Case Study: Inhouse Kurs setzte KI-Impuls für Versicherung

Diese Case Study zeigt, wie eine Inhouse-Schulung einer Versicherung in Gera das Potenzial von KI und GEO für Kundenkommunikation, Wissensarbeit, Vertrieb und digitale Sichtbarkeit aufzeigte.

Versicherungen arbeiten mit komplexen Informationen: Tarife, Vertragsbedingungen, Schadenprozesse, Beratungsdokumentation, Produktvergleiche, Maklerkommunikation, Kundenfragen, regulatorische Hinweise, interne Richtlinien, Formulare, FAQ, Newsletter, Ratgebertexte und digitale Serviceinformationen. Gleichzeitig verändert Künstliche Intelligenz, wie Kundinnen, Kunden, Vermittler, Mitarbeitende und Suchsysteme diese Informationen finden, bewerten und weiterverarbeiten.
Diese Projektbeschreibung beschreibt ein Inhouse-Training der Bildungsakademie am Rosental mit einer Versicherung in Gera. Ziel war nicht, Schadenentscheidungen zu automatisieren, Risikoprüfung an KI auszulagern oder individuelle Versicherungsberatung durch generative Systeme zu ersetzen. Ziel war ein fundierter Einstieg: Welche Aufgaben können KI und GEO unterstützen? Welche Daten, Entscheidungen und Vertrauensbereiche bleiben ausgeschlossen? Und wie kann eine Versicherung ihre Inhalte so strukturieren, dass sie für Menschen verständlicher und für KI-Antwortsysteme besser einordenbar werden?

Der Projektbericht gehört zum Themenbereich KI Inhouse Schulungen für Unternehmen und Organisationen. Inhaltlich verband die Schulung drei Bausteine: grundlegende KI-Kompetenz, branchenspezifische Versicherungspraxis und GEO-Sichtbarkeit für erklärungsbedürftige Versicherungsinhalte. Deshalb standen im Projekt sowohl AI Literacy als Einstieg in das KI-Thema als auch Sichtbarkeit in KI-Suchergebnissen erreichen und EU AI Act und Unternehmenspflichten als passende Vertiefungen im Raum.

Unser maßgeschneidertes Inhouse-Seminar für Sie! Fragen Sie hier an!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

Ausgangslage in Gera: Viele Informationen, viele Fragen, wenig KI-Orientierung

Die Versicherung in Gera betreute Privat- und Gewerbekunden, arbeitete mit internen Fachbereichen, Vertriebspartnern und Serviceeinheiten zusammen und verfügte über umfangreiche Informationen zu Produkten, Schadenprozessen, Vertragsfragen, Formularen, Beratungsanlässen und digitalen Services. Fachwissen war vorhanden, aber an vielen Stellen verteilt.

Im Alltag entstanden ähnliche Aufgaben immer wieder neu: Antworten auf Kundenfragen, Erklärtexte zu Produkten, interne Zusammenfassungen, Gesprächsvorbereitungen für Vertrieb und Service, Ratgeberinhalte, FAQ, Newsletter-Entwürfe, Textbausteine für Maklerkommunikation und Hinweise zu Schadenabläufen. Gleichzeitig war klar: Versicherungsdaten sind sensibel. Kundendaten, Gesundheitsinformationen, Schadenakten, Risikobewertungen, Vertragsdetails, Prämienentscheidungen, Leistungsentscheidungen und regulatorische Bewertungen durften nicht in offene KI-Systeme gelangen.

Die Geschäftsführung entschied sich deshalb für eine Inhouse-Schulung, die zwei Perspektiven verbindet: KI-Potenzial im Arbeitsalltag und GEO-Potenzial für digitale Sichtbarkeit. Die Versicherung wollte nicht nur wissen, was KI kann, sondern auch, wie verständliche und vertrauenswürdige Versicherungsinhalte künftig in KI-Such- und Antwortsystemen besser wahrgenommen werden können.

Potenzialfrage: Wo KI helfen kann, ohne Versicherungsentscheidungen zu ersetzen

KI zeigte in der Versicherung vor allem dort Potenzial, wo Texte, Wissen, Kundenfragen und interne Informationen strukturiert werden mussten – nicht bei individuellen Vertrags-, Risiko- oder Leistungsentscheidungen.

Die Schulung begann bewusst nicht mit einzelnen Tools. Zuerst wurde die Potenzialfrage geklärt: Welche Aufgaben sind häufig, textlastig, wiederkehrend, nicht vertraulich und fachlich prüfbar? Genau dort kann KI helfen. Welche Aufgaben sind personenbezogen, entscheidungsrelevant, regulatorisch sensibel oder haftungsnah? Genau dort braucht es Ausschluss, Fachprüfung oder separate Governance.

