KI / ML 
Softwareentwicklung 
Versicherungsunternehmen bearbeiten täglich große Mengen an Schadenmeldungen – häufig unter hohem Zeit- und Kostendruck. Betrugsversuche, komplexe Dokumentationsprozesse und begrenzte personelle Ressourcen erhöhen die Anforderungen an eine effiziente Bearbeitung.
VM.PL entwickelt individuelle ML-Systeme für die Versicherungsbranche: automatisierte Schadenklassifikation, Betrugserkennung und Risikobewertung – nearshore aus Polen, nach der 4D-Methodik und unter Berücksichtigung der geltenden Datenschutz- und Regulierungsanforderungen.
Wo verliert die Versicherungsbranche durch fehlende KI am meisten – und welche Prozesse bieten das größte Potenzial?
Betrugsprävention, automatisierte Schadenbearbeitung und eine präzisere Risikobewertung gehören zu den wichtigen Einsatzfeldern künstlicher Intelligenz im Versicherungswesen.
Manuelle Prozesse erhöhen die Bearbeitungskosten, unerkannte Betrugsversuche können finanzielle Schäden verursachen, und unzureichende Risikobewertungen erschweren die Kalkulation. KI kann dabei helfen, relevante Informationen früher zu erkennen und wiederkehrende Aufgaben zu automatisieren.
| KI-Bereich | Anwendung | Wirkung |
| Betrugserkennung | ML-Anomalieerkennung bei Schadenmeldungen · Graph-ML zur Analyse möglicher Betrugsnetzwerke | VM.PL-Projekt: Verbesserung der Erkennungsrate um 60 % im ersten Quartal; mehr als 80 % richtig positive Ergebnisse |
| Schadensbearbeitung | NLP klassifiziert Schadenmeldungen, extrahiert Daten und leitet Vorgänge regelbasiert oder KI-gestützt weiter | Schnellere Vorprüfung und weniger manuelle Dateneingabe |
| Risiko-Scoring | ML-Modell berechnet individuelle Risikoscores auf Basis historischer Schadendaten und geeigneter Kontextinformationen | ML-Modell berechnet individuelle Risikoscores auf Basis historischer Schadendaten und geeigneter Kontextinformationen |
| Dokumentenverarbeitung | NLP liest Policen, Anträge und Korrespondenz – extrahiert Kerndaten automatisch | Dateneingabe automatisiert, Fehlerquote sinkt |
| Kundenservice | LLM-Assistent beantwortet Standardanfragen zu Deckungsumfang und Schadenstatus | Rund-um-die-Uhr-Unterstützung und Entlastung der Sachbearbeitenden |
Die 4D-Discovery-Phase prüft Datenverfügbarkeit, Datenqualität, technische Machbarkeit und relevante Datenschutzanforderungen, bevor über die weitere Umsetzung entschieden wird.
Wie entwickelt VM.PL ML-Modelle für Betrugs-Erkennung und Schadensklassifikation?
Versicherungsbetrug kann unterschiedliche Formen annehmen – von einzelnen falschen Angaben bis hin zu koordinierten Betrugsversuchen, an denen mehrere Akteure beteiligt sind.
Regelbasierte Systeme erkennen vor allem vorher definierte Auffälligkeiten. ML-Modelle können zusätzlich komplexere Muster in historischen Daten analysieren und verdächtige Vorgänge priorisieren. Ihre Leistungsfähigkeit muss regelmäßig überprüft und bei Bedarf angepasst werden.
