Versicherungsmechanismen zwischen Agents: das fehlende Sicherheitsnetz für autonomen Handel

Von Masumi Network | Juli 2026

Die Woche, in der das Sicherheitsnetz verschwand

Am 1. Januar 2026 trat der folgenreichste Versicherungsausschluss der Welt in Kraft, und in der AI-Branche bemerkte es fast niemand.

ISO Verisk Form CG 40 47, ein kleines Stück Versicherungsinfrastruktur mit einem Namen, den sich niemand merkt, trat still und leise in der Mehrheit der US-amerikanischen Sach- und Haftpflichtpolicen in Kraft. [1] Die Formulierung war präzise: ausgeschlossen wurden „Personenschäden, Sachschäden sowie Persönlichkeits- und Werbeschäden, die aus generativer künstlicher Intelligenz entstehen“. Bis April 2026 hatten Chubb, Travelers, Berkshire Hathaway, W.R. Berkley und Cincinnati Financial die Übernahme dieser oder einer gleichwertigen Formulierung beantragt. Die Aufsichtsbehörden der Bundesstaaten genehmigten mehr als 80 % der Anträge. [2]

Im selben Monat erhöhte Armilla AI, ein eigens für AI-Haftung gegründeter Versicherer, sein Deckungslimit bei Lloyd's auf 25 Millionen US-Dollar. [3] Nicht weil das Risiko beherrschbar geworden wäre. Sondern weil sonst niemand es deckte.

„Der Großteil des Risikos der Versicherer steckt als stille Deckung in bestehenden Cyber-, Berufs- und allgemeinen Haftpflichtpolicen: unbepreist und unsichtbar. Die Ausgaben von Unternehmen für Frontier-AI wuchsen 2025 um über 300 %. Das ist ein tickendes aktuarielles Problem.“

— Insurance Business Magazine, 2026 [4]

Das ist das Paradox im Zentrum des autonomen Handels: Die Infrastruktur, mit der Agents Transaktionen ausführen, reift schnell. Das Zahlungsprotokoll x402 erlaubt HTTP-native Stablecoin-Zahlungen. A2A und MCP geben Agents standardisierte Kommunikationsprimitive. Identitäts-Frameworks für Agents entstehen auf Basis von FIDO und W3C DIDs. Das Sicherheitsnetz aber, also die Mechanismen, die die unvermeidlichen Fehler auffangen, existiert für Transaktionen zwischen Agents nicht.

Kauft ein Mensch etwas und es geht schief, ist der Absicherungsstapel tief: Kreditkarten-Betrugsschutz, Chargeback-Rechte gegenüber Händlern, Kaufversicherung, Verbraucherschutzrecht, Bagatellgericht. Handeln zwei AI Agents miteinander und es geht schief, ist dieser Stapel leer.

Fünf Fehlerarten, die niemand bepreist hat

Bevor man etwas versichern kann, muss man wissen, wie es kaputtgeht. Beim Handel autonomer Agents sieht die Fehlertaxonomie völlig anders aus als im klassischen E-Commerce.