Die Teilnehmenden unterschieden deshalb drei Ebenen: Erstens allgemeine Kommunikation, etwa FAQ, Ratgebertexte, Newsletter und Serviceinformationen. Zweitens interne Wissensarbeit, etwa Zusammenfassungen, Checklisten, Gesprächsvorbereitung und Strukturierung freigegebener Informationen. Drittens sensible Versicherungsprozesse, etwa Risikoprüfung, Schadenentscheidung, Vertragsauslegung, individuelle Beratung und personenbezogene Fallbearbeitung.

Diese Trennung schuf eine gemeinsame Sprache. KI wurde nicht als „alles automatisieren“ verstanden, sondern als Werkzeug für vorbereitende, allgemeine und prüfbare Aufgaben.

Differenzierung im KI-Cluster: Warum Versicherungen anders starten müssen

Diese Case Study unterscheidet sich von anderen Projektberichten der Bildungsakademie. Anders als bei der Aachener Softwarefirma stand hier nicht die komplette Umstellung eines Produkt-Content-Systems im Mittelpunkt. Die Versicherung musste zuerst klären, welche Inhalte überhaupt KI-fähig sind, weil Kundendaten, Vertragsdetails, Schadeninformationen und Gesundheitsdaten deutlich sensibler sind als allgemeine Produkt- oder Help-Center-Texte.

Anders als bei der Steuerkanzlei in Regensburg ging es nicht primär um die Abgrenzung allgemeiner Fachinformation von individueller Beratung, sondern um die Verbindung aus Kundenkommunikation, Vertriebsunterstützung, Schadenkommunikation, interner Wissensarbeit und digitaler Auffindbarkeit erklärungsbedürftiger Versicherungsthemen.

Diese Abgrenzung war wichtig. Die Versicherung brauchte keine abstrakte KI-Strategie und keine reine GEO-Schulung. Sie brauchte eine Potenziallandkarte, die Chancen sichtbar macht und Grenzen sofort mitdenkt.

Potenziallandkarte: Sechs Felder für KI und GEO in der Versicherung

Die Inhouse-Schulung entwickelte eine Potenziallandkarte mit sechs Feldern: Kundenkommunikation, Vertrieb, Schadenkommunikation, Wissensmanagement, Content/GEO und interne Prozessentlastung.

Im ersten Workshopteil erarbeitete das Team eine Potenziallandkarte. Sie machte sichtbar, dass KI nicht nur für Marketingtexte relevant ist. Gerade Versicherungen haben viele Wissens- und Kommunikationsschnittstellen, an denen KI unterstützen kann, wenn Daten und Entscheidungen geschützt bleiben.

Potenzialfeld	Typische Aufgabe	KI-/GEO-Nutzen	Grenze
Kundenkommunikation	allgemeine FAQ, Servicehinweise, Erklärtexte	verständlicher, kürzer, zielgruppengerechter formulieren	keine individuelle Beratung
Vertrieb	Gesprächsvorbereitung, Einwandstruktur, Produktvergleich	Argumente ordnen und Zielgruppenfragen vorbereiten	keine verbindlichen Zusagen
Schadenkommunikation	allgemeine Ablaufhinweise, Rückfrage-Checklisten	Transparenz über Prozesse verbessern	keine Schadenentscheidung
Wissensmanagement	interne FAQ, Checklisten, Zusammenfassungen	Fachwissen leichter auffindbar machen	keine vertraulichen Akten
Content und GEO	Ratgeber, FAQ, Themencluster, Antwortseiten	KI-Sichtbarkeit und Verständlichkeit verbessern	keine überzogenen Leistungsversprechen
Interne Entlastung	Protokollstrukturen, E-Mail-Entwürfe, Vorlagen	Routinearbeit beschleunigen	keine personenbezogenen Daten

Diese Potenziallandkarte wurde zum wichtigsten Arbeitsinstrument der Schulung. Sie zeigte Chancen, ohne die besonderen Anforderungen der Versicherungsbranche zu verharmlosen.

Schulungsprofil: KI-Kompetenz, Versicherungspraxis und GEO wurden gemeinsam betrachtet

Die Inhouse-Schulung wurde als eintägiges Format mit 12 Teilnehmenden durchgeführt. Vertreten waren Kundenservice, Vertrieb, Schadenkommunikation, Marketing, Produktkommunikation, interne Organisation, Datenschutzschnittstelle und Führung.

Der Tag folgte keinem klassischen Tool-Demonstrationsmodell. Stattdessen arbeitete die Gruppe mit einem dreiteiligen Schulungsprofil: Zuerst wurde AI Literacy aufgebaut, damit alle Beteiligten verstanden, wie generative KI funktioniert, warum Fehler entstehen und warum menschliche Prüfung unverzichtbar bleibt. Danach wurden typische Versicherungssituationen betrachtet: Kundenfragen, Schadenkommunikation, Vertriebsunterstützung, Wissensmanagement und Datenschutzgrenzen. Im dritten Teil ging es um GEO: Wie müssen allgemeine Versicherungsinhalte strukturiert werden, damit sie in KI-Such- und Antwortsystemen verständlicher, vertrauenswürdiger und besser einordenbar sind?

