Darren Aitchison
Principal AI & Data Consultant
Wie schnell können Ihre Underwriting-Teams eine Anfrage von Versicherungsmaklern für vermögende Privatkund:innen bearbeiten? Wie viel Zeit verlieren sie dabei, fehlende oder unvollständige Unterlagen einzuholen? In einem Markt, in dem Makler eine zentrale Rolle spielen, sind das nicht nur operative Fragen. Die Antworten können auch über Ihre Wettbewerbsfähigkeit entscheiden. Deshalb setzen immer mehr Versicherer auf künstliche Intelligenz (KI).
Viele Empfehlungen zum KI-Einsatz in der Versicherungsbranche haben allerdings einen Haken: Sie setzen große Datenmengen voraus. Das ist durchaus nachvollziehbar. Schließlich sind viele der ersten KI-Anwendungsfälle dort entstanden, wo Unternehmen anhand umfangreicher Datenbestände Muster aus Millionen von Interaktionen erkennen konnten.
Entsprechend konzentrieren sich gängige KI-Strategien häufig auf prädiktive KI: Sie erkennt Muster in Millionen vergleichbarer Interaktionen, segmentiert Kundengruppen, prognostiziert Verhalten und ermöglicht eine präzisere Risikobewertung. Im klassischen Versicherungsgeschäft bietet das großes Potenzial. Auf das High-Net-Worth-Segment (HNW), also die Versicherung großer Privatvermögen, lässt sich dieser Ansatz jedoch nur bedingt übertragen.
Denn im HNW-Geschäft entsteht der Wettbewerbsvorteil nicht unbedingt dadurch, dass KI Muster in riesigen Datenbeständen erkennt. Entscheidend ist vielmehr, dass Verantwortliche eine vergleichsweise kleine Zahl hochkomplexer Einzelfälle verstehen, Informationen intelligent verknüpfen und die Bearbeitung effizient koordinieren. Das erfordert einen grundlegend anderen Ansatz.
Gerade jetzt kommt es darauf an, die richtigen Weichen zu stellen. Besonders deutlich zeigt sich das im asiatisch-pazifischen Raum: Dort wuchs das Vermögen von High-Net-Worth Individuals 2025 mit 10,5 % weltweit am stärksten. Im Ultra-High-Net-Worth-Segment betrug das Wachstum 9,7 %. Versicherer reagieren auf diese Entwicklung und bauen ihr Angebot für vermögende Privatkund:innen aus. So führte Great Eastern Anfang 2026 das Angebot Great Eastern Private ein. Im Juni 2026 startete AXA Global Private in Hongkong, gefolgt von der Private-Wealth-Plattform von Sun Life im Juli.
Mit diesem Wachstum steigt allerdings auch der operative Druck: Die bestehenden Underwriting-Teams müssen immer mehr komplexe Versicherungsfälle bearbeiten. Wie können Versicherer ihre Organisation und ihre Systeme darauf vorbereiten? Genau das zeigen wir Ihnen nachfolgend.
Was unterscheidet die High-Net-Worth-Versicherung vom klassischen Versicherungsgeschäft?
Vier Besonderheiten unterscheiden das HNW-Segment vom klassischen Versicherungsgeschäft. Jede davon stellt eigene Anforderungen an Ihre KI-Strategie.
- Deutlich geringere Datenmengen. Modelle zur Vorhersage von Kundenverhalten, Kundensegmentierung und Preisgestaltung profitieren in der Regel von großen Datenbeständen. Ein HNW-Versicherungsportfolio umfasst jedoch möglicherweise nur einige Tausend statt Millionen Policen. Auch synthetische Daten lösen dieses Problem nicht. Denn es fehlen nicht einfach nur Daten: Jeder Versicherungsfall ist individuell gestaltet. Deshalb gibt es keine verlässlichen Muster, die sich künstlich nachbilden ließen. Prädiktive KI und klassisches maschinelles Lernen können durchaus einen Beitrag leisten, allerdings in deutlich engeren Grenzen, als gängige KI-Strategien für die Versicherungsbranche vermuten lassen.
- Hohe Komplexität der Einzelfälle. Ein einziger HNW-Versicherungsfall kann komplexe Eigentumsstrukturen, Trusts und Unternehmensbeteiligungen, medizinische Informationen, Vermögensnachweise, Korrespondenz mit Berater:innen, länderübergreifende regulatorische Anforderungen, Begünstigtenverhältnisse und individuell ausgehandelte Vertragsbedingungen umfassen. Die entscheidenden Informationen liegen häufig verstreut vor, hängen stark vom jeweiligen Kontext ab und lassen sich mit herkömmlichen Systemen nur schwer auswerten.