1. Model Version Drift. Ein Agent geht mit einem bestimmten Fähigkeitsprofil in Betrieb und wird nach und nach durch ein günstigeres Modell ersetzt, weil der Betreiber Kosten senkt. Der Agent des Käufers hat mit dem einen Fähigkeitsniveau verhandelt und führt mit einem anderen aus. Das ist kein Betrug, und im klassischen Sinn nicht einmal Fahrlässigkeit. Das wirtschaftliche Ergebnis kann trotzdem deutlich abweichen. Anthropics Studie Project Deal (April 2026) hat das empirisch über 69 Agents und 186 Transaktionen gezeigt: Ersetzten Haiku-Agents in bilateralen Verhandlungen auf einem simulierten Marktplatz die Opus-Agents, erzielten Verkäufer mit Haiku-Agents deutlich schlechtere Preise. Opus-Verkäufer holten im Schnitt 2,68 US-Dollar mehr pro Artikel heraus. [5] Haiku-Käufer bewerteten die Abschlüsse als genauso fair, obwohl sie schlechtere Konditionen bekamen: eine Wahrnehmungslücke, die nur ein externes Audit der Ausführungs-Traces sichtbar macht. Gleiche Anweisungen. Anderes Modell. Andere wirtschaftliche Ergebnisse.
2. Uneindeutige Autorisierungsketten. Wenn ein Orchestrator-Agent eine Aufgabe an einen Sub-Agent delegiert: Wer hat was autorisiert? Führt der Sub-Agent eine Transaktion aus, die außerhalb der vom Orchestrator gemeinten Vollmacht liegt, ist die Autorisierungsspur uneindeutig. Googles Protokoll AP2 erzeugt unabstreitbare Autorisierungsnachweise, aber AP2 ist optionale Infrastruktur. Die meisten produktiv laufenden Agent-Systeme haben keinen kryptografischen Audit Trail der Autorisierung. [6]
3. Manipulierte Oracles und veraltete Daten. Parametrische Versicherungsprodukte, und jedes triggerbasierte Verhalten von Agents, hängen an externen Daten-Oracles. Kauft ein Agent auf Basis von Preisdaten aus einem veralteten oder manipulierten externen Feed, hat er mit den Informationen, die er hatte, korrekt gehandelt. Die Informationen waren falsch. Kein heutiges Versicherungsprodukt deckt genau diese Fehlerart im Kontext autonomer Transaktionen ab.
4. Kaskadierende Fehler in Agent-Schwärmen. Der Fehler eines einzelnen Agents kann sich durch vernetzte Agents fortpflanzen, ohne dass es einen offensichtlichen Ausgangspunkt gibt. Das TAMAS-Framework (arXiv 2511.05269) misst genau dieses adversariale Risiko: Absprachen zwischen Agents, kaskadierende Logikfehler und Informationsabfluss über Agent-Grenzen hinweg. [7] Versicherungsprodukte wurden für Schadensereignisse mit einem einzelnen Akteur gebaut. Für verteilte Fehler über Agents verschiedener Anbieter hinweg haben sie kein Modell.
5. Wiederholte Schwellenüberschreitungen. Ein Agent, der Käufe bis 500 US-Dollar tätigen darf, kann jede einzelne Transaktion korrekt ausführen und seine wirtschaftliche Vollmacht durch Wiederholung trotzdem systematisch überschreiten: 499 US-Dollar × 200 Transaktionen. Keine einzelne Aktion liegt außerhalb der Grenzen, das Gesamtverhalten schon. Heutige Versicherungsprodukte haben keinen Mechanismus, um Deckung auf der Ebene des Gesamtverhaltens zu definieren.

Warum das zählt: Keine dieser Fehlerarten passt sauber in bestehende Versicherungskategorien. Es ist kein Betrug. Es ist keine Fahrlässigkeit. Es ist keine Produkthaftung. Es ist eine neue Kategorie von automatisiertem Verhalten, das deterministisch und trotzdem schädlich ist, und für dessen Bepreisung das bestehende Underwriting nie gebaut wurde.

Was es gibt, und warum es nicht passt

Ein kleiner, aber wachsender Markt baut Deckung für AI-Haftung auf. Mitte 2026 umfasst das Feld acht kommerzielle Produkte von fünf Versicherern:

Die Deckung existiert. Aber sie ist für das falsche Transaktionsmodell gebaut. [8]

Jedes Produkt in dieser Tabelle ist um ein Unternehmen herum gebaut, das ein AI-System einsetzt, und um einen menschlichen Kunden, der dadurch geschädigt wird. Versichert ist ein Unternehmen. Anspruchsteller ist ein Mensch. Den Schaden kann eine Person im Nachhinein feststellen.

Handel zwischen Agents dreht das komplett um. Versichert ist ein Agent. Die Gegenpartei ist ebenfalls ein Agent. Der „Kundenschaden“ kann ein wirtschaftlicher Wertverlust in einer Transaktion sein, bei deren Ausführung kein Mensch anwesend war. Der Nachweis im Schadensfall besteht aus API-Call-Logs, Ausführungs-Traces auf Token-Ebene und Blockchain-Transaktionsbelegen, nicht aus einer menschlichen Zeugenaussage.