Gerade diese Kombination war für die Versicherung entscheidend. Ein reiner AI-Literacy-Kurs hätte die Sichtbarkeitsfrage zu wenig berücksichtigt. Ein reiner GEO-Kurs hätte die besonderen Grenzen von Kundendaten, Schadenfällen, Gesundheitsinformationen und Leistungsentscheidungen zu wenig in den Mittelpunkt gestellt. Das tatsächliche Format war daher eine kombinierte KI- und GEO-Inhouse-Schulung für eine sensible, regulierte Branche.

Diese Dreiteilung verhinderte, dass KI nur als Schreibassistent betrachtet wurde. Die Teilnehmenden sahen KI als Organisations-, Kommunikations-, Vertrauens- und Sichtbarkeitsthema.

Kundenkommunikation: Verständlicher erklären, ohne individuell zu beraten

Ein Schwerpunkt lag auf Kundenkommunikation. Versicherungen erklären häufig abstrakte Begriffe: Selbstbeteiligung, Wartezeit, Ausschlüsse, Obliegenheiten, Deckungssumme, Nachversicherung, Schadenmeldung, Beitragsanpassung, Leistungsprüfung oder Vertragsänderung. Viele dieser Themen eignen sich für allgemeine Erklärtexte, FAQ und Ratgeber.

Die Schulung zeigte, wie KI helfen kann, Fachsprache in verständlichere Sprache zu übertragen. Aus einem komplexen Absatz entstand eine direkte Antwort, eine kurze Alltagserklärung, eine FAQ-Version und eine interne Prüfnotiz. Dabei galt eine klare Grenze: KI durfte allgemeine Information vorbereiten, aber keine individuelle Empfehlung, keine verbindliche Auslegung und keine Leistungszusage formulieren.

Die Versicherung entwickelte deshalb ein Muster für Kundeninformationen: direkte Antwort, allgemeiner Kontext, wichtige Einschränkung, Hinweis auf individuelle Prüfung und Kontaktmöglichkeit. Dieses Muster wurde später für FAQ und Ratgeberseiten genutzt.

Vertrieb und Maklerkommunikation: Fragen strukturieren, nicht Beratung automatisieren

Im Vertriebsbereich lag das Potenzial nicht darin, Beratung durch KI zu ersetzen. Die Stärke lag in der Vorbereitung. KI konnte helfen, typische Kundenfragen zu clustern, Gesprächsleitfäden zu strukturieren, Einwände zu sortieren und Produktunterschiede allgemein verständlicher aufzubereiten.

Die Teilnehmenden arbeiteten mit anonymisierten Beispielen: eine Gewerbekundenanfrage, ein allgemeiner Produktvergleich, eine Rückfrage zu Deckungsumfang und ein internes Briefing für ein Beratungsgespräch. Die KI half, Fragen zu ordnen und Antwortbausteine vorzubereiten. Die fachliche Bewertung blieb beim zuständigen Team.

So entstand ein pragmatischer Grundsatz: KI darf Vertriebswissen strukturieren, aber keine Beratung, Geeignetheitsprüfung, Risikoeinschätzung oder verbindliche Produktempfehlung übernehmen.

Schadenkommunikation: Abläufe transparenter machen, Entscheidungen schützen

Ein besonders sensibler Bereich war die Schadenkommunikation. Kundinnen und Kunden wollen bei Schäden schnelle, klare und verständliche Informationen. Gleichzeitig sind Schadenfälle personenbezogen, emotional und entscheidungsrelevant. Deshalb war hier die Trennung besonders wichtig.

Geeignet waren allgemeine Ablauftexte: Welche Unterlagen werden typischerweise benötigt? Was passiert nach einer Schadenmeldung? Welche Fristen oder Rückfragen können allgemein auftreten? Wie kann eine Rückfrage freundlich, sachlich und verständlich formuliert werden?

Ausgeschlossen blieben konkrete Schadenakten, Fotos, Gesundheitsdaten, Namen, Vertragsnummern, Gutachten, interne Bewertungen und Leistungsentscheidungen. Die Schulung formulierte deshalb eine klare Regel: KI darf die Kommunikation über allgemeine Abläufe vorbereiten, aber nie den konkreten Schadenfall beurteilen.

GEO-Werkstatt: Aus Versicherungsthemen wurden Antwortseiten

Die GEO-Werkstatt zeigte, wie Versicherungsthemen in direkte, vertrauenswürdige und KI-lesbare Antwortseiten übersetzt werden können.

