Multi-Agent AI Architecture for Regulated Insurers

Walter Kurz

doi:10.5281/zenodo.21704877

Zusammenfassung

Dieses Paper schlägt eine formale Multi-Agenten-Architektur für den Einsatz von Enterprise-AI in regulierten Versicherungsunternehmen vor und verbindet dabei ökonomische Theorie mit institutionellem Design. Der Rahmen führt drei zentrale theoretische Perspektiven zusammen: Arrows Theorie der Risikopoolbildung zur Formalisierung der Risikotransformation unter Unsicherheit, das Nash-Gleichgewicht zur Modellierung strategischer Interaktionen zwischen Entscheidungsagenten und die Prinzipal-Agent-Theorie zur Anreizausrichtung unter Informationsasymmetrie. Der Versicherer wird als restringierte Optimierungseinheit innerhalb von Solvenz-, Rechts-, ESG- und Betriebsgrenzen modelliert, mit besonderem Blick auf die regulatorischen Kontexte Österreichs und Deutschlands. Die Architektur zerlegt das Unternehmen in mehrere spezialisierte Agenten, die jeweils eigene funktionale Domänen abbilden, darunter Kapitalmanagement, Underwriting, Schadenbearbeitung, Compliance, Betrugserkennung und Kundeninteraktion. Human-in-the-Loop-Agenten sind über ein gestuftes Zugriffskontrollsystem eingebunden, das differenzierte Datensichtbarkeit und Entscheidungseinfluss nach Nutzendenrollen sichert. Ein Orchestrator-Agent überwacht die Koordination zwischen den Agenten und setzt regulatorische Zulässigkeit und institutionelle Kohärenz unter Rahmen wie Solvency II, dem AI Act und der Versicherungsvertriebsrichtlinie durch. Die Protokollintegration beruht auf asynchroner Ausführung und einer zweischichtigen Kommunikationsinfrastruktur, konkret dem Model Context Protocol (MCP) und dem Agent-to-Agent-Messaging (A2A). Diese Struktur ermöglicht den systematischen Entwurf compliant und auditierbarer Multi-Agenten-Systeme im Einklang mit der institutionellen Logik von Finanzunternehmen in Österreich und Deutschland.

Schlagwörter:

Multi-Agenten-Systeme
Enterprise-AI
Versicherungsunternehmen
Solvency II
AI Act
regulierte Umgebungen
restringierte Optimierung
Prinzipal-Agent-Theorie
Nash-Gleichgewicht
Arrows Risikopoolbildung

Einleitung

In diesem Paper entwickeln wir einen theoretischen Rahmen, um die institutionellen Kernfunktionen von Versicherungsunternehmen in Österreich und Deutschland zu formalisieren. Unser Ziel ist es, diese Unternehmen als Systeme restringierter Optimierungsprobleme darzustellen, die sich über eine dezentrale Multi-Agenten-Architektur umsetzen lassen. Wir vermeiden bewusst AI-Anwendungen auf Aufgabenebene und konzentrieren uns stattdessen auf die strukturelle Transformation von Versicherungsunternehmen in formale agentenbasierte Systeme, die von ökonomischen Zielen und regulatorischen Restriktionen bestimmt werden. Die Analyse ist auf gewinnorientierte private Versicherer beschränkt, was die Ableitung von Zielfunktionen erlaubt, die mit Nutzen- oder Überschussmaximierung unter begrenzter Rationalität vereinbar sind. Diese Arbeit trägt zu einer Grundlage für den Einsatz fortgeschrittener AI-Systeme im Versicherungswesen bei, indem sie das Agentenverhalten in der Theorie der Unternehmung verankert statt in heuristischen Regelwerken oder isolierten Prognosemodellen.

Institutioneller Rahmen: Versicherungsmärkte in Österreich und Deutschland

Österreich und Deutschland bilden zwei der am weitesten entwickelten und am strengsten regulierten Versicherungsmärkte Europas. Beide Jurisdiktionen arbeiten unter dem Solvency-II-Rahmen und sind durch hohe Marktdurchdringung, standardisierte Aufsichtspraxis und formal kodifizierte Regime der Kapitalausstattung gekennzeichnet. Der deutsche Markt umfasst einen bedeutenden Anteil an Versicherungsvereinen auf Gegenseitigkeit und öffentlich-rechtlichen Versicherern, während Österreich eine stärkere Konzentration privater Aktiengesellschaften aufweist. Die Aufsicht üben die BaFin in Deutschland und die FMA in Österreich unter harmonisierten EU-Richtlinien aus. Diese institutionellen Ähnlichkeiten, verstärkt durch zwingenden und normativen isomorphen Druck im EU-Regulierungsfeld, erlauben eine gemeinsame theoretische Behandlung gewinngetriebenen Versichererverhaltens (DiMaggio and Powell 1983). Kapitalanforderungen und Solvenzrestriktionen sind unter Solvency II explizit quantifiziert, was es möglich macht, Versicherungsunternehmen als überschussmaximierende Einheiten innerhalb regulatorischer Risikogrenzen zu modellieren (Boonen 2017).

Taxonomie der Versicherungsunternehmen

Versicherungsunternehmen in Österreich und Deutschland lassen sich nach Eigentümerstruktur, Rechtsform und regulatorischem Auftrag einteilen. Grob dominieren drei Typen die institutionelle Landschaft: (i) öffentlich-rechtliche Versicherer wie die gesetzlichen Krankenversicherungsträger, (ii) Versicherungsvereine auf Gegenseitigkeit, die ihren Versicherungsnehmenden gehören, und (iii) Aktiengesellschaften unter der Kontrolle der Anteilseignenden. Alle Einheiten unterliegen zwar Solvency II und der nationalen Aufsicht, doch ihre internen Ziele unterscheiden sich erheblich. Öffentlich-rechtliche Versicherer sind typischerweise durch gesetzliche Aufgaben und feste Leistungsstrukturen gebunden und haben nur begrenzten Spielraum bei Preisgestaltung oder Kapitalstrategie. Versicherungsvereine auf Gegenseitigkeit arbeiten unter kollektivem Eigentum und stellen den Nutzen der Mitglieder häufig über Gewinnmaximierung. Demgegenüber verfolgen Aktiengesellschaften im Marktwettbewerb die Erzielung von Überschüssen unter regulatorischen Kapital- und Risikorestriktionen (Schmeiser and Gründl 2002; Biener and Eling 2012). Diese Unterschiede wirken sich auf die Formalisierung der Zielfunktionen und der zulässigen Entscheidungsmengen. Angesichts dieser Divergenz konzentriert sich die weitere Analyse ausschliesslich auf gewinngetriebene private Versicherer, für die sich das Unternehmen als nutzenmaximierende Einheit unter Solvenz- und Compliance-Restriktionen modellieren lässt.

Beitrag

Dieses Paper liefert einen theoretischen Rahmen, der die institutionellen Kernfunktionen gewinngetriebener Versicherungsunternehmen als restringierte, ökonomisch fundierte Optimierungsprobleme formalisiert. Aufbauend auf etablierten Modellen zu Nutzen, Risiko und Vertragstheorie zerlegen wir den Versichererbetrieb in analytisch unterscheidbare Teilfunktionen, die an den Zielen auf Unternehmensebene ausgerichtet sind. Diese Teilfunktionen werden anschliessend auf eine Multi-Agenten-Systemarchitektur abgebildet, in der autonome Agenten unter begrenzter Rationalität, institutionellen Restriktionen und gemeinsamen Nutzenzielen arbeiten. Anders als aufgabenorientierte AI-Anwendungen ermöglicht die vorgeschlagene Struktur die systemische Modellierung von Versicherungsunternehmen als verteilte Entscheidungssysteme und eröffnet einen Weg zu compliant AI-Implementierungen auf Architekturebene in regulierten Umgebungen.

Formale Modellierung der Funktionen eines Versicherungsunternehmens

Das formale Verhalten eines Versicherungsunternehmens lässt sich als Optimierungsproblem darstellen, in dem das Unternehmen Überschuss oder erwarteten Nutzen unter internen und externen Restriktionen maximiert. Das Ziel spiegelt die ökonomische Rolle des Versicherers als Intermediär, der individuelle Risiken über Poolbildung und Kapitalmanagement in kollektive Stabilität überführt. Restriktionen ergeben sich aus Kapitalanforderungen, Risikogrenzen und Compliance-Pflichten, die den zulässigen Entscheidungsraum abstecken. In regulierten Umfeldern wie Österreich und Deutschland gehören dazu Solvenzvorgaben wie Solvency II, die marktkonsistente Bewertung, Kapitalausstattung und risikobasierte Aufsicht formalisieren (Starita and Malafronte 2014; Rae et al. 2017), Verbraucherschutzregeln nach der Versicherungsvertriebsrichtlinie (IDD), die Transparenz erhöhen, Beratungsstandards verbessern und die Produktgovernance im Vertrieb stärken sollen (European Insurance and Occupational Pensions Authority 2022; Werner 2021), sowie zunehmend die algorithmische Rechenschaftspflicht aus dem AI Act, der DSGVO und ESG-bezogenen Regulierungsrahmen (European Commission 2021; European Parliament and Council 2020). Diese Abstraktion reduziert das Versicherungsunternehmen auf eine restringierte Optimierungseinheit und bildet die analytische Basis, um seine internen Funktionen in Teilkomponenten zu zerlegen, die von Entscheidungsagenten repräsentiert werden. Als Ausgangspunkt lässt sich das Verhalten des Unternehmens als folgendes Maximierungsproblem formalisieren:

\begin{align} \max_{\boldsymbol{a} \in \mathcal{A}} \quad & \mathbb{E}[U(\pi(\boldsymbol{a}))] \label{eq:firm-obj} \\ \text{s.t.} \quad & \mathbb{E}[L(\boldsymbol{a})] \leq C \quad \text{(Capital adequacy constraint)} \label{eq:capital} \\ & \text{VaR}_{\alpha}(\pi(\boldsymbol{a})) \leq R \quad \text{(Risk exposure limit under Solvency II)} \label{eq:solvency} \\ & \boldsymbol{a} \in \mathcal{D}_{\text{legal}} \quad \text{(Regulatory admissibility: AI Act, GDPR, IDD)} \label{eq:legal} \\ & \boldsymbol{a} \in \mathcal{E}_{\text{ESG,E}} \quad \text{(Environmental screening under EU Taxonomy and SFDR)} \label{eq:esg-env} \\ & \boldsymbol{a} \in \mathcal{G}_{\text{ESG,S\&G}} \quad \text{(Social and governance constraints)} \label{eq:esg-sg} \\ & \boldsymbol{a} \in \mathcal{O}_{\text{operational}} \quad \text{(Operational feasibility)} \label{eq:operational} \end{align}

(1)

1Das Basis-Maximierungsproblem des Versicherers

In dieser Formulierung bezeichnet $\boldsymbol{a} \in \mathcal{A}$ den Vektor der Entscheidungen auf Unternehmensebene, einschliesslich Preisgestaltung, Underwriting, Schadenbearbeitung, Kapitalanlage und Governance-Richtlinien. Die Funktion $\pi(\boldsymbol{a})$ stellt den durch diese Entscheidungen erzeugten Überschuss oder Gewinn dar, während $U(\cdot)$ die Nutzenfunktion des Unternehmens ist, die risikoneutrale oder risikoaverse Präferenzen abbilden kann.

