Tägliche Archive: 26/02/2024

Einleitung

An der Thematik der künstlichen Intelligenz (KI) kommt man derzeit nicht vorbei. Sie ist überall präsent, von News-Artikeln über TV-Talkrunden bis hin zu Gesprächen im Wirtshaus – die ganze Welt diskutiert darüber. Besonders das von OpenAI im Dezember 2022 veröffentlichte Sprachmodell ChatGPT hat dem Thema Dynamik verliehen. Gleichzeitig herrschen sowohl Bedenken als auch fast utopische Erwartungen bezüglich des Einsatzes von KI. Doch sind diese berechtigt?

Auch innerhalb der AVÖ wird der Einsatz von KI intensiv diskutiert. Hierzu wurde konkret im Jahr 2018 der Arbeitskreis Data Science gegründet. Mit diesem Artikel möchte der Arbeitskreis einen Überblick und eine Einordnung des Themas bieten, sowie einen Ausblick auf weitere Aktivitäten innerhalb der AVÖ geben.

Und ja, es könnte sein, dass auch dieser Artikel mit Unterstützung von KI erstellt wurde – findet es beim Lesen heraus! 😉

 

Was ist KI?

Bevor wir uns den Details widmen, sei zunächst der Begriff KI eingeordnet: Wie bereits erwähnt, wird weltweit über KI diskutiert, doch was genau ist sie? Der Begriff „Künstliche Intelligenz“ wurde 1955 von dem US-amerikanischen Informatiker John McCarthy im Rahmen seiner Forschung geprägt, so Wikipedia.

Inzwischen übertrifft KI den Menschen in spezifischen Bereichen. Ein bekanntes Beispiel ist „Deep Blue“, eine KI-Maschine, die 1997 den damaligen Schachweltmeister Garri Kasparov besiegte und so die Fähigkeiten von KI-Systemen einem breiten Publikum demonstrierte.

Abbildung 1, OECD: Die Anfänge der KI (1950er Jahre bis 2000)

In der Literatur gibt es verschiedene Definitionen von KI und laut OECD[1] gibt es auch keine mit allgemeiner Gültigkeit. Eine Arbeitsgruppe der OECD hat den Begriff „KI-System“ wie folgt definiert:

„Ein KI-System ist ein maschinenbasiertes System, das für bestimmte von Menschen definierte Ziele Vorhersagen machen, Empfehlungen abgeben oder Entscheidungen treffen kann, um eine reale oder virtuelle Umgebung zu beeinflussen. Dabei bilden maschinelle und/oder von Menschen vorgegebene Inputs die Grundlage für 1. die Erfassung realer und/oder virtueller Umgebungen, 2. die automatische (z. B. durch ML) oder manuelle Erstellung von Modellen auf Basis dieser Beobachtungen mithilfe von Analysen und 3. die Ermittlung von Informations- oder Handlungsoptionen mittels Modellinferenz. KI-Systeme können mit einem unterschiedlichen Grad an Autonomie ausgestattet sein.“

KI teilt sich laut OECD in zwei Ansätze:

• Symbolischer Ansatz: Dabei handelt es sich um regelbasierte Ansätze, mit etwa „If Then Else“-Befehlen
• Statistischer Ansatz: Dazu zählen die bekannten mathematischen und statistischen Modelle. Transformer-Modelle, die in ChatGPT (Generative Pre-trained Transformer) verwendet werden, sind der Kategorie tiefer neuronaler Netze zuzuordnen.

Abbildung 2, OECD: KI und ML

Die Fähigkeit von Modellen wie ChatGPT, Aufgaben wie die Erstellung von Texten, Bildern, Ton, Videos und Code in hoher Qualität zu lösen, ist beeindruckend. Sie können umfassende Dokumente zusammenfassen, unstrukturierte Daten analysieren oder Bilder zur Veranschaulichung komplexer Themen erstellen – und das alles in Sekundenschnelle. Bei sorgfältig formulierten Anfragen (gutem Prompting) können erstaunliche Ergebnisse erzielt werden.

