25 Fragen zur Auswahl des richtigen LLM: Der umfassende Entscheidungsleitfaden für Unternehmen
Die Auswahl eines Large Language Models (LLM) ist längst mehr als eine technische Entscheidung. Sie entwickelt sich zu einer strategischen Weichenstellung für Unternehmen, die Künstliche Intelligenz produktiv einsetzen möchten. Während die öffentliche Aufmerksamkeit häufig auf bekannte Modelle wie GPT, Claude, Gemini oder Open-Source-Alternativen gerichtet ist, entscheidet in der Praxis vor allem die Passgenauigkeit für den konkreten Anwendungsfall. Ein Modell, das bei der Softwareentwicklung hervorragende Ergebnisse erzielt, kann für Compliance-kritische Prozesse, Datenschutzanforderungen oder regulierte Branchen ungeeignet sein.

Mit der zunehmenden Verbreitung von Generativer KI, Enterprise AI, KI-Assistenten und automatisierten Geschäftsprozessen steigt die Bedeutung einer strukturierten Bewertung. Unternehmen müssen heute weit mehr berücksichtigen als reine Benchmarks. Kriterien wie Datenschutz, Governance, Integrationsfähigkeit, Betriebskosten, Skalierbarkeit, Nachhaltigkeit und Zukunftssicherheit spielen eine ebenso wichtige Rolle.

Die zentrale Frage lautet daher nicht mehr: „Welches LLM ist das beste?“, sondern: „Welches Large Language Model ist für meinen spezifischen Unternehmenszweck die richtige Wahl?“

Wer ein LLM vorschnell auswählt, riskiert steigende Kosten, Performance-Probleme, Compliance-Verstöße oder eine geringe Nutzerakzeptanz. Ein strukturierter Fragenkatalog schafft die notwendige Transparenz und bildet die Grundlage für eine fundierte KI-Strategie.

Übersicht aller 25 Fragen zur LLM-Auswahl

Leistung, Architektur und Technik
1. Wie groß ist das Modell?
2. Passt das Modell zur vorhandenen Hardware?
3. Wie fällt die Time to First Token (TTFT) aus?
4. Gibt es Rate Limits?
5. Wie groß ist das Kontextfenster?
6. Stehen Geschwindigkeit und Reasoning im Einklang?
7. Wie stabil läuft das LLM?
8. Wann endet das Modellwissen?
9. Gibt es Möglichkeiten zur Feinabstimmung (Fine-Tuning)?
10. Welche Medientypen unterstützt das Modell?
11. Wie sieht die Prompting-Struktur aus?
12. Verfügt das Modell über eine Batch-Architektur?
13. Unterstützt das Modell externe Tools und Schnittstellen?

Betrieb und Zukunftssicherheit
14. Ist das Modell Open Source?
15. Gibt es eine garantierte Lebensdauer?
16. Wo wird das Modell betrieben?
17. Handelt es sich um ein Human-in-the-Loop-Modell?

Wirtschaftlichkeit
18. Wie hoch sind die Kosten?
19. Wurde das Modell mit synthetischen Daten trainiert?

Recht, Governance und Compliance
20. Steht der Trainingsdatensatz unter Copyright?
21. Gibt es einen Provenance Audit?
22. Bietet der Anbieter eine Haftungsfreistellung?
23. Wie steht es um Compliance und Regulierung?

Nachhaltigkeit
24. Wie hoch ist der Umwelt-Impact?
25. Welche Rolle spielen erneuerbare Energien?

Die 25 entscheidenden Fragen im Detail

1. Wie groß ist das Modell?
   Die Anzahl der Parameter liefert erste Hinweise auf Leistungsfähigkeit, Sprachverständnis und Komplexität. Größer bedeutet jedoch nicht automatisch besser. Viele Unternehmensanwendungen erzielen bereits mit kleineren Modellen exzellente Ergebnisse. Insbesondere bei Retrieval-Augmented Generation (RAG), bei der Fachwissen aus Wissensdatenbanken eingebunden wird, kann ein kompakteres Modell wirtschaftlich und technisch die bessere Wahl sein.
   Unternehmen sollten daher nicht die größte verfügbare KI auswählen, sondern die kleinste Modellgröße, die den gewünschten Use Case zuverlässig erfüllt.
2. Passt das Modell zur vorhandenen Hardware?
   Wer KI-Modelle selbst betreiben möchte, muss prüfen, ob Arbeitsspeicher, GPUs, Rechenleistung und Infrastruktur ausreichen. Viele Projekte scheitern weniger an den Fähigkeiten der KI als an unzureichender technischer Planung. Skalierbarkeit und zukünftiges Wachstum sollten bereits in der Auswahlphase berücksichtigt werden.
3. Wie fällt die Time to First Token (TTFT) aus?
   Die Time to First Token beschreibt, wie schnell nach einer Anfrage die erste Ausgabe erscheint. Für Chatbots, digitale Assistenten, Kundensupport-Systeme und Echtzeit-Anwendungen ist dieser Wert ein entscheidender Faktor für die Nutzererfahrung.
4. Gibt es Rate Limits?
   Auch leistungsfähige KI-Plattformen setzen Nutzungsgrenzen. API-Limits können Geschäftsprozesse beeinträchtigen oder Wachstumspläne ausbremsen. Unternehmen sollten deshalb vor dem Produktiveinsatz realistische Lasttests durchführen.
5. Wie groß ist das Kontextfenster?
   Große Kontextfenster ermöglichen die Verarbeitung langer Dokumente, umfangreicher Vertragswerke, Wissensdatenbanken oder komplexer Programmcode-Strukturen. Fehlt diese Fähigkeit, gehen relevante Informationen verloren oder müssen aufwendig aufgeteilt werden.
6. Stehen Geschwindigkeit und Reasoning im Einklang?
   Moderne Reasoning-Modelle erzielen häufig präzisere Ergebnisse, benötigen dafür jedoch mehr Rechenzeit. Unternehmen müssen entscheiden, ob maximale Geschwindigkeit oder höchste Qualität für ihren Anwendungsfall wichtiger ist.
7. Wie stabil läuft das LLM?
   Stabilität beeinflusst die Zuverlässigkeit im täglichen Betrieb. Halluzinationen, widersprüchliche Aussagen oder unerwartetes Verhalten können Geschäftsprozesse beeinträchtigen und Vertrauen bei Nutzern zerstören.
8. Wann endet das Modellwissen?
   Der sogenannte Knowledge Cutoff zeigt an, bis zu welchem Zeitpunkt Trainingsinformationen berücksichtigt wurden. Für Anwendungen in den Bereichen Recht, Finanzen, Compliance, Politik oder Nachrichten ist dieser Faktor besonders relevant.
9. Gibt es Möglichkeiten zum Fine-Tuning?
   Branchen- und unternehmensspezifische Anwendungen profitieren häufig von einer gezielten Anpassung. Fine-Tuning kann die Genauigkeit erhöhen und das Modell stärker auf Prozesse, Produkte und Fachwissen ausrichten.
10. Welche Medientypen unterstützt das Modell?
    Moderne multimodale KI-Systeme können Texte, Bilder, PDFs, Audiodateien, Sprache oder Videos analysieren und verarbeiten. Unternehmen sollten prüfen, welche Medienformate für ihre Prozesse tatsächlich erforderlich sind.
11. Wie sieht die Prompting-Struktur aus?
    Die Qualität der Ergebnisse hängt maßgeblich davon ab, wie gut ein Modell komplexe Anweisungen versteht und verarbeitet. Fähigkeiten im Umgang mit Rollen, Systemprompts, Chain-of-Thought-Strukturen und mehrstufigen Arbeitsabläufen gewinnen zunehmend an Bedeutung. 
12. Ist das Modell Open Source?
    Open-Source-LLMs ermöglichen maximale Kontrolle, individuelle Anpassungen und geringere Abhängigkeiten von einzelnen Anbietern. Gleichzeitig erhöhen sich Aufwand, Verantwortung und Anforderungen an Betrieb und Sicherheit.
13. Gibt es eine garantierte Lebensdauer?
    Unternehmen benötigen Planungssicherheit. Wird ein Modell eingestellt oder nicht mehr weiterentwickelt, können bestehende Integrationen und Investitionen an Wert verlieren.
14. Verfügt das Modell über eine Batch-Architektur?
    Batch-Verarbeitung kann bei Massenanalysen, Berichtsauswertungen oder Dokumentenverarbeitung erhebliche Effizienz- und Kostenvorteile schaffen.
15. Wie hoch sind die Gesamtkosten?
    Neben Tokenpreisen sollten Unternehmen die Total Cost of Ownership betrachten. Dazu gehören Infrastruktur, Betrieb, Governance, Monitoring, Schulungen, Support und interne Ressourcen.
16. Wurde das Modell mit synthetischen Daten trainiert?
    Synthetische Daten spielen bei modernen KI-Modellen eine zunehmend wichtige Rolle. Ihr Anteil kann Auswirkungen auf Genauigkeit, Generalisierung und Qualität der Ergebnisse haben.
17. Enthalten die Trainingsdaten urheberrechtlich geschützte Inhalte?
    Die Herkunft von Trainingsdaten gewinnt sowohl rechtlich als auch strategisch an Bedeutung. Unternehmen sollten verstehen, auf welcher Datengrundlage ein Modell trainiert wurde.
18. Gibt es einen Provenance Audit?
    Audits schaffen Transparenz über Datenherkunft, Trainingsmethoden und Entwicklungsprozesse. Sie unterstützen Unternehmen bei Governance, Compliance und Risikomanagement.
19. Bietet der Anbieter eine Haftungsfreistellung?
    Bei geschäftskritischen Anwendungen können Haftungsregelungen sowie vertragliche Zusicherungen ein wesentlicher Bestandteil der Absicherung sein.
20. Wie hoch ist der Umwelt-Impact?
    Der Energieverbrauch großer KI-Systeme rückt zunehmend in den Fokus. Nachhaltigkeitsziele und ESG-Kriterien beeinflussen immer häufiger Technologieentscheidungen.
21. Welche Rolle spielen erneuerbare Energien?
    Anbieter mit transparenter Nachhaltigkeitsstrategie und einem hohen Anteil erneuerbarer Energien gewinnen für viele Unternehmen an Attraktivität.
22. Wie steht es um Compliance?
    Datenschutz, DSGVO-Konformität, Dokumentation, Transparenz und Nachvollziehbarkeit gehören zu den zentralen Bewertungskriterien moderner KI-Lösungen.
23. Wo läuft das LLM?
    Der Standort der Datenverarbeitung kann über die regulatorische Zulässigkeit einer Lösung entscheiden. Besonders in Europa spielt Datensouveränität eine zentrale Rolle.
24. Handelt es sich um ein Human-in-the-Loop-Modell?
    Menschliche Kontrollmechanismen reduzieren Risiken und unterstützen die Einhaltung regulatorischer Anforderungen bei sensiblen Entscheidungen.
    25. Unterstützt das LLM externe Tools und Schnittstellen?
    Die Fähigkeit zur Integration von APIs, Datenbanken, CRM-Systemen, Suchfunktionen oder Unternehmenssoftware entwickelt sich zunehmend zum entscheidenden Produktivitätsfaktor moderner KI-Plattformen.