Die Kapitalausstattungsrestriktion $\mathbb{E}[L(\boldsymbol{a})] \leq C$ stellt sicher, dass die erwarteten Verpflichtungen das verfügbare Kapital $C$ nicht übersteigen. Das Risikoexposure wird über eine Value-at-Risk-Bedingung zum Konfidenzniveau $\alpha$ formalisiert, sodass $\text{VaR}_{\alpha}(\pi(\boldsymbol{a})) \leq R$ gilt, wobei $R$ die Solvency-II-Risikoschwelle des Unternehmens ist. Der zulässige Entscheidungsraum wird weiter durch rechtliche und institutionelle Anforderungen begrenzt. Die rechtliche Restriktion $\boldsymbol{a} \in \mathcal{D}_{\text{legal}}$ erzwingt die Einhaltung von Aufsichtsregimen wie dem AI Act (European Commission 2021), der Datenschutz-Grundverordnung (DSGVO) und der Versicherungsvertriebsrichtlinie (IDD) (European Insurance and Occupational Pensions Authority 2022). Die ESG-Zulässigkeit wird über zwei getrennte Restriktionsmengen eingeführt: $\boldsymbol{a} \in \mathcal{E}_{\text{ESG,E}}$ bezeichnet die ökologische Eignung nach Instrumenten wie der EU-Taxonomieverordnung (EU) 2020/852 (Parliament and Council 2020) und der Offenlegungsverordnung (SFDR) (Parliament and Council 2019), einschliesslich messbarer Schwellen wie Kohlenstoffintensität je Umsatzeinheit oder Anteil taxonomiekonformer Anlagen. $\boldsymbol{a} \in \mathcal{G}_{\text{ESG,S\&G}}$ stellt sicher, dass Handlungen soziale und governancebezogene Mindestkriterien erfüllen, darunter Kennzahlen wie Diversitätsquoten im Aufsichtsgremium, Streuung der Vorstandsvergütung, Transparenz der Beschwerdemechanismen und Beteiligung der Versicherungsnehmenden an der Governance. $\boldsymbol{a} \in \mathcal{O}_{\text{operational}}$ garantiert, dass alle gewählten Handlungen innerhalb der technischen und prozeduralen Fähigkeiten des Unternehmens bleiben.

Diese Formulierung drückt die Entscheidungslogik des Versicherers als restringiertes Optimierungsproblem aus: Maximierung des erwarteten Nutzens bei gleichzeitiger Beachtung von Kapitalgrenzen, Solvenzschwellen, regulatorischen Grenzen und ESG-Rechenschaftspflicht. Sie bildet die institutionelle Realität ab, dass Versicherungsunternehmen keine gewinnmaximierenden Einheiten im luftleeren Raum sind, sondern regulierte Intermediäre innerhalb eines Systems rechtlicher, finanzieller und nachhaltigkeitsbezogener Normen. Die Restriktionsstruktur liefert eine formale Grundlage, um diese konkurrierenden Pflichten in einer integrierten Entscheidungsarchitektur auszubalancieren. Das restringierte Optimierungsproblem lässt sich über eine Lagrange-Darstellung umformulieren, die den Entscheidungsraum des Unternehmens und die zugehörigen Restriktionen in einer einzigen erweiterten Zielfunktion zusammenführt:

\begin{align} \mathcal{L}(\boldsymbol{a}, \boldsymbol{\lambda}) = \mathbb{E}[U(\pi(\boldsymbol{a}))] - \lambda_1 \left( \mathbb{E}[L(\boldsymbol{a})] - C \right) - \lambda_2 \left( \text{VaR}_{\alpha}(\pi(\boldsymbol{a})) - R \right) - \sum_{i=3}^{6} \lambda_i \cdot \mathbb{I}_{\text{viol}}^{(i)}(\boldsymbol{a}) \end{align}

(2)

2Dasselbe Problem in Lagrange-Form

In dieser Formulierung bezeichnet $\boldsymbol{\lambda} = (\lambda_1, \lambda_2, \ldots, \lambda_6)$ den Vektor der nichtnegativen Lagrange-Multiplikatoren zu den jeweiligen Restriktionen. Die Indikatorfunktionen $\mathbb{I}_{\text{viol}}^{(i)}(\boldsymbol{a})$ nehmen den Wert 1 an, wenn die zugehörige Restriktion verletzt ist, und sonst 0. Diese Darstellung erlaubt es, jede bindende Restriktion als impliziten Kostenbestandteil zu deuten: als marginale Pönale oder Abwägung, die den erreichbaren Nutzen des Unternehmens mindert. Die Multiplikatoren quantifizieren den Schattenpreis jeder Restriktion, also um wie viel sich der erwartete Nutzen verbessern würde, wenn diese Restriktion marginal gelockert würde.

Anders gesagt formalisiert dieser Ausdruck die Realität, dass Versicherer nicht einfach Gewinn maximieren; sie tun dies innerhalb rechtlicher, finanzieller und institutioneller Grenzen, die jeweils verdeckte Opportunitätskosten tragen. Die Formulierung macht diese Abwägungen explizit und messbar.

Damit ist der Boden bereitet, um das globale Optimierungsproblem in analytisch handhabbare Teilkomponenten zu zerlegen, die jeweils einer eigenen funktionalen Domäne im Unternehmen entsprechen. Diese Teilkomponenten werden später auf autonome Entscheidungsagenten abgebildet, koordiniert in einem Multi-Agenten-System, das am Gesamtziel des Unternehmens ausgerichtet ist.

Die oben umrissene formale Restriktionsstruktur liefert eine allgemeine entscheidungstheoretische Grundlage. Um sie zu schärfen, betrachten wir nun, welche unterschiedlichen Modellierungsperspektiven verschiedene theoretische Rahmen zum Versichererverhalten beitragen. Wir beginnen mit Arrows Behandlung risikotragender Institutionen. Arrows analytischer Rahmen deutet Versicherung als Mechanismus, der individuelle Unsicherheit über Risikopoolbildung unter unvollständiger Information und Risikoaversion in kollektive Stabilität überführt (Arrow 1963).

In dieser Sicht wirkt das Unternehmen als nutzentransformierender Intermediär, der idiosynkratische Risiken der Kundschaft übernimmt und sie zu diversifizierten Portfolios aggregiert, deren Ergebnisse auf kollektiver Ebene besser vorhersagbar sind. Risikoaverse Akteure maximieren den erwarteten Nutzen ihres Endvermögens, woraus folgt, dass der Versicherungsvertrag den erwarteten Nutzen der versicherten Seite verbessern und zugleich die Solvenz des Versicherers wahren muss. Die Zielfunktion des Unternehmens enthält damit eine konkave Nutzenfunktion, und optimales Vertragsdesign wird zur Frage, den Grenznutzen über Risikoklassen hinweg unter regulatorischen und Kapitalrestriktionen auszubalancieren. Diese Grundlage rechtfertigt die Verwendung des erwarteten Nutzens im globalen Modell und schafft eine formale Verbindung zwischen Risikoaversion auf Mikroebene und Überschusstransformation auf Unternehmensebene.

Dem von Arrow (1963) etablierten Erwartungsnutzenrahmen folgend löst das Unternehmen, wenn $W$ das Endvermögen des Versicherers und $X$ die aggregierte unsichere Schadenverteilung bezeichnet:

\begin{align} \max \quad & \mathbb{E}[U(W - X)] \label{eq:arrow} \end{align}

(3)

3Arrows Erwartungsnutzenform des Risikotransfers

wobei $U(\cdot)$ eine streng konkave Nutzenfunktion ist, die Risikoaversion abbildet, und $X$ die netto realisierten Verpflichtungen aus den gepoolten versicherten Risiken darstellt. Diese Struktur trägt die im globalen Optimierungsmodell verwendete Erwartungsnutzenformulierung.

Eine zweite für die Versicherermodellierung relevante theoretische Perspektive stammt aus der Prinzipal-Agent-Theorie, die die Folgen asymmetrischer Information zwischen Vertragsparteien formalisiert. In der Versicherung sind solche Asymmetrien strukturell: Die versicherungsnehmende Seite verfügt über private Information zum Risikotyp (Adverse Selektion) und zu Handlungen nach Vertragsschluss (Moral Hazard) (Rothschild and Stiglitz 1976). Daraus entstehen Ineffizienzen im Underwriting, in der Preisgestaltung und in der Schadenregulierung, wo der Versicherer Mechanismen gestalten muss, um wahrheitsgemässe Signale zu gewinnen oder angemessenes Verhalten zu bewirken.

Innerhalb des Unternehmens selbst treten Prinzipal-Agent-Probleme in Governance-Strukturen auf, wo Anteilseignende (Prinzipale) das Handeln von Führungskräften und operativen Einheiten (Agenten) unter begrenzter Beobachtbarkeit und Anreizinkongruenz ausrichten müssen (Cummins and Weiss 1999). Im Modellierungskontext rechtfertigt die Prinzipal-Agent-Theorie die Verwendung informationeller Restriktionen im Entscheidungsraum des Unternehmens. Diese Restriktionen begrenzen die zulässige Handlungsmenge nicht nur durch Regulierung und Kapital, sondern auch durch die Notwendigkeit, Anreizkompatibilität zu wahren.

Das globale Optimierungsproblem wird damit durch Verträge und interne Mechanismen geformt, die sicherstellen, dass delegierte Entscheidungen trotz dezentralen Wissens und dezentraler Interessen mit den Unternehmenszielen übereinstimmen. Dem von Rothschild and Stiglitz (1976) formalisierten Prinzipal-Agent-Rahmen folgend lässt sich ein anreizkompatibler Mechanismus ausdrücken als:

\begin{align} a^* \in \arg\max_{a \in \mathcal{A}} \ \mathbb{E}[u(a, s(a)) \mid \theta] \label{eq:ic} \end{align}

(4)

4Die Bedingung der Anreizkompatibilität

wobei $a^*$ die Gleichgewichtshandlung ist, $u(\cdot)$ der Nutzen des Agenten und $\theta$ sein privater Typ. Diese Struktur bettet Informationsasymmetrie in die zulässige Entscheidungsstruktur des Unternehmens ein. Ebenso liefert das Nash-Gleichgewicht die formale Sprache, um strategische Interaktionen zwischen Versicherern in Wettbewerbsmärkten zu beschreiben, wie von Dickson and Drekic (2004) dargelegt. Jedes Unternehmen wählt eine Strategie, die seine Zielfunktion gegeben die Strategien der anderen maximiert.