In einem VM.PL-Projekt für einen größeren polnischen Versicherer verbesserte sich die Erkennungsrate verdächtiger Schadenfälle im ersten Quartal um 60 %. Der Anteil richtig positiver Ergebnisse lag bei über 80 %. Die Investition amortisierte sich nach Angaben des Kunden in weniger als zwei Monaten. [Case Study]
Drei ML-Methoden je nach Betrugstyp:
| ML-Methode | Stärke | Typischer Einsatz |
| XGBoost / LightGBM (Klassifikation) | Effiziente Verarbeitung tabellarischer Daten · Merkmalsbeiträge können mithilfe geeigneter XAI-Verfahren analysiert werden | Einzelschadensprüfung auf Basis historischer Merkmale |
| Isolation Forest / Autoencoder (Anomalie) | Identifikation auffälliger Datenmuster, auch wenn nicht für alle Betrugsformen gelabelte Trainingsdaten vorliegen | Erkennung bislang nicht ausreichend beschriebener Auffälligkeiten |
| Graph-ML (Netzwerkanalyse) | Modelliert Beziehungen zwischen Akteuren | Untersuchung möglicher Zusammenhänge zwischen Versicherten, Werkstätten, medizinischen Leistungserbringern oder weiteren Beteiligten |
| Ensemble-Modell (kombiniert) | Kann die Stärken unterschiedlicher Modelltypen verbinden; Erkennungsrate und Fehlalarmquote müssen anhand realer Daten validiert werden | Anwendungen mit hohem Vorgangsvolumen und unterschiedlichen Betrugsmustern |
Erklärbarkeit (XAI): SHAP-Werte können sichtbar machen, welche Merkmale zu einer Modellprognose beigetragen haben. Sie stellen jedoch nicht automatisch eine vollständige fachliche oder rechtliche Begründung einer Versicherungsentscheidung dar. Für die Nachvollziehbarkeit sind zusätzlich geeignete Dokumentation, Datenherkunft und menschliche Kontrollmöglichkeiten erforderlich.
Datenschutz: Versicherungsdaten können personenbezogene und besonders schutzbedürftige Informationen enthalten, insbesondere Gesundheitsdaten. VM.PL kann je nach Anforderung lokale oder kontrollierte Cloud-Architekturen vorsehen. Zulässige Datenübermittlungen, Auftragsverarbeitung und technische Schutzmaßnahmen müssen projektspezifisch geprüft werden.
Wie automatisiert VM.PL die Schadensbearbeitung mit KI?
Eingehende Schadenmeldungen erreichen Versicherungsunternehmen über E-Mail, Post, Onlineportale und Telefon – in unterschiedlichen Formaten, Vollständigkeitsgraden und Sprachen.
NLP-Modelle können diese Informationen strukturieren, relevante Inhalte extrahieren und die Zuordnung zum geeigneten Bearbeitungsprozess unterstützen.
- Schadensklassifikation: NLP analysiert eingehende Schadenmeldungen und klassifiziert sie nach Schadenart, möglicher Deckungsrelevanz, Priorität und Zuständigkeit. Bei einfachen Standardfällen können einzelne Bearbeitungsschritte automatisiert werden. Komplexe oder unklare Fälle werden an qualifizierte Sachbearbeitende weitergeleitet.
- Dokumentenextraktion: LLM-basierte Systeme extrahieren Kerndaten aus Schadenberichten, Arztbriefen, Gutachten und Formularen. Nach geeigneten Plausibilitäts- und Qualitätsprüfungen können diese Informationen in die Felder des Kernsystems übernommen werden. Dadurch lässt sich die Vorbereitung einer Deckungsprüfung deutlich beschleunigen.
- Automatische Dateneingabe: NLP-extrahierte Daten fließen via API-Layer direkt ins Kernsystem – Java/Spring Boot oder C#/.NET als Middleware. Kein Systemwechsel, kein Anpassungsprojekt auf Kernsystemseite.
- Hybridmodell: Standardisierte Vorgänge können teilweise oder – soweit rechtlich und fachlich zulässig – weitgehend automatisiert bearbeitet werden. Bei hohem Streitwert, unklarer Deckung oder Betrugsverdacht wird eine fachliche Prüfung vorgesehen.
Wie integriert VM.PL KI in bestehende Versicherungs-IT-Systeme?
Die IT-Landschaften von Versicherungsunternehmen umfassen häufig über Jahre gewachsene Kernsysteme, darunter SAP, Microsoft Dynamics und individuelle Legacy-Anwendungen.
VM.PL integriert KI über geeignete Schnittstellen als zusätzliche Analyse- und Verarbeitungsschicht. Auf diese Weise lassen sich bestehende Prozesse erweitern, ohne die Kernsysteme vollständig ersetzen zu müssen.
- API-Layer: Java/Spring Boot oder C#/.NET als Middleware zwischen ML-Service und Kernsystem. Die KI-Komponenten ergänzen vorhandene Prozesse um Scoring-, Klassifikations- und Analysefunktionen. Notwendige Anpassungen an Datenflüssen und Schnittstellen werden im Integrationskonzept berücksichtigt.
- Systeme: SAP für Versicherungen, Microsoft Dynamics und Legacy-Kernsysteme – REST-APIs oder geeignete Datenbankschnittstellen, abhängig von Architektur, Sicherheitsanforderungen und Zugriffsberechtigungen.
- CI/CD: Azure DevOps/Pipelines für automatisierte Tests vor jedem Modell-Update. Deployment via Azure Container Apps.
