Mirko von Haxthausen im Gespräch mit Heiko Faust, Leiter Versicherungen Deutschland, Implement Consulting Group Germany GmbH

BUaktuell: Herr Faust, gab es für Sie einen persönlichen Aha-Moment, in dem Ihnen plötzlich klar wurde, welches reale Potenzial generative künstliche Intelligenz (Gen‑KI) wirklich entfalten kann?

Heiko Faust: Ja – und um das einzuordnen, muss ich tatsächlich etwas ausholen. Mein erster ernsthafter Kontakt mit „KI in der Versicherung“ war (wie bei vielen) IBM Watson. Wir wollten damals in der BU‑Leistungs­prüfung ansetzen: Muster in Akten erkennen, Prüfungs­schritte beschleunigen, Aussagen aus Arztberichten konsistent extrahieren. Der Enthusiasmus war groß, die Ernüchterung kam ziemlich schnell mit der Daten­realität: zu wenig sauber strukturierte, gelabelte Daten, extrem viel Varianz in Dokumenten und Formulierungen – und dann die Grenzen der „klassischen“ Ansätze, die stark auf spezifisches Training angewiesen sind. Für BU‑Akten ist genau das ein Problem, weil es eben nicht nur um ein Dokument geht, sondern um heterogene Akten­pakete mit Scans, Nachträgen, widersprüchlichen Befunden und viel Kontext. Das war erst mal sehr ernüchternd, aber das Thema hat mich danach nie mehr losgelassen.

Der wirkliche Aha-Moment kam dann mit den ersten Large Language Models – Ende 2022, als ChatGPT plötzlich „massentauglich“ wurde. Das war nicht nur ein neues Tool, sondern gefühlt ein neuer Basis­technologie-Baustein: Plötzlich hatten wir eine Gen‑KI, die nicht nur erkennt, sondern in natürlicher Sprache strukturiert, zusammenfasst, vergleicht, erklärt – und damit genau in textlastigen Wissens­prozessen einen Hebel bietet. Die BU ist genau so ein Prozess: textlastig, komplex, fachlich heikel – ideal für den Einsatz von KI als Co‑Pilot.

Meine persönliche Erkenntnis war dabei nicht „die KI ersetzt den Menschen“, sondern eher: Sie kann uns in wissens­intensiven, dokumenten­getriebenen Abläufen schneller und konsistenter machen, wenn wir sie richtig einbetten, also mit Quellen, klaren Leitplanken und sichtbarer menschlicher Entscheidung.

Was mich damals zusätzlich beeindruckt hat: Schon mit relativ einfachen Setups – also „Dokument rein, strukturierte Zusammen­fassung raus“ – konnten Teams plötzlich ganz anders arbeiten. Man merkt sofort, ob man noch sucht oder schon bewertet. Und genau dieser Wechsel von „Akten wälzen“ hin zu „Fall verstehen und entscheiden“ ist für mich der Kern des Potenzials.

Zusätzlich kam dann noch die Diffusions­geschwindigkeit dazu. Binnen Wochen/Monaten war klar, dass generative Assistenten in den Arbeits­alltag Einzug halten werden, in einer Geschwindig­keit, die man in regulierten Branchen sonst selten sieht.

BUaktuell: Sie beraten die Branche zum Einsatz von KI. Was begeistert Sie an dieser Aufgabe? Und welchen besonderen Heraus­forderungen begegnen Sie dabei?

Heiko Faust: Mich begeistert an der Aufgabe vor allem die Mischung aus „sehr praktisch“ und „sehr anspruchsvoll“. Praktisch, weil man in BU‑Prozessen relativ schnell echte Hebel sieht: Akten sind komplex, Texte lang, medizinische und berufs­kundliche Einschätzungen vielschichtig – und genau da kann KI als Co‑Pilot helfen, den roten Faden sichtbar zu machen, Wieder­holungen zu reduzieren und Begründungen konsistenter aufzusetzen. Das ist nicht nur effizient, es verbessert auch die Nach­vollzieh­barkeit – intern, gegenüber Versicherten und im Zweifel auch vor Gericht. Und anspruchsvoll ist es, weil KI eben nicht „einfach IT“ ist. Gute Lösungen entstehen dort, wo Fachlichkeit, Technik und Recht/Datenschutz zusammen­arbeiten. Wenn dieser Schulter­schluss klappt, bekommt man Systeme hin, die produktiv und auditierbar sind – also nicht nur eine „Demo“, sondern etwas, das man verantworten kann.