Am nächsten kommt aiSure von Munich Re: Es deckt das Reißen definierter Leistungsschwellen, ohne dass Fahrlässigkeit vorliegen muss. [9] Konstruiert ist es aber als Leistungsgarantie, nicht als echtes Versicherungsprodukt. Es setzt vordefinierte, messbare Leistungskennzahlen voraus. Für die meisten Transaktionen zwischen Agents gibt es kein vorab vereinbartes SLA, auf das sich eine Garantie beziehen könnte.

Nexus Mutual, das größte DeFi-Versicherungsprotokoll (Kapitalpool je nach Marktlage zwischen rund 60 und 200 Mio. US-Dollar im Zeitraum 2024–2026), hat gezeigt, dass On-Chain-Versicherungsmechanik in großem Maßstab funktioniert. Gedeckt ist dort aber DeFi-Protokollrisiko, nicht das Verhalten autonomer Agents. [10] Kein Produkt im Nexus-Ökosystem deckt einen Agent ab, der falsch handelt, sondern nur einen Smart Contract, der unbeabsichtigt ausführt.

Die strukturelle Lücke, die ISO CG 40 47 am 1. Januar 2026 aufgerissen hat, indem sie AI aus der gewerblichen Standard-Haftpflicht entfernte, ist für jeden, der autonome Agents betreibt, eine Deckungsklippe. Eigens gebaute Alternativen füllen einen Teil davon, aber mit Underwriting-Modellen, die von E&O- und Cyberversicherungen geborgt sind. Diese Modelle setzen eine menschliche Organisation als Versicherte und als Haftende voraus. Die vollständig autonome A2A-Transaktion, bei der Käufer und Verkäufer beide Agents sind, hat in keinem heutigen Produkt einen natürlichen Platz.

Die Bausteine sind da, zusammengesetzt hat sie niemand

Wirklich überraschend ist: Das technische Fundament für A2A-Versicherung ist längst gebaut. Nur zu einem Produkt zusammengesetzt hat es niemand.

Trace-ökonomisches Underwriting

Xu, Dai, Yang und Zhang (arXiv 2606.16465, Juni 2026) schlagen vor, Ausführungs-Traces der Tool-Nutzung auf Aufgabenebene auf das wirtschaftliche Risiko abzubilden und dieses Risiko über deterministische ökonomische Labels statt über LLM-Urteile zu bepreisen. [11] Ihr Framework senkte den Bepreisungsfehler bei echten Software-Engineering-Aufgaben von 17.700 auf 569 US-Dollar und den CVaR95 (Tail-Risiko) über trace-konditionierte Kontrollen um 72 %. Das ist ein reproduzierbarer, prüfbarer Bepreisungsmechanismus, der ohne menschliche Schadensregulierer auskommt. Es ist das aktuarielle Fundament, das ein A2A-Produkt braucht.

Vertragsdesign, das sich nicht austricksen lässt

Hao-Hsuan Chen (arXiv 2606.16326, Juni 2026) beschreibt fünf Angriffsflächen auf Versicherungsverträge für AI Agents und schlägt drei neue Schutzklauseln vor. [12] Common-Control-Aggregation verhindert das Umleiten über Grenzen hinweg, das die Prämienbasis senkt. Die Behandlung von Interface-Compliance macht ungültige Antworten eines Agents zu vertragsrelevanten Ereignissen statt zu kostenlosen Rückfalloptionen und schließt damit einen zentralen Fehlanreiz. Ein Modell-Identitäts-Menü macht die wahrheitsgemäße Angabe des eingesetzten Modells schwach dominant. Im Klartext: Das ist das Mechanismusdesign, das Agents davon abhält, ihre eigene Versicherung auszunutzen.

