Effizienzhebel KI – Early Use Case W&I-Versicherung

Warranty-&-Indemnity-Versicherungen haben sich als fester Bestandteil nationaler und grenzüberschreitender M&A-Transaktionen etabliert. Die Risikoprüfung des Versicherers unterscheidet sich dabei grundlegend von klassischen Versicherungssparten. Der Einsatz generativer künstlicher Intelligenz verändert nun die Ausgangslage. Von Dr. Marco Niehaus

Dieser Beitrag erscheint auch im Spezial M&A Insurance im Rahmen unseres 7. M&A Insurance Summer Forum!

Im Mittelpunkt einer W&I-Versicherung steht nicht die Bewertung eines zukünftigen Schadensereignisses, sondern die Frage, ob die Risiken des Zielunternehmens durch eine angemessene Due Diligence hinreichend identifiziert und bewertet wurden. Umfang und Qualität der Due Diligence bestimmen daher maßgeblich den Deckungsumfang, die Ausgestaltung von Ausschlüssen sowie die Prämienkalkulation.

Mit dem Einsatz generativer KI verändert sich diese Ausgangslage. Die Bedeutung von Large Language Models (LLMs) liegt nicht allein in einer Beschleunigung der Dokumentenanalyse. Wesentlich tiefer greift die Veränderung der Methodik, mit der Informationen im Rahmen einer Due Diligence erhoben, strukturiert und bewertet werden. Damit rückt erstmals auch der technische Erkenntnisprozess in den Fokus des W&I-Underwritings.

LLM Modelling und Auswirkungen auf die M&A-Praxis

LLMs basieren auf Transformerarchitekturen und analysieren Texte nicht anhand juristischer Regeln, sondern durch statistische Wahrscheinlichkeitsmodelle. Dokumente werden zunächst in Tokens zerlegt und in numerische Vektorrepräsentationen überführt. Mittels Self-Attention werden Beziehungen zwischen Textbestandteilen ermittelt, wodurch das Modell semantische Zusammenhänge erkennen kann. Die Antwort eines LLM ist somit keine juristische Subsumtion, sondern das Ergebnis eines probabilistischen Inferenzprozesses. Für die juristische Praxis bedeutet dies, dass Sprachmodelle keine Rechtsberatung ersetzen, wohl aber komplexe Informationsräume strukturieren und Hypothesen für die weitere rechtliche Bewertung generieren können.

Gerade in M&A-Transaktionen eröffnet dies erhebliche Potenziale. Virtuelle Datenräume umfassen häufig mehrere Zehntausend Dokumente unterschiedlichster Art. Neben Gesellschaftsunterlagen, Verträgen und Finanzinformationen enthalten sie regulatorische Dokumentationen, Compliance-Unterlagen, IP-Dokumente, Datenschutzkonzepte und umfangreiche Korrespondenz. Eine ausschließlich manuelle Analyse stößt angesichts enger Transaktionszeiträume zunehmend an praktische Grenzen. LLMs ermöglichen demgegenüber eine parallele Auswertung großer Dokumentenbestände, die Identifikation semantischer Zusammenhänge sowie die Extraktion spezifischer Vertragsklauseln oder regulatorischer Risiken.

Welche KI-Tools passen, welche nicht?

Für professionelle Anwendungen genügt jedoch die Nutzung eines allgemeinen Sprachmodells nicht. Die technische Qualität der Analyse hängt maßgeblich von der gesamten KI-Pipeline ab. Diese beginnt bei der Digitalisierung und Strukturierung der Dokumente, setzt sich über OCR, Dokumentenklassifikation, Chunking und Embedding-Prozesse fort und umfasst schließlich Retrieval, Reranking, Inferenz sowie die fachliche Validierung der Ergebnisse. Fehler in einer dieser Verarbeitungsstufen können die Qualität der gesamten Analyse beeinträchtigen. Für eine belastbare Due Diligence ist deshalb nicht allein das verwendete Sprachmodell entscheidend, sondern die Qualität des gesamten technischen Analyseprozesses.

