KI-Agenten in der Versicherungsbranche: Warum Dunkelverarbeitung endlich funktioniert

Der Posteingang ist der eigentliche Engpass

In fast jeder Versicherung sieht der Arbeitstag in den Fach- und Back-Office-Teams gleich aus: Ein Sammelpostfach füllt sich mit E-Mails, gescannten Briefen, Formularen und PDF-Anhängen. Sachbearbeiterinnen und Sachbearbeiter lesen, triagieren, leiten weiter – bevor überhaupt an die eigentliche Bearbeitung gedacht werden kann. Studien zeigen immer wieder, dass 30 bis 50 Prozent der Bearbeitungszeit pro Fall in die reine Triage fliessen, nicht in die eigentliche fachliche Entscheidung.

Wer die Dunkelverarbeitungsquote spürbar heben will, muss deshalb zuerst den Eingangskanal lösen. Genau hier haben wir in den letzten Jahren in mehreren Projekten beobachtet, warum klassische Ansätze an ihre Grenzen stossen – und warum KI-Agenten diesen Engpass endlich aufbrechen können.

Warum regelbasierte Systeme nicht skalieren

Der naheliegende erste Versuch sind regelbasierte Klassifikatoren: Schlüsselwörter, Absenderdomains, Betreffmuster, vielleicht ein paar reguläre Ausdrücke. Das funktioniert auf den ersten hundert Fällen erstaunlich gut – und scheitert dann leise an drei Realitäten der Versicherungspraxis:

• Sprachvielfalt: Kundinnen und Kunden schreiben auf Deutsch, Französisch, Italienisch und Englisch – oft gemischt im selben Dokument.
• Unstrukturierte Inhalte: Ein gescannter Brief mit handschriftlichen Anmerkungen, ein Foto einer Police, ein Screenshot aus einer App – jede Variante bricht vorhandene Regeln.
• Kontextabhängigkeit: Dieselbe Formulierung bedeutet im Schaden etwas anderes als im Underwriting. Regeln können diesen Kontext nicht lernen, sie kennen ihn entweder explizit oder gar nicht.

Das Ergebnis ist vorhersehbar: Ein Regelwerk wächst jahrelang, wird unübersichtlich, produziert immer mehr Ausnahmen und landet schliesslich bei einer Trefferquote, die jedes neue Quartal manuell nachjustiert werden muss.

Was KI-Agenten anders machen

Moderne KI-Agenten sind kein weiteres Regelwerk, sondern ein fundamental anderer Baustein. Sie kombinieren drei Fähigkeiten, die klassisch nie zusammengekommen sind:

1. Sprachverständnis auf Dokumentebene. Large Language Models lesen E-Mails und gescannte Briefe so, wie ein Mensch sie lesen würde – inklusive impliziter Intention und mehrsprachiger Passagen.
2. Strukturierte Extraktion. Aus unstrukturiertem Text werden Felder: Policennummer, Schadendatum, betroffene Deckung, Kontaktangaben. Immer im gleichen Schema, immer mit Konfidenzwerten.
3. Live-Systemzugriff. Der entscheidende Unterschied zu klassischen Dokumentenklassifikatoren: Der Agent kann unmittelbar auf Kernsysteme zugreifen, einen Vertrag nachschlagen, einen Status prüfen, einen Folgeprozess anstossen.

Erst diese Kombination macht aus Klassifikation echte Automatisierung. Ein Agent, der nur kategorisiert, spart eine Weiterleitung. Ein Agent, der kategorisiert und im Zielsystem prüft, ob alle Voraussetzungen für die Dunkelverarbeitung erfüllt sind, spart den gesamten Fall.

Von Klassifikation zu End-to-End-Dunkelverarbeitung

Der wirtschaftliche Effekt liegt nicht in der letzten Prozentpunkt-Verbesserung der Klassifikationsgenauigkeit, sondern in der Verschiebung der Dunkelverarbeitungsschwelle. Ein typisches Projektprofil sieht so aus:

• Heute: 10–20 % Dunkelverarbeitung, der Rest wird manuell triagiert und bearbeitet.
• Nach Einführung eines KI-Agenten: 40–60 % Dunkelverarbeitung bei unverändertem Risiko – weil der Agent nicht nur klassifiziert, sondern auch prüft, ob ein Fall komplett automatisierbar ist.
• Verbleibende Fälle: Der Agent liefert dem Menschen einen fertigen Vorschlag mit allen relevanten Feldern, Quellenangaben und Handlungsoptionen – aus einer 15-Minuten-Bearbeitung werden 3 Minuten.

Worauf es bei der Einführung ankommt

Aus unseren Projekten lassen sich vier Erfolgsfaktoren destillieren, die technisch wie organisatorisch gleich wichtig sind:

1. Saubere Integration in die Kernsysteme. Ohne direkten, sicheren API-Zugriff auf Policen-, Schaden- und Kundensysteme bleibt jeder Agent ein besserer Klassifikator. Hier zahlt sich eine moderne Microsoft-365- und Azure-Grundlage doppelt aus.
2. Tunable Konfidenzschwellen. Nicht jeder Fall muss vollautomatisch laufen. Entscheidend ist, dass das Fachteam die Schwelle zwischen „vollautomatisch", „mit Vorschlag an Mensch" und „reine Weiterleitung" jederzeit anpassen kann.
3. Messbare KPIs vom ersten Tag an. Dunkelverarbeitungsquote, Bearbeitungszeit, Fehlerrate pro Kategorie. Ohne diese Zahlen wird der Business Case weich.
4. Compliance und Audit-Fähigkeit. Jede Entscheidung des Agenten muss nachvollziehbar sein – inklusive Modellversion, Eingangsdaten und Konfidenz. Für regulierte Branchen ist das keine Option, sondern Voraussetzung.

Selenir: unser Ansatz in der Praxis

Diese Erfahrungen sind in unser eigenes Produkt eingeflossen: Selenir ist die SaaS-Plattform von Cloudo für automatisierte eingehende Kommunikation in der Versicherungsbranche. Selenir triagiert, kategorisiert und routet E-Mails und gescannte Briefe, extrahiert strukturierte Daten und kann – wo sinnvoll – Fälle direkt in den Kernsystemen abschliessen. Gebaut auf derselben KI-Engineering-Expertise, die wir in jedes Kundenprojekt einbringen.

Wenn Sie wissen möchten, wie KI-Agenten Ihren Eingangskanal konkret entlasten könnten, sprechen Sie mit uns – wir zeigen Ihnen gerne, was in Ihrem Szenario realistisch erreichbar ist.