Lisa Hartmann 
79 Prozent der europäischen Versicherer haben eine ESG-Strategie – aber nur 13 Prozent haben sie wirklich in ihre Anlagepraxis integriert. Genau in diese Lücke stoßen jetzt Hybrid-Quantenalgorithmen vor. Was dahinter steckt, was heute tatsächlich funktioniert und wo der Haken liegt: ein nüchterner Kassensturz.
Rechnen wir nach. Laut der KPMG EMA ESG Insurance Benchmarking Survey 2024 haben 79 Prozent der befragten Versicherer in Europa, dem Nahen Osten und Afrika eine globale ESG-Strategie verabschiedet. Klingt beeindruckend. Doch nur 13 Prozent haben diese Strategie vollständig in ihre Geschäftspraktiken integriert. Wer hier kurz innehält, erkennt: Das ist keine Kommunikationslücke. Das ist ein operatives Versagen auf breiter Front.
Konkret bedeutet das: Ein Lebensversicherer mit, sagen wir, fünf Milliarden Euro Kapitalanlagebestand hat möglicherweise eine 40-seitige ESG-Policy im Vorstand verabschiedet – aber sein Portfoliomanagement optimiert noch immer nach klassischen Rendite-Risiko-Parametern, ergänzt um manuelle Ausschlusslisten. Das ist ungefähr so, als würde man eine Diätplanning-App kaufen und weiterhin nach Gefühl essen.
Der Grund für diese Lücke ist handfest: ESG-Portfolios sind kombinatorisch enorm komplex. Ein Versicherer muss gleichzeitig Renditeziele, Risikobudgets, Sektor-Emissionslimits, Ausschlusskriterien nach Artikel 8 oder 9 der EU-Offenlegungsverordnung und interne Governance-Vorgaben unter einen Hut bringen. Das sind keine zwei oder drei Variablen. Bei einem mittelgroßen institutionellen Portfolio mit 300 bis 500 Titeln und zwölf Constraint-Klassen explodiert der Lösungsraum klassischer Optimierungsverfahren schlicht.
Genau hier setzt die Debatte um Hybrid-Quantenalgorithmen an. Meine Einschätzung vorab: Der Begriff wird derzeit sehr großzügig verwendet. Was tatsächlich belastbar ist und was Marketing-Hype bleibt, sortieren wir im Folgenden.
Ein hybrider Quantenalgorithmus ist kein Quantencomputer, der alleine arbeitet. Er kombiniert klassische Rechenarchitektur mit einem Quanten-Subroutine-Anteil. Praktisch läuft das so: Der klassische Teil übernimmt Datenaufbereitung, Vorselektion und Constraint-Modellierung. Der Quantenteil – oft über eine Cloud-API eines QaaS-Anbieters wie Terra Quantum abgerufen – bearbeitet das eigentliche kombinatorische Kernproblem.
Warum dieser hybride Ansatz? Weil heutige Quantenhardware noch nicht groß oder fehlerstabil genug ist, um End-to-End-Produktionssysteme in der Finanzindustrie zu betreiben. Hybride Modelle sind damit keine Notlösung, sondern der realistische Stand der Technik. Das sollte jeder institutionelle Investor wissen, bevor er Budgets freigibt.
Für ein ESG-Portfolio konkret: Algorithmen wie der Quantum Approximate Optimization Algorithm (QAOA) oder variationelle Quanten-Eigenlöser können eingesetzt werden, um aus einem vorselektierten Anlageuniversum unter mehreren simultanen Restriktionen effizienter eine Paretooptimale Allokation zu approximieren. Das ist theoretisch interessant. PPI AG beschreibt solche Quantenalgorithmen als potenzielle Beschleuniger für Portfoliooptimierung und Derivatebepreisung – und betont dabei explizit den Forschungscharakter dieser Ansätze.
Der Haken ist unvermeidlich: Ob und wann ein echter ökonomischer Vorteil gegenüber starken klassischen Optimierungsverfahren entsteht, ist nach aktuellem Forschungsstand nicht allgemein belegt. Hybride Algorithmen können in der Praxis auch langsamer sein, wenn Hardware-Overhead und Datenübertragung dominieren.
Zum Vergleich: In der klassischen Asset-Management-Industrie gibt es Optimierungstools, die seit Jahrzehnten robust laufen – von BlackRock Aladdin bis hin zu hausinternen Quadratischen-Programmierungs-Solvern. Warum sollte ein Versicherer davon abrücken?