- Keine standardisierten Produkte. Im HNW-Geschäft richten sich Versicherungsleistungen nach den individuellen Anforderungen einer Person, einer Holdinggesellschaft, eines Trusts oder einer Familie. Klassische Empfehlungssysteme benötigen jedoch standardisierte Produkte und Vergleichskriterien, um passende Angebote vorzuschlagen.
- Kein vollständiger Zugang zur Kundenbeziehung. Zwischen Versicherer und Kundschaft stehen in der Regel Versicherungsmakler. Als Versicherer verfügen Sie zwar über die Vertragsdaten, nicht aber über sämtliche Informationen zum Kundenverhalten oder zur Kundenbeziehung. Die ganzheitliche Kundensicht, auf der viele KI-Strategien in der Versicherungsbranche aufbauen, bleibt deshalb nicht nur lückenhaft. Sie lässt sich unter diesen Voraussetzungen gar nicht vollständig herstellen.
Zusammengenommen zeigen diese vier Besonderheiten, warum sich KI-Strategien im HNW-Geschäft weniger auf die Vorhersage von Mustern anhand großer Datenmengen konzentrieren sollten. Entscheidend für den Wettbewerbsvorteil ist vielmehr die Fähigkeit, hochkomplexe Einzelfälle zu verstehen, relevante Informationen zusammenzuführen und die Bearbeitung intelligent zu steuern.
Warum sollten Versicherer im Private-Wealth-Segment auf generative und agentenbasierte KI setzen?
Blicken wir noch einmal zurück auf die Eingangsfrage: Wie schnell können Ihre Underwriting-Teams eine Anfrage von Versicherungsmaklern bearbeiten?
Allerdings reicht eine höhere Bearbeitungsgeschwindigkeit allein nicht aus, um den wirtschaftlichen Nutzen von KI zu belegen. Unsere eigene Analyse zeigt: In vielen Unternehmen führen KI-gestützte Produktivitätssteigerungen weder zu höheren Umsätzen oder Margen noch zu einer Verringerung von Risiken. Die eingesparte Zeit bleibt auf einzelne Arbeitsschritte beschränkt, statt die Wirtschaftlichkeit ganzer Prozesse zu verbessern.
In der High-Net-Worth-Versicherung kann KI dagegen tatsächlich einen messbaren wirtschaftlichen Unterschied machen. Denn in einem maklergeprägten Markt ist die Reaktionsgeschwindigkeit ein wesentlicher Bestandteil des Leistungsversprechens. Schnellere Bearbeitungszeiten senken daher nicht nur die Kosten im Underwriting. Sie können auch darüber entscheiden, ob ein Versicherer einen Auftrag gewinnt oder dieser an die Konkurrenz geht.
Hinzu kommt, dass sich die vorhandenen Informationen besonders gut für generative und agentenbasierte KI eignen. Versicherungsanfragen erreichen Ihre Teams in Form von E-Mails, Anhängen, Dokumenten und Gesprächsnotizen. Dazu gehören Vermögensnachweise, medizinische Unterlagen, die Korrespondenz mit Berater:innen sowie Rückfragen und deren Beantwortung.
All diese Informationen liegen überwiegend unstrukturiert vor. Genau hier spielt generative KI ihre Stärken aus: Sie kann Inhalte zusammenfassen und fehlende Angaben identifizieren, bevor Mitarbeitende selbst danach suchen müssen. Agentenbasierte KI geht noch einen Schritt weiter. Sie kann beispielsweise fehlende Dokumente anfordern oder entsprechende Rückfragen vorbereiten.
Dass dieser Ansatz funktioniert, haben wir bereits in anderen Bereichen der Versicherungsbranche gezeigt. Gemeinsam mit der europäischen Versicherungsgruppe UNIQA haben wir einen KI-Assistenten entwickelt, der rund 75 interne Dokumente zu Versicherungsleistungen und Tarifbedingungen durchsucht. Damit konnten die Mitarbeitenden ihren Zeitaufwand für die Informationssuche halbieren. Gleichzeitig erreichte der Assistent eine Antwortgenauigkeit von 95 %.
Das ist keine Einschränkung, die es zu umgehen gilt, sondern ein grundlegendes Gestaltungsprinzip. Deshalb benötigen agentenbasierte Systeme klare Leitplanken. Dazu gehören beispielsweise genau definierte Handlungsspielräume, die ausdrückliche Bestätigung kritischer Schritte durch Menschen und eine lückenlose Dokumentation sämtlicher Systemaktivitäten.
Dieser Ansatz entspricht auch den Erwartungen vermögender Kund:innen. HSBC befragte knapp 10.000 wohlhabende und vermögende Anleger:innen in zehn Märkten, darunter Hongkong und Singapur. 73 % nutzen KI für finanzielle Aufgaben. Allerdings gaben nur 12 % an, dass KI den größten Einfluss auf ihre letzte Anlageentscheidung hatte. Menschliche Finanzexpert:innen hatten dagegen dreimal so häufig den größten Einfluss auf die Entscheidung.
