Fine-Tuning eines Open-Source-LLMs mit Insurance-Daten
Vorgehen, Mehrwerte & Learnings
Münster, 20.03.2026 (PresseBox) - Wie gelingt es, LLMs für Versicherer im Schadenmanagement wirklich fachlich nutzbar zu machen? Dies zeigt der kürzlich im Bitkom-Report veröffentlichte Use Case unter der Leitung von Dr. Lukas Becker (Head of Data Science, Eucon Digital), bei dem ein Open‑Source‑LLM gezielt mit anonymisierten, unternehmensspezifischen Versicherungsdaten angereichert wurde. Das Ergebnis: Ein fein-getuntes LLM, das Versicherungslogik, Schadenmuster und interne Fachsprache konsistent abbildet und sich in der Expertenprüfung von Schäden produktionsnah erproben lässt. Mehr zum konkreten Vorgehen, zentrale Mehrwerte und Learnings erfahren Sie in diesem Beitrag.
Dieser Beitrag erschien zuerst im Bitkom-Report „Beyond the Pilot – KI in der Versicherungswirtschaft“.
Deutsche Versicherer setzen zunehmend auf LLMs zur Unterstützung von Fachbereichen – insbesondere in der Schadenexpertise. In der Praxis zeigt sich jedoch ein deutlicher Wissens-Gap zwischen Standard-LLMs und dem für Versicherungsprozesse erforderlichen Domänenwissen: Generische Modelle liefern häufig ungenaue oder unvollständige Antworten (z. B. bei Schadenbenchmarks, internen Begrifflichkeiten oder spezifischen Logiken) und sind damit für regulierte, entscheidungsrelevante Prozesse nur eingeschränkt nutzbar. Schadenexpertinnen und Experten benötigen jedoch verlässliche, kontextgenaue Informationen, um Fälle effizient zu prüfen, Entscheidungen zu begründen und manuelle Rückfragen zu reduzieren.
Vor diesem Hintergrund entwickelt Eucon Digital unter der Leitung von Dr. Lukas Becker (Head of Data Science) einen Ansatz, der ein Open‑Source‑LLM gezielt mit anonymisierten, unternehmensspezifischen Versicherungsdaten anreichert. Ziel war es, die fachliche Präzision deutlich zu erhöhen und ein Modell zu schaffen, das Versicherungslogiken, Schadenmuster und interne Fachsprache konsistent abbildet und damit als wiederverwendbarer Baustein für verschiedene Use Cases dient.
Dafür wurden zunächst relevante Trainingsdaten identifiziert, analysiert und bereinigt. Anschließend entstand eine Fine-Tuning-Pipeline, die Datenhandling, Trainingssetup und Evaluation umfasst. Das Modell wurde in mehreren Iterationen trainiert und optimiert; die Ergebnisse wurden kontinuierlich durch Fachexpertinnen und Experten geprüft und in Feedback-Schleifen verbessert. So entsteht ein LLM, das domänenspezifisches Wissen präzise anwendet und sich in der Expertenprüfung von Schäden bereits produktionsnah erproben lässt.
Die technische Umsetzung erfolgt auf Basis von Open-Source-LLMs unter ausschließlicher Verwendung anonymisierter unternehmensinterner Daten. Der Betrieb ist so konzipiert, dass Daten im Unternehmen verbleiben und das Modell – je nach Zielarchitektur – lokal in Deutschland betrieben werden kann. Die Integration erfolgt aktuell in der fachlichen Schadenprüfung, ist jedoch modular angelegt und kann auf weitere Fachprozesse (z. B. Underwriting, Service, Compliance) ausgedehnt werden.
Der Nutzen zeigt sich vor allem in der deutlich höheren Antwortqualität: Durch das Fine-Tuning werden Ergebnisse kontextgenauer und verlässlicher, was die Qualität fachlicher Bewertungen verbessert und manuelle Aufwände reduziert. Gleichzeitig ist die Lösung auf Skalierung ausgelegt: Datenaufbereitung und Pipeline ermöglichen.
Der Use Case unterstreicht zwei zentrale Learnings: Erstens sind Standard-LLMs ohne Domänenanreicherung für viele versicherungsspezifische Aufgaben nicht ausreichend. Zweitens sind Unternehmensdaten das entscheidende Asset, um LLMs in regulierten Kernprozessen zuverlässig nutzbar zu machen. Darüber hinaus stärkt der Ansatz die digitale Unabhängigkeit: Modell und Artefakte verbleiben im Unternehmen und machen die Lösung weniger abhängig von externen Plattformen.
„Damit digitale Dienstleister relevant bleiben, brauchen sie eigene fein getunte LLMs basierend auf Unternehmensdaten.“ – Dr. Lukas Becker, Head of Data Science, Eucon Digital GmbH