Die Antwort liegt in der wachsenden Constraint-Komplexität. Je mehr ESG-Restriktionen ein Portfolio gleichzeitig erfüllen muss – Klimapfade nach Paris-Alignment, SFDR-Artikel-9-Konformität, Carbon-Budget-Limits, Biodiversitäts-Ausschlüsse – desto mehr stoßen klassische Quadratische-Programmierungs-Ansätze an Skalierungsgrenzen. Besonders wenn diskrete Ausschlüsse und kontinuierliche Gewichtungen gemischt werden, wird das Problem NP-schwer.
Konkret laufen nach Branchenberichten und Pressemitteilungen von QaaS-Anbietern wie Terra Quantum seit Frühjahr 2026 erste Pilotprojekte mit europäischen Versicherern. Dabei geht es um ESG-Screening-Pipelines und Klimarisikomodelle. Der realistische Rahmen dieser Projekte: Proof-of-Concept-Phasen, in denen hybride Ansätze gegen klassische Benchmarks getestet werden. Produktive Milliardenportfolios läuft über diese Systeme noch nicht.
Akademisch unterfüttert ist das Forschungsfeld bereits: Eine wissenschaftliche Arbeit, die über OPUS publiziert wurde, beschreibt einen Quantum-Computing-Ansatz für ESG-freundliche Aktienportfolios mit integrierter Utility-Funktion. Das ist Forschungsbasis, kein Produktivbeweis – aber es zeigt, dass die theoretische Modellierung voranschreitet.
Hier muss ich als Journalistin einhaken, bevor wir uns in Algorithmen-Romantik verlieren. Der größte Engpass bei der Quantenoptimierung von ESG-Portfolios ist nicht die Quantenhardware. Es sind die ESG-Daten selbst.
Rechnen wir nach: Wenn drei verschiedene ESG-Rating-Agenturen dasselbe Unternehmen bewerten, können die Scores erheblich voneinander abweichen – das ist in der Branche gut dokumentiert und gilt etwa für Anbieter wie MSCI, Sustainalytics und ISS. Diese Inkonsistenz ist kein Randproblem. Sie ist strukturell. Ein Quantenalgorithmus, der auf schlechten oder uneinheitlichen ESG-Inputs optimiert, produziert eine schnellere schlechte Lösung – nicht eine bessere.
Versicherer als institutionelle Investoren haben laut einer Studie von plenum die Möglichkeit, erhebliche Kapitalströme in nachhaltige Anlagen zu lenken. Diese Hebelwirkung ist real. Aber sie setzt voraus, dass die zugrundeliegenden ESG-Daten valide, konsistent und aktuell genug sind, um als Optimierungsinput zu taugen. Das ist heute bei vielen Versicherern noch nicht der Fall.
Konkret: Ein mittelgroßer europäischer Versicherer, der sein 3-Milliarden-Euro-Anleiheportfolio nach Artikel-9-Kriterien optimieren möchte, muss zunächst für jeden Emittenten konsistente CO₂-Intensitätsdaten, Governance-Scores und Sozialkriterien in maschinenlesbarer Form vorhalten. Das ist ein Datenprojekt, bevor es ein Algorithmus-Projekt wird. Quantenoptimierung auf schlechter Datenbasis ist wie ein Formel-1-Motor in einem Auto ohne Räder.
Es wäre unredlich, die kritischen Stimmen zu übergehen – denn sie sind zahlreich und gut begründet. Ein zentrales Argument lautet: Für die Portfoliogrößen, mit denen europäische Versicherer typischerweise arbeiten, sind klassische Optimierungsverfahren wie Branch-and-Bound, simulated Annealing oder konvexe Relaxation bereits sehr leistungsfähig. Die kombinatorische Explosion, die Quantenverfahren erst wirklich relevant macht, tritt in der Praxis oft erst bei Problemgrößen auf, die über das hinausgehen, was selbst große Versicherer täglich optimieren müssen.
Ein zweites Argument betrifft den Reifegrad der Hardware. Aktuelle Quantenprozessoren mit wenigen hundert bis wenigen tausend Qubits sind noch erheblich fehleranfällig. Die Fehlerkorrektur selbst verbraucht einen großen Teil der verfügbaren Qubit-Kapazität. Das bedeutet: Die effektiv nutzbaren logischen Qubits für Produktionsanwendungen sind deutlich kleiner als die nominale Qubit-Zahl suggeriert. Wer das nicht einrechnet, vergleicht Äpfel mit Orangen.
