KI-gestützte Vertriebssteuerung im regulatorischen Korsett

Künstliche Intelligenz hat den Schweizer Versicherungsmarkt erreicht. Die Diskussion wird allerdings häufig von Chatbots und spektakulären Use Cases rund um generative KI dominiert (LLM), während der eigentliche Hebel zur Wertschöpfung (noch) nicht genutzt wird. Denn die Schlüsselfrage lautet: Wie werden Daten genutzt, um den Kunden mit dem richtigen Angebot über den richtigen Kanal und zum richtigen Zeitpunkt anzusprechen?

Aktuell findet sich KI eher selten in der Vertriebssteuerung. Bis anhin war (und ist) KI als Prototyp (MVP) oder höchstens als Pilot anzutreffen. In den seltensten Fällen ist KI produktiv in das Tagesgeschäft zur Vertriebssteuerung integriert. Diese Lücke zwischen Experiment und Realität steht im Mittelpunkt dieser Artikelserie.

Anders als die EU verfügt die Schweiz über keine spezifische KI-Gesetzgebung. Der Bundesrat hat am 12. Februar 2025 das EJPD beauftragt, gemeinsam mit dem UVEK und dem EDA bis Ende 2026 eine Vernehmlassungsvorlage zu erarbeiten. Diese soll die KI-Konvention des Europarats umsetzen und namentlich Datenschutz, Transparenz, Nichtdiskriminierung und Aufsicht adressieren.

Bis dahin gilt der prinzipienbasierte und technologieneutrale Ansatz der FINMA gemäss Aufsichtsmitteilung 08/2024: «same business, same risks, same rules». Der Grundsatz der FINMA-Praxis besagt, dass sich die Verantwortung nicht delegieren lässt – weder an die künstliche Intelligenz noch an Dritte. Schweizer Versicherer müssen somit Transparenz, Nachvollziehbarkeit und Governance ihrer Algorithmen jederzeit gewährleisten.

Für die Vertriebssteuerung mit KI ergeben sich drei wesentliche Grundsätze:

Datenschutz: Das revidierte Datenschutzgesetz (DSG) setzt enge Grenzen, insbesondere bei automatisierten Einzelentscheidungen und beim Profiling mit hohem Risiko. Dies bedeutet, dass die Kunden aufzuklären sind, wenn weitreichende Entscheidungen rein maschinell getroffen werden.

Algorithmische Fairness: Ein KI-Modell darf Kunden nicht aufgrund diskriminierender Merkmale systematisch benachteiligen. Dies ist z.B. von hoher Relevanz bei einer wertorientierten Segmentierung in der Krankenzusatzversicherung (Value-Based-Segmentation).

EU AI Act: Für Schweizer Erst- und Rückversicherer mit Tochtergesellschaften in der EU oder bei grenzüberschreitendem Geschäft ist der EU AI Act bereits heute faktischer Standard. Fazit: Wer für die Zukunft auf der sicheren Seite stehen will, orientiert sich schon jetzt an den strengeren Transparenz- und Risikoklassifizierungen der EU.

KI-gestützte Vertriebssteuerung bezeichnet die systematische, modellbasierte Allokation von Vertriebskapazitäten. Auf Basis prädiktiver und präskriptiver Algorithmen (z.B. Machine Learning) werden historische und Echtzeit-Daten analysiert, um Aktivitäten (Next Best Actions) von Mensch und Maschine so zu steuern, dass Kundeninteraktion, Abschlusswahrscheinlichkeit und schliesslich Deckungsbeitrag maximiert werden. Im Unterschied zur Marketing-Automation (Stichwort E-Mail-Tsunami) steht dabei nicht die Kampagnensteuerung im Vordergrund, sondern die operative Entscheidungsunterstützung entlang der gesamten Customer Journey an den entsprechenden Touchpoints anhand von fünf Kernfragen:

Damit entsteht ein Steuerungsinstrument, das die Business- und die Technologieperspektive verbindet und den Vertrieb datenbasiert orchestriert.

Aktuell bestimmen bzw. verstärken vier Kräfte den Druck auf die Schweizer Assekuranz:

Den noch tiefen Reifegrad belegt die FINMA-Umfrage von Ende 2024/Anfang 2025: Die Governance- und Risikomanagement-Strukturen rund um KI befinden sich bei den meisten Organisationen **erst im Aufbau. Das Bild verfestigt sich zunehmend: viel Experiment, wenig durchgängige Steuerung. Auch ist der Faktor Mensch nach wie vor zentral.

Die Einführung KI-gestützter Vertriebssteuerung scheitert selten an den KI-Modellen. Massgebend für den Reifegrad sind in der Praxis neben datenbezogenen auch organisatorischen Faktoren.

