Warum KI-Assistenten an Versicherungsbedingungen scheitern und wie Agentic Retrieval das ändert

Die Frage, an der viele KI-Assistenten scheitern

„Ist mein E-Bike versichert, wenn es nachts aus dem Fahrradkeller gestohlen wird?” Eine alltägliche Kundenfrage. Die korrekte Antwort steht im Bedingungswerk, verteilt auf drei Stellen: die Leistungsbeschreibung für Fahrraddiebstahl, den Ausschluss zur Nachtzeitklausel und die Definition, was als verschlossener Raum gilt. Wer nur eine dieser Stellen liest, antwortet falsch.

Genau das passiert klassischen KI-Assistenten regelmäßig. Nicht, weil das Sprachmodell zu schwach wäre, sondern weil die Methode, mit der es Wissen abruft, für juristisch strukturierte Dokumente wie Allgemeine Versicherungsbedingungen (AVB) nicht gebaut wurde.

Was RAG gut kann und wo es scheitert

Retrieval-Augmented Generation (RAG) ist der Standard, mit dem KI-Assistenten Unternehmenswissen nutzen: Dokumente werden in Textabschnitte zerlegt, sogenannte Chunks. Stellt ein Kunde eine Frage, sucht das System die ähnlichsten Abschnitte heraus und übergibt sie dem Sprachmodell als Kontext.

Für viele Wissensquellen funktioniert das hervorragend: Produktseiten, Hilfe-Artikel, FAQ-Sammlungen. Jeder Abschnitt steht dort für sich, die Antwort steckt in einem einzelnen Chunk.

Allgemeine Versicherungsbedingungen sind anders gebaut:

1. Klauseln verweisen aufeinander. Die Leistungszusage in Paragraf 5 gilt nur mit dem Ausschluss aus Paragraf 12 und der Definition aus Paragraf 1. Ein einzelner Chunk kennt diese Verweise nicht.
2. Ähnlichkeit ist nicht Relevanz. Die semantische Suche findet den Abschnitt, der der Frage am ähnlichsten klingt. Der entscheidende Ausschluss klingt der Frage aber oft gar nicht ähnlich.
3. Struktur trägt Bedeutung. Ob eine Klausel unter „Leistungen” oder unter „Obliegenheiten” steht, verändert ihre Wirkung. Beim Zerlegen in Chunks geht diese Struktur verloren.

Das Ergebnis: Der Assistent zitiert eine echte Klausel und liegt trotzdem daneben, weil ihm der Rest des Bedingungswerks fehlt. In regulierten Branchen ist das kein Schönheitsfehler, sondern ein operatives Risiko.

Was Agentic Retrieval anders macht

Agentic Retrieval bezeichnet den direkten, werkzeuggestützten Zugriff eines AI Agents auf vollständige Dokumente. Statt vorab zerlegte Textabschnitte zu erhalten, arbeitet der Agent mit dem Dokument selbst: Er öffnet es, verschafft sich einen Überblick über die Struktur, springt gezielt zu den relevanten Abschnitten und liest Klauseln im Zusammenhang, einschließlich der Verweise, Ausschlüsse und Definitionen.

Der Unterschied ist derselbe wie zwischen einem Suchmaschinen-Snippet und einem Sachbearbeiter, der das Bedingungswerk aufschlägt: Der eine findet eine ähnliche Textstelle, der andere beantwortet die Frage.

Wie das auf der LoyJoy Platform funktioniert

Das AI-Agent-Modul der LoyJoy Platform verfügt über Tools, mit denen der Agent direkt mit Dokumenten arbeitet, darunter PDF, DOCX und PPTX. Der Agent entscheidet dabei selbst, welches Werkzeug er wann einsetzt:

1. RAG für die Breite: Schnelle Antworten aus großen Wissensbeständen, etwa Website-Inhalten und Hilfe-Artikeln.
2. Dokument-Tools für die Tiefe: Direkte Arbeit mit vollständigen Bedingungswerken, Verträgen und Produktinformationsblättern, wenn die Frage es erfordert.
3. Leitplanken und Nachvollziehbarkeit: Der Agent antwortet ausschließlich auf Basis der freigegebenen Quellen. Integriertes KI-Testing prüft die Antwortqualität kontinuierlich, auch nach Änderungen am Bedingungswerk.

