Aon integriert agentische KI von DataRobot: Was die Automatisierung des Kunden-Onboardings für Unternehmen bedeutet

Die jüngste Zusammenarbeit zwischen Aon und DataRobot markiert einen nächsten Schritt in der praktischen Nutzung von agentischer KI in hochregulierten Branchen. Der Versicherungskonzern will Onboarding- und Service-Workflows mit autonomen, aber gouvernierten KI-Agenten automatisieren – ohne dabei die menschliche Kontrolle aus der Hand zu geben.

Für Entscheider ist dieses Projekt ein greifbares Referenzszenario: Es zeigt, wie sich komplexe, richtliniengebundene Prozesse mit agentischer KI beschleunigen lassen, ohne eine eigene KI-Plattform von Grund auf entwickeln zu müssen.

Kontext: Was genau Aon und DataRobot angekündigt haben

Die Kooperation im Überblick

Am 26. Januar 2026 haben Aon und DataRobot eine Zusammenarbeit bekanntgegeben, die sich speziell auf das Kunden-Onboarding und nachgelagerte Service-Prozesse konzentriert. Aon – ein globaler Professional-Services- und Versicherungsspezialist – nutzt dafür die Agent Workforce Platform von DataRobot, die auf agentische KI zugeschnitten ist. Die ersten Anwendungsfälle liegen im Versicherungs-Lifecycle, beginnend mit der Neukundenaufnahme und laufenden Serviceaufgaben.

Kernpunkte der Ankündigung:

• Fokus auf Onboarding und Servicing: Agentische KI soll wiederkehrende Entscheidungen und Prozessschritte im Onboarding automatisieren – etwa Datensichtung, Dokumentenprüfung, Vorbewertung von Risiken und Vorbereitung von Entscheidungsvorlagen.

• Autonome, aber überwachte Agenten: Die KI-Agenten treffen Entscheidungen im Rahmen vordefinierter Policies, während menschliche Mitarbeiter die finale Verantwortung, Kontrolle und Validierung behalten.

• Integration in bestehende Workflows: Die Agenten werden in vorhandene Systeme und Prozessketten eingebunden, statt eine parallele Infrastruktur aufzubauen.

DataRobots Rolle: Agent Workforce Platform als Enabler

DataRobot hat in den letzten Jahren seine Plattform von klassischer Predictive Analytics hin zu einer vollwertigen agentischen KI-Plattform entwickelt. Zentral sind dabei:

• Multi-Agent-Architekturen: Mehrere spezialisierte Agenten können gemeinsam komplexe Geschäftsprozesse bearbeiten – etwa einen Onboarding-Fall von der Ersterfassung bis zur finalen Risikofreigabe.

• Vorintegrierte LLM- und Modell-Infrastruktur: DataRobot bindet LLMs unterschiedlicher Provider (z. B. über ein LLM-Gateway) ein und stellt Agenten-Templates, Tools und Guardrails bereit.

• Governance und Monitoring: Agenten und Tools werden als eigenständige, versionierte Objekte registriert, überwacht und mit Richtlinien für Sicherheit, Compliance und Kostenkontrolle hinterlegt.

Für Aon bedeutet das: Der Konzern kann auf eine bestehende Plattform für Entwicklung, Betrieb und Überwachung von KI-Agenten zurückgreifen, statt selbst eine Agenten-Infrastruktur inklusive Observability, Guardrails und Deployment-Pipeline zu entwickeln.

Was ist neu an diesem Onboarding-Ansatz – und warum ist er relevant?

Von einzelnen Modellen zu orchestrierten Agenten

Viele Unternehmen haben bereits ML-Modelle oder generative KI im Einsatz – etwa zur Dokumentenklassifikation oder für Chatbots. Neu im Fall Aon/DataRobot ist die Ende-zu-Ende-Orchestrierung durch Agenten:

• Statt nur einzelne Tasks (z. B. OCR oder Risiko-Score) zu automatisieren, übernimmt ein Onboarding-Agent die Koordination mehrerer Schritte.

• Der Agent entscheidet, welche Tools (OCR, KYC-Modul, Risikomodell, externe Datenquellen) in welcher Reihenfolge aufgerufen werden und wie mit Unsicherheiten umzugehen ist (Rückfragen, Eskalation an Sachbearbeiter, Nachfordern von Unterlagen).

• Die Logik dieser Orchestrierung ist explizit modelliert, versionierbar und durch Policies begrenzt.