Dieser strategische Kontext führt Gleichgewichtsrestriktionen in das Optimierungsproblem des Unternehmens ein, besonders dort, wo Regulierungsrahmen Wettbewerb unter Kapitalanforderungen und fairer Offenlegung zulassen. Prämiensätze etwa werden nicht allein von Schadenerwartungen bestimmt, sondern auch von Wettbewerbsdruck und Reaktionen. Ebenso werden Kapitalallokation und Selbstbehalte in der Rückversicherung von der Struktur der Positionen konkurrierender Unternehmen geprägt. In diesem Umfeld ist die zulässige Menge des Versicherers teilweise endogen: begrenzt nicht nur durch interne und externe Normen, sondern auch durch strategische Stabilität.

Dem von Dickson and Drekic (2004) auf Versicherungsmärkte angewandten Nash-Gleichgewichtsrahmen folgend lässt sich die Gleichgewichtsbedingung formalisieren als:

\begin{align} \boldsymbol{a}_i^* \in \arg\max_{\boldsymbol{a}_i \in \mathcal{A}_i} \ \mathbb{E}[U_i(\pi_i(\boldsymbol{a}_i, \boldsymbol{a}_{-i}))] \label{eq:nash} \end{align}

(5)

5Die Nash-Gleichgewichtsbedingung über die Agenten

wobei jedes Unternehmen seinen eigenen erwarteten Nutzen bedingt auf die Strategien seiner Wettbewerber maximiert. Diese Bedingung definiert ein Nash-Gleichgewicht, in dem kein Versicherer einen Anreiz hat, einseitig von seiner gewählten Handlung abzuweichen.

Die drei oben umrissenen Modellierungsperspektiven, Arrows nutzenbasierte Risikopoolbildung (Arrow 1963), die Prinzipal-Agent-Theorie unter asymmetrischer Information (Rothschild and Stiglitz 1976) und das Nash-Gleichgewicht im strategischen Wettbewerb (Dickson and Drekic 2004), tragen jeweils eigene strukturelle Restriktionen und Verhaltensmechanismen zum Entscheidungsraum des Versicherers bei. Zusammen bilden sie eine geschichtete Deutung des Verhaltens von Versicherungsunternehmen: Risikotransformation, Anreizgestaltung und interdependente Strategiewahl.

Um diese mehrdimensionale Struktur zu erfassen, führen wir nun eine einheitliche Formulierung ein, in der das Unternehmen als verteiltes Entscheidungssystem aus voneinander abhängigen Teilfunktionen modelliert wird. Dieser Ansatz erlaubt es, jede theoretische Perspektive als Restriktion oder Zielkomponente in einer globalen Architektur zu kodieren, die die institutionellen und ökonomischen Realitäten regulierter Versicherungsmärkte abbildet. Er liefert zudem eine formale Grundlage, um das Unternehmen in späteren Abschnitten in Komponenten auf Agentenebene zu zerlegen. Wir definieren das einheitliche Modell wie folgt:

\begin{align} \max_{\boldsymbol{a}_1, \dots, \boldsymbol{a}_n} \quad & \sum_{i=1}^n \mathbb{E}[U_i(\pi_i(\boldsymbol{a}_i, \boldsymbol{a}_{-i}))] \label{eq:unified-obj} \\ \text{s.t.} \quad & \mathbb{E}[L_i(\boldsymbol{a}_i)] \leq C_i \quad \forall i \quad \text{(Capital adequacy)} \label{eq:unified-capital} \\ & \text{IC}_i(\boldsymbol{a}_i, \theta_i) \quad \text{holds} \quad \forall i \quad \text{(Incentive compatibility)} \label{eq:unified-ic} \\ & \boldsymbol{a}_i \in \mathcal{B}_i(\boldsymbol{a}_{-i}) \quad \forall i \quad \text{(Best response: strategic consistency)} \label{eq:unified-bestresponse} \\ & \boldsymbol{a}_i \in \mathcal{D}_i \cap \mathcal{E}_i \cap \mathcal{G}_i \cap \mathcal{O}_i \quad \forall i \quad \text{(Legal, ESG, operational admissibility)} \label{eq:unified-constraints} \end{align}

(6)

6Die einheitliche Multi-Agenten-Zielfunktion

Dabei besteht das Unternehmen aus $n$ Teilfunktionen oder Entscheidungseinheiten, jeweils mit dem Index $i$ bezeichnet. Jedes $\boldsymbol{a}_i$ steht für einen Vektor von Entscheidungen einer bestimmten Funktion (etwa Preisgestaltung, Underwriting, Schaden). Die Funktion $\pi_i(\boldsymbol{a}_i, \boldsymbol{a}_{-i})$ bezeichnet den finanziellen Beitrag der Funktion $i$ , der sowohl von ihren eigenen Entscheidungen als auch von denen anderer Einheiten abhängen kann (Interdependenzen). $U_i(\cdot)$ ist die lokale Nutzenfunktion, die Risikopräferenzen oder Leistungsziele abbilden kann. Die Restriktion 6 sichert die lokale Kapitalausstattung; Gl. 6 erzwingt Anreizkompatibilität unter privater Information; Gl. 6 setzt strategische Konsistenz bei Wettbewerb oder Koordination zwischen Agenten durch; und Gl. 6 fasst externe Zulässigkeitsrestriktionen aus regulatorischen, ökologischen, governancebezogenen und operativen Domänen zusammen.

Diese Struktur behandelt ein Versicherungsunternehmen als System aus kleineren Facheinheiten. Jede Einheit hat ihre eigene Aufgabe und ihre eigenen Ziele, doch alle arbeiten innerhalb gemeinsamer Regeln und Grenzen zusammen. Manche Regeln stammen von der Aufsicht (etwa Solvency II oder der AI Act), andere vom Markt oder aus der Governance des Unternehmens selbst. Das Modell zeigt, wie jeder Teil Entscheidungen trifft und sich dabei an der Gesamtrichtung des Unternehmens ausrichtet. Diese Formalisierung bereitet die Umsetzung eines Multi-Agenten-Systems vor, das abbildet, wie reale Versicherer unter rechtlichen, finanziellen und strategischen Restriktionen tatsächlich arbeiten.

Funktionale Zerlegung und Agentenarchitektur

Angesichts der regulatorischen, vertraulichkeitsbezogenen und institutionellen Restriktionen des Versicherungssektors argumentieren wir, dass Enterprise-AI-Systeme als proprietäre Infrastrukturen umgesetzt werden müssen statt auf offenen Allzweckplattformen. Diese Anforderung ergibt sich aus dem Zusammentreffen von Datenschutzpflichten (DSGVO), Auditierbarkeit unter aufsichtlicher Kontrolle (IDD, AI Act) und dem Bedarf an institutsspezifischen Zielfunktionen. In diesem Kontext schlagen wir eine dezentrale Multi-Agenten-Architektur als geeignetes Systemdesign vor, in der autonome Entscheidungsagenten unter einer globalen regulatorischen und strategischen Logik arbeiten, die von einem übergeordneten Orchestrator-Agenten durchgesetzt wird.

Die Komplexität moderner Versicherungsunternehmen verlangt eine modulare Architektur, in der einzelne Funktionen als autonome, zielgerichtete Teileinheiten arbeiten. Diese Zerlegung verbessert sowohl die analytische Handhabbarkeit als auch das Systemdesign, besonders wenn Versichererverhalten als Multi-Agenten-System formalisiert wird. Jedem Agenten wird eine bestimmte funktionale Rolle zugewiesen, in der er unter lokalen Entscheidungsregeln innerhalb der Restriktionen auf Unternehmensebene arbeitet. Während Agenten für Underwriting, Kapitalmanagement und Schadenregulierung halbautonom handeln, werden sie über eine globale Optimierungslogik koordiniert, die regulatorische Zulässigkeit, Risikogrenzen und Kapitalausstattung durchsetzt. Human-in-the-Loop-Agenten sind über ein gestuftes Zugriffssystem eingebunden, das Datensichtbarkeit und Entscheidungsbefugnis nach Nutzendenrollen strukturiert und damit sowohl regulatorische Compliance als auch operative Passung sichert.

Neben dem technischen Betrieb muss das Unternehmen ESG-bezogene Pflichten erfüllen, besonders in den Bereichen Soziales und Governance (S&G). Dazu gehören nachvollziehbare Entscheidungsverantwortung, inklusiver Zugang der Anspruchsgruppen und transparente Berichtsstrukturen. Entsprechend optimieren manche Agenten keine Finanzflüsse unmittelbar, sondern setzen Compliance durch, verfolgen Governance-Kennzahlen oder bilden die Schnittstelle zu externen Akteuren. Grosse Sprachmodelle (LLMs) bieten eine natürliche Schnittstellenschicht für die Kommunikation mit Beschäftigten und Kundschaft und erlauben es Agenten, in transparenten, interpretierbaren Begriffen mit Nutzenden zu interagieren. Diese LLM-gestützten Agenten können auch Anspruchsgruppen wie Anteilseignende oder Aufsichtsbehörden bedienen, indem sie auf Abruf dialogfähigen Zugang zu Policy-Logik, Leistungsübersichten und Risikoeinschätzungen bieten. In diesem Rahmen wird natürliche Sprache zugleich zur Benutzerschnittstelle und zum Compliance-Instrument und trägt die weiter gefassten Governance-Ziele des Unternehmens.

Als gewinnorientierte Institution strebt das Versicherungsunternehmen danach, den finanziellen Überschuss unter internen und regulatorischen Restriktionen zu maximieren.

Kapitalmanagement-Agent

Der Kapitalmanagement-Agent ist dafür verantwortlich, die Solvenz zu wahren und zugleich das Geschäftswachstum zu tragen. Seine Funktion ist es, Kapital über risikotragende Einheiten zu verteilen, die Einhaltung der Solvenzanforderungen (etwa Solvency II) zu sichern und ungünstige Schocks abzufedern. Der Agent erzeugt keinen Gewinn unmittelbar, ermöglicht es aber allen anderen Agenten, innerhalb zulässiger finanzieller Grenzen zu arbeiten. Sein Entscheidungsproblem wägt Reserveniveaus, Liquiditätsverfügbarkeit und Kapitalkosten ab. Formal löst der Kapital-Agent:

\begin{align} \max_{k \in \mathcal{K}} \quad & -\gamma \cdot \text{Cost}(k) \label{eq:capital-obj} \\ \text{s.t.} \quad & \mathbb{P}(X > k) \leq 1 - \alpha \quad \text{(Solvency constraint)} \label{eq:capital-solvency} \\ & k \geq \text{Reserve}_{\text{min}} \quad \text{(Regulatory reserve floor)} \label{eq:capital-floor} \\ & k \leq \text{AvailableCapital} \quad \text{(Capital availability)} \label{eq:capital-available} \end{align}

(7)

7Der Kapital-Agent minimiert die Kosten der Solvenz

Dabei bezeichnet $k$ den vom Agenten allokierten Kapitalpuffer, und $\text{Cost}(k)$ ist eine konvexe Funktion, die Opportunitätskosten oder regulatorische Reibung des Kapitalhaltens darstellt. $\gamma$ ist ein Gewichtungskoeffizient, der die Abwägung zwischen Sicherheit und Effizienz erfasst. $X$ ist die Zufallsvariable der aggregierten Verpflichtung. Die Solvenzrestriktion 7 stellt sicher, dass die Insolvenzwahrscheinlichkeit unterhalb einer vorgegebenen Risikoschwelle $\alpha$ bleibt (etwa 99,5 % für Solvency II). Restriktion 7 setzt eine Reserveuntergrenze, und Gl. 7 begrenzt Entscheidungen auf die verfügbaren Finanzmittel.

