Künstliche Intelligenz ist längst ein integraler Bestandteil der Versicherungswirtschaft. Ob Schadenbearbeitung, Betrugserkennung, Versicherungsabschluss oder Kundenservice: KI-gestützte Tools sind tief in grundlegende Geschäftsabläufe eingebettet. Für viele Versicherer hat sich ihr Einsatz von einer strategischen Ambition zur operativen Realität gewandelt. Allerdings hält mit den neuen Tools auch eine Kostendynamik Einzug, die die meisten Unternehmen so nicht auf der Rechnung hatten. Die Frage lautet nicht mehr, ob KI skaliert werden soll, sondern wie dies gestemmt werden kann, ohne die finanzielle Kontrolle zu verlieren.
Von der geordneten Pilotphase zur harten Realität des Produktivbetriebs
Das finanzielle Profil von künstlicher Intelligenz wandelt sich grundlegend, sobald die Technologie aus der kontrollierten Pilotumgebung in den Alltagsbetrieb übergeht und dort skaliert wird. In der Pilotphase sind die Kosten begrenzt, die Nutzung ist vorhersehbar und der Rechenaufwand überschaubar. Im Produktivbetrieb ist jede Interaktion – jede von einem Kopiloten bearbeitete Schadenanfrage, jedes von einem Agent analysierte Dokument und jeder in Echtzeit erzeugte Betrugshinweis – mit Rechenkosten verbunden. In der Versicherungswirtschaft, wo KI zunehmend für hochfrequente, volumenstarke Prozess eingesetzt wird, lässt diese Kostendynamik schnell enorme Summen auflaufen.
Unsere Befragung von mehr als 50 Führungskräften aus der Versicherungsbranche zeigt, dass dies den meisten Unternehmen erst dann klar wird, wenn die Ausgabensituation bereits eskaliert. Der wichtigste Grund hierfür ist nicht etwa mangelnde Sorgfalt bei der Technologieauswahl. Es ist die fundamentale Diskrepanz zwischen der Art, wie KI-Kosten inhärent entstehen, und wie die IT- und Finanzfunktionen der Versicherer aufgestellt sind, um diese Kosten zu planen und zu steuern. Während die herkömmliche IT-Budgetierung davon ausgeht, dass die Grenzkosten nach der Implementierung nahe Null liegen, verursacht KI mit jeder Anfrage signifikante Kosten. Dieser Unterschied hat erhebliche Folgen für alle, die in einem großen Versicherungsunternehmen für das Management der KI-Ausgaben verantwortlich sind.
Dazu kommt, dass der Versicherungssektor durch zusätzliche Komplexitäten gekennzeichnet ist: Aufsichtsrechtliche Anforderungen an die Datenhoheit, strikte Latenzvorgaben für die Echtzeiterkennung von Versicherungsrisiken oder -betrug sowie die Menge und Sensibilität der verarbeiteten Daten bestimmen, welche Modelle für den Einsatz künstlicher Intelligenz konkret in Frage kommen.
Eine Kostenstruktur, die den bestehenden IT-Rahmen sprengt
Der mit der KI-Ökonomie einhergehende strukturelle Wandel ist offensichtlich: Kosten werden nicht mehr primär durch die Zahl der Anwender bestimmt, sondern durch die Intensität und Komplexität der Nutzung. Längere Prompts, mehrstufige Agent-Workflows und größere Datenkontexte vervielfachen den Token-Verbrauch – und damit die Kosten – auf eine Weise, die weder jährliche Budgetplanungszyklen noch standardmäßige Cloud-Tools für das Kostenmanagement angemessen darstellen können.
Die Analyse von Versicherern, die KI bereits aktiv skalieren, offenbart drei zentrale Herausforderungen. Erstens die Schwierigkeit, einen klaren und positiven Business Case für KI-Initiativen zu erstellen. Schließlich lässt sich der ROI nur schwer quantifizieren, wenn die Kostentransparenz auf der Ebene des Anwendungsfalls nur bedingt gegeben ist. In der Folge werden viele Projekte fortgesetzt, ohne dass ihr Nutzen gründlich überwacht wird. Zweitens die Gefahr einer schnellen und unkontrollierten Kostensteigerung, wenn sich der Token-Verbrauch mit zunehmender Nutzung erhöht. Drittens die Abhängigkeit von einer kleinen Zahl externer KI-Anbieter, deren Preismodelle und Leistungsumfang sich immer wieder ändern. Die Folge: Konzentrationsrisiken und eine unvorhersehbare Kostenbelastung. Unterm Strich behindert all dies die bisher übliche, langfristige Kostenplanung.
