Zunehmender Einsatz in vielen Branchen
Künstliche Intelligenz
Künstliche Intelligenz durchdringt alle Bereiche des täglichen Lebens und der Geschäftswelt. Die (Rück-)Versicherungsindustrie wird in allen Bereichen betroffen sein.
Künstliche Intelligenz (KI) zielt darauf ab, intelligente Einheiten aufzubauen, die die menschliche Intelligenz nachahmen. Die Hauptbereiche der KI sind Wissenserwerb und Ziehen logischer Schlussfolgerungen, Wahrnehmung, Sprachkompetenz und maschinelles Lernen. KI wird zunehmend in vielen Branchen eingesetzt und wird großen Einfluss auf Geschäftsstrategien, neue Produkte und Kundenerwartungen haben. Beispiele für Versicherungsanwendungen sind Chatbots oder Systeme für Produktempfehlungen.
Ein Chatbot ist ein Computerprogramm, das es Benutzern ermöglicht, Konversation per Sprache oder Text zu führen. Das Computerprogramm antwortet dem Benutzer innerhalb von Millisekunden, da die Regeln der Kommunikation vordefiniert sind. Im Gegensatz zu Call Centern können Chatbots große Mengen von Benutzeranfragen bearbeiten und in Echtzeit antworten. Ein mögliches Anwendungsszenario ist ein FAQ-Chatbot, der häufig gestellte Fragen von Kunden beantwortet, so dass sie nicht mit einem Call Center-Agenten sprechen müssen.
Ein System für Produktempfehlungen versucht, die Artikel, die ein Benutzer kaufen möchte, vorherzusagen und anzuzeigen. KI-Algorithmen ermöglichen es Versicherern, einzelne Kunden, ihre Gewohnheiten, Vorlieben und Abneigungen, die Schadenhistorie und ihr finanzielles Verhalten zu analysieren. Sie können schnell Rückschlüsse darauf ziehen, wie sie mit ihnen interagieren können und welche Produkte sie wahrscheinlich kaufen werden.
Für die (Rück-)Versicherungsindustrie gibt es mehrere Herausforderungen, die sich aus der KI ergeben.
Damit die Künstliche Intelligenz das Geschäft verändern kann, muss sie mit qualitativ hochwertigen Daten versorgt werden. Selbst maschinelles Lernen und Deep-Learning-Technologien, die ohne explizite Programmierung Entscheidungen treffen und ihre Handlungen anpassen können, brauchen zunächst den Datenkontakt. Diese erfordern eine sorgfältige Auswahl und Aufbereitung der Daten.
Ein weiteres, manchmal noch kritischeres Problem ist die Datenverzerrung. Das Problem der Datenverzerrung beim maschinellen Lernen wird wahrscheinlich an Bedeutung gewinnen, da sich die Technologie auf kritische Bereiche wie Medizin und Recht ausbreitet, und mehr Menschen ohne tieferes technisches Verständnis sie einsetzen werden. Einige Experten warnen davor, dass algorithmische Verzerrungen in vielen Branchen bereits weit verbreitet sind und dass fast niemand Anstrengungen unternimmt, sie zu identifizieren oder zu korrigieren.
Mehrere Initiativen und Projekte arbeiten an automatisierten Underwriting- und Schadenbearbeitungssystemen. Hauptthemen in diesem Bereich der KI-Anwendung sind Datenqualität, Datensicherheit und die Einhaltung der regulatorischen Anforderungen. Die EU-Generaldatenschutzverordnung (GDPR) verlangt eine sinnvolle menschliche Interaktion bei ansonsten ausschließlich automatisierten Prozessen. Nach den GDPR-Regeln haben Versicherungsnehmer das Recht, eine Entscheidung zu erhalten, die nicht allein auf einer automatisierten Entscheidung beruht.
Künstliche Intelligenz wird häufig als eine Methode verkauft, die ganze Prozessketten automatisiert. Nach einer Evaluierungsphase kann man enttäuscht sein, dass die KI den gesamten Prozess nicht völlig fehlerfrei automatisieren kann. Daher sollte man keine unrealistischen Erwartungen erzeugen - KI wird nicht die gesamte menschliche Arbeit in allen Prozessen ersetzen. In den meisten Fällen automatisiert oder optimiert sie einen Teil eines Prozesses, um Ressourcen für Teilaufgaben freizugeben, die mehr menschliche Intelligenz erfordern. Die richtige Balance zwischen automatisierten und menschlichen Prozessen zu finden, ist eine wichtige Aufgabe bei der Implementierung von KI-Prozessen.
(Rück-)Versicherer müssen sich mit einer sich verändernden Risikolandschaft im Zusammenhang mit KI-Anwendungen auseinandersetzen. Die kombinierten Auswirkungen mehrerer Technologien und deren Beitrag zum Gesamtrisiko zu verstehen, ist eine große Herausforderung. Das sich entwickelnde Umfeld wird zu komplexeren Risikokonstellationen führen.