Datenqualität (Daten-Dimension): Unvollständige Stammdaten oder mangelnde Definitionen von Transaktionsdaten (z.B. Kundenstatus) führen dazu, dass selbst leistungsfähige KI-Modelle keine belastbaren Ergebnisse liefern. Denn KI skaliert in beide Richtungen: ins Positive wie auch ins Negative. Hinzu kommen Datensilos zwischen Kern- und Kundensystemen sowie zwischen operativen und Reporting-Systemen. Informationen zu Kundeninteraktionen werden teils mehrfach gespeichert oder unterschiedlich interpretiert. Es entstehen konkurrierende «Wahrheiten», welche die Prädiktion und damit die Steuerung mindestens erschweren.

Steuerungsmodelle (Logik-Dimension): Viele Versicherer bewegen sich in hybriden Systemlandschaften. Das Zusammenspiel zwischen einem modernen, oft Cloud-basierten Vertriebs-Frontend (z.B. Salesforce) und den starren Kernsystemen (Police & Vertrag, Schaden & Leistung) gleicht häufig einer Übersetzungsarbeit von Technologien verschiedener Generationen. Die Herausforderung liegt damit primär in der Integration der Modelle in die bestehenden Prozesse und weniger in der Entwicklung unnötig komplexer KI-Modelle. Ohne Echtzeit-Schnittstellen (APIs) verpufft auch der Wert eines Echtzeit-Scores.

Multikanalmanagement (Orchestrierungs-Dimension): Unterschiedliche Kanäle bzw. Vertriebsorganisationen (z.B. Generalagentur vs. Direkt) und teilweise auch Regionen verfolgen eigene Steuerungslogiken und Kennzahlen (KPI). Statt einer durchgängig abgestimmten Customer Journey entstehen Parallelaktivitäten, die sich im schlimmsten Fall kannibalisieren.

Mensch & Maschine (Ausführungs-Dimension): KI-Modelle finden bei Aussendienstmitarbeitenden nur Akzeptanz, wenn erstens vollständige Transparenz herrscht und zweitens diese als Unterstützung wahrgenommen werden, nicht als Ersatz ihrer fachlichen Kompetenz. Ignorieren Aussendienstmitarbeitende z.B. einen maschinell generierten Lead, weil sie ihn als «Black-Box» wahrnehmen, bleibt auch das beste KI-Modell weitgehend nutzlos für die Vertriebssteuerung.

Diese Herausforderungen lassen sich entlang eines einfachen Reifegradmodells einordnen, das von der Datenbasis bis zur Ausführung aufeinander aufbaut:

Die Einführung KI-gestützter Vertriebssteuerung ist kein Technologie-, sondern ein Transformationsprojekt. Entscheidend sind vier miteinander verbundene Stufen, bzw. Dimensionen. Anhand der Abbildung «Reifegradmodell zur Vertriebssteuerung mit KI» ist dem Lesenden überlassen sein Unternehmen bezüglich aktuellen Reifegrades einzuschätzen und entsprechend den Aufwand zur Erreichung der nächsten Stufe zu erreichen.

Die Investition in eine KI-basierte Vertriebssteuerung ist kein reines IT-Projekt, sondern eine breite betriebswirtschaftliche Notwendigkeit. Erste Analysen deuten darauf hin, dass Organisationen mit überwiegend konsistenten Daten und etablierter Governance ihre Streuverluste im Vertrieb spürbar – in einzelnen Fällen um bis zu 20 Prozent – senken können. Diese Erkenntnis ist nicht neu: Datenbasierte Vertriebssteuerung existierte schon zu Zeiten des ersten CRM-Hypes. Neu hingegen ist die kontinuierliche Verbesserung des KI-Modells und der gleichzeitige Abgleich mit den operativen Kunden- und Partnersystemen. Somit wird gewährleistet, dass die Vertriebsfunktionen (Mensch und Maschine) jederzeit mit aktuellen Scores und konkreten Aktivitäten versorgt sind. Es darf nicht mehr sein, dass am Hauptsitz aus dem Analyse-System Excel-Listen generiert, welche Aussendienstmitarbeitende abarbeiten müssen.

Der wirtschaftliche Nutzen entsteht somit aus der besseren Allokation knapper Vertriebsressourcen. Bereits moderate Verbesserungen bei Cross- und Up-Selling, Lead-Priorisierung oder Churn-Prävention erzielen spürbare Effekte.

Dem stehen Investitionen in Datenmanagement, Governance sowie Prozesse und organisatorischen Wandel gegenüber. Der grösste Return on Investment ergibt sich erfahrungsgemäss aus der Fähigkeit, Datenqualität, Vertriebsprozesse und Steuerungslogik konsistent miteinander zu verbinden und nicht in der Überspezifikation des KI-Modells.

Ist die Datenbasis bereinigt und das regulatorische Fundament geklärt, folgt die anspruchsvollere Aufgabe: die Orchestrierung der vielfältigen Kanäle mit KI, ohne dass diese gegeneinander arbeiten. Teil 2 beleuchtet dieses Omnichannel-Paradoxon und zeigt, wie etwa Next-Best-Action-Modelle und Agentic AI das Zusammenspiel von Mensch und Maschine grundlegend verändern.