Im GEO-Teil sammelte das Team typische Such-, Service- und Entscheidungsfragen aus vier Quellen: Kundenservice, Vertriebsgespräche, Schadenkommunikation und Website-Auswertung. Anders als im Software-Case stand dabei nicht die Produktentscheidung für ein Tool im Vordergrund, sondern die verständliche Einordnung von Versicherungssituationen: Was ist allgemein erklärbar? Was ist beratungsnah? Was kann falsche Erwartungen erzeugen? Und wo muss zwingend auf individuelle Prüfung verwiesen werden?

Aus den gesammelten Fragen entstanden zunächst acht Themenfelder: Schadenablauf, Vertragsverständnis, Tarifwechsel, Gewerbekunden, private Absicherung, Unterlagen und Nachweise, häufige Missverständnisse sowie digitale Services. Innerhalb dieser Themenfelder markierte das Team 24 priorisierte Versicherungsfragen, die sich besonders für allgemeine FAQ, Ratgeberseiten und GEO-fähige Antwortformate eignen. Die Priorisierung folgte nicht nur der Häufigkeit, sondern vor allem dem Risiko missverständlicher Erwartung: Fragen mit hoher Beratungsnähe, hohem Erklärungsbedarf oder typischen Fehlannahmen wurden stärker gewichtet.

Für jede priorisierte Frage wurde ein Seitenmuster definiert: direkte Antwort, allgemeine Erklärung, typische Missverständnisse, Grenze zur individuellen Beratung, Beispiel ohne Kundendaten, interne Verlinkung und Kontaktmöglichkeit. So wurde GEO nicht als Trick verstanden, sondern als bessere Ordnung von Versicherungswissen.

KI- und GEO-Ampel: Was erlaubt, prüfpflichtig oder ausgeschlossen wurde

Nach der Schulung arbeitete die Versicherung mit einer KI- und GEO-Ampel: grüne Aufgaben für allgemeine Entwürfe, gelbe Aufgaben mit Fachprüfung und rote Aufgaben mit Kunden-, Vertrags-, Gesundheits- oder Schadendaten.

Grüne Aufgaben waren allgemeine FAQ, Ratgeberentwürfe, Gliederungen, nicht personenbezogene E-Mail-Vorlagen, interne Checklisten, Social-Media-Varianten, Zusammenfassungen freigegebener Inhalte und einfache Begriffserklärungen.

Gelbe Aufgaben waren Produktinformationen, Vertriebsunterlagen, Schadenablauftexte, Tarifvergleiche, Newsletter, Website-Texte, Maklerkommunikation, rechtlich sensible Formulierungen und Inhalte mit Leistungs- oder Erwartungsbezug. Diese Inhalte mussten fachlich geprüft werden.

Rote Aufgaben waren ausgeschlossen: Kundendaten, Vertragsnummern, Schadenakten, Gesundheitsdaten, Risikoprüfungen, Leistungsentscheidungen, interne Bewertungen, personenbezogene Beratung, Prämienentscheidungen, vertrauliche Vermittlerdaten, Beschwerden mit Personenbezug und regulatorische Bewertungen.

Die Ampel schuf Sicherheit. Mitarbeitende konnten KI nutzen, ohne versehentlich sensible Versicherungsprozesse in offene Systeme zu verlagern.

Sichtbarkeitsmodell: Das GEO-Stufenmodell wurde für Versicherungsthemen angepasst

Die Versicherung wollte wissen, ob sie in KI-Antwortsystemen künftig besser auftauchen kann. Die Schulung machte deutlich: Eine einzelne Abfrage reicht nicht. KI-Antworten können je nach System, Prompt, Zeitpunkt und Kontext variieren.

Statt das Modell neu zu erfinden, griff die Schulung auf das im KI-Cluster bereits verwendete GEO-Sichtbarkeitsmodell zurück, das unter anderem in der Aachener Software-Case-Study ausführlich beschrieben wurde. Für die Versicherung wurde es jedoch branchenspezifisch übersetzt: Nicht jede Erwähnung ist wertvoll, wenn sie falsche Beratungserwartungen erzeugt. Und nicht jede hohe Sichtbarkeit ist wünschenswert, wenn sie Vertrauen, Datenschutz oder fachliche Grenzen gefährdet.

Das Team nutzte das Stufenmodell deshalb vor allem als Beobachtungsinstrument für allgemeine Versicherungsfragen. Entscheidend war nicht maximale Nennung, sondern verlässliche Einordnung: Wird die Versicherung bei passenden allgemeinen Themen sichtbar? Werden eigene Ratgeberseiten als Quelle erkannt? Werden Grenzen zur individuellen Beratung korrekt wiedergegeben? Werden Schaden-, Vertrags- oder Leistungsfragen nicht irreführend verkürzt?