Das Authority Frontier Framework

Das Authority Frontier Framework (arXiv 2605.25632) schlägt aktuarielle Kontrolle zur Laufzeit vor: Jede Aktion mit Nebenwirkung wird in Echtzeit gegen einen vertraglich festgelegten sicheren Standardwert bepreist, und die Ausführung wird gegen ein Reservebudget freigegeben. [13] Das ist das bestehende Framework, das einem agent-nativen Versicherungsprodukt am nächsten kommt: Deckung auf Aktionsebene statt auf Policenebene. Jede Aktion eines Agents, die wirtschaftliches Risiko erzeugt, ist entweder durch Reserven gedeckt oder wird nicht ausgeführt.

Preise, die an der Zertifizierung hängen

Das Modell von Klaimee geht anders vor: Agents werden auf acht Governance-Dimensionen bewertet (definierter Vollmachtsrahmen, Logging-Fähigkeiten, Kill Switches, menschliche Freigabestufen, Datengrenzen, adversariale Tests, Offenlegung der Modellidentität, Eskalationsprotokolle), und die Prämien hängen an diesen Zertifizierungswerten. [14] Das ist strukturell wichtig. Deckung wird zum Anreizmechanismus für Governance. Agents, die sich gut verhalten, sind billiger zu versichern. Die Versicherung wird zum Marktsignal für die Qualität eines Agents, so wie es die Bonitätsbewertung im Konsumentenkredit ist.

Die Lücke: Jedes dieser Frameworks liegt als Forschungsarbeit oder Pilot vor. Keines wurde zu einem Produkt zusammengesetzt, das eigens für Transaktionen zwischen Agents gebaut ist, bei denen beide Gegenparteien Agents sind und der Nachweis im Schadensfall aus Ausführungs-Traces statt aus menschlichen Aussagen kommt.

Die vier Infrastrukturlücken

Setzt man die vorhandene Forschung zusammen, zeigen sich vier konkrete Infrastrukturlücken für eine A2A-spezifische Versicherung:

Diese vier Lücken brauchen keine neue Technik. Die kryptografischen Primitive für Autorisierungsbelege gibt es in W3C DIDs und Verifiable Credentials. Die Grundlage für ein Logging-Schema gibt es in OpenTelemetry. Die On-Chain-Abwicklungsinfrastruktur gibt es in Nexus Mutual. Das Modell der Leistungsgarantie gibt es in Munich Re aiSure. Es fehlt das Produkt, das alles zusammenführt und den AI Agent als Versicherten behandelt statt das Unternehmen, das ihn betreibt.

Wohin der Markt läuft

Der Markt für Haftpflichtversicherungen für AI Agents wurde 2025 auf 0,3 Milliarden US-Dollar taxiert. FactMR erwartet bis 2036 11,5 Milliarden US-Dollar, das 38-Fache in elf Jahren. [15] Konservativere Schätzungen sehen den Markt für Autonomous AI Agent Liability Insurance 2025 bei 1,2 Milliarden und 2034 bei 14,8 Milliarden US-Dollar, bei 32,5 % CAGR. [16]

Wie dringend die Lage ist, zeigt die Zahl der produktiv laufenden Agents direkter als die Marktgröße. 2026 waren weltweit geschätzt 250.000 autonome AI Agents im Produktivbetrieb, bis 2034 sollen es 2,1 Millionen sein (MarketIntelo, 2025). [17] Die Zahl der AI-bezogenen Rechtsansprüche soll bis Ende 2026 weltweit über 2.000 liegen. [18]

Die Regulierung zieht an und erhöht den Druck. Die Betreiberpflichten des EU AI Act gelten ab August 2026. Die überarbeitete Produkthaftungsrichtlinie (EU 2024/2853) stellt AI-Systeme ab Dezember 2026 unter die verschuldensunabhängige Haftung. California AB 316, in Kraft seit Januar 2026, verbietet Beklagten, sich zur Verteidigung auf die Autonomie einer AI zu berufen. Singapurs IMDA veröffentlichte im Mai 2026 ihr Discussion Paper on Legal Responsibility for AI Agents. [19] [20] [21] [22]

Zwei Zeitachsen prallen jetzt direkt aufeinander: die des Rollouts (250.000 → 2,1 Millionen Agents in acht Jahren) und die der Deckung (eigens gebaute Produkte werden irgendwann Anfang der 2030er reif, wenn die Branche schnell ist). In der Lücke zwischen beiden passieren Fehler, gegen die es kein Mittel gibt.

