# HDI Insurance: AI-Native Transformation Strategy

**Podcast:** AI FIRST Podcast
**Published:** 2026-10-23

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute schauen wir mal auf eine Branche, in der KI nicht irgendwo neben dem Kerngeschäft für die individuelle Produktivität oder hier und da ein paar Effizienzsteigerungen stattfindet, sondern ganz direkt darüber entscheidet, wie Risiken bewertet werden, Schäden bearbeitet werden und wie auch Kunden betreut werden.
Wir reden natürlich über die Versicherungsbranche und mein Gast ist heute Daniel Schulze-Lammers, Vorstandsvorsitzender bei der HDI-Versicherung und wird uns heute ein paar Einblicke darin geben, wie eigentlich eine Versicherung sich neu aufstellen muss, wenn KI nicht nur unterstützt, sondern zentraler Teil der Wertschöpfung wird.
Daniel, schön, dass du hier bist.
Hallo Felix, vielen Dank für die Einladung.
Erzähl doch zum Start einmal ganz kurz, wer du bist und was ihr bei der HDI-Versicherung macht.
Ja, ich bin Daniel.
Ich verantworte das Sachversicherungsgeschäft in Deutschland der HDI-Gruppe.
Das ist also alles von der Privathaftpflicht über Kraftfahrt bis kleine Unternehmen versichern.
Das ist so ziemlich alles, was man so versichern kann.
Und es lohnt sich, dir auf LinkedIn zu folgen, weil da kommen immer mal wieder ein paar ganz interessante Posts mit guten Gedanken.
So bin ich auch auf dich aufmerksam geworden und du hast vorgestern.
was gepostet, wo du gerne gleich doch mal ein bisschen mehr Einblicke geben kannst.
Aber du hast dich hingesetzt und hast Galaxy Invaders, so ein Arcade-Game, Arcade-Shooter, selbst nachgebaut, gecodet und hast das dann in dein Team geschickt, woraus dann unterschiedliche interne Wettkämpfe entstanden sind.
Die einen haben versucht, dann in dem Spiel den Highscore zu knacken, indem sie es besser spielen als die anderen.
Und eine andere Gruppe hat versucht, die Bestenliste zu hacken und sich darüber an die Spitze zu mogeln.
Wie kam es zu dem Experiment und was ist jetzt seitdem noch passiert?
Der Ausgangspunkt war ein ganz anderer.
Nächste Woche habe ich meine Neffen, die sind 10 und 13, hier zu Besuch und mit denen wollte ich einen Hackathon machen und mit denen wollte ich so ein kleines Akkad-Game basteln.
Um mich vorzubereiten, habe ich das am Freitag selber mal gemacht.
Das waren quasi 1000 Zeilen Code, war nicht so aufwendig, ein bisschen die Spielmechanik dann gebastelt.
Und dann habe ich das mehr so als Gag bei uns ins Teams reingestellt und habe gesagt, guckt doch mal, ob ihr nicht den Highscore brechen könnt.
Und dann haben ein paar angefangen, genau das zu versuchen.
Aber irgendwer...
hat, und das war ja am Anfang noch ganz einfach, hat einfach gesehen, dass es die API wird einfach direkt über den Webbrowser angesteuert, hat da den Wert verändert und stand plötzlich im Highscore oben.
Und ab dann wurde da ein Wettbewerb draus, wo ich dann laufend versucht habe, das Sicherheitslevel hochzuschrauben.
Und inzwischen sind, weiß nicht, fünf, sechs Leute mit einer ganzen Reihe an Bots dabei zu versuchen, die Schnittstelle anzugreifen.
Und inzwischen geht das eigentlich nur noch, indem man menschliches Verhalten nachahmt.
Das heißt, man muss möglichst gut Mausbewegungen auf dem Game eben nachzeichnen.
Und das ist super spannend, weil es also einerseits zeigt, was möglich ist.
Auf der anderen Seite, also das war überhaupt nicht so gedacht, aber manchmal entstehen ja die besten Sachen auch sowas.
Wir diskutieren da gerade in unserem Teams-Kanal drüber.
Da hören gerade 100 Leute, lesen das mit.
Das ist natürlich für uns eine der großen Herausforderungen.
Wir müssen uns mit KI mehr auseinandersetzen.
Viele, die bei uns arbeiten, haben IT in der Zeit gelernt, als es noch keine KI gab.
Man muss sich dem ja irgendwie nähern und manchmal hilft das, wenn man sich über sowas dem Thema nähert und auch einfach live erlebt, was ist denn eigentlich möglich und was kann man alles machen.
Blickst du nach diesem Mini-Projekt, was du ja für dich gemacht hast, auch nochmal anders auf KI?
Auch?
in eurem Unternehmen?
Also ich habe auch vorher schon, bin ich davon überzeugt gewesen, dass KI die Art, wie Versicherungen funktionieren, wirklich sehr verändern.
Jetzt habe ich bislang immer sehr stark über den Business-AI-Teil nachgedacht.
Also wie funktioniert eigentlich Versicherung?
Das war jetzt ein tieferer Einblick in, wie funktioniert eigentlich Software-Deployment oder Software-Entwicklung?
Und das ist mir schon auch nochmal klar geworden, dass man da auch nochmal sehr viel grundsätzlich darüber nachdenken muss.
Also angefangen bei so Fragen, wir haben heute ein Safe Framework bei uns in der IT.
Zwei Wochen Sprints und dann Review.
Das ist nicht mehr so richtig das, was man mit KI eigentlich als die richtige Arbeitsweise braucht.
Also insofern glaube ich, da wird sich auch da nochmal sehr viel mehr verändern.
Und ich glaube auch die Zeit, die wir haben, um diese Veränderung vorzunehmen.
Die wird kürzer sein.
Wenn ich mich zurückerinnere, ich glaube, in der Branche, wir haben, weiß ich nicht, in der Branche fünf Jahre gebraucht, um Agile einzuführen.
Meine Güte.
Also wir können nicht fünf Jahre brauchen, um uns auf KI-Entwicklung einzustellen.
Dann wird es schwierig werden.
Wir fangen hier in dem Podcast oftmals in der Vergangenheit an und schauen uns dann an, wie so die KI-Reise von unterschiedlichen Unternehmen aussieht.