Warum KI-Governance von Anfang an dazugehören muss
Bei all diesen Möglichkeiten dürfen Versicherer eine grundlegende Anforderung nicht aus den Augen verlieren: Underwriting unterliegt regulatorischen Vorgaben. Deshalb geht es nicht nur darum, was die Technologie leisten kann. Ebenso wichtig ist, welche Entscheidungen und Abläufe Sie nachvollziehbar belegen können.
Welche Nachweise künftig erforderlich sein werden, steht allerdings noch nicht überall fest. Weltweit entwickeln sich die regulatorischen Rahmenbedingungen mit unterschiedlicher Geschwindigkeit. Die EU hat die Frist für die Umsetzung der Anforderungen an Hochrisiko-KI auf Dezember 2027 verschoben. Singapur hat ein Konsultationsverfahren durchgeführt, bislang aber noch keine entsprechende Regulierung veröffentlicht. Hongkong wiederum erprobt generative KI in einer regulatorischen Sandbox. Spezifische Leitlinien für die Versicherungsbranche stehen dort noch aus.
Kurz gesagt: Wie die verschiedenen Länder den Einsatz von KI künftig regulieren werden, ist weiterhin mit erheblichen Unsicherheiten verbunden.
Wenn Sie Ihre KI-Systeme ausschließlich an den Anforderungen derjenigen Aufsichtsbehörde ausrichten, die aktuell die geringsten Vorgaben macht, müssen Sie später möglicherweise umfangreich nachbessern. Im HNW-Geschäft kann das bedeuten, dass Sie einen Service wieder einstellen müssen, den Sie Ihren Kund:innen zuvor als sicher angeboten haben.
Hinzu kommt eine weitere Besonderheit: Ihr Geschäftsmodell beruht darauf, dass Kund:innen Ihnen bei der Übertragung ihres Vermögens auf die nächste Generation vertrauen.
Eine regulatorische Geldbuße mag ein Unternehmen verkraften können. Wenn Kund:innen jedoch den Eindruck gewinnen, dass ein automatisiertes System ihre Wünsche zur Vermögensnachfolge nicht mit der gebotenen Sorgfalt berücksichtigt hat, kann das Vertrauen dauerhaft verloren gehen.
Damit bekommt die Nachvollziehbarkeit von KI-Entscheidungen eine ganz neue Bedeutung.
Es reicht nicht mehr aus, für Aufsichtsbehörden dokumentieren zu können, welche Entscheidungen ein KI-Modell getroffen hat und welche ein Mensch. Versicherer müssen diese Abläufe bei Bedarf auch gegenüber ihren Kund:innen transparent darlegen können.
Genau deshalb lohnt es sich, Governance von Anfang an in die Entwicklung und Implementierung von KI-Systemen einzubeziehen. So schaffen Sie eine Grundlage, die sich mit Ihrem Geschäft skalieren lässt, statt später aufwendig Kontrollmechanismen nachrüsten zu müssen.
Wie gelingt der Einstieg in KI im High-Net-Worth-Geschäft?
Für den Einsatz von KI in der Versicherung großer Privatvermögen gibt es keinen universellen Fahrplan. Welche Strategie für Ihr Unternehmen die richtige ist, hängt von verschiedenen Faktoren ab: Ihrem Geschäftsmodell und Ihren operativen Prozessen, den tatsächlich verfügbaren Daten, den Menschen, die mit den Systemen arbeiten sollen, und den regulatorischen Anforderungen, die Sie erfüllen müssen.
Welche Lösung Sie auch entwickeln: Sie muss sich gleich doppelt bewähren. Gegenüber Aufsichtsbehörden, die den regulatorischen Rahmen noch gestalten, und gegenüber Kund:innen, die Ihnen die Verantwortung für die Vermögensübertragung auf die nächste Generation anvertrauen.
Sie möchten herausfinden, welche Rolle KI in Ihrem High-Net-Worth-Geschäft spielen kann? Wir unterstützen Sie gerne dabei.
Wir begleiten Versicherer beim Datenmanagement, bei der Implementierung von KI und beim Aufbau wirksamer Governance-Strukturen. Ebenso unterstützen wir sie beim Change Management. Denn letztlich entscheidet die erfolgreiche Verankerung neuer Technologien im Arbeitsalltag darüber, ob diese ihren Nutzen tatsächlich entfalten.
Oft ist der sinnvollste erste Schritt eine ehrliche Bestandsaufnahme: Wo steht Ihr Unternehmen heute? Erst wenn diese Frage geklärt ist, lohnt es sich, über die nächsten technologischen Lösungen zu entscheiden.
