KI & Technologie:
Die Akzeptanzlücke
Kapitel 02
Fast überall verstehen Praktiker, dass KI einen Quantensprung in der Betrugserkennung darstellt. Der Mehrwert ist längst bewiesen, und die Bedrohungslandschaft, die ihren Einsatz erforderlich macht, ist gut verstanden. Dennoch bleibt die operative Realität ernüchternd: Die überwältigende Mehrheit der Versicherer ist noch nicht in der Lage, angemessen zu reagieren. Die Kosten dieser Lücke sind keineswegs abstrakt; sie werden täglich in Form von Schadensverlusten, manueller Ineffizienz und Wettbewerbsnachteilen bezahlt.
Besonders bemerkenswert ist, dass es sich dabei nicht um ein Problem mangelnder Erkenntnis handelt. Die Branche weiß um die Chancen und Risiken. Die Herausforderung liegt nicht im Bewusstsein, sondern in der Umsetzung. Die Hürden sind bekannt, der Weg ist klar, und Vorreiter haben bereits gezeigt, was möglich ist. Was in den meisten Organisationen fehlt, sind der gemeinsame Wille sowie die strukturellen Voraussetzungen, um die Kluft zwischen Wissen und Handeln zu schließen.
Wo Organisationen tatsächlich stehen
Das Adoptionsbild lässt sich in vier klar unterscheidbare Gruppen einteilen. 36 % der Versicherer befinden sich in der Pilotphase oder haben KI-Lösungen bereits teilweise implementiert. Damit wurden zwar konkrete Schritte eingeleitet, die Technologie ist jedoch noch nicht im großen Maßstab operationalisiert. Weitere 36 % planen eine Einführung, was auf eine strategische Grundsatzentscheidung hindeutet, ohne dass die eigentliche Umsetzung bereits begonnen hat. 19 % der Versicherer verfolgen derzeit keine entsprechenden Pläne. Lediglich 9 % haben KI oder Machine Learning (ML) vollständig implementiert und verfügen damit über eine skalierte, operative Lösung zur Betrugserkennung.
Die insgesamt 72 % der Versicherer, die sich in der Planungs- oder Pilotphase befinden, mögen auf den ersten Blick wie ein Zeichen für Fortschritt wirken. Doch bei genauerer Betrachtung zeigt sich, dass Planung allein keinen Schutz bietet und ein Pilotprojekt, das nie skaliert wird, keine wirksame Verteidigung darstellt. Diese Organisationen profitieren bislang nicht von den Vorteilen KI-gestützter Betrugserkennung. Stattdessen befinden sie sich in unterschiedlichen Stadien der Vorbereitung auf die eigentliche Umsetzung. Der einzig operativ relevante Maßstab sind die 9 %, die KI oder Machine Learning bereits vollständig implementiert haben. Diese Zahl verdeutlicht die erhebliche Umsetzungslücke, die in der Branche weiterhin besteht – insbesondere angesichts einer Bedrohungslage, die sich kontinuierlich verschärft.
Innerhalb der Planungsgruppe verbirgt sich zudem ein Risiko, das benannt werden sollte: organisatorische Trägheit, getarnt als Sorgfaltspflicht. Wenn Planungsphasen kein klares Ende finden, Pilotprojekte ohne definierte Kriterien für die Skalierung laufen und Budgets zwar diskutiert, aber nie freigegeben werden, wird Planung zur bequemen Alternative zum Handeln. In solchen Fällen entsteht die Illusion von Fortschritt, ohne dass tatsächlich operative Fähigkeiten aufgebaut werden.
Gleichzeitig schließt sich das Zeitfenster für eine geordnete Vorbereitung zunehmend. Je länger Organisationen im Planungsmodus verharren, desto schwieriger wird es, die verbleibende Umsetzungslücke rechtzeitig zu schließen. Wenn sich die Bedrohungslage weiter beschleunigt, werden aus Monaten der Verzögerung schnell Jahre des Rückstands. Die Versicherer, die zu lange zögern, riskieren nicht nur höhere Betrugsverluste, sondern auch einen wachsenden Wettbewerbsnachteil gegenüber den wenigen Marktteilnehmern, die bereits gehandelt haben.
36%
36%
19%
9%
Im Pilot-/Teilausbau
Planung zur Umsetzung
Derzeit keine Pläne
Vollständig implementiert
Was blockiert die Adoption und was die Hürden offenbaren
Budgetbeschränkungen (29 %) und Probleme mit der Datenqualität (27 %) sind die am häufigsten genannte Hindernisse für die Einführung von KI. Entscheidend ist jedoch, dass es sich dabei nicht um voneinander unabhängige Herausforderungen handelt. Vielmehr bilden sie einen gegenseitig verstärkenden Kreislauf, der viele Organisationen dauerhaft in der Planungsphase festhält.