Fazit
Die Auswahl eines Large Language Models sollte niemals ausschließlich auf Benchmarks oder Marketingversprechen basieren. Die 25 Fragen zeigen, dass technische Leistungsfähigkeit nur einen Teil der Entscheidung ausmacht. Datenschutz, Compliance, Governance, Integrationsfähigkeit, Nachhaltigkeit, Wirtschaftlichkeit und Zukunftssicherheit sind mindestens ebenso wichtig. Unternehmen, die diese Fragen systematisch beantworten, schaffen die Grundlage für eine tragfähige KI-Strategie und erhöhen die Wahrscheinlichkeit, ein LLM auszuwählen, das nicht nur heute überzeugt, sondern auch langfristig Mehrwert liefert.

Der Artikel erschien im Original zuerst auf computerwoche.de unter dem Titel „25 Fragen, die zum richtigen LLM führen“. Redaktionelle Bearbeitung: MK

blau direkt steigt bei Finanzberatung Bierl ein: Partnerschaft soll Wachstum, Spezialisierung und Wissenstransfer stärken

Die Finanzberatung Bierl gehört seit Jahren zu den bekanntesten spezialisierten Maklerbetrieben in den Bereichen Berufsunfähigkeitsversicherung und private Krankenversicherung. Nun beteiligt sich die zur Blau-Direkt-Gruppe gehörende Tjara GmbH an dem Unternehmen. Mit der Beteiligung verfolgen beide Seiten das Ziel, weiteres Wachstum zu ermöglichen, Prozesse zu professionalisieren und wertvolles Expertenwissen innerhalb eines größeren Maklernetzwerks nutzbar zu machen.

Für Tobias Bierl, Gründer und Geschäftsführer der Finanzberatung Bierl, steht dabei insbesondere die Entlastung von administrativen Aufgaben im Vordergrund. Durch die Einbindung in die Blau-Direkt-Gruppe müsse das Unternehmen zahlreiche organisatorische und strategische Themen künftig nicht mehr allein bewältigen. Dazu zählen die Einführung und Weiterentwicklung von CRM-Systemen, Personalsoftware, Datenschutzanforderungen sowie der zunehmende Einsatz von Künstlicher Intelligenz in Beratung und Unternehmenssteuerung.

Gerade beim Thema KI entwickeln sich Anwendungen, Technologien und regulatorische Anforderungen mit hoher Geschwindigkeit. Hier sieht Bierl deutliche Vorteile in der Zusammenarbeit mit einem größeren Marktteilnehmer, der bereits Erfahrungen mit unterschiedlichen Lösungen gesammelt hat. Dadurch entstehen zusätzliche Freiräume für die eigentlichen Kernkompetenzen der Finanzberatung Bierl: qualifizierte Beratung, digitales Marketing sowie die fachliche Weiterentwicklung von Themen rund um Berufsunfähigkeitsversicherung, private Krankenversicherung und biometrische Absicherung.

Wachstum erfordert langfristige Perspektiven

Obwohl die Finanzberatung Bierl wirtschaftlich erfolgreich ist und sich in der Maklerbranche einen hervorragenden Ruf erarbeitet hat, beschäftigt sich die Unternehmensführung bereits seit längerer Zeit mit strategischen Zukunftsfragen. Tobias und Stefan Bierl hätten regelmäßig darüber diskutiert, wie sich das Unternehmen langfristig weiterentwickeln und absichern lässt.

Ein wesentlicher Grund dafür ist die starke Bedeutung digitaler Sichtbarkeit. Ein großer Teil der Kundenanfragen entsteht durch gute Platzierungen in Suchmaschinen und eine starke Online-Präsenz. Ob dieser Wettbewerbsvorteil auch in den kommenden Jahren unverändert bestehen bleibt, lässt sich jedoch nicht verlässlich vorhersagen. Gleichzeitig trägt das Unternehmen Verantwortung für mehr als 20 Mitarbeiter sowie für deren nachhaltige und sichere Beschäftigung.

