Wenn aus Experten Kontrolleure werden: Wie KI die Arbeit bei Versicherern verändert

Dieser Artikel bildet den Abschluss der dreiteiligen Serie „KI – Vom Modell zum Betrieb“. Teil eins hat gezeigt, warum Versicherer KI-Kosten auf Fallebene betrachten sollten. Teil zwei hat untersucht, wie unterschiedliche Modelle, Routing und menschliche Eskalation zusammenspielen. Im dritten Teil geht es nun um die Ressource, die in dieser Rechnung bislang noch fehlt: die Zeit, Aufmerksamkeit und Expertise des Menschen.

Wenn aus neun gesparten Minuten plötzlich vier werden

Kaum ein KI-Business-Case kommt ohne dieselbe Rechnung aus.

Ein Vorgang dauert heute zwölf Minuten. Mit KI sind es drei. Neun Minuten gespart. Multipliziert mit Fallzahl und Personalkosten entsteht daraus schnell ein beeindruckender Produktivitätshebel.

Das Problem liegt in einem kleinen Wort.

Fertig.

Denn ein KI-System kann innerhalb weniger Sekunden eine Entscheidung vorbereiten, ein Dokument zusammenfassen oder eine Kundenantwort formulieren. Betriebswirtschaftlich relevant ist aber nicht der Moment, in dem ein Ergebnis auf dem Bildschirm erscheint. Relevant ist der Moment, in dem der Vorgang tatsächlich abgeschlossen werden kann.

Muss ein Mitarbeiter anschließend fünf Minuten investieren, um Beträge, Leistungspositionen und das Ergebnis zu kontrollieren, beträgt der Gesamtaufwand nicht drei, sondern acht Minuten. Von neun Minuten vermeintlicher Einsparung bleiben vier.

Der Produktivitätsgewinn besteht weiterhin. Er ist aber weniger als halb so groß wie ursprünglich kalkuliert.

Das ist die sichtbare Seite der Rechnung. Die unsichtbare beginnt dort, wo sich nicht nur die Bearbeitungszeit verändert, sondern die Arbeit selbst.

Aus einem Technologieprojekt wird eine Frage des Arbeitsdesigns

Genau an diesem Punkt steht die deutsche Versicherungswirtschaft. Eine aktuelle KPMG-Auswertung zeigt, dass 57 Prozent der befragten Versicherer die stärksten KI-Auswirkungen in Schaden- und Leistungsbearbeitung erwarten. Gleichzeitig nennen jeweils 53 Prozent die mangelnde Integration in bestehende Arbeitsprozesse und fehlende Benutzerfreundlichkeit als Hürden. 40 Prozent sehen die Qualifizierung der Mitarbeitenden als Problem.

Das ist mehr als ein Implementierungsthema. Sobald KI in Kernprozesse wandert, verändert sie, wer welche Aufgabe übernimmt, wo menschliche Entscheidungskompetenz benötigt wird und welche Tätigkeiten im Alltag überhaupt noch ausgeübt werden. InsurLab Germany weist ebenfalls darauf hin, dass KI-Skalierung weit über die IT hinausgeht und Rollen, Verantwortlichkeiten und Zusammenarbeit verändert.

Die entscheidende Frage lautet deshalb nicht nur, wie viel Arbeit KI übernimmt. Sondern welche Arbeit für den Menschen übrig bleibt.

Nehmen wir wieder unseren privaten Krankenversicherer

Ein Kunde reicht eine einfache ambulante Arztrechnung über die App ein. Das Dokument ist gut lesbar, die Leistungspositionen sind eindeutig, die Vertragslage ist klar. Das System verarbeitet den Vorgang innerhalb definierter Grenzen und nur Ausnahmen landen beim Menschen.

Hier kann KI tatsächlich Routinearbeit entfernen.

Nun reicht derselbe Kunde mehrere Rechnungen und zusätzliche medizinische Unterlagen zu einer komplexeren Behandlung ein. Einzelne Positionen sind erklärungsbedürftig, tarifliche Besonderheiten spielen eine Rolle und Informationen passen nicht vollständig zusammen.

Auch hier kann KI Unterlagen in Sekunden strukturieren, Auffälligkeiten hervorheben und einen Vorschlag vorbereiten. Nur ist dieser Vorschlag noch kein abgeschlossener Leistungsfall.

