Wenn Systeme weiterlaufen, obwohl nichts mehr läuft

Es ist ein sensibles Thema. Und es bleibt eines, egal wie sauber man es technisch beschreibt. Sterbefälle sind keine „normalen“ Datenpunkte. Dennoch müssen Systeme sie genau so behandeln.

Es sind oft die stillen Prozesse, die den größten Schaden anrichten.

Ein Versicherter stirbt.
Und im System passiert: nichts.

Beiträge werden weiter eingezogen, Services werden angestoßen, Briefe verschickt.

Das passiert nicht aus Fahrlässigkeit, sondern weil ein Ereignis, das außerhalb der Systeme stattfindet, im Inneren nicht ankommt.

Was auf den ersten Blick wie ein Randproblem wirkt, entpuppt sich bei genauerem Hinsehen als strukturelle Schwäche. Eine, die tief in den gewachsenen Strukturen vieler Versicherer verankert ist. Es handelt sich hierbei nicht einfach nur um einen einzelnen Prozessfehler. Kern des Problems ist grundsätzlicherer Natur: Wie gehen Organisationen mit Daten um, die eigentlich offensichtlich sein sollten?

Das Problem: Daten, die nicht fließen

Das Paradoxe daran ist, dass in vielen Versicherungen die relevanten Informationen schon längst existieren. Sie liegen in verschiedenen Sparten, Systemen oder externen Quellen vor. Und trotzdem entsteht eine Lücke.

Zwischen Lebens- und Krankenversicherung. Zwischen Ereignis und Verarbeitung. Zwischen Realität und System.

Der fehlende Sterbefall-Abgleich ist dafür ein prägnantes Beispiel. Ohne systematische Verbindung werden Todesfälle oft verspätet erkannt, manchmal erst nach Monaten.

Die Folgen sind konkret:

• weiterlaufende Beiträge, deren Rückabwicklung geregelt werden muss
• unnötige Services
• aufwendige manuelle Korrekturen
• bei Hinterbliebenen kann ein schlechter Eindruck entstehen

Was hier sichtbar wird, ist kein Einzelfall, sondern ein Muster: Daten sind vorhanden, aber sie bewegen sich nicht dorthin, wo sie gebraucht werden.

Warum viele Datenstrategien hier scheitern

Die Gründe dafür sind selten technischer Natur, sondern liegen tiefer in der Struktur der Organisation.

1. Spartentrennung statt Datenfluss
Versicherungen sind historisch entlang von Produkten organisiert. Leben, Kranken, Komposit – jede Sparte folgt ihrer eigenen Logik. Daten enden oft genau dort, wo sie beginnen.

2. Missverstandene Data Governance
Datenschutz wird häufig als Blockade interpretiert und macht aus dem Informationsfluss einen Staudamm. „Das dürfen wir nicht teilen“ ersetzt eine differenzierte Auseinandersetzung mit dem, was tatsächlich erlaubt (und sinnvoll) wäre. Es ist gar kein maximaler Datenaustausch erforderlich, sondern ein minimaler, zielgerichteter Informationsfluss.

3. Fehlende Event-Logik in der Datenplattform
Viele Datenplattformen sind auf Speicherung ausgelegt, nicht auf Ereignisse. Sie dokumentieren Zustände, reagieren aber nicht auf Veränderungen.

Ein Sterbefall ist kein Datensatz. Er ist ein Ereignis. Und genau dafür fehlen oft die Strukturen.

4. Datenqualität ohne Kontext
Selbst wenn Daten vorhanden sind, fehlt häufig immer noch die Verknüpfung. Ohne eindeutige Identifikatoren, ohne Matching-Logik, ohne klare Qualitätskennzahlen bleibt unklar, welche Information verlässlich ist. Bedeutet: Unsicherheit und damit oft Stillstand.

Wie datengetriebene Versicherer anders denken

Organisationen, die Daten wirklich nutzen, folgen einer anderen Logik beginnend bei der Wirkung. Ein zentrales Prinzip dabei ist die Event-basierte Datenarchitektur.

Statt Daten nur zu sammeln, werden relevante Ereignisse früh erkannt, strukturiert verarbeitet und gezielt verteilt.
Ein Sterbefall wird so zu einem standardisierten Event mit klar definierten Attributen – reduziert auf das Notwendige, aber sofort nutzbar.

Was trivial klingt, verändert die Organisation fundamental:

• Prozesse reagieren automatisch statt manuell
• Daten werden dort verfügbar, wo Entscheidungen getroffen werden
• Auditierbarkeit entsteht nicht nachträglich, sondern systemisch

Der Effekt ist messbar.
In einer Vorstudie, die wir für einen Kunden gemacht haben, zeigte sich: Eine systematische Früherkennung kann manuelle Aufwände um bis zu 80 Prozent reduzieren und Sterbefälle mehrere Monate früher sichtbar machen.

Doch der eigentliche Gewinn liegt woanders und zwar in der Qualität der Interaktion. Denn im Moment des Todes entscheidet sich nicht nur ein Prozess, sondern eine Beziehung.

Zwischen Empathie und Effizienz: Der unterschätzte Faktor

Versicherungen sprechen viel über Kundenzentrierung. Selten zeigt sich, wie ernst es ihnen damit ist. Der Umgang mit Hinterbliebenen ist einer der sensibelsten Kontaktpunkte überhaupt. Und gleichzeitig einer der am stärksten datengetriebenen.

Wenn Systeme weiterlaufen, obwohl sie längst stoppen müssten, entsteht ein emotionaler Bruch. Vertrauen geht meistens gar nicht durch einen großen Fehler verloren, sondern eher durch viele kleine, die vermeidbar gewesen wären. Datenstrategie wird hier zur Frage von Haltung.