Die Partnerschaft mit blau direkt soll deshalb zusätzliche Stabilität schaffen. Das Unternehmen sieht die Möglichkeit, das eigene Fachwissen künftig noch breiter einzusetzen und gleichzeitig neue Wachstumschancen zu erschließen. Darüber hinaus eröffnen sich zusätzliche Möglichkeiten im Bereich Bestandskauf und Bestandsnachfolge, einem Marktsegment, in dem die Finanzberatung Bierl bislang nur begrenzte Erfahrungen gesammelt hat.

Spezialwissen als strategischer Erfolgsfaktor

Für blau direkt spielt insbesondere die fachliche Expertise der Brüder Bierl eine zentrale Rolle. Dirk Henkies, Head of Corporate Development bei blau direkt und Geschäftsführer der Tjara GmbH, betrachtet das vorhandene Expertenwissen als wichtigen Mehrwert für das gesamte Netzwerk.

Geplant ist, dieses Know-how systematisch für angeschlossene Makler nutzbar zu machen. Hierzu sollen unter anderem Webinare, Schulungsangebote und digitale Wissensformate entwickelt werden, ohne dass Tobias und Stefan Bierl dadurch dauerhaft stark eingebunden werden. Ziel ist es, bestehendes Fachwissen professionell aufzubereiten und langfristig verfügbar zu machen.

Ein besonderer Schwerpunkt liegt auf beratungsintensiven Segmenten wie Berufsunfähigkeitsversicherung, betrieblicher Altersversorgung, betrieblicher Krankenversicherung, privater Krankenversicherung sowie Gewerbeversicherungen. Die entsprechenden Angebote sollen in die bestehenden Wachstumslösungen von blau direkt integriert werden. Erste Webinare mit Tobias Bierl sind bereits vorgesehen.

KI-Wissensdatenbank soll Makler unterstützen

Ein konkretes Beispiel für den geplanten Wissenstransfer ist die Berufsunfähigkeitsversicherung für Schüler. Nach Angaben von Dirk Henkies verfügt Tobias Bierl in diesem Bereich über außergewöhnlich tiefgehende Marktkenntnisse und umfangreiche Erfahrungen mit Versicherern, Tarifen und Annahmerichtlinien.

Dieses Expertenwissen soll künftig in eine KI-gestützte Wissensplattform überführt werden. Geplant ist eine zentrale Wissensdatenbank, die Maklern schnelle und fundierte Antworten auf Fachfragen liefert und Beratungsprozesse unterstützt. Damit verfolgt blau direkt das Ziel, individuelles Expertenwissen zu digitalisieren, zu standardisieren und dauerhaft für ein breites Maklernetzwerk verfügbar zu machen.

Unabhängigkeit der Beratung bleibt bestehen

Bei Beteiligungen größerer Marktteilnehmer stellt sich regelmäßig die Frage nach der Unabhängigkeit der beteiligten Maklerunternehmen. Tobias Bierl betont jedoch, dass sich an der unabhängigen Arbeitsweise nichts verändern werde.

Auch nach dem Einstieg von blau direkt könne die Finanzberatung Bierl weiterhin frei vermitteln und Angebote sämtlicher Versicherer berücksichtigen. Gerade die unabhängige Analyse von Tarifen, Bedingungen und Marktentwicklungen in der Berufsunfähigkeitsversicherung und privaten Krankenversicherung sei ein wesentlicher Bestandteil des Unternehmenskonzepts.

Darüber hinaus soll auch die eigene Marke unverändert bestehen bleiben. Die Positionierung als unabhängiger Versicherungsmakler sowie die bisherige Kommunikation über Website, Blog und Fachbeiträge sollen fortgeführt werden. Durch die organisatorische Entlastung könnten sogar zusätzliche Ressourcen für Beratung, Marktanalysen und fachliche Inhalte entstehen.

Mehr Leistungen für Kunden

Nach Einschätzung der Beteiligten profitieren nicht nur die Unternehmen selbst, sondern auch deren Kunden von der Zusammenarbeit.
Bislang musste die Finanzberatung Bierl Anfragen außerhalb ihrer Spezialgebiete teilweise ablehnen oder weitervermitteln. Durch das Netzwerk von blau direkt können Kunden künftig auf zusätzliche Experten in Bereichen wie Gewerbeversicherung, Immobilienfinanzierung, Baufinanzierung oder weiteren Spezialthemen zurückgreifen.

Dadurch erweitert sich das verfügbare Leistungsspektrum deutlich, ohne dass die Finanzberatung Bierl ihre klare Spezialisierung auf Berufsunfähigkeitsversicherung und private Krankenversicherung aufgeben muss.

blau direkt setzt auf Vernetzung und Spezialisierung

Für blau direkt ist die Beteiligung an spezialisierten Maklerunternehmen Teil einer langfristigen Unternehmensstrategie. Dirk Henkies hebt hervor, dass es dabei nicht ausschließlich um wirtschaftliche Beteiligungen und Provisionserträge geht.

Im Mittelpunkt stehen vielmehr Synergieeffekte durch Wissensaustausch, digitale Vernetzung und gemeinsame Marktbearbeitung. Besonders großes Potenzial sieht das Unternehmen darin, Kundenanfragen gezielt an die jeweils fachlich besten Spezialisten innerhalb des Netzwerks weiterzuleiten.
Die Größenordnung dieser Strategie zeigt sich auch in den bisherigen Aktivitäten der Gruppe. Nach Angaben von blau direkt kamen durch Unternehmenszukäufe innerhalb der vergangenen zweieinhalb Jahre mehr als eine halbe Million Kunden sowie rund 250 Mitarbeiter hinzu.

Weitere Beteiligungen bleiben möglich

Auch künftig will blau direkt weitere Beteiligungen und Übernahmen prüfen. Der Fokus liegt dabei nicht zwingend auf bekannten Marken, sondern auf Unternehmen mit klarer fachlicher Spezialisierung und strategischem Mehrwert.

Dirk Henkies verweist dabei auf frühere Übernahmen im Bereich der Taxi-Versicherung. Dort sei auf Grundlage vorhandener Expertise ein spezialisiertes Angebot für diese Zielgruppe entwickelt und durch weitere Akquisitionen ausgebaut worden. Vergleichbare Modelle seien auch in anderen Marktsegmenten denkbar.

Mit der Beteiligung an der Finanzberatung Bierl verfolgt blau direkt damit einen Ansatz, der Unternehmenswachstum, Digitalisierung, Künstliche Intelligenz und die Bündelung von Spezialwissen miteinander verbindet. Ziel ist es, ein leistungsfähiges Maklernetzwerk aufzubauen, das sowohl den beteiligten Unternehmen als auch deren Kunden langfristige Entwicklungschancen eröffnet.

Der Artikel erschien im Original zuerst auf procontra-online.de unter dem Titel „blau direkt steigt bei Finanzberatung Bierl ein: Was hinter dem Deal steckt“. Redaktionelle Bearbeitung: MK

Die digitale Unabhängigkeit hat ihren Preis, und dieser zeigt sich nicht nur in finanziellen Aufwendungen. Viele Makler sind hervorragende Berater, aber keine IT-Experten, und die Vorstellung, eine eigene technische Infrastruktur zu betreiben, wirkt oft abschreckend. Deshalb greifen viele auf die Unterstützung von Pools zurück, die mit ihren Maklerverwaltungsprogrammen eine bequeme Lösung bieten. Doch hinter dieser Bequemlichkeit stehen Fragen, die weit über die reine Software hinausgehen. Cornelia Frankenberg musste sich genau damit auseinandersetzen, als sie vor der Herausforderung eines MVP-Wechsels stand und die Vor- und Nachteile eines eigenen sowie eines zugekauften Systems analysierte.