Wir haben ja gesagt, wir drehen das mal um und fangen mal beim Zielbild.
an und ich finde, du hast da einige ganz interessante Gedanken darüber, wie sieht eigentlich eine Versicherung im KI-Zeitalter aus und ich würde da mit dir einfach gern mal reingehen und sagen, wenn ihr jetzt als HDI-Versicherung in den nächsten fünf Jahren, was ist dein Zielbild, wie du euch dafür aufstellen möchtest?
Was glaubst du auch, worauf es rankommen wird?
Ja, ich glaube, so ein...
So ein ganz klares Zielbild im Sinne von so wird es sein, ist unrealistisch, das so zu formulieren.
Und ehrlicherweise wissen wir, glaube ich, alle nicht so richtig, wo KI in fünf Jahren steht und was dann möglich ist und wie es aussieht.
Also insofern glaube ich nicht.
Ohnehin glaube ich von der Vorstellung von Zielbildern müssen wir uns ein bisschen verabschieden.
Denn es gibt nicht mehr dieses Plateau, zu dem man sich hinentwickelt und dann irgendwie zwei Jahre da drin bleibt, sondern das ist eben eine Entwicklung, bei der man mit einer...
möglichst hohen Entwicklungsgeschwindigkeit mithalten kann.
Aber dieses Zielbild passt insofern als Begriff, glaube ich, gar nicht so richtig.
Aber trotzdem gibt es natürlich Richtungen, in die es tendenziell geht.
Und ich glaube, das lohnt sich schon, da mal reinzugucken.
Und ich glaube auch, dass zumindest bei den Richtungen man einiges erkennen kann.
Aus meiner Sicht ist der Kernpunkt, wenn man sich heute Versicherungen anguckt, sind wir ja in ganz großen Teilen aufgebaut auf Kernsystemen, um die herum Abteilungen irgendwie entstanden sind und auf die dann Prozesse gesetzt worden sind.
Also wenn ich mir heute unsere Prozesse angucke, ganz häufig sind die ganz stark mit den Systemen verbunden und dann über Abteilungen hinweg miteinander verbunden.
Und genau das macht es im Grunde auch so schwer, KI-Optimierungen zu machen.
Wir haben ja wie alle anderen auch erstmal die Prozesse angeguckt und haben dann gesagt, komm jetzt.
optimieren wir die mal, aber über so Daten auslesen, Daten einspielen, Zusammenfassungen machen und sowas kommt man nur ganz schwer hinaus, weil man eben immer in diesen relativ klaren und so richtig hilfreichen Prozessen drin hängt.
Und deswegen glaube ich, ist ein wesentliche Erkenntnis, wenn wir uns überlegen, wo es hingeht, dass wir viel stärker fragen müssen, was braucht KI eigentlich, damit sie gut funktioniert?
Wie müssen wir unser Unternehmen aufbauen?
damit KI möglichst weitreichend funktionieren kann und möglichst gut unsere Arbeit abnehmen kann.
Und der erste Punkt, glaube ich, ist, wir müssen sicherstellen, dass Kontext da ist.
Das ist das A und O, damit überhaupt etwas funktioniert.
Bei allen unseren stärkeren Use Cases war immer der Erfolgsfaktor, wir haben viel mehr Kontext bereitgestellt, als das vorher der Fall gewesen ist.
Und zwar nicht strukturierten Kontext, sondern genau so.
wie der Schadenfall eben bei uns reingekommen ist, mit dem echten Polizeibericht, mit der Schadenmeldung des Kunden, mit allem, was dazugehört.
Und wenn man mit diesem Kontext anfängt zu arbeiten, dann merkt man erst, was mit KI eigentlich wirklich möglich ist.
Gleichzeitig ist der Kontext aber oft nicht da.
Das heißt, diesen Kontext-Layer aufzubauen und den so aufzubauen, dass er wirklich den gesamten Kontext aus der gesamten Unternehmung hat und man darauf zugreifen kann.
Das, glaube ich, ist die erste Richtung, in die wir denken müssen.
Also weg von Systemen, weg von den strukturierten Daten der Systeme hin zu Kontext, Kontextlayer aufbauen.
Ich will einmal kurz einhaken, wenn du von Systemen sprichst, kannst du da mal ein Beispiel machen, was das für Kernsysteme sind?
Also ich muss jetzt nicht den Namen, aber was für eine Art von System?
Typischerweise haben Versicherer ein Schadensystem, da werden die Schäden bearbeitet, dann gibt es ein Bestandsführungssystem, da sind die Vertragsdaten abgelegt, da werden Zahlungsinformationen abgelegt.
Dann gibt es, ja klar, ein Buchführungssystem wie überall, aber das sind so Vertriebssysteme, wo Verträge abgeschlossen werden und die sind typischerweise dann mehr oder weniger gut miteinander verbunden.
Und ja, das ist im Grunde das, worauf wir aufsetzen.
Okay, gut, also.
Kernsysteme, die würden dann woanders, ist das dann halt ein CRM oder ein ERP-System oder Dokumentmanagement-System, wie auch immer und bei euch wahrscheinlich noch viele Logiken und Prozesse für die Versicherung.
Aber genau, also wir haben richtig, also CRM ist das Vertriebssystem, dann haben wir genau ein ERP-System dahinter.
Okay, okay, verstanden.
Und da bis heute, da arbeiten die Menschen da alle drauf, die Daten fließen, wahrscheinlich sind das mal so Silos.
Man hat noch recht viele Medienbrüche, die man überbrücken muss.
Und man hat dort diese typischen Eingabemasken und darin abgebildeten Pade und Prozesse, die dann durchlaufen werden, um so einen Schadensfall beispielsweise zu bearbeiten.
Genau, Dialogsysteme, in denen Mitarbeiter in diesen Dialogsystemen arbeiten und wo dann Schritte mit einer Prozessengine oder irgendwas miteinander verbunden werden, wo Daten von rechts nach links weitergehen.
Und das ist das Setup, glaube ich, mit dem die meisten mehr oder weniger haben.
