Praxistest: Wie gut empfiehlt ChatGPT eine Hausratversicherung und wo stößt die KI bei der Bedarfsermittlung an Grenzen?

Generative KI verändert, wie Verbraucher Informationen zu Versicherungsprodukten einholen. Doch was geschieht, wenn ein System wie ChatGPT über allgemeine Hinweise hinaus tarifbezogene Produktempfehlungen ausspricht? Wir haben den Selbstversuch durchgeführt und die Ergebnisse anschließend mithilfe unserer Vergleichstools im Detail geprüft. Dieser Beitrag zeigt, ob eine KI-gestützte Produktempfehlung bei begrenzter Bedarfserhebung einer fachlichen Tarifprüfung standhält.

Der Versuch: Versicherungsschutz für den Hausrat per KI finden

Mit dem einfachen Prompt „Ich brauche eine Hausratversicherung. Stell mir bis zu fünf Fragen nacheinander, um herauszufinden, wie mein Bedarf ist, und empfehle mir im Anschluss bis zu drei Produkte“ haben wir ChatGPT in die Rolle eines digitalen Versicherungsberaters versetzt. Die Antwort fiel methodisch überraschend geordnet aus.

Daraufhin stellte das System diese fünf Fragen:

• Wie groß ist deine Wohnfläche?

• Wie wertvoll ist dein Hausrat? (Standard, gehoben, hochwertig)

• Hast du besondere Risiken oder Bedürfnisse? (Fahrrad, Homeoffice-Technik, Erdgeschosslage und Ähnliches)

• Welches Verhältnis von Preis und Leistung ist dir wichtig?

• Welchen Eigenanteil möchtest du im Schadenfall übernehmen?

Daraus ergab sich folgendes Profil: eine 90 Quadratmeter große Wohnung, ein gehobener Hausrat, ein Fahrrad im Wert von mehr als 1.000 Euro, umfangreiche Homeoffice-Technik, eine Erdgeschosslage mit erhöhtem Einbruchsrisiko, ein Fokus auf das Preis-Leistungs-Verhältnis und eine Selbstbeteiligung von 150–300 Euro.

Die Empfehlung: Drei Produkte im Vergleich

Auf Grundlage dieser Angaben empfahl ChatGPT drei Tarife:

Der Realitätscheck

Wir haben die Empfehlung anschließend mithilfe unserer Vergleichstools genauer geprüft, vor allem mit Blick auf die zugrunde liegenden Versicherungsbedingungen. Daraus ergibt sich ein differenziertes Bild:

Reihenfolge laut KI-Empfehlung: 1. Tarif A – 2. Tarif B – 3. Tarif C

Nach den in unseren Vergleichstools hinterlegten Rating- und Bewertungskriterien ergibt sich jedoch eine andere Einordnung der empfohlenen Tarife:

1. Tarif B – 2. Tarif C – 3. Tarif A

Bei den für dieses Profil relevanten Kriterien (Fahrraddiebstahl, grobe Fahrlässigkeit, Unterversicherungsverzicht) erzielt Tarif C bessere Werte als Tarif B. In der Detailanalyse schneidet Tarif A im Vergleich der drei Angebote am schwächsten ab.

Preis spiegelt Leistung nur bei schadenfreier Historie

Auch die Prämienberechnung verdeutlicht Unterschiede. Bei bisher schadenfreiem Versicherungsverlauf ergeben sich folgende Jahresbeiträge:

Die drei empfohlenen Tarife weisen alle mindestens einen soliden Versicherungsschutz auf. Nach unseren Bewertungsmaßstäben zeigt sich jedoch deutlich: Sowohl in der Gesamtwertung als auch bei einzelnen Vergleichskriterien können die Tarife B und C stärker punkten. Wenn wir beispielsweise auf die Leistungen bei Fahrraddiebstahl, grober Fahrlässigkeit und Unterversicherungsverzicht schauen, liegt mal Tarif B und mal Tarif C vorn. Die beiden Tarife sind damit insgesamt nahezu gleichauf. Die Reihenfolge im Ranking spiegelt somit eine knappe, aber messbare Gesamtüberlegenheit von Tarif B wider, nicht einen grundlegenden qualitativen Unterschied.

Bewertung: Was KI kann und wo Grenzen bestehen

Grundsätzlich passt die ChatGPT-Empfehlung zum ermittelten Bedarf. Fünf passende Fragen ergaben eine brauchbare Tendenz. Positiv fallen folgende Aspekte auf:

• Geordnete Bedarfsermittlung mit nachvollziehbarer Profilbildung

• Plausible Begründungen zu den vorgeschlagenen Produkten

• Treffende Auswahl relevanter Risikoparameter wie Fahrrad, Einbruch und grobe Fahrlässigkeit

Wo die KI an ihre Grenzen stößt:

• Die Bedarfsermittlung endet auf der vorgegebenen Ebene von fünf Fragen. Vertiefende Rückfragen fehlen.

• Die Preis-Leistungs-Bewertung blendet Vorschäden und individuelle Rabattmechanismen aus.

• Leistungsunterschiede auf Detailebene fehlen, zum Beispiel beim Unterversicherungsverzicht und bei exakten Fahrradklauseln.

• Die Empfehlungsreihenfolge weicht von der Einordnung nach etablierten Bewertungsmaßstäben ab.

• Fehlender Tarifzugang: Die meisten öffentlichen KI-Systeme haben keinen Zugriff auf aktuelle Tarife, Bedingungswerke, Annahmerichtlinien oder Tarifupdates. Empfehlungen basieren auf Trainingsdaten, nicht auf dem aktuellen Markt.

• Fehlende Produkttransparenz: Die KI kann allgemeine Empfehlungen aussprechen, verfügt aber nicht über die notwendige Produkt- und Markttransparenz für einen belastbaren Tarifvergleich.

• Fehlende Reproduzierbarkeit: Formulierungen und Empfehlungen können trotz identischer Ausgangsfrage variieren. Die Ergebnisse sind nicht immer vollständig reproduzierbar.

Fazit für die Praxis

KI kann heute als digitaler Erstberater eine erste Orientierung in der Produktwelt geben. Eine wirklich bedarfsgerechte Empfehlung braucht mehr Tiefe in der Datenerhebung und in der Tarifkenntnis. Individuelle Lebensumstände müssen ebenfalls in die Bewertung einfließen. Weitere Tests in anderen Versicherungssparten belegen, dass sich dieses Muster wiederholt. Zudem übernimmt KI keine Haftung für ihre Empfehlungen. Passt ein vorgeschlagener Tarif nicht zum tatsächlichen Bedarf des Kunden, haftet niemand für die Fehlempfehlung. Genau hier liegt der Mehrwert professioneller Beratung: Berater prüfen die Ergebnisse, hinterfragen die Vorschläge und schärfen die Empfehlung dort nach, wo es nötig ist. Professionelle Vergleichstools und fachliche Beratung behalten ihren Wert, besonders bei der Auswahl passender Klauseln. Versicherer und Makler können daraus ableiten: KI ist eher Zubringer als Konkurrent. Wer die Schwächen solcher Empfehlungen kennt, kann den eigenen Nutzen überzeugend vermitteln.