Mangelnde Datenqualität erschwert die Entwicklung zuverlässiger KI-Modelle. Weniger verlässliche Modelle erschweren wiederum den Nachweis eines überzeugenden Returns on Investment (ROI). Fehlt dieser Nachweis, werden Budgetfreigaben schwieriger. Gleichzeitig verhindern begrenzte Budgets die notwendigen Investitionen in Datenmanagement und Dateninfrastruktur. Der Kreislauf setzt sich fort.
Um ihn zu durchbrechen, müssen Organisationen erkennen, dass beide Herausforderungen untrennbar miteinander verbunden sind. Es reicht nicht aus, nur eine der beiden Einschränkungen isoliert zu adressieren. Wer in die Verbesserung der Datenqualität investiert, ohne gleichzeitig Mittel für KI-Lösungen bereitzustellen, endet mit besseren Daten, aber ohne die notwendigen Werkzeuge, um daraus Mehrwert zu generieren. Umgekehrt führen Investitionen in KI-Technologie ohne ausreichende Datenbasis häufig zu enttäuschenden Ergebnissen. Beide Handlungsfelder müssen parallel vorangetrieben werden – getragen von einer Führung, die Datenqualität und KI-Fähigkeiten als gleichwertige Voraussetzungen und nicht als aufeinanderfolgende, optionale Schritte betrachtet.
Mangelnde interne Akzeptanz (18 %) ist die Barriere, die am deutlichsten auf eine kulturelle und organisatorische Herausforderung hinweist. In fast jedem fünften Unternehmen liegt das Hindernis weniger in den verfügbaren Ressourcen als in der Bereitschaft zur Veränderung. Die Ursachen reichen von Skepsis auf Führungsebene hinsichtlich des tatsächlichen Nutzens von KI bis hin zu Vorbehalten unter Fachkräften, die ihre Expertise in etablierten Prozessen aufgebaut haben und KI eher als Bedrohung, denn als Unterstützung wahrnehmen.
Dabei handelt es sich um ein lösbares Problem. Die Erfahrungen der Unternehmen, die KI bereits erfolgreich eingeführt haben, zeigen, dass die Technologie menschliche Expertise nicht ersetzt, sondern deren Wirkung verstärkt. Die im nächsten Abschnitt dargestellten Leistungsunterschiede zwischen Anwendern und Nicht-Anwendern liefern das überzeugendste Gegenargument für interne Skepsis.
Regulatorische Anforderungen und Datenschutzbedenken (16 %) vervollständigen das Bild. Obwohl diese Herausforderungen real sind, deutet ihre geringe Bedeutung darauf hin, dass die meisten Versicherer sie eher als Rahmenbedingungen denn als grundlegende Hindernisse betrachten. Für die Mehrheit der Organisationen geht es nicht darum, auf zusätzliche regulatorische Klarheit zu warten, sondern bestehende Anforderungen erfolgreich zu bewältigen.
Dies sendet ein wichtiges Signal an Anbieter, Berater und Branchenverbände: Die größte Unterstützung wird nicht bei regulatorischen Fragen benötigt. Die eigentlichen Herausforderungen liegen in der Finanzierung, der Datenbasis und der organisatorischen Ausrichtung. Wer die KI-Adoption beschleunigen will, muss genau dort ansetzen.
29%
27%
18%
16%
Budgetbeschränkungen
Probleme mit der Datenqualität
Mangelnde interne Akzeptanz
Regulatorische Anforderungen / Datenschutzbedenken
Der Der Mehrwert ist bereits bewiesen
70%
45%
35%
25%
25%
Schnellere Betrugserkennung
Verbesserte Portfolioqualität
Reduzierte Fehlalarme
Bessere Kundenerfahrung
Niedrigere Betriebskosten
* Die Prozentsätze spiegeln die Befragten wider, die KI (Pilot- oder vollständige Implementierung) übernommen haben. "Nicht zutreffende" Antworten ausgenommen.