Und in diesem Setup ist es eben unheimlich schwer, KI so richtig reinzubekommen, weil das eben schon ein relativ großer deterministischer Anteil ist, wo man in Regeln, wo man in Rollen, wo man in Plausibilitäten drin ist, wo die Prozesse auch sehr stark vorgegeben sind und wo es dann eben ganz schwer ist, über die einfachen Use Cases hinaus zu kommen.
Ja, okay, da könnte ich jetzt sagen, In diesem einen Prozess, nimm dieses Dokument und fass mir das zusammen und spiel dann die Zusammenfassung in den nächsten Schritt rein, aber dann bin ich wieder in den nächsten Schritt und bin dann da wieder gefangen.
Also ich könnte halt, wie du es schon anfangs gesagt hast, die Einzelschritte stärker automatisieren, aber es ist wahrscheinlich schwieriger, dort einen komplett neu gedachten Prozess auf die Systeme draufzusetzen, weil die so eine voreingenommene, voreingenommenen Weg im Grunde...
Genauso würde ich das formulieren.
Ein Schaden kommt bei uns rein, typischerweise nach wie vor viel über E-Mail oder auch Briefe.
Das wird dann irgendwie gescannt, werden ein paar Daten rausgezogen, dann geht das im Kern zu einem Sachbearbeiter, der guckt sich den Fall an.
Und dann legt er einen Schaden an, dann sieht er, hier fehlen noch Informationen, dann wird ein Brief rausgeschrieben.
Dann kommt der Brief irgendwann zurück, dann guckt im besten Fall der gleiche Sachbearbeiter, im schlimmsten Fall ein anderer Sachbearbeiter auf den Schaden drauf, stellt fest, da sind ein paar Daten zurückgekommen, aber noch nicht alle, die ich brauche, schreibt den nächsten Brief.
Also man kann sich vorstellen, das sind ja alles, also so eine Schadenbearbeitung ist oft ein Prozess über mehrere Wochen, wo man immer wieder darauf wartet, dass irgendwas passiert.
Hochmanuell, ganz viel Fach-Know-how natürlich auch dahinter.
Man muss natürlich verstehen, was ist denn nun eigentlich versichert?
Viele juristische Fragestellungen, die sich ergeben.
Das ist so ein Prozess, den man sich da vorstellen kann.
Das läuft eben alles auf so unterschiedliche Kernsysteme, auf denen das abläuft.
Aber im Kern sind das eben alles dialogbasierte Systeme mit so Workflow-Komponenten drauf.
Okay, verstanden.
Ich glaube, da können sich auch viele Zuhörer reinversetzen in so ähnliche Systeme, die es ja in allen größeren Unternehmen gibt.
Denke ich auch.
Okay, und jetzt gehen wir nochmal zurück.
Also Kontext, Lea, du sagst also, wir müssen irgendeine Schicht aufbauen bei uns im Unternehmen, wo KI die Möglichkeit hat, auf den vollständigen Kontext zuzugreifen, den auch der Mensch am Ende hat, um beispielsweise so einen Schadensfall vollständig bearbeiten zu können.
Ja, genau.
Also wenn man mal ein paar Schritte zurückgeht und sich die Situation eigentlich anguckt.
Also was wollen wir?
Wir haben einen Schadenfall bekommen und wollen verstehen, ist dieser Schadenfall mit einer Versicherung, die der Kunde bei uns abgeschlossen hat, abgedeckt?
Also ist diese konkrete Situation, dieser konkrete Fall in der abstrakten Beschreibung der Versicherungsbedingungen abgedeckt?
Und das ist etwas, was für Menschen gar nicht so einfach ist, wo man relativ lange für überlegen muss, was ist denn jetzt der konkrete Sachverhalt?
In welchen Konstellationen ist das abgelaufen?
Was brauche ich überhaupt erstmal an Daten, um das wirklich beurteilen zu können?
Ich muss den Versicherungskontext verstehen und dann bringe ich das zusammen.
Das ist im Grunde heute das, was der Großteil ist.
Für eine KI ist natürlich ganz viel davon ziemlich einfach.
Also zu erkennen, da beschreibt jemand, das Auto sprang nicht mehr an, weil ein Marder das Kabel durchgebissen hat.
Das ist ein konkreter Sachverhalt.
Eine KI kann sehr, sehr schnell erkennen, ah ja, das ist eine Teilkaskoversicherung, das ist in den Bedingungen hier, Tierbissfolgeschäden abgesichert, bis 3000 Euro oder irgendwie sowas und dann kann man das machen.
Das heißt, diese konkrete Situation, jetzt mal völlig unabhängig davon, ob die KI entscheidet, in unseren Modellen entscheidet immer noch ein Mensch aus regulatorischen Gründen und vielen anderen, aber natürlich diese Vorbereitung dieser Entscheidung, da kann KI unheimlich viel machen.
Die Voraussetzung dafür ist aber, dass sie auf die Originaldaten zugreifen kann.
Sie muss den Brief des Kunden sehen, sie muss die Kommunikation des Kunden verstehen und sie muss dann die Möglichkeit haben, etwas vorzubereiten, wo ein Mensch drauf guckt und sagt, ja, war richtig, sehe ich auch so, ist ein Tierbissschaden und kann versichert werden oder ist versichert und die Zahlung geht raus.
Und diese Entscheidungspunkte, und das wäre mein zweiter Punkt, wohin die Richtung geht, das eine ist, im Kontext denken und das andere ist, in Entscheidungen denken.
Also welche Entscheidungen treffen wir als Unternehmen eigentlich?
Können wir den Schaden auszahlen?
Das ist eine der zentralen großen Entscheidungen, die wir an den Karten haben.
Versichern wir den Kunden?
Das ist die zweite große Entscheidung.
Versichern wir ihn so zu den Konditionen weiter?
Also es gibt so fünf, sechs wirklich große Entscheidungen, die wir in sehr hoher Frequenz immer wieder treffen und die man mit KI sehr, sehr gut vorbereiten kann, wenn man denn dafür sorgt, dass der Kontext da ist und dass die Prozesse dafür ausgelegt sind, auf diese Entscheidung hinzulaufen.
Und wahrscheinlich habt ihr den großen Vorteil, dass ihr enorm viele Datensätze bereits habt von den Entscheidungen, die in der Vergangenheit getroffen werden mussten.