Ein drittes, oft unterschätztes Argument: Der Wettbewerb schläft nicht. Klassische Optimierungsverfahren profitieren ebenfalls von Fortschritten in der Hardwarearchitektur – NVIDIA-GPUs, spezialisierte ASIC-Chips und verbesserte Solver-Algorithmen verschieben die Grenze des klassisch Machbaren fortlaufend nach oben. Das bedeutet, dass der potenzielle Quantenvorteil ein bewegliches Ziel ist. Wer heute einen Quantenvorteil für ein bestimmtes Portfolioproblem nachweist, muss morgen prüfen, ob derselbe Nachweis noch gilt.
Diese Einwände entwerten den Ansatz nicht grundsätzlich – aber sie mahnen zur Nüchternheit. Hybrid-Quantenalgorithmen für ESG-Portfolios sind ein sinnvolles Forschungsfeld, kein sicheres Investment in operativen Nutzen.
Unter dem Strich gibt es einen Bereich, in dem Hybrid-Quantenalgorithmen für Versicherer mittelfristig konkreten Wert liefern könnten: Regulatorische Berichterstattung und Stresstests. Die SFDR-Anforderungen, die CSRD und perspektivisch die DORA-Implikationen für Risikomodelle erzeugen erheblichen Rechendruck.
Zum Vergleich: Ein klassischer Monte-Carlo-Klimarisikomodell-Lauf für ein diversifiziertes Versicherungsportfolio mit 500 Titeln und 10.000 Szenarien kann auf Standard-Hardware mehrere Stunden dauern. Wenn dieselbe Berechnung über hybride Quanten-Sampling-Verfahren auf einen Bruchteil dieser Zeit reduziert werden könnte, wäre das ein konkreter operativer Vorteil – unabhängig davon, ob die Portfoliooptimierung selbst quantenbeschleunigt ist.
Algorithmisches Trading und quantenbeschleunigtes Risikomanagement berühren sich hier: Latenzreduktion bei Risikoberechnungen ermöglicht häufigere Rebalancing-Zyklen und damit eine dynamischere ESG-Compliance-Überwachung. Das ist kein theoretisches Spielzeug. Das ist ein valider Business Case – vorausgesetzt, die Quantenhardware-Infrastruktur wird stabiler und die API-Latenz der QaaS-Anbieter sinkt weiter.
Paragraph 25a KWG sowie die einschlägigen EIOPA-Leitlinien zu Risikomodellen setzen hier einen regulatorischen Rahmen. Quantenbeschleunigte Risikomodelle müssen denselben Validierungsanforderungen genügen wie klassische Verfahren. Das ist keine Kleinigkeit: Neue Algorithmen brauchen interne Modellvalidierung, Backtesting und aufsichtliche Abnahme. Das dauert.
Rechnen wir nach, was Constraint-Komplexität in Euro bedeutet. Nehmen wir einen deutschen Lebensversicherer mit einem Aktienportfolio von 500 Millionen Euro, das nach Artikel 9 SFDR klassifiziert sein soll. Gleichzeitig gilt: maximale Allokation in Kohle- und fossile Energiewerte null Prozent, Mindestanteil Green-Bond-Emittenten 20 Prozent, maximaler Tracking Error zum internen Benchmarkindex 150 Basispunkte, Risikobudget nach Solvency II Säule I eingehalten.
Wer jetzt klassisch optimiert, löst ein Mixed-Integer-Quadratic-Programming-Problem. Bei 300 Titeln und sechs aktiven Constraint-Klassen kann das mit kommerziellen Solvern gut funktionieren. Aber: Sobald zeitvariante ESG-Restriktionen dazukommen – etwa monatlich aktualisierte Carbon-Budget-Pfade oder dynamische Ausschlusslisten – steigt die Neuberechnungsfrequenz, und klassische Solver werden teuer. Schon eine tägliche Neuoptimierung kostet je nach Infrastruktur schnell mehrere Tausend Euro an Rechenzeit pro Monat.
Wenn ein hybrider Quantenansatz diese Optimierungszeit auf ein Zehntel reduzieren könnte – was nach aktuellem Forschungsstand für bestimmte Problemklassen möglich erscheint, aber nicht garantiert ist –, wäre das bei einem mittleren Versicherer eine jährliche Einsparung im mittleren sechsstelligen Bereich. Keine Revolution. Aber eine reale Rendite auf die Technologieinvestition.
Drei Handlungsschritte sind aus meiner Sicht belastbar – nicht weil Quantencomputer schon alles können, sondern weil die Vorbereitung heute entscheidet, wer morgen schnell skalieren kann.