Die Heraus­forderungen sind aus meiner Sicht menschlich, organisatorisch/technisch und regulatorisch. Die Reihenfolge ist kein Zufall: menschlich, weil KI Emotionen triggert – von „die Maschine nimmt mir meinen Job weg“ bis „super, dann löst KI jetzt alle Probleme“. Beides stimmt nicht. Erfolg­reiche Häuser investieren sichtbar in Befähigung, definieren den Human-in-the-Loop, üben Zitier- und Beleg­disziplin und setzen Leitplanken für Tonalität und Risiken. Gerade bei Gen‑KI muss man zudem ganz offen darüber sprechen, dass „flüssig formuliert“ nicht gleich „richtig“ ist. Das ist eine kulturelle Umstellung: Teams müssen lernen, Ergebnisse zu prüfen wie einen Entwurf – nicht wie eine Quelle.

Organisatorisch/technisch sind die Heraus­forderungen deshalb, weil viele Unternehmen ihre Dokumenten und Wissens­infrastruktur erst ertüchtigen müssen:

• stabile OCR (Optical Character Recognition),
• saubere Taxonomien,
• sichere Schnittstellen,
• Retrieval-Mechanismen (Verfahren, um gezielt Informationen aus Datenquellen abzurufen),
• Logging (systematisches Aufzeichnen von Informationen) und
• Betriebsprozesse.

Ohne diese Basis bleibt Gen‑KI ein gut gemachter Prototyp.

Zusätzlich verdichtet sich der Rahmen regulatorisch gerade deutlich: Der EU AI Act arbeitet mit risiko­basierten Pflichten (u. a. Datenqualität, Transparenz, Logging, Human Oversight), und parallel bleibt das Thema IT‑Sicherheit / Resilienz im Fokus – in Deutschland historisch über VAIT (also die versicherungs­aufsichts­rechtlichen Anforderungen an die IT bis 2025), inzwischen über DORA (den „Digital Operational Resilience Act“, eine EU‑Verordnung). Auch EIOPA (European Insurance and Occupational Pensions Authority) und BaFin (Bundesanstalt für Finanz­dienstleistungs­aufsicht) präzisieren Erwartungen an Governance, IT‑Sicherheit und Modell­risiko­management. Wer Governance nicht mitdenkt, wird nicht skalieren oder skaliert mit unnötigem Risiko.

BUaktuell: Wenn Sie an kleinere und mittlere LV/BU‑Erstversicherer denken: Für welche Art von Problem lohnt sich ein KI‑Einstieg aus Ihrer Sicht zuerst und welche Art von Vorhaben würden Sie dort bewusst noch nicht anfassen?

Heiko Faust: Der beste Einstieg liegt dort, wo Text in Struktur verwandelt wird und der Mensch sichtbar die Entscheidung behält.

Für BU sehe ich drei Felder, die sich für kleinere und mittlere Häuser wirklich lohnen – weil der Nutzen hoch und das Risiko über­schaubar ist.

1. Dokumenten-Automatisierung und Fall­zusammen­fassungen
   Hier geht es darum, eingehende Unterlagen zu erkennen, zu klassifizieren, Dubletten rauszunehmen, relevante medizinische Fakten zu extrahieren und daraus eine gut lesbare Fallübersicht mit Quellen zu bauen. In BU‑ähnlichen Setups sind 20 bis 40 % weniger Lese‑ / Strukturier­zeit realistisch – insbesondere bei komplexen Akten (Psyche, Multi­morbidität), wenn die Dokumenten­pipeline sauber ist. Und man kann das sehr pragmatisch starten: erst die „Top 3‑Dokument­typen“ (z. B. Arztbericht, Reha Bericht, Arbeitgeber­auskunft), mit klaren Extraktions­feldern und einer Zusammen­fassung, die immer Belege enthält. Das ist schnell testbar und schafft Vertrauen.
2. Triaging und einfache Berufs­klassifikation
   Eine KI, die Fälle nach Komplexität vorsortiert und an Spezialisten­teams lenkt, reduziert Liegezeiten und glättet Auslastungs­spitzen – ohne dass man gleich in „Black-Box-Entscheidungen“ hineinrutscht. Das ist als Entscheidungs­unterstützung gut vermittelbar und schnell messbar.
3. Generative Co‑Piloten fürs Schreiben
   Hier geht es um Entwürfe für Anforderungs­schreiben, Begründungen, Nach­prüfungs­mitteilungen – aber strikt im Human-in-the-Loop-Modell, mit Standard­prompts, Tonalitäts­leitplanken und verpflichtenden Quellen­verweisen. Dann sieht man typischer­weise deutliche Zeitgewinne bei Entwürfen und mehr Konsistenz in der Kommunikation, ohne fachliche Verantwortung abzugeben.