Also viele, wahrscheinlich hundetausende Millionen von Kunden, die versichert werden wollten.
eure Entscheidung, also die Profile dieser Kunden und ob sie versichert wurden oder nicht und genauso die ganzen Schadenfälle, wo es wahrscheinlich sehr viele gibt.
Also extrem gute Datenbasis, die man für das Training nutzen könnte.
Genau.
Oder die Evaluation der Entscheidung.
Genau, also überall da, wo man die Entscheidung im Grunde genommen anhand von Daten treffen kann, ist das ein entscheidender Teil und ist auch völlig richtig.
KI ist eben nicht nur...
LLM, sondern KI ist auch Machine Learning und viele weitere quantitativen Verfahren.
Da sind wir in der Branche, würde ich sagen, fast sogar einen Schritt weiter, weil das sehr dicht am Kerngeschäftsmodell einer Versicherung ist, Risikodaten zu verstehen und Modelle zu bauen, wie hoch die Risiken im konkreten Fall sind und sowas.
Das, was wir jetzt mit KI zusätzlich können, merke ich, ist schon nochmal eine besondere Herausforderung.
Okay, also ich gehe nochmal in dein Bild zurück, was ich großartig finde.
Wie bauen wir eine Versicherung der Zukunft so, dass KI darin möglichst gut arbeiten kann und möglichst gut Arbeit für Menschen und Mitmenschen erledigen kann?
Du sagst, das eine ist Zugriff auf den vollständigen Kontext.
Das zweite ist, sie muss verstehen, welche Entscheidungen getroffen werden müssen und wie diese und wonach diese Entscheidungen getroffen werden.
Also Entscheidungsbäume und Entscheidungskriterien.
Genau.
Und im Idealfall nicht einen Entscheidungsbaum, sondern das ist schon wieder so viel Regelwerk, was das hervorruft.
Das ist, glaube ich, immer die Großkunst, rauszufinden, wie viel Regelwerk brauche ich eigentlich, wie viel Freiraum ermöglich ist.
Deswegen bin ich mal ein bisschen vorsichtig, zu früh zu sagen, wir bauen jetzt mal einen Entscheidungsbaum.
Aber die Entscheidung, ich kann Geld auszahlen, weil der Schadenfall versichert gewesen ist, das ist das, was am Ende ein Mensch drin ist.
Was braucht es davor?
Davor braucht es einen Abgleich des konkreten Schadens mit den Versicherungsbedingungen.
Da kann KI unterstützen.
Was braucht man davor?
Dafür muss man erst mal gucken, welche Daten brauche ich eigentlich, um entscheiden zu können, ob das versichert ist.
Liegt der Polizeibericht vor?
Liegt eine Unfallbeschreibung vor?
Weiß ich, wer der Unfallgegner ist?
Gibt es ein Gutachten?
Brauche ich, weiß nicht, Belege oder irgendwie sowas?
Das ist ja je nach Schadenart unterschiedlich.
Und das heißt, auch den Schritt habe ich eigentlich alle Informationen oder fehlt mir noch was, etwas, was man wunderbar mit KI unterstützt machen kann.
Die richtigen Informationen einholen ebenso.
Also zu verstehen, hier fehlt nicht einfach nur der Polizeibericht, sondern eigentlich fehlt ein Teil der Beschreibung des Unfalls.
Was genau ist denn eigentlich passiert?
Ist das Auto gefahren oder stand es still?
Das sind genau die Dinge, die viel darüber aussagen am Ende, ob es versichert gewesen ist oder nicht.
Und genau darauf kann man eben gucken, dass man das über KI unterstützt vorbereitet, damit am Ende die Entscheidung möglichst gut vorbereitet dann getroffen wird.
Wie sieht es mit den Prozessen aus, also wie so ein Schadenfall abgewickelt wird?
Das ist dann Teil vom Kontext, das würde dann da beschrieben sein?
Ne, also in unserem Bild.
Da gibt es einen Kontext-Layer, wo die Informationen zusammengetragen werden.
Darauf haben wir dann im Grunde eine Prozesskomponente, über die wir dann vom einen zum nächsten Schritt weitergehen würden.
Das ist dann ein eigener Prozess-Layer, den wir darüber haben.
Und von dem aus wir dann, weiß ich nicht, KI, LLMs oder was auch immer gemacht werden muss, aufrufen oder eben auch auf...
Briefvorlagen zurückgreifen oder ähnliches, um die dann auszulösen, um Informationen einzusammeln.
Ja, weil ich merke in diesen Tagen immer mehr, dass in meiner Arbeit, oder ich meine, wir können unsere Unternehmen wirklich nicht miteinander vergleichen, aber was mir auffällt, ist, dass oftmals meine Anweisung, wie eine KI eine bestimmte Aufgabe abarbeiten soll, also die Schritt 1, 2, 3, 4, 5, dass das immer mehr zu schlechteren Ergebnissen führt und dass ich bessere Ergebnisse bekomme, wenn ich den Startpunkt vorgebe, die Entscheidung, die getroffen werden muss oder die Kriterien, die erfüllt sein müssen und dann bereitstelle darunter die Schnittstellen auf Systeme, in denen was gemacht werden muss, sich Daten gezogen werden sollen und der Kontext.
der notwendig ist.
Und den Weg dazwischen von, es gibt einen Auslöser und das ist das erwartete Ergebnis, den finden die Modelle, es ist manchmal gruseliger, aber immer besser, selbst viel schneller.
Und wenn ich als dummer Mensch das vorgebe, dass das oftmals die KI noch einschränkt und nicht wie, es ist ja...
Vor einem Jahr oder so war es super, super wichtig, genau jeden Schritt, egalerweise noch sehr deterministisch vorgeben zu können.
Das löst sich immer stärker auf.
Bin ich total dabei.
Dabei ist auch unsere Beobachtung.
Jetzt muss man fairerweise sagen, im Bereich Code Development ist KI einfach weiter.
Also genau dieses Vorausdenken der nächsten 17 Schritte, damit die nächste Version da ist.
Das können die aktuellen Modelle schon wirklich, wirklich gut.