Der Underwriting-Rückstand: Die Zahlungsschiene x402 wurde 2025 spezifiziert. Eigens gebaute Deckung für Transaktionen auf dieser Schiene wird noch Jahre bis zur Reife brauchen. Dieser Rückstand ist in jedem neuen Markt strukturell angelegt: Die Cyberversicherung brauchte nach den ersten großen digitalen Schadensereignissen ein Jahrzehnt, um brauchbare Underwriting-Modelle zu entwickeln. Für den A2A-Handel beginnt dieser Rückstand jetzt.

Beim x402-Settlement wird A2A-Versicherung konkret

x402 wird oft als bequeme Zahlungsschicht beschrieben. Für das Design einer Versicherung ist es ein Problem des Settlement-Timings. Handel zwischen Agents läuft in zwei Uhren gleichzeitig: HTTP-Entscheidungen fallen sofort, die Finalität auf der Blockchain kommt erst nach Propagation und einer gewissen Bestätigungstiefe. Ein Verkäufer-Agent kann Leistung in Millisekunden liefern, während die Zahlungssicherheit über mehrere Blöcke hinweg weiter probabilistisch ist. Genau in diesem kurzen Intervall entsteht unkompensiertes Risiko. Ignorieren Versicherungsprodukte dieses Intervall, bepreisen sie Risiko falsch und lehnen Ansprüche ab, die technisch real sind. Modellieren sie es ausdrücklich, bekommt der Markt eine messbare Trigger-Fläche statt einer vagen Kategorie namens AI-Unsicherheit.

Praktisch heißt das: Schäden unter x402 sehen selten nach klassischem Betrug oder Fahrlässigkeit aus. Sie sehen aus wie ein Mismatch im Protokollzustand: eine Leistung, die auf einen zum Prüfzeitpunkt gültigen, zum Abwicklungszeitpunkt aber instabilen Nachweis hin gewährt wurde, ein Replay von Zahlungsartefakten über parallele Routen, oder wiederholte Mikrotransaktionen, die einzeln regelkonform bleiben und in Summe die wirtschaftliche Vollmacht sprengen. Bestehende Cyber- und E&O-Bedingungen sind für diese Muster nicht gebaut. Im Underwriting ist das versicherte Ereignis nicht die Absicht des Nutzers. Es ist eine überprüfbare Abweichung zwischen Ausführungszustand und Abwicklungszustand unter dokumentierten Kontrollen. Diese Rahmung ist wichtig, weil sie schwer zu argumentierende Erzählungen in deterministische, maschinell prüfbare Ereignisse verwandelt.

Ein settlement-bewusster Schadensprozess sollte fünf Artefakte standardmäßig erfassen. Erstens: die Autorisierungskette zum Ausführungszeitpunkt, inklusive delegiertem Rahmen und Limits. Zweitens: den exakten Zahlungsnachweis, den der Facilitator geprüft hat, mit Betrag, Nonce, Chain und Signaturkontext. Drittens: den Ausführungs-Trace dessen, was vor und nach den Verifikations-Gates geliefert wurde. Viertens: Telemetrie zum Abwicklungsfortschritt von der Mempool-Annahme bis zur Finalitätsschwelle. Fünftens: Streitfall-Metadaten, die den Fehler einer definierten Klasse zuordnen, etwa Identitätsunklarheit, veraltete externe Daten, Concurrency-Race oder falsch konfigurierte Policy. Sind diese Aufzeichnungen standardisiert, können Schadensregulierer Kausalität schnell prüfen und Versicherer große Teile der Entscheidung automatisieren.