Bewusst nicht anfassen würde ich zu Beginn zwei Dinge:

• voll bzw. teil­automatisierte Leistungs­entscheidungen in der BU. Das ist fachlich und rechtlich extrem heikel, und je nach Ausgestaltung kann das schnell in hochriskante Kategorien fallen – dann brauchst du ein deutlich schwereres Governance-Set‑up (Dokumentation, Monitoring, Human Oversight etc.).
• ambitionierte Prognose­modelle (Dauer von Einschränkungen, Return-to-Work, Reserven), bevor die Datenbasis steht. Die bringen Wert, aber nur, wenn longitudinale Verlaufsdaten wirklich belastbar sind und die Nutzung als Assistenz sauber geregelt ist. Für kleinere/mittlere Häuser ist die klügere Reihenfolge: erst Dokumente und Wissen beherrschen, dann Routing und Assistenz – alles andere baut darauf auf.

BUaktuell: An welcher Stelle bleiben KI‑Vorhaben in Leben und BU in der Realität am häufigsten stecken und woran erkennt man früh, dass ein Projekt zwar Aktivität erzeugt, aber nicht in Richtung Produktiv­betrieb läuft?

Heiko Faust: Es gibt drei klassische Stolperstellen:

Erstens die berühmte „Pilotitis“: schöne Demos, die in einer Labor­umgebung funktionieren, aber keinen Weg in die Produktions­landschaft finden. Man erkennt das früh daran, dass Integrations­fragen vertagt werden, keine klaren Abnahme­kriterien existieren und echte „Goldfälle“ aus der Praxis im Test fehlen. Wenn ein Prototyp nur mit Einzel­dokumenten glänzt, aber nicht mit kompletten Akten inklusive Scans, Faxen und wider­sprüch­lichen Befunden umgehen kann, dann ist der Weg in die Realität faktisch verbaut. Ein weiteres Frühwarn­signal ist, wenn der Pilot nur „nice to have“ wirkt: Die Fachbereiche nutzen ihn selten im Alltag, weil er nicht in die Oberfläche integriert ist oder weil Ergebnisse nicht zitierbar sind. Dann entsteht Aktivität – aber keine Adoption.

Zweitens scheitern Vorhaben am Daten- und Wissens­fundament: Ohne robuste Dokumenten­pipelines, definierte Taxonomien, Rechte‑ / Rollenkonzepte und eine kuratierte Wissensbasis für Retrieval gestützte Antworten bleibt Gen‑KI anfällig: Halluzinationen, inkonsistente Ergebnisse, fehlende Zitier­barkeit. Ein Frühindikator ist fehlende Zitier­disziplin: Wenn Antworten keine Quellen­verweise haben oder interne Richtlinien nicht verlässlich gefunden werden, ist das kein Produktionsniveau.

Drittens fehlen Governance und Metriken: Viele Projekte laufen als IT‑Experiment ohne fachliche Product Ownership, ohne Modell­inventar, ohne Drift Monitoring und ohne klare KPIs (also Key Performance Indicators wie Bearbeitungs­zeit, Nacharbeit, First Time Right, Beschwerde‑ / Audit-Quoten). Spätestens wenn Recht, Datenschutz und Informations­sicherheit erst kurz vor Go‑live ins Spiel kommen, ist klar: Das wird nicht fliegen. Der produktions­reife Pfad sieht anders aus: frühe Einbindung der zweiten Linie, definierte Human-in-the-Loop-Punkte, Protokollierung und klare Aussagen, welche Entscheidung beim Menschen bleibt.