Als sie im vergangenen Jahr sagte, sie habe ihr Maklerverwaltungsprogramm gewechselt, war schnell klar, dass es dabei nicht nur um eine neue Anwendung ging. Die Entscheidung führte zurück ins Jahr 2024, als sie sich in einer Sackgasse befand. Ihr Geschäft lief überwiegend über Direktanbindungen, die Kundendaten verwaltete sie in einem MVP, das zwar von einem renommierten Anbieter stammte, aber technisch nicht mehr zeitgemäß war. Der Zugang erfolgte langsam über eine VPN-Verbindung, eine moderne Browseranwendung fehlte ebenso wie eine Kunden-App. Wichtige Prozesse ließen sich nicht abbilden, und eine Weiterentwicklung war nicht in Sicht. Aus einem Werkzeug, das ihre Arbeit erleichtern sollte, war ein Bremsklotz geworden, und die Erkenntnis, dass es so nicht weitergehen konnte, war unausweichlich.

Der Markt für Makler-IT bietet zahlreiche Möglichkeiten, doch schnell kristallisierten sich zwei grundsätzlich verschiedene Wege heraus: die Nutzung eines Pool-MVP oder die Investition in ein eigenes System. Ein Pool-MVP wirkt auf den ersten Blick attraktiv, denn man profitiert von der technischen Infrastruktur des Pools, während das Geschäft über diesen abgewickelt wird. Die eigenen IT-Kosten bleiben gering, Schnittstellen funktionieren meist zuverlässig, die Wartung liegt beim Pool und die Innovationsgeschwindigkeit ist hoch. Automatisierte Datenpflege, einfache Courtageabrechnung und oft eine integrierte Kunden-App machen das Angebot zusätzlich reizvoll. Auch Cornelia Frankenberg war zunächst begeistert, doch bei genauerem Hinsehen traten Nachteile zutage. Ein Pool ist immer ein Gesamtpaket, das über Schnittstellen, Vergleichsrechner und Prozessabläufe entscheidet. Der Zugriff auf die Extranets der Versicherer ist eingeschränkt, die Maklerbetreuung verändert sich, da der Pool zum Vertragspartner der Versicherer wird, und gleichzeitig behält der Pool einen Teil der Courtage ein. Damit entsteht eine Abhängigkeit von den Entscheidungen und der Ausfallsicherheit des Pools.

Die eigenständige MVP-Lösung bietet dagegen eine andere Perspektive. Sie ermöglicht die vollständige Kontrolle über die eigene IT, die Hoheit über die Daten und die Freiheit, Prozesse individuell zu gestalten. Der Zugang zu den Gesellschaftsportalen bleibt erhalten, die direkte Kommunikation mit den Ansprechpartnern der Versicherer besteht fort, und der eigene Unternehmensname steht weiterhin auf den Policen der Kunden. Auch im Fall eines Cyberangriffs kann das Unternehmen handlungsfähig bleiben, da weniger Abhängigkeiten bestehen. Doch diese Unabhängigkeit hat ihren Preis. Kosten für Datenmigration und Systemeinrichtung entstehen ebenso wie laufende Ausgaben für Softwarelösungen. Fehlende oder unzureichende Schnittstellen können Herausforderungen verursachen, Verantwortlichkeiten bei IT-Problemen müssen klar definiert werden, und die Datenpflege erfordert Zeit. Buchhaltung, Courtagekontrolle und Abrechnung erhöhen den Aufwand zusätzlich, und die Verantwortung für das gesamte technische Ökosystem liegt beim Makler.

Die Frage nach Komfort oder Unabhängigkeit ist daher nicht leicht zu beantworten. Cornelia Frankenberg musste eine Lösung finden, die zu ihrer Arbeitsweise passt. Sie begann damit, ihre Prozesse detailliert zu analysieren und gemeinsam mit einer externen Person blinde Flecken zu identifizieren. Erst als diese Prozesslandschaft klar war, konnte die technische Umsetzung beginnen. Die wichtigsten Prozesse mussten flexibel abbildbar sein, die häufigsten möglichst zeitsparend automatisiert werden. Doch egal, welchen Pool sie prüfte, immer wieder stieß sie auf Punkte, die für sie nicht akzeptabel waren. Kritische Prozesse ließen sich nicht abbilden, Datenimporte waren eingeschränkt oder die Eigenschaften des Pools passten nicht zu ihrer Arbeitsweise.

Am Ende entschied sie sich für die Investition in ein eigenständiges MVP. Die Unabhängigkeit, die Flexibilität und die direkte Zusammenarbeit mit den Versicherern waren ihr wichtiger als die bequeme Lösung. Für den Wechsel nutzte sie die Unterstützung externer IT-Dienstleister und ließ gleichzeitig ihre gesamte Microsoft-Infrastruktur neu aufsetzen. Die Investition betrug rund 50.000 Euro und erforderte unzählige Arbeitsstunden. Die Koordination der Dienstleister, die Bereinigung und Bereitstellung von Kunden- und Vertragsdaten sowie die Vorbereitung der Zugänge kosteten viele Arbeitstage und führten zu manchem Moment des Frusts.
Heute, nach fast zwei Jahren Analyse, Entscheidung und Umsetzung, hat sie eine Infrastruktur geschaffen, die ihre Arbeit spürbar erleichtert. Die Systeme arbeiten für sie und nicht mehr gegen sie, und sie kann sich wieder auf das konzentrieren, was echten Mehrwert schafft: die Beratung ihrer Kunden. Ihre Antwort auf die Frage, ob sie den Wechsel erneut wagen würde, fällt eindeutig aus: jederzeit.

Der Artikel erschien im Original zuerst auf epaper.asscompact.de unter dem Titel „Die Kosten der digitalen Unabhängigkeit“. Redaktionelle Bearbeitung: MK

Der Wechsel aus der Ausschließlichkeit gehört zu den prägendsten Momenten im Berufsleben vieler Vermittler. Er bedeutet nicht nur einen neuen beruflichen Rahmen, sondern auch die Auseinandersetzung mit Strukturen, die zuvor selbstverständlich waren. Für Sabrina Teteruck markierte dieser Schritt einen Wendepunkt, der weit über die Entscheidung für ein neues Geschäftsmodell hinausging. Er eröffnete den Übergang in eine Welt, in der Freiheit und Verantwortung eng miteinander verbunden sind und in der unternehmerische Entscheidungen erstmals vollständig selbst getroffen werden müssen.

Wer aus der Ausschließlichkeit kommt, kennt die Vorteile eines Systems, das vieles vorgibt und abnimmt. Prozesse sind definiert, Ansprechpartner klar benannt, die Produktwelt überschaubar und die technische Infrastruktur bereitgestellt. Doch genau diese Sicherheit kann zur Begrenzung werden, wenn der Wunsch nach individueller Beratung und echter unternehmerischer Selbstbestimmung wächst. Für Sabrina Teteruck war dieser Wunsch stärker als die Bequemlichkeit des vertrauten Systems. Sie wollte Produkte unabhängig auswählen, Kundenbeziehungen ohne Vorgaben entwickeln und ihre Beratung so gestalten, wie sie es für richtig hält.

Der Schritt in die Unabhängigkeit bedeutet jedoch nicht nur Freiheit, sondern auch die Konfrontation mit neuen Herausforderungen. Plötzlich müssen Entscheidungen getroffen werden, die zuvor andere übernommen haben. Die Auswahl der passenden Produktpartner, die Strukturierung der eigenen Prozesse, die Einrichtung einer funktionierenden IT-Landschaft und die Frage nach einer klaren Positionierung im Markt werden zu zentralen Aufgaben. Sabrina Teteruck beschreibt diesen Übergang als Phase intensiver Selbstreflexion, in der sie ihre fachlichen Stärken und organisatorischen Fähigkeiten neu bewerten musste.