Ein erfahrener Leistungsprüfer muss nachvollziehen, ob relevante Informationen vollständig berücksichtigt wurden, ob die tarifliche Einordnung plausibel ist und ob er dem Ergebnis folgen kann.

Plötzlich ist nicht mehr die Geschwindigkeit der KI der Engpass.

Der Engpass ist die Geschwindigkeit, mit der ein Mensch ihre Arbeit zuverlässig überprüfen kann.

Schneller Output ist noch kein schnellerer Prozess

Dieser Unterschied zwischen beschleunigter Teilaufgabe und beschleunigtem Gesamtprozess ist kein rein theoretisches Problem. MIT Sloan berichtet über eine Untersuchung von mehr als 100.000 Softwareentwicklern. KI-Werkzeuge erhöhten die gemessene Coding-Aktivität deutlich, beim tatsächlich ausgelieferten Ergebnis fiel der Effekt aber wesentlich kleiner aus. Als einen zentralen Grund identifizieren die Forscher nachgelagerte menschliche Arbeitsschritte wie Reviews, Zusammenführung und Veröffentlichung.

Softwareentwicklung ist keine Leistungsabrechnung. Die Prozentwerte lassen sich deshalb nicht übertragen. Der Mechanismus ist für Versicherer dennoch relevant: Wenn KI am Anfang eines Prozesses immer schneller produziert, nachgelagerte Prüfung und Entscheidung aber weiterhin menschliche Kapazität benötigen, wandert der Flaschenhals lediglich weiter.

Damit wird die reine Bearbeitungszeit des KI-Schritts zu einer schlechten Produktivitätskennzahl. Entscheidend ist der Durchsatz des vollständigen Prozesses.

Aus Bearbeitung wird Kontrollarbeit

Für diese versteckte Arbeit hat die Harvard Business Review einen treffenden Begriff aufgegriffen: Botsitting. Gemeint ist die Arbeit, die Menschen zusätzlich leisten, damit KI-Systeme im Alltag tatsächlich nutzbare Ergebnisse liefern – Kontext geben, Ergebnisse prüfen, Fehler korrigieren und Systeme stabilisieren.

Für Versicherer ist das besonders relevant, weil sich diese Arbeit leicht hinter einer scheinbar erfolgreichen Automatisierung versteckt.

Der Leistungsprüfer erstellt eine Zusammenfassung nicht mehr vollständig selbst. Dafür kontrolliert er eine erzeugte Zusammenfassung. Er sucht Informationen nicht mehr einzeln zusammen. Dafür beurteilt er, ob die Maschine die richtigen gefunden hat. Er entwickelt nicht in jedem Fall selbst einen Lösungsweg. Dafür muss er erkennen, wann der Vorschlag der KI nicht trägt.

Die Arbeit verschwindet also nicht zwangsläufig. Sie verändert ihre Form.

Technisch kann beides nach „Human in the Loop“ aussehen. Für den Menschen ist es jedoch ein fundamentaler Unterschied, ob er einen Fall selbst löst und dabei von KI unterstützt wird oder ob er primär das Ergebnis eines maschinellen Lösungsweges kontrolliert.

Wenn KI nicht Zeit, sondern Aufmerksamkeit verbraucht

Die zusätzliche Arbeit lässt sich zudem nicht vollständig in Minuten ausdrücken.

Ein erfahrener Leistungsprüfer hat über Jahre Routinen entwickelt. Er kennt typische Auffälligkeiten, weiß, wo er bei bestimmten Rechnungen hinschauen muss, und erkennt Muster teilweise, ohne jeden Prüfschritt bewusst durchzugehen.

Ein KI-Assistent verändert diesen Arbeitsmodus. Der Mitarbeiter beurteilt nun nicht mehr ausschließlich den Fall. Er beurteilt zusätzlich, wie die KI den Fall beurteilt hat.

Ist die Zusammenfassung vollständig? Wurde eine Position richtig interpretiert? Fehlt Kontext? Ist der Vorschlag tatsächlich plausibel oder lediglich überzeugend formuliert?

Damit entsteht neben sichtbarer Kontrollzeit eine zweite Belastung: kognitive Kontrollarbeit.