- Kontrollierter Rollback: Bei entsprechender Architektur kann der KI-Service unabhängig vom Kernsystem aktualisiert oder auf eine vorherige Version zurückgesetzt werden. Ziel ist es, Auswirkungen auf den laufenden Betrieb zu minimieren. Eine vollständige Unterbrechungsfreiheit muss für die konkrete Integration geprüft werden.
Wie sieht das 4D-Vorgehen bei VM.PL in der Versicherungsbranche aus?
Die Discovery-Phase bewertet die vorhandenen Schadendaten, deren Qualität sowie technische und regulatorische Anforderungen, bevor größere Entwicklungsinvestitionen erfolgen.
Für zuverlässige ML-Prognosen ist eine geeignete Datenbasis entscheidend. Umfang und Qualität der benötigten historischen Daten hängen vom jeweiligen Modell und Anwendungsfall ab.
| Phase | Aktivitäten | Deliverable | Dauer |
| Discovery | Daten-Audit (Schadenhistorie, Qualität) · DSGVO-Bewertung · Use-Case-Validierung · Prüfung relevanter BaFin-, DORA- und EU-AI-Act-Anforderungen | Concept Document (Go/No-Go) | 1-2 Wochen |
| Definition | ML-Architektur · Integrationsdesign für Kernsysteme · Compliance-Anforderungen · XAI-Konzept | Architecture Blueprint | 1-2 Wochen |
| Delivery | Modelltraining · API-Integration · geeignete Verfahren zur Modellerklärbarkeit · Tests über Azure Pipelines · Abnahme | Produktives ML-System | 8-16 Wochen |
| Direction | Monitoring · Drifterkennung · Aktualisierung und gegebenenfalls erneutes Training bei veränderten Betrugsmustern | Entwicklungs-Roadmap | laufend |
Wie nutzt VM.PL KI für Risiko-Scoring und Tarifierung?
Eine fundierte Risikobewertung bildet die Grundlage der Versicherungskalkulation. Klassische versicherungsmathematische Verfahren sind dabei weiterhin von zentraler Bedeutung. ML-Modelle können sie ergänzen, indem sie komplexe Zusammenhänge und nichtlineare Muster in umfangreichen Datenbeständen analysieren.
Drei Anwendungsbereiche für ML im Risiko-Scoring:
- Individuelle Risikobewertung: Gradient Boosting (XGBoost, LightGBM) oder Random Forest können Risikoscores auf Grundlage historischer Schadendaten, Vertragsinformationen und geeigneter Kontextmerkmale berechnen. Dadurch lassen sich potenziell differenziertere Risikoprofile erstellen. Ob dies die Tarifierungsqualität verbessert, muss anhand geeigneter Validierungsverfahren und unter Berücksichtigung regulatorischer Grenzen geprüft werden.
- Usage-Based Insurance (UBI): ML-Modelle verarbeiten Telematik- oder Sensordaten. Beispiele sind Kfz-Versicherungen, bei denen bestimmte Merkmale des Fahrverhaltens berücksichtigt werden, oder Gebäudeversicherungen, die IoT-Sensordaten zur Risikoüberwachung nutzen. Die Integration kann über REST-APIs in bestehende Tarifierungssysteme erfolgen. Für die Verarbeitung personenbezogener Verhaltensdaten sind geeignete Datenschutzmaßnahmen erforderlich.
- Underwriting-Unterstützung: ML analysiert eingehende Versicherungsanträge und kann Empfehlungen zu Risikoklassen, Deckungslimits oder prüfungsbedürftigen Angaben erstellen. Underwriter erhalten strukturierte Entscheidungsvorschläge mit ergänzenden Erklärungen zu den Modellprognosen, beispielsweise anhand von SHAP-Werten. Die fachliche Entscheidung bleibt bei den zuständigen Personen.
DSGVO-Hinweis: Artikel 22 DSGVO ist insbesondere bei ausschließlich automatisierten Entscheidungen relevant, die gegenüber natürlichen Personen rechtliche Wirkung entfalten oder sie in ähnlicher Weise erheblich beeinträchtigen. Nicht jedes Scoring fällt automatisch unter diese Vorschrift. VM.PL kann menschliche Überprüfungsmöglichkeiten, Nachvollziehbarkeit und geeignete Dokumentationsprozesse in die Systemarchitektur integrieren.
Welche regulatorischen Anforderungen gelten für KI in der Versicherungsbranche?