BUaktuell: Welche organisatorischen und technischen Voraussetzungen müssen erfüllt sein, bevor ein KI‑Projekt produktiv gehen kann – unabhängig davon, wie gut das Modell selbst funktioniert?

Heiko Faust: Entscheidend ist die Kombination aus einem belastbaren Operating Model und einer soliden technischen Basis.

Organisatorisch braucht es eine klare Verantwort­lichkeit: Ein fachlicher Product Owner verantwortet Nutzen, Qualität und Einbettung ins Tagesgeschäft; ein (fachlicher) Model Owner steht für Nach­vollzieh­barkeit ein; Data Steward, Engineering und Betrieb sichern Datenqualität, Integration und Stabilität, und der Human-in-the-Loop muss konkret definiert sein: Welche Vorschläge darf die KI abgeben, wo muss zwingend geprüft werden, wie sieht das Vier Augen Prinzip in der Einführungs­phase aus? Genau diese Klarheit ist später auch regulatorisch ein Kernpunkt.

Technisch sind vier Punkte aus meiner Sicht nicht verhandelbar.

1. Dokumentenstrom und Datenqualität
   Post, E‑Mail, Portal – alles muss in einer Pipeline zusammenlaufen, die OCR‑Fehler robust abfängt, Layout Varianten erkennt und PII-Schutz (Personally Identifiable Information) etabliert.
2. Retrieval statt „freier“ Generierung
   KI‑Antworten müssen aus freigegebenen Dokumenten (Retrieval) gespeist werden – mit Quellenlinks, idealerweise klickbar.
3. Integration und Protokollierung
   KI‑Bausteine interagieren sauber über Events/APIs (Application Programming Interface, also eine entsprechende Schnittstelle) mit Fachverfahren; Schreibrechte sind begrenzt (Entwurf statt Final), und jede Interaktion wird revisionsfähig geloggt.
4. Machine Learning Operations (MLOps) und Sicherheit
   Modellinventar, Versionierung, Monitoring / Drift-Erkennung und Red-Teaming (also ein systematischer Stresstest des Systems) gehören in den Regelbetrieb.

BUaktuell: Welche weiteren Rahmen­bedingungen braucht ein KI‑Projekt, um erfolgreich im Produktiv­betrieb etabliert zu werden?

Heiko Faust: Neben Operating Model, Technik und Governance braucht es vor allem drei Dinge: Sinn, Maß und Tempo.

Sinn heißt: ein klarer Business Case mit messbaren Zielen. In der Leistungsprüfung sind das typischerweise weniger Lese‑ / Strukturier­zeit, weniger Nacharbeit, kürzere Liegezeiten und konsistentere Begründungen; im Underwriting eher höhere Straight Through Anteile – also Anteile, die vollständig automatisiert sind – und eine bessere „Time to Yes“ als Kennzahl für die Dauer des Entscheidungs‑, Prüf- bzw. Freigabeprozesses.

Maß bedeutet: mit überschaubaren, auditierbaren Use Cases starten und diese sauber skalieren – nicht den großen Wurf versprechen, sondern Wirkung in Monaten zeigen und lernen.

Und schließlich Tempo: eine Roadmap, die in acht- bis zwölfwöchigen Iterationen arbeitet, echte Fälle in den Test nimmt und nach jedem Schritt härtet, bevor ausgerollt wird. Das ist im Kern Change-Management und das ist oft der Engpass, nicht so sehr das Modell.

Wichtig ist dabei auch ein realistisches Erwartungs­management: Am Anfang ist ein Co‑Pilot oft „gut genug“, nicht perfekt. Entscheidend ist, dass er nachweislich hilft, dass Fehler transparent sind und dass das Team Feedback geben kann – dann wird er im Betrieb besser, statt im Pilot zu sterben.