Damit wurde das Sichtbarkeitsmodell bewusst anders eingesetzt als im Softwarefall. Bei der Aachener Softwarefirma stand die Sichtbarkeit von Produktwissen und Help-Center-Strukturen im Mittelpunkt. In Gera ging es zusätzlich um Vertrauensschutz: Sichtbarkeit sollte nur dort wachsen, wo allgemeine Versicherungsinformationen sauber, begrenzt und fachlich geprüft kommuniziert werden.

Ergebnisse nach sechs Wochen: Mehr Klarheit über Potenziale und Grenzen

Sechs Wochen nach der Inhouse-Schulung hatte die Versicherung in Gera eine Potenziallandkarte, 24 priorisierte Versicherungsfragen, eine KI- und GEO-Ampel sowie erste Muster für FAQ, Ratgeber und interne Checklisten.

Die Versicherung führte keine KI-Automatisierung für Beratung, Schadenentscheidung oder Risikoprüfung ein. Stattdessen entstand ein kontrollierter Rahmen für allgemeine Kommunikation, interne Wissensarbeit und GEO-orientierte Inhaltsstruktur.

Arbeitsbereich	Vor der Schulung	Nach sechs Wochen	Nutzen
Kundenkommunikation	viele wiederkehrende Erklärungen	erste FAQ- und Ratgebermuster	verständlicher und konsistenter
Vertrieb	Einwände und Fragen verstreut	Fragencluster für Gesprächsvorbereitung	bessere Struktur ohne Beratungsautomation
Schadenkommunikation	Abläufe wurden oft individuell erklärt	allgemeine Ablaufbausteine	mehr Transparenz ohne Fallentscheidung
Wissensmanagement	Fachwissen verteilt	interne Checklisten und FAQ-Struktur	leichter auffindbar
GEO	Ratgeber eher SEO-orientiert	24 priorisierte Versicherungsfragen	bessere Antwortfähigkeit
KI-Nutzung	erste Einzeltests	Ampel und Prüflogik	mehr Sicherheit im Alltag

Der wichtigste Effekt war nicht ein einzelner fertiger KI-Prozess. Der wichtigste Effekt war Orientierung. Die Versicherung verstand, wo KI helfen kann, wo GEO digitale Sichtbarkeit stärken kann und wo klare Grenzen notwendig bleiben. Aus acht Themenfeldern entstanden 24 priorisierte Versicherungsfragen, die nicht nach reiner Suchnachfrage ausgewählt wurden, sondern nach Erklärungsbedarf, Risiko falscher Erwartungen und Eignung für allgemeine, fachlich prüfbare Inhalte.

Grenzen: Was KI und GEO in der Versicherung nicht leisten dürfen

KI und GEO dürfen in Versicherungen keine individuelle Beratung, keine Risikoprüfung, keine Schadenentscheidung, keine Leistungszusage und keine Verarbeitung sensibler Kunden- oder Gesundheitsdaten ersetzen.

Die Inhouse-Schulung formulierte klare Nicht-Ziele: keine Eingabe von Kundendaten, keine Nutzung von Schadenakten, keine Gesundheitsinformationen, keine Vertragsnummern, keine internen Bewertungen, keine Prämienentscheidungen, keine individuellen Deckungszusagen, keine automatisierte Beratung und keine ungeprüften Leistungsformulierungen.

Auch GEO wurde begrenzt. Es ging nicht darum, Versicherungsinhalte künstlich aufzublähen oder KI-Systeme manipulativ zu beeinflussen. Ziel war bessere Verständlichkeit, klare Antwortstruktur, fachliche Prüfung, saubere Grenzen und verlässliche Orientierung. Gerade in der Versicherungsbranche ist Vertrauen wichtiger als maximale Sichtbarkeit.

Fachliche Leitplanken für KI und GEO in der Versicherung

Die Schulung nutzte externe Quellen, um KI und GEO nicht nur als Effizienzthemen zu behandeln. Die BaFin beschreibt KI in Versicherungen als Thema entlang der Wertschöpfungskette und betont die Verantwortung der Unternehmen. EIOPA behandelt KI-Governance und Risikomanagement in der Versicherungsaufsicht. Der GDV sieht KI als Chance für Prozesse, Geschäftsmodelle und Kundenerlebnisse.

Für KI-Sicherheit und Risikomanagement wurden außerdem das BSI zu Künstlicher Intelligenz und das NIST AI Risk Management Framework einbezogen. Für GEO wurde die Forschung zu Generative Engine Optimization sowie zur wiederholten Messung von AI Search Visibility berücksichtigt.