Besonders deutlich wurde dies beim Aufbau ihrer technischen Infrastruktur. Während in der Ausschließlichkeit vieles zentral gesteuert wird, müssen unabhängige Makler selbst entscheiden, wie sie Kundendaten verwalten, Dokumente sicher bereitstellen und Beratungsprozesse digital abbilden. Die Auswahl eines Maklerverwaltungsprogramms ist dabei eine der wichtigsten Weichenstellungen. Sabrina Teteruck erkannte schnell, dass die Entscheidung nicht allein von Funktionen abhängt, sondern davon, wie gut ein System zur eigenen Arbeitsweise passt. Sie analysierte ihre Prozesse, prüfte verschiedene Anbieter und stellte fest, dass technische Lösungen nur dann sinnvoll sind, wenn sie die eigene Beratungsphilosophie unterstützen.

Gleichzeitig musste sie sich mit der Frage auseinandersetzen, wie Versicherer auf den Wechsel reagieren. Die Beziehung zu Produktgebern verändert sich, wenn man nicht mehr Teil eines exklusiven Vertriebs ist. Ansprechpartner wechseln, Abläufe unterscheiden sich, und manche Türen öffnen sich erst nach intensiver Überzeugungsarbeit. Sabrina Teteruck beschreibt diese Phase als herausfordernd, aber bereichernd, weil sie erstmals die Vielfalt des Marktes in ihrer ganzen Breite erlebte.

Der Wechsel aus der Ausschließlichkeit ist daher kein rein technischer oder organisatorischer Prozess, sondern ein persönlicher. Er verlangt Mut, Klarheit und die Bereitschaft, Verantwortung zu übernehmen. Für Sabrina Teteruck war dieser Schritt ein Gewinn. Sie hat eine Arbeitsweise gefunden, die zu ihr passt, ihre Beratung individueller gemacht und ihre unternehmerische Freiheit erweitert. Heute blickt sie auf den Übergang nicht als Bruch, sondern als Weiterentwicklung – und als Entscheidung, die sie jederzeit wieder treffen würde.

Der Artikel erschien im Original zuerst auf procontra-online.de unter dem Titel „Was beim Wechsel aus der Ausschließlichkeit wichtig ist“. Redaktionelle Bearbeitung: MK

Viele Unternehmen haben in den vergangenen Monaten erlebt, wie abhängig sie von einzelnen KI-Anbietern geworden sind. Einschränkungen beim Zugang zu Modellen, geopolitische Spannungen und regulatorische Eingriffe haben gezeigt, dass die Verfügbarkeit zentraler KI-Services kein Selbstläufer ist. Aus einer strategischen Debatte ist ein operatives Risiko geworden, das Geschäftsprozesse, Produkte und Wertschöpfung unmittelbar beeinflusst. Eine aktuelle IBM-Studie unter deutschen Führungskräften zeigt, dass nur 13 Prozent der Unternehmen ihre Abhängigkeiten von KI-Anbietern, Modellen und Infrastruktur vollständig verstehen. Gleichzeitig geben viele an, dass ein Wechsel des primären KI-Anbieters nur schwer möglich wäre. KI ist tief in Abläufe integriert, ohne dass Transparenz über technische und organisatorische Abhängigkeiten besteht.

Digitale Souveränität entsteht nicht allein durch Verträge oder lokale Rechenzentren. Entscheidend ist die technische Kontrolle über Daten, Modelle und Plattformen. Offene Standards, die Möglichkeit, Systeme vollständig zu kontrollieren, und die Freiheit, Infrastruktur flexibel zu wählen, bilden die Grundlage. Open-Source-Technologien bieten hohe Flexibilität, doch ihre Integration und der Betrieb erfordern erhebliche Ressourcen. Deshalb gewinnen Plattformen an Bedeutung, die offene Technologien mit einem vorkonfigurierten Betriebsmodell verbinden. IBM verfolgt mit Sovereign Core diesen Ansatz und ermöglicht den Betrieb auf unterschiedlichen Infrastrukturen, während die Kontrolle über die eigene Umgebung steigt.

Mit dem Einsatz von KI wachsen die Anforderungen an die Cybersicherheit. Schwachstellen müssen schneller erkannt und behoben werden, da Angriffsflächen größer werden. IBM investiert in die Absicherung von Open-Source-Software und nutzt KI-gestützte Werkzeuge, um Risiken frühzeitig zu identifizieren, zu priorisieren und automatisiert zu beheben. Sicherheit wird zur Voraussetzung für einen belastbaren Plattformbetrieb. Parallel dazu bleibt Compliance ein zentrales Thema. Unternehmen müssen Vorgaben wie DSGVO, NIS2 oder den EU AI Act erfüllen und deren Einhaltung jederzeit nachweisen können. Kontinuierliches Monitoring und automatisierte Berichte helfen, Compliance dauerhaft sicherzustellen und Audit-Aufwände zu reduzieren.

Für digitale Souveränität ist weniger entscheidend, wo ein Anbieter sitzt, sondern wie eine Lösung aufgebaut ist. Offene Architekturen, Wahlfreiheit bei der Infrastruktur und technische Kontrollmöglichkeiten schaffen langfristige Resilienz. Die IBM-Studie zeigt, dass ein einwöchiger Ausfall des KI-Anbieters bei 85 Prozent der Unternehmen erhebliche Auswirkungen hätte. Deshalb sollten Unternehmen ihre Abhängigkeiten analysieren, neue Lock-ins vermeiden und auf offene, infrastrukturunabhängige Plattformen setzen. Digitale Souveränität entwickelt sich damit zu einem entscheidenden Wettbewerbsfaktor.

Der Artikel erschien im Original zuerst auf live.handelsblatt.com unter dem Titel „Nur 13 Prozent verstehen ihre KI-Abhängigkeiten – gehören Sie dazu?“. Redaktionelle Bearbeitung: MK

Künstliche Intelligenz erreicht eine neue Entwicklungsstufe, die Banken und Versicherer dazu zwingt, ihre Betriebsmodelle neu zu denken. Nach einer Phase, in der Generative AI vor allem Inhalte erzeugte und Analysen unterstützte, rückt nun Agentic AI in den Mittelpunkt. Diese Technologie verändert die Rolle der KI, weil sie nicht mehr nur ein Werkzeug ist, sondern ein aktiver digitaler Mitarbeiter, der Aufgaben plant, Entscheidungen vorbereitet, Systeme verbindet und ganze Prozessketten steuert. Dadurch entsteht die Möglichkeit, Abläufe in der Schadensbearbeitung, in Kreditprozessen oder in regulatorischen Prüfungen so zu automatisieren, dass Produktivität und Skalierbarkeit deutlich steigen. In einem Markt mit hohem Kosten- und Margendruck wird Agentic AI zu einem Hebel, der Effizienz und Geschwindigkeit neu definiert.

Die größte Hürde liegt jedoch nicht in der Technologie selbst. Eine Studie von Wavestone und der Universität St. Gallen zeigt, dass regulatorische Anforderungen und organisatorische Strukturen die Einführung bremsen. Vorgaben aus dem EU AI Act, der DSGVO und DORA verlangen ein hohes Maß an Transparenz, Governance und Risikomanagement. Finanzinstitute müssen sicherstellen, dass autonome KI-Systeme nachvollziehbar und kontrollierbar agieren. Viele Pilotprojekte verlaufen vorsichtig, weil die Verantwortung für regelkonformes Handeln nicht allein der IT überlassen werden kann. Die Studie macht deutlich, dass die Institute, die am schnellsten vorankommen, nicht unbedingt die modernsten Modelle einsetzen, sondern die reifsten Organisationsstrukturen besitzen. Operating-Model-Maturity schlägt Model-Maturity, weil klare Verantwortlichkeiten, etablierte Prozesse und ein professionelles Portfoliomanagement die Grundlage für Skalierung schaffen.

