KYB, Versicherungen

GwG-Compliance für Versicherer: Datenbasis für KYB & Nachweise

Öffentlichkeit: 26 Februar 2026
Lesezeit: 8 minuten

Einleitung

Die regulatorischen Anforderungen an Versicherungen in Deutschland steigen – und treffen auf historisch gewachsene Prozesse, komplexe Unternehmensstrukturen und häufig wechselnde Vertretungen. Gerade bei gewerblichen Kunden, Vermittlern und Geschäftspartnern entscheidet heute nicht mehr nur die Risikoentscheidung über Qualität, sondern die Nachweisfähigkeit der zugrunde liegenden Daten.

Manuelle Recherche, verteilte Dokumentation und unklare Ownership-/UBO-Strukturen sind dabei keine operativen Randthemen – sondern strukturelle Compliance-Risiken.

Kurz gesagt: Versicherungs-Compliance braucht eine belastbare, strukturierte Datenbasis.

TL;DR

  • In Versicherungen scheitert GwG/KYB selten am Regelwerk – meist an Identität, Registerstand, Vertretung, Ownership/UBO und Nachweisen.
  • Das Problem ist oft fragmentierte Evidenz: manuelle Recherche, verteilte Dokumente, keine einheitliche Referenz (Register-IDs).

  • Eine strukturierte GwG-Datenbasis macht Informationen nachvollziehbar, exportierbar und audit-fähig (Portal oder API).

Regulatorischer Rahmen: GwG-Anforderungen für Versicherungen

Je nach Sparte und Geschäftsmodell gelten Versicherer und Vermittler als GwG-Verpflichtete. Für die Praxis bedeutet das insbesondere:

  • Identifizierung von Vertragspartnern

  • Feststellung wirtschaftlich Berechtigter (UBO)

  • PEP- und Sanktionsprüfung

  • Laufende Überwachung der Geschäftsbeziehung

  • Dokumentations- und Aufbewahrungspflichten

Die Anforderungen gelten nicht nur bei Vertragsabschluss, sondern während der gesamten Laufzeit einer Geschäftsbeziehung. Gerade bei juristischen Personen oder komplexen Beteiligungsstrukturen ist die Identifizierung wirtschaftlich Berechtigter regelmäßig mit erhöhtem Rechercheaufwand verbunden.

Wichtig: Aufsicht und Prüfungen schauen zunehmend auf Prozessstabilität und Evidenzführung – nicht nur auf Einzelfälle.

Operative Realität in Versicherungsprozessen

1. Underwriting / Zeichnung (Risikoprüfung)

Für die Zeichnung gewerblicher Risiken braucht es eine saubere Datenlage: Identität, Registerstand, Vertretung und Ownership/UBO-Kontext.

Typische Engpässe:

  • Registerinformationen sind nicht konsolidiert, Referenzen fehlen (z. B. Register-IDs)

  • Ownership/UBO-Kontext ist schwer nachvollziehbar, weil Dokumente „nur abgelegt“ werden

  • Nachweise liegen getrennt von Screening-Ergebnissen (PEP/Sanktionen)

Ergebnis: Medienbrüche, Nacharbeit, höhere Fehleranfälligkeit.

2. Makler- und Vermittlerprüfung

Vermittler- und Partnerbestände erzeugen Prüf- und Dokumentationsaufwand – vor allem, wenn Daten nicht einheitlich gepflegt sind.

Typische Risiken:

  • Unvollständige Unternehmensprofile (Identität/Vertretung nicht eindeutig)

  • Änderungen (z. B. Vertretung/Status) werden zu spät erkannt

  • Nachweise sind nicht zentral „audit-ready“ verfügbar

3. Bestandsüberwachung (Re-KYC)

Re-KYC im Bestand steht und fällt mit der Frage: Welche Änderungen sind relevant – und sind sie belegbar?