Einfach gesagt entscheidet dieser Agent, wie viel Kapital der Versicherer in Reserve halten sollte, um auch in schlechten Jahren solvent zu bleiben, ohne zu viel Geld zu binden, das sonst im Geschäft eingesetzt werden könnte. Er nimmt im System eine Sicherungsrolle ein, sorgt dafür, dass das Unternehmen nicht unter rechtliche oder aufsichtliche Schwellen fällt, und wahrt zugleich genug finanzielle Flexibilität für Underwriting und operative Aktivitäten.

Underwriting-Agent

Der Underwriting-Agent hat die Aufgabe, die beim Versicherer eingereichten Risiken auszuwählen, zu bepreisen und zu klassifizieren. Sein Ziel ist es, profitable Risiken anzunehmen, ungünstige abzulehnen und faire Prämien im Einklang mit erwarteten Schäden und Kapitalanforderungen zuzuordnen. Dieser Agent steht Informationsasymmetrien aus unvollständigen oder verzerrten Angaben der Antragstellenden gegenüber und muss sich daher auf beobachtbare Indikatoren oder probabilistische Modelle stützen. Er arbeitet eng mit der Preisfunktion, der Betrugserkennung und der Kapitalallokation zusammen. Formal löst der Underwriting-Agent:

\begin{align} \max_{\boldsymbol{u} \in \mathcal{U}} \quad & \sum_{j=1}^m \left( p_j - \mathbb{E}[l_j \mid \boldsymbol{x}_j] \right) \cdot \delta_j \label{eq:underwriting-obj} \\ \text{s.t.} \quad & \delta_j \in \{0,1\} \quad \forall j \quad \text{(Acceptance decision)} \label{eq:underwriting-accept} \\ & \mathbb{E}[l_j \mid \boldsymbol{x}_j] \leq \tau \quad \text{(Expected loss threshold)} \label{eq:underwriting-threshold} \\ & \sum_{j=1}^m \delta_j \cdot \text{VaR}_\alpha(l_j) \leq k \quad \text{(Capital exposure constraint)} \label{eq:underwriting-capital} \end{align}

(8)

8Das Annahmeproblem des Underwriting-Agenten

In dieser Formulierung indexiert $j$ die eingehenden Anträge, $p_j$ ist die vorgeschlagene Prämie, $l_j$ der stochastische Schaden für den Antrag $j$ , und $\boldsymbol{x}_j$ ist der beobachtbare Merkmalsvektor. $\delta_j$ ist eine Binärvariable, die anzeigt, ob die Police angenommen wird. Der Agent maximiert den erwarteten Underwriting-Gewinn über die angenommenen Anträge und stellt zugleich sicher, dass kein Einzelrisiko eine Schwelle des erwarteten Schadens $\tau$ überschreitet und dass die aggregierten angenommenen Risiken die Kapitalgrenze des Unternehmens $k$ unter VaR-basierten Solvenzanforderungen nicht verletzen.

Einfach gesagt entscheidet dieser Agent, welche Anträge angenommen werden und zu welcher Prämie. Er sucht eine Balance: Kundschaft mit voraussichtlich hohen Schäden meiden, für die angenommenen korrekt bepreisen und das Portfolio innerhalb der Risikotragfähigkeit des Unternehmens halten. Er wirkt als erste finanzielle Verteidigungslinie des Unternehmens.

Schadenbearbeitungs-Agent

Der Schadenbearbeitungs-Agent ist dafür verantwortlich, von Versicherungsnehmenden gemeldete Schäden zu beurteilen, zu prüfen und zu regulieren. Seine Rolle ist es, berechtigte Ansprüche fair und zeitgerecht auszuzahlen und zugleich Überkompensation, Eskalation durch Verzögerung oder Exposition gegenüber Betrug zu vermeiden. Er arbeitet unter Unsicherheit, bedingt durch unvollständige Dokumentation und die stochastische Natur von Schadenhöhen und -zeitpunkten. Er stimmt sich mit dem Betrugserkennungs-Agenten, der Rechtsschnittstelle und der Kapitalmanagement-Einheit ab. Formal löst der Schaden-Agent:

\begin{align} \min_{\boldsymbol{c} \in \mathcal{C}} \quad & \sum_{i=1}^n \mathbb{E}[P_i(\theta_i)] + \lambda \cdot \text{Delay}_i(\theta_i) \label{eq:claims-obj} \\ \text{s.t.} \quad & P_i(\theta_i) \geq \underline{C}_i \quad \forall i \quad \text{(Minimum contractual payout)} \label{eq:claims-min} \\ & P_i(\theta_i) \leq \overline{C}_i \quad \forall i \quad \text{(Policy coverage limit)} \label{eq:claims-max} \\ & \text{FraudScore}_i(\theta_i) \leq \phi \quad \forall i \quad \text{(Fraud detection screen)} \label{eq:claims-fraud} \end{align}

(9)

9Der Schaden-Agent wägt Auszahlung gegen Verzögerung ab

Dabei ist $P_i(\theta_i)$ die Auszahlung für den Schaden $i$ als Funktion des latenten Schadentyps $\theta_i$ , der zum Bearbeitungszeitpunkt unsicher ist. $\underline{C}_i$ und $\overline{C}_i$ bezeichnen die vertraglichen Mindest- und Höchstauszahlungspflichten. $\text{Delay}_i(\theta_i)$ steht für die mit der Bearbeitungsdauer verbundenen Kosten (die Pönalen oder rechtliche Eskalation umfassen können). Der Betrugsscore ist ein extern oder intern berechneter Index, begrenzt durch $\phi$ , oberhalb dessen Schäden für zusätzliche Prüfung markiert werden.

Einfach gesagt steuert dieser Agent die Entscheidung, wie viel wann ausgezahlt wird. Er versucht, die Zusagen des Unternehmens gegenüber den Versicherungsnehmenden zu erfüllen, muss aber darauf achten, nicht mehr als vertraglich geschuldet zu zahlen und auch nicht zu schnell, wenn ein Schaden verdächtig erscheint. Seine Aufgabe verbindet Fairness, Wachsamkeit und rechtliche Korrektheit unter Zeitdruck.

Betrugserkennungs-Agent

Der Betrugserkennungs-Agent arbeitet parallel zu den Schaden- und Underwriting-Prozessen und überwacht auffällige Muster oder widersprüchliche Angaben, die auf absichtliche Falschdarstellung hindeuten können. Sein Zweck ist es, Fälle mit hohem Risiko zu erkennen und zur weiteren Prüfung zu markieren und damit die Exposition gegenüber interner und externer Manipulation zu senken. Er nutzt probabilistische Modelle, Verfahren zur Anomalieerkennung oder gelernte Muster, um die Integrität eingehender Daten zu beurteilen. Dieser Agent wirkt präventiv und beeinflusst finanzielle Ergebnisse nicht unmittelbar, verändert aber den Entscheidungsraum anderer Agenten. Formal löst der Betrugs-Agent:

\begin{align} \max_{\boldsymbol{f} \in \mathcal{F}} \quad & \sum_{i=1}^n \mathbb{E}[\text{TP}_i(\theta_i)] - \mu \cdot \mathbb{E}[\text{FP}_i(\theta_i)] \label{eq:fraud-obj} \\ \text{s.t.} \quad & \text{Score}_i(\theta_i) = \mathcal{M}(\boldsymbol{x}_i) \quad \forall i \quad \text{(Fraud model output)} \label{eq:fraud-score} \\ & \text{Flag}_i = \mathbb{I}[\text{Score}_i(\theta_i) > \phi] \quad \forall i \quad \text{(Threshold decision)} \label{eq:fraud-flag} \end{align}

(10)

10Der Betrugs-Agent wägt Treffer gegen falsch positive Befunde ab

In dieser Formulierung stellen $\text{TP}_i$ und $\text{FP}_i$ die erwarteten richtig und falsch positiven Befunde für den Schaden oder die Police $i$ unter dem Erkennungsregime des Agenten dar. $\mu$ ist ein Pönalenparameter auf falsch positive Befunde, um übermässiges Filtern zu vermeiden. $\mathcal{M}(\cdot)$ ist ein prognostisches Modell, das beobachtbare Merkmale $\boldsymbol{x}_i$ auf einen Betrugsscore abbildet. Schäden oder Anträge werden markiert, wenn ihr Score eine Risikoschwelle $\phi$ überschreitet.

Einfach gesagt achtet dieser Agent auf Warnsignale. Er nutzt Daten, um einzuschätzen, welche Schäden oder Anträge gefälscht oder manipuliert sein könnten. Ist der Score zu hoch, geht der Fall in eine vertiefte Prüfung. So schützt er den Versicherer vor missbräuchlichem Verhalten, ohne echte Kundschaft zu blockieren.

Compliance- und Rechts-Agent

Der Compliance- und Rechts-Agent stellt sicher, dass alle internen Entscheidungen und externen Produktmerkmale den anwendbaren Regelungen und Governance-Normen entsprechen. Er setzt die Zulässigkeit nach Regelwerken wie Solvency II, der Versicherungsvertriebsrichtlinie (IDD), der Datenschutz-Grundverordnung (DSGVO), dem AI Act und ESG-bezogenen Offenlegungsregeln durch. Dieser Agent optimiert keinen Gewinn unmittelbar, sondern beschränkt den Handlungsraum aller anderen Agenten, indem er prüft, ob Entscheidungen rechtlich und ethisch zulässig sind. Formal setzt der Agent einen Filteroperator um:

\begin{align} \forall i: \quad \boldsymbol{a}_i^{\text{final}} = \begin{cases} \boldsymbol{a}_i & \text{if } \boldsymbol{a}_i \in \mathcal{D}_{\text{legal}} \cap \mathcal{E}_{\text{ESG,E}} \cap \mathcal{G}_{\text{ESG,S\&G}} \\ \emptyset & \text{otherwise} \end{cases} \label{eq:compliance-filter} \end{align}

(11)

11Compliance als Filter auf jede Agentenhandlung

Dabei bezeichnet $\boldsymbol{a}_i$ die vorgeschlagene Handlung des Agenten $i$ , und $\boldsymbol{a}_i^{\text{final}}$ ist die nach rechtlicher und ethischer Prüfung zulässige Handlung. Der Operator erzwingt den Ausschluss, wenn eine Regel, rechtlich, ökologisch, sozial oder governancebezogen, verletzt wird. ESG-S&G umfasst Verfahrensfairness, Transparenz, Einbindung der Anspruchsgruppen und Nachvollziehbarkeit von Entscheidungen.

