asseko.ai
Für haftungsrelevante Tarif-Bewertung reicht ein KI-Modell nicht. Bei asseko prüfen fünf.
asseko.ai ist die KI-gestützte Analyse-Plattform für Private Krankenversicherung. Sie liest Vertragsbedingungen, bewertet hunderte Leistungskriterien per Multi-LLM-Consensus-Engine und unterstützt Makler von der ersten AVB-Analyse bis zum IDD-konformen Beratungsprotokoll — mit nachvollziehbaren Scores, Originalzitaten und einem KI-Advisor im Beratungsgespräch.
im Konsens
pro Tarif
im Katalog
(von ~5 % gesenkt)
Versicherungsdetails entscheiden. Aber wer liest schon 200 Seiten AVB?
Private Krankenversicherung lebt von den Details: ambulant, stationär, Zahn, Psychotherapie, Ausland — Dutzende Leistungsbereiche, hunderte Kriterien. Wer nur Prämie und Markenname vergleicht, übersieht Lücken und überschätzt Tarife. Gleichzeitig wächst der Dokumentationsdruck: Beratungen sollen IDD-konform nachvollziehbar sein.
Manuelles AVB-Lesen und Excel-Vergleiche skalieren nicht. Sie kosten Zeit pro Fall, erzeugen inkonsistente Bewertungen zwischen Beratern und bergen Haftungsrisiko, wenn Leistungsdetails in der Beratung nicht sauber belegt sind. Und ein einzelnes KI-Modell? Branchenstudien sehen Fehlerquoten um die 5 %. Für eine Marketing-Mail ist das vertretbar. Für eine Tarifaussage, die in ein IDD-Protokoll wandert, nicht.
Single-LLM beerdigt. Multi-Model Consensus Engine gebaut.
Statt einem unsicheren Modell die gesamte Beratung anzuvertrauen, prüfen bei asseko mehrere unabhängige Modelle jeden Tarif parallel — und ein Guardrail-Modell entscheidet, ob die Begründungen wirklich übereinstimmen. Das ist das digitale Vier-Augen-Prinzip für 2026, plus eine Eskalations-Instanz bei Konflikten.
Hierarchischer Kriterienkatalog
Rund 375 Kriterien in 14 Leistungsbereichen, gruppiert in Bereich → Gruppe → Kriterium. Bewertungen werden in PostgreSQL versioniert und bleiben rückführbar an die Originaltextstellen in den AVB-PDFs.
Multi-LLM-Consensus-Engine
Zwei technologisch verschiedene Checker-Modelle bewerten jeden Tarif parallel. Ein Guardrail prüft, ob die Begründungen semantisch übereinstimmen — nicht nur die Scores. Nur bei echtem Konflikt entscheidet ein dritter Richter. Teure Modelle laufen nur, wenn sie gebraucht werden.
Makler-Workbench
Tarif-Verwaltung, paralleler Vergleich mit Score-Visualisierung, Filterprofile, Kundenakte, Tarifwechsel-Flow nach §204 VVG, PDF- und CSV-Export. Der Fokus lag auf dem täglichen Arbeitsfluss — nicht nur auf der Admin-Evaluierung.
AI Advisor mit Tool Use
Eigenes Beratungs-LLM mit Datenbank-Tools (Tarifsuche, Kriterien-Scores, Vertragstext-Snippets, Vergleich). Makler stellen Fachfragen in natürlicher Sprache; Antworten basieren auf den evaluierten Daten und liefern die Textstelle gleich mit.
Produktionsreife & Auth
SSR-App auf fly.io Frankfurt, Managed Postgres, Tigris Object Storage für AVB-PDFs. Anmeldung mit Sessions, Passkeys und 2FA. Rollenbasierte Zugriffsrechte trennen Admin-Bereich (Tarife evaluieren) von Makler-Bereich (Vergleichen, Beraten).
Fünf Modelle. Eine Bewertung.
Vier KI-Modelle in der Evaluierungs-Pipeline, eines im Beratungs-Chat. Welches Modell welche Rolle übernimmt, wird laufend überprüft — wenn ein besseres kommt, wird getauscht.
Vom Tarif-Stapel zur belegbaren Beratung.
Fünf Bereiche, die zeigen, wie aus 73 Tarifen und ~375 Kriterien eine belastbare Entscheidungsgrundlage entsteht — bis hinunter zum Originalzitat.
