+150 XP

ROI jenseits von Verbesserungen der Schadenquote messen

# ROI jenseits von Verbesserungen der Schadenquote messen

Ein mittelgroßer Gewerbeversicherer führte ein Tool zur Dokumentenextraktion ein, um Daten aus Antragsunterlagen zu ziehen: Schadenverläufe, SOVs (Statement of Values), Makler-E-Mails. Sechs Monate später stellte der CFO die naheliegende Frage: „Hat sich die Schadenquote verbessert?" Sie hatte sich nicht bewegt. Das Projekt wurde fast eingestellt.

Das wäre falsch gewesen. Das Tool verkürzte die Bearbeitungszeit eingehender Anträge von vier Tagen auf sechs Stunden und befreite die Underwriter von 15 Stunden manueller Datenerfassung pro Woche. Das ist echter ROI (Return on Investment: der erzeugte Wert im Verhältnis zum Aufwand). Er zeigt sich nur nicht dort, wo der CFO hingeschaut hat.

In dieser Lektion geht es darum, die richtige Stelle zum Hinschauen zu finden.

Warum die Schadenquote die falsche erste Metrik ist

Die Schadenquote (gezahlte Schäden geteilt durch verdiente Prämien) wird von Underwriting-Qualität, Preisgestaltung, Katastrophenexponierung und Claims Leakage getrieben. Dutzende Variablen bewegen sie, die meisten unabhängig davon, ob ein Tool zur Dokumentenextraktion gut funktioniert.

Ein KI-Tool, das Anträge schneller liest, ändert nichts an dem, was passiert, nachdem eine Police gebunden ist. Es ändert, wie die Police zustande kam. Schwankungen der Schadenquote einem Intake-Tool zuzuschreiben, ist wie eine Rechtschreibprüfung für die Logiklücken eines Romans verantwortlich zu machen: die falsche Ebene des Systems.

Dieselbe Logik gilt für Combined Ratio, Bestandserhaltungsquote oder Prämienwachstum. Das sind Ergebnisse vieler menschlicher und marktseitiger Entscheidungen. KI-Tools, die innerhalb eines Workflows sitzen, etwa Extraktions-, Triage- oder Zusammenfassungstools, sollten an dem Workflow gemessen werden, den sie berühren, nicht am Geschäftsergebnis drei Schritte weiter unten.

Die Metriken, die das Tool wirklich abbilden

Für Dokumenten- und Workflow-KI in der Versicherung erfassen vier Metrikfamilien den echten ROI:

Durchlaufzeit. Zeit von Eingang des Antrags bis zur Angebotsstellung. Zeit von FNOL (First Notice of Loss, die erste Schadenmeldung) bis zur Zuweisung im Schadenmanagement. Wenn Extraktion die Datenerfassung automatisiert, sollte die Durchlaufzeit messbar sinken, in Pilotstudien zu strukturierten Dokumentenaufgaben oft um 30 bis 60 %, basierend auf Anbieter- und Branchen-Fallstudien (behandeln Sie von Anbietern gemeldete Zahlen als Richtwerte, nicht als geprüft).

Umgeschichtete Arbeitsstunden. Nicht „gesparte Stunden" im Abstrakten, sondern wohin diese Stunden geflossen sind. Haben Underwriter mehr Zeit für die Risikoselektion verwendet? Haben Schadenregulierer mehr Fälle bearbeitet oder mehr Zeit für komplexe Fälle aufgewendet? Erfassen Sie Stunden nach Aufgabenkategorie vor und nach der Einführung.

Throughput pro FTE (Full-Time Equivalent, Vollzeitäquivalent). Bearbeitete Anträge pro Underwriter und Woche. Abgeschlossene Schadenfälle pro Regulierer und Monat. Das isoliert Produktivität von externen Volumenschwankungen.

Fehler- und Nachbearbeitungsquote. Wie oft muss ein Mensch ein von der KI extrahiertes Feld korrigieren oder eine Triage-Entscheidung neu treffen? Das ist ein direktes Qualitätssignal, anders als die Schadenquote, die nachläuft und Effekte vermischt.

Ein durchgerechnetes Beispiel

Angenommen, ein Versicherer bearbeitet 2.000 Gewerbeanträge pro Monat. Vor dem Tool kostete jeder einen Underwriter 45 Minuten manuelle Datenerfassung, bei Vollkosten von rund 60 $/Stunde (eine plausible Schätzung für die Vollkosten eines US-Underwriters mittlerer Ebene mit Stand 2025, marktabhängig).

  • Manuelle Kosten pro Antrag: 0,75 Stunden × 60 $ = 45 $
  • Monatliche Kosten: 2.000 × 45 $ = 90.000 $

Nach Einführung des Tools sinkt die manuelle Prüfung auf 12 Minuten pro Antrag (Prüfung der extrahierten Felder, nicht deren Eingabe):

  • Neue Kosten pro Antrag: 0,20 Stunden × 60 $ = 12 $
  • Monatliche Kosten: 2.000 × 12 $ = 24.000 $
  • Monatliche Einsparung: 66.000 $

Aufs Jahr gerechnet sind das rund 792.000 $ umgeschichtete Personalkosten, noch ohne die schnellere Angebotsbearbeitung, die sich ihrerseits auf Abschlussquoten bei zeitkritischen Anträgen auswirken kann (ein separater, schwerer zu isolierender Nutzen, den man verfolgen, aber nicht in dieselbe Zahl mischen sollte).

Das ist eine saubere, belastbare ROI-Rechnung. Sie berührt die Schadenquote überhaupt nicht, und das muss sie auch nicht.

Einen Messplan aufbauen, der einer Prüfung standhält

Ein glaubwürdiger ROI-Nachweis für ein KI-Tool braucht eine Baseline, eine Kontrollgruppe und einen Zeithorizont.

Baseline. Messen Sie die Zielmetrik mindestens ein volles Quartal vor der Einführung. Saisonale Effekte (Erneuerungsspitzen, Katastrophensaison im Schadenbereich) verzerren kurze Baselines.

Kontrollgruppe, wo möglich. Wenn zunächst nur einige Underwriting-Teams das Tool erhalten, vergleichen Sie deren Durchlaufzeit im selben Zeitraum mit Teams ohne Tool. Das filtert marktweite Effekte wie einen schwachen Antragsmonat heraus.

Zeithorizont passend zur Metrik. Durchlaufzeit und Fehlerquote zeigen Ergebnisse in Wochen. Vorteile aus der Umschichtung von Personal (Underwriter auf höherwertige Accounts umsetzen) brauchen ein bis zwei Quartale, bis sie im Throughput sichtbar werden. Erklären Sie in Woche sechs keine Metrik für gescheitert, die ein ganzes Quartal braucht.

Eine einfache Tracking-Struktur

metric: submission_cycle_time_hours
segment: commercial_property, mid_market
baseline_period: 2025-Q3
tool_live_date: 2025-11-01
measurement:
  pre_tool_avg_hours: 96
  post_tool_avg_hours: 22
  pct_change: -77%
confounders_checked:
  - submission_volume_change: +4% (not significant)
  - staff_headcount_change: none
  - broker_mix_change: none noted

Störfaktoren explizit zu protokollieren, und sei es informell, unterscheidet eine belastbare ROI-Behauptung von einer Geschichte, die jemand im Steering Committee erzählt.

Was NAIC und Aufsichtsbehörden interessiert, und warum das zusammenhängt

Die National Association of Insurance Commissioners (NAIC), das US-Standardsetzungsgremium für die Versicherungsaufsicht der Bundesstaaten, hat ein Model Bulletin zum Einsatz von KI-Systemen durch Versicherer veröffentlicht (ab 2024 von vielen Bundesstaaten übernommen). Es verlangt von Versicherern, zu dokumentieren, wie KI-Tools gesteuert, getestet und auf Bias überwacht werden, besonders im Underwriting und im Schadenbereich.

Für die ROI-Messung ist das relevant, weil dieselbe Monitoring-Infrastruktur (Protokollierung von Inputs, Outputs, Fehlerquoten, Override-Quoten), die für die regulatorische Compliance nötig ist, genau das ist, was Sie für glaubwürdiges ROI-Tracking brauchen. Versicherer, die eine gute KI-Governance aufbauen, bekommen eine gute ROI-Messung weitgehend gratis dazu. Behandeln Sie beides als ein System, nicht als zwei getrennte Übungen in Compliance und Finance. Der EU AI Act klassifiziert ähnlich viele KI-Anwendungen im Underwriting und in der Preisgestaltung als „hochriskant" und verlangt dokumentiertes Risikomanagement und menschliche Aufsicht, was wiederum den Audit Trail erzeugt, auf dem die ROI-Analyse beruht. Der aktuelle Stand der Übernahme in den Bundesstaaten findet sich im AI Resource Center der NAIC.

