Von der Pilotphase zum produktiven Einsatz: Ein Leitfaden für IT-Führungskräfte zu Agentic AI

Einleitung: Die strategische Entscheidung zwischen Eigenentwicklung und Plattformlösung 

Jeder Versicherer mit einer leistungsfähigen IT- und Engineering-Organisation steht derzeit vor einer zentralen strategischen Frage: Warum in eine spezialisierte Plattform investieren, wenn sich Agentic AI scheinbar auch auf Basis allgemeiner Foundation Models selbst entwickeln lässt?

Die Attraktivität der Eigenentwicklung ist nachvollziehbar. Moderne Large Language Models (LLMs) überzeugen durch ihre Fähigkeit, Informationen zu analysieren, Zusammenhänge zu erkennen und Inhalte zu generieren. Doch genau an der Stelle, an der aus einer erfolgreichen Demonstration ein produktiver, skalierbarer und revisionssicherer Betrieb werden soll, geraten viele interne Initiativen ins Stocken.

Für IT-Verantwortliche besteht die Herausforderung nicht allein in der technologischen Umsetzung. Entscheidend sind die oft unterschätzten Auswirkungen regulatorischer Anforderungen auf den produktiven Einsatz, die Integration in gewachsene Systemlandschaften sowie die sogenannte „PoC-Falle“, in der viele KI-Initiativen (Holland, CIOdive, 2026) verharren, ohne jemals einen messbaren Geschäftswert zu erzielen.

Bis heute hat weniger als die Hälfte der Versicherungsunternehmen KI erfolgreich in einer operativen Kernfunktion etabliert. Eine durchgängige Automatisierung komplexer Prozesse bleibt die Ausnahme. Dieses Whitepaper beleuchtet die zentralen Herausforderungen auf der IT-Agenda 2026 und zeigt auf, warum eine branchenspezifische Architektur der entscheidende Faktor für nachhaltige Wertschöpfung und messbare Ergebnisbeiträge ist.

Die fünf zentralen Herausforderungen für den produktiven Einsatz von KI 

1. Regulatorische Anforderungen und Governance (EU AI Act & BaFin) 

• Das Risiko: Allgemeine LLMs sind nicht deterministisch und nur eingeschränkt transparent (meist „Black-Box“). Sie können in der Regel nicht revisionssicher dokumentieren, warum eine Schadenleistung abgelehnt oder eine Risikobewertung zu einer Police auf eine bestimmte Weise vorgenommen wurde.
• Die Anforderung: Versicherer benötigen Architekturen, die vollständige Nachvollziehbarkeit gewährleisten und die Entscheidungshoheit des Menschen an allen relevanten Entscheidungspunkten sicherstellen (Human-in-the-loop). Aufsichtsbehörden und interne Revisionen erwarten belastbare Audit-Trails. Die Aussage „das Modell hat es entschieden“ genügt künftig nicht mehr.

2. Die Integrationslücke zwischen moderner KI und Bestandssystemen 

• Die Herausforderung: Die Integration von Agenten in Bestandsführungs-, Schaden- und Abrechnungssysteme ohne Beeinträchtigung von Stabilität, Datenschutz und Informationssicherheit ist technisch anspruchsvoll und ressourcenintensiv.
• Die Realität: Viele Organisationen unterschätzen den Aufwand für Datenaufbereitung, Datenorchestrierung und Prozessintegration. Entsprechend gelingt es bislang nur knapp 7 % der Versicherer, KI-Initiativen unternehmensweit produktiv zu skalieren. (DeMarco, 2026)

3. Der Nachweis des geschäftlichen Nutzens und des Return on Investment 

Über 80 % der Versicherer investieren jährlich mindestens 5 Millionen US-Dollar in KI-Technologien. Dennoch fällt es vielen Organisationen schwer, den wirtschaftlichen Nutzen dieser Investitionen eindeutig nachzuweisen. (Evans, 2026)

• Die Hürde: Nur 19 % der Führungskräfte geben an, den KI-ROI vollständig nachvollziehen zu können. Viele andere Projekte verbleiben in einer Pilotphase, weil geeignete versicherungsspezifische Leistungskennzahlen fehlen, um den tatsächlichen Mehrwert transparent zu belegen. (Evans, 2026)
• Die Erwartung: IT-Verantwortliche müssen innerhalb überschaubarer Zeiträume (meist 12 Monate) einen klaren Beitrag zu zentralen Unternehmenskennzahlen aufzeigen – beispielsweise durch niedrigere Schadenquoten, reduzierte Betriebskosten oder höhere Produktivität. Andernfalls wächst der Druck, auf vermeintlich schnell verfügbare Standardlösungen auszuweichen.

4. Verantwortung und Fachkräftemangel 

Wenn ein Agent beispielsweise einen medizinischen Behandlungsplan fehlerhaft kalkuliert oder ein relevantes Betrugssignal übersieht, stellt sich unmittelbar die Frage nach Verantwortung und Haftung.