Aktuelle Modelle sind in der Lage, spezifische Probleme zu lösen, verfügen jedoch nicht über die Fähigkeit, völlig autonom und „allgemein“ intelligent wie Menschen zu agieren. Die sogenannte „verallgemeinerte KI“, oft auch als starke KI bezeichnet, wird von aktuellen Modellen noch nicht erreicht.

Wie kann KI genutzt werden? Welche (aktuariellen) Use Cases gibt es?

Die Anwendungsmöglichkeiten von KI sind nahezu grenzenlos und finden sich entlang der gesamten Wertschöpfungskette von Unternehmen. Eine Liste ausgewählter Anwendungsfälle ist im Anhang des Artikels zu finden.

Im Allgemeinen lassen sich KI-Anwendungsfälle in drei Hauptkategorien einteilen, abhängig von ihrer Nutzung:

Die Anwendungsfälle von KI, oder auf Neudeutsch „Use Cases“, sind schier unendlich und sind in der ganzen Wertschöpfungskette eines Versicherungsunternehmens zu finden. Im Anhang zum Artikel findet sich eine Auflistung von ausgewählten Use Cases zur Durchschau.

Im Allgemeinen lassen sich KI-Anwendungsfälle in drei Hauptkategorien einteilen, abhängig von ihrer Nutzung:

Abbildung 3, Use Case Kategorien

Die Integration von KI in die Geschäftswelt wird in vielen Bereichen unvermeidlich werden. Für Aktuare eröffnet dies ein neues und faszinierendes Arbeitsfeld: Wir können KI für aktuarielle Modelle und Prozesse einsetzen und mit unserem umfassenden Fachwissen auch andere Bereiche unterstützen.

Wie kann KI implementiert werden?

Die Anforderungen an KI-Projekte variieren stark je nach Anwendungsfall. Während einfache Aufgaben oft mit Standardcomputern bewältigt werden können, erfordert die unternehmensweite und skalierbare Implementierung von KI eine umfassende Professionalisierung sowohl technisch als auch personell. Hierbei ergibt sich die Frage, ob Lösungen intern entwickelt oder extern zugekauft werden sollen. In diesem Kontext bieten Cloud-Lösungen eine attraktive Option für Unternehmen, indem sie raschen Zugang zu erforderlichen Rechenkapazitäten, spezifischen KI-Modellen und erweiterten Funktionalitäten ermöglichen.

Die folgende Grafik ist eine schematische Darstellung wie KI technisch im Unternehmen implementiert werden kann:

Abbildung 4, KI Integrationsmuster

Neben den technologischen Anforderungen sind für die erfolgreiche Entwicklung und den Betrieb von KI-Modellen weitere Voraussetzungen nötig:

Abbildung 5, KI Voraussetzungen

Diese Voraussetzungen sind im Wesentlichen keine neuen Erkenntnisse zu Erfahrungen aus „traditionellen“ Daten- und IT-Projekten. In KI-Projekten sind die Anforderungen an vielen Stellen allerdings höher. Daher ist es Unternehmen zu empfehlen, eine dezidierte KI-Strategie als Basis für alle KI-Initiativen im Unternehmen zu etablieren.

Einen weiteren Punkt sollte aufgrund seiner Wichtigkeit an dieser Stelle hervorgehoben werden: KI wird häufig als Expertenthema gesehen und entsprechend nicht in die breite Organisation getragen, wodurch viel Mehrwert für Unternehmen verloren geht. Daher sollte dem Thema KI-Skills & Kultur viel Aufmerksamkeit gewidmet werden:

• Eine breitflächige Implementierung von KI setzt ein grundlegendes Verständnis bei allen Mitarbeitern voraus.
• Neue Tools wie „Copilot“ ermöglichen den Mitarbeitern, eigene Anwendungen zu entwickeln, wodurch die Nutzungshürden für KI gesenkt werden.
• Durch KI können Daten, Wissen und bestimmte Fähigkeiten demokratisiert und einer breiten Mitarbeiterbasis zugänglich gemacht werden, einschließlich aktuariellem Wissen[2].

