Suche

← Insights

Technik 4 Min

RAG im Versicherungs-Innendienst: was Sie aus dem R+V-Piloten lernen können

Vierzig Prozent der Innendienst-Zeit gehen für Routine-Wissenssuche drauf. Was der R+V-Pilot mit RAG seit 2023 gelernt hat, hilft Versicherern beim Einstieg: wo es trägt, wo Anbieter zu viel versprechen und welcher regulatorische Rahmen 2026 nüchtern zu sortieren ist.

Punktfeld mit einer roten Marke. Sie steht waagerecht auf dem 15. Mai 2026 und senkrecht auf 7 Abschnitten.

Programmatisch erzeugtes Titelbild. Die Marke steht waagerecht auf dem Veröffentlichungsdatum im Jahr und senkrecht auf der Zahl der Abschnitte. Wie die Titelbilder entstehen

Vierzig Prozent. So viel Zeit verbringen Mitarbeiter im Versicherungs-Innendienst laut McKinsey mit Routineanfragen -- Deckungsauskünfte, AVB-Stellen, Tarif-Vergleiche, Status zu laufenden Vorgängen [3]. Die Antworten existieren bereits, in SharePoint, im Intranet, in Outlook-Postfächern aus drei Reorganisationen. Nur das Finden kostet Stunden. Genau hier setzt RAG (KI-gestütztes Wissenssystem) an. Was die R+V Versicherung seit 2023 mit ihrem internen Wissensbot ausprobiert, zeigt zwei Dinge: Der Hebel ist real, und der Weg dorthin ist länger und nüchterner, als Anbieter ihn zeichnen.

Worum es eigentlich geht: die Innendienst-Wissenslücke

Die typische Wissensablage im Versicherer ist nicht ein Buch, sondern ein Stapel: Bedingungswerke im Dokumentenmanagement, Arbeitshilfen im Intranet, aktuelle Hinweise per Teams-Channel, Präzedenzfälle in Outlook-Archiven. Wer eine spezifische Klausel zu einer Hausratversicherung von 2018 sucht, fragt mindestens drei Kollegen, bevor jemand den richtigen Ordner kennt.

RAG verbindet ein KI-Sprachmodell mit genau diesen Dokumenten. Statt aus Trainingsdaten zu antworten, sucht die KI zuerst in den bereitgestellten Quellen und formuliert dann eine Antwort mit Quellenangabe. Der Dreischritt lautet: Frage -> Suche in Dokumenten -> Antwort mit Quellenangabe. Das ist kein Ersatz für eine Wissensbasis, sondern eine zugängliche Oberfläche darauf [4].

Wie RAG das Problem schneidet

Die Wirksamkeit ist messbar. Halluzinationen -- also erfundene Antworten der KI -- werden bei sauberer RAG-Architektur um etwa 40 bis 71 Prozent reduziert (Vectara HHEM Leaderboard). Bei der R+V berichtet das Projekt von 95 Prozent Antwortqualität auf gestellte Fragen -- gemessen am internen Wissensbot „DIRK", der seit Mitte 2023 im Pilotbetrieb läuft und 2025 dreistellige Nutzerzahlen erreicht hat [1].

Wichtig ist, was diese Zahlen nicht sagen. Sie sind keine Pauschal-Automatisierung von 60 oder 80 Prozent aller Anfragen, wie es manche Anbieter versprechen [3]. Sie beschreiben die Treffergenauigkeit der KI auf eine konkrete Frage -- was schon viel ist, aber etwas anderes meint.

Damit das funktioniert, braucht es mehr als nur ein LLM mit Dokumenten-Upload. Drei Bausteine entscheiden:

  • Hybride Suche: Reine Vektor-Suche scheitert bei Versicherungs-Fachsprache. Produktnamen, Tarif-Bezeichnungen, Bedingungsparagrafen brauchen exact match -- also klassische Keyword-Suche kombiniert mit semantischer Vektor-Suche. R+V hat genau diese Kombination eingebaut, um Treffergenauigkeit auf Tarif-Ebene zu erreichen [1].
  • Chunking als Qualitätsfrage: Wie die Bedingungswerke in Abschnitte zerlegt werden, entscheidet, was die KI überhaupt findet. Schlechtes Chunking-Design wird später als falsche Antwort sichtbar.
  • Redaktionelle Pflege: Bei R+V werten Fachredakteure die Dialoge aus, ergänzen Wissen und passen die Prompts an. Ohne diesen Loop kein Qualitätsniveau über Zeit.

Der R+V-Pilot als Realitäts-Check

Was bei R+V gut gelaufen ist, ist nicht der Tech-Stack, sondern die Reihenfolge. Das Projekt hat bewusst dort begonnen, wo keine personenbezogenen Daten verarbeitet werden und keine Bestandssystem-Integration nötig war [1]. Erst Pilot, dann Multi-Agenten-Architektur, dann Sparten-Rollout mit zwei bis drei geschulten Power-Usern je Fachbereich.

Die Multi-Agenten-Lösung verdient eine Notiz, weil sie zeigt, wohin die Reise geht: hinter einer einheitlichen Oberfläche arbeiten thematische Agenten (etwa für Nachlässe oder Wagnisklassen) mit funktionalen Agenten (etwa für Mail-Versand) zusammen. Aus Sicht des Innendienst-Mitarbeiters bleibt es ein Bot -- darunter läuft Spezialisierung.