Damit rückt die KI näher an die tatsächliche Prozessverantwortung heran – aber unter kontrollierten Rahmenbedingungen.

Agentische KI in einem hochregulierten Umfeld

Versicherungen unterliegen strengen regulatorischen Anforderungen (u. a. im Hinblick auf Geldwäsche, Sanktionen, Datenschutz, Produktsuitability). Dass Aon agentische KI hier produktiv nutzt, ist deshalb ein wichtiges Signal:

• Reguliertes Umfeld als Testfall: Gelingt der Einsatz in der Versicherung, ist die Übertragbarkeit auf andere regulierte Branchen (Banken, Gesundheitswesen, Energie, öffentliche Hand) deutlich wahrscheinlicher.

• Human-in-the-Loop als Standard: Aon positioniert menschliche Kontrolle nicht als Ausnahme, sondern als strukturellen Bestandteil des Agenten-Setups. Entscheidungen der Agenten werden geprüft, freigegeben oder übersteuert.

• Governance als Designmerkmal: Anstatt Governance „nachzurüsten“, wird sie mit der technischen Architektur der Agenten verknüpft – etwa durch Monitoring von Pfaden, Guardrails, Audit-Trails und Kostenmetriken auf Agentenebene.

Für andere Unternehmen entsteht damit ein Blueprint, wie agentische KI nicht als Laborexperiment, sondern als regulierungskonformes Produktionssystem ausgelegt werden kann.

Detaillierte Analyse: Auswirkungen, Risiken und Chancen

Prozesssicht: Wie könnte ein agentisches Onboarding konkret aussehen?

Ein typischer Onboarding-Prozess im Versicherungskontext umfasst unter anderem:

1. Datenerfassung: Formulareingaben, Upload von Dokumenten (Ausweise, Registerauszüge, Policen, Anlagen), Import von bestehenden Datenquellen.

2. Validierung: Prüfen von Vollständigkeit, Plausibilität, Identität (KYC/AML), ggf. externe Datenabfragen (z. B. Handelsregister, Sanktionslisten).

3. Risikobewertung: Klassische Underwriting-Modelle, Scorings, Bewertung von Branchenrisiken, Historie und Deckungsumfang.

4. Entscheidungsvorbereitung: Erstellung von Entscheidungsvorlagen, Alternativangeboten, Rückfragen an Kunden.

5. Onboarding-Freigabe und Anlage: Finales Approval, Anlage im Policen- oder CRM-System, Initiierung nachgelagerter Prozesse.

Mit agentischer KI könnte sich dieser Ablauf wie folgt verändern:

• Ein Lead-Agent Onboarding übernimmt die Gesamtverantwortung für einen Fall (z. B. Neuabschluss einer betrieblichen Haftpflichtversicherung).

• Spezialisierte Sub-Agenten kümmern sich um Teilaufgaben:

- Dokumenten-Agent: Extrahiert strukturierte Daten aus Dokumenten, erkennt fehlende Unterlagen und fordert diese automatisiert an.

- Compliance-Agent: Prüft Sanktionslisten, AML-Checks, regulatorische Schwellenwerte und dokumentiert alle Prüfschritte für Audits.

- Risk-Scoring-Agent: Konsolidiert historische Schadenverläufe, Branchenbenchmarks und aktuelle Parameter in einem Risikoprofil.

• Der Lead-Agent orchestriert diese Sub-Agenten, interpretiert ihre Ergebnisse und generiert eine zusammenfassende Entscheidungsnotiz inklusive Handlungsempfehlung.

• Ein menschlicher Underwriter oder Sachbearbeiter prüft, ergänzt und gibt die Empfehlung frei.

Wesentliche Neuerung: Die komplexe, bislang manuell orchestrierte Abfolge wird von einem Agenten gesteuert, der gleichzeitig Protokolle, Metriken und Abweichungen dokumentiert – und sich dadurch wesentlich besser überwachen lässt.

Effekte auf Durchlaufzeiten, Qualität und Kosten

Unternehmen können bei einem vergleichbaren Setup wie bei Aon typischerweise mit folgenden Effekten rechnen:

• Reduktion der Durchlaufzeit: Vorprüfungen, Datensammlung und Standardentscheidungen laufen 24/7 und parallelisiert ab. Statt Tagen können Onboarding-Prozesse im Idealfall in Stunden oder Minuten abgeschlossen werden.

• Höhere Datenqualität: Agenten erkennen fehlende oder widersprüchliche Angaben frühzeitig und holen gezielt Nachbesserungen ein, bevor ein Fall in die Risikoprüfung gelangt.