Die Branche konzentriert sich auf Anwendungsfälle, die wirtschaftlichen Nutzen schnell sichtbar machen. Dazu gehören die Automatisierung administrativer Tätigkeiten, die Unterstützung von Kundenberatern, die intelligente Verarbeitung von Dokumenten und die Optimierung interner Entscheidungsprozesse. Die Institute verfolgen einen pragmatischen Ansatz, indem sie zunächst klar abgegrenzte Prozesse auswählen, die sich gut automatisieren lassen. Diese Vorgehensweise reduziert Risiken und schafft Erfahrungen, die später für größere Transformationsschritte genutzt werden können. Gleichzeitig wird Governance zum entscheidenden Erfolgsfaktor. Unternehmen müssen sicherstellen, dass Fachbereiche, Compliance, Risikomanagement und Technologie eng zusammenarbeiten, damit Innovation und regulatorische Sicherheit miteinander vereinbar bleiben.

Während viele Unternehmen noch experimentieren, entstehen erste Vorreiter, die gezielt Kompetenzen und Strukturen aufbauen. Sie schaffen die Voraussetzungen, Agentic AI künftig unternehmensweit einzusetzen und sich vom Wettbewerb abzuheben. Für Führungskräfte in Banken und Versicherungen verändert sich damit die zentrale Frage. Es geht nicht mehr darum, ob Agentic AI eingeführt wird, sondern wie schnell die Organisation die notwendigen Grundlagen schafft. Wer früh investiert, kann erhebliche Produktivitäts- und Innovationsvorteile realisieren. Wer zu lange wartet, riskiert den Anschluss an die nächste Entwicklungsstufe der künstlichen Intelligenz zu verlieren.

Der Artikel erschien im Original zuerst auf live.handelsblatt.com unter dem Titel „Agentic AI: Warum Banken und Versicherer jetzt ihr Betriebsmodell neu denken müssen“. Redaktionelle Bearbeitung: MK

Die WWK-Versicherungen treiben eine umfassende Modernisierung ihrer IT-Landschaft voran, die weit über die Ablösung einzelner Anwendungen hinausgeht. Mit dem Programm Arbeitsplatz der Zukunft entsteht eine einheitliche digitale Arbeitsumgebung für Mitarbeitende und angebundene Agenturen. Über viele Jahre hatten Host-Systeme, CRM-Insellösungen, Postkorbanwendungen und Agentursoftware nebeneinander existiert und mussten aufwendig verbunden werden. Die Ablösung der alten Host-Bestandsanwendungen durch cloudbasierte Lösungen markiert den ersten großen Schritt zu einer modernen Systemarchitektur ohne Legacy-Bestandteile. Parallel wurde die APZ-Plattform eingeführt, die auf der BSI Customer Suite basiert und als zentrale Oberfläche für alle relevanten Arbeitsprozesse dient. Sie schafft erstmals eine gemeinsame Daten- und Prozessbasis für interne Mitarbeitende und rund 1.200 Agenturen und ermöglicht eine umfassende Sicht auf Kunden, Vermittler, Partner und Verträge.

Ein früher Meilenstein war die Bereitstellung einer zentralen Übersicht über Kunden, Vermittler und Verträge, die rund 200 Mitarbeitenden flexible Sichten auf Daten aus verschiedenen Bestandssystemen bietet. Zudem wurde die gesamte E-Mail-Kommunikation auf die neue Plattform überführt, sodass Anfragen und Änderungswünsche nun als geführter Prozess bearbeitet werden. Die Einführung in den Agenturen ist besonders anspruchsvoll. Seit Januar 2026 wurden mehr als 700 Agenturnutzer auf das System genommen. Die Umsetzung dauerte länger als geplant, da Sonderfälle immer wieder Anpassungen erforderten. Die WWK setzt dabei auf strukturierte Hospitationen, bei denen Fachabteilungen ihre Arbeitsweise zeigen und daraus ein Vorschlag entsteht, wie sich Vorgänge in der Suite abbilden lassen. In der Endphase befindet sich die Abbildung der Vermittlersteuerung für den Eigen- und Partnervertrieb.

Zudem wird die CRM-Lösung für den telefonischen Kundenservice abgelöst. Für 2027 ist ein Sachbearbeiterportal geplant, das ebenfalls auf der APZ-Plattform basieren soll. Insgesamt rechnet die WWK im Endausbau mit rund 2.000 Nutzenden. Auch der Einsatz von KI wird geprüft, wobei die Fachbereiche Anforderungen formulieren, und die IT bewertet, welche Themen sinnvoll umgesetzt werden können. Die Konsolidierung führt zu einer einheitlichen Plattform, die Prozesse beschleunigt, die Zusammenarbeit erleichtert und die Zufriedenheit der Nutzer steigert. Für ein Unternehmen mit 1,3 Millionen Kunden und rund 1.300 Mitarbeitenden bedeutet dieser Wandel einen grundlegenden Schritt in Richtung einer modernen und zukunftsfähigen IT-Struktur.

Der Artikel erschien im Original zuerst auf cio.de unter dem Titel „Wie die WWK-Versicherungen die IT-Landschaft konsolidieren“. Redaktionelle Bearbeitung: MK

Die Einführung künstlicher Intelligenz gilt in vielen Unternehmen als entscheidender Schritt zur Modernisierung ihrer IT, doch die Realität zeigt ein widersprüchliches Bild. Die Komplexität, die KI eigentlich reduzieren soll, verhindert häufig ihre erfolgreiche Implementierung. Viele Teams sind so stark mit täglichen Betriebsaufgaben ausgelastet, dass kaum Zeit bleibt, neue Technologien einzuführen oder bestehende Systeme zu modernisieren. Eine internationale Studie bestätigt, dass ein Großteil der IT-Fachkräfte mit manuellen Tätigkeiten überlastet ist und sich zugleich mehr Automatisierung wünscht. Die Diskrepanz zwischen Wunsch und Wirklichkeit wächst, weil operative Engpässe die Entwicklung neuer Kompetenzen blockieren und die Einführung von KI-Lösungen verzögern.

Besonders deutlich wird dies beim Blick auf die technischen Grundlagen vieler Unternehmen. Die größten Hemmnisse für KI-Einführungen haben sich verschoben. Während früher die Datenqualität als zentrale Herausforderung galt, sind es heute fehlende Fähigkeiten und die mangelnde Zeit, diese aufzubauen. Hinzu kommt ein massiver Wildwuchs an Schnittstellen, der die Infrastruktur zunehmend fragmentiert. Viele Teams kämpfen mit einer Vielzahl unterschiedlicher APIs, die jeweils eigene Regeln, Sicherheitsmodelle und Integrationsanforderungen mitbringen. Die Folge ist ein operativer Dauerstress, der verhindert, dass Unternehmen die strukturellen Probleme angehen, die KI überhaupt erst möglich machen würden.

Die Erfahrungen eines langjährigen Enterprise-Entwicklers verdeutlichen, wie tief dieses Problem reicht. Hybride Cloud-Lösungen sollten die Komplexität reduzieren und ein einheitliches Management über verschiedene Plattformen ermöglichen. Auf dem Papier wirkte das Konzept elegant, doch die praktische Umsetzung zeigte, dass die Vereinheitlichung neuer Systeme oft nur eine Zentralisierung der Komplexität bedeutet. Unternehmen müssen weiterhin die Besonderheiten verschiedener Cloud-Anbieter verstehen, unterschiedliche Sicherheitsmodelle berücksichtigen und Integrationspunkte pflegen, die sich mit jedem neuen Anbieter vervielfachen. Viele Organisationen reagieren darauf mit einer Rückverlagerung von Anwendungen in lokale Umgebungen, weil die versprochene Flexibilität der Hybrid Cloud in der Praxis zu einer kaum beherrschbaren Belastung geworden ist.

