Der Einsatz von KI in der Versicherung: Von der Erprobung zur unternehmensweiten Umsetzung

Künstliche Intelligenz (KI) verändert die Branchen radikal, und das Versicherungswesen bildet da keine Ausnahme. Obwohl der Versicherungssektor noch in den Erprobungsphase steckt, hat KI das Potenzial, die Versicherungspraktiken entlang der gesamten Wertschöpfungskette umzugestalten, vom Kundenservice über die Risikobewertung und den Vertrieb bis hin zur Betrugserkennung. 

Laut Unit8 „könnte KI bis 2030 Kosten in Höhe von 390 Milliarden Dollar in den Front-, Middle- und Backoffices der Versicherer einsparen”. Darüber hinaus „übertreffen Versicherungsunternehmen, die bereits fortschrittliche Analyselösungen implementiert haben, die Konkurrenz heute um 76 %”.

Mehrere Faktoren haben die KI-Revolution in der Versicherungsbranche vorangetrieben:

• Eine ungeheure Vermehrung von Daten
  Die Versicherungswirtschaft ist eine datengesteuerte Branche. In den letzten zwei Jahrzehnten hat die Menge der weltweit erzeugten Daten massiv zugenommen, und ein erheblicher Teil dieser Daten stammt von Sensoren in industriellen Umgebungen und angeschlossenen Verbrauchergeräten. Laut McKinsey schätzen Experten, dass es bis zum Jahr 2025 bis zu eine Billion vernetzter Geräte geben wird. 
• Zunahme der Rechenleistung
  Die exponentielle Zunahme der Rechenleistung hat die Verarbeitung großer Datenmengen und komplexer Algorithmen in bisher nicht erreichbarer Geschwindigkeit ermöglicht. 
• Covid-19
  Da es während der Pandemie weniger persönliche Kontakte gab, wandten sich viele Versicherer der künstlichen Intelligenz (KI) zu, um Schadenfälle aus der Ferne zu bearbeiten und Versicherungsverträge abzuschließen. Aus demselben Grund werden KI-Chatbots und automatisierter Kundenservice immer beliebter.
• Der Aufstieg der generativen KI
  Mit der Veröffentlichung von ChatGPT im November 2022 begann ein „KI-Wettlauf”, dem bald viele innovative generative KI-Lösungen folgten. Diese Systeme führten neue Funktionen zur Erzeugung und Verarbeitung natürlicher Sprache ein, die zur Verbesserung des Kundendienstes durch Chatbots, zur Automatisierung der Schadenfallbearbeitung, zur Erstellung und Personalisierung von Versicherungsdokumenten und für vieles mehr eingesetzt werden.

Die Versicherungsbranche führte KI zunächst mit einfacheren Anwendungen ein und konzentrierte sich in erster Linie auf die Automatisierung von Routineaufgaben und Datenanalysen in den Bereichen Betrugserkennung, Risikobewertung, Kundenservice und Prozessautomatisierung. Aus diesen ersten experimentellen Schritte ergaben sich jedoch schnell umfassende Implementierungen, und KI ist zu einem strategischen Eckpfeiler geworden. Laut einer Studie von Gartner gaben 40 % der befragten Versicherungsunternehmen an, zunehmend in KI/ML zu investieren. 

Die Entwicklung von KI im Versicherungswesen

Die Versicherungsbranche begann bereits in den 1980er Jahren, mit KI zu experimentieren, aber erst in den späten 1990er und frühen 2000er Jahren begann KI, wirklich Fuß zu fassen. Der anfängliche Einsatz von KI konzentrierte sich auf den Kundenservice und die Analyse von Datensätzen, um Erkenntnisse zur Betrugserkennung und zur Risikobewertung zu gewinnen. 

Kundenbetreuung

Die ersten Versuche, KI im Kundenservice der Versicherungsbranche einzusetzen, konzentrierten sich auf grundlegende Automatisierungs- und Datenverarbeitungsaufgaben. Dazu gehörten einfache automatisierte Systeme zur Beantwortung grundlegender Kundenanfragen über Telefon- oder Online-Schnittstellen. Diese Systeme waren in der Lage, häufig gestellte Fragen zu Versicherungsdetails, zum Versicherungsschutz und zu Zahlungsvorgängen zu beantworten, und hatten mehrere Anwendungen, darunter:

• Chatbots und virtuelle Assistenten, die hauptsächlich regelbasiert agierten und eher rudimentär waren
• E-Mails, mit automatischer Kategorisierung eingehender E-Mails und Beantwortung mit voreingestellten Antworten
• Sortieren und Verwalten großer Mengen von Kundendaten, um den Kundendienstmitarbeitern den Zugriff auf die benötigten Informationen zu erleichtern

Aufdeckung von Betrug

Frühe KI-Systeme waren darauf programmiert, Muster zu erkennen, die auf betrügerische Schadenmeldungen hinweisen könnten. Dies basierte oft auf regelbasierten Algorithmen, die Schadenmeldungen markieren konnten, wenn sie bekannten Betrugsszenarien entsprachen. KI-Systeme entwickelten sich dann weiter und umfassten die Erkennung von Anomalien, wobei ML-Modelle eingesetzt wurden, um ungewöhnliche Muster in großen Datensätzen zu erkennen. 