• Standardisierung der Entscheidungsvorbereitung: Unabhängig vom einzelnen Mitarbeiter erfolgt eine konsistente Bewertung nach denselben Regeln und Modellen.

• Bessere Skalierbarkeit: Lastspitzen, etwa saisonale Kampagnen oder Markteintritte, lassen sich durch horizontale Skalierung der Agenten-Infrastruktur besser abfangen.

• Transparente Kosten: Moderne Agenten-Plattformen erfassen Token-, API- und Rechenkosten pro Workflow, sodass Unternehmen pro Use Case den wirtschaftlichen Nutzen gegen operative Kosten stellen können.

Risiken und Begrenzungen

Trotz der Chancen gibt es zentrale Risiken, die – nicht nur bei Aon – adressiert werden müssen:

1. Fehlentscheidungen durch Agenten

Wenn Agenten eigenständig Entscheidungen vorbereiten oder vorschlagen, können Fehlklassifikationen oder falsche Risikoeinschätzungen zu finanziellen und regulatorischen Risiken führen. Ohne klar definierte Schwellenwerte für menschliche Eskalation besteht die Gefahr eines „Automatisierungsbias“.

1. Komplexität der Governance

Multi-Agent-Systeme sind deutlich komplexer zu überwachen als einzelne Modelle. Ohne durchgängige Tracing- und Audit-Lösungen besteht das Risiko, dass Fehlerursachen nicht mehr nachvollziehbar sind.

1. Abhängigkeit von Plattformen

Wer – wie Aon – eine externe Agenten-Plattform nutzt, begibt sich in eine technologische Abhängigkeit. Unternehmen müssen sicherstellen, dass Datenhoheit, Exit-Strategien und Interoperabilität (z. B. mit Open-Source-Frameworks) vertraglich und technisch abgesichert sind.

1. Regulatorische Unsicherheit

Gesetzgeber und Aufsichtsbehörden entwickeln ihre Vorgaben für generative und agentische KI noch. Unternehmen müssen damit rechnen, dass zusätzliche Dokumentations-, Test- und Genehmigungspflichten entstehen.

Praxisbeispiele und Übertragbarkeit auf andere Branchen

Beispiel 1: Industrielle Sachversicherung – Mittelständischer Kunde

Ein mittelständisches Maschinenbau-Unternehmen beantragt bei Aon eine weltweite Sach- und Betriebsunterbrechungsversicherung.

• Der Onboarding-Agent erfasst Unternehmensdaten, Standorte, Umsätze und bisherige Policen über ein digitales Portal.

• Ein Dokumenten-Agent extrahiert relevante Informationen aus Bauplänen, Wartungsprotokollen und Brandschutzgutachten.

• Ein Risk-Scoring-Agent kombiniert diese Informationen mit Branchen-Benchmarks und regionalen Katastrophendaten, um ein Risikoprofil zu erstellen.

• Auf Basis definierter Richtlinien schlägt der Agent mehrere Deckungsvarianten mit unterschiedlichen Selbstbehalten und Prämien vor.

• Der Underwriter prüft das Dossier, ergänzt individuelle Risikobewertungen und finalisiert das Angebot.

Ergebnis: Der Aufwand für manuelle Datenaggregation und Vorprüfung reduziert sich erheblich, während die Qualität der Risikoanalyse steigt.

Beispiel 2: Übertrag auf Banken – Firmenkunden-Onboarding

Einen ähnlichen Ansatz könnten Banken im Bereich KYC/AML-Onboarding für Firmenkunden nutzen:

• Agenten orchestrieren Handelsregisterabfragen, wirtschaftlich Berechtigte, Sanktionslisten, PEP-Prüfungen und Transaktionshistorie.

• Verdachtsmomente werden automatisch klassifiziert und priorisiert, während unkritische Fälle vollständig automatisiert freigegeben werden.

• Alle Schritte werden revisionssicher protokolliert und können der Aufsicht vorgelegt werden.

Das Aon/DataRobot-Szenario liefert hier ein praxisnahes Vorbild, insbesondere, wie Human-in-the-Loop und Auditierbarkeit technisch umgesetzt werden können.

Beispiel 3: Gesundheitswesen – Patientenaufnahme und Fallsteuerung

Im Gesundheitswesen könnten ähnliche Agenten-Setups die Patientenaufnahme, Falltriage und Abrechnung unterstützen:

• Datenerfassung und Validierung von Versicherungsstatus, Anamnesedaten und Vorbefunden.