Lehren aus der FinOps-Entwicklung
In dieser Situation könnte ein Blick darauf helfen, wie die Versicherungsbranche – und die Unternehmens-IT insgesamt – gelernt haben, die Cloud-Kosten im Griff zu behalten. In den Anfängen der Cloud-Nutzung haben Unternehmen immer wieder die finanzielle Komplexität einer variablen, nutzungsabhängigen Infrastruktur unterschätzt. Die Antwort hierauf war FinOps: ein strukturierter Managementansatz, der Kostentransparenz, Nutzungsüberwachung, Optimierungsmaßnahmen und eine funktionsübergreifende Governance in sich vereint.
Für die KI-Ökonomie braucht es eine vergleichbare Entwicklung, denn ihre Kostenlogik ähnelt derjenigen der Cloud: Kosten entstehen nutzungsabhängig, sind dynamisch und ohne geeignete Steuerungsmechanismen schwer vorhersehbar. Gleichzeitig führen Faktoren wie Token-Verbrauch, Modellwahl und Agenten-basierte Workflows zu einer noch höheren Komplexität des Kostenmanagements.
Wir sind überzeugt: Versicherer, die diese Fähigkeit als Erste erwerben, verschaffen sich einen strukturellen Vorteil. Wer eine rigorose Kosten-Nutzen-Governance auf sein KI-Portfolio anwendet und dabei jeden Anwendungsfall anhand messbarer Geschäftsergebnisse evaluiert, Anfragen an angemessen dimensionierte Modelle weiterleitet und klare Zuständigkeiten für KI-Kosten in seinen technologischen und Business-Funktionen definiert, wird besser in der Lage sein, den Einsatz von KI nachhaltig zu skalieren.
Ein stabiles Governance-Fundament für eine nachhaltige KI-Skalierung
Zur Schließung der hier skizzierten Lücke müssen zwei Dimensionen gleichzeitig adressiert werden: die technologische Architektur und die unternehmerische Governance. Auf der technologischen Seite bedeutet dies Entscheidungen über Modellauswahl, Inferenz-Routing und Bereitstellungsarchitektur. Dies kann bedeuten, nicht alle Modelle von etablierten Anbietern zu beziehen, sondern verstärkt auf Open-Source-Modelle sowie deren domänenspezifische Anpassung durch Fine-Tuning zu setzen. Wichtig ist auch: Für Unternehmen, die sensible Daten von Versicherungsnehmern verarbeiten oder in Rechtsordnungen mit strengen Anforderungen an die Datenhoheit tätig sind, sind diese Entscheidungen nicht rein ökonomischer Natur. Sie berühren das Gebiet der KI-Souveränität.
Auf der Unternehmensseite erfordert ein nachhaltiges KI-Kostenmanagement in der Versicherungsbranche den Aufbau von Fähigkeiten, die die meisten Akteure noch nicht besitzen: eine detaillierte Kostenverfolgung auf Use-Case- und Interaktionsebene, definierte und an Geschäftsergebnisse gekoppelte Kosten-KPIs, Governance-Gates für die Bewertung des Kosten-Nutzen-Verhältnisses vor der Einführung neuer KI-Anwendungen und eine fortlaufende Portfolioüberprüfung, die Fähigkeiten mit einem hohen ROI ausbaut und solche, die nicht performen, aussondert.
Das Ziel besteht nicht einfach darin, die Kosten von KI zu reduzieren. Es besteht darin, die Kosten für wertvolle Ergebnisse zu optimieren und dadurch sicherzustellen, dass jeder in KI investierte Euro einen messbaren und zuweisbaren Geschäftswert generiert. Führende Versicherungsunternehmen haben dies erkannt und erste Strukturen geschaffen – mit vielversprechenden Resultaten.