Erstens: ESG-Datenhaushalte konsolidieren. Bevor ein einziger Euro in Quanten-Piloten fließt, braucht jeder institutionelle Versicherer eine saubere, maschinenlesbare ESG-Datenbasis. Das bedeutet konkret: Einheitliche Rating-Quellen definieren, Datenqualität automatisiert prüfen, Ausschlusslisten API-fähig machen. Ohne das ist jede Algorithmus-Diskussion akademisch.
Zweitens: Hybride Optimierung als Forschungsprojekt starten. Wer intern oder über externe QaaS-Anbieter erste Proof-of-Concept-Läufe initiiert, baut Know-how auf – ohne produktive Portfolios zu gefährden. Dabei sollte klar definiert sein, gegen welchen klassischen Benchmark der Quantenansatz gemessen wird. Ohne definierten Maßstab ist kein Lerneffekt möglich.
Drittens: Regulatorische Validierung früh einplanen. EIOPA-konforme Modellvalidierung und interne Modell-Governance-Anforderungen gelten für Quantenalgorithmen genauso wie für klassische Risikomodelle. Wer das erst am Ende des Pilotprojekts denkt, verliert Monate. Die Aufsicht ist kein Feind dieser Technologie – aber sie ist auch kein Beschleuniger, wenn die Dokumentation fehlt.
Um die abstrakten Handlungsschritte greifbar zu machen, skizzieren wir ein vorsichtiges Praxis-Szenario – ohne konkrete Unternehmensnennung, da produktive Systeme dieser Art öffentlich kaum dokumentiert sind.
Stellen wir uns einen mittelgroßen deutschen Schaden- und Unfallversicherer vor, der sein Kapitalanlageportfolio von rund zwei Milliarden Euro nach SFDR-Artikel-8-Kriterien führt und mittelfristig auf Artikel 9 upgraden möchte. Der erste Schritt in einem solchen Pilotprojekt wäre nicht die Beschaffung von Quantencomputing-Kapazität, sondern eine achtwöchige Daten-Audit-Phase: Welche ESG-Daten liegen in welcher Qualität vor, welche Lücken bestehen bei Scope-3-Emissionen kleinerer Anleiheemittenten, und welche Constraint-Klassen sind bereits maschinenlesbar formalisiert?
Im zweiten Schritt würde das Team ein klassisches Benchmark-Optimierungsmodell aufsetzen – typischerweise auf Basis eines kommerziellen Mixed-Integer-Solvers – und dessen Laufzeit sowie Lösungsqualität für das konkrete Portfolio dokumentieren. Erst danach, in einem dritten Schritt, käme ein hybrider QAOA-Ansatz über eine QaaS-Schnittstelle zum Einsatz, der auf identischen Inputs und identischen Constraints läuft. Der Vergleich der Ergebnisse – Lösungsqualität, Laufzeit, Energie- und Kostenaufwand – gibt dann eine belastbare Grundlage für die Entscheidung, ob eine weitere Skalierung sinnvoll ist.
Dieses Vorgehen klingt unspektakulär. Das ist beabsichtigt. Technologieprojekte im institutionellen Kapitalanlagebereich, die mit spektakulären Versprechungen starten, enden häufig in teuren Schubladenprojekten. Ein iterativer, benchmark-orientierter Ansatz schützt vor diesem Schicksal – und produziert gleichzeitig die Dokumentation, die Aufsichtsbehörden bei einer späteren Genehmigung produktiver Systeme verlangen werden.
Der Versicherungssektor steht vor einem strukturellen ESG-Optimierungsproblem, das real ist und wächst. Hybrid-Quantenalgorithmen sind ein theoretisch vielversprechender Ansatz für genau dieses Problem – aber der breite Produktivnachweis im Versicherungsbereich fehlt noch. Die Pilotprojekte des Frühjahrs 2026 sind ein Anfang, kein Beweis.
Wer jetzt mit dem Argument „Quanten werden alles lösen“ Investitionsentscheidungen trifft, kauft Erwartungen, keine Rendite. Wer hingegen jetzt seine ESG-Datenbasis ordnet, Optimierungsarchitekturen hybrid denkt und regulatorische Anforderungen einbaut, der ist für den Moment vorbereitet, wenn Quantenhardware stabil genug für produktive Portfoliogrößen wird.
Und die entscheidende Frage, die sich kein Investmentausschuss eines Versicherers aktuell verkneifen sollte: Ist unser heutiger ESG-Optimierungsprozess überhaupt gut genug, dass ihn Quantenbeschleunigung sinnvoll verbessern könnte – oder optimieren wir gerade nur schneller auf schlechten Daten?