Diese Quellen führten zu drei Leitlinien: Versicherungen brauchen KI-Kompetenz mit Risikobewusstsein. GEO muss verständliche und verlässliche Inhalte fördern. Und jede Nutzung muss klare Grenzen zwischen allgemeiner Information, individueller Beratung, personenbezogenen Daten und Entscheidungen ziehen.

Interne Orientierung im KI- und GEO-Cluster der Bildungsakademie

Diese Versicherungs-Case-Study ergänzt die Case Studies der Bildungsakademie, weil sie KI und GEO als Potenzialanalyse in einer vertrauens- und datenintensiven Branche zeigt. Anders als reine Tool-Schulungen verbindet sie Kundendialog, Vertriebsunterstützung, Schadenkommunikation, Wissensmanagement und digitale Sichtbarkeit.

Der passende Einstieg ist die Übersicht KI-Kurse und KI-Seminare. Für Grundlagen eignet sich AI Literacy als Einstieg. Für Sichtbarkeit passt Sichtbarkeit in KI-Suchergebnissen erreichen. Für redaktionelle Umsetzung ist Texte mit KI für Artikel, Social Media und Blogs relevant. Grundsatzfragen beantworten die FAQ-Artikel zu KI, AI und GEO; das Magazin der Bildungsakademie ergänzt Hintergründe zu Kommunikation, Organisation, Digitalisierung und KI-Sichtbarkeit.

Als direkte Vergleichsberichte eignen sich die GEO-Case-Study einer Aachener Softwarefirma, die GEO-Case-Study einer Steuerkanzlei und die Case Study eines kirchlichen Trägers in Fulda. Sie zeigen, wie unterschiedlich KI- und GEO-Projekte je nach Branche aufgebaut werden müssen.

Durchführende Person im Projekt

Haupttrainerin für AI Literacy, GEO und regulierte Kundenkommunikation

Die Inhouse-Schulung wurde von einer erfahrenen Haupttrainerin der Bildungsakademie am Rosental durchgeführt, die auf KI-Kompetenz, Generative Engine Optimization, digitale Kommunikation, Prompt-Methodik und organisationsbezogene Lernprozesse spezialisiert ist.

Für dieses Projekt war besonders relevant, dass die Trainerin Erfahrung mit regulierten, vertrauenssensiblen und beratungsnahen Organisationen einbrachte.

Der Trainingsansatz berücksichtigte die besonderen Anforderungen der Versicherungsbranche: Kundendaten, Schadenkommunikation, Vertriebsunterstützung, Beratungsgrenzen, Produktinformationen, regulatorische Sensibilität, verständliche Sprache, KI-Sichtbarkeit und sichere Nutzung allgemeiner Informationen.

Zu ihren Schwerpunkten gehören AI Literacy, GEO-Strategie, KI-gestützte Textarbeit, Prompt-Vorlagen, Content-Architektur, Datenschutzsensibilisierung, E-E-A-T-Signale, interne Leitlinien, Messroutinen und kontrollierte Pilotprozesse in sensiblen Organisationen.

FAQ zur Case Study: KI und GEO für eine Versicherung in Gera

Warum entschied sich die Versicherung in Gera für eine KI- und GEO-Inhouse-Schulung?

Die Versicherung entschied sich für die Schulung, weil sie KI-Potenziale erkennen und zugleich ihre digitale Sichtbarkeit in KI-Antwortsystemen besser verstehen wollte.

Das Ziel war keine Automatisierung sensibler Versicherungsentscheidungen, sondern Orientierung für geeignete und sichere Anwendungsfelder.

Die Schulung zeigte Potenziale in Kundenkommunikation, Vertrieb, Schadenkommunikation, Wissensmanagement, Content und GEO. Gleichzeitig wurden klare Grenzen für Kundendaten, Schadenakten, Gesundheitsdaten und Leistungsentscheidungen formuliert.

Welche KI-Potenziale wurden für die Versicherung sichtbar?

Sichtbar wurden KI-Potenziale bei allgemeinen FAQ, Ratgebertexten, Gesprächsvorbereitung, internen Checklisten, Schadenablauf-Erklärungen und Wissensstrukturierung.

Die stärksten Potenziale lagen bei wiederkehrenden, textlastigen und fachlich prüfbaren Aufgaben.

KI sollte keine Beratung ersetzen. Sie sollte helfen, allgemeine Informationen verständlicher zu formulieren, interne Inhalte zu ordnen und vorbereitende Kommunikation effizienter zu gestalten.

Was bedeutet GEO für eine Versicherung?

GEO bedeutet für eine Versicherung, erklärungsbedürftige Inhalte so zu strukturieren, dass KI-Antwortsysteme Themen, Grenzen, Beispiele und Vertrauenssignale besser einordnen können.

GEO ist besonders relevant, weil Versicherungsfragen oft komplex, beratungsnah und erklärungsbedürftig sind.