Eine Studie im Journal of Enterprise Information Management mit 460 Wissensarbeitern fand Zusammenhänge zwischen Belastungsfaktoren der GenAI-Nutzung sowie kognitiver Überlastung und Entscheidungsmüdigkeit. Die Autoren nennen als Gegenmaßnahmen unter anderem eine Verringerung unnötiger Aufgabenkomplexität, Maßnahmen gegen Halluzinationen und stärker standardisierte Arbeitsabläufe.

Das bedeutet nicht, dass KI Mitarbeitende grundsätzlich erschöpft. Es zeigt aber, dass ein System die gemessene Bearbeitungszeit reduzieren und den Arbeitsplatz gleichzeitig mental anspruchsvoller machen kann.

Dann wurde Prozesszeit automatisiert, aber zusätzliche Aufmerksamkeit eingekauft.

Wenn aus Entscheiden Kontrollieren wird

Genau hier verändert sich die Rolle des Experten.

Im guten Fall nimmt KI Routine ab und schafft mehr Zeit für komplexe Einordnungen, Grenzfälle, Kommunikation und Entscheidungen. Im schlechten Fall produziert die KI vermeintlich fertige Ergebnisse und der Experte wird vor allem zum Kontrolleur.

Seine Fachkenntnis wird dann nicht eingesetzt, um den Fall zu gestalten, sondern um einen fremden Lösungsweg auf Fehler zu durchsuchen.

Das ist nicht nur eine Produktivitätsfrage. Es verändert auch das Erleben der eigenen Arbeit.

Für viele erfahrene Fachkräfte ist Expertise nicht bloß Wissen, das bei Bedarf abgerufen wird. Sie zeigt sich darin, schwierige Situationen selbst einzuordnen, Verantwortung zu übernehmen und auf Basis eigener Erfahrung zu einem Urteil zu kommen. Verschiebt sich der Tätigkeitskern dauerhaft von „Ich entscheide“ zu „Ich bestätige“, verändert sich deshalb auch die Rolle, mit der sich ein Experte identifiziert.

Das ist keine automatische Folge von KI. Aber es ist eine Gestaltungsfrage, die in vielen Automatisierungsprogrammen bislang kaum gestellt wird.

Wie relevant diese Unterscheidung in wissensintensiven Berufen werden kann, zeigt eine Ende August veröffentlichte Arbeit aus der Medizin. Die Autoren warnen bei unreflektierter KI-Integration vor einer schleichenden Erosion ärztlicher Kernkompetenzen und diskutieren Folgen für professionelle Autonomie und Verantwortungszuschreibung.

Ärztliche Arbeit ist keine Leistungsprüfung in der PKV. Die Befunde lassen sich deshalb nicht eins zu eins übertragen. Der Mechanismus ist für Versicherer dennoch relevant: Expertise entsteht nicht nur dadurch, dass Wissen vorhanden ist. Sie entsteht auch dadurch, dass Menschen es anwenden, eigene Urteile bilden und Verantwortung für Entscheidungen übernehmen.

Wenn ein erfahrener Underwriter, Leistungsprüfer oder Schadenregulierer langfristig hauptsächlich Vorschläge bestätigt, stellt sich damit eine neue Governance-Frage: Welche Fähigkeiten müssen aktiv erhalten werden, selbst wenn die KI sie im Alltag immer seltener benötigt?

Gerade hier liegt eine häufig übersehene Grenze des Automatisierungsdenkens. Fachwissen ist nicht nur eine Ressource, die im Ausnahmefall abrufbar sein soll. Es muss geübt werden, damit es im Ausnahmefall überhaupt noch belastbar zur Verfügung steht.

Human in the Loop reicht als Rollenbeschreibung nicht

Für Versicherer folgt daraus nicht, dass komplexe Arbeit möglichst wenig automatisiert werden sollte. Die entscheidende Frage ist, wie die verbleibende menschliche Rolle gestaltet wird.

Guidewire formuliert für produktive agentische KI im Versicherungsumfeld einen ähnlichen Punkt: Vor dem Einsatz müsse klar sein, was ein System tun darf, wann ein Mensch beteiligt bleiben soll und wie mit unerwarteten Situationen umgegangen wird. Fachbereiche und Anwender sollen dabei mitdefinieren, was gute Leistung überhaupt bedeutet.

