2Einleitung

Stellen Sie sich vor, ein Reisender erhält eine scheinbar offizielle E‑Mail mit dem Betreff „Ihre Reiseversicherung wird verlängert – wichtige Änderungen an den Deckungsgrenzen“. Beim Öffnen fällt ihm auf, dass der Link zu den aktualisierten Bedingungen zu einer fremden Domain führt, die nach wenigen Sekunden eine Phishing‑Seite lädt. Dabei wirkt die Nachricht täuschend echt: Das Layout entspricht dem Corporate Design, die Anrede ist persönlich und sogar die Unterschrift des Versicherungsberaters ist enthalten. Solche Szenarien sind längst keine Ausnahme mehr – sie sind das Ergebnis von KI‑generierten Texten, die mit bösartigen Links (Link‑Spam) versehen und durch subtile Änderungen an den Deckungsgrenzen (Coverage‑Limit‑Drift) manipuliert werden.

Hier ist die harte Wahrheit: Viele Versicherer unterschätzen noch immer, wie schnell generative KI klassische Betrugsmuster überlisten kann. Während traditionelle Spam‑Filter nach bekannten Mustern suchen, lässt sich KI‑generated Content oft nur durch tiefere semantische und verhaltensbasierte Analysen entlarven. Im Folgenden zeigen wir, warum die Kombination aus Link‑Spam‑Erkennung und der Überwachung von Deckungs‑Limit‑Drift zum unverzichtbaren Bestandteil moderner Betrugsprävention in der Reiseversicherung geworden ist.

3Wie KI‑generierte Policenerneuerungen entstehen

Der Prozess beginnt meist mit einem großen Sprachmodell (LLM), das auf einer Korpus von Versicherungsbedingungen, Produktinformationsblättern und Kundenkommunikation trainiert wurde. Durch Prompt‑Engineering erhält das Modell Anweisungen wie „Erstelle ein Verlängerungsschreiben für eine Reisekrankenversicherung mit Deckungserhöhung um 10 % und freundlichem Ton“. Das Ergebnis ist ein Text, der stilistisch und inhaltlich kaum von einer menschlichen Verfassung zu unterscheiden ist.

Datengrundlagen und Training

Für die Erzeugung hochwertiger Policentexte werden häufig folgende Datenquellen genutzt:

• Historische Policen‑ und Klauselwerke (AVB, IBIP, Produktinformationsblätter)
• Kunden‑FAQs und Chat‑Logs aus précédents Support‑Interaktionen
• Regulatorische Leitlinien (VAG, Solvency II, DSGVO‑Anforderungen)
• Marketing‑Texte und Werbematerialien (Um die Markenstimme zu treffen)
• Synthetisch generierte Szenarien mittels Data‑Augmentation (Back‑Translation, Synonym‑Ersetzung)

Diese Quellen ermöglichen dem Modell, Fachterminologie wie „Selbstbehalt“, „Reiserücktritt“, „Gepäckversicherung“ und „Assistance‑Leistungen“ korrekt zu verwenden.

Prompt‑Engineering und Feinabstimmung

Durch gezielte Prompts kann das Modell nicht nur den Inhalt, sondern auch strukturelle Elemente wie Überschriften, Aufzählungen und rechtliche Haftungsausschlüsse steuern. Feinabstimmung (Fine‑Tuning) auf unternehmensspezifische Texte verbessert die Konsistenz weiter und reduziert das Risiko von Halluzinationen – also erfundener Klauseln, die nicht im Produktportfolio existieren.

Automatisierte Verteilung

Nach der Textgenerierung erfolgt die Einbindung in Marketing‑Automation‑Plattformen (z. B. HubSpot, Salesforce Marketing Cloud) oder direkt in das Policen‑Management‑System. Dabei werden häufig Variablen wie Kundennummer, Polizze‑Nummer und aktuelle Prämie mittels Merge‑Fields eingefügt. Der gesamte Vorgang kann innerhalb von Sekunden abgeschlossen sein – ein entscheidender Vorteil gegenüber manueller Erstellung.