Die Ironie der KI-Implementierung zeigt sich besonders deutlich, wenn Automatisierungslösungen selbst zum Problem werden. Unternehmen entwickeln KI-gestützte Optimierungen, die perfekt mit einer bestimmten API funktionieren, doch sobald ein Anbieter ein Update einführt oder die Plattform gewechselt wird, müssen Integrationen neu aufgebaut werden. Automatisierung, die eigentlich manuelle Arbeit reduzieren soll, erzeugt plötzlich zusätzliche Aufgaben. Die Vielfalt unterschiedlicher API-Standards verstärkt diesen Effekt und führt dazu, dass Teams mehr Zeit mit Infrastrukturpflege verbringen als mit Innovation.
Auch die Beziehung zu Technologieanbietern trägt zur Komplexitätskrise bei. Viele IT-Fachkräfte wünschen sich besseren Support, weil unklare Lizenzmodelle, steigende Kosten und unzureichende Unterstützung die Einführung neuer Technologien erschweren. Unternehmen stehen unter Druck, ihre Systeme zu modernisieren, während Anbieter versuchen, in einem wettbewerbsintensiven Markt Wachstum zu demonstrieren. Das Ergebnis ist ein Ökosystem, das in einer entscheidenden Transformationsphase oft nicht die Unterstützung bietet, die Unternehmen benötigen.

Der Ausweg aus dieser Situation liegt nicht in der Einführung weiterer Tools, sondern in einer konsequenten Vereinfachung der bestehenden Infrastruktur. Unternehmen, die KI erfolgreich implementieren, zeichnen sich nicht durch besonders große Budgets aus, sondern durch Disziplin. Sie reduzieren die Anzahl ihrer Anbieter, prüfen ihre API-Landschaft kritisch, standardisieren Prozesse und treffen bewusste Entscheidungen darüber, welche Technologien tatsächlich Komplexität verringern. Erst wenn diese Grundlagen geschaffen sind, kann KI ihre Wirkung entfalten.

Die Zukunft wird eine deutliche Trennlinie ziehen zwischen Unternehmen, die ihre Infrastruktur vereinfachen und dadurch KI als Kernbestandteil ihrer Prozesse etablieren, und jenen, die in immer neuen Komplexitätszyklen gefangen bleiben. Je stärker KI zum zentralen Element betrieblicher Entscheidungen wird, desto größer wird die Kluft zwischen diesen beiden Gruppen. Unternehmen, die jetzt handeln, schaffen sich einen nachhaltigen Vorteil in einer technologischen Landschaft, die sich schneller verändert, als traditionelle IT-Modelle es zulassen.

Der Artikel erschien im Original zuerst auf cio.de unter dem Titel „Wie Komplexität KI-Ambitionen sabotiert“. Redaktionelle Bearbeitung: MK

Die Versicherungsbranche befindet sich an einem Wendepunkt, an dem künstliche Intelligenz nicht mehr als technologische Option gilt, sondern als strategische Notwendigkeit. Doch bevor KI-Agenten Prozesse automatisieren, Entscheidungen vorbereiten oder entlang der Customer Journey Aufgaben übernehmen können, müssen Versicherer eine Herausforderung bewältigen, die tief in ihrer Vergangenheit verankert ist. Viele Kernsysteme stammen aus einer technologischen Epoche, in der Automatisierung, modulare Architekturen und Datenplattformen keine Rolle spielten. Diese Systeme bilden heute das Fundament, auf dem moderne Policenverwaltung, Schadenbearbeitung und aktuarielles Arbeiten aufsetzen sollen. Ein neuer Report von Roland Berger zeigt, dass die Modernisierung dieser Kernsysteme zur Voraussetzung wird, damit Daten, Automatisierung und KI-Anwendungen skalieren können.

Die Dimension dieser Aufgabe ist enorm. Kernsystem-Transformationen gehören zu den größten Technologieprogrammen der Branche, dauern oft mehrere Jahre und verschlingen zweistellige Millionenbeträge. Rund die Hälfte dieser Projekte verfehlt Zeit- oder Budgetziele. Gleichzeitig wird der Weiterbetrieb alter Systeme immer kostspieliger, weil sie IT-Budgets binden, regulatorische Anpassungen erschweren und Produktänderungen verlangsamen. Mit dem wachsenden Einsatz von KI rückt ein weiterer Aspekt in den Vordergrund. Daten und Geschäftslogiken müssen zuverlässig zugänglich sein, damit neue Anwendungen funktionieren. Genau hier zeigt sich, dass die Modernisierung der Kernsysteme längst kein reines IT-Projekt mehr ist, sondern eine geschäftskritische Weichenstellung.

Der Report verdeutlicht, wie stark sich die technische Architektur der Versicherer bereits verändert. Während drei Viertel der produktiven Kernsysteme noch in eigenen Rechenzentren laufen, werden neue Systeme zunehmend in der Cloud eingeführt. Besonders in der Lebensversicherung entsteht eine Architektur, in der das Kernsystem als stabiles System of Record fungiert, während Funktionen mit hoher Innovationsgeschwindigkeit über modulare Komponenten und Datenplattformen angebunden werden. Automatisierungs- und KI-Anwendungen rücken damit näher an die operative Wertschöpfung, ohne dass Versicherer zwingend ein einziges Großsystem austauschen müssen. Entscheidend wird vielmehr die Frage, welche Aufgaben das Kernsystem selbst übernehmen muss und welche sich außerhalb schneller weiterentwickeln lassen.

Die Migration dieser Systeme bleibt dennoch eine der anspruchsvollsten Aufgaben der Branche. Verträge aus verschiedenen Produktgenerationen, historisch gewachsene Datenstrukturen und über Jahrzehnte erweiterte Geschäftsregeln machen einen pauschalen Big Bang selten sinnvoll. Roland Berger empfiehlt Migrationsstrategien, die sich am Portfolio orientieren und hybride Modelle zulassen, in denen alte und neue Systeme zeitweise parallel bestehen. Die technische Vergangenheit eines Versicherers lässt sich nicht einfach abschalten. Sie muss verstanden, strukturiert und fachlich bewertet werden.

Besonders kritisch wird die Datenqualität. Versicherer erkennen zunehmend den Zusammenhang zwischen hochwertigen Daten und Profitabilität. Gute Daten verkürzen Testzyklen, reduzieren manuelle Prüfungen und ermöglichen hohe Straight-Through-Processing-Raten. Doch ein neues Kernsystem löst Datenprobleme nicht automatisch. Wer unvollständige oder widersprüchliche Bestandsdaten lediglich migriert, überträgt alte Fehler in neue Plattformen. Deshalb wird die Datenmodernisierung zu einem eigenen Arbeitsstrang, der klare Verantwortlichkeiten, Qualitätsgrenzen und nachvollziehbare Datenherkunft erfordert.

Interessant ist die Rolle der KI selbst. Sie steht nicht nur am Ende der Transformation, sondern kann bereits bei deren Durchführung helfen. Generative und agentische KI unterstützen beim Datenprofiling, bei der Erstellung von Testfällen, der Dokumentation und der Rekonstruktion historischer Geschäftslogiken. Damit entsteht eine Wechselwirkung, die den Umbau beschleunigen kann. Versicherer modernisieren ihre Systeme, damit KI künftig breiter eingesetzt werden kann, und setzen KI ein, um diese Modernisierung beherrschbarer zu machen.

