren statt nur „hochzuladen“

   • AVB in Regelsätze, Entscheidungsbäume und strukturierte Tabellen überführen.
   • Kritische Deckungsbereiche (z.B. Unwetter, Elementar, Haftpflicht) besonders fein modellieren.

3. Mensch-in-der-Schleife etablieren

   • Fachbereiche und Compliance aktiv beteiligen.
   • Feedbackschleifen einbauen, in denen Antworten bewertet und Wissen verbessert wird.

4. IT- und Fachwelt verbinden

   • KI muss an Bestands-, Schaden- und CRM-Systeme angeschlossen werden.
   • Nur so entstehen wirklich kontextbezogene, fallbezogene Entscheidungen.

5. Schrittweise ausrollen, aber konsequent messen

   • Mit einem klar abgegrenzten Use Case starten (z.B. Haushalts-Schadenhotline in einem Bundesland).
   • KPI-basiert entscheiden, wo man skaliert und wo nachschärfen muss.

---

Fazit: RAG ist nur der Anfang – die Zukunft gehört Entscheidungsengines

RAG ist für österreichische Versicherungen weder nutzlos noch ausreichend. Als Baustein ist es wertvoll – etwa, um Textstellen schnell zu finden oder komplexe Dokumente verständlicher zu machen.

Aber: Wer sich auf ein „Standard-RAG über PDFs“ verlässt, riskiert fehlerhafte Leistungsversprechen, frustrierte Kund:innen und Probleme mit der Aufsicht. Für eine Branche, die auf Vertrauen und Rechtssicherheit basiert, ist das zu wenig.

Die Zukunft von „KI für österreichische Versicherungen: InsurTech“ liegt in domänenspezifischen Entscheidungsengines, die:

• die Struktur von Versicherungsdokumenten wirklich verstehen,
• strukturierte und unstrukturierte Daten verbinden,
• aus Feedback laufend lernen,
• und ihre Entscheidungen transparent erklären.

Wer diese Architektur jetzt aufbaut, wird in den nächsten Jahren nicht nur effizienter, sondern auch kunden- und vertriebsnaher arbeiten – und genau das wird im zunehmend wettbewerbsintensiven österreichischen Markt den Unterschied machen.

---