Im Jahr 2021 traf das Data-und-KI-Team von Generali eine kontraintuitive Entscheidung: Gemeinsame Infrastruktur für alle 40+ Tochtergesellschaften aufbauen, bevor ein einziger Anwendungsfall in Produktion validiert wird. Drei Jahre später beantworten die Ergebnisse jeden Einwand — über €200 Millionen eingesparte Betriebskosten, Schadenregulierung, die von mehreren Tagen auf Sekunden fiel, und ein KI-Anwendungsportfolio, das von 5 auf mehr als 50 wuchs.
Für alle, die tiefer einsteigen möchten, bietet Grace Certified reale Entscheidungsfälle mit KI-Bewertung.
Generali Group ist eines der drei größten Versicherungsunternehmen der Welt, das über mehr als 40 Tochtergesellschaften in Europa, Asien und den Amerikas agiert. Jede Einheit hatte jahrzehntelang eigene Datenumgebungen, Analytics-Stacks und Lieferantenbeziehungen aufgebaut. Als KI zur strategischen Priorität wurde, führte jede Tochtergesellschaft bereits unabhängige Experimente durch: überlappende Modelle, duplizierte Infrastruktur, dieselben Probleme in Isolation gelöst.
Das Team erkannte die Trajektorie klar. Das bestehende Muster würde eine fragmentierte KI-Landschaft erzeugen — Dutzende von Inseln mit inkompatiblen Datenstandards, steigenden Integrationskosten und sinkenden Renditen bei jedem neuen Investition.
Die Architekturentscheidung: Zentralisieren vor dem Skalieren
In Zusammenarbeit mit AWS entwarf das Team eine zentralisierte Global AI Engine, die vier Dienste integriert: Amazon Redshift für einheitliches Data Warehousing über alle Einheiten, AWS Glue für datentübergreifende Integration und Standardisierung, Amazon SageMaker für Machine-Learning-Modellentwicklung und Amazon Bedrock für generative KI-Anwendungen. Die Plattform konsolidierte Daten aller 40+ operativen Einheiten in einer einzigen, verwalteten Umgebung.
Die strukturelle Konsequenz war präzise: Anstatt dass jede Tochtergesellschaft eigene Betrugserkennungsmodelle, Claims-Processing-Pipelines und Dokumentenklassifizierungssysteme aufbaute, schuf die Global AI Engine gemeinsame „KI-Artefakte“ — validierte Modelle, Inferenzdienste und Datenpipelines, die jede Einheit nutzen konnte. Einmal fertiggestellte Ingenieurarbeit war überall verfügbar und eliminierte die Duplikation an ihrer Quelle.
Andrea Pietrasanta, Group Head of Data, AI and Automation bei Generali, und Antonio Montuschi, Head of Group AI and Generative AI Development, leiteten die Migration bestehender Analytics-Lösungen von Drittanbietern zu AWS. Die Konsolidierung selbst schuf die ermöglichende Bedingung: einheitliche Datenstandards über alle Tochtergesellschaften machten gemeinsame Modelle praktikabel, wo fragmentierte Daten sie zuvor unpraktisch gemacht hatten.
Drei Jahre zusammengesetzte Renditen
Die Ergebnisse bestätigten die Kernhypothese des Platform-First-KI-Investitionsansatzes:
- Über €200 Millionen eingesparte Betriebskosten in der gesamten Gruppe innerhalb von 3 Jahren
- 16 Flaggschiff-KI-Anwendungsfälle aus der gemeinsamen Engine bereitgestellt — jede Bereitstellung schneller und kostengünstiger als die vorherige
- 21 Millionen gemeinsame Dienste pro Monat durch KI-gestützte Workflows verarbeitet
- KI-Anwendungen wuchsen von 5 auf über 50 in 3 Jahren, mit einem Ziel von 200 in den folgenden 3 Jahren
- Die Schadenregulierungszeit fiel von mehreren Tagen auf 1 Tag für Standardfälle — und auf Sekunden für einfache Krankenversicherungsschäden, die automatisch von KI-Agenten auf Amazon Bedrock bearbeitet werden
Die Trajektorie offenbart die zusammengesetzten Ökonomien gemeinsamer Infrastruktur. Der erste Anwendungsfall erforderte die größte Investition: den Aufbau der Global AI Engine selbst. Jede nachfolgende Bereitstellung kostete progressiv weniger, da Datenpipelines, Modellvalidierungsprotokolle und Inferenzinfrastruktur bereits vorhanden und verwaltet waren. Das Wachstum von 5→50 KI-Anwendungen über 3 Jahre ist der direkte Beweis dieses Hebeleffekts. Die €200 Millionen Einsparungen sind das kumulative Ergebnis.
Das Prinzip für Multi-Einheits-Organisationen
Für jede Organisation, die mehrere Geschäftsbereiche, Tochtergesellschaften oder Marken verwaltet, trägt das Generali-Modell eine präzise Implikation: Die Reihenfolge der KI-Investition bestimmt die Ökonomie mehr als die Geschwindigkeit einer einzelnen Bereitstellung.
Das dominierende Muster in Enterprise-KI-Programmen ist Use-Case-First — eine überzeugende Anwendung identifizieren, eine Lösung aufbauen, Erfolg erklären und zum nächsten weitergehen. Das vorhersehbare Ergebnis ist eine Sammlung isolierter Bereitstellungen mit inkonsistenten Datenstandards, duplizierten Infrastrukturkosten und technischen Schulden, die mit jedem neuen Projekt wachsen.
Generalis Reihenfolge hat diese Dynamik umgekehrt. Die Global AI Engine war die erste Investition — bevor ein einziger Anwendungsfall in Produktion validiert wurde. Die Auszahlung kam als beschleunigte Bereitstellungsgeschwindigkeit: Als die Engine reifte, sanken Zeit und Kosten für jeden neuen Anwendungsfall, während Qualität und Konsistenz über alle Tochtergesellschaften gleichzeitig stiegen.
Die €200-Millionen-Zahl beantwortet auch den häufigsten Einwand gegen Platform-First-Ansätze: dass die Vorabinvestition in gemeinsame Infrastruktur die Time-to-Value verzögert. Generalis Trajektorie zeigt das Gegenteil. Eine frühzeitig aufgebaute Plattform generiert zusammengesetzte Renditen über das gesamte Portfolio — Renditen, die eine Sequenz individueller Anwendungsfallinvestitionen im großen Maßstab replizieren kann.
Für Boards und C-Suite-Führungskräfte, die KI-Investitionsstrategien bewerten, liefert Generalis Drei-Jahres-Bogen einen konkreten Benchmark in einem der datenintensivsten und compliance-sensitivsten Sektoren. Die Frage, die in den nächsten Planungszyklus mitgenommen werden sollte: Bauen die KI-Programme Ihrer Organisation auf eine gemeinsame Engine hin — oder anhäufen sie Inseln?
Artikel von SAGA — Success Stories & Real Cases
SAGA dokumentiert, was danach passiert ist — reale Organisationen, verifizierte Kennzahlen, originelle Entscheidungen, die die Arbeitsweise verändert haben.