Underwriting Submission Copilot

Underwriter prüfen pro Vorgang 50–200 Seiten PDF-Submissions manuell. Das sind mehrere Stunden Arbeit, bevor überhaupt eine Entscheidung getroffen wird. Risikofaktoren stecken verstreut in SOVs, Schadenhistorien und Maklernotizen. Compliance-Checks laufen über manuelle Checklisten, die fehleranfällig und zeitintensiv sind.

Die Herausforderung besteht darin, aus dem Dokumentenstapel eine saubere Risikoeinschätzung zu destillieren, gegen interne Richtlinien zu prüfen und eine Entscheidungsempfehlung zu formulieren. An dieser Stelle kann KI einen wertvollen Beitrag leisten, und zwar nicht indem sie die Entscheidung trifft, sondern indem sie einen Teil der Vorarbeit erledigt.

Herausforderungen im Underwriting

Ein Underwriting Co-Pilot, der Submission-PDFs in belegbasierte Entscheidungsgrundlagen verwandelt

Der Underwriting Submission Copilot nimmt PDFs entgegen und verwandelt sie in vier aufeinander aufbauende Artefakte:

1. Strukturierter Einzug. PDFs werden geparst, nach Dokumententyp klassifiziert (SOV, Loss Run, Broker Note, etc.), in semantisch sinnvolle Abschnitte zerlegt und als Vektorembeddings in einer pgvector-Datenbank abgelegt. Aus einem Stapel PDFs wird so ein durchsuchbarer Wissenskorpus.

2. Belegbasierte Risikozusammenfassung. Für jede Risikokategorie (Sachrisiken, Haftpflicht, Umwelt, Finanziell) werden gezielte Retrieval-Queries gegen den Korpus gestellt und die Ergebnisse vom LLM zu einer Zusammenfassung verdichtet. Jeder Satz trägt eine Quellenangabe: Dokumentname plus Seitenzahl.

3. Automatisierte Compliance-Prüfung. Interne Underwriting-Richtlinien werden Regel für Regel gegen die Submission geprüft. Jede Regel bekommt ein Ampelergebnis (erfüllt / unklar / nicht erfüllt), eine Begründung und wiederum Quellenangaben. Kein Regelwerk wird übersprungen, kein Checklist-Punkt vergessen.

4. Interaktiver Dokumenten-Chat. Für alles, was über die Zusammenfassungen hinausgeht, gibt es einen Q&A-Modus über den gesamten Submission-Korpus. Antworten mit nummerierten Quellenverweisen, Chatverlauf pro Submission gespeichert, Daumen-hoch-/runter-Feedback zu jeder Antwort.

Was den Underwriting Co-Pilot besonders macht

Ein Projekt dieser Art lässt sich auf unterschiedliche Arten bauen. Erwähnenswert sind dabei drei Entscheidungen:

RAG ohne Framework. Frameworks ändern sich regelmäßig, mal mehr mal weniger. Jede Abhängigkeit von ihren Abstraktionen bedeutet wiederkehrende Migrationsarbeit. Wichtiger noch: in einer regulierten Domäne muss jeder Schritt (Retrieval, Prompt-Konstruktion, Citation-Mapping) inspizierbar sein. Frameworks verstecken manchmal genau diese Schichten hinter ihrer API. Die eigene Pipeline ist schlanker, stabiler und lässt sich vollständig analysieren. Das Chunking ist an versicherungsspezifische Dokumentstrukturen angepasst. Es wird nur an nummerierten Überschriften gesplittet, kleine Abschnitte bis zu einer Zielgröße von ~800 Tokens werden zusammengeführt.

Zitate sind das Fundament. Jede LLM-Ausgabe im System referenziert Quellen über Nummern wie [1], [2], die beim Parsen automatisch auf SourceReference-Objekte verwiesen werden. Diese Referenzen tragen den Dokumentennamen, die Seitenzahl und die Chunk-ID. Sie überdauern den gesamten Weg vom Retriever bis zur UI, ohne unterwegs in einem Metadatenfeld zu verschwinden. Solche erzwungenen Datenstrukturen sind hinsichtlich konsistenter, nachvollziehbarer Ergebnisse sehr wertvoll.