Einfach gesagt wirkt dieser Agent als interne Aufsicht. Er prüft, ob die von anderen Agenten vorgeschlagenen Handlungen, etwa neue Produkte, Kapitalentscheidungen oder Underwriting-Regeln, rechtlich zulässig und ethisch vertretbar sind. Ist das nicht der Fall, wird die Handlung blockiert. So bleibt das Unternehmen regelkonform und wahrt seinen guten Ruf.

Beschäftigtenschnittstellen-Agent

Der Beschäftigtenschnittstellen-Agent dient als kontrolliertes Zugangstor zwischen dem Personal und der AI-basierten Entscheidungsarchitektur des Versicherungssystems. Sein Ziel ist es, den individuellen Arbeitsnutzen jeder beschäftigten Person zu maximieren, indem er kontextrelevanten Zugang zu Agentenausgaben bietet, etwa aus Underwriting, Schaden oder Compliance, und zugleich strenge interne Kontrolle über Datensichtbarkeit, Nachvollziehbarkeit und Richtlinientreue durchsetzt. Jede beschäftigte Person $e \in \mathcal{E}$ arbeitet in einer organisatorischen Rolle $r \in \mathcal{R}$ , die ihre zulässige Abfragemenge und ihre Datenzugriffsstufe definiert. Der Agent ermöglicht die Systeminteraktion über eine gefilterte Schnittstelle und sichert zugleich die Einhaltung von Datenschutzpflichten (etwa DSGVO), interner Governance-Regeln und Auditanforderungen. Formal löst der Agent für jede beschäftigte Person das folgende restringierte Optimierungsproblem:

\begin{align} \max_{\boldsymbol{q}_e \in \mathcal{Q}_r} \quad & \mathbb{E}\left[U_e\left(\mathcal{L}(\boldsymbol{q}_e, \boldsymbol{a}_{\text{context}}^r)\right)\right] \label{eq:employee-obj} \\ \text{s.t.} \quad & r \in \mathcal{R}_{\text{permitted}}(e) \quad \text{(Role-based access)} \label{eq:employee-role} \\ & \boldsymbol{a}_{\text{context}}^r \subseteq \boldsymbol{A}_{\text{global}} \quad \text{(Tier-constrained context)} \label{eq:employee-context} \\ & \text{log}(\boldsymbol{q}_e, t, e) \in \mathcal{L}_{\text{audit}} \quad \text{(Supervisory auditability)} \label{eq:employee-audit} \end{align}

(12)

12Die Beschäftigtenschnittstelle unter rollenbasiertem Zugriff

Dabei bezeichnet $\boldsymbol{q}_e$ eine von der beschäftigten Person $e$ eingereichte Abfrage, und $\boldsymbol{a}_{\text{context}}^r$ ist die unter der Rolle $r$ zugängliche gefilterte Sicht auf den Zustand des Agentensystems. Der globale Zustand $\boldsymbol{A}_{\text{global}}$ umfasst alle strukturierten Ausgaben der übrigen Agenten. Die Funktion $\mathcal{L}(\cdot)$ ist die LLM-Schnittstelle, die entscheidungsrelevante Daten auf menschenlesbare Ausgaben abbildet. Die Nutzenfunktion $U_e(\cdot)$ bildet die erwartete Aufgabeneffizienz oder Entscheidungsqualität ab, die sich aus dieser Antwort ergibt. Restriktion 12 stellt sicher, dass die Rolle autorisiert ist; Gl. 12 setzt die stufenbasierte Datentrennung durch; und Gl. 12 verlangt, dass jede Abfrage protokolliert, zeitgestempelt und auditierbar ist.

Einfacher gesagt sichert dieser Aufbau, dass jede beschäftigte Person genau die Informationen erhält, die sie für ihre Arbeit braucht, nicht mehr und nicht weniger. Ihre Rolle im Unternehmen bestimmt, was sie sehen darf. Alle Anfragen werden geprüft, gefiltert und festgehalten, sodass sensible Daten geschützt bleiben und alles transparent und nachvollziehbar ist. Zur Umsetzung des gestuften Systems wendet der Agent eine bedingte Zugriffsabbildung an:

\begin{align} \text{Response}_e = \begin{cases} \mathcal{L}(\boldsymbol{q}_e, \boldsymbol{a}_{\text{context}}^r) & \text{if } r \in \mathcal{R}_{\text{permitted}}(e) \\ \emptyset & \text{otherwise} \end{cases} \label{eq:employee-tier} \end{align}

(13)

13Die gestufte Zugriffsabbildung für eine Beschäftigtenabfrage

Diese Struktur sichert, dass nur zulässige Kombinationen aus Abfrage und Rolle eine Antwort erzeugen. So kann eine Person im Callcenter etwa nur Schadenzusammenfassungen oder Statusmeldungen zu Policen abrufen, während Compliance-Verantwortliche Auditprotokolle einsehen und Führungskräfte übergeordnete Systemkennzahlen sowie Übersichten zur Koordination zwischen Agenten erhalten. Rollenhierarchien werden dynamisch über die interne Zugriffskontrolle durchgesetzt, die $\mathcal{R}_{\text{permitted}}(e)$ referenziert und alle Aktivitäten unter $\mathcal{L}_{\text{audit}}$ überwacht. Funktional betrachtet ermöglicht der Beschäftigtenschnittstellen-Agent eine präzise, rechtmässige und produktive Interaktion zwischen Mensch und AI über die Organisationshierarchie hinweg.

Einfach gesagt prüft das System, wer fragt, und antwortet nur, wenn die Rolle der Person das erlaubt. Eine Person in einer Einstiegsrolle sieht möglicherweise nur die für ihre Aufgabe nötigen Grundlagen, während erfahrenes Personal breitere Einblicke erhält. Alles wird automatisch gefiltert, sodass der Zugang stets zur Position und Verantwortung im Unternehmen passt.

Anspruchsgruppen-Schnittstellenagent

Der Anspruchsgruppen-Schnittstellenagent steuert den externen Zugang zum AI-System durch institutionelle und individuelle Akteure wie Versicherungsnehmende, Aufsichtsbehörden, Prüfende, Anteilseignende und Geschäftspartner. Jeder Anspruchsgruppenklasse wird eine vordefinierte Sichtbarkeitsstufe zugewiesen, die sich aus ihrer vertraglichen Stellung, ihrem regulatorischen Anspruch oder ihren Informationsrechten ergibt. Der Agent sichert, dass externe Anfragen beantwortet werden innerhalb rechtmässiger, vertragskonformer und kontextspezifischer Grenzen aufgelöst werden und dabei Pflichten aus ESG-S&G-Standards abbildet, besonders Erklärbarkeit, Verfahrensfairness und inklusive Governance. Ziel des Anspruchsgruppen-Schnittstellenagenten ist es, Relevanz und Interpretierbarkeit der an autorisierte externe Nutzende gelieferten Informationen zu maximieren, ohne Vertraulichkeit zu verletzen oder regulatorische Grenzen zu überschreiten. Jede Anspruchsgruppe $s \in \mathcal{S}$ wird einer Sichtbarkeitsstufe zugeordnet, die ihre zulässige Abfragemenge und ihren kontextuellen Umfang bestimmt. Formal löst der Agent:

\begin{align} \max_{\boldsymbol{q}_s \in \mathcal{Q}_s} \quad & \mathbb{E}\left[U_s\left(\mathcal{L}(\boldsymbol{q}_s, \boldsymbol{a}_{\text{context}}^s)\right)\right] \label{eq:stakeholder-obj} \\ \text{s.t.} \quad & s \in \mathcal{S}_{\text{authorised}} \quad \text{(Stakeholder authentication)} \label{eq:stakeholder-auth} \\ & \boldsymbol{a}_{\text{context}}^s \subseteq \boldsymbol{A}_{\text{global}} \quad \text{(Tiered data scope)} \label{eq:stakeholder-context} \\ & \text{log}(\boldsymbol{q}_s, t, s) \in \mathcal{L}_{\text{audit}} \quad \text{(Audit trace)} \label{eq:stakeholder-audit} \end{align}

(14)

14Die Anspruchsgruppenschnittstelle unter Sichtbarkeitsstufen

Dabei ist $\boldsymbol{q}_s$ eine strukturierte Abfrage der Anspruchsgruppe $s$ , und $\mathcal{Q}_s$ ist die auf deren Zugriffsstufe zulässige Abfragemenge. $\boldsymbol{a}_{\text{context}}^s$ ist der für diese Stufe verfügbare gefilterte Agentenkontext, begrenzt durch $\boldsymbol{A}_{\text{global}}$ , den vollständigen internen Zustand. Die Funktion $\mathcal{L}(\cdot)$ bildet interne Entscheidungen auf rechtlich verständliche Antworten ab, angepasst an Jurisdiktion, Vertrag und Zweck. Die erwartete Nutzenfunktion $U_s(\cdot)$ erfasst Relevanz und Entscheidungsnutzen der zurückgegebenen Information. Restriktion 14 erzwingt die Zugriffsauthentifizierung; Gl. 14 begrenzt die Datenoffenlegung; und Gl. 14 sichert die vollständige aufsichtliche Nachvollziehbarkeit.

Einfacher gesagt beantwortet dieser Agent Fragen der Anspruchsgruppen nur mit den Daten, die diese rechtlich einsehen dürfen. Er stellt sicher, dass jede externe Person, ob Kundschaft, Aufsicht oder Investorenseite, Informationen erhält, die zu ihrer Rolle passen, ohne interne Logik oder private Daten preiszugeben. Alle Interaktionen werden nachverfolgt und auditiert, um rechtmässige und nachvollziehbare Kommunikation zu sichern.

Anfragen der Anspruchsgruppen werden über eine bedingte Zugriffsabbildung verarbeitet, in der jede Anspruchsgruppe einer vordefinierten Zugriffsstufe zugeordnet ist, die bestimmt, welche Teile des Systems sie einsehen darf. Diese gestufte Struktur bildet Rechtsansprüche, vertragliche Rollen und regulatorischen Status ab und sichert, dass jede Abfrage nur innerhalb der Grenzen der zugewiesenen Stufe aufgelöst wird.

\begin{align} \text{Response}_s = \begin{cases} \mathcal{L}(\boldsymbol{q}_s, \boldsymbol{a}_{\text{context}}^s) & \text{if } s \in \mathcal{S}_{\text{authorised}} \\ \emptyset & \text{otherwise} \end{cases} \label{eq:stakeholder-tier} \end{align}

(15)

15Die gestufte Zugriffsabbildung für eine Anspruchsgruppenabfrage

Diese Logik garantiert, dass jede autorisierte Anspruchsgruppe genau die für ihre Rolle nötige Teilmenge an Informationen erhält. Versicherungsnehmende können auf persönliche Verträge, Deckungsparameter und Schadenstatus zugreifen. Aufsichtsbehörden haben Anspruch auf Daten zur Solvenz-Compliance, ESG-Indikatoren und Audit Trails. Anteilseignende können Rentabilitätsaufgliederungen, Kapitalallokation und die langfristige Portfoliostruktur einsehen. Smart-Contract-Durchsetzung und Rollenregister steuern die Zugriffsrechte dynamisch unter $\mathcal{S}_{\text{authorised}}$ .