In so einem ganz spezifischen Kontext, welche Informationen brauche ich genau, damit der Schadenfall geprüft werden muss, muss man sagen, sind die Modelle einfach noch nicht so gut.
Und da passiert es auch immer wieder, dass sie dann ausbrechen, dass sie die falschen, also nicht ausbrechen im Sinne von wen anders hacken, muss man ja heutzutage dazu sagen, aber dass sie aus ihrem Weg ausbrechen, sich plötzlich verirren.
Und der zweite Punkt, der bei uns ja dazu kommt, ist, es ist einfach eine hochregulierte Branche.
Wir dürfen jetzt auch nicht einfach nur, weil mal die KI was falsch gemacht haben, nicht auszahlen oder zu viel auszahlen oder ähnliches.
Also insofern ist da die Notwendigkeit von einem klaren Harness und von klaren Begrenzungen und auch immer wieder deterministischen Schritten, um sicherzustellen, dass wieder jemand drauf guckt und sagt, ja, ist jetzt alles richtig, jetzt bitte weiter, ist schon noch höher, als das in anderen Bereichen sein mag.
Aber in der Tendenz sehen wir das ganz genauso.
Wenn man vor einem Jahr gesagt hätte, alles ist deterministisch abgebildet und jetzt machen wir nur die Datenextraktion KI-basiert, dann würden wir heute sagen, naja, guck dir mal die 800 Dokumente an, die in dem Fall sind und erklär mal, was ist der Sachverhalt.
Oder hier bekommst du mal unsere Arbeitsanweisungen und dann, was würdest du denn tun?
Also im Grunde.
sich darüber zu nähern und da merken wir tatsächlich auch, dass das einfach viel, viel besser wird, was möglich ist.
Okay, also dein Modell von der KI-nativen Versicherung.
Wir haben einen Kontext, wir haben noch Prozesse, die schon auch noch abgebildet sein müssen.
Wir haben die Entscheidungskriterien, darin kann sich KI dann...
immer besser auch selbst bewegen.
Wir denken hier gerade in die Zukunft.
Ich wiederhole das nur noch mal.
Und wir kommen ja auch gleich mal dazu, wo ihr heute steht und wir da weitermachen möchten.
Gibt es da noch andere Komponenten, die du oder Richtungen siehst?
Ja, also ich glaube, was wichtig ist, es gibt eine Prozesskomponente.
Dann denken wir immer in einem deterministischen Block und einem probabilistischen Block.
Wir versuchen, die Regelwerke, die Vorgaben, die Prozessschritte, die einzuhalten sind, zu trennen von dem, wo wirklich ein KI-Agent etwas tut und ein Ergebnis zurückspielt, damit wir eben gut erkennen können, dass das jetzt zueinander Regeln sich auch verändern können, ohne dass man in dem restlichen Teil alles verändern muss.
Und im Grunde versuchen wir dann, die Oberflächen als letztes zu bauen, wo wir heute oft ja mit der Oberfläche im Prozess anfangen.
ist das im Grunde das Letzte, wo wir sagen, wir wissen jetzt, was in dem Use Case zu tun ist, an welchen Stellen wollen wir eigentlich einen Human-in-the-Loop oder einen Human-on-the-Loop haben und dafür braucht man eine spezifische Oberfläche und die bauen wir dann als Letztes so, dass genau diese Aufgabe eben auch erfüllt werden kann.
Und das verändert schon sehr viel in der Art, wie man dann über solche Use Cases, aber eben auch Versicherungen in Summe nachdenkt.
Du hast gerade gesagt, was ich interessant finde, Human in the Loop versus Human on the Loop.
Wo siehst du da den Unterschied und wann ist der Human in the Loop und wann on the Loop?
Wir haben beides, wir brauchen glaube ich auch beides.
Wir sagen immer, alle relevanten Entscheidungen werden von Menschen getroffen.
Also wird der Schaden ausgezahlt, wird der Kunde versichert, gibt es eine Veränderung am Risiko und wie reagieren wir darauf?
Das ist der Human in the Loop.
Das ist der Human in the Loop und den haben wir nach wie vor.
Die Rolle des Human on the Loop entsteht ja gerade erst.
Und das ist tatsächlich der spannende Teil.
Wie schafft man es, wenn so ein System einmal gebaut ist, dann so eine Rolle zu haben, wo man in die Agenten reinguckt, versteht, welcher performt eigentlich gut, welcher macht gute Entscheidungsvorschläge, welcher nicht, welcher braucht mehr Kontext oder anderen Kontext.
Also wie schaffe ich das System, was ich gebaut habe, am Leben zu erhalten?
Und das ist eine super anspruchsvolle Rolle, weil man auf der einen Seite technisches Know-how haben muss, auf der anderen Seite aber eben auch wirklich tiefes Fach-Know-how haben muss, weil man wirklich verstehen muss, was passiert denn jetzt in diesem Schaden hier eigentlich genau?
Man muss schon relativ gut verstehen, woran es gerade scheitert, wenn der Agent nicht gut läuft oder wenn die Vorschläge nicht gut sind, die er erzeugt.
Also das ist einerseits eine neue Rolle, zweitens eine super anspruchsvolle Rolle.
von Leuten, die sich ja selber ihr Arbeitsumfeld gerade erst bauen müssen.
Das kommt ja heute noch in keiner Arbeitsbeschreibung vor, irgendwie human on the loop zu sein.
Also das ist, glaube ich, unheimlich spannend.
Gleichzeitig aber wirklich auch eine spannende Rolle, weil man unheimlich viel gestalten kann.
Und da verschmelzen spannenderweise eben auch klassische Rollen sehr stark.
Also das, was früher aufgeteilt war zwischen einem Business Owner und einem BA und einem Entwickler und noch jemand hat getestet und so.
Also ganz unterschiedliche Rollen.
Also wenn man wirklich ein guter Human on the Loop sein will, muss man das eigentlich alles gemeinsam haben.
Man muss ein gutes Verständnis davon haben, was ist das Ziel, was ich gerade erreichen möchte.
Ich möchte irgendwie eine gute Schadenbeurteilung irgendwie am Ende haben.