Was ist die Rolle des Aktuars bei KI-Implementierung?

Nachdem wir bis hierher eigenständig formuliert haben und es bereits spät geworden ist, stellt sich die Frage: Warum nicht jetzt KI nutzen? Was würde beispielsweise Microsoft Copilot zu dieser Frage sagen?

Sicherlich eine treffende Antwort, der man nur zustimmen kann.

Wir Aktuare befinden uns in der vorteilhaften Position, über Fachkenntnisse und Erfahrungen in mehreren Bereichen zu verfügen, die für die Implementierung von KI unerlässlich sind. Insbesondere bringen Aktuare ein Verständnis für den Geschäftsbetrieb mit, das es ermöglicht, den konkreten geschäftlichen Nutzen von KI zu bewerten.

Darüber hinaus sind Aktuare fähig, Limitierungen und Risiken von Modellen zu erkennen und angemessen zu kommunizieren. Diese Fähigkeit ist besonders jetzt, in Zeiten des KI-Hypes und der zunehmenden Regulierung, von zentraler Bedeutung.

Welche Regularien sind bei Nutzung von KI zu beachten?

Bei all der positiven Euphorie dürfen auch auf die möglichen Risiken von KI nicht vergessen werden.

Mit dem wachsenden Einsatz von KI in der Finanz- und Versicherungswelt nehmen auch die damit verbundenen Risiken zu, darunter zum Beispiel:

• Mangelnde Erklärbarkeit: KI kann überzeugende, aber faktisch inkorrekte Antworten generieren, was zu Fehlinformationen führen kann.
• Diskriminierung: Die probabilistische Natur vieler KI-Anwendungen kann zu unvorhergesehenen Verhaltensweisen führen. Modelle, die auf voreingenommenen Daten basieren, können bestehende Vorurteile verstärken.
• Mangelnde Datensicherheit: Das Cloud-basierte Training von KI-Modellen birgt Sicherheitsrisiken, einschließlich der Gefahr von Datenlecks und unbefugtem Zugriff.
• Cyberkriminalität: Durch Generative KI erleichterte Phishing-E-Mails und Deepfakes erhöhen das Risiko von Cyberkriminalität.

In Reaktion darauf entwickelt sich die EU-Regulierungslandschaft dynamisch weiter. Neue bzw. aktualisierte Verordnungen und Richtlinien werden in den nächsten Jahren umgesetzt werden müssen. Dabei sollten Unternehmen sicherstellen, dass der Einsatz von KI ethischen Standards entspricht und im Einklang mit allen regulatorischen Vorgaben steht.

Dazu werden Experten mit tiefem Verständnis der Funktionsweise von KI-Systemen und Interpretierbarkeit von Daten und Ergebnissen benötigt werden. Aktuare können und sollten dabei eine entscheidende Rolle bei der Navigation durch diese neue regulatorische Landschaft spielen. Zur Illustration findet sich im Folgenden eine Aufzählung der wichtigsten (zukünftigen) Regularien:

Horizontale KI-spezifische Regulierung

• AI Act: Standardisiert den Einsatz von Künstlicher Intelligenz in der EU zu und schafft ein Regelwerk für die Einwertung und den verantwortungsvollen Umgang mit KI-Systemen.
• AI Liability Directive: Modernisiert Haftungsregeln und Ansprüche für Entwickler, Anbieter oder Nutzer von KI-Systemen.

Horizontale Daten-spezifische Regulierung:

• GDPR (General Data Protection Regulation; bereits in Kraft): Regelt den Schutz personenbezogener Daten und gibt Unternehmen klare Vorgaben zur Datenspeicherung und -verarbeitung.
• DORA (Digital Operational Resilience Act): Zielt darauf ab, die Betriebs- