Die Versicherungsbranche investiert viel Geld in Agentic AI. In isolierten Umgebungen erzielen diese hervorragende Ergebnisse – die Integration in produktive Umgebungen scheitert jedoch häufig. Der Grund dafür liegt nicht im Modell, sondern in der Architektur. Ich führe fünf Architekturlücken auf und zeige anhand eines Beispiels, wie es funktionieren kann. Wie kann uns Enterprise-Architektur unterstützen, damit die Agenten vom Test in den Betrieb kommen?
Der Demo-Effekt
Bevor du einen Agenten (eine KI, die selbständig handelt) baust, erstellst du einen Business Case. Ein Proof of Concept soll die technische Machbarkeit zeigen. In der Testumgebung laufen erste Versuche. Die Ergebnisse sind vielversprechend und erste Demos werden dem Management vorgestellt. Die Umsetzung ist beschlossen und schon früh stösst du auf die ersten Hindernisse: Ereignisdaten, die nicht in Echtzeit vorliegen, Subprozesse, auf die gewartet werden muss, oder die fehlende Fähigkeit, überhaupt Prozesse von aussen zu triggern.
Laut dem Anbieter Guidewire pilotieren über 60 % der Schaden- und Unfallversicherer KI, aber weniger als 15 % setzen sie in Kernprozessen ein. Gartner erwartet, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden müssen. Die Gründe dafür: steigende Kosten der KI-Nutzung, unklarer Nutzen aus den Vorhaben und fehlende Risikokontrolle. Die Integration von Agentic AI auf alter IT-Infrastruktur ist eine unterschätzte Herausforderung.
Die fünf Architekturlücken
Die in der Branche genutzten Kernsysteme stehen oft vor diesen Herausforderungen:
1.) Echtzeitdaten: Diese liegen oft nicht vor. Es wird über Batch-Verarbeitung gearbeitet statt über Events. Die Agenten sehen also nur den Stand von gestern.
2.) Schnittstellen: Ohne eine durchgehende API-first-Architektur und Event-Streams kann der Agent nicht mit dem Kernsystem kommunizieren und auch keine Prozesse triggern.
3.) Datenqualität: Silos sowie veraltete oder fehlende Daten führen zu falschen oder ausbleibenden Entscheiden.
4.) Entscheidungslogik: Autonome Entscheidungen sind nicht in allen Bereichen zulässig und wer Entscheidungen nicht nachvollziehen kann, riskiert Haftung. Die EIOPA fordert Erklärbarkeit und Human-in-the-Loop (HITL).
5.) Prozesskontext: Bei längeren Prozessen mit mehreren Agenten gehen Informationen verloren oder werden fehlerhaft weitergegeben.
Allianz Nemo zeigt, wie es geht: klar abgrenzen und klein anfangen
Die Allianz Australien hat mit Nemo in unter 100 Tagen ein System aus sieben Agenten entwickelt. Es prüft Schäden durch Lebensmittelverderb bei Unwettern. Die sieben Agenten: Planner, Cyber, Deckung, Wetter, Betrug, Auszahlung und Audit. Sie prüfen die Deckung, analysieren das Wetter zum Schadenszeitpunkt und bereiten die Auszahlung vor. Der Mensch gibt die Zahlung frei. Ein wichtiger Grund, warum das System in so kurzer Zeit in Betrieb gehen konnte, lag in der engen Abgrenzung des Use Cases.
Neubau des Systems oder Agenten neben dem Kernsystem?
Marktteilnehmer haben hier unterschiedliche Meinungen: Der Anbieter Genpact plädiert für einen Neubau des Systems, Layerup wiederum bevorzugt den Aufbau von Agenten neben den Kernsystemen. Aktuell lässt sich beobachten, dass die Branche den hybriden Weg wählt: Laut der BearingPoint-Studie Kaleidoscope planen oder realisieren 57 % der deutschen Schaden- und Unfallversicherer eine Kernablösung, nur 19 % halten ihr System für stabil. Da solche Programme Jahre dauern, werden die Agenten neben dem Kernsystem aufgebaut und über zusätzliche Schnittstellen angebunden. Parallel dazu wird das alte Kernsystem erneuert. Aus eigener Erfahrung kann ich sagen, dass hybride Ansätze besser verlaufen als ein Big Bang. Um diesen Mittelweg zu meistern, braucht es die Enterprise-Architektur: Sie legt das Zielbild fest, damit der Agent von heute auf den erneuerten Kern von morgen umziehen kann.
Fazit
Damit deine Agenten vom Testsystem in die Produktion kommen, beachte diese fünf Punkte:
- Wähle einen eng und gut abgrenzbaren Use Case mit geringer Komplexität (analog zu Nemo)
- Prüfe die Agent-Readiness der beteiligten Funktionen, Schnittstellen und Daten
- Schliesse Echtzeitdaten- und Schnittstellenlücken
- Protokolliere Entscheidungen und berücksichtige HITL
- Starte mit einem kleinen Use Case, messe und skaliere dort, wo der Nutzen am höchsten ist
Agentic AI scheitert nicht am Modell, sondern an der Architektur.
Mich würde interessieren, welche der fünf Lücken euch am meisten ausbremst: Echtzeitdaten, Schnittstellen, Datenqualität, Entscheidungslogik oder Prozesskontext?
Quellen und weiterführende Literatur:
- Allianz (2025). Der Sturm legt sich, der Allianz KI-Agent räumt auf. Allianz Mediencenter. Artikel
- IT Finanzmagazin (2026). Nur 19% SHUK-Kernsysteme sind stabil: 57 % wollen migrieren – Standardsoftware schlägt Eigenbau Fachartikel
- Coverager (2025). Allianz introduces agentic AI to speed up food spoilage claims. Branchen-Meldung
- Genpact (2025). From technical debt to AI-first platforms: Why insurers must rewrite legacy systems. Fachartikel
- IT Finanzmagazin (2026). Roland Berger Report: Veraltete Kernsysteme bremsen Versicherer beim Einsatz von KI und digitaler Innovation. Fachartikel
- IT Finanzmagazin / Sollers Consulting (2025). Kernsystem-Strategie: Versicherungs-Kernsysteme auf KI vorbereiten. Fachartikel
- Guidewire (2025). 2026 P&C Insurance Trends: The Forces Reshaping the Industry. Guidewire Blog. Branchenreport
- Layerup (2026). Deploying AI agents inside modern policy admin and claims cores without ripping them out. Fachartikel
- EIOPA (2025). Opinion on Artificial Intelligence governance and risk management. Europäische Aufsichtsbehörde. Offizielle Stellungnahme
- Gartner (2025). Gartner Predicts Over 40 Percent of Agentic AI Projects Will Be Canceled by End of 2027. Gartner Newsroom. Pressemitteilung
- IT Finanzmagazin (2026). Versicherer bauen Agentic AI auf Architekturen, die nicht agentenfähig sind. Fachartikel
- BCG Platinion (2026). Closing the €5 Billion Automation Gap: How Insurers Need to Navigate the Path to an Intelligent Core Fachartikel
KI eingesetzt für: ☒ Recherche-Unterstützung ☒ Ideen/Sparring ☐ Struktur/Textentwurf ☒ Sprache/Korrektur ☐ Übersetzung ☒ Bildgenerierung
