Kommentar von André Landefeld und Alexander Horn, Q_Perior

KI in der Versicherungswirtschaft – Potenziale und Grenzen

| Autor / Redakteur: André Landefeld und Alexander Horn / Nico Litzel

Die Versicherungsbranche ist noch zurückhaltend, wenn es um die Implementierung von Künstlicher Intelligenz (KI) geht. Dabei besitzt sie mit ihrer daten- und informationsbasierten Dienstleistung die ideale Basis, um KI einzusetzen.
Die Versicherungsbranche ist noch zurückhaltend, wenn es um die Implementierung von Künstlicher Intelligenz (KI) geht. Dabei besitzt sie mit ihrer daten- und informationsbasierten Dienstleistung die ideale Basis, um KI einzusetzen. (Bild: © Jakub Jirsák - stock.adobe.com)

Von Künstlicher Intelligenz (KI) versprechen sich Viele die nächste wirtschaftliche und kulturelle Revolution. Kein Wunder, dass sich Unternehmen mit Investitionsprogrammen in KI überbieten. Die Versicherungsbranche geht die Implementierung von KI noch vergleichsweise ruhig an. Große Ankündigungen lassen auf sich warten. Dabei besitzt die Branche mit ihrer daten- und informationsbasierten Dienstleistung die ideale Basis, um KI einzusetzen.

Die Erkennung von Mustern und die darauf basierende Berechnungen von Wahrscheinlichkeiten ist im Bereich des Risikotransfers Teil der DNA von Versicherungen. Und genau in diesem Feld spielt KI ihre Stärke aus.

Zahlreiche KI-Use-Cases werden in der Branche bereits diskutiert. Ein Großteil der Ideen befindet sich jedoch noch im Experimentierstadium. Klare Umsetzungsstrategien und fachliche Best Practices haben sich noch nicht herausgebildet. Das liegt vor allem daran, dass die Möglichkeiten der KI schwer überschaubar sind und Use Cases in der jüngeren Vergangenheit häufig zu optimistisch gedacht wurden. Entscheidern fällt es daher zunehmend schwer, geeignete und wirtschaftlich sinnvolle Einsatzszenarien für die Künstliche Intelligenz zu identifizieren.

Investitionsentscheidungen sollten daher aus zwei Richtungen betrachtet werden: Neben dem möglichen Nutzenpotenzial muss auch der Reifegrad der konkreten KI-Implementierung eingeschätzt werden. Andernfalls sind Enttäuschungen am Ende des Projekts vorprogrammiert. Aus ökonomischer Sicht besteht häufig die Erwartung, dass sich Prozesse durch den Einsatz von KI-Technologie vollständig automatisiert verarbeiten lassen. Auf dieser Basis wird schnell gerechnet, wie viele Ressourcen sich einsparen oder in umsatzstärkeren Bereichen einsetzen lassen. Hier wird allerdings nicht selten der technische Reifegrad außer Acht gelassen oder schlichtweg überschätzt.

Viele Use Cases sind heute mit der entsprechenden KI-Technologie bereits denkbar oder im Sinne eines Proof of Concepts machbar – wenige allerdings effizient umsetzbar. Das liegt zum einen an offensichtlichen Hürden wie etwa methodischen Grenzen, Rechenkapazität, Integration in die bestehende IT-Architektur oder Datenverfügbarkeit und -integrität. Zum anderen kommen Aspekte wie rechtliche Grenzen, ethische Bedenken oder fehlende gesellschaftliche Akzeptanz hinzu. All diese Faktoren sind entscheidend für den Erfolg oder Misserfolg einer Investition in KI-Use-Cases.

Use-Case-Matrix für Nutzenpotenzial und Reifegrad

In der Beratungspraxis hat sich zur Entscheidungsfindung eine Use-Case-Matrix bewährt, die die Blickwinkel Nutzenpotenzial und Reifegrad gegenüberstellt: Das Nutzenpotenzial bemisst den erzeugten Zusatznutzen, der durch KI-Investitionen generiert wird. Wichtig bei der individuellen Beurteilung ist, ob im Status quo bereits bewährte Alternativen ohne KI im Einsatz sind. Der Reifegrad auf der anderen Seite bemisst die produktive Einsatztauglichkeit des Use Case, der in drei Stufen gegliedert wird: denkbar, machbar und effizient einsetzbar.

„Denkbar“ beschreibt als niedrigste Stufe Fälle, in denen sich die Aufgabenstellung für die KI fachlich formulieren lässt, eine praktische Erprobung der Machbarkeit aber nicht möglich ist. Zum einen kann dies an fehlenden, aber notwendigen KI-Methoden oder Trainingsdaten für die Problemstellung liegen. Zum anderen kann es sein, dass ein Praxiseinsatz rechtlich unzulässig ist oder, dass ethische Bedenken einem Einsatz im Wege stehen.

„Machbar“ als zweite Stufe umfasst alle KI-Anwendungen, die praktisch pilotierbar sind, deren effizientem Einsatz im Tagesgeschäft aber häufig noch Hindernisse im Wege stehen. Die typischen Hürden sind hochgradig kundenindividuell – die kritischen Fragestellungen sind: Liegen alle Input-Daten in der benötigten Qualität vor? Ist die Prognosegüte der KI ausreichend? Lassen sich die KI-Ergebnisse in die konsumierenden Prozesse und Anwendungen integrieren?