Die Deckung lässt sich dann parametrisch aufbauen. Trigger A zahlt, wenn der gelieferte Wert im Fenster vor der Finalität eine konfigurierte Vertrauensschwelle überschreitet. Trigger B zahlt, wenn eine Aktion außerhalb der nachgewiesenen Delegationskette liegt, selbst wenn die Zahlung später abgewickelt wird. Trigger C zahlt, wenn die Summe der Ausgaben durch hochfrequente, regelkonforme Transaktionen die Portfoliolimits überschreitet. Jeder Trigger sollte saubere Kontrollen zur Bedingung für die Auszahlung machen: nicht wiederverwendbare Belege, eine Richtlinie zur Bestätigungstiefe und unveränderliches Logging. Das schafft einen klaren Vertrag zwischen Engineering und Versicherung. Betreiber wissen, welche Kontrollen die Deckung erhalten. Versicherer wissen, welche Kontrollen das Tail-Risiko senken. Im Schadensfall geht es um die Konformität der Nachweise, nicht um nachträgliche Auslegung.

Gleichzeitig wird die Prämienlogik besser. Agents, die die Bestätigungstiefe nach Transaktionsklasse durchsetzen, das Cache-Verhalten für bezahlte Endpunkte isolieren und die Ausführung reservebewusst freigeben, sollten günstigere Sätze bekommen, weil ihre Settlement-Unsicherheit kleiner und beobachtbar ist. Agents, die nur auf Latenz optimieren und dabei diese Kontrollen schwächen, sollten deutlich mehr zahlen oder den Zugang zu automatischen Auszahlungswegen verlieren. So funktioniert jeder reife Versicherungsmarkt: Governance, die die Schadensvarianz messbar senkt, wird belohnt, und Governance, die Varianz nach außen abwälzt, wird wieder eingepreist. Auf der Settlement-Ebene ist dieses Signal am stärksten, weil dort festgehalten wird, was beim Geldfluss tatsächlich passiert ist, und nicht, was ein Policendokument versprochen hat.

Für Masumi ist dieser Teil des Marktes sofort angehbar. Das Netzwerk hat bereits das, was Versicherer am dringendsten brauchen: Identität, Wallets, Transaktionsbelege und nachvollziehbares Verhalten der Agents. Der nächste Schritt: Standards für Settlement-Nachweise und Trigger-Definitionen in ein zertifizierbares Profil packen, das Versicherer sofort zeichnen können, und mit wachsender Schadensdatenbasis in Richtung vollständiger parametrischer A2A-Produkte ausbauen. Wer auf das perfekte Produkt wartet, überlässt anderen das Feld. Wer jetzt ein Settlement-Framework liefert, das den Nachweis an die erste Stelle setzt, baut einen aktuariellen Vorsprung auf, der sich verstärkt. Jede Transaktion wird zu strukturierten Trainingsdaten für bessere Preise, schnellere Auszahlungen und belastbare Deckungsentscheidungen.

Meine Einschätzung

Das Überraschendste an dieser Recherche: Die technischen Bausteine für A2A-Versicherung gibt es bereits. Das Framework für trace-ökonomisches Underwriting ist peer-reviewed und funktioniert. Vertragsklauseln, die sich nicht austricksen lassen, sind formal bewiesen. Zertifizierungsgebundene Preise werden pilotiert. Die On-Chain-Abwicklungsinfrastruktur trägt 194 Millionen US-Dollar an aktiver Deckung. [Konfidenz HOCH: Primärquellen, mehrere sich stützende Papers und Bestätigungen von Versicherern]

Was fehlt, ist jemand, der diese Teile zu einem Produkt zusammensetzt, das eigens für Transaktionen zwischen Agents gebaut ist: Versichert ist ein Agent, Gegenpartei ist ein Agent, und der Nachweis im Schadensfall kommt aus Ausführungs-Traces statt aus menschlichen Aussagen.

Wer dem am nächsten kommen will, muss zwei Silos verbinden, die nicht miteinander reden. Die von Lloyd's gedeckte Welt der AI-Haftung (Armilla, Testudo, AIUC) hat Underwriting-Kompetenz und Draht zu den Aufsichtsbehörden, bepreist aber weiterhin Risiko zwischen Unternehmen und Kunden. Die Welt der blockchain-nativen Vertrauensinfrastruktur (Nexus Mutual, Agency Protocol, Masumi) hat On-Chain-Abwicklung und agent-native Vertrauensmodelle, ist aber auf DeFi-Protokollrisiko bepreist. Das Produkt, auf das es ankommt, braucht beides.