Die Versicherung entwickelte dafür 24 priorisierte Versicherungsfragen. Diese wurden zu möglichen Antwortseiten, FAQ, Ratgeberstrukturen und internen Verlinkungen weitergedacht.

Welche Bereiche nahmen an der Inhouse-Schulung teil?

An der Inhouse-Schulung nahmen 12 Personen aus Kundenservice, Vertrieb, Schadenkommunikation, Marketing, Produktkommunikation, Organisation, Datenschutzschnittstelle und Führung teil.

Diese Mischung war wichtig, weil KI- und GEO-Fragen mehrere Bereiche einer Versicherung betreffen.

Kundenservice brachte wiederkehrende Fragen ein, Vertrieb typische Einwände, Schadenkommunikation Prozessgrenzen, Marketing die Content-Perspektive und Datenschutz die Datenrisiken.

Welche Daten durften nicht in KI-Systeme eingegeben werden?

Nicht eingegeben werden durften Kundendaten, Vertragsnummern, Schadenakten, Gesundheitsdaten, Risikoprüfungen, Leistungsentscheidungen, interne Bewertungen und personenbezogene Beratungsvorgänge.

Diese Nicht-Nutzungsregel war zentral für Datenschutz, Vertrauen und regulatorische Sensibilität.

Im Workshop wurden nur anonymisierte, allgemeine und freigegebene Beispiele genutzt. Konkrete Fälle blieben ausgeschlossen.

Wie half KI in der Kundenkommunikation?

KI half in der Kundenkommunikation durch verständlichere FAQ, Ratgeberentwürfe, Begriffserklärungen, Servicehinweise und nicht personenbezogene Antwortmuster.

Die KI durfte allgemeine Informationen vorbereiten, aber keine individuelle Beratung oder Leistungszusage formulieren.

Die Versicherung entwickelte ein Muster aus direkter Antwort, allgemeinem Kontext, wichtiger Einschränkung und Hinweis auf individuelle Prüfung.

Wie half KI im Vertrieb?

KI half im Vertrieb durch Gesprächsvorbereitung, Strukturierung typischer Kundenfragen, Einwandcluster und allgemeine Produktvergleichslogik.

Die Beratung, Geeignetheitsprüfung und verbindliche Produktempfehlung blieben beim zuständigen Team.

Die KI wurde als Vorbereitungshilfe verstanden, nicht als automatisierter Beratungsprozess.

Wie half KI in der Schadenkommunikation?

KI half in der Schadenkommunikation durch allgemeine Ablauftexte, Rückfrage-Checklisten und verständlichere Hinweise zu typischen Prozessschritten.

Konkrete Schadenfälle, Fotos, Gutachten, Gesundheitsdaten und Leistungsentscheidungen blieben ausgeschlossen.

Die Versicherung nutzte KI nur für allgemeine Prozesskommunikation, nicht für Einzelfallbewertung.

Wie wurden die 24 priorisierten Versicherungsfragen entwickelt?

Die 24 priorisierten Versicherungsfragen entstanden aus acht Themenfeldern rund um Schadenablauf, Vertragsverständnis, Tarifwechsel, Gewerbekunden, private Absicherung, Unterlagen, Missverständnisse und digitale Services.

Priorisiert wurde nicht nur nach Häufigkeit, sondern nach Erklärungsbedarf, Beratungsnähe und Risiko falscher Erwartungen.

Dadurch entstand keine gewöhnliche Content-Liste, sondern eine Roadmap für allgemeine, begrenzte und fachlich prüfbare Versicherungsinformationen. Besonders wichtig waren Fragen, bei denen Kundinnen und Kunden häufig Orientierung brauchen, aber keine individuelle Leistungszusage oder Beratung durch KI entstehen darf.

Wie wurde KI-Sichtbarkeit bewertet?

KI-Sichtbarkeit wurde mit dem GEO-Sichtbarkeitsmodell aus dem KI-Cluster bewertet und für Versicherungsthemen branchenspezifisch angepasst.

Bei Versicherungen zählt nicht nur, ob eine Marke genannt wird, sondern ob allgemeine Informationen korrekt, begrenzt und vertrauenswürdig eingeordnet werden.

Das Modell wurde bereits in der Aachener Software-Case-Study beschrieben. Für die Versicherung in Gera wurde es stärker auf Vertrauen, Beratungsgrenzen, Schadenkommunikation und allgemeine Versicherungsaufklärung bezogen.

Was war das wichtigste Ergebnis der Schulung?

Das wichtigste Ergebnis war eine Potenziallandkarte mit KI- und GEO-Ampel, 24 priorisierten Versicherungsfragen und ersten Mustern für FAQ, Ratgeber und interne Checklisten.