Die Rolle von Datenpartnern und strategischer Beratung

Die wenigsten Organisationen lösen solche Themen allein. Nicht, weil ihnen Technologie fehlt, sondern weil es an einem verbindenden Blick fehlt zwischen Fachlichkeit und IT, Governance und Umsetzung sowie zwischen regulatorischem Rahmen und operativer Realität.

Hier entsteht der Raum für spezialisierte Partner. Wir von mexxon arbeiten in solchen Kontexten an der Schnittstelle dieser Ebenen: mit Datenarchitekturen, die Ereignisse abbilden können, mit klarer Data Governance und mit Plattformansätzen, die über einzelne Use Cases hinaus skalieren.

Ein Beispiel dafür ist die Entwicklung eventbasierter Datenpipelines oder die Integration solcher Logiken in bestehende Datenplattformen wie mexxon kidaton.

Ein größerer Zusammenhang: Daten, die handeln

Der Sterbefall ist nur ein Beispiel. Aber ein besonders eindrückliches, weil er zeigt, was passiert, wenn Daten zu spät kommen. Doch die gleiche Logik gilt für viele andere Bereiche:

• Gebäuderisiken, die erst nach dem Schaden sichtbar werden
• Kundenverhalten, das erst nach Kündigung analysiert wird
• regulatorische Anforderungen, die erst bei der Prüfung greifen

In all diesen Fällen fehlt nicht die Information, sondern der Moment, in dem sie wirksam wird.

Datenstrategie bedeutet deshalb nicht, mehr Daten zu sammeln, sondern sie in Bewegung und Beziehung zueinander zu bringen.

Wenn Automatisierung schneller kommt als das Testkonzept

Manchmal sind die Erwartungen an #KI im Testing größer als das Testkonzept selbst.

Gerade wenn Zeitdruck dazukommt und neue Tools schnelle Lösungen versprechen, entsteht schnell der Eindruck, dass Automatisierung Probleme lösen kann, die im Testprozess selbst noch gar nicht geklärt sind.

In einem Projekt habe ich genau das erlebt.

Aufgrund meines naturwissenschaftlichen Hintergrunds betrachte ich sehr schnelle Veränderungen in der Arbeitswelt – etwa die Integration von künstlicher Intelligenz in Testkonzepte – zunächst eher kritisch.

Der Begriff „künstliche Intelligenz“ suggeriert ein umfassendes Verständnis komplexer Systeme, obwohl die Modelle letztendlich auf kollektiven Mustern aus bereits vorhandenen Daten basieren, ohne dabei die Qualität der Daten zu unterscheiden.

Wo KI im Testing heute tatsächlich hilft

In meiner täglichen Arbeit als System- und Abnahmetesterin nutze ich selbstverständlich Tools mit KI-Funktionen oder entsprechende Erweiterungen. Gerade bei praktischen Aufgaben können sie sehr hilfreich sein, etwa wenn es darum geht, Tippfehler zu erkennen, Tickets sauber zu strukturieren oder fehlende Informationen in Testfällen sichtbar zu machen.

Auch Testing-Tools wie #JIRA und #XRAY haben sich in den letzten Jahren deutlich weiterentwickelt, insbesondere wenn es darum geht, eine nachvollziehbare Teststruktur aufzubauen und den gesamten Workflow von Anforderungen über Entwicklung und #Testing bis hin zur Produktion transparent abzubilden. Ein solcher Überblick hilft enorm, Zusammenhänge zu erkennen und Probleme schneller zu identifizieren.

Dennoch nehmen diese Tools den Testern nicht die Hauptverantwortung für die Erstellung verarbeitbarer Testfälle ab. Je nach Sicherheits- und Datenschutzanforderungen des Systems und der Tests spart die Erstellung von Tests mithilfe von KI-Tools wie #Claude den Testern jedoch viel Zeit.

Wenn KI im Testing falsch eingesetzt wird

Gleichzeitig habe ich in einem Projekt erlebt, wie schnell die Erwartungen an KI größer werden als das, was in der Praxis sinnvoll ist. Unter erheblichem Zeitdruck wurde beschlossen, für Tests, die noch nicht einmal als stabile Regressionstests definiert waren, eine Testautomatisierung umzusetzen.

Das Team versuchte dennoch, Prozesse mithilfe von KI-Modellen vorherzusagen und zu automatisieren.

Die Automatisierung wurde geliefert.

Drei Monate später wurde sie wieder abgeschaltet, weil die Ergebnisse zu unzuverlässig waren und wir letztlich zu manuellen Tests zurückkehren mussten.

Warum Testautomatisierung oft nicht an KI scheitert

Solche Erfahrungen zeigen für mich vor allem eines: KI kann im Testing sehr viel unterstützen, insbesondere bei Struktur, Dokumentation und Analyse. Es zeigt sich ein wiederkehrendes Muster: nicht die Technologie ist das Problem, sondern die fehlende Grundlage.

Testautomatisierung – mit oder ohne KI – funktioniert nur dann stabil, wenn:

• Testfälle klar definiert sind
• Prozesse konsistent ablaufen
• Datenstrukturen belastbar sind

Fehlt diese Basis, verstärkt Automatisierung bestehende Schwächen, anstatt sie zu lösen.

KI im Testing braucht Struktur, nicht Erwartungen

Wirklich belastbare Ergebnisse entstehen aber erst dann, wenn diese Werkzeuge auf klar definierten Prozessen und der Erfahrung von Menschen aufbauen, die Systeme und Abläufe wirklich verstehen. Nur dann können wir der KI für eine funktionierende Testausführung vertrauen.