Eine aktuelle Studie in Frontiers in Artificial Intelligence unterstreicht ebenfalls, dass die Gestaltung menschlicher Kontrolle mit Vertrauen, Autonomie und Technostress zusammenhängt. Human Oversight ist damit nicht nur eine Governance-Anforderung, sondern Teil des Arbeitsdesigns.

Auch SAP beschreibt für autonome Versicherungsmodelle ein Zielbild, in dem KI Routine und Koordination übernimmt, während Menschen sich auf Urteilsvermögen, komplexe Entscheidungen, Kundenbeziehungen und strategische Aufgaben konzentrieren.

Der Unterschied ist wichtig. Ein Mensch im Prozess ist noch kein Beleg für gute Facharbeit. Ein Experte, der echte Entscheidungsmacht besitzt, ist etwas anderes als ein Mitarbeiter, der am Ende einer automatisierten Kette nur noch formal bestätigt.

Autonomie bedeutet deshalb nicht, ohne KI zu arbeiten. Sie bedeutet, trotz KI fachlich handlungsfähig zu bleiben.

Der richtige Vergleich lautet nicht Mensch gegen KI

Sondern eingespielter Mensch-Prozess gegen neu gestalteten Mensch-KI-Prozess.

Das verändert die Priorisierung von Use Cases. Gerade komplexe Facharbeit ist häufig deshalb teuer, weil ihre Qualität von Erfahrung, Kontext und Urteilskraft abhängt. Der attraktivste KI-Use-Case ist deshalb nicht automatisch der mit dem teuersten Mitarbeiter. Häufig ist es zunächst derjenige, dessen Ergebnis sich zuverlässig überprüfen lässt und bei dem Automatisierung tatsächlich Routine entfernt, statt neue Kontrollarbeit zu erzeugen.

Für unseren Krankenversicherer kann die standardisierte, tausendfach vorkommende Rechnungseinreichung hervorragend automatisierbar sein. Beim komplexen Leistungsfall kann es dagegen sinnvoller sein, wenn KI strukturiert, vorbereitet und priorisiert, während der erfahrene Mitarbeiter den Fall weiterhin selbst führt.

Damit verschiebt sich auch die Zielgröße. Gute KI-Arbeit maximiert nicht den Automatisierungsgrad. Sie minimiert Routine dort, wo sie Expertise bindet, und erhält menschliche Entscheidungskompetenz dort, wo sie Wert schafft.

Nicht maximale Autonomie ist das Ziel

Dass produktiver KI-Einsatz nicht zwangsläufig maximale Autonomie bedeuten muss, zeigt auch ein Beispiel aus der deutschen Versicherungswirtschaft. Die Bayerische will gemeinsam mit dem Berliner InsurTech muffintech Mitarbeitende ohne Programmierkenntnisse dazu befähigen, selbst Chatbot-Anwendungen zu entwickeln. Bemerkenswert ist gerade, dass es dabei nicht um autonome Agenten geht.

Das ist kein Beleg dafür, dass dieser Ansatz automatisch produktiver oder mitarbeiterfreundlicher ist. Er zeigt aber ein anderes Organisationsmodell: Die KI wird nicht als autonome Parallelorganisation neben den Menschen gestellt. Mitarbeitende sollen die Technologie stärker selbst an ihre konkreten Arbeitsprozesse heranführen.

Das Rollenbild ist damit ein anderes. Der Fachbereich wird nicht zum letzten Kontrollpunkt einer von außen entworfenen Automatisierung, sondern gestaltet selbst mit, welche Arbeit die KI übernehmen soll.

Genau darin könnte ein unterschätzter Hebel liegen. Produktivität entsteht nicht zwangsläufig dadurch, dass möglichst viel Arbeit an einen Agenten übertragen wird. Sie kann auch dadurch entstehen, dass die Maschine genau jene Schritte übernimmt, die den bestehenden Arbeitsablauf vereinfachen und Fachkräfte von Routinen entlasten.

Was Versicherer jetzt tun sollten

Erstens sollten Versicherer KI-Projekte nicht nur als Prozess-, sondern als Arbeitsdesign-Projekte behandeln. Neben „Was kann die KI übernehmen?“ gehört von Beginn an die Frage „Wofür soll die Expertise des Mitarbeiters künftig eingesetzt werden?“ in den Use Case.

