Wie kann AI für die Versicherungswelt nutzbar gemacht werden?
Die Versicherungswirtschaft braucht eine Vision für die Zukunft. Artificial Intelligence ist ein innovatives Thema. Aber das alleine reicht nicht. Es bedarf der Identifikation von rentablen Use Cases, um auch wirtschaftlich erfolgreich zu sein. Einerseits muss das Unternehmen fit für die Zukunft gemacht werden, andererseits müssen die konkreten aktuellen Herausforderungen gemanagt werden.
Das Thema Artificial Intelligence (AI) ist, spätestens seit 2015, als die ersten virtuellen Agenten eingeführt wurden und bei dem hochkomplexen Strategiespiel Alpha Go die AI mit innovativen intelligenten Spielzügen den menschlichen Champion besiegte, en vogue.
Wie kann AI für die Versicherungswelt nutzbar gemacht werden? Wie muss das Unternehmen formiert werden, damit AI eine gute Basis hat, ihr Potenzial voll zu entfalten? Die Vorteile von AI-Systemen sind hinlänglich bekannt. Es kann selbstständig lernen, Daten selbst generieren sowie interpretieren und so ihre Fähigkeiten autonom verbessern. Sie hat die Kompetenz nicht nur Gesichter und Gegenstände von Fotos zu erkennen, sondern auch aus den daraus ermittelten Informationen Schlüsse zu ziehen und schließlich selbstständig zu handeln. Das unterscheidet AI von normalen Computerprogrammen, die nach wie vor von Menschen optimiert werden müssen. Die Fähigkeit von AI-Systemen Interdependenzen wahrzunehmen, zu verstehen, zu lernen und zu handeln, verdankt es der Möglichkeit einzelne Systeme miteinander zu vernetzen. Beispielsweise ist eine Orchestrierung von Machine Learning, Advanced Analytics, IoT, Big Data Object Recognition etc. erforderlich, um ein künstlich „denkendes“ System zu entwickeln.
Auch in dem Universum der Versicherungsunternehmen wird AI einen maßgeblichen Einfluss auf die Arbeitswelt haben. Es gibt einen Paradigmenwechsel. Dinge müssen nicht nur anders gemacht werden, sondern es müssen völlig neue Themen und Themenfelder bearbeitet werden.
Quantensprünge mit AI
Mit AI können Quantensprünge erzielt werden und durch eine intelligente Automation die Effizienz erhöht und der Ressourcenbedarf reduziert werden. Infolgedessen können die Arbeitsproduktivität gesteigert und regelmäßige Wachstumsraten erzielt werden. Das gesamte Potenzial kann nur ausgeschöpft werden, wenn es gelingt, menschliche und künstliche Intelligenz so zu verknüpfen, dass die jeweiligen Stärken der Systemkomponenten zur vollen Entfaltung kommen.
Wie ist es aber nun möglich, den erforderlichen Quantensprung gemeinsam mit den Mitarbeitern zu machen und so eine nachhaltige Transformation zu erreichen?
Es reicht nicht aus, die ohnehin Technikaffinen jungen Teams für das Projekt „Artificial Intelligence“ zu gewinnen. Auch das Management muss Innovationsführer sein und eine Vorbildfunktion wahrnehmen. Es ist eine stringente AI-Strategie, klare Konzepte und ein strukturiertes Change-Management erforderlich, um in der umkämpften Versicherungsbranche echte Wettbewerbsvorteile zu generieren. Dabei müssen auf der AI-Journey lieb gewonnene, aber nicht mehr zeitgemäße Gewohnheiten gegen ein flexibles und agiles Denken getauscht werden.