Hinzu kommt die Lieferanten­steuerung. Viele Häuser kombinieren Bausteine unterschiedlicher Anbieter (z. B. für Dokumenten-NLP, für Retrieval, Text-Co‑Pilot und ggf. Fraud Signals als Frühwarn­zeichen für möglichen Betrug). Das kann super funktionieren, wenn Übergaben klar sind, Qualitäts­metriken vereinbart werden und Verantwort­lichkeiten bei Fehlern explizit geregelt sind. Eine gute Praxis ist es, früh gemeinsame Abnahme­kriterien zu definieren, Shadow Mode Phasen zu fahren, in denen ein System im Hintergrund mitläuft, und mit „Goldfällen“ der Fachbereiche zu testen. So entsteht Vertrauen – und ohne Vertrauen skaliert KI in der BU nicht.

BUaktuell: Welche Rolle spielt Ihrer Einschätzung nach generative KI mit Blick auf den demografischen Wandel in den Regulierungsabteilungen?

Heiko Faust: Eine sehr große. Viele BU‑Abteilungen stehen vor einem doppelten Engpass: Erfahrungs­träger gehen in den nächsten Jahren in Rente, während der Nachwuchs nicht im gleichen Maß nachrückt. Das ist kein Bauchgefühl, das sieht man auch makro­demografisch sehr klar – die Ruhestandswelle ist real und groß. Ohne ein Gegensteuern wäre die Konsequenz längere Bearbeitungs­zeiten, Wissens­verluste und ein steigender Druck durch Krankheits­bilder mit hoher Komplexität – insbesondere in den Bereichen Psyche und Multimorbidität.

Gen‑KI kann das nicht „wegzaubern“, aber sie kann helfen, den Effekt abzufedern und in Teilen umzukehren:

Erstens, indem sie Wissen konserviert und zugänglich macht: Ein Retrieval gestützter Assistent, der interne Richtlinien, Rechtsprechung und medizinische Leitfäden zitiert, reduziert die Abhängigkeit von persönlichem Erfahrungs­wissen und beschleunigt das Onboarding neuer Mitarbeitender.

Zweitens, indem sie die kognitive Last senkt: Fall­zusammen­fassungen, Vorschläge für rote Fäden und Textentwürfe schaffen mehr Zeit für das, was die Maschine niemandem abnimmt, die Würdigung im Einzelfall, die empathische Kommunikation und die verantwortliche Entscheidung.

Drittens ermöglicht Gen‑KI flexiblere Arbeits­modelle. Wenn wesentliche Arbeits­schritte durch Co‑Piloten unterstützt werden, lassen sich Teilzeit‑, Remote- oder Wieder­einstiegs­modelle einfacher organisieren – ein Faktor, der angesichts des Arbeits­marktes an Bedeutung gewinnt.

Und viertens stärkt Gen‑KI die Attraktivität des Berufsbilds: Arbeiten mit modernen Werkzeugen, die Routine reduzieren und Qualität sichtbar machen, spricht Nachwuchs an.

Für mich gehört die gezielte Nutzung von Gen‑KI daher zu einer ernsthaften Demografie­strategie in der Leistungs­prüfung. Die Alternative wäre, in ein paar Jahren mit signifikant längeren Liegezeiten konfrontiert zu sein und Rückstände aufzubauen.

BUaktuell: Vor dem Hintergrund des Potenzials von KI: Wie wird die BU‑Leistungs­regulierung im Jahre 2035 aussehen? Welche Visionen sollten in den Häusern aus Ihrer Sicht entstehen?

Heiko Faust: Ich glaube nicht, dass die BU Leistungs­prüfung 2035 voll­automatisiert ist, aber sie wird deutlich professiona­lisierter sein. Ich erwarte so etwas wie End to End Klarheit über den Fall: Eingehende Dokumente werden unmittelbar strukturiert, irrelevantes Material wird früher aussortiert, entscheidungs­relevante medizinische und berufskundliche Fakten werden extrahiert, verlinkt und entlang einer Zeitachse zusammen­geführt. Die prüfende Person sieht zu Beginn, was fehlt und was zählt. Genau dieses Zielbild sieht man im Markt, und es passt auch zu dem, was heute schon in Bausteinen produktiv ist.