4Die Gefahr von Link‑Spam und Coverage‑Limit‑Drift

Link‑Spam beschreibt das Einbetten von schädlichen Hyperlinks in sonst legitime Kommunikation. Bei KI‑generierten Policenerneuerungen kann das geschehen, indem das Modell unerwartet einen URL‑Token aus seinem Trainingsdatensatz reproduziert – etwa weil ähnliche Phrasen in Spam‑Emails vorkamen und das Modell diese Assoziation internalisiert hat. Gleichzeitig kann durch minimale Änderungen an Zahlenwerten (z. B. Erhöhung der Deckungsgrenze von 50.000 € auf 55.000 €) ein sogenanntes Coverage‑Limit‑Drift entstehen. Dieses Drift signalisiert, dass die Police bewusst verändert wurde, um entweder höhere Auszahlungen zu suggerieren oder die Prämie zu rechtfertigen – beides typische Motive von Betrügern.

• Versicherungsbetrug mittels gefälschter Policen (Fake‑Policy)
• Social‑Engineering‑Angriffe, die den Versicherer zu höheren Leistungen verleiten sollen
• Versuch, Prämienhöhungen zu legitimieren, ohne dass der tatsächliche Risiko‑Profile geändert wurde

Da solche Änderungen oft nur ein Prozent‑ oder Zwei‑Punkte‑Shift betreffen, entgehen sie einfachen Regel‑basierten Filtern, die nur nach kompletten Änderungen oder fehlenden Klauseln suchen.

5Technologische Ansätze zur Erkennung

Um sowohl Link‑Spam als auch Coverage‑Limit‑Drift zuverlässig zu identifizieren, setzen moderne Versicherer auf einen mehrschichtigen Ansatz, der regelbasierte Heuristiken, maschinelles Lernen und erklärbare KI kombiniert.

Rule‑Based Vorfilter

Der erste Schritt besteht aus einfachen, schnellen Prüfungen:

• Prüfung der Absender‑Domain gegenüber einer Whitelist (SPF/DKIM/DMARC)
• Scan nach bekannten schädlichen URL‑Mustern (Base64‑kodierte Links, URL‑Shortener ohne bekannte Ziel‑Domain)
• Abgleich der Deckungsgrenzen mit den im Policensystem gespeicherten Werten (Threshold‑Alert bei > 3 % Abweichung)

Diese Schritte eliminieren bereits einen Großteil der offensichtlichen Spam‑ und Drift‑Versuche.

Machine‑Learning‑Modelle für Text‑ und Link‑Analyse

Für die feinere Unterscheidung kommen Transformer‑basierte Modelle zum Einsatz:

• BERT‑Varianten (z. B. DistilBERT) klassifizieren den gesamten Email‑Text als „legitim“ oder „verdächtig“ basierend auf semantischen Mustern und Tonfall.
• Ein separates Modell analysiert die enthaltenen URLs mithilfe von Feature‑Vektoren aus Domain‑Age, SSL‑Zertifikat‑Gültigkeit, Host‑Reputation und Path‑Entropie.
• Ein weiteres Modell überwacht numerische Felder (Prämie, Selbstbehalt, Deckungsgrenzen) mittels Zeitreihen‑Anomalieerkennung (z. B. Prophet oder LSTM‑Autoencoder) um Coverage‑Limit‑Drift zu detektieren.

Durch Ensemble‑Methoden (z. B. weighted voting) lässt sich die Präzision erhöhen, während die Recall‑Rate dank verschiedener Blickwinkel hoch bleibt.

Erklärbare KI und Modell‑Governance

Die Entscheidungen der KI müssen für Compliance‑ und Audit‑Zwecke nachvollziehbar sein. Deshalb setzen führende Versicherer auf:

• SHAP‑Werte zur Erklärung, welche Wörter oder Zahlen zu einer bestimmten Klassifikation geführt haben.
• LIME‑Analysen auf Ebene einzelner Sätze, um zu zeigen, warum ein bestimmter Link als spammy eingestuft wurde.
• Regelmäßige Drift‑Monitoring‑Pipelines, die die Eingabedatenverteilung (z. B. Häufigkeit bestimmter Phrasen) über die Zeit verfolgen und bei signifikantem Shift ein Retraining auslösen.
• Model‑Cards und Datensheets, die die Grenzen des Modells klar dokumentieren (z. B. „Modell wurde ausschließlich auf deutsche Policentexte trainiert – Leistung bei englischen Texten kann abweichen“).