„Effizient einsetzbar“ als letzte Stufe umfasst alle KI-Einsatzszenarien, die mit großer Sicherheit wirtschaftlich einsetzbar sind.

Die Abbildung zeigt eine Auswahl vieldiskutierter Use Cases mit einer Einschätzung in Hinblick auf Nutzenpotenzial und Reifegrad sowie der resultierenden Handlungsempfehlung. Für drei Anwendungsfälle wird die Beurteilung nachfolgend näher erläutert.
Die Abbildung zeigt eine Auswahl vieldiskutierter Use Cases mit einer Einschätzung in Hinblick auf Nutzenpotenzial und Reifegrad sowie der resultierenden Handlungsempfehlung. Für drei Anwendungsfälle wird die Beurteilung nachfolgend näher erläutert. (Bild: Q_Perior)

Investition in Case prüfen: Automatische Beschwerdeerkennung

Der Case umfasst die automatisierte Erkennung von Beschwerden und negativen Äußerungen aus unstrukturierten Datenströmen (z. B. E-Mail, Facebook, Twitter) zur Steuerung der Kundenbetreuung. Der Erfahrung nach lässt sich der Anwendungsfall at-scale einsetzen: Die relevanten Datenquellen sind effizient integrierbar und für die KI-Modellierung gibt es eine Reihe von Standard-Frameworks. Die Investition lohnt sich jedoch nur, wenn die Prognoseergebnisse in die Abläufe und Anwendungen zur Kundenbetreuung integriert werden.

Case näher analysieren: Dunkelverarbeitung Leistungen in der Risikolebensversicherung

Die Dunkelverarbeitung im Leistungsfall von Lebensversicherungen umfasst im Kern den KI-getriebenen Abgleich von Sterbeurkunden, Nachweisen der Erben und Bezugsberechtigten mit den Angaben aus dem Vertragsbestand. Ziel ist eine automatisierte Auszahlung oder aber die Veranlassung von weiteren Prüfungen im Einzelfall. Einer Pilotierung steht hier nichts im Wege: Sowohl die notwendigen Algorithmen als auch die Infrastruktur für Training und Inferenz sind verfügbar. Die größte Herausforderung besteht in der Praxis darin, dass eine Vielzahl an unterschiedlichsten Urkunden und Nachweisen existiert. Der Algorithmus benötigt für ein Training somit eine entsprechend breite Bilddatenbasis.

Case beobachten: KI-automatisierte Kfz-Schadenabwicklung

Der Anwendungsfall zielt auf die automatisierte Regulierung von Kfz-Schäden auf Basis von eingesendeten Bilddaten ab. Für sehr einfache Konstellationen – etwa Glasschäden – ist der Ansatz effizient einsetzbar. Bei einem breiteren Spektrum von Sachverhalten gibt es noch praktische Hindernisse auszuräumen. Die Umsetzung erfordert den Aufbau einer umfassenden historischen Bilddatenbasis für Schäden, die Verknüpfung mit Vertrags- und Schadendaten sowie die Homogenisierung der Leistungsmodalitäten in den Produkten.

Investitionsentscheidungen in KI haben Besonderheiten

Stößt man auf ein Einsatzfeld der KI, das nach Experteneinschätzung hohen potenziellen ökonomischen Nutzen mit technologischem Reifegrad verbindet und dabei gesellschaftliche Akzeptanz und rechtliche Unbedenklichkeit gegeben sind, sollte eine Investition geprüft werden. Wichtig dabei ist es jedoch, die Besonderheiten der KI-Use-Cases zu verstehen und einen langen Atem zu zeigen: oft lässt sich das volle Potenzial erst dann realisieren, wenn die Investition vollständig getätigt wurde.

Eine Beurteilung rein auf Basis von umgesetzten Minimum Viable Products (MVP) ist bei KI-Investitionen in der Regel nicht sinnvoll. Der Grund lässt sich mit einem Beispiel verdeutlichen: Eine Bilderkennung, die Kfz-Schadensfälle bewertet, bringt keinen Nutzen, wenn der Algorithmus mit 40 Prozent Trefferquote ein Auto von einem Dreirad unterscheiden kann. Erst wenn die Trefferquote deutlich höher ist und auch weitere Dimensionen (Marke, Baujahr und Schadenbild) einschließt, ergibt sich ein Anwendungsfall mit tatsächlichem Mehrwert.

Im Ergebnis werden derzeit nur wenige KI-Use-Cases eindeutig „oben rechts“ im Schaubild einzuordnen sein. Trotzdem sollten Unternehmen die Entwicklung am Markt weiter genau beobachten. Womöglich lassen sich bestehende Hürden sogar aus eigener Kraft überwinden oder durch neue technologische Entwicklungen beseitigen.

Bei der grundsätzlichen Frage, ob man auf den Erfolg von Künstlicher Intelligenz wetten sollte, erhält eine weitere Dimension unternehmerischer Entscheidungen besondere Bedeutung – denn gerade im Bereich KI gilt: Wer als erster am Markt ist, hat einen schwer einzuholenden Vorsprung.

Ergänzendes zum Thema
 
Die Autoren

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45794703 / Künstliche Intelligenz)