Wer die Erwartung mit den Anbieter-Versprechen abgleicht, sieht eine Lücke. Pexon Consulting nennt acht Wochen bis zum produktiven System [3]. R+V hat von Mitte 2023 bis 2025 gebraucht, um vom Piloten zu dreistelligen Nutzerzahlen zu kommen. Beides stimmt -- der Prototyp ist schnell, der Rollout durch eine reale Sparten-Organisation ist es nicht.

DSGVO, DORA, EU AI Act: der Rahmen ohne Drama

Drei regulatorische Bezugspunkte muss ein Versicherer 2026 sortieren, wenn er RAG einführt. Sachlich, nicht in Panik:

RahmenWas greiftWas Sie tun
DSGVOBei jeder Verarbeitung personenbezogener Daten. RAG ist seit Oktober 2025 als „risikomindernde Maßnahme" von der Datenschutzkonferenz (DSK) anerkannt -- aber jede Komponente bleibt einzeln prüfbar (Vektordatenbank, Embedding-Modell, LLM).Mandantentrennung in der Vektordatenbank, Löschfristen, System-Prompt zur Quellenbindung, separate Rechtsgrundlage für die Vektordatenbank-Verarbeitung.
EU AI ActArtikel 4 (KI-Kompetenz) gilt seit Februar 2025 für jeden KI-Einsatz, auch unterhalb der Hochrisiko-Schwelle. Hochrisiko-Pflichten verschoben auf Dezember 2027 (Digital Omnibus 11/2025).Dokumentierte Schulung der Innendienst-Mitarbeiter zu Funktionsweise und Grenzen. Prompt-Policy auf einer Seite.
DORAGilt seit 17. Januar 2025 verbindlich für Versicherer und Vermittler. BaFin-Orientierungshilfe zu KI-Risiken seit Dezember 2025.IKT-Risikomanagement umfasst auch KI-Anbieter (Drittparteienrisiko). Vollständiger Audit-Trail pro Konversation. Vendor-Lock-in-Risiko bewerten.

Der häufigste Denkfehler 2026 lautet: „Wir hosten in Frankfurt, also DSGVO-konform." Der Serverstandort ist nur eine von fünf Schichten, die alle stimmen müssen: Standort, Anbietersitz, Trainings-Policy, Retention-Fristen, Sub-Prozessor-Kette. Ein US-Anbieter mit EU-Server bleibt unter dem CLOUD Act zugriffsoffen, auch ohne dass Sie das aktiv merken.

Was RAG nicht löst

RAG reduziert Halluzinationen, eliminiert sie nicht [4]. Auch ein sauber gebautes System zitiert manchmal falsch, dreht Kontext oder reißt Aussagen aus dem Zusammenhang. Was raus geht aus dem Innendienst, ist Ihr Text -- nicht der Text der KI.

Daraus folgt eine Prüfpflicht, die sich nach Einsatzbereich kalibriert: interne Recherche durch den Sachbearbeiter braucht einen Plausibilitätscheck, die direkte Antwort an den Kunden braucht die einzelne Prüfung jeder Zahl und jeder Bedingungsstelle, eine verbindliche Deckungsentscheidung gehört überhaupt nicht autonom an die KI. Die operative Frage ist nicht, ob der Sachbearbeiter prüft, sondern wie der Prozess das sichtbar verankert.

Auch architektonisch gibt es Grenzen. Komplex strukturierte Wissensbestände wie ein vollständiges Bedingungswerk profitieren manchmal mehr von einem persistenten Wiki, in dem Synthesen, Querverweise und Widersprüche schon beim Einpflegen aufgelöst werden. RAG bleibt stark für den dynamischen Long Tail -- aktuelle Hinweise, Präzedenzfälle, Service-Notizen. In der Praxis ist der Hybrid sinnvoll: strukturierter Kern als Wiki, dynamischer Rand als RAG.

Wie ein realistischer Einstieg aussieht

Wenn Sie als Operations-Leitung oder Geschäftsführung in einem Versicherer oder Versicherungs-Makler an einen RAG-Piloten denken, lohnt sich die ehrliche Reihenfolge:

  1. Use Case schneiden, nicht Tool wählen. Wo verlieren Sachbearbeiter heute messbar Zeit? AVB-Auskunft, interne Vorgangs-Recherche, Onboarding neuer Mitarbeiter -- jeweils unterschiedliche Datenlage und unterschiedliche Prüfpflicht.
  2. Pilot ohne personenbezogene Daten starten. R+V hat das bewusst gemacht. Reduziert DSGVO-Komplexität in der Lernphase, ohne den Nutzen zu untergraben.
  3. Datenfundament zuerst. 80 Prozent der RAG-Qualität stecken in der Vorarbeit -- saubere Dokumente, sinnvolles Chunking, klare Metadaten. Wer hier spart, baut später eine Halluzinationsfabrik.
  4. Kostenrahmen ehrlich kalkulieren. Für einen 50- bis 500-MA-Bereich liegen die Setup-Kosten typischerweise zwischen 15.000 und 30.000 Euro, der laufende Betrieb bei 500 bis 1.500 Euro pro Monat. Wer Bestandssystem-Integration und Multi-Sparten-Rollout will, landet schnell oberhalb dieser Spanne -- das ist dann aber kein RAG-Projekt mehr, sondern eine Plattform-Initiative.
  5. Rollout in Wellen, nicht in einem Big Bang. Eine Sparte, zwei bis drei Power-User, drei Monate Praxis -- dann nächste Sparte. So macht es R+V, und so funktioniert es.

Quellen