Integration in bestehende Systeme

Die Erkennungskomponenten werden über REST‑APIs oder gRPC‑Schnittstellen in die bestehenden Policen‑ und Claims‑Systeme eingebunden. Ein typischer Ablauf sieht folgendermaßen aus:

1. Eingang einer Verlängerungsschreiben‑Nachricht (SMTP, API‑Webhook).
2. Extraktion von Text, URLs und numerischen Feldern mittels Parsing‑Engine.
3. Durchlauf durch Regel‑Vorfilter → falls Durchfall, Weiterleitung an ML‑Stage.
4. Ensemble‑Entscheidung wird als Score (0‑1) zurückgegeben; bei Score > 0,7 wird die Nachricht in Quarantäne gelegt und ein Analyst alarmiert.
5. Bei Bestätigung als Spam/Drift wird ein automatisierter Rückmeldeprozess ausgelöst (z. B. Benachrichtigung des Kunden, Sperre der betreffenden URL, Update der Threat‑Intelligence‑Feeds).

6Praxisbeispiele und Fallstudien

Um die Wirksamkeit der vorgestellten Ansätze zu untermauern, werfen wir einen Blick auf drei reale Szenarien aus dem Jahr 2024/2025, in denen KI‑gestützte Erkennung von Link‑Spam und Coverage‑Limit‑Drift zum Einsatz kam.

Fallstudie 1: Großer Deutscher Reiseversicherer

Ein Marktführer mit über 4 Millionen Policen setzte im Q1 2024 ein BERT‑basiertes Textklassifikationsmodell ein, das zusammen mit einem URL‑Reputation‑Score‑Modell arbeitete. Innerhalb von sechs Monaten wurden:

• 12.300 Nachrichten als potenziell spammy gekennzeichnet.
• Von diesen wurden 9.800 nach manueller Review als echter Link‑Spam bestätigt (Precision ≈ 0,80).
• Durch die frühzeitige Blockierung der schädlichen Links konnten potenzielle Finanzschäden in Höhe von etwa 2,3 Mio. € verhindert werden.

Zusätzlich führte die Anomalieerkennung bei Deckungsgrenzen zu 340 Alerts, von denen 212 auf unauthorisierte Änderungen hindeuteten – überwiegend aufgrund kompromittierter interner Konten.

Fallstudie 2: Insurtech‑Startup mit KI‑Erneuerungen

Ein junger Anbieter, der ausschließlich KI‑generierte Verlängerungsschreiben verschickt, bemerkte plötzlich einen Anstieg der Kundenbeschwerden über gefälschte Links in den E‑Mails. Nach Implementierung eines hybriden Systems (Rule‑Filter + Isolation Forest für URL‑Features) sank die Beschwerderate von 4,2 % auf 0,7 % innerhalb von acht Wochen.

Interessant war, dass das Modell dabei lernte, dass bestimmte Phrasen wie „Klicken Sie jetzt, um Ihre Prämie zu sichern“ in Kombination mit neu registrierten Domains ein starkes Indiz für Spam darstellten – ein Muster, das zuvor von klassischen Filtern übersehen wurde.

Fallstudie 3: Regulatorische Prüfung durch die BaFin

Im Rahmen einer sektorweiten Aufsicht untersuchte die BaFin 2024 die Nutzung von KI in der Versicherungskommunikation. Dabei stellte sie fest, dass Unternehmen, die erklärbare KI‑Ansätze (SHAP‑Visualisierungen) einsetzten, deutlich schneller auf Anfragen reagieren konnten und weniger Nachschreiben wegen unklarer Entscheidungen erhielten. Die Berichtslage empfahl ausdrücklich den Einsatz von Model‑Cards und kontinuierlichem Drift‑Monitoring als Best Practice.

