Wie generative KI das Versicherungswesen transformieren kann

Die Versicherungsbranche ist stark datengetrieben und gekennzeichnet durch komplexe, oft unstrukturierte Informationsflüsse. Genau hier zeigt die generative KI ihre Stärken. Lösungen wie Mappr ermöglichen es, diese Datenströme effizient zu strukturieren und relevante Informationen automatisiert zu extrahieren. So lassen sich umfangreiche Dokumente wie Schadensberichte oder medizinische Unterlagen in kurzer Zeit analysieren und in verwertbare Erkenntnisse umwandeln. Beispielsweise können Versicherer mithilfe von KI-Modellen (z. B. mit Large Language Models) Risiken präziser einschätzen und gleichzeitig passgenauere Angebote erstellen. Eine von EY-Parthenon durchgeführte Umfrage zeigt, dass 82 % der Versicherer Produktivitätssteigerungen und Kostensenkungen als zentrale Beweggründe für die Einführung von Generativer KI nennen.

Generative KI kommt in zahlreichen Bereichen der Versicherungsbranche zum Einsatz und eröffnet neue Perspektiven für Geschäftsprozesse.

‍

‍

Schadenbearbeitung: Durch den Einsatz KI-gestützter Chatbots können Erste-Schaden-Meldungen effizient aufgenommen und in Echtzeit zusätzliche Informationen zu Reparaturdiensten bereitgestellt werden. Auf diese Weise wird nicht nur die Kundenzufriedenheit gesteigert, sondern auch die Bearbeitungszeit erheblich verkürzt (Quelle: McKinsey).

Underwriting: Generative KI unterstützt Versicherer insbesondere im Underwriting-Prozess, indem sie historische Schadensdaten, externe Quellen (z. B. Wetterberichte, demografische Daten) und aktuelle Policen kombiniert. So können Risiken genauer bewertet und individuellere Angebote entwickelt werden. Das Resultat ist eine optimierte Preisgestaltung bei gleichzeitiger Verringerung des Zeitaufwands. (Quelle: Deloitte)

Personalisierung: Einer der wichtigsten Vorteile von GenAI liegt in der Möglichkeit, Versicherungsprodukte und -tarife kundenspezifisch zu gestalten. Indem Daten zu Präferenzen, Verhalten und Bedürfnissen der Versicherungsnehmenden analysiert werden, lassen sich maßgeschneiderte Lösungen entwickeln, die besser auf individuelle Anforderungen zugeschnitten sind. (Quelle: Deloitte)

‍

Die Auswahl eines geeigneten GenAI-Use Cases ist entscheidend, um die Technologie erfolgreich zu integrieren und echte Mehrwerte zu erzielen. Ein praxisbewährter Vorgehensplan umfasst mehrere Schritte:

Schritt 1: Fokusbereich definieren

Zuerst wird der spezifische Anwendungsbereich im Versicherungsunternehmen festgelegt, beispielsweise eine Geschäftseinheit wie Schadensregulierung, Underwriting oder Kundenservice. Alternativ kann auch ein bestimmter Standort oder ein Prozess innerhalb der Wertschöpfungskette definiert werden. Sinnvoll ist es, Bereiche zu wählen, in denen Mitarbeitende bereits Offenheit gegenüber Innovationen zeigen oder besonders viel Expertise vorhanden ist. So lassen sich Potenziale schneller erkennen und umsetzen.

‍

Schritt 2: Status quo analysieren

Nach den Prinzipien des Lean Managements wird der aktuelle Zustand des ausgewählten Prozesses gründlich untersucht, etwa mithilfe von Wertstromanalysen. Im Fokus stehen folgende Aspekte:

• Zeitaufwand je Prozessschritt (z. B. die manuelle Prüfung in der Schadensbearbeitung)
• Kosten je Prozessschritt
• Verfügbarkeit von Daten (hoch, mittel oder niedrig)

Prozessabschnitte, die sowohl hohe Zeit- und Kostenaufwände aufweisen als auch über gute Datenverfügbarkeiten verfügen, eignen sich besonders für tiefgehende Analysen. Ein klassisches Beispiel hierfür ist die automatisierte Erfassung von Schadensmeldungen oder die Implementierung KI-basierter Betrugspräventionssysteme.