Im Sinne einer nachhaltigen und effizienten Transformation, ist es deshalb wichtig vorhandene Prozesse zu überdenken und aufgabenorientiert ein effektives Team aus natürlicher und künstlicher Intelligenz zu formen. Elementar ist es, Botschafter für das Thema Artificial Intelligence zu gewinnen und AI-Designer im Management zu rekrutieren. In Kombination mit der Technikaffinen Generation können so Veränderungen lanciert werden, wobei eine klare AI-Strategie, detaillierte Konzepte und ein strukturiertes Change-Management zum unabdingbaren
Standard gehören. Die Mitarbeiterteams müssen auf ihrer AI-Journey bei den Touchpoints begleitet und ihnen Hilfestellung geboten werden, sich das relevante AI-Know-how anzueignen. Damit die AI-Journey ein Erfolg wird, muss das gesamte Team motiviert werden, eine flexible und agile Denkweise zu verinnerlichen und den Fortschritt aktiv zu begleiten. Die in Corona-Zeiten erlernte digitale Kollaboration muss nicht nur beibehalten, sondern weiter ausgebaut und optimiert werden. Es sind alle Teammitglieder mit den richtigen Skills auszustatten und das Team gezielt zu verstärken, so dass sich die erforderliche AI-DNA möglichst schnell im Unternehmen verbreitet.
Im Folgenden sollen spannende AI Use Cases für Versicherungsunternehmen vorgestellt werden, die einen Beitrag leisten, die Wirtschaftlichkeit des Unternehmens zu erhöhen und Risiken zu reduzieren.
1. Use Case: Schadenmanagement
Das Schadenmanagement ist sicher das Herzstück eines jeden Versicherungsunternehmens. Dabei müssen massenhaft Dokumente in unterschiedlichsten Formaten, Fotos, Skizzen etc. erst strukturiert und dann ausgewertet werden. Dieser Prozess bedarf einer intensiven menschlichen Interaktion und ist nicht nur zeit- und kostenintensiv, sondern natürlich auch fehleranfällig.
Doch gerade das Schadenmanagement ist ein sensibler Point-of-Truth, bei dem das Kundenerlebnis und die Geschwindigkeit der Schadenabwicklung maßgeblich für das Customer-Relationship-Management und somit ausschlaggebend für die Kundenzufriedenheit und die Kundenbindung sind.
Natural Language Processing (NLP) ermöglicht eine digitale und direkte Kommunikation zwischen den Kunden und den künstlichen Schadenmanagern in schriftlicher und mündlicher Form. Selbst Fremdsprachen können auf diese Weise abgedeckt werden, die zukünftig auf Grund der Globalisierung und Migrationsbewegungen eine noch größere Rolle spielen werden.
Die im Rahmen des Schadenmanagements genutzten Algorithmen zur semantischen Sprach- und Textanalyse, können so Schadenfälle mit einer sehr großen Zeitersparnis bearbeiten.
Natürlich ist ein Sekunden-schneller Abgleich der Schadenansprüche mit den Versicherungsbedingungen und der Rechtsprechung m glich. Ebenso kann das Versicherungsunternehmen durch eigens trainierte Algorithmen Betrugsverdachtsfälle identifizieren. Auch können die AI-Systeme anhand von Fotos das Schadenausmaß abschätzen und daraus die voraussichtlichen Reparaturkosten ermitteln.
Gelingt die Schadenbearbeitung einmal doch nicht zur vollsten Zufriedenheit des Kunden und es kommt zu Beschwerden, können diese digital von dem AI-System verarbeitet, verstanden und adäquate Maßnahmen in die Wege geleitet werden. Wenn das AI-System darüber hinaus die Fähigkeit besitzt, die im Rahmen einer Beschwerde nicht selten vorkommenden ironischen Worte der Kundinnen und Kunden richtig zu interpretieren, kann man fast schon davon sprechen, dass das AI-System die Menschen versteht.
Gerade beim standardisierten Massengeschäft, wie bei Kraft-Schaden kann damit gerechnet werden, dass schon in den nächsten fünf bis zehn Jahren mehr als die Hälfte der Fälle automatisiert bearbeitet werden können.
Ein anderes Beispiel, um die Schadenschätzkosten und die Schadenhöhe zu reduzieren, ist der Einsatz von Drohnen-Schwärmen in der Gebäudeversicherung. Diese können beispielsweise nach einem Sturm, der ganze Landstriche verwüstet hat, das Schadenausmaß in einem großflächigen Gebiet digital dokumentieren und das Schadenausmaß anhand der Luftbildaufnahmen der zerstörten Gebäude automatisiert vom AI-System geschätzt werden. Dadurch reduzieren sich einerseits die Schadenschätzkosten deutlich, andererseits können Gebäude identifiziert werden, bei denen nur ein geringer Schaden z. B. am Dach vorhanden ist. Denn gerade hier ist es wichtig, diese Art von Schäden so schnell wie möglich zu identifizieren und eine kurzfristige Reparatur zu veranlassen, um hohe Folgeschäden durch einen potenziellen Wassereintritt, der das ganze Haus im Nachhinein noch zerstören könnte, zu verhindern.