• Der Fachkräftemangel: 46 % der Führungskräfte identifizieren Qualifikationslücken als ihr größtes Hindernis (Ellingrud, 2025). Versicherer konkurrieren nicht nur mit anderen Versicherern, sondern mit der gesamten Tech-Branche und Start-ups um die wenigen KI-Talente, die auch Versicherungsprozesse verstehen.
• Die Verantwortung: Anbieter von Foundation Models übernehmen in der Regel keine Verantwortung für die Ergebnisse ihrer Modelle. Wer KI-Lösungen vollständig selbst entwickelt, trägt letztlich auch die alleinige Verantwortung für deren Ergebnisse, Dokumentation und Verteidigung gegenüber Aufsicht, Revision und Kunden. Gerade nach einem Modell-Update kann dies bei unzureichender Kontrolle technisch nahezu unmöglich werden.

5. Model Drift und technologische Abhängigkeiten 

Versicherungsprozesse benötigen Stabilität und Vorhersagbarkeit. Veränderungen im Verhalten eines Modells können erhebliche Auswirkungen auf operative Abläufe haben.

• Das Risiko: Ein Betrugserkennungs-Agent, der sich nach einem Modell-Update anders verhält, kann Prozesse beeinträchtigen, Ergebnisse verfälschen und zusätzliche Prüfaufwände verursachen.
• Die Anforderung: Zukunftsfähige Architekturen müssen modellagnostisch aufgebaut sein. Versicherer benötigen die Flexibilität, unterschiedliche LLMs einzusetzen oder auszutauschen, ohne bestehende Geschäftsprozesse, Governance-Strukturen oder Human-in-the-loop-Kontrollen neu entwickeln zu müssen.

Spezialisierte Agenten: Von der Interaktion zur Automatisierung 

Agentic AI entfaltet ihren Nutzen erst dann vollständig, wenn sie auf die Anforderungen und die spezifische Komplexität der Versicherungswirtschaft ausgerichtet ist.

1. Agenten für Deckung und Haftung: Analysieren Deckungssituationen und Schadeninformationen, priorisieren die nächsten Handlungsschritte und unterstützen bei belastbaren Haftungseinschätzungen.
2. Regress-Agenten: Identifizieren Regresspotenziale innerhalb weniger Minuten, erstellen erste Regressunterlagen und unterstützen die weitere Anspruchsdurchsetzung.
3. Personenschaden-Agenten: Bewerten medizinische und leistungsbezogene Dokumentationen, unterstützen bei der dynamischen Steuerung des Fallverlaufs und bei konsistenten Entscheidungen.
4. Betrugs- und Risiko-Agenten: Erkennen Auffälligkeiten in Schäden, Dokumenten und Policen, unterstützen Untersuchungen und beschleunigen die Fallbearbeitung.

VEigenentwicklung und spezialisierte Agentic-AI-Lösung im Vergleich  

Wettbewerbsrealität: Kennzahlen 

„Die entscheidende Frage lautet nicht, ob Ihr Team eine solche Lösung entwickeln könnte. Wahrscheinlich kann es das. Die entscheidende Frage ist vielmehr, zu welchen Kosten, in welchem Zeitraum und mit welchen Opportunitätskosten dies verbunden wäre?”

• 6,1-fach höherer Shareholder Return: Versicherer mit einer führenden KI-Strategie erzielen deutlich höhere Wertsteigerungen als Nachzügler. (McKinsey, 2025)
• 98 %: Kundenbindungsrate von Shift; über 120 Kunden weltweit bereits im Produktivbetrieb
• 10 Jahre Versicherungsexpertise: Ein Jahrzehnt kontinuierlicher Entwicklung versicherungsspezifischer KI und tiefgreifender Kenntnis komplexer Ausnahmefälle, die sich nicht durch einen generischen Prompt abbilden lassen.

Fazit: Der Weg ins Jahr 2027 

Der Abstand zwischen KI-Vorreitern und Nachzüglern wird zunehmend zu einem Wettbewerbsfaktor. Versicherer, die Agentic AI erfolgreich vom Pilotprojekt in den produktiven Betrieb überführen, werden die Entwicklung von Geschwindigkeit und Effizienz in der Branche mitprägen.

Der eigentliche Wert von Agentic AI liegt nicht allein im zugrunde liegenden Modell. Entscheidend sind die versicherungsspezifischen Daten, die fachliche Expertise und die regulatorische Reife, die einen produktiven Einsatz überhaupt ermöglichen.

Shift stellt diese branchenspezifische Architektur bereit und ermöglicht es IT-Organisationen, sich auf die erfolgreiche Umsetzung ihrer strategischen Ziele zu konzentrieren, anstatt grundlegende Technologien selbst entwickeln zu müssen.

Möchten Sie erfahren, wie eine produktionsreife Agentic-AI-Architektur Ihre Kernprozesse unterstützen kann? Kontaktieren Sie uns und sprechen Sie mit unseren Experten.