Wissenscheck

1. Warum ist die Schadenquote eine schlechte erste Metrik, um ein Tool zur Dokumentenextraktion im Antragseingang zu bewerten?

2. Was ist das zugrunde liegende Prinzip für die Wahl der richtigen Metrik zur Bewertung eines Workflow-KI-Tools?

3. Ein KI-Tool im Schadenbereich beschleunigt die Zeit von FNOL bis zur Zuweisung, aber die Combined Ratio des Unternehmens bleibt sechs Monate später unverändert. Was ist die plausibelste Interpretation?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE richtigen Antworten zu Metriken wie Schadenquote, Combined Ratio und Bestandserhaltungsquote, wie in der Lektion beschrieben.

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE richtigen Antworten zu geeigneten Wegen, den ROI eines Dokumentenextraktions-Tools im Antragseingang zu messen.

Wählen Sie alle richtigen Antworten aus.

Häufige Vermischungsfallen

Falle 1: Der KI marktgetriebenes Prämienwachstum zuschreiben. Wenn die Prämien im selben Jahr um 8 % wuchsen, in dem ein neues KI-Preismodell startete, prüfen Sie, ob eine marktweite Verhärtung der Raten (eine branchenweite Phase steigender Prämien, oft nach hohen Katastrophenschäden) den größten Teil erklärt, bevor Sie es dem Modell zuschreiben.

Falle 2: Der KI eine Verschlechterung der Schadenquote anlasten, die sie nicht verursacht hat. Ein Triage-Tool im Schadenbereich, das die Zuweisung beschleunigt, verursacht keine schlimme Hurrikansaison. Trennen Sie exponierungsgetriebene Schäden von prozessgetriebenen Kosten.

Falle 3: Äpfel und Birnen mitteln. „Gesparte Stunden bei der Datenerfassung" mit „geringeren Betrugsschäden" in einer ROI-Zahl zu kombinieren, verdeckt, welcher Hebel tatsächlich gewirkt hat. Berichten Sie sie als separate Posten.

Falle 4: Die Kostenseite ignorieren. ROI braucht Zähler und Nenner. Rechnen Sie Modelllizenzen, Engineering-Zeit für die Integration, laufendes Monitoring-Personal und Kosten für Retraining mit ein, nicht nur den initialen Aufbau.

🎬 [VIDEO: „How Insurers Are Using AI (and Measuring It)" - youtube.com/results?search_query=insurance+ai+roi+case+study - suchen Sie nach aktuellen Fallstudien-Vorträgen von Insurtech-Konferenzen wie ITC Vegas oder InsurTech Insights, die echte Durchlaufzeit- und Produktivitätsmetriken von Versicherern zeigen]

Die wichtigsten Erkenntnisse

  • Passen Sie die Metrik der Geschäftsebene an, die das KI-Tool tatsächlich berührt. Tools für Dokumentenextraktion und Workflows zeigen ROI in Durchlaufzeit, Fehlerquoten und Arbeitsstunden, nicht in Schadenquote oder Prämienwachstum.
  • Bauen Sie vor der Einführung eine Baseline auf und, wo möglich, eine Kontrollgruppe, damit Sie den Effekt des Tools von saisonalem oder marktseitigem Rauschen trennen können.
  • Durchgerechnete ROI-Kalkulationen (gesparte Stunden × Vollkosten) sind belastbarer als vage Produktivitätsbehauptungen; zeigen Sie die Rechnung.
  • Die vom Model Bulletin der NAIC und den Hochrisiko-Vorschriften des EU AI Act verlangte regulatorische Dokumentation überschneidet sich stark mit einer guten ROI-Tracking-Infrastruktur. Bauen Sie ein System für beides.
  • Berichten Sie einzelne Nutzenarten (Personaleinsparungen, Durchlaufzeit, Betrugserkennung, Fehlerreduktion) als eigenständige Posten, statt sie zu einer gemischten ROI-Zahl zusammenzufassen.