Generative KI‑Assistenten schlagen (mit Quellen) nächste sinnvolle Schritte vor: welche Unterlagen fehlen, ob ein Gespräch mit dem Arbeitgeber sinnvoll ist, ob eine fachärztliche Stellungnahme den Kernpunkt klärt. Die Kommunikation nach außen wird einheitlicher und verständlicher, Begründungen konsistenter – und das nicht, weil die KI „entscheidet“, sondern weil sie bessere Vorarbeit leistet und Wissen verfügbar macht. Governance wird sichtbarer Teil der Arbeit: Jede KI‑Interaktion erzeugt auditfähige Protokolle, jede Begründung verweist auf Quellen, menschliche Entscheidungs­punkte sind klar markiert. In Standard­fällen wird die Zeit bis zur tragfähigen Einschätzung deutlich sinken; bei komplexen Fällen werden die Teams besser aufgestellt sein, weil Triaging und Workload Hinweise die Expertise gezielt dorthin lenkt, wo sie den größten Unterschied macht.

Ich rechne außerdem damit, dass vernetzbare Gesundheits­daten (mit informierter Einwilligung) eine größere Rolle spielen – sei es über die elektronische Patientenakte (ePA) oder über standardisierte Austausch­formate. Das beschleunigt nicht „die Entscheidung“, aber es beschleunigt den Weg zur Evidenz, also zu den relevanten Informationen.

Und noch ein Punkt, der oft unterschätzt wird: die Rückkopplung zwischen Leistung und Underwriting. Was man in der Leistungs­prüfung über Tätigkeitskerne, Evidenz­lücken oder typische Komorbiditäts­muster lernt, fließt systematisch in Risikofragen und Evidenz­anforderungen zurück. Das macht das Gesamtsystem belastbarer.

BUaktuell: Wenn man sich als BU‑Abteilung dieser Vision nähern möchte: Was wären sinnvolle erste Schritte?

Heiko Faust: Ich würde mit einer ehrlichen Standort­bestimmung beginnen, und zwar gemeinsam mit dem Fachbereich:

• Welche Aktenarten kosten heute die meiste Zeit?
• Wo entstehen die meisten Nachfragen und die meiste Nacharbeit?
• Welche Dokumentenquellen sind am schwierigsten zu verarbeiten?
• Parallel würde ich eine kleine interdisziplinäre Einheit aufsetzen (Leistungs­prüfung, Medizin, Berufskunde, Data / Engineering, Recht / Datenschutz), die mit einem klaren Mandat zwei bis drei Quick Wins aufsetzt und in ein paar Monaten messbare Wirkung zeigt.

In der Praxis sind das meistens: Dokumenten Automa­tisierung mit fallbezogenen Zusammen­fassungen, Triaging / Komplexitäts­routing und ein Co‑Pilot für die Korrespondenz mit Human-in-the-Loop. Jede Antwort der KI trägt eine Quelle, jeder Entwurf bleibt von der prüfenden Person freizuzeichnen. So entsteht Nutzen ohne Risikoüberhang.

Während diese Bausteine wirken, bauen Sie das Fundament für den nächsten Schritt: eine kuratierte Wissensbasis mit Richtlinien, Urteilen und medizinischen Leitfäden, die über Retrieval Augmented Generation erschlossen wird.

Beginnen können Sie mit einem eng umrissenen Themenfeld (etwa Anerkenntnis bei depressiven Störungen), und etablieren Sie Zitier und Begründungs­standards, die später ausgerollt werden können.

Parallel sollten Sie die Governance „auf Linie“ bringen:

• Rollen,
• Protokolle,
• Metriken,
• Drift Monitoring und
• Lieferantensteuerung.

Und schließlich lohnt sich schon früh die Rückkopplung ins Neugeschäft: Was die Leistung zum Tätigkeits­abgleich, zu typischen Evidenz­lücken und zu wirkungsvollen Nachfragen lernt, hilft dem Underwriting – sei es über präzisere Berufs­klassifikation, reflexive Fragebäume oder eine intelligentere Evidenz Orchestrierung. Wenn Sie so vorgehen, also klein starten, nutzenorientiert iterieren, Governance ernst nehmen und Rückkopplung etablieren, dann nähern Sie sich der Vision mit jedem Monat.

Und das Wichtigste: Die Mannschaft wird mitgenommen, weil sie die Wirkung sieht und die Verantwortung behält.

BUaktuell: Herr Faust, wir danken Ihnen für dieses Gespräch!