Einfach gesagt wirkt diese Regel wie ein intelligenter Filter. Nur Anspruchsgruppen mit ordnungsgemässer Autorisierung erhalten auf ihre Fragen zugeschnittene Antworten. Alle anderen erhalten nichts. Das verhindert unbefugten Zugriff und sichert, dass jede Person nur das sieht, was für sie bestimmt ist, nicht mehr und nicht weniger.

Kundenservice-Agent

Der Kundenservice-Agent steuert den interaktiven Zugang für bestehende Versicherungsnehmende und ermöglicht personalisierte Kommunikation zu Deckungsumfang, Bearbeitungsstand des Schadens, Prämienanpassungen, Verlängerungen und Vertragsbedingungen. Sein Ziel ist es, Klarheit und Entscheidungsfähigkeit der Kundschaft zu maximieren und zugleich sicherzustellen, dass alle Auskünfte innerhalb rechtlicher, vertraglicher und datenschutzrechtlicher Grenzen bleiben. Jede kundenseitige Person $c \in \mathcal{C}$ ist mit einem aktuellen Vertrag, einem Policendatensatz $\boldsymbol{p}_c$ und einer Sichtbarkeitsstufe nach Vertragsstatus und Jurisdiktion verbunden. Formal löst der Kundenservice-Agent:

\begin{align} \max_{\boldsymbol{q}_c \in \mathcal{Q}_c} \quad & \mathbb{E}\left[U_c\left(\mathcal{L}(\boldsymbol{q}_c, \boldsymbol{p}_c, \boldsymbol{a}_{\text{status}})\right)\right] \label{eq:client-service-obj} \\ \text{s.t.} \quad & c \in \mathcal{C}_{\text{active}} \quad \text{(Contract status)} \label{eq:client-active} \\ & \boldsymbol{p}_c \in \mathcal{P}_{\text{entitled}}(c) \quad \text{(Policy-bound visibility)} \label{eq:client-policy} \\ & \text{log}(\boldsymbol{q}_c, t, c) \in \mathcal{L}_{\text{audit}} \quad \text{(Interaction traceability)} \label{eq:client-audit} \end{align}

(16)

16Der Kundenservice-Agent unter dem Vertragsstatus

Dabei ist $\boldsymbol{q}_c$ eine von der kundenseitigen Person $c$ eingereichte Abfrage, und $\mathcal{Q}_c$ ist die unter ihrem aktiven Vertrag zulässige Abfragemenge. Die Variable $\boldsymbol{p}_c$ steht für ihre personalisierten Policenmerkmale (etwa Deckungssummen, Selbstbehalte, Verlängerungsbedingungen), während $\boldsymbol{a}_{\text{status}}$ dynamische Betriebsinformationen wie Schadenaktualisierungen oder Zahlungspläne umfasst. Die LLM-Schnittstelle $\mathcal{L}(\cdot)$ überführt strukturierte interne Daten in zugängliche, rechtskonforme Antworten. Die Nutzenfunktion $U_c(\cdot)$ bildet den wahrgenommenen Informationswert, die Klarheit und die Handlungsunterstützung für die Kundschaft ab. Die Restriktionen 16 und Gl. 16 begrenzen die Sichtbarkeit auf berechtigte Inhalte, während Gl. 16 sicherstellt, dass alle Austausche auditierbar sind.

Einfacher gesagt prüft das System, ob eine Person gültige, aktive Kundschaft ist, und richtet die Antwort dann am Vertrag aus. Es hilft, die eigenen Rechte zu verstehen, Schäden zu verfolgen und informierte Entscheidungen zu treffen, und hält dabei jede Anfrage und Antwort klar fest. Zur Umsetzung dieser Logik wendet der Agent eine bedingte Zugriffsabbildung an:

\begin{align} \text{Response}_{c} = \begin{cases} \mathcal{L}(\boldsymbol{q}_c, \boldsymbol{p}_c, \boldsymbol{a}_{\text{status}}) & \text{if } c \in \mathcal{C}_{\text{active}} \\ \emptyset & \text{otherwise} \end{cases} \label{eq:client-service} \end{align}

(17)

17Die bedingte Zugriffsabbildung für eine Kundenabfrage

Diese Struktur sichert, dass nur aktuell berechtigte Versicherungsnehmende Zugang zu personalisierten, vertragsgebundenen Informationen erhalten. Der Sichtbarkeitsumfang hängt vom Policentyp, vom aktuellen Status (etwa laufender Schaden, anstehende Verlängerung) und von den anwendbaren gesetzlichen Schutzvorschriften ab. So kann eine krankenversicherte Person mit laufendem Schaden Erstattungsfristen abfragen, während eine sachversicherte Person kurz vor der Verlängerung Prämienvergleiche anfordern kann. Die Filterlogik bildet ein gestuftes Zugriffsmodell ab, das an den dynamischen Vertragskontext und die Compliance-Richtlinie gebunden ist.

Schlicht gesagt wirkt dieser Agent wie eine persönliche digitale Beratung: Er prüft, ob jemand noch aktive Kundschaft ist, und beantwortet Fragen dann nur im Rahmen des Erlaubten. Er hält die Auskunft klar, relevant und rechtskonform, ohne je zu zeigen, was nicht zur betreffenden Person gehört.

Kundengewinnungs-Agent

Der Kundengewinnungs-Agent ist dafür verantwortlich, potenzielle Kundschaft anzusprechen, Produktangebote auf Interessentenprofile abzubilden und Anträge auf Underwriting-Relevanz vorzufiltern. Er arbeitet dem Underwriting-Agenten vorgelagert und ist mit Marketing-, Preis- und Rechtsmodulen verbunden. Seine Rolle ist es, qualifizierte Leads zu erzeugen, die Eignung zu prüfen und vorvertragliche regulatorische Informationen in verständlicher Sprache zu liefern. Der Agent ist durch Marketing-Compliance-Regeln und Fairnessanforderungen aus Antidiskriminierungsrichtlinien begrenzt.

Formal setzt der Agent eine Vorqualifizierungsabbildung um:

\begin{align} \boldsymbol{p}_{\text{suggested}} = \mathcal{M}_{\text{map}}(\boldsymbol{x}_{\text{prospect}}) \quad \text{if } \boldsymbol{x}_{\text{prospect}} \in \mathcal{X}_{\text{admissible}} \label{eq:client-acquisition} \end{align}

(18)

18Vorqualifizierung einer zulässigen interessierten Person

Dabei enthält $\boldsymbol{x}_{\text{prospect}}$ angegebene oder abgeleitete Merkmale einer potenziellen kundenseitigen Person (etwa Alter, Ort, Deckungsbedarf), und $\mathcal{M}_{\text{map}}(\cdot)$ bildet diese Merkmale auf eine Produktempfehlung $\boldsymbol{p}_{\text{suggested}}$ ab, vorbehaltlich rechtlicher Filter $\mathcal{X}_{\text{admissible}}$ (etwa kein diskriminierendes Profiling, Marketingbeschränkungen). Der Agent stellt zudem LLM-Schnittstellen für interaktiven Produktvergleich, Einwilligungsdialog und Onboarding-FAQ bereit.

Im Ergebnis dient dieser Agent als öffentliches Gesicht des Unternehmenssystems und wandelt Interessierte in regelkonforme Anträge. Er informiert, filtert und bereitet das Underwriting vor, indem er strukturierte Vorabberatung liefert und dabei sicherstellt, dass die Gewinnungsprozesse transparent, gleichbehandelnd und regulatorisch konform sind.

System-Orchestrator-Agent

Der System-Orchestrator-Agent bildet die Aufsichtsschicht und verantwortet die globale Konsistenz, die strategische Ausrichtung und die institutionelle Kohärenz über alle untergeordneten Agenten hinweg. Er überwacht die Koordination mehrerer Agenten und verifiziert, dass lokale Entscheidungen, obwohl unabhängig optimiert, gemeinsam die rechtlichen, finanziellen und operativen Restriktionen der Organisation erfüllen. Der Orchestrator führt keine direkte Optimierung aus; er wirkt als globale Prüfinstanz für Zulässigkeit, Gleichgewicht und Ausrichtung zwischen den Agenten. Formal überwacht der Orchestrator, ob der systemweite Agentenzustand $\{\boldsymbol{a}_1, \dots, \boldsymbol{a}_n\}$ sowohl die globale Zielstruktur als auch den Zulässigkeitsrahmen wahrt:

\begin{align} \{\boldsymbol{a}_i\}_{i=1}^n \in \arg\max_{\boldsymbol{a}_1, \dots, \boldsymbol{a}_n} \ \sum_i \mathbb{E}[U_i(\pi_i(\boldsymbol{a}_i, \boldsymbol{a}_{-i}))] \quad \text{s.t. global feasibility and coordination constraints} \label{eq:orchestrator} \end{align}

(19)

19Die systemweite Zulässigkeitsprüfung des Orchestrators

Seine Rolle ist es, die systemweite Zulässigkeit und Konsistenz zu verifizieren und die Ausführung auf Basis dieser Prüfung freizugeben oder abzulehnen:

\begin{align} \text{Approved} = \begin{cases} 1 & \text{if all admissibility, consistency, and coordination rules are met} \\ 0 & \text{otherwise} \end{cases} \label{eq:orchestrator-flag} \end{align}

(20)

20Freigabe oder Ablehnung eines systemweiten Zustands

Der Orchestrator vereint mehrere Aufsichtsmechanismen, um institutionelle Kohärenz durchzusetzen. Erstens führt er Restriktionspropagation über Agentengrenzen hinweg aus und stellt sicher, dass lokale Zulässigkeitsbedingungen im Aggregat auf Systemebene nicht kollidieren. Zweitens verifiziert er die Konsistenz von Rollen und Berechtigungen über die Agenten hinweg und wahrt die Einheitlichkeit, mit der organisatorische Rollen in verschiedenen Teilsystemen auf Handlungen und Datenzugriff abgebildet werden. Drittens überwacht er Konflikte zwischen Agenten, etwa widersprüchliche Ziele, redundante Handlungen oder wechselseitige Restriktionsverletzungen, und löst bei Bedarf eine Auflösungslogik aus. Schliesslich richtet der Orchestrator interne Agentenentscheidungen an externen aufsichtlichen Erwartungen und den strategischen Zielen des Unternehmens aus und stellt damit sicher, dass das AI-System im Einklang mit institutionellen Zielen und regulatorischen Vorgaben handelt.