Die Versicherungsbranche gehört zu den stark regulierten Wirtschaftszweigen. Beim Einsatz künstlicher Intelligenz können insbesondere aufsichtsrechtliche Anforderungen, Datenschutzvorschriften und der EU AI Act relevant sein.
Für deutsche Versicherungsunternehmen gilt seit dem 17. Januar 2025 grundsätzlich DORA, soweit sie in dessen Anwendungsbereich fallen. Die bisherigen Versicherungsaufsichtlichen Anforderungen an die IT (VAIT) wurden mit Ablauf des 16. Januar 2025 aufgehoben.
| Regulierungsrahmen | KI-relevante Anforderungen | VM.PL-Umsetzung |
| BaFin / DORA | Anforderungen an IKT-Risikomanagement, digitale operationelle Resilienz, IKT-Drittparteienrisiken und gegebenenfalls aufsichtsrechtliche Auslagerungen | Dokumentation der Integrationsarchitektur · geeignete Sicherheitskontrollen · Nachvollziehbarkeit von Datenverarbeitung und Modellentscheidungen |
| EU AI Act (High Risk) | Nicht jede Versicherungs-KI ist automatisch ein Hochrisikosystem. Gemäß Anhang III können insbesondere Systeme zur Risikobewertung und Preisgestaltung bei Lebens- und Krankenversicherungen natürlicher Personen unter die Hochrisikokategorie fallen. | Prüfung der Risikoeinstufung · geeignete Dokumentation, Modellvalidierung und menschliche Aufsicht entsprechend den anwendbaren Anforderungen |
| DSGVO (Art. 22) | Automatisierte Einzelentscheidungen müssen anfechtbar sein · Transparenz · Recht auf Erklärung | Menschliche Kontroll- und Interventionsmöglichkeiten · geeignete Informationen für Betroffene · nachvollziehbare Dokumentation der Entscheidungsprozesse |
| DSGVO (Datenschutz) | Rechtsgrundlage der Verarbeitung · besonderer Schutz von Gesundheitsdaten gemäß Art. 9 · Datenminimierung · Anforderungen an Auftragsverarbeitung und gegebenenfalls Drittlandübermittlungen | Datenschutzorientierte Systemarchitektur · Pseudonymisierung, wo geeignet · kontrollierte Datenverarbeitung und Zugriffsberechtigungen |
Die Risikoeinstufung nach dem EU AI Act hängt vom konkreten Verwendungszweck ab. Beispielsweise ist eine KI zur Bearbeitung von Schadenmeldungen nicht allein deshalb als Hochrisiko-KI gemäß der Versicherungskategorie einzustufen, weil sie bei einem Versicherer eingesetzt wird.
VM.PL berücksichtigt die jeweiligen Anforderungen bereits während der Definition-Phase. ML-Architektur, Erklärbarkeitskonzept, Sicherheitsmaßnahmen und erforderliche Protokollierungsmechanismen können gemeinsam mit der technischen Spezifikation geplant werden.
Wie verbessert VM.PL KI den Kundenservice und das Underwriting?
Kundenservice und Underwriting beeinflussen die Kundenzufriedenheit, die Bearbeitungsgeschwindigkeit und die Qualität versicherungstechnischer Entscheidungen.
KI kann wiederkehrende Aufgaben beschleunigen, relevante Informationen strukturieren und qualifizierte Mitarbeitende bei komplexen Vorgängen unterstützen.
Drei Einsatzbereiche
- KI-Kundenservice: Ein LLM-basierter Assistent kann Standardanfragen zu Deckungsumfang, Schadenstatus, Prämienzahlungen und Vertragsänderungen rund um die Uhr beantworten – sofern die relevanten Informationen über geeignete Schnittstellen zur Verfügung stehen. Komplexe Sachverhalte werden an zuständige Sachbearbeitende weitergeleitet. Dabei kann der Assistent den bisherigen Gesprächsverlauf zusammenfassen, sodass Kunden ihre Angaben nicht erneut vollständig wiederholen müssen. Stack: Python 3.11+ · FastAPI · LightRAG · OpenAI SDK (via Azure) · pgvector/PostgreSQL 16.