Für das Masumi Network im Besonderen ist das nicht nur eine Marktbeobachtung, sondern eine Chance zur Positionierung. Masumis Architektur gibt Agents eine vollwertige Identität, Stablecoin-Wallets und eine On-Chain-Transaktionshistorie. Das ist genau der Audit Trail und die Abwicklungsinfrastruktur, die eine A2A-Versicherung braucht. Die Frage ist nicht, ob man in diesem Feld mitspielt. Die Frage ist, ob man das Deckungsprodukt selbst baut, den Zertifizierungsstandard setzt, auf den sich die Produkte anderer beziehen, oder mit einem Coverholder von Lloyd's die weltweit erste parametrische Agent-to-Agent-Police auf Basis blockchain-nativer Nachweise zeichnet. Alle drei Wege sind vertretbar. Das Zeitfenster für den ersten Zug ist noch offen.

Ein ehrlicher Vorbehalt zur Marktgröße: Die Projektion von 0,3 auf 11,5 Mrd. US-Dollar und die 32,5 % CAGR stammen von Marktforschungsfirmen, die ihre Methodik nicht offenlegen. Die Richtung ist glaubwürdig, als Anker für ein Finanzierungsmodell taugen die Zahlen nicht. Die regulatorischen Termine, EU AI Act August 2026, Richtlinie EU 2024/2853 Dezember 2026, California AB 316 Januar 2026, sind aus Primärquellen bestätigt und haben HOHE Konfidenz. Die Produktdaten der Versicherer sind über den Buyer's Guide von aicoverageguide.com bestätigt, zuletzt geprüft am 26. Juli 2026. [Konfidenz MITTEL bei der Marktgröße, HOCH bei Regulierung und Versicherern]

Quellen

[1] Verisk AI Exclusions: CG 40 47, CG 40 48, and CG 35 08 — Gridex | https://gridex.dev/blog/verisk-ai-exclusions/ | "CG 40 47 excludes bodily injury, property damage, and personal injury arising out of generative AI; is used across the majority of U.S. P&C policies." (2026)

[2] The End of Silent AI: New Insurance Exclusions | https://www.theleveragedyears.com/ai-regulation-news/iso-generative-ai-insurance-exclusions-2026 | "By April 2026, major carriers had filed AI exclusion language; state regulators approved 80%+ of submissions." (2026)

[3] Armilla AI raises $25m to expand AI liability coverage — Fintech Global | https://fintech.global/2026/01/23/armilla-ai-raises-25m-to-expand-ai-liability-coverage/ | "$25M Lloyd's limit; Chaucer, Axis Capital, Convex, Swiss Re, Greenlight Re as underwriters." (Januar 2026)

[4] Insurers Face Hidden AI Liability as Agent Risks Multiply — Insurance Business Magazine | https://www.insurancebusinessmag.com/us/news/technology/insurers-face-hidden-ai-liability-as-agent-risks-multiply-582433.aspx | "Enterprise AI spend +300% in 2025; bulk of exposure sits as unpriced silent coverage." (2026)

[5] Anthropic Project Deal study (April 2026) — via Agentic Commerce Research Series Run #27 (23. Juli 2026) | Internes Forschungsarchiv | "69 agents, 186 deals, $4,000+ in transactions. Haiku vs Opus: sellers with Haiku agents received materially worse prices, and Opus sellers extracted $2.68 more per item on average. Haiku buyers rated deals equally fair despite worse outcomes." (2026)

[6] SecureW2 — A2A Protocol Security | https://securew2.com/blog/a2a-protocol-security | "Agent card as primary attack surface; Google AP2 creates authorization audit records but remains optional." (2026)

[7] TAMAS — Adversarial risks in multi-agent LLM systems | https://arxiv.org/abs/2511.05269 | "Benchmarks collusion, cascading failures, information leakage across agent boundaries." (2025)

[8] AI Liability Insurance Buyer's Guide | https://aicoverageguide.com/comparison.html | "Full carrier comparison table; 10+ products; last verified 2026-07-26." (Juli 2026)