‍

Schritt 3: Marktrecherche und Ideenfindung

Sobald ein relevanter Use Case ermittelt ist, beginnt die Suche nach der optimalen AI-Lösung. Oft empfiehlt es sich, interdisziplinäre Innovationsworkshops zu veranstalten, um unterschiedliche Perspektiven zusammenzubringen. Vorab sollte klar sein, ob das Versicherungsunternehmen eine Lösung selbst entwickelt („Build“) oder externe Lösungen einkauft („Buy“). Anhand der vorhandenen internen Kompetenzen und verfügbaren Marktangebote wird entschieden, welcher Weg am meisten Erfolg verspricht.

In den Workshops werden mit Hilfe von Kreativitätstechniken (z. B. Brainstorming, Design Thinking) gemeinsam mit Fachleuten, Mitarbeitenden aus unterschiedlichen Bereichen, Entscheidungsträgern und externen Partnern konkrete Use Cases erarbeitet und auf einem sogenannten „Opportunity-Radar“ eingestuft. Beispiele für vielversprechende Use Cases sind prädiktive Risikobewertungen, die automatische Bearbeitung von Schadensmeldungen und der Einsatz KI-gestützter Tools im Vertrieb.

‍

Schritt 4: Use Cases priorisieren

Die finalen Use Cases werden anhand relevanter Kriterien gereiht, beispielsweise mithilfe einer Impact-Effort-Matrix. Im Vordergrund stehen:

• Aufwand (benötigte Zeit, technologische Komplexität)
• Wirkung (finanzielle Potenziale, Verbesserungen im Kundenservice, Senkung regulatorischer Risiken oder Verkürzung von Bearbeitungszeiten)

Durch dieses systematische Vorgehen stellen Versicherer sicher, dass sie aus der Vielzahl möglicher AI-Projekte diejenigen auswählen, die den größten Nutzen entfalten und gleichzeitig wichtige regulatorische Anforderungen sowie Sicherheitsaspekte erfüllen.

‍

Trotz der vielseitigen Vorteile von Generativer KI dürfen Versicherer potenzielle Risiken nicht unterschätzen. Diese umfassen unter anderem:

Regulatorische und ethische Anforderungen: Die EU-AI-Verordnung sieht strenge Vorgaben hinsichtlich Datenschutz, dem Umgang mit Verzerrungen (Bias-Management) und der Nachvollziehbarkeit von Algorithmen-Entscheidungen vor. Versicherer benötigen klare Mechanismen, um die Einhaltung dieser Regularien zu gewährleisten. (Quelle: McKinsey)

Betrugspotenzial: Wenn GenAI-Modelle nicht ausreichend geschützt oder trainiert werden, besteht das Risiko, dass manipulative Eingriffe von außen oder fehlerhafte Datenverarbeitungen begünstigt werden. So könnten unzureichend validierte Modelle falsche Prognosen liefern und betrügerische Aktivitäten erleichtern. (Quelle: McKinsey)

Organisatorische Hürden: Neben technischen und regulatorischen Aspekten spielt auch die Akzeptanz der Mitarbeitenden eine Schlüsselrolle. Widerstände oder mangelnde Schulungen können den Erfolg eines GenAI-Projekts erheblich beeinträchtigen. Daher ist es essenziell, Change-Management-Programme aufzusetzen und zielgruppengerechte Trainings anzubieten, um Mitarbeitende für die neue Technologie zu befähigen und zu motivieren. (Quelle: McKinsey)

Ein umfassendes Framework, das ethische KI-Entwicklung, kontinuierliche Überprüfung und Compliance einschließt, ist daher unerlässlich, um Vertrauen aufzubauen und Risiken zu minimieren. (Quelle: Deloitte)

‍