- KI-gestütztes Underwriting: ML unterstützt die Prüfung eingehender Anträge auf Vollständigkeit und kann Risikoeinschätzungen oder Vorschläge zu Deckungslimits bereitstellen. Underwriter erhalten strukturierte Informationen sowie mögliche Erklärungen der Modellprognosen, beispielsweise über SHAP. Dadurch lässt sich die manuelle Sichtung umfangreicher Datenbestände reduzieren. Geeignete Plausibilitätsprüfungen können externe Daten, Wetterinformationen und historische Schadenmuster berücksichtigen. Die Datenverarbeitung setzt eine entsprechende Rechtsgrundlage und geeignete Schnittstellen voraus.
- Cross-Sell- und Up-Sell-Scoring: ML analysiert zulässig verarbeitete Vertrags- und Kundendaten, um mögliche zusätzliche Versicherungsbedarfe zu identifizieren. Der Vertrieb erhält priorisierte Hinweise auf passende Produkte statt ausschließlich allgemeiner Kampagnen. Dabei müssen Datenschutzanforderungen und gegebenenfalls Einwilligungs- oder Werbevorschriften berücksichtigt werden.
Deployment: KI-Komponenten können als eigenständige Microservices beispielsweise über Azure Container Apps betrieben werden. Dadurch lassen sie sich getrennt vom Kernsystem aktualisieren und skalieren. Ein kontrollierter Rollback wird entsprechend den technischen Anforderungen geplant.
Warum VM.PL für KI in der Versicherungsbranche?
VM.PL entwickelt individuelle ML-Systeme für die vorhandenen Daten, Geschäftsprozesse und regulatorischen Anforderungen von Versicherungsunternehmen.
Im Mittelpunkt stehen die Integration in bestehende Kernsysteme, der messbare wirtschaftliche Nutzen und die Nachvollziehbarkeit der eingesetzten Modelle.
- Nachgewiesene Praxis-Erfahrung: VM.PL entwickelte für einen der größeren Versicherer in Polen ML-Modelle zur Erkennung verdächtiger Schadenfälle. Im ersten Quartal verbesserte sich die Erkennungsrate um 60 %, während der Anteil richtig positiver Ergebnisse mehr als 80 % betrug. Die Einsparungen des Kunden stiegen gegenüber den zuvor eingesetzten einfachen Modellen um 30 %. Die Investition amortisierte sich in weniger als zwei Monaten. Referenz: Erkennung verdächtiger Versicherungsansprüche mit Machine Learning
- Compliance von Anfang an: VM.PL berücksichtigt relevante Vorgaben der BaFin, DORA und DSGVO sowie die risikobezogene Einstufung nach dem EU AI Act bei der Architekturplanung. Nicht jedes KI-System im Versicherungswesen unterliegt automatisch den Hochrisikoanforderungen.
- XAI als Standard: Verfahren wie SHAP können die Nachvollziehbarkeit von Modellprognosen unterstützen, indem sie den Beitrag einzelner Merkmale sichtbar machen. Ergänzend können Protokollierungsmechanismen, Modellversionierung und fachliche Kontrollprozesse vorgesehen werden.
- Kein Vendor-Lock-in: VM.PL setzt auf individuelle Lösungen, transparente Schnittstellen und wartbare Architekturen. Nutzungsrechte an Quellcode, Modellgewichten und Datenpipelines sowie mögliche Lizenzkosten werden projektspezifisch vereinbart.
- Nearshore-Effizienz: Wrocław, Polen – gut erreichbar aus dem DACH-Raum, deutschsprachige Zusammenarbeit und Unternehmensstandort innerhalb der EU. Vor-Ort-Termine können nach Vereinbarung stattfinden.
Einstieg: In einem ersten unverbindlichen Discovery-Gespräch besprechen wir die vorhandenen Daten, mögliche KI-Anwendungsfälle und die relevanten regulatorischen Anforderungen. Darauf aufbauend kann eine vertiefte Analyse die technische Machbarkeit, Integrationsmöglichkeiten und das wirtschaftliche Potenzial bewerten.
Betrugserkennung in der Praxis: über 80 Prozent richtig positive Ergebnisse
Für einen der größeren Versicherer in Polen entwickelte und integrierte VM.PL ML-Modelle zur Analyse historischer Schadendaten. Das System leitete Fälle mit einer hohen Betrugswahrscheinlichkeit an Fachkräfte weiter und reduzierte dadurch die Zahl unnötiger manueller Prüfungen. Die endgültige Entscheidung blieb weiterhin beim Menschen. Im ersten Quartal verbesserte sich die Erkennungsrate um 60 Prozent, der Anteil richtig positiver Ergebnisse lag bei über 80 Prozent und die Investition amortisierte sich nach Angaben des Kunden in weniger als zwei Monaten.