• Abgleich mit Leitlinien und Vergütungslogiken.

• Vorbereitung von Entscheidungsempfehlungen für medizinisches Personal, ohne dieses zu ersetzen.

Auch hier gilt: Nur eine Architektur, die Governance, Nachvollziehbarkeit und Haftungsfragen berücksichtigt, wird regulatorisch tragfähig sein – genau jenes Spannungsfeld, das Aon und DataRobot adressieren.

Business-Relevanz: Was Unternehmen jetzt konkret tun sollten

1. Eigene agentische Use Cases identifizieren

Unternehmen sollten ermitteln, welche Prozesse ähnliche Eigenschaften wie das Aon-Onboarding besitzen:

• Hoher Anteil wiederkehrender Aufgaben

• Starke Abhängigkeit von Dokumenten und strukturierten Daten

• Klare, regelbasierte Entscheidungspfade

• Deutliche regulatorische Anforderungen und Audit-Pflichten

Typische Kandidaten sind Kunden-Onboarding, Kreditanträge, Schadensmeldungen, Lieferantenqualifizierung oder interne Compliance-Prozesse.

2. Pilotprojekte mit klaren Governance- und Erfolgsmetriken aufsetzen

Statt flächendeckender Einführung empfiehlt sich ein klar begrenztes Pilotprojekt:

• Scope: Ein abgegrenzter Prozessabschnitt (z. B. Vorprüfung im Onboarding).

• Metriken: Durchlaufzeit, Fehlerquote, Nacharbeitsquote, Kundenzufriedenheit, Kosten pro Vorgang.

• Governance: Rollen, Eskalationspfade, Approval-Schwellen, Monitoring und Reporting.

Das Beispiel Aon zeigt, dass Governance nicht erst am Ende, sondern von Beginn an mitdesignt werden sollte.

3. Plattform- und Architekturentscheidungen treffen

Eine zentrale Frage lautet: Eigene Agenten-Architektur vs. Plattform-Partner?

• Plattform-Ansatz (wie Aon mit DataRobot) eignet sich, wenn Geschwindigkeit, integrierte Governance-Features und Multi-LLM-Unterstützung im Vordergrund stehen.

• Eigenentwicklung kann sinnvoll sein, wenn besondere Anforderungen an Datenlokation, Individualisierung oder Open-Source-Kompatibilität bestehen.

Wichtig ist, früh auf Standardisierungsoptionen zu achten (Schnittstellen, Agenten-Frameworks, Protokolle), um Vendor-Lock-in zu begrenzen.

4. Rollen und Kompetenzen im Unternehmen anpassen

Agentische KI verschiebt Verantwortlichkeiten:

• Fachbereiche definieren Policies, Eskalationslogiken und Qualitätskriterien.

• Data- und AI-Teams orchestrieren Agenten-Workflows statt nur einzelne Modelle zu betreiben.

• Compliance- und Risk-Teams werden in Design und Betrieb eingebunden und definieren Kontrollmechanismen.

Unternehmen sollten gezielt Kompetenzen in Agenten-Governance, Prompt-Engineering für Agenten und Prozessmodellierung mit KI aufbauen.

5. Frühzeitigen Dialog mit Aufsichtsbehörden suchen

Insbesondere regulierte Unternehmen sollten früh klären:

• Welche Dokumentations- und Testnachweise für agentische Workflows gefordert werden.

• Wie human-in-the-loop-Strukturen nachzuweisen sind.

• Ob bestimmte Einsatzszenarien als „hochriskant“ gelten und zusätzliche Prüfungen erfordern.

Das Aon-Projekt kann hier als Argumentationsgrundlage dienen, wenn es um die Machbarkeit sicherer, auditierbarer agentischer KI geht.

Fazit und zentrale Takeaways

Die Integration agentischer KI von DataRobot in das Kunden-Onboarding von Aon zeigt, dass agentische KI inzwischen den Sprung aus Prototypen und Laborumgebungen in reale, streng regulierte Kernprozesse schafft. Entscheider sollten dieses Projekt nicht als Einzelfall, sondern als Blaupause verstehen – vorausgesetzt, Governance, Human-in-the-Loop und Plattformwahl werden strategisch adressiert.

Kernpunkte für Unternehmen:

• Agentische KI eignet sich besonders für Ende-zu-Ende-Prozesse wie Kunden-Onboarding, in denen viele Einzelschritte koordiniert werden müssen.