Zweitens braucht jeder Pilot eine Netto-Betrachtung. Nicht nur die Zeit bis zum KI-Output zählt, sondern auch Prüfung, Korrektur und Eskalation. Entscheidend ist, ob KI Arbeit entfernt, vereinfacht oder lediglich verschiebt. Die Brutto-Produktivität eines einzelnen KI-Schritts kann deutlich höher aussehen als die Netto-Produktivität des Gesamtprozesses.

Drittens sollte die Governance eine zusätzliche Frage aufnehmen: Welche menschliche Fähigkeit wird durch diesen Use Case künftig seltener ausgeübt und wie stellen wir sicher, dass sie im Ausnahmefall noch vorhanden ist? Gerade bei komplexen Fachentscheidungen kann Skill-Erhalt genauso relevant werden wie Modellqualität.

Viertens sollten die betroffenen Fachkräfte nicht erst beim Rollout beteiligt werden. Wer den Prozess über Jahre beherrscht, kann am besten beurteilen, welche Schritte echte Routine sind, welche Entscheidungen Erfahrung benötigen und an welcher Stelle ein KI-Vorschlag zusätzliche Arbeit statt Entlastung erzeugt.

Der eine konkrete Rat für Entscheider lautet deshalb: Automatisieren Sie nicht zuerst dort, wo Menschen teuer sind. Automatisieren Sie dort, wo Routine ihre Expertise davon abhält, wirksam zu werden.

Schlussfolgerung

Die drei Teile dieser Serie haben mit einer scheinbar einfachen Kostenfrage begonnen.

Was kostet KI?

Die Antwort ist komplizierter geworden.

Entscheidend ist nicht der Preis eines Tokens, sondern die Wirtschaftlichkeit eines vollständigen Falls. Nicht jedes Modell sollte jeden Teil dieses Falls bearbeiten. Und nicht jeder technisch automatisierbare Arbeitsschritt sollte möglichst autonom werden.

Denn am Ende entscheidet sich der Wert von KI nicht nur daran, wie viel Arbeit sie übernimmt. Sondern auch daran, welche Arbeit sie dem Menschen lässt.

Wenn KI Routine entfernt und Experten mehr Raum für Urteilskraft, Verantwortung und schwierige Fälle gibt, stärkt sie Facharbeit. Wenn sie aus Experten dagegen vor allem Kontrolleure maschineller Vorschläge macht, kann dieselbe Technologie Effizienz schaffen und gleichzeitig Expertise, Autonomie und die Qualität der Tätigkeit schwächen.

Die beste KI-Organisation automatisiert deshalb nicht einfach möglichst viel Arbeit.

Sie automatisiert genau jene Arbeit, die Experten davon abhält, Experten zu sein.

Hinweis: 
Dieser Artikel wurde mithilfe von KI erstellt und mit menschlicher Expertise verantwortungsvoll veredelt und qualitätsgesichert.

Quellen:

Cash.: Von der KI-Strategie zur Skalierung – Wo die Versicherer noch Lücken haben (26.08.2026)

Guidewire: What It Really Takes to Put Agentic AI into Production (27.08.2026)

Springer / Ethik in der Medizin: Zwischen Augmentation und Autonomieverlust – Künstliche Intelligenz und die Transformation ärztlicher Kompetenz (31.08.2026)

Zeitschrift für Versicherungswesen / InsurLab Germany: Versicherer skalieren KI nur so schnell wie ihre Organisation (01.09.2026)

SAP: Was ist das Autonomous Enterprise für Versicherungen? (01.09.2026)

Harvard Business Review: How Much Time Do Your Employees Spend Botsitting? (05.08.2026)

Journal of Enterprise Information Management: Dark side of generative AI – a stressor-strain outcome and cognitive load theory explanation on decision fatigue and cognitive overload (14.08.2026)

Versicherungswirtschaft-heute: Bayerische und Muffintech – Es geht auch ohne Agentic AI (17.08.2026)

Frontiers in Artificial Intelligence: Governing algorithms, empowering people – how ethical AI oversight shapes trust, technostress, and employee autonomy (31.08.2026)

MIT Sloan: AI boosts worker productivity — but does that translate to final outputs? (02.09.2026)