Für Versicherer heißt das konkret: Deckungs- und Leistungsfragen werden korrekt auf Basis der AVB beantwortet, nicht auf Basis einzelner Textausschnitte. Die Fachabteilung lädt das Bedingungswerk selbst hoch und stellt es dem Agent zur Verfügung, ohne IT-Projekt.

Und weil Bedingungswerke und Kundendialoge sensibel sind: Das Chat-LLM Gemma 4 betreibt LoyJoy auf eigener Hardware im Rechenzentrum Münster. Die Verarbeitung findet vollständig in Deutschland statt, ohne externe KI-Subdienstleister.

Das E-Bike-Beispiel, zu Ende gedacht

Zurück zur Frage vom Anfang. Die Nachtzeitklausel, die Fahrraddiebstahl zwischen 22 und 6 Uhr nur eingeschränkt abdeckt, ist ein gutes Beispiel dafür, warum Allgemeinwissen nicht reicht: In klassischen Bedingungswerken steht sie, viele aktuelle Tarife verzichten auf sie. Ob sie für diesen Kunden gilt, steht ausschließlich in seinem konkreten Bedingungswerk. Ein Sprachmodell, das aus Trainingswissen antwortet, rät. Ein Agent, der das Dokument liest, weiß.

Ein Agent mit Agentic Retrieval geht deshalb so vor: Er erkennt, dass es um Fahrraddiebstahl in der Hausratversicherung geht, öffnet das Bedingungswerk, liest die Leistungsbeschreibung, prüft die zugehörigen Ausschlüsse und die Definition des verschlossenen Raums und antwortet dann, mit Quellenangabe: was versichert ist, unter welchen Voraussetzungen und was der Kunde beachten muss. Reicht das nicht, übergibt er mit vollem Kontext an die Sachbearbeitung.

Der Kunde bekommt eine verbindliche Auskunft statt eines Textschnipsels. Das Service-Team bekommt nur die Fälle, die wirklich menschliche Expertise brauchen.

Häufige Fragen

Ersetzt Agentic Retrieval das RAG? Nein, es ergänzt es. RAG bleibt der schnellste Weg für Wissensfragen aus großen Beständen. Agentic Retrieval kommt zum Einsatz, wenn Dokumente im Zusammenhang gelesen werden müssen. Der Agent wählt selbst den passenden Weg.

Für welche Dokumente lohnt sich Agentic Retrieval? Für alle Dokumente, in denen Aussagen aufeinander verweisen: Versicherungsbedingungen, Verträge, Tarifwerke, technische Regelwerke und Produktinformationsblätter.

Wie wird sichergestellt, dass die Antworten korrekt bleiben? Der Agent antwortet nur auf Basis freigegebener Quellen und nennt sie. Das integrierte KI-Testing simuliert Testfragen automatisch, etwa nach jeder Aktualisierung des Bedingungswerks.

Muss die IT dafür ein Projekt aufsetzen? Nein. Die Fachabteilung stellt Dokumente selbst bereit und konfiguriert den Agent ohne Programmierung. Die IT behält Governance, Rollen und Rechte.

Selbst ausprobieren

Laden Sie Ihr eigenes Bedingungswerk hoch und stellen Sie die Fragen, die Ihre Kunden stellen. Ein erster Agent steht in 15 Minuten.

Kostenlos testen

Oder lassen Sie uns in 30 Minuten gemeinsam analysieren, welche Ihrer Kundenanliegen AI Agents heute schon lösen können: Demo buchen