• Das Aon/DataRobot-Beispiel belegt die Umsetzbarkeit in hochregulierten Umgebungen, wenn Governance und menschliche Kontrolle integraler Bestandteil des Designs sind.

• Unternehmen müssen früh strategische Plattformentscheidungen treffen, um nicht in isolierten KI-Inseln zu enden.

• Pilotprojekte mit klaren Metriken sind ein pragmatischer Startpunkt, um Wirksamkeit und Risiken agentischer Workflows zu validieren.

• Rollen, Skills und Verantwortlichkeiten verändern sich, insbesondere für Fachbereiche, Compliance und AI-Teams – dies erfordert aktives Change Management.

• Früher Austausch mit Aufsichtsbehörden kann helfen, regulatorische Anforderungen mitzugestalten und spätere Anpassungskosten zu reduzieren.

Häufig gestellte Fragen (FAQ)

Was ist agentische KI im Kontext des Kunden-Onboardings bei Aon und DataRobot?

Agentische KI bezeichnet autonome, aber gouvernierte KI-Agenten, die komplexe Geschäftsprozesse wie das Kunden-Onboarding Ende-zu-Ende steuern. Im Fall Aon/DataRobot orchestrieren diese Agenten mehrere spezialisierte Tools und Modelle, treffen vorbereitende Entscheidungen und binden dabei menschliche Mitarbeiter für finale Freigaben ein.

Wie funktioniert das automatisierte Kunden-Onboarding mit der Agent Workforce Platform von DataRobot konkret?

Ein Lead-Agent übernimmt die Gesamtverantwortung für einen Onboarding-Fall und steuert spezialisierte Sub-Agenten, etwa für Dokumentenverarbeitung, Compliance-Prüfungen und Risikobewertung. Die Ergebnisse werden zu einer Entscheidungsnotiz zusammengeführt, die ein menschlicher Underwriter oder Sachbearbeiter prüft, ergänzt und freigibt.

Welche Vorteile bringt agentische KI im Onboarding-Prozess für Unternehmen?

Unternehmen können Durchlaufzeiten deutlich reduzieren, da Vorprüfungen, Datensammlung und Standardentscheidungen parallelisiert und rund um die Uhr ablaufen. Gleichzeitig steigt die Datenqualität, Entscheidungen werden konsistenter vorbereitet und Prozesse lassen sich besser skalieren und kostenmäßig überwachen.

Welche Risiken und Herausforderungen bestehen beim Einsatz agentischer KI in regulierten Branchen?

Zu den zentralen Risiken gehören Fehlentscheidungen der Agenten, eine erhöhte Komplexität der Governance und eine mögliche Abhängigkeit von Plattformanbietern. Hinzu kommt regulatorische Unsicherheit, da Aufsichtsbehörden Anforderungen an Dokumentation, Testpflichten und Human-in-the-Loop-Strukturen weiterentwickeln.

Worin unterscheidet sich der agentische Ansatz von klassischen KI- oder ML-Lösungen im Onboarding?

Klassische KI-Lösungen automatisieren meist einzelne Tasks wie OCR, Klassifikation oder Scoring, während agentische KI die gesamte Prozesskette orchestriert. Ein Agent entscheidet, welche Tools in welcher Reihenfolge eingesetzt werden, wie mit Unsicherheiten umzugehen ist und dokumentiert alle Schritte nachvollziehbar für Audits.

Wie können andere Unternehmen das Aon/DataRobot-Szenario auf ihre eigenen Prozesse übertragen?

Unternehmen sollten zunächst Prozesse mit hohem Dokumentenanteil, klaren Regeln und starken Audit-Anforderungen identifizieren, etwa Kunden-Onboarding, Kreditanträge oder Lieferantenqualifizierung. Darauf aufbauend empfiehlt sich ein klar abgegrenztes Pilotprojekt mit definierten Governance-Regeln, Erfolgsmetriken und einer bewussten Entscheidung für oder gegen eine externe Agenten-Plattform.

Was sollten Unternehmen jetzt konkret tun, um sich auf agentische KI im Onboarding vorzubereiten?

Sie sollten geeignete Use Cases auswählen, ein Pilotprojekt mit klaren Metriken und Eskalationslogiken aufsetzen und früh Plattform- und Architekturentscheidungen treffen. Parallel dazu ist der Aufbau von Kompetenzen in Agenten-Governance und KI-gestützter Prozessmodellierung sowie ein früher Dialog mit Compliance-Teams und Aufsichtsbehörden sinnvoll.