Ein Werkzeugportfolio, das auf die Vergangenheit ausgerichtet ist
Die heute am weitesten verbreiteten Werkzeuge erzählen eine aufschlussreiche Geschichte Die heute am weitesten verbreiteten Instrumente zur Betrugserkennung zeichnen ein aufschlussreiches Bild darüber, wie die Branche ihre Abwehr derzeit organisiert. Automatisierte Warnsignale und Datenbanken für Querverweise werden jeweils von 60 % der Versicherer eingesetzt. Beide Ansätze basieren überwiegend auf Regeln, definierten Schwellenwerten oder dem Abgleich bekannter Informationen. Sie sind wirksam, wenn es darum geht, bereits bekannte Betrugsmuster zu identifizieren. Ihre Schwäche liegt jedoch darin, dass sie nur erkennen können, worauf sie explizit trainiert oder programmiert wurden. Für die Entdeckung neuartiger Betrugsmethoden sind sie nur begrenzt geeignet.
Ergänzt wird das Instrumentarium durch Recherche in sozialen Medien und Online-Quellen (44 %), Dokumenten- und Medienprüfung (36 %) sowie KI- und Machine-Learning-Modelle (20 %). Damit wird deutlich, dass fortschrittliche, lernfähige Verfahren bislang nur von einer Minderheit eingesetzt werden. Gleichzeitig bedeutet dies, dass rund 80 % der Versicherer noch nicht über vollständig implementierte KI-basierte Erkennungssysteme verfügen.
Diese Ausgangslage ist besonders kritisch, weil sie mit einer neuen Phase im Betrugswettlauf zusammenfällt. Betrüger nutzen zunehmend generative KI, synthetische Identitäten und automatisierte Systeme, die in der Lage sind, traditionelle Kontrollmechanismen zu umgehen. Regelbasierte Verfahren wurden für eine Bedrohungslandschaft entwickelt, in der Betrugsmuster stabil und vorhersehbar waren. Sie stoßen an ihre Grenzen, wenn Angreifer ihre Methoden kontinuierlich anpassen und in großem Maßstab automatisieren können.
Die Einschätzung der Versicherer selbst unterstreicht diese Herausforderung. 60 % der Befragten bewerten ihre aktuellen Betrugserkennungswerkzeuge lediglich als „teilweise effektiv“, während nur 15 % sie als „sehr effektiv“ einstufen. Dies ist weniger ein Ausdruck mangelnden Vertrauens in bestehende Lösungen als vielmehr ein realistisches Verständnis ihrer Grenzen. Die Anwender wissen, dass ihre Werkzeuge einen wichtigen Beitrag leisten, erkennen aber zugleich, dass sie für die nächste Generation von Betrugsrisiken nicht ausreichen.
Entscheidend ist dabei, dass die Lücke zwischen „teilweise effektiv“ und „sehr effektiv“ nicht primär durch bessere Prozesse, zusätzliche Schulungen oder höhere individuelle Leistung geschlossen werden kann. Sie ist Ausdruck einer grundlegenden Fähigkeitslücke. Wenn sich die Bedrohung weiterentwickelt, müssen sich auch die eingesetzten Technologien weiterentwickeln. Die Branche scheint diese Realität inzwischen erkannt zu haben.
Die zentrale Frage lautet daher nicht mehr, ob KI und fortschrittliche Analyseverfahren benötigt werden. Die entscheidende Frage ist, ob Versicherer die organisatorischen, finanziellen und technologischen Voraussetzungen rechtzeitig schaffen, um ihre Verteidigungsfähigkeit auszubauen, bevor die nächste Welle KI-gestützter Betrugsformen ihren vollen Umfang erreicht.
60%
60%
44%
36%
20%
Automatisierte Warnsignale / Geschäftsregeln
Querverweise / externe Datenbanken
Soziale Medien / Online-Ermittlungen
Dokumenten- und Medienverifizierung
KI-/ML-Modelle
Wichtigste Erkenntnis
Die Adoptionslücke ist in erster Linie ein organisatorisches, nicht ein technologisches Problem. Budgetbeschränkungen und Herausforderungen bei der Datenqualität sind reale Hürden, aber sie sind lösbar. Die 9 % der Versicherer, die KI bereits vollständig implementiert haben, sind keine Ausreißer mit außergewöhnlichen Ressourcen. Sie haben vielmehr die strategische Entscheidung getroffen, dem Thema Priorität einzuräumen. Organisationen, die sich noch in der Planungsphase befinden, sind durch ihre Absichten nicht geschützt. Jeder Monat, der mit Planung statt Umsetzung verbracht wird, ist ein weiterer Monat, in dem mit Werkzeugen gearbeitet wird, die darauf ausgelegt sind, die Betrugsmuster von gestern zu erkennen.