Was muss ich alles tun, damit das Netzwerk oder das System sich so entwickelt, dass das eben tatsächlich auch passiert.
Also ich finde es total faszinierend.
Wie du schon sagst, wir sind da jetzt noch am Anfang.
Die Softwareentwicklung rennt schon wieder ein bisschen vorneweg.
Es gibt jetzt viele Einzelleute, die sich Softwarefactories gebaut haben, wo man quasi eine Idee vorne reinkippt und dann läuft die Factory los und am Ende kommt eine Software raus, durchgetestet und pipapo.
Das sind alles die Loops, die da drin laufen.
Also der Skalierungsfaktor, das kann man ja auch immer weiter denken, ist total verrückt.
In Unternehmen glaube ich, dass diejenigen, die das verstanden haben und genau diese Multidisziplinen zusammenbringen und in Loops überführen können, unfassbare Wertschöpfung und Wirkung auf so eine Firma haben können.
Die Frage wird halt nur sein, ob man es schafft, quasi...
das Unternehmen so zu gestalten, dass das überhaupt möglich wird.
Und da sind wir so ein bisschen bei deinem Bild so für die Zukunft der Vision.
Wie schafft man es aus den aktuellen Silos, ganzen Regelungen, Übergaben, Hierarchien und so?
Das verträgt sich ja nicht so richtig miteinander.
Ja, und da kann man ja dieses Wir haben zum Anfang gesagt, wie gestaltet man ein Unternehmen, damit KI gut darin arbeiten kann, aber man kann es fast plastischer machen.
Wie gestaltet man ein Unternehmen, damit KI-Profis gut darin arbeiten können?
Ja, und da ist auch ganz viel dran.
Wenn ich so zurückblicke, so vor zwei Jahren, als so die Ersten bei uns angefangen haben, darüber nachzudenken und auch wirklich ein paar gute Leute gewonnen haben, die kamen und, ich will nicht sagen, standen still, aber...
Die waren eben in einem Gerüst drin, wo wenig möglich war.
Und das Unternehmen erstmal dazu hinzubekommen, dass die vernünftig entwickeln können, dass man überhaupt vernünftige Daten hat, auf denen man entwickeln kann, dass man Entwicklungsumgebungen hat, mit denen das funktioniert, dass man einen Technologiestack hat, mit dem man ernsthaft entwickeln kann, dass man auf die Daten zugreifen kann, dass man die auch als scale zur Verfügung hat.
Wir haben ein paar Leute, die waren wirklich kurz davor, irgendwie zu sagen, ey komm, das macht hier keinen Sinn, weil...
Also Textextraktion ist nett, aber dafür bin ich hier nicht angetreten.
Und im Grunde erst damit, dass wir dann angefangen haben, sehr viel grundsätzlicher zu überlegen, wie kriegen wir alle Daten bereitgestellt und wie kriegen wir das auch so hin, dass die Organisation lernt, ja, das ist wichtig, das müssen wir wirklich irgendwie hinkriegen.
Erst damit wurde das besser und so langsam, glaube ich, merken wir, wie dann auch großer Nutzen daraus entsteht, dass das funktioniert und dass diese Hebelwirkung, die Einzelne haben, dann auch wirklich größer wird.
weil sie jetzt die Tools haben und eben auch wirklich vorwärts kommen.
Und dann auf der anderen Seite kommt dann eben ganz schön zusammen, dass man in so einer Versicherung eben wirklich am Kernprozess arbeitet.
Das ist nicht irgendwie eine Optimierung einer Nebenbedingung, die wir hier irgendwie machen, sondern das ist wirklich mitten im Kern unseres Geschäftes.
Insofern ist das schon einfach eine spannende Aufgabe, die wir da gerade vor uns haben.
Ja, ja, also mich hast du auf jeden Fall jetzt heiß gemacht.
Das klingt auf jeden Fall sehr, also da kann man auf jeden Fall richtig was nach vorne schieben.
Wo steht ihr denn heute?
Und also ich würde jetzt Visionen, glaube ich, verstanden, wann man dort wo sein kann.
Bin ich auch bei dir.
Wer soll das überhaupt noch wissen, wo wir in zwölf Monaten sein werden?
Man kann nur versuchen, so schnell wie möglich nach vorne.
zu gehen und diesen Kompass immer wieder neu einzustellen.
Wo steht ihr heute und was sind für dich jetzt so die nächsten Schritte, um auf diese Vision hinzuarbeiten?
Ja, wir teilen das bei uns immer in drei Bereiche auf.
Das eine ist Personal Productivity, also irgendwie Co-Pilot und so die große weite Welt der Frage-Antwort-Spielchen.
Die haben wir eingeführt, da sind wir dran, glaube ich, wie die meisten anderen auch, würde ich sagen, mehr oder weniger.
Der zweite Teil bei uns ist Development, also Code-Development im Kern.
Da sind wir gerade dabei, im Grunde Fortschritte zu machen, ist mein Eindruck.
Wir schaffen das inzwischen, Code auch.
sauber so zu entwickeln, dass er von vornherein mit unseren Compliance-Richtlinien, mit unseren Vorgaben, mit dem, was wir an, weiß nicht, Corporate Design und sonst noch was alles haben, wirklich dann aus der Anwendung rausbekommen.
Ist das schon eine Code Factory?
Nein, das ist es noch nicht.
Aber ich glaube schon, dass da zumindest im Moment einfach viel passiert.
Auch da wieder technologisch ist das nicht die Herausforderung.
Organisatorisch ist die große Herausforderung.
Das passt nicht mehr in die klassische agile Welt rein.
Ich glaube, da muss sich die Organisation einfach weiterentwickeln.
Da sind wir gerade dran, das hinzubekommen.
Naja, und der große Teil, wo wir eben auch viel Ehrgeiz rein investieren, ist die Business AI.
Mit dem Ziel, in das zu kommen, was wir eben miteinander hier erarbeitet haben.
Wo stehen wir da?
Wir sind dabei, im Grunde Use Case für Use Case in diese Welt zu kommen.
Wir haben ja gesagt, wir bauen jetzt nicht zwei Jahre eine Infrastruktur, wo wir dann den ersten Use Case haben, sondern jeder Use Case, den wir haben, muss sich nicht nur rechnen, sondern muss sich auch sehr deutlich rechnen.