73 Tarife auf einen Blick — mit KI-Score.
Die Übersicht zeigt alle Tarife mit Versicherer-Logo, Beitrag und Gesamtscore aus der Multi-LLM-Evaluierung. Farbcodierte Scores machen die Spitzenreiter sofort sichtbar. Filterprofile, Schnellauswahl und Kriterien-Filter erlauben das schnelle Eingrenzen für den jeweiligen Kunden-Case.
- Gesamtscore 0–5 mit Farbcodierung
- Beitrag, Alter, Versicherer als direkte Filter
- Schnellauswahl-Profile für wiederkehrende Beratungsfälle
Heatmap-Vergleich für die tiefe Analyse.
Wer mehr will als die Gesamtnote, schaltet auf die Tabellen-Ansicht: Jede Spalte ein Leistungsbereich, jede Zeile ein Tarif, jede Zelle farbcodiert. Stärken und Schwächen einzelner Tarife sind auf einen Blick erkennbar — und sortierbar nach jedem Bereich.
- Heatmap-Visualisierung aller Leistungsbereiche
- Sortierbar nach jedem Kriterium
- Direkter Sprung in die Detail-Begründung pro Zelle
„Zeig mir Tarife mit Gebühren-Erstattung ≥ 3.0."
Statt nur nach Gesamtnote zu filtern, lassen sich beliebige Einzelkriterien als Mindestwert oder Bereich setzen. Aus 73 Tarifen werden 7 — genau die, die dem Kunden-Profil entsprechen. Direkt auf Score-Ebene, nicht auf Prämienebene.
- Kriterien-Filter mit Slider für jeden Wert
- Mehrere Filter kombinieren und als Profil speichern
- Live-Aggregation: „7 von 7" verfügbar
Score und Originalzitat — die Pointe.
Hier sieht der Makler, woran die KI ihre Bewertung festgemacht hat: Pro Kriterium ein Score, eine kurze Begründung und das Originalzitat aus der AVB. Damit wird aus „die KI sagt 2.50" eine belegbare Aussage, die in jedes IDD-Protokoll wandern darf.
- Originalzitat pro Kriterium aus dem AVB-PDF
- Parallel-Ansicht mehrerer Tarife nebeneinander
- „Nur Unterschiede"-Modus filtert Identisches aus
Beratungs-Chat, der die Daten kennt.
„Welche Tarife möchtest du vergleichen?" — der Advisor antwortet nicht aus dem Allgemeinwissen, sondern aus der evaluierten Datenbank. Mit Tool Use sucht er Tarife, ruft Kriterien-Scores ab, zieht Vertragstext-Snippets heran. Antworten kommen mit Beleg, nicht als bloße Behauptung.
- Eigenes LLM für den Chat (kein Shared-Model mit Evaluierung)
- Tool Use: Tarifsuche, Score-Abfrage, Textstellen
- Export als Beratungs-JSON für das IDD-Protokoll
Ein Produktionssystem, kein KI-Spielzeug.
asseko.ai läuft live unter asseko.ai und deckt den kompletten Prozess ab: AVB hochladen → KI-Bewertung im Konsens → Vergleich → Beratung im AI Advisor → IDD-konformes Protokoll. Seit Projektstart wurden u. a. Tarifwechsel-Assistent (§204 VVG), Lückenanalyse, Kundendokumente und eine vollständige PostgreSQL-Migration ausgerollt.
Manuell oder Single-Model
- AVB-PDFs Seite für Seite lesen
- Excel-Vergleiche, inkonsistent zwischen Beratern
- Single-LLM mit ~5 % Fehlerquote
- Keine nachvollziehbaren Belege im Beratungsfall
- Haftungsrisiko in der IDD-Dokumentation
Multi-LLM-Konsens mit Beleg
- ~375 Kriterien pro Tarif automatisch bewertet
- Vier-Augen-Prinzip plus Eskalations-Richter
- Fehlerquote unter 0,1 % laut Eigenmessung
- Jeder Score mit Originalzitat aus der AVB
- IDD-Protokolle aus dem Chat exportierbar
im Konsens
pro Tarif
im Katalog
je Kriterium
Die Plattform ist live, der Funktionsumfang wächst weiter — Tarifwechsel-Flow, Lückenanalyse und Kundendokumente sind bereits ausgerollt. Die Partnerschaft läuft weiter, die Modellauswahl in der Consensus-Engine wird regelmäßig überprüft und bei besseren Modellen ausgetauscht.
Sind Ihre KI-Antworten gut genug für die Haftung?
Buchen Sie den kostenlosen Potenzial-Check. 30 Minuten, in denen wir ehrlich einordnen, ob Ihre Prozesse mit einem KI-Modell auskommen — oder ob es Zeit für einen Konsens-Ansatz ist.