Er kann Entscheidungen übersteuern, ablehnen oder verzögern, die institutionelle Inkohärenz, Restriktionsverletzungen oder Regelverstösse hervorrufen würden. Während der Rechts- und Compliance-Agent die Zulässigkeit einzelner Handlungen auf Regelebene durchsetzt, steuert der Orchestrator die **Integration auf Systemebene** und die strategische Konsistenz. An diesen Agenten angebundene LLM-Module können Systemzusammenfassungen, Policy-Erläuterungen oder Auditberichte für institutionelle Anspruchsgruppen erzeugen (etwa Aufsichtsgremium, Aufsichtsbehörden).

Einfacher gesagt sorgt dieser Agent dafür, dass sich das AI-System wie eine koordinierte Organisation verhält und nicht wie eine Ansammlung unverbundener Bots. Er prüft, dass alle Entscheidungen zusammenpassen, den Regeln folgen und die Gesamtstrategie des Unternehmens tragen, bevor irgendetwas ausgeführt wird.

Einheitliches Agentensystem und Kommunikationslogik

Zur Vervollständigung der agentenbasierten Systemarchitektur führen wir eine einheitliche Optimierungsstruktur ein, die interne Entscheidungsagenten und menschliche Schnittstellenagenten in einem einzigen analytischen Ausdruck zusammenführt. Diese Formulierung liefert eine konsistente Basis, um systemweite Zulässigkeit, Gleichgewicht und institutionelle Ausrichtung zu verifizieren. Sie erlaubt es der Orchestrierungsschicht, die gemeinsame Zulässigkeit aller Agentenhandlungen und Nutzendenabfragen zu beurteilen, bevor eine Ausführung erfolgt. Die Einbindung von Human-in-the-Loop-Komponenten in die Agentenarchitektur erfordert keinen eigenen Kommunikationsagenten. Vielmehr dienen die dafür vorgesehenen Schnittstellenagenten für Beschäftigte, Anspruchsgruppen und Kundschaft bereits als strukturierte Zugangspunkte unter rollenbasierter Governance. Diese Agenten setzen strikte Zulässigkeitsregeln über Datenfilterung, Rollen-Stufen-Abbildungen und Auditprotokolle durch. Ihre Ausgaben werden über den System-Orchestrator-Agenten geführt, der prüft, ob alle resultierenden Handlungen und Abfragen mit den institutionellen Restriktionen des Unternehmens zusammenpassen. Diese Routing-Logik wahrt die modulare Klarheit und vermeidet die Kontrollfragmentierung, die aus parallelen Koordinationsschichten entstehen würde. Ein zusätzlicher Kommunikationskern würde die Verantwortlichkeit verwässern, die institutionelle Logik verdecken und den Compliance-by-Design-Prinzipien des Systems widersprechen. Formal lässt sich das globale Optimierungsproblem schreiben als:

\begin{align} \max_{\{\boldsymbol{a}_i\}, \{\boldsymbol{q}_j\}} \quad & \sum_{i=1}^{n} \mathbb{E}[U_i(\pi_i(\boldsymbol{a}_i, \boldsymbol{a}_{-i}))] + \sum_{j=1}^{m} \mathbb{E}[V_j(\mathcal{L}(\boldsymbol{q}_j, \boldsymbol{\alpha}_j))] \label{eq:global-agent-obj} \\ \text{s.t.} \quad & \boldsymbol{a}_i \in \mathcal{D}_i \cap \mathcal{E}_i \cap \mathcal{G}_i \cap \mathcal{O}_i, \quad \forall i \label{eq:agent-admissibility} \\ & \boldsymbol{q}_j \in \mathcal{Q}_j, \quad \boldsymbol{\alpha}_j \subseteq \boldsymbol{A}_{\text{global}}, \quad r_j \in \mathcal{R}_{\text{permitted}}(j), \quad \forall j \label{eq:query-constraints} \\ & \{\boldsymbol{a}_i\}, \{\boldsymbol{q}_j\} \in \mathcal{A}_{\text{valid}} \quad \text{(system-level admissibility verified by orchestrator)} \label{eq:orchestrator-verification} \end{align}

(21)

21Die globale Zielfunktion über Agenten und Schnittstellen

Dabei bezeichnet $\boldsymbol{a}_i$ den Handlungsvektor des internen Agenten $i$ , und $\pi_i(\cdot)$ ist die agentenspezifische Entscheidungsfunktion, die von den Handlungen $\boldsymbol{a}_{-i}$ anderer Agenten abhängen kann. Die Funktion $U_i(\cdot)$ misst den erwarteten Nutzen der Handlung und bezieht Leistungs-, Compliance- oder Risikokriterien ein. Jede Abfrage $\boldsymbol{q}_j$ wird von einem menschenzugewandten Schnittstellenagenten $j$ eingereicht und über ein grosses Sprachmodell $\mathcal{L}(\cdot)$ ausgewertet, das auf einen gefilterten Kontext $\boldsymbol{\alpha}_j$ aus dem globalen Agentenzustand $\boldsymbol{A}_{\text{global}}$ angewandt wird. Die Funktion $V_j(\cdot)$ erfasst den informationellen oder operativen Nutzen, der den Nutzenden zurückgegeben wird. Die Zulässigkeitsbedingungen beschränken jede interne Handlung auf den Schnitt der rechtlich, ökologisch, sozial und operativ erlaubten Bereiche. Schnittstellenabfragen müssen unter gültigen Rollenautorisierungen $r_j$ erfolgen, den Datenzugriffsrestriktionen entsprechen und vollständig nachvollziehbar bleiben. Der Orchestrator bestätigt, dass die Gesamtheit der Handlungen und Abfragen zulässig, widerspruchsfrei und institutionell konsistent ist.

Einfach gesagt führt diese Gleichung alle Agentenentscheidungen, maschinell getroffene wie menschlich ausgelöste, in einer systemweiten Logik zusammen. Jeder Agent versucht, seine Aufgabe gut zu erfüllen, und jeder nutzendenzugewandte Agent antwortet nur innerhalb der erlaubten Grenzen. Nichts wird ausgeführt, bevor der Orchestrator geprüft hat, dass jede Handlung und jede Antwort zusammenpasst, ohne eine rechtliche oder operative Regel zu verletzen. Damit werden zu viele Kontrollschichten vermieden, und das AI-System verhält sich wie eine einheitliche Institution.

Protokolle und Agentenintegration in Enterprise-AI

Der Einsatz mehrerer Agenten in Enterprise-AI ergibt sich aus der funktionalen Zerlegung von Versicherungsunternehmen in eigene Domänen, Kapitalallokation, Underwriting, Compliance und Schadenbearbeitung, die jeweils von eigenen Restriktionen, Datenrechten und Entscheidungslogiken bestimmt werden. Dezentralisierung allein genügt nicht. Um Kohärenz, regulatorische Zulässigkeit und gemeinsame Nutzenoptimierung zu sichern, müssen Agenten über Protokollschichten koordiniert werden, die Kontextweitergabe, Zustandsübertragung und agentenübergreifendes Reasoning standardisieren. Das verlangt Interoperabilitätsrahmen wie das Model Context Protocol (MCP) und Agent-to-Agent-Messaging-Standards (A2A). Enterprise-AI-Systeme arbeiten asynchron über heterogene Komponenten mit unterschiedlichen Rechenzeitplänen, partieller Beobachtbarkeit und ungleichem Zugang zu Echtzeitdaten. Synchrone Koordination erzeugt Latenz und Fragilität. Asynchrone Architekturen mildern dies, indem sie Datenverfügbarkeit von der Ausführung entkoppeln. Tadi (Tadi 2022) zeigt, dass asynchrone Datenverarbeitung die Robustheit von Progressive Web Applications erhöht und Offlinebetrieb sowie nicht blockierende Aktualisierungen ermöglicht, was für die Agentenkontinuität in zeitweise verbundenen Umgebungen entscheidend ist. Auf Trainingsebene ermöglicht asynchrones Federated Learning Modellupdates ohne zentrale Synchronisation (Hou et al. 2024a) und stärkt damit die Systemresilienz. Über die Architekturtheorie hinaus zeigen empirische Studien, dass die Kommunikationslatenz zwischen Agenten mit Nachrichtengrösse und Agentenzahl steigt. Berna-Koes et al. (Berna-Koes et al. 2004) zeigen, dass Nachrichtenverzögerungen in Multi-Agenten-Netzen nichtlinear wachsen können, sofern keine effizienten Backchannel-Protokolle umgesetzt werden. Zudem verbessern latenzbewusste Kommunikationsmodelle wie DACOM (Yuan et al. 2022) bei verzögerungsempfindlichen Koordinationsaufgaben die Leistung deutlich, indem sie die Entscheidungslogik an die Verzögerungen zwischen Agenten anpassen. Lei et al. (Lei et al. 2022) liefern einen Rahmen zur Synchronisation asynchroner Wahrnehmungsmerkmale in kollaborativen Systemen und erhöhen damit die Robustheit der Agenten in Umgebungen hoher Latenz. In regulierten Domänen wie der Versicherung begrenzen empirische Auditstandards das Systemdesign zusätzlich. Die britische Financial Conduct Authority verlangt von AI-Systemen nachvollziehbare Entscheidungsprotokolle innerhalb von 24 bis 72 Stunden nach der Ausführung (Authority 2022). Der Financial Stability Board betont die Bedeutung von Erklärbarkeit und Auditresilienz, um systemische Risiken in AI-gestützten Finanzdienstleistungen zu steuern (Board 2017). Diese empirischen Schwellen bekräftigen den Bedarf an dauerhafter Zustandsverwaltung und protokollseitigem Gedächtnis, das die nachträgliche Prüfung unter institutioneller Aufsicht tragen kann. Das von Google eingeführte Agent-to-Agent-Protokoll (A2A) standardisiert das Messaging zwischen Agenten über Frameworks wie LangGraph, CrewAI und AutoGen hinweg, indem es eine gemeinsame Syntax für Intention, Gedächtnis und Aufgabenzustand definiert (Google Developers 2025). A2A erlaubt es Agenten aus verschiedenen Laufzeitumgebungen, strukturierte Inhalte auszutauschen, Entscheidungen, Delegationsanfragen, Warnungen, und entkoppelt dabei die Rollensemantik von der Implementierung. In heterogenen Unternehmensumgebungen, in denen Agenten in Logikparadigmen oder Regulierungsmodellen differieren, ermöglicht A2A die Koordination etwa zwischen einem LLM-basierten Compliance-Modul und einem regelbasierten Preisagenten. Wie in (Analytics Vidhya Editorial Team 2025) angemerkt, fördert A2A die Komponierbarkeit, indem es eine gemeinsame Abstraktion für Kommunikation bereitstellt und Ziele unter eingeschränkter Interoperabilität ausrichtet. Während A2A syntaktische und Messaging-Kompatibilität adressiert, regelt das Model Context Protocol (MCP) semantische Kohärenz und Gedächtnispersistenz. MCP strukturiert Kontextweitergabe und Zustandserhaltung und erlaubt es Agenten, über gemeinsame Historien, hierarchische Ziele und Umfeldsignale zu schliessen (Hou et al. 2024b). Krishnan (Krishnan 2025) hebt die Fähigkeit von MCP hervor, weitreichende Abhängigkeiten zu kodieren und Agenten geschäftskritisches Wissen zu erhalten, etwa regulatorische Schwellen, frühere Entscheidungen oder Nutzendeninteraktionen, was in finanziellen oder rechtlichen Workflows wesentlich ist. MCP wirkt als institutionelle Gedächtnisschicht, die für Konsistenz, die Begründung bedingter Entscheidungen und Compliance-Transparenz erforderlich ist. Narajala (Narajala and Habler 2025) unterstreicht zusätzlich die Rolle von MCP für die Auditierbarkeit, da es ESG-Ausrichtung und AI-Act-Compliance ermöglicht, indem es Reasoning-Ketten bewahrt und die Wiedergabe des Entscheidungskontexts erlaubt. A2A und MCP sind keine Substitute, sondern Ergänzungen: A2A sichert technische Interoperabilität und Kommunikationszuverlässigkeit; MCP sichert semantische Ausrichtung und dauerhaftes Gedächtnis. Zusammen bilden sie eine zweischichtige Grundlage für robuste, auditierbare Multi-Agenten-Systeme (Hou et al. 2024b; Google Developers 2025). MCP sichert, dass Agenteninteraktionen kontextuell bedeutungsvoll sind; A2A sichert, dass sie über Umgebungen hinweg funktionsfähig bleiben.