Und mit diesem Use Case zusammen bauen wir dann ein Stück dieser Infrastruktur auf, die wir uns perspektivisch vorstellen.
Das klappt im Moment noch relativ gut, weil die ersten Use Cases einfach unheimlich viel Nutzen haben, weil da einfach...
Entscheidungen viel, viel besser hinterher werden, weil einfach so viel mehr Informationen in die Entscheidung einlaufen, die Menschen so einfach gar nicht sehen konnten.
Also wir haben ganz viele Beispiele im Moment, wo wir uns die Risikosituation von Kunden angucken und erstmal nichts anderes gemacht haben, als nur alle internen Informationen, die wir über den Kunden, über die Situation haben, mal zusammenzusuchen.
Da kommen oft Hunderttausende von Dokumenten zusammen.
Wenn jemand seit 20 Jahren bei uns versichert ist, dann gibt es eben ganz viel Korrespondenzen und Unterlagen, Besichtigungsberichte, Brandschutzkonzepte, alle möglichen Sachen.
Und allein das mal vernünftig aufzubereiten, mal zu gucken, was sagt uns das denn eigentlich über den Kunden und müssten wir mit dem mal reden, weil sind die veraltet oder es muss was Neues kommen oder sowas.
Allein das bringt einfach so viel Nutzen, dass man ganz viel Infrastruktur mitfinanzieren kann aus dem, was dann dabei rauskommt.
Im Moment sind das so die Bereiche, wo wir sagen, wir haben uns zwei Bereiche genommen, wo wir, wir nennen das Domäntransformationen machen, wo wir also wirklich diese Infrastruktur so aufbauen wollen.
Das ist eben Schaden und das Firmenkundengeschäft.
Und da verbinden wir eben diese Infrastrukturumbauten mit den Use Cases.
Die restlichen Use Cases bauen wir eher in der bestehenden Infrastruktur.
Das sind eben klassischere Use Cases.
Aber in den beiden Bereichen gehen wir dann ein Stück weiter und kommen.
Schritt für Schritt voran, würde ich sagen.
Wie immer, da leidet man auch mal einen Rückschlag und stellt fest, so hat es noch nicht funktioniert.
Aber im Kern sind wir eigentlich ganz zufrieden gerade.
Darf ich mal fragen, wie so ein Kontextlayer, weil das ist ja das, glaube ich, das damit steht und fällt am Ende ganz, ganz vieles.
Und den gibt es ja noch nicht so richtig.
Das ist jetzt nichts, was ich da etabliert habe.
Wie denkst du darüber nach, wo würde der Leben, so ein Kontextlayer?
auch aktuell bleiben und so.
Das eine ist ja, dass das irgendwo alles reinkommt, aber dann verändert sich das ja, das muss ja aktuell bleiben und so.
Ich lade dich gerne mal zu unseren Architekturdiskussionen ein.
Ja, gerne.
Mit denen wir uns auch beschäftigen und das ist genau so.
Du kannst nicht irgendwo hingehen zum Microsoft und sagen, ich hätte gerne mal den Knicks näher und dann gibt es die Standardsoftware.
Also das eine ist, es steht und fällt erstmal damit, kriege ich die Daten überhaupt sauber rein.
Das hat ganz viel mit Input-Management zu tun, wie scanne ich vorne die Dokumente, wie kriege ich E-Mails rein, kann ich die sauber parsen, lege ich die Files sauber irgendwo ab.
Wir gehen im Moment, sagen wir im Grunde, das ist nicht das Archiv, sondern das ist ein eigener Layer über dem Archiv, aber natürlich eng verbunden mit dem Archiv.
bauen dann eben einen eigenen Layer auf, auf dem wir diese JSON-Files, Markdown-Formate, die legen wir irgendwo ab und stellen dann sicher, dass jeder neue Agent, der darauf zugreift, auf den Wissensstand zugreifen kann, der vor ihm schon generiert worden ist.
Also, weiß ich nicht, der Erste hat verstanden, das ist irgendwie eine Schadenmeldung, dann sagt der Zweite, hier fehlen 17 Daten, der Dritte.
erkennt, okay, ich kann jetzt das nehmen und habe folgende Fähigkeit, mit der ich zusätzliche Daten einholen kann und versuchen, das wieder auf den Context Layer draufzugreifen, sodass das Wissen über den einzelnen Fall im Laufe der Zeit dann eben anwächst.
Okay, also dann dokumentiert am Ende der Agent wieder, was dann Neues entstanden ist und schreibt das wieder in eine bestehende Datei rein oder erstellt eine neue, die dann an der richtigen Stelle ist.
Also diese Wissensentwicklung läuft genau auf dem Context Layer und immer dann, wenn wir gesagt haben, hier ist eine klare Entscheidung getroffen, wir zahlen den Schaden aus, dann wird das im Grunde auf System of Records geschrieben und da wird dann die Buchung gemacht und darüber denken wir wieder, dass wir weiterhin eine klare Wahrheit haben, was ist am Ende entschieden worden, was ist dann passiert.
Das ist alles nicht mehr Context Layer, sondern das ist alles die Ebene darunter.
Ja, das ist faszinierend.
Also ich glaube wirklich, Es ist so einfach und doch so schwer, einfach mal aufzuschreiben, wie das Unternehmen eigentlich funktioniert und wo was gefunden ist und das an allem Ort irgendwie zugänglich zu machen.
Ich glaube, das ist ein so riesengroßer Hebel auf die Möglichkeiten, die man mit KI hat.
Ja, und da muss man gleichzeitig sagen, das ist ein Vorhaben, was aussichtslos ist, wenn man Millionen von Kunden hat und jeden Tag Hunderttausende von...
Schadenmeldungen bekommt und so.
Deswegen war das für uns so wichtig, einmal überhaupt einen Vorgehensplan zu haben.
Was wollen wir denn jetzt in welcher Reihenfolge tun?
Du kannst halt überall anfangen.
Du kannst einfach drei Jahre, bist du damit beschäftigt, aufzuschreiben, was wir alles tun.
Das bringt einen nicht weiter.
