Eric Sibony ist Chief Scientist und Chief Product Officer von Shift. In dieser Ausgabe von Four Questions erklärt Eric, was Agentic AI ausmacht, wie Versicherer die verschiedenen KI-Arten für ihre zentralen Prozesse einordnen sollten, welche Anwendungsfälle sich besonders für Agentic AI eignen und wie Shift diese Technologie in seine Produkte integriert.
Am einfachsten lässt sich Agentic AI als künstliche Intelligenz verstehen, die für komplexe Automatisierung entwickelt wurde. Ich nutze dafür gern folgendes Beispiel: Flughäfen auf der ganzen Welt setzen führerlose Züge ein, um Passagiere von einem Terminal zum anderen zu bringen. Auch das ist Automatisierung – aber eben einfache Automatisierung. Der Zug hält an der richtigen Stelle, die Türen öffnen sich, und das Ganze funktioniert zuverlässig. Dafür braucht es jedoch vergleichsweise wenig Komplexität.
Agentic AI ist eher mit der Entwicklung autonomer Fahrzeuge vergleichbar. Hier geht es nicht mehr nur darum, von Punkt A nach Punkt B zu fahren – geradlinig oder in einer festen Schleife. Stattdessen bewegt man sich durch Stadtverkehr, weicht anderen Fahrzeugen und Fußgängern aus, hält an roten Ampeln und beachtet sämtliche Verkehrsregeln. Das ist hochkomplex. Jeder Schritt erfordert eine präzise Auswertung von Datensignalen – etwa die Frage, ob es sich um ein Stoppschild oder ein Vorfahrt-gewähren-Schild handelt –, um die richtige Entscheidung über das weitere Vorgehen zu treffen. Soll das Fahrzeug anhalten oder nur abbremsen, um die Umgebung zu prüfen, bevor es weiterfährt? Genau mit dieser Art von Komplexität beschäftigt sich Agentic AI.
Lassen Sie mich etwas konkreter erklären, wie sich Agentic AI von anderen KI-Formen unterscheidet, die Versicherern bereits bekannt sein dürften. Maschinelles Lernen (ML), oft auch als prädiktive KI bezeichnet, eignet sich hervorragend dazu, Daten aus verschiedenen Quellen zusammenzuführen und daraus einen Score abzuleiten – zum Beispiel einen Betrugsverdacht. Es kann auch transparent machen, welche Faktoren zu diesem Ergebnis beigetragen haben. Was ML jedoch nicht besonders gut kann, ist zu bestimmen, was nach diesem Score als Nächstes passieren sollte.
Generative KI wiederum analysiert Daten, um daraus etwas Neues zu erzeugen. Für Versicherer kann das etwa eine Zusammenfassung von Schadenunterlagen sein, eine Liste empfohlener nächster Schritte für eine SIU-Ermittlung oder eine E-Mail an einen Versicherungsnehmer mit einem Statusupdate zu seinem Schadenfall. Auch wenn GenAI bereits deutlich komplexere Automatisierung ermöglicht als klassisches ML, bleiben viele dieser Aufgaben relativ klar umrissen und basieren vor allem auf Extraktion, Zusammenfassung und Klassifizierung.
Agentic AI verändert das grundlegend. Denken Sie an alles, was zum Kauf eines Flugtickets gehört: passende Verbindungen suchen, Preise vergleichen, Plätze reservieren und bezahlen. Die meisten von uns erledigen diese Schritte auch heute noch manuell – selbst wenn wir eine Vergleichsplattform nutzen. Mit Agentic AI könnten Sie stattdessen einfach sagen: „Kannst du mir ein Flugticket von Paris nach Boston für den 1. Januar 2026 buchen?“ Natürlich müssen gegebenenfalls weitere Parameter angegeben werden. Aber grundsätzlich kann der Agent Flüge identifizieren, die Ihren Anforderungen entsprechen, die Buchung abschließen und die Zahlung korrekt ausführen. Die KI verhält sich dabei fast so, als hätten Sie eine andere Person gebeten, das Ticket für Sie zu kaufen.
Der zentrale Unterschied zwischen einem LLM – also einem KI-Assistenten, Chatbot oder Co-Piloten – und einem Agenten ist letztlich folgender: Bei einem LLM stellen Sie eine Frage und erhalten eine Antwort. Bei einem Agenten geben Sie einen Auftrag – und er führt eine Handlung aus. Das ist wahrscheinlich die einfachste Art, über KI-Agenten und ihre Fähigkeiten nachzudenken.
