Eine gewerbliche Versicherungs-Submission ist ein Broker-E-Mail-Thread. Angehängt: ACORD-Formulare, Loss Runs, Statements of Values, Spreadsheets, manchmal Fotos der Immobilie. Sie kann unvollständig sein, über mehrere Broker doppelt eingehen oder komplett außerhalb des Appetite des Versicherers liegen. Bevor irgendein Underwriting-Urteil fällt, muss jemand all das lesen, entscheiden, ob der Account die Mühe wert ist, und die Fakten in eine Form bringen, mit der Rating und Pricing arbeiten können.
Genau an diesem Front-End landet KI im gewerblichen Underwriting tatsächlich. Das Produktionsmuster 2026 ist kein autonomes Quoting. Es ist ein Human-in-the-Loop-Copilot, der Broker-Submissions in strukturierte Risikodaten umwandelt, sie gegen den Appetite des Versicherers rankt und ein Underwriter-fertiges Paket vorbereitet. Die Urteilsschicht, also Appetite-Ausnahmen, Pricing, Konditionen, Wording und Zeichnungsvollmacht, bleibt bei Menschen. Was sich ändert, ist, wie viel des Tages darauf verwendet wird, überhaupt den Punkt zu erreichen, an dem das Urteil beginnen kann.
Vom Posteingang zum strukturierten Submission-Objekt
Zuerst kommt die Ingestion: Broker-E-Mails, ACORDs, Anhänge, Loss Runs, Statements of Values und Bilder aus jedem Eingangskanal, zusammengeführt und in einen einzigen Submission-Datensatz normalisiert. Die unglamouröse Arbeit dabei ist die Identität. Um welchen Account handelt es sich, ist diese E-Mail ein Update zu einer bestehenden Submission oder eine neue, und ist dasselbe Risiko bereits über einen anderen Broker eingegangen. Duplikaterkennung beim Intake spart mehr Underwriter-Zeit als die meisten Extraktionsfeatures.
Die Extraktion wandelt die Dokumente anschließend in das um, was sich treffend als strukturiertes Submission-Objekt bezeichnen lässt: Versicherungsnehmer, Class Code, Limits, Selbstbehalte, Standorte, Exposure-Einheiten, Schadendaten und Schadenhistorie, Gebäudemerkmale sowie Vollständigkeitsindikatoren. OCR liefert die Zeichen. Die schwierigere Arbeit ist die Interpretation, etwa einen Loss Run zu lesen, dessen Layout je nach TPA variiert, oder ein Statement of Values abzugleichen, dessen Summen dem Standortverzeichnis widersprechen.
Zwischen der Extraktion und allem Nachgelagerten sitzt eine Validierungsschicht. Sie prüft die Vollständigkeit gegen die Anforderungen der jeweiligen Sparte, markiert interne Widersprüche und vergleicht den extrahierten Datensatz mit Vorjahresdaten und externer Anreicherung. Eine Submission, die die Validierung nicht besteht, erzeugt eine konkrete Liste fehlender Unterlagen, und diese Liste wird zum Entwurf der Broker-Rückfrage statt zu einer weiteren Aufgabe auf dem Tisch des Underwriters.
Triage und Appetite sind Ranking-Probleme
Die Triage ist das erste ökonomische Gate. Das System klassifiziert jede Submission als vollständig, unvollständig, dupliziert, außerhalb des Appetite oder prüfbedürftig und routet sie entsprechend. Die Ökonomie ist unmissverständlich: Eine saubere frühe Ablehnung eines Risikos außerhalb der Zielsegmente kostet fast nichts, während jede unsortierte Submission, die einen Underwriter erreicht, unabhängig von ihrer Qualität Aufmerksamkeit verbraucht. Versicherer verlieren selten Geld an den Risiken, die sie schnell ablehnen; sie verlieren es an den guten Accounts, die in einer Queue hinter schlechten veralten.
Appetite-Matching übersetzt dieselben extrahierten Attribute in eine Reihenfolge der Queue. Die Submission wird gegen Klasse, Geografie, Größe, Schadenprofil und Sparte gescort, auf Basis von Zeichnungsrichtlinien, historischen Bind-Daten und Portfoliorestriktionen, und das Ergebnis ist ein Appetite- oder Fit-Score, der entscheidet, was zuerst bearbeitet wird. Der portfoliobewusste Teil ist wesentlich. Ein Risiko kann den Richtlinien entsprechen und trotzdem unerwünscht sein, weil das Buch in dieser Klasse und Region bereits konzentriert ist, und ein Score, der das aktuelle Portfolio ignoriert, füttert die Konzentration immer weiter.
Der Wert zeigt sich in der Workbench
Extraktion und Scoring zahlen sich nur aus, wenn der Underwriter sie an einem Ort sieht. Das Workbench-Muster stellt die strukturierte Submission neben ihre Quelldokumente, ergänzt um eine Risikozusammenfassung, externe Anreicherung, die Liste fehlender Unterlagen, vorgeschlagene Fragen an den Broker und einen Entwurf der Begründung für die Quote-, Ablehnungs- oder Hold-Entscheidung. Der Underwriter verifiziert das Paket gegen die Dokumente, statt es selbst zusammenzustellen, und die entworfene Begründung wird zur Dokumentation der Entscheidung statt zu einer später rekonstruierten E-Mail.