Risikobewertung

Bei den ersten Anwendungen der KI wurden sehr einfache Algorithmen des maschinellen Lernens eingesetzt. Diese regelbasierten Algorithmen analysierten strukturierte vorliegende Daten wie Alter, Fahrtenaufzeichnungen oder Gesundheitskennzahlen, um die Wahrscheinlichkeit von Schadenfällen vorherzusagen und die Prämien entsprechend zu berechnen. 

Überwindung der Skepsis

In der Versicherungsbranche werden neue Technologien traditionell nur langsam eingeführt. Das liegt vor allem an der Komplexität der Geschäftsabläufe und dem komplizierten regulatorischen Umfeld, das es sorgfältig zu durchdringen gilt. 

Der Einsatz von KI hat auch Bedenken hinsichtlich ethischer und datenschutzrechtlicher Risiken für die Verbraucher sowie möglicher Datenschutzverletzungen und Sicherheitsschwachstellen aufgeworfen. Auch Fragen zur Zuverlässigkeit von KI-Systemen haben dazu geführt, dass viele Unternehmen einen vorsichtigen Ansatz gewählt haben. 

‍

Frühe Experimente führten jedoch zu äußerst positiven Ergebnissen – weniger betrügerische Forderungen, optimierte Risikobewertung und verbesserte Kundenbindung, und das alles in großem Umfang. KI-Fortschritte zeigten echtes Potenzial, um Innovationen voranzutreiben und zusätzliche Einnahmequellen für Versicherungsunternehmen zu erschließen, was dazu beitrug, den Weg für eine breitere Akzeptanz und Integration von KI in der gesamten Branche zu ebnen.

Fortschritte bei den KI-Technologien und ihre Auswirkungen

Seit den oben beschriebenen frühen Experimenten hat die KI in der Versicherungsbranche bemerkenswerte Fortschritte gemacht. Mehrere Technologien haben bei dieser Revolution eine Schlüsselrolle gespielt, darunter:

Maschinelles Lernen (ML)

Maschinelles Lernen ist eine Technologie, die Daten und Algorithmen verwendet, um einer Maschine beizubringen, wie sie Muster erkennt, um eine bestimmte Aufgabe zu erfüllen. Im Wesentlichen zielt das maschinelle Lernen darauf ab, die Art und Weise, wie Menschen lernen, zu imitieren und die Genauigkeit schrittweise zu verbessern. 

In der Versicherungsbranche wird ML für verschiedene Anwendungen eingesetzt, darunter Risikobewertung, Schadenfallbearbeitung und Betrugserkennung. Durch die Analyse großer Datensätze können ML-Algorithmen Zusammenhänge ermitteln, die für Menschen innerhalb eines angemessenen Zeitrahmens unmöglich zu erkennen wären.

Natürliche Sprachverarbeitung (Natural Language Processing = NLP) 

NLP ist ein Zweig der künstlichen Intelligenz, der sich auf das Verstehen, Erzeugen und Bearbeiten menschlicher Sprache konzentriert und den Kundenservice im Versicherungswesen revolutioniert hat. Chatbots und virtuelle Assistenten, die NLP nutzen, können Kundenanfragen in natürlicher Sprache verstehen und beantworten. 

NLP wird auch eingesetzt, um große Datensätze zu analysieren und Betrugsmuster zu erkennen. So kann NLP zum Beispiel ungewöhnliche Schadenmeldungen anzeigen, indem sie mögliche Unregelmäßigkeiten bei der in den Anträgen verwendeten Sprache identifiziert. Sie kann auch Kundenrezensionen analysieren, um zu sehen, ob es irgendwelche negativen Stimmungsindikatoren gibt.

Prädiktive Analytik 

Prädiktive Analytik nutzt historische Daten, um zukünftige Ereignisse und Trends vorherzusagen. Im Versicherungswesen wird diese Technologie zur Vorhersage von Risiken, zur Anpassung von Policen und zur Prognose künftiger Schadentrends eingesetzt. So lässt sich beispielsweise vorhersagen, welche Schadenfälle unkompliziert sind und automatisch bearbeitet werden können und welche ein menschliches Eingreifen erfordern. Mit Hilfe von Prädiktiver Analytik kann das Risiko für bestimmte Kunden bewertet werden, so dass Versicherer hyperpersonalisierte Produkte und Dienstleistungen entwickeln, Prämien anpassen oder sogar den Versicherungsschutz ganz verweigern können. Darüber hinaus können Versicherer proaktive Schritte zur Verhinderung von Betrug unternehmen. 