Und deswegen haben wir dann eben diesen Ansatz gemacht, wo wir gesagt haben, wir fangen jetzt in zwei Bereichen an.
Und ja, also es bleibt dabei, das Wichtigste ist tatsächlich zu lernen.
Also wir haben schon auch jetzt in den letzten Monaten immer mal wieder auch in die falsche Richtung entwickelt und festgestellt, das war eine gute Idee, aber so klappt es halt noch nicht.
Also man muss da schon offen sein und dicht dran.
Also ganz eng auch mit den Teams zusammen überlegen, was braucht es jetzt eigentlich, damit wir da weiterkommen.
Wie kommt das denn eigentlich, dass du dich als CEO so intensiv mit dem Thema beschäftigst?
Weil ich bin auch viel unterwegs, ich spreche in dem Podcast mit vielen Leuten und so.
Und ich erlebe noch nicht so viele CEOs von Unternehmen in eurer Größenordnung, die so tief gedanklich in diesem Thema drinstecken und sich auch persönlich so intensiv damit beschäftigen.
Also die Rückmeldung bekomme ich auch immer wieder.
Also relativ oft bekomme ich so die Rückmeldung von AI-Transformationsbeauftragten, die mir schreiben, dass sie im Grunde genommen gegen ihr Board anarbeiten müssen, dass das eigentlich eine der großen Herausforderungen ist.
Und das hängt, glaube ich, wirklich oft damit zusammen, dass KI schon anders ist als viele andere Technologien, die wir vorher hatten.
Das ist eben nicht Robotics, wo man am Unternehmen eigentlich nicht viel verändern muss, aber irgendwie Robotics halt einführt.
Das ist auch im Grunde nicht Digitalisierung der ersten Welle, sondern das ist einfach sehr grundlegend anders, verändert sich mit einer dramatischen Geschwindigkeit.
Und ich glaube, man muss sich da als Vorstand mit auseinandersetzen, weil man es der Mannschaft gar nicht ermöglicht, diese Veränderungen, also diese Veränderungen, die es braucht, einzuleiten, wenn man nicht von oben verstanden hat, zumindest grob verstanden hat, in welche Richtung das gehen muss.
Ich weiß, da ist immer noch viel Skepsis bei dem einen oder anderen dabei oder vielleicht auch einfach nicht der Technologiebezug oder so.
Ich weiß es nicht.
Bei mir, ich habe Spaß an Technologie.
Ich verstehe das auch einfach gern.
Immer wieder komme ich zum Ergebnis, was für eine Zeit ist das, in der wir gerade leben?
Man kann sich an einem Wochenende mit einem Thema so tief beschäftigen, dass man hinterher nicht Profi ist, aber auf einem richtig guten Niveau mitdiskutieren kann.
Ich glaube, das hat es in den letzten 10.000 Jahren Menschheitsgeschichte nicht gegeben.
Wissen war immer verbunden mit ganz viel Zugang.
Habe ich überhaupt eine Chance, das Wissen aufzubauen?
Ist auch ganz oft ja kaum zugänglich gewesen für Menschen außerhalb eines bestimmten Kreises, in denen das Wissen ausgeteilt worden ist oder geteilt worden ist.
Und das verändert sich halt fundamental.
Wissen ist verfügbar und es ist auch so verfügbar, dass man sich das selber erarbeiten kann.
Und ich glaube, die Auswirkungen darauf sind einfach massiv.
Und deswegen bin ich so davon überzeugt, dass man eben, also was ist denn Vorstandsaufgabe, wenn nicht das?
Also natürlich, wir haben auch noch bestehendes Geschäft, das muss auch laufen und so, das gehört auch alles dazu.
Aber wir sind eben einfach in einer Zeit, in der ganz grundlegende Veränderungen auf uns zukommen.
Und das ist immer Führungsaufgabe, da den richtigen Weg zu finden und eben auch zu erkennen, welche Richtung man steuern muss.
Ob das am Ende aufgeht, wird man sehen, aber auch die Verantwortung dafür zu übernehmen, ist ja nun auch Vorstandsaufgabe.
Also insofern, wie man es dreht und wendet, ich glaube, man muss sich damit auseinandersetzen.
Super spannend.
Also ich nehme mit, mehr darüber nachdenken, wie man das Unternehmen...
so aufbauen kann oder umbauen kann, dass KI darin möglichst gut arbeiten kann.
Kontext wird zentral sein.
Entscheidungen und Kriterien für die Entscheidungen wird zentral sein, die Prozesse sauber abzubilden und KI darauf Zugang zu geben.
Ich glaube, diese Entscheidung, wann ist der Human in the Loop und wann ist er on the Loop, wie schaffe ich es meine Organisation so aufzustellen, dass Menschen auch diese Loops über...
Abteilung Prozesse hinweg bauen, steuern können.
Ich glaube, es wird mega spannend, die nächsten zwölf Monate, was wir da noch alles sehen werden.
Auf jeden Fall enormes Potenzial.
Ja, also eine ganze Menge mitgenommen.
Vielen, vielen Dank für die Gedanken und ich wünsche euch auf jeden Fall weiterhin viel Erfolg auf dem Weg.
Ich weiß nicht, wie seid ihr aufgestellt im Team?
Suchst du noch Leute?
Shoutout an die Community machen, suchst du jemanden zum Austausch oder so.
Hier hören eine ganze Menge guter Leute zu, die vielleicht auch gerne mit dir in Kontakt treten wollen.
Immer gerne.
Also ich habe das eben nicht aus Versehen gesagt.
Ich glaube, man kann bei uns unheimlich viel gestalten.
Man kann sich sicher sein, dass man bei uns ernst genommen wird und nicht gegen den Vorstand anarbeiten muss.
Wer sich da jetzt das Gefühl hat, dass das interessant sein könnte.
Möge sich immer gerne melden.
Wir sind da mit viel Energie und Leidenschaft an den Themen dran.
Perfekt.
Link zu Daniels LinkedIn-Profil hier unter der Folge in deinem Podcast-Player.
Also Daniel, vielen, vielen Dank für die Folge.
Hat Spaß gemacht und euch weiterhin ganz viel Erfolg auf dem Weg.
Felix, ich danke dir.