2. Use Case: Identifizierung von Emerging Risks und Cumul Risks
Die Versicherungsexperten beschäftigen sich mit der Analyse von zukünftigen und komplexen Risiken. Eine besondere Herausforderung und Problematik ist die Zunahme von komplexen Interdependenzen auf Grund der Globalisierung, Veränderung des Klimas, technischer Revolutionen, politischer Instabilität etc. Durch die Globalisierung und damit verbunden Vernetzung wird es für die Versicherungsunternehmen immer schwieriger das Risikoportfolio zu diversifizieren.
Die Beispiele 11. September oder der Vulkanausbruch auf Island zeigten, wie aus einem Ereignis viele Bereiche betroffen waren, insbesondere durch Betriebsunterbrechungen. Ein anderes Beispiel ist aktuell der Krieg in der Ukraine, der die Zinsentwicklung, Inflation, insbesondere die Marktpreise für Rohstoffe, Konjunkturentwicklungen etc. innerhalb von wenigen Tagen und Wochen stark beeinflusst.
Zudem können wenige HILF- (High Impact Low Frequency) Ereignisse in ihrer Kombination zu einem großen Schaden führen. Die Entwicklung von Schäden ist generell schwierig vorherzusagen, da die Trigger und Faktoren nicht klar identifiziert werden können.
Es stehen weltweit meist nur unstrukturierte Daten im Internet, in PDFs, in Social-Media-Plattformen etc. zur Verfügung, die mit herkömmlichen Systemen nicht automatisch ausgewertet werden können bzw. ihre Abhängigkeiten so komplex sind, dass sie manuell nicht erschlossen werden können.
Artificial Intelligence-Systeme können neue Risiken frühzeitig identifizieren und vorhandene Kumulrisiken erkennen und quantifizieren, die auf Grund ihrer komplexen Zusammenhänge früher nicht sichtbar bzw. entschlüsselt werden konnten.
Operativ hei t das, dass die Transparenz über Risiken (z. B. Supply Chains) Risk Driver, Interdependenzen und die daraus ableitbaren Konsequenzen erhöht werden muss. Auch bereits nur sehr schwache Signale von Risiken müssen frühzeitig wahrgenommen werden können. Das Wissen von interdisziplinären Experten soll, um die Möglichkeiten künstlicher Intelligenz erweitert und so das gesammelte Wissen auf einer Plattform integriert werden.
3. Use Case: Informationssicherheitsmanagement (ISM) und Cyber Security
Gerade vor dem Hintergrund der kriegerischen Aktivitäten in Europa ist mit vermehrten Cyber-Angriffen auf Versicherungsunternehmen zu rechnen. Ein wichtiger Use Case ist demzufolge der Einsatz von AI-Systemen beim ISM und der Cyber Security zur Absicherung des Versicherungsunternehmens vor gravierenden Risiken und Schäden in diesen Bereichen. Es ist damit zu rechnen, dass in dem heutigen und zukünftigen Umfeld die Gefahren durch Trojaner und Würmer, manipulierte Websites, das Ausspähen von sensiblen Log-in Daten, Bootnetze, Denial-of-Service-Attacken, Phising oder Spam-Attacken etc. noch exponentiell steigen werden.
Vor dem Hintergrund dieser Bedrohungen und dem Dilemma, dass qualifizierte Mitarbeiterinnen und Mitarbeiter am Markt schwierig zu finden sind, kann Artificial Intelligence dabei helfen, diese bedrohliche Lücke zu schließen.
Das Evolutionsmodell zeigt die vier wesentlichen Stufen auf:
Die Datenqualität des Informationssicherheitsmanagement Systems ist von entscheidender Bedeutung. Diese muss in höchster Qualität vorliegen. Basis ist eine integrative ISM-Methode und eine klare ISM-Struktur. Nur so können die wesentlichen Bedrohungen und Schwachstellen im Unternehmen gefunden, die Risiken identifiziert und ihnen mit geeigneten Maßnahmen begegnet werden.