Ausgehend von ihren Fähigkeiten sollten Versicherer Agentic AI als „KI für komplexe Automatisierung“ betrachten. Gemeint ist damit eine KI, die schlussfolgern, mehrstufige Abläufe verketten und sowohl mit strukturierten als auch mit unstrukturierten Daten arbeiten kann – sowohl mit den eigenen Daten des Versicherers als auch mit externen Quellen.
Geeignete Einsatzfelder für Agentic AI finden sich in der Versicherungsbranche vor allem entlang des gesamten Schadenprozesses: von der Ersttriage über die Empfehlung sinnvoller nächster Schritte bis hin zur Berücksichtigung von Timing und Dringlichkeit, der Unterstützung von Regresspfaden und Aufgaben, bei denen Zusammenhänge zwischen Dokumenten und historischen Ergebnissen erkannt werden müssen. Ihre eigentliche Stärke liegt überall dort, wo Anpassungsfähigkeit, Kontextverständnis und Urteilsvermögen gefragt sind – nicht nur eine einzelne Vorhersage.
Weniger geeignet ist Agentic AI dagegen für einfache, deterministische Workflows. Dazu zählen beispielsweise die Anforderung eines Polizeiberichts oder reine Scoring-Aufgaben, bei denen traditionelles ML günstiger und präziser ist.
Entscheidend ist außerdem, dass Versicherer agentische Modelle mit domänenspezifischen Kontrollmechanismen, einem expliziten „I don’t know“-Fallback – also der Möglichkeit, nicht einfach eine Antwort oder Handlung zu erfinden – und Human-in-the-Loop-Prüfungen kombinieren. Nur so lassen sich Halluzinationen vermeiden und Zuverlässigkeit sicherstellen.
Shift versteht Agentic AI als leistungsstarke Form der Automatisierung, die schlussfolgern, mehrstufige Aktionen ausführen und unstrukturierte wie externe Daten zusammenführen kann. Gleichzeitig wissen wir, dass KI – insbesondere in der Versicherungsbranche – keine Lösung nach dem Prinzip „one size fits all“ ist. Entscheidend ist, die richtige KI auf die richtigen Versicherungsprobleme anzuwenden.
Unser Ansatz ist darauf ausgelegt, Versicherern die Einführung von Agentic AI so einfach wie möglich zu machen: Wir integrieren speziell entwickelte Agenten direkt in Shift Claims, sodass Versicherer sie nicht selbst entwickeln müssen. Generative beziehungsweise agentische Modelle werden mit klassischem ML für das Scoring kombiniert und durch eine versicherungsspezifische Zuverlässigkeitsschicht ergänzt, die Halluzinationen verhindert. Diese Schicht erzwingt Prüfmechanismen, ermöglicht einen expliziten „I don’t know“-Fallback und schafft Human-in-the-Loop-Exit-Ramps. Wir setzen Agenten gezielt dort ein, wo Schadenfälle komplex und variabel sind – etwa in der Triage und bei anspruchsvollen Schadenbearbeitungen –, nicht jedoch bei einfachen deterministischen Aufgaben. Gleichzeitig verbessern wir die Modelle kontinuierlich anhand von Feedback, um Sicherheit und Genauigkeit weiter zu erhöhen.
Agentic AI in Shift Claims eignet sich besonders gut für die Transformation von Schadenprozessen, weil sie mit der Komplexität und Variabilität realer Schadenfälle umgehen kann. Sie kann unstrukturierte Daten wie Notizen, Dokumente, E-Mails sowie Fotos und Bilder aufnehmen und analysieren. Außerdem kann sie aktuelle Schadenfälle mit historischen Ergebnissen vergleichen, mehrstufige Aktionen oder Anweisungen ausführen und anschließend den präzisen nächsten Schritt inklusive Timing und Dringlichkeit empfehlen. Das macht sie besonders wertvoll für Triage, Case Management und komplexe Schadenfälle, bei denen maßgeschneiderte Entscheidungen zu spürbaren Einsparungen führen können.
Das Ergebnis von Agentic AI in Shift Claims sind wirksamere und konsistentere Entscheidungen, schnellere Durchlaufzeiten und messbare Schadenreduktion – bei gleichzeitigem Erhalt der entscheidenden menschlichen Kontrolle.