Die Versicherung gewann Orientierung, bevor einzelne KI-Anwendungen unkontrolliert in den Alltag wanderten.

Damit konnten Chancen und Grenzen gemeinsam betrachtet werden.

Wie schnell wurden erste Ergebnisse sichtbar?

Erste Ergebnisse wurden innerhalb von sechs Wochen sichtbar, weil FAQ-Muster, Ratgeberstrukturen, interne Checklisten und KI-Regeln direkt weiterbearbeitet wurden.

Der Erfolg lag nicht in Automatisierung, sondern in neuer Entscheidungssicherheit.

Die Versicherung konnte anschließend gezielter entscheiden, welche Pilotprozesse geeignet sind und welche Bereiche ausgeschlossen bleiben.

Für welche Versicherungen ist dieser Ansatz geeignet?

Der Ansatz eignet sich für Versicherungen, Maklerorganisationen und versicherungsnahe Dienstleister, die KI und GEO zunächst sicher einordnen möchten.

Besonders sinnvoll ist er für Organisationen mit vielen wiederkehrenden Kundenfragen und sensiblen Datenprozessen.

Der sichere Einstieg beginnt bei allgemeiner Kommunikation, interner Wissensstruktur und klaren Nicht-Nutzungsregeln.

Was unterscheidet diese Case Study von einer allgemeinen KI-Schulung?

Der Unterschied liegt im starken Bezug zu Versicherungsdaten, Schadenkommunikation, Vertriebsunterstützung, Beratungsgrenzen, Kundenvertrauen und GEO-Sichtbarkeit.

Die Schulung arbeitete nicht mit beliebigen KI-Beispielen, sondern mit typischen Potenzial- und Risikofeldern einer Versicherung in Gera.

Dadurch entstand eine branchenspezifische Potenziallandkarte statt allgemeiner Tool-Euphorie.

Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist

Diese Case Study ist exemplarisch für die Arbeit der Bildungsakademie am Rosental, weil sie KI und GEO nicht als isolierte Tool-Themen behandelt, sondern als Organisationsfrage: Wo entsteht Entlastung? Wo wird Kommunikation verständlicher? Wo kann digitale Sichtbarkeit wachsen? Und wo bleiben Beratung, Datenschutz und Entscheidungen geschützt?

Die Bildungsakademie verbindet in solchen Projekten AI Literacy, GEO-Strategie, branchenspezifische Aufgaben, Datenschutzgrenzen, Prompt-Regeln, E-E-A-T-Signale und Transfer in bestehende Arbeitsprozesse. Gerade in der Versicherungsbranche ist diese Verbindung entscheidend, weil Sichtbarkeit, Vertrauen und Verantwortung eng zusammengehören.

Zusammenfassung: Die Versicherung erkannte KI- und GEO-Potenzial ohne sensible Entscheidungen zu automatisieren

Die Case Study zeigt, dass eine Versicherung in Gera nach einer Inhouse-Schulung das Potenzial von KI und GEO für Kommunikation, Wissensarbeit, Vertrieb und digitale Sichtbarkeit klarer einordnen konnte.

Der Erfolg entstand durch Struktur. Aus vielen Einzelideen wurde eine Potenziallandkarte. Aus acht Themenfeldern wurden 24 priorisierte Versicherungsfragen. Aus allgemeinem KI-Interesse wurde eine Ampel für geeignete, prüfpflichtige und ausgeschlossene Aufgaben. Aus SEO-orientierten Ratgebern wurden erste GEO-fähige Antwortseiten gedacht.

Für andere Versicherungen ist der Ansatz wertvoll, weil er Chancen sichtbar macht, ohne Risiken zu unterschätzen. Eine praxisnahe KI-Inhouse-Schulung kann helfen, KI und GEO kontrolliert, verständlich und verantwortungsvoll in Kommunikation, Wissensarbeit und Sichtbarkeit zu integrieren.

English Summary

How an insurance company in Gera discovered the potential of AI and GEO after an in-house training

This anonymized case study describes how an insurance company in Gera used an in-house training to identify the potential of AI and Generative Engine Optimization.

The project focused on customer communication, sales support, claims communication, knowledge management, content visibility and internal process support while excluding customer data, policy numbers, claims files, health data, risk assessments, benefit decisions and individual insurance advice.

The company did not automate consulting, underwriting or claims decisions. It developed a potential map, a traffic-light model for AI and GEO tasks, 24 prioritized insurance questions, first FAQ and guide structures and a realistic model for measuring AI visibility. Six weeks later, the organization had a clearer understanding of where AI can support insurance work and where strict boundaries remain necessary.

BILDUNGSAKADEMIE AM ROSENTAL

Case Study: Wie unsere Inhouse-Schulung einer Versicherung in Gera das Potenzial von KI & GEO aufzeigte