Der Markt für Kernsysteme wächst rasant und könnte bis 2034 auf mehr als 32 Milliarden US-Dollar anwachsen. Gleichzeitig steigen die Abhängigkeiten von Cloud-Plattformen und externen Technologieanbietern. Versicherer müssen entscheiden, welche Funktionen sie selbst kontrollieren und an welchen Stellen sie sich dauerhaft an die Architektur ihrer Anbieter binden.

Die zentrale Erkenntnis des Reports lautet, dass die KI-Frage weit unterhalb der sichtbaren KI beginnt. Leistungsfähige Modelle können nur mit den Daten und Systemen arbeiten, auf die sie zuverlässig zugreifen können. Die Einführung neuer KI-Anwendungen lässt sich schnell demonstrieren, doch die Voraussetzungen dafür zu schaffen, dass sie tief in die Wertschöpfung eingreifen, dauert Jahre. Die Zukunft der Versicherungs-IT beginnt damit ausgerechnet bei der Aufarbeitung ihrer Vergangenheit.

Der Artikel erschien im Original zuerst auf experten.de unter dem Titel: „KI trifft auf alte Kernsysteme: Warum Versicherer erst ihre Vergangenheit aufräumen müssen“. Redaktionelle Bearbeitung: MK

Seit künstliche Intelligenz immer stärker in den Vermittlermarkt vordringt, verändert sich die Rolle von Maklerpools spürbar. Kaum ein anderes Thema prägt die Branche derzeit so intensiv wie die Frage, wie KI die Arbeitsabläufe von Maklern beeinflusst und welche Auswirkungen dies auf die etablierten Strukturen hat.

Neue Anwendungen erscheinen in hoher Frequenz und versprechen, EMails schneller zu bearbeiten, Dokumente automatisiert auszulesen oder administrative Tätigkeiten effizienter zu gestalten. Gleichzeitig gehören Maklerpools seit Jahrzehnten zu den wichtigsten Partnern unabhängiger Vermittler, da sie Zugang zu Produktgebern schaffen, Weiterbildung ermöglichen und technische Infrastruktur bereitstellen. Vor diesem Hintergrund entsteht die zentrale Frage, welche Rolle Maklerpools künftig in einer Arbeitswelt spielen werden, die zunehmend von KI geprägt ist.

Die Bedeutung der Pools bleibt bestehen, doch die Erwartungen der Makler verändern sich. Viele Vermittler entscheiden sich aus unterschiedlichen Gründen für einen Pool, wobei technische Unterstützung eine immer größere Rolle einnimmt. Makler verbinden mit ihrem Pool die Erwartung, den eigenen Betrieb effizienter zu organisieren und digitale Services zu nutzen, die den Arbeitsalltag vereinfachen. Genau an diesen Stellen setzt künstliche Intelligenz an und verändert die Perspektive auf bestehende Prozesse. KI kann Dokumente auslesen, EMails klassifizieren, Antwortentwürfe erstellen und Informationen aus verschiedenen Quellen innerhalb weniger Sekunden zusammenführen. Dadurch lassen sich Routineaufgaben spürbar beschleunigen und neu strukturieren.

In der Praxis besteht die Arbeit eines Maklerbüros jedoch selten aus isolierten Aufgaben. Viel häufiger müssen Informationen aus unterschiedlichen Quellen zusammengeführt, eingeordnet und im richtigen Kontext weiterverarbeitet werden. Der Fokus verschiebt sich deshalb zunehmend. Entscheidend ist nicht mehr, wo Informationen abgelegt sind, sondern wie effizient sie über verschiedene Systeme hinweg genutzt werden können. Der eigentliche Mehrwert entsteht nicht im einzelnen System, sondern zwischen den Systemen. Daten gewinnen weiter an Bedeutung, doch sie liegen in vielen Maklerbetrieben verteilt auf Verwaltungsprogramme, CRMSysteme, PoolPortale, Vergleichsrechner, EMailPostfächer, Dokumentenarchive, MessengerDienste und spezialisierte KIAnwendungen. Die Herausforderung besteht darin, Informationen aus unterschiedlichen Systemen im richtigen Kontext verfügbar zu machen und miteinander zu verbinden. Erst dann entstehen durchgängige Arbeitsabläufe, in denen Automatisierung und KI ihr volles Potenzial entfalten können.

Maklerpools besitzen an dieser Stelle einen strategischen Vorteil. Sie begleiten die Digitalisierung ihrer Partner seit vielen Jahren, kennen deren Prozesse und verfügen über zahlreiche Schnittstellen zu den wichtigsten Systemen im Makleralltag. Mit jeder neuen KIAnwendung verändern sich die Erwartungen der Makler an Technologie. Wer erlebt, wie schnell Informationen gefunden und Routineaufgaben vorbereitet werden können, betrachtet bestehende Arbeitsabläufe mit anderen Augen. Produktzugänge, Courtage und Service bleiben wichtige Faktoren, doch zunehmend wird relevant, wie gut ein Pool seine Partner dabei unterstützt, moderne Technologien produktiv einzusetzen und unterschiedliche Systeme sinnvoll miteinander zu verbinden. Für viele Makler wird künftig nicht entscheidend sein, welche einzelnen Anwendungen ein Pool bereitstellt, sondern wie effizient sich damit im Alltag arbeiten lässt.

Historisch haben Pools vor allem Zugang zu Produktgebern, Wissen und technischer Infrastruktur geschaffen. Mit dem Aufkommen von KI gewinnt eine weitere Aufgabe an Bedeutung. Die intelligente Verbindung bestehender Systeme und neuer Technologien wird zu einem zentralen Erfolgsfaktor. Der größte Produktivitätsgewinn entsteht dort, wo Informationen systemübergreifend zusammengeführt und unmittelbar für Arbeitsprozesse genutzt werden können. Für Pools eröffnet sich daraus eine große Chance. Sie verfügen über die Nähe zum Markt, verstehen die Anforderungen ihrer Partner und können technologische Innovationen schneller in die tägliche Arbeit integrieren. Künftig wird es weniger darauf ankommen, jede neue technologische Entwicklung selbst bereitzustellen. Maßgeblich wird sein, wie schnell neue Möglichkeiten für Makler nutzbar gemacht werden können, sei es durch eigene Lösungen, Partnerschaften oder intelligente Integrationen.

Am Ende zeigt sich, dass künstliche Intelligenz Maklerpools nicht ersetzen wird. Sie verändert jedoch die Erwartungen der Vermittler daran, welchen Mehrwert ein Pool künftig leisten muss. Produktzugänge, Weiterbildung und Service bleiben zentrale Bestandteile des Leistungsversprechens. Gleichzeitig wird immer wichtiger, wie stark ein Pool seine Partner dabei unterstützt, effizienter zu arbeiten, Prozesse zu vereinfachen und neue Technologien sinnvoll in den Arbeitsalltag zu integrieren. Pools, denen es gelingt, ihre Partner messbar produktiver zu machen, werden ihren Wettbewerbsvorteil weiter ausbauen. Wer Maklern dagegen keine spürbaren Produktivitätsgewinne ermöglicht, wird es zunehmend schwerer haben, sich nachhaltig zu differenzieren und zu wachsen. Der eigentliche Mehrwert entsteht künftig nicht mehr im einzelnen System, sondern zwischen den Systemen.

Der Artikel erschien im Original zuerst auf asscompact.de unter dem Titel: Wenn Maklerpools auf KI treffen: Konkurrenz oder Chance? Redaktionelle Bearbeitung: MK