Besondere Bedeutung kommt dabei Retrieval-Augmented Generation (RAG) zu. Anders als frei verfügbare Chatbots greifen RAG-Systeme auf den konkreten Dokumentenbestand eines virtuellen Datenraums zu und generieren Antworten ausschließlich auf Grundlage der tatsächlich verfügbaren Informationen. Dadurch verbessert sich die Nachvollziehbarkeit der Analyse erheblich. Gleichzeitig lassen sich Halluzinationen reduzieren und Aussagen auf konkrete Dokumente zurückführen. Für das W&I-Underwriting stellt dies einen wesentlichen Qualitätsgewinn dar, weil die Risikoanalyse unmittelbar auf den geprüften Unterlagen basiert.

Ebenso entscheidend ist die Strukturierung der Analyse durch geeignete Arbeitsanweisungen an das Modell. Professionelle Anwendungen beruhen nicht auf einzelnen Eingaben, sondern auf mehrstufigen Analyseprozessen, die den Untersuchungsgegenstand, die einzubeziehenden Dokumente, die Materialitätsschwellen sowie die gewünschte Ergebnisstruktur definieren. Erst dadurch entsteht ein reproduzierbarer Prüfungsprozess, der unterschiedlichen Fachbereichen – etwa Corporate, Tax, Employment, IP oder Compliance – gerecht wird und eine konsistente Auswertung ermöglicht.

Early Use W&I

Diese Entwicklung bleibt für das W&I-Underwriting nicht folgenlos. Der Versicherer beurteilt bislang in erster Linie, welche Bereiche Gegenstand der Due Diligence waren und ob identifizierte Risiken angemessen berücksichtigt wurden. Mit dem Einsatz KI-gestützter Analysesysteme erweitert sich diese Betrachtung. Zunehmend gewinnt die Frage an Bedeutung, ob der eingesetzte Analyseprozess geeignet war, die relevanten Risiken zuverlässig zu identifizieren. Maßgeblich sind dabei insbesondere die Vollständigkeit der Dokumentengrundlage, die Qualität des Retrievals, die Nachvollziehbarkeit der Analyse sowie die fachliche Validierung der Ergebnisse.

Hieraus folgt kein Paradigmenwechsel des Versicherungsgegenstands, wohl aber eine Weiterentwicklung des Underwritings. Die Beurteilung der Due Diligence beschränkt sich künftig nicht mehr ausschließlich auf deren Ergebnisse, sondern bezieht zudem verstärkt die Qualität des zugrunde liegenden technischen Analyseprozesses ein. Eine nachvollziehbare und kontrollierte KI-gestützte Due Diligence kann die Transparenz erhöhen, Informationslücken früher erkennen und die Risikobewertung verbessern. Umgekehrt können unzureichend dokumentierte oder technisch fehlerhafte Analyseprozesse zusätzliche Unsicherheiten begründen und weitergehende Rückfragen oder Deckungseinschränkungen erforderlich machen.

Für Transaktionsparteien bedeutet dies, dass technische Kompetenz zunehmend Teil professioneller Transaktionspraxis wird. Die Qualität einer KI-gestützten Due Diligence bestimmt sich nicht nach der Leistungsfähigkeit eines einzelnen Sprachmodells, sondern nach der Integrität der gesamten Analysearchitektur. Gerade im W&I-Underwriting wird deshalb künftig weniger die Frage im Vordergrund stehen, ob künstliche Intelligenz eingesetzt wurde, sondern ob ihr Einsatz einen belastbaren, nachvollziehbaren und fachlich kontrollierten Erkenntnisprozess gewährleistet hat. Darin liegt die eigentliche Bedeutung generativer KI für den Markt der Transaktionsversicherungen. Eine umfassende Beachtung wäre wünschenswert.

Fazit

KI-Lösungen sind für das W&I-Underwriting unverzichtbar geworden. Dies ergibt sich bereits aus dem Mixed-Use-Vorgehen der Berater bei der Erstellung der Due-Diligence-Materialien, also dem traditionellen Review eines Beraters, der sich bei der Erstellung eines Reports KI-Tools zunutze macht. Das wirkt sich nicht immer positiv auf die Qualität und Stringenz der Reports aus, liegt aber meist vor allem an der Nutzung eines (noch) nicht perfekt passenden KI-Tools oder an dem noch in der Entwicklung oder Erprobungsphase befindlichen Freigabeverfahren hinsichtlich der Ergebnisse. Dies wird sich in den kommenden Monaten massiv verbessern, und Retrieval-Augmented Generation wird hierbei eine herausragende Rolle spielen.