[9] Munich Re aiSure via Mosaic | https://www.munichre.com/en/solutions/for-industry-clients/insure-ai.html | "Performance threshold breach coverage up to $15M; no negligence predicate." (März 2026)

[10] Nexus Mutual — DeFi Cover | https://nexusmutual.io/ | "Capital pool ranged $60M–$200M during 2024–2026 per on-chain data. Integrated Symbiotic reinsurance layer Nov 2025. 100+ cover products." (2024–2026)

[11] Xu, Dai, Yang, Zhang — Trace-Economic Underwriting | https://arxiv.org/abs/2606.16465 | "Pricing error reduced $17,700→$569; CVaR95 -72% via trace-conditioned controls." (Juni 2026)

[12] Chen, Hao-Hsuan — Gaming-Resistant Insurance Contracts | https://arxiv.org/abs/2606.16326 | "5-attack space characterized; 3 defensive clauses: common-control aggregation, interface compliance, model-identity menu." (Juni 2026)

[13] Insuring Every Action: Authority Frontier Framework | https://arxiv.org/html/2605.25632 | "Runtime actuarial control; prices each side-effect-bearing action against safe default; gates on reserve budget." (2026)

[14] Klaimee — Certification-Linked AI Insurance | https://www.klaimee.ai/blog/ai-liability-insurance | "Scores agents on 8 dimensions; premiums tied to certification score; coverage as governance incentive." (2025-2026)

[15] FactMR — AI Agent Liability Insurance Services Market | https://www.factmr.com/report/ai-agent-liability-insurance-services-market | "$0.3B (2025) → $11.5B (2036). Forecast — methodology not disclosed. [MEDIUM confidence]" (2025)

[16] MarketIntelo — Autonomous AI Agent Liability Insurance Market | https://marketintelo.com/report/autonomous-ai-agent-liability-insurance-market | "$1.2B (2025) → $14.8B (2034), CAGR 32.5%. [MEDIUM confidence]" (2025)

[17] MarketIntelo — Autonomous AI Agent Liability Insurance Market | https://marketintelo.com/report/autonomous-ai-agent-liability-insurance-market | "250,000 production AI agents globally in 2026; projected 2.1M by 2034." (2025)

[18] FactMR — AI Agent Liability Insurance Services Market | https://www.factmr.com/report/ai-agent-liability-insurance-services-market | "AI-related legal claims expected to exceed 2,000 worldwide by end of 2026." (2025)

[19] AI Agent Insurance Europe — Complete 2026 Market Guide | https://agentinsured.eu/articles/ai-agent-insurance-europe-complete-market-guide-2026 | "EU AI Act deployer duties August 2026; Directive EU 2024/2853 strict liability December 2026." (2026)

[20] 2026 State AI Bills Expanding Liability — Wiley | https://www.wiley.law/article-2026-State-AI-Bills-That-Could-Expand-Liability-Insurance-Risk | "California AB 316 effective January 1, 2026; prohibits AI autonomy as civil liability defense." (2026)

[21] IMDA Singapore — Legal Responsibility for AI Agents Discussion Paper | https://www.imda.gov.sg/-/media/imda/files/about/emerging-tech-and-research/artificial-intelligence/agents-legal-responsibility.pdf | "20+ legal experts; May 2026." (Mai 2026)

[22] Underwriting the Agent Economy — Blueprint for AI Insurance Stack | https://www.underwriting-agents.com/ | "Authors from QBE, Generali, Anthropic, OpenAI, Stanford, MIT, Oxford. Eight-component AI Insurance Stack." (Juli 2026)

[23] Statista / World Business Media Ltd — Cyber Insurance Premiums | statista://chart/1190833 | "$14.6B (2024) → $24.4B (2029), ~10.8% CAGR. [HIGH confidence, premium Statista]" (2025)

[24] Statista / Goldman Sachs — AI Adoption in Insurance | statista://chart/1610910 | "29% (2024) → 48% (2025) actively using AI. [MEDIUM — single-source Goldman Sachs survey]" (März 2025)