Der berichtete Rollout bei AIG ist eine nützliche Referenz für das Betriebsmodell: eine KI-gestützte Schicht, die Submissions liest, Rückfragen stellt und narrativen Kontext für erfahrene Underwriter aufbereitet, ausgerollt über die gewerblichen Sparten einschließlich des E&S- und Rückversicherungsgeschäfts bis durch 2026. Das Muster ist Entscheidungsunterstützung für erfahrene Underwriter, kein paralleler automatisierter Underwriter.
Beim Tempo sind die Richtungsaussagen aggressiv: Submission-to-Quote komprimiert von Tagen auf Minuten für Routinegeschäft, wobei eine Marktübersicht Entscheidungszeiten für Standardpolicen von 3 bis 5 Tagen auf rund 12,4 Minuten fallen sieht und Anbieter Extraktionsgenauigkeiten im Bereich von 92 bis 97 Prozent berichten. Die konkreten Zahlen sind mit Anbieterfärbung zu lesen. Der konsistente Befund für komplexe gewerbliche Platzierungen ist schnellere Triage und bessere Priorisierung, keine Sofort-Quotes.
Intake-KI im Produktivbetrieb
Die Engineering-Realität besteht überwiegend aus Messung und Provenienz. Extraktionsgenauigkeit ist eine Zahl pro Feld und pro Dokumenttyp, und die Genauigkeit, auf die es ankommt, betrifft bind-kritische Felder: Limits, Selbstbehalte, Class Codes, Schadenhistorie. Diese brauchen Konfidenzschwellen, unterhalb derer eine Person den Wert prüft, bevor er ins Rating einfließt. Jedes Feld im Submission-Objekt sollte einen Verweis auf die Quellseite tragen, aus der es stammt, denn spätestens wenn die erste strittige Quote auf einen falsch gelesenen Loss Run zurückgeführt wird, ist Provenienz nicht mehr optional.
Mit Drift ist zu rechnen. Broker-Dokumentformate ändern sich, TPAs gestalten Loss Runs neu, und ein Extraktionsmodell, das beim Start genau war, verschlechtert sich leise. Ein kleines gelabeltes Evaluationsset pro Dokumenttyp, nach Plan wiederholt ausgeführt, fängt den Verfall ab, bevor die Queue es tut. Das Appetite-Modell verdient dasselbe Misstrauen: Rein auf historischen Bind-Daten trainiert, reproduziert es das Buch von gestern, daher muss der gelernte Score neben expliziten, editierbaren Appetite-Regeln stehen, die die aktuelle Strategie ausdrücken, und beide bleiben sichtbar getrennt.
Der Anbietermarkt teilt sich in drei Schichten: Ingestion und Dokumentenverarbeitung, Appetite und Decisioning sowie Workbench-Orchestrierung. Die meisten Versicherer werden mindestens eine Schicht kaufen statt sie zu bauen. Unabhängig vom Mix bleiben die operativen Tests dieselben: Felder, die auf Quellen zurückführbar sind, Queues, die sich tatsächlich leeren, Broker-Rückfragen, die noch am selben Tag hinausgehen, und ein Audit Trail, der jede Routing-Entscheidung erklärt. Der Intake ist der günstigste Ort im Underwriting, um KI einzusetzen, und der teuerste Ort für stille Fehler.
Häufige Fragen
Wo sollte ein Versicherer ansetzen, wenn die Underwriter in Submissions ertrinken?
Mit der Triage, nicht mit der Extraktionstiefe. Submissions als vollständig, unvollständig, dupliziert oder außerhalb des Appetite zu klassifizieren erfordert weit weniger extrahierte Felder als die vollständige Digitalisierung des Risikos, und es beseitigt sofort den größten Block verschwendeter Underwriter-Zeit. Sobald die Queue geordnet ist und Risiken außerhalb der Zielsegmente früh abgelehnt werden, haben tiefere Extraktion und Appetite-Scoring eine saubere Pipeline, auf der sie aufsetzen können.
Wie genau muss die Extraktion sein, bevor Underwriter ihr vertrauen?
Genauigkeit ist eine Frage pro Feld und pro Dokumenttyp, eine einzelne Gesamtkennzahl sagt daher wenig. Bind-kritische Felder wie Limits, Selbstbehalte, Class Codes und Schadenhistorie brauchen eine Konfidenzschwelle, unterhalb derer eine Person den Wert prüft, bevor er ins Rating einfließt. Underwriter vertrauen dem System, wenn jedes Feld auf die Quellseite verweist, aus der es stammt, und die Werte mit niedriger Konfidenz sichtbar markiert ankommen statt stillschweigend befüllt.
Besteht beim Appetite-Scoring das Risiko, das Portfolio von gestern festzuschreiben?
Ja. Wird der Score rein auf historischen Bind-Daten trainiert, reproduziert er das Buch, das bereits existiert, einschließlich seiner Konzentrationen. Die Lösung sind explizite, editierbare Appetite-Regeln, die die aktuelle Strategie neben dem gelernten Score abbilden, und beide werden dem Underwriter getrennt angezeigt. Ändert sich die Strategie, ziehen die Regeln sofort nach, und das Modell folgt beim Retraining.