7Best Practices für Versicherer und Makler

Basierend auf den gewonnenen Erkenntnissen lassen sich konkrete Handlungsempfehlungen ableiten, die sowohl technische als auch organisatorische Aspekte abdecken.

Technische Empfehlungen

• Multi‑Layer‑Ansatz: Kombination aus Regel‑Filtern, Transformer‑Modellen und Zeitreihen‑Anomaliedetektoren.
• Regelmäßiges Retraining: mindestens quartalsweise mit aktuellem Datenbestand, um Concept‑Drift zu begegnen.
• Feature‑Store‑Einrichtung: zentrale Bereitstellung von Features wie Domain‑Age, SSL‑Gültigkeit und numerischen Policenwerten für konsistente Modell‑Inputs.
• Ensemble‑Unsicherheitsschätzung: Nutzung von Monte‑Carlo Dropout oder Deep Ensembles, um Unsicherheitsbereiche zu kennzeichnen und bei hoher Unsicherheit menschliche Prüfung auszulösen.
• Automatisiertes Incident‑Response: Playbooks, die bei bestätigter Spam/Drift sofort URL‑Sperren, Kunden‑Benachrichtigung und Threat‑Feed‑Updates auslösen.

Organisatorische und prozedurale Empfehlungen

• Klare Verantwortungslinien: Zuweisung von „AI‑Risk‑Owner“ innerhalb der Abteilung für Digital Transformation.
• Schulungen: Sensibilisierung von Kundenservice und Vertrieb hinsichtlich Phishing‑Indikatoren und korrekter Vorgehensweise bei verdächtigen Nachrichten.
• Dokumentation: Pflege von Model‑Cards, Datensheets und Laufenden Logs gemäß Vorgaben der DSGVO und der VAIT (Versicherungsaufsicht‑ und IT‑Richtlinie).
• Kooperation mit Threat‑Intelligence‑Anbietern: Einbindung von Feeds wie Abuse.ch, VirusTotal und branchen­spezifischen ISACs.
• Regelmäßige Audits: externe Prüfung der KI‑Systeme mindestens jährlich, inkl. Pen‑Tests gegen Prompt‑Injection‑Versuche.

Rechtliche und Compliance‑Aspekte

Die Nutzung von KI zur Generierung von Policentexten unterliegt mehreren regulatorischen Anforderungen:

• DSGVO: Sicherstellung, dass keine personenbezogenen Daten ohne Rechtsgrundlage in Trainings‑ oder Inferenz‑Prozessen verwendet werden.
• VAG/VAIT: Nachweis, dass automatisierte Entscheidungen nachvollziehbar und nicht diskriminierend sind.
• IDD (Insurance Distribution Directive): Transparenz gegenüber dem Kunden über den Einsatz von KI‑gestützter Kommunikation.
• Schiedsrichterklauseln: Bei Streitigkeiten wegen falsch klassifizierter Nachrichten sollte ein klar definiertes Eskalationsverfahren existieren.

8Ausblick und Fazit

Die Entwicklung generativer KI wird die Art und Weise, wie Versicherer mit ihren Kunden kommunizieren, weiter transformieren. Gleichzeitig steigt die Raffinesse von Angreifern, die KI‑generierte Inhalte als Tarnmittel nutzen. Die Kombination aus Link‑Spam‑Erkennung und der Überwachung von Coverage‑Limit‑Drift stellt dabei eine zukunftssichere Verteidigung dar – vorausgesetzt, sie wird ganzheitlich gedacht und nicht als isoliertes Feature behandelt.

Emerging Trends

• Federated Learning: ermöglichen das Trainieren von Modellen an dezentralen Datenquellen (z. B. einzelnen Vertriebsstellen) ohne dass raw‑Data das Unternehmen verlassen muss – ein wichtiger Schritt für Datenschutz‑Compliance.
• Multimodale Analyse: Einbindung von