Politik & Regulierung

Einsatz von Künstlicher Intelligenz in der Sachversicherung bringt große Vorteile

Von Martin VinkenfluegelTagesaktuelle Informationen und Neuigkeiten aus der Versicherungsbranche. Alle Nachrichten des Tagesreports auch als Newsletter abonnierbar.
Unternehmen können heutzutage ohne großen Aufwand auf riesige Mengen an immer präziseren Daten aus einer steigenden Zahl von Quellen zugreifen. In der Sachversicherung bietet diese Datenfülle spezialisierten Risikoingenieuren im Sinne von „mehr Daten = besseres Verständnis“ grundsätzlich große Chancen für einen tieferen Einblick in die Fakten. Gleichzeitig stehen sie jedoch vor einer nicht zu unterschätzenden Herausforderung: Wie können sie vermeiden, den Überblick zu verlieren und alle relevanten Fakten im Blick zu halten? Glücklicherweise helfen uns neue Tools unter Einsatz von Künstlicher Intelligenz (KI) dabei, die Chancen zu nutzen und die Herausforderungen zu bewältigen.

Größere Leistungsfähigkeit und Wirkung

Ein besonders vielversprechender Einsatz von KI auf dem Gebiet des Risk Engineering liegt im „Maschinellen Lesen“. Softwareingenieure und Sozialwissenschaftler haben immer leistungsfähigere Algorithmen entwickelt, die die genaue Bedeutung eines Wortes oder Satzes im Kontext bestimmen und Zusammenhänge zwischen unterschiedlichen Fakten und Merkmalen erkennen können.

 

In der Praxis können Risikoingenieure daher heute KI bei der Prüfung, Analyse und Zusammenfassung riesiger Mengen an Datenmaterial über die Risikosituation von bestehenden oder potenziellen Kunden effizient einsetzen.

 

Nehmen wir beispielsweise einmal an, AXA XL wird um die Erstellung eines Angebots für ein Internationales Sachversicherungsprogramm für ein großes multinationales Unternehmen mit mehreren Hundert Produktionsanlagen auf der ganzen Welt gebeten. Das Underwriting-Team wendet sich an unsere Risikoberater, um das Gesamtrisikoprofil des potenziellen Kunden zu bewerten und die spezifischen Risiken an einzelnen Standorten zu beleuchten. Eine der Herausforderungen besteht jedoch darin, dass die betreffenden Unterlagen Tausende Seiten mit Einzelberichten zum Beispiel über den jeweiligen Standort, über Konstruktionsmerkmale, Daten zur Belegung, Spezifikationen zu Schutzsystemen, qualitative Erkenntnisse zu Managementverfahren, Daten zu Risiken von Naturkatastrophen usw. umfassen.

 

Früher haben die Risikoberater oft mehr Zeit und Aufmerksamkeit auf die Bewertung der Standorte mit den höchsten Sachwerten eines Kunden verwendet, da diese sowohl für den Kunden als auch für den Versicherer von größter Bedeutung sind. Häufig sind jedoch gerade an diesen Standorten bereits robuste Schutzmaßnahmen und Risikomanagementprogramme vorhanden. Mit den neuen Möglichkeiten, die KI bietet, können unsere Risikoberater nun auch potenziell signifikante Risiken an Standorten mit geringerem Wert besser identifizieren, wenn die relevanten Informationen nicht so offensichtlich aus der Fülle der auszuwertenden Daten hervorgehen, mit denen sie konfrontiert sind.

 

Heute kann ein Risikoberater mithilfe von KI zunächst eine erste Überprüfung und Analyse dieses Berges an Informationen durchführen. Auf der Basis der Parameter, die wir in die Software eingebaut haben, erstellt das von uns in Zusammenarbeit mit einem externen Partner entwickelte KI-Tool eine Zusammenfassung mit den relevantesten Risikotypen für jedes Objekt. Mithilfe dieser ersten Analyse können wir dann eine gründliche Recherche zu den wichtigsten Aspekten durchführen, auf die das System hingewiesen hat. Anders gesagt hilft KI unseren Risikoberatern dabei, zielgerichteter und produktiver zu arbeiten, indem sie ihnen auf der Basis einer umfassenden, kontextbezogenen Überprüfung einer Vielzahl von Daten Orientierungshilfe dazu bietet, womit sie sich eingehender befassen und worauf sie achten sollten.

 

In Übereinstimmung mit unserem Ansatz „from Payer to Partner“ nutzen wir diese neuen Möglichkeiten auch in unserer laufenden Arbeit mit Kunden, um ihnen zu helfen, ihre Risiken besser zu managen und ihr Schadenpotenzial zu senken. Unsere Risikoingenieure führen zum Beispiel jedes Jahr Tausende Vor-Ort-Besichtigungen durch. Diese sind äußerst hilfreich, um aus erster Hand ein genaues Verständnis über die Risikosituation unserer Kunden zu gewinnen und diese bei der Umsetzung praktischer und kosteneffizienter Maßnahmen zur Verbesserung der Risikolage zu unterstützen.

 

Auch bei der Priorisierung der Vor-Ort-Besichtigungen hilft uns eine Kontextanalyse verschiedenster Daten zur Geschäftstätigkeit und zu den Risiken des Kunden. So ist sichergestellt, dass wir unsere Ingenieure an die Standorte

Zielgenauere Einschätzungen

Eine weitere interessante Möglichkeit, die Fortschritte in der KI im Versicherungsbereich einzusetzen, bietet die Erweiterung von Schadenschätzungen um den Faktor Eintrittswahrscheinlichkeit.

 

Derzeit basieren Entscheidungen im Bereich Risikomanagement und Underwriting auf geschätzten maximalen Verlusten, z. B. dem größtmöglichen vorhersehbaren Schaden (Maximum Foreseeable Loss – MFL) oder der normalen Schadenerwartung (Normal Loss Expectancy – NLE). Dabei handelt es sich gewöhnlich um riesige Summen, insbesondere etwa bei sogenannten Mega-Warehouses, die mit hochpreisigem Inventar gefüllt sind. Tatsächlich kann die Wahrscheinlichkeit, dass ein Ereignis zu Schäden in Höhe der MFL- oder NLE-Werte führt, jedoch äußerst gering sein, insbesondere angesichts der Schutzsysteme, die an solchen Standorten im Allgemeinen eingerichtet sind.

 

Aber was wäre, wenn wir mit großer Sicherheit genauere Schätzungen der Wahrscheinlichkeit unterschiedlicher durchschnittlicher Schadenhöhen pro Jahr durchführen könnten? Auf der Basis dieser zusätzlichen Informationen sollten CFOs und Risikomanager in der Lage sein, ihre Strategien und ihr Budget für Risikomanagement und -minderung besser an den tatsächlichen Schaden anzupassen, der bei einem Unternehmen zu erwarten ist. Dies ist eine ganz andere Diskussion und Denkweise als bei einer reinen Fokussierung auf MFL oder NLE.

 

Die Versicherungsbranche ist eine der wenigen Branchen, in denen die Gesamtproduktionskosten – in unserem Fall sind das die Schäden, für die wir eintreten – erst irgendwann in der Zukunft bekannt werden. Aus diesem Grund setzen wir erhebliche Ressourcen ein, um mögliche künftige Ereignisse zu antizipieren. Wir werden nie die perfekte Kristallkugel haben, aber mit immer leistungsstärkeren Computern und laufend verbesserter KI können wir unsere Kunden dabei unterstützen, unterschiedliche Ereignisse zuverlässiger und klarer vorherzusehen.