Zweistufige Qualitätssicherung. Auf Ebene 1 laufen Code-Assertions über jede Ausgabe. Sie prüfen, ob Zitate vorhanden sind, ob die Struktur stimmt, ob leere Abschnitte ausgegeben werden. Hier fallen keine LLM-Kosten an, und es existiert sofortiges Feedback hinsichtlich Regressionen. Auf Ebene 2 bewertet ein LLM-as-Judge bewertet, ob die Antwort die Frage treu, vollständig und korrekt zitiert beantwortet.

Über ein Dashboard sind Passraten, Token-Kosten, Latenzen und Nutzer-Feedback pro Query-Typ einsehbar.

Für wen ist diese Applikation relevant?

Underwriting-Teams in der industriellen Sachversicherung

Wer täglich Submissions prüft, kennt das Problem: 50–200 Seiten pro Vorgang, verstreute Risikofaktoren, manuelle Compliance-Checks.

Während der Copilot die Aufbereitung übernimmt, bleibt die Entscheidung beim Menschen, aber mit belegbasierter Vorarbeit statt stundenlanger Lektüre.

Operations- und Digitalisierungsverantwortliche bei Versicherern

Für alle, die Durchlaufzeiten in der Risikoprüfung verkürzen und Compliance-Prozesse standardisieren wollen, ohne ihre Underwriting-Logik in eine Blackbox auszulagern. Die zweistufige Qualitätssicherung (Code-Assertions plus LLM-Judge) macht jede KI-Ausgabe prüf- und auditierbar.

Insurtechs, Beratungen und KI-Teams im Versicherungsumfeld

Wer eine produktionsreife RAG-Architektur für regulierte Domänen sucht (mit echtem Citation-Tracking, eigener Evaluation-Pipeline und ohne Framework-Lock-in) findet hier ein konkretes Referenzprojekt. Gerne als Diskussionsgrundlage, Code-Review oder für gemeinsame Projekte.

Häufig gestellte Fragen (FAQ)

Wie funktioniert der Underwriting Copilot?

Der Copilot verarbeitet Submission-PDFs (SOVs, Schadenhistorien, Maklernotizen) mittels RAG-Architektur und extrahiert Risikofaktoren, Compliance-relevante Informationen und Entscheidungsgrundlagen automatisiert. Jede Aussage ist mit Quellenverweis versehen – die Entscheidung bleibt beim Underwriter.

Wie wird die Qualität der KI-Ausgaben sichergestellt?

Durch eine zweistufige Qualitätssicherung: Code-Assertions prüfen strukturelle Korrektheit, ein LLM-Judge bewertet inhaltliche Plausibilität. Jede Ausgabe ist prüf- und auditierbar – ein zentrales Kriterium für regulierte Branchen.

Wie lange dauert die Verarbeitung einer Submission?

Eine typische Submission mit 50–200 Seiten wird in wenigen Minuten aufbereitet – statt mehrerer Stunden manueller Lektüre.

Lässt sich der Copilot in bestehende Systeme integrieren?

Ja. Die Architektur ist framework-unabhängig und kann an bestehende Underwriting-Workflows, Dokumentenmanagementsysteme und Compliance-Prozesse angebunden werden. Details klären wir im Erstgespräch.

Haftungsausschluss (Disclaimer)

Haftung für Inhalte

Als Diensteanbieter sind wir gemäß § 7 Abs.1 TMG für eigene Inhalte auf diesen Seiten nach den allgemeinen Gesetzen verantwortlich. Nach §§ 8 bis 10 TMG sind wir als Diensteanbieter jedoch nicht verpflichtet, übermittelte oder gespeicherte fremde Informationen zu überwachen oder nach Umständen zu forschen, die auf eine rechtswidrige Tätigkeit hinweisen. Verpflichtungen zur Entfernung oder Sperrung der Nutzung von Informationen nach den allgemeinen Gesetzen bleiben hiervon unberührt. Eine diesbezügliche Haftung ist jedoch erst ab dem Zeitpunkt der Kenntnis einer konkreten Rechtsverletzung möglich.
Bei Bekanntwerden von entsprechenden Rechtsverletzungen werden wir diese Inhalte umgehend entfernen.