Auf Basis einer Automatisierung der Datenerhebung und Auswertung aller wesentlichen Informationen kann die Effizienz des Information Security Managements gezielt erhöht werden. Um zusätzliche Synergien zu heben, sollte das Zusammenspiel mit den anderen Governance Risk und Compliance-Disziplinen, wie z. B. mit dem Business Continuity Management, dem Datenschutz oder dem internen Risiko- und Kontrollsystem vernetzt werden.
Ebenso wie bei der Erkennung von Emerging Risks, müssen auch Information Security Risiken prognostizierbar sein. Frühwarnindikatoren erkennen Auffälligkeiten und Trends einer veränderten oder latenten Risikosituation. Nur so können gezielter risikoreduzierende präventive Maßnahmen abgeleitet und umgesetzt werden. Der zeitliche Vorsprung ist wichtig, um adäquate Maßnahmen zu ergreifen und das Risiko zu reduzieren. Verfahren, wie Predictive Analytics entdecken wiederkehrende Muster in Daten, die dann mit modernen Algorithmen analysiert werden, um so deren Entwicklung prognostizieren zu können. Mit Machine Learning (ML), können anhand einer Mustererkennung normale von verdächtigen Aktivtäten unterschieden werden.
Wenn umfassende AI-Systeme im Bereich der Cyber-Security eingesetzt werden, ist der höchste Evolutionsgrad erreicht. Auch hier gibt es mehrere Entwicklungsstufen:
Aus Millionen von strukturierten und unstrukturierten Daten werden Sicherheitsbedrohungen identifiziert. Anhand von Fallbeispielen wird die AI trainiert und wird so intelligenter.
Aus den gewonnenen Informationen werden Zusammenhänge ermittelt und Schlussfolgerungen bzgl. verdächtiger Aktivitäten gezogen.
Die IT-Security-Experten werden durch personalisierte Dashboards bei ihren Entscheidungen und Maßnahmen unterstützt.
Zukünftig erkennt das AI-System bisher noch unbekannte Risiken und trifft die Entscheidungen selbstständig, welche Maßnahmen ergriffen werden müssen.
Geht man davon aus, dass sich die AI-Systeme im aktuellen Tempo weiterentwickeln, könnte diese beschriebene Vision innerhalb der nächsten 20 Jahre schon Wirklichkeit werden. Ob diese Entwicklung etwas früher oder später Realität wird, mag offenbleiben. Mehr beunruhigen sollte die IT-Experten und das Management der Assekuranz jedoch die Situation, wenn Cyber-Kriminelle für ihre Angriffe selbst AI-Systeme einsetzen, denen dann die Versicherungsunternehmen hilflos ausgeliefert wären.
Eigene AI-Systeme sind wohl die einzige Möglichkeit, auf von künstlicher Intelligenz geschaffener autarker Bedrohungsartefakte, adäquat zu reagieren. Dafür muss das Management der Assekuranz eine integrative AI-Strategie für das Thema IT-Security aber auch für alle anderen Use Cases entwickeln und im Unternehmen proaktiv implementieren.
Artificial Intelligence Use Cases – die Zukunft hat begonnen
Alle AI Use Cases zeigen, ob es sich um das Thema Schadenmanagement, Risikomanagement oder Cyber Security handelt, dass das Potenzial für die Versicherungsunternehmen sehr groß ist, wenn sie Artificial Intelligence nutzen. AI ist alternativlos, wenn man das Feld nicht Cyber-Kriminellen, die selbst vermehrt AI einsetzen werden, überlassen oder Emerging oder Cumul Risks rechtzeitig erkennen und begegnen will.
Artificial Intelligence wird heute und zukünftig ein kritischer Erfolgsfaktor für moderne Versicherungsunternehmen sein. Empfehlenswert ist es demzufolge, dass die Assekuranz ihren Evolutionsgrad bei allen Use Cases analysiert und daraus die Lücken, den Handlungsbedarf und eine nachhaltige AI-Journey ableitet.
Autor: Dr. Thomas Graf (Partner)
Comments