Typische Schwachstellen:

  • Keine einheitliche Datenreferenz (Register-IDs) über Teams/Systeme hinweg

  • Änderungen im Handelsregister werden nicht systematisch berücksichtigt

  • Adverse-Media-Hinweise werden nicht konsistent „nachgezogen“ (ohne Watchlists)

Merksatz: Datenqualität entscheidet über Audit-Fähigkeit.

Strukturelle Risikofaktoren

Die größten Risiken entstehen nicht durch fehlende Einzelprüfungen, sondern durch fehlende Systematik.

Manuelle Recherche

Mehrfachabfragen in verschiedenen Registern führen zu Inkonsistenzen.

Verteilte Dokumentation

Registerauszüge, Screening-Ergebnisse und Prüfvermerke liegen in unterschiedlichen Systemen.

Unklare Ownership-Strukturen

Komplexe Beteiligungsstrukturen werden nicht als strukturierter Kontext erfasst, sondern als Einzeldokumente abgelegt.

Fehlende Nachweisführung

Im Prüfungsfall kann nicht jederzeit nachvollzogen werden, welche Informationen zu welchem Zeitpunkt vorlagen.

Diese Punkte sind keine operativen Details.
Sie sind strukturelle Schwachstellen im Compliance-Framework.

Struktur als Lösungsprinzip

Standardisierung statt Fragmentierung

Ein strukturierter Datenansatz ermöglicht:

  • weniger manuelle Recherche

  • konsistente Dokumentation über Teams hinweg

  • nachvollziehbare Entscheidungsgrundlagen (mit Nachweisen)

  • Audit-Readiness auf Prozessebene

  • Skalierbarkeit im Bestand

Compliance wird dadurch nicht „mehr Workflow“ – sondern bessere Evidenz.

Neuer Lösungsbereich für Versicherungen bei Company.info

Vor diesem Hintergrund haben wir einen eigenen Bereich für Versicherungen aufgebaut.
Company.info liefert die GwG-Datenbasis für Underwriting/Zeichnung, Maklerprüfung und Bestand – als Portal oder API:

  • strukturierte Unternehmens- & Registerdaten (inkl. Register-IDs)

  • Ownership/UBO-Kontext als prüffähige Grundlage

  • dokumentierbare PEP-/Sanktionssignale

  • exportierbare Nachweise/Reports für Akte, Revision & Audit

  • Monitoring-Hinweise: Handelsregister-Änderungen + Adverse-Media-Watchlists

Ziel ist eine standardisierte, nachvollziehbare und prüffähige Datengrundlage für Versicherungs-Compliance.

Weitere Informationen sind verfügbar unter:
www.companyinfo.de

Eine unverbindliche Vorstellung des Lösungsansatzes ist jederzeit möglich.

Fazit

Versicherungs-Compliance steht unter zunehmendem regulatorischem Druck.

Die größten Risiken entstehen nicht durch fehlende Einzelprüfungen, sondern durch fehlende Struktur.

Manuelle Recherche, verteilte Dokumentation und unklare Ownership-Kontexte führen zu Nachweisrisiken.

Eine standardisierte GwG-Datenbasis ermöglicht:

  • Konsistente Prozesse

  • Strukturierte Evidenzführung

  • Audit-Fähigkeit

Struktur ist keine organisatorische Option – sondern eine regulatorische Notwendigkeit.

Erfahren Sie, wie eine standardisierte GwG-Datenbasis Ihre Prozesse auditfähig macht.

Vorheriger Artikel

AI, API, KYB

Company Data API für
AI Agents: Agent-Ready Checkliste

Company Data API für AI Agents: Was „agent-ready“ wirklich heißt AI Agents scheitern in der Praxis oft nicht am Modell, sondern an den Daten: uneinheitliche Identitäten, veraltete Fakten, fehlende Beziehungen und zu wenig Nachvollziehbarkeit. Wenn ein AI Agent ein Unternehmen eindeutig identifizieren, verlässliche Unternehmensfakten abrufen und Outputs liefern soll, die Ihr Team prüfen und reproduzieren […]