Protokollseitiges Design ist damit zentral für Enterprise-AI. Die hier vorgeschlagene Versicherungsarchitektur baut auf diesem Zwei-Protokoll-Paradigma auf und verbindet asynchronen Betrieb mit erklärbarem, dauerhaftem Entscheidungsgedächtnis, um institutionellen und regulatorischen Anforderungen zu genügen.

Fazit

Dieses Paper stellt eine formale Architektur zur Umsetzung von Enterprise-AI in regulierten Versicherungsunternehmen vor, verankert in der Theorie der Unternehmung, in restringierter Optimierung und in institutioneller Logik. Der Versicherer wird als strukturiertes Entscheidungssystem unter Solvenzrestriktionen, rechtlicher Zulässigkeit, ESG-Pflichten und interner Machbarkeitsgrenzen modelliert. Dieser Rahmen ermöglicht eine prinzipiengeleitete Zerlegung des Unternehmensverhaltens in analytisch unterscheidbare Teilfunktionen, die an regulatorischen und strategischen Anforderungen ausgerichtet sind.

Eine Multi-Agenten-Architektur definiert jede funktionale Domäne, Kapitalmanagement, Underwriting, Schaden und Compliance, als begrenzt rationalen Agenten, der in einer gemeinsamen Restriktionsumgebung arbeitet. Lokale Entscheidungsmodelle fügen sich unmittelbar in die institutionelle Struktur des Unternehmens ein und sichern, dass die Optimierung strikt innerhalb zulässiger rechtlicher, finanzieller und ESG-bezogener Grenzen erfolgt.

Ein Orchestrator-Agent setzt die Kohärenz auf Systemebene durch, validiert die Ausrichtung zwischen den Agenten, propagiert globale Restriktionen und wahrt die institutionelle Konsistenz. Protokollseitige Infrastrukturen wie asynchrone Koordination, Gedächtnispersistenz und semantische Interoperabilität über MCP und A2A ermöglichen die strukturierte Kommunikation über heterogene Agentenmodule hinweg.

Dieser Rahmen bringt die strukturelle Modellierung regulierter Unternehmen voran, indem er regulatorische, operative und governancebezogene Restriktionen in die Entscheidungslogik selbst einbettet. Anders als konventionelle Modelle, die Compliance als externe Schicht behandeln, integriert diese Architektur institutionelle Restriktionen in die zentralen Entscheidungsprozesse und bildet damit eine Grundlage für auditierbare, compliante AI-Systeme in institutionellen Bereichen mit hoher Tragweite, in denen formale Rechenschaftspflicht und systemische Kohärenz wesentlich sind.

Literatur

Analytics Vidhya Editorial Team. 2025. Agent to Agent Protocol Helping AI Agents Work Together. Https://community.analyticsvidhya.com/c/generative-ai-tech-discussion/agent-to-agent-protocol-helping-ai-agents-work-together-across-systems.

Arrow, Kenneth J. 1963. “Uncertainty and the Welfare Economics of Medical Care.” American Economic Review 53 (5): 941–73.

Authority, Financial Conduct. 2022. Artificial Intelligence Update. UK Financial Conduct Authority. https://www.fca.org.uk/publication/corporate/ai-update.pdf.

Automation Anywhere. 2021. “Intelligent Automation for Insurance Claims Processing.” Automation Anywhere. https://www.automationanywhere.com/solutions/insurance.

Berna-Koes, David, Reid Simmons, and Manuela Veloso. 2004. “Communication Efficiency in Multi-Agent Systems.” Proceedings of the Third International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS), 1228–35. https://www.cs.cmu.edu/~softagents/papers/paper778.pdf.

Biener, Christian, and Martin Eling. 2012. “Organization and Efficiency in the International Insurance Industry: A Cross-Frontier Analysis.” European Journal of Operational Research 221 (2): 454–68. https://doi.org/10.1016/j.ejor.2012.03.037.

Board, Financial Stability. 2017. Artificial Intelligence and Machine Learning in Financial Services: Market Developments and Financial Stability Implications. Financial Stability Board. https://www.fsb.org/uploads/P011117.pdf.

Boonen, Tim J. 2017. “Solvency II Solvency Capital Requirement for Life Insurance Companies Based on Expected Shortfall.” European Actuarial Journal 7 (2): 405–34. https://doi.org/10.1007/s13385-017-0160-4.

Brockett, Patrick L., Xiaohua Xia, and Richard A. Derrig. 2002. “Fraud Classification Using Principal Component Analysis of RIDITs.” Journal of Risk and Insurance 69 (3): 325–50. https://doi.org/10.1111/1539-6975.00027.

Cummins, J. David, and Mary A. Weiss. 1999. “Organizational Form and Efficiency: The Coexistence of Stock and Mutual Property-Liability Insurers.” Management Science 45 (9): 1254–69. https://doi.org/10.1287/mnsc.45.9.1254.

Dickson, David C. M., and Steve Drekic. 2004. “The Joint Distribution of the Surplus Prior to Ruin and the Deficit at Ruin in Some Sparre Andersen Models.” Insurance: Mathematics and Economics 34 (3): 425–34. https://doi.org/10.1016/j.insmatheco.2003.11.003.

DiMaggio, Paul J., and Walter W. Powell. 1983. “The Iron Cage Revisited: Institutional Isomorphism and Collective Rationality in Organizational Fields.” American Sociological Review 48 (2): 147–60. https://doi.org/10.2307/2095101.

European Commission. 2021. Proposal for a Regulation Laying down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A52021PC0206.

European Insurance and Occupational Pensions Authority. 2022. Report on the Application of the Insurance Distribution Directive (IDD). https://www.eiopa.europa.eu/system/files/2022-01/eiopa-bos-21-581_report_on_the_application_of_the_idd.pdf.

European Parliament and Council. 2020. Regulation (EU) 2019/2088 on Sustainability‐related Disclosures in the Financial Services Sector (SFDR). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32019R2088.

Google Developers. 2025. Announcing the Agent2Agent Protocol (A2A). Https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/.

Hou, Xinyi, Yanjie Zhao, Shenao Wang, and Haoyu Wang. 2024a. “Make Robust Asynchronous Federated Learning Possible.” arXiv Preprint arXiv:2504.04081, ahead of print. https://doi.org/10.48550/arXiv.2504.04081.

Hou, Xinyi, Yanjie Zhao, Shenao Wang, and Haoyu Wang. 2024b. “Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions.” arXiv Preprint arXiv:2503.23278, ahead of print. https://doi.org/10.48550/arXiv.2503.23278.

Kolambe, Sapana, and Parminder Kaur. 2023. “Survey on Insurance Claim Analysis Using Natural Language Processing and Machine Learning.” International Journal on Recent and Innovation Trends in Computing and Communication 11 (1): 1–7. https://ijritcc.org/index.php/ijritcc/article/view/8461.

Krishnan, Naveen. 2025. Advancing Multi-Agent Systems Through Model Context Protocol: Architecture, Implementation, and Applications. https://arxiv.org/abs/2504.21030.

Lei, Yuxuan, Xinge Zhu, Zhijian Liu, et al. 2022. Latency-Aware Collaborative Perception. https://arxiv.org/abs/2207.08560.

Narajala, Vineeth Sai, and Idan Habler. 2025. Enterprise-Grade Security for the Model Context Protocol (MCP): Frameworks and Mitigation Strategies. https://doi.org/10.48550/arXiv.2504.08623.

Parliament, European, and Council. 2019. Regulation (EU) 2019/2088 on Sustainability‐related Disclosures in the Financial Services Sector (SFDR). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32019R2088.

Parliament, European, and Council. 2020. Regulation (EU) 2020/852 on the Establishment of a Framework to Facilitate Sustainable Investment (EU Taxonomy). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32020R0852.

Rae, R. A., A. Barrett, D. Brooks, M. A. Chotai, A. J. Pelkiewicz, and C. Wang. 2017. “A Review of Solvency II: Has It Met Its Objectives?” British Actuarial Journal 22 (1): 1–32. https://doi.org/10.1017/S1357321717000241.

Rothschild, Michael, and Joseph Stiglitz. 1976. “Equilibrium in Competitive Insurance Markets: An Essay on the Economics of Imperfect Information.” Quarterly Journal of Economics 90 (4): 629–49. https://doi.org/10.2307/1885326.

Schmeiser, Hato, and Helmut Gründl. 2002. “Pricing Double-Trigger Reinsurance Contracts. Financial Versus Actuarial Approach.” SSRN Electronic Journal, ahead of print. https://doi.org/10.2139/ssrn.302697.

Starita, Maria Grazia, and Irma Malafronte. 2014. Capital Requirements, Disclosure, and Supervision in the European Insurance Industry. Palgrave Macmillan. https://doi.org/10.1057/9781137390844.

Tadi, Sri Rama Chandra Charan Teja. 2022. “Asynchronous Data Processing with Machine Learning Progressive Web Applications for Seamless Offline Functionality.” International Journal of Science and Research 11 (9): 1288–96. https://doi.org/10.21275/SR220912120313.

Werner, Thomas. 2021. “The IDD and Its Impact on the Life Insurance Industry.” In The Future of Insurance Regulation in the European Union, edited by Christoph Kumpan and Andreas M. Fleckner. Springer. https://doi.org/10.1007/978-3-030-52738-9_4.

Yuan, Yixuan, Tianpei Yang, Qingpeng Cai, et al. 2022. DACOM: Learning Delay-Aware Communication for Multi-Agent Reinforcement Learning. https://arxiv.org/abs/2212.01619.

Zweifel, Peter, and Roland Eisen. 2012. Insurance Economics. Springer Texts in Business and Economics. Springer. https://doi.org/10.1007/978-3-642-20548-4.

Multi-Agenten-AI-Architektur für regulierte Versicherer