Computer-Vision

Computer-Vision ist eine KI-Technologie, die es Computern ermöglicht, visuelle Informationen zu interpretieren und zu analysieren. Diese Technologie erfährt mehrere Anwendungen in der Versicherungsbranche:

• Kfz-Versicherung: Unterstützung bei der Schadenfallbearbeitung durch Bewertung von Fahrzeugschäden anhand von Fotos, die der Versicherungsnehmer eingereicht hat, Beschleunigung der Schadenbewertung, Schätzen der Reparaturkosten und Aufdecken von Betrug.
• Sachversicherung: Bewertung von Risiken und Schäden. Dies ist besonders nach Katastrophenfällen nützlich. 
• Risikobewertung und Underwriting: Analyse von Bildern von Immobilien, Fahrzeugen und Unternehmen zur Ermittlung von Risiken.
• Betrugsprävention: Aufdecken von Unstimmigkeiten in schadenfallbezogenen Bildern und Videos durch Vergleich mit vorhandenen Aufzeichnungen.

Praktische Anwendungen von KI-gesteuerten Verbesserungen in der Versicherungsbranche

Die folgenden Beispiele zeigen, wie KI-Technologien die Versicherungsbranche völlig umgestalten und Prozesse effizienter, kundenorientierter, kostengünstiger und skalierbarer machen. 

Bearbeitung von Ansprüchen

Mehrere Versicherungs- und Insurtech-Unternehmen machen große Fortschritte beim Einsatz von KI-Technologien zur Optimierung des Schadenfallbearbeitungsprozesses. 

Ein skandinavisches Versicherungsunternehmen hatte zum Beispiel Schwierigkeiten, Schadenmeldungen aus verschiedenen Quellen in unterschiedlichen Datenstrukturen manuell zu verarbeiten. Mithilfe verschiedener KI-Technologien, darunter maschinelles Lernen und NLP, automatisierte das Unternehmen seinen Schadenfallbearbeitungsprozess, indem es unstrukturierte Dokumente in strukturierte Daten umwandelte. 

Geico ist eine weitere Versicherungsgesellschaft, die KI-Technologie (entwickelt von Tractable) einsetzt, um die Schadenfallbearbeitung zu beschleunigen. Mithilfe von Computer-Vision werden Fotos von beschädigten Fahrzeugen analysiert, um genaue Schätzungen zu erstellen.

Personalisierung von Policen

Lemonade nutzt verschiedene KI-Technologien, um Policen zu personalisieren. Zum Beispiel sammelt ihr KI-Chatbot Jim Daten und passt die Versicherungspolicen an die spezifischen Bedürfnisse und Präferenzen der Lemonade-Kunden an. 

Risikomanagement

Swiss Re verwendet ein KI-Modell zur Vorhersage von Flugverspätungen, das über 200 Millionen vorliegende Datenpunkte und Daten von über 90.000 Flügen pro Tag analysiert. Anhand dieser Vorhersagen wird der Preis für die Flugversicherung ermittelt. Im Falle einer Flugverspätung erhalten Kunden, die diese Versicherung beim Kauf ihres Tickets abgeschlossen haben, eine sofortige Auszahlung, ohne dass ein Antrag gestellt werden muss.

Zurich ist ein weiterer Versicherungskonzern, der maschinelle Lernmodelle einsetzt, um die Risikoauswahl zu verbessern. Laut Jane Rheem, Zurich North America's Chief Data and Analytics Officer, können Underwriter nun wichtige Erkenntnisse zur Risikobewertung und zur Festlegung von Versicherungsprämien gewinnen. 

Die zentrale Rolle hochwertiger Daten für den Erfolg von KI

Die Vorteile der KI für die Versicherungsbranche sind zwar unbestreitbar, doch der Erfolg von KI-Initiativen hängt von der Qualität der Daten ab, die den verschiedenen KI-Technologien zugeführt werden. 

Die digitale Datenerfassung ist eine hervorragende Möglichkeit, eine solide Datengrundlage für eine effektive KI-Implementierung zu schaffen. Neben einer verbesserten Genauigkeit, weniger menschlichen Fehlern und einer schnelleren Verarbeitung liefert die digitale Datenerfassung KI-Systemen auch die umfassenden Datensätze, die für eine effektive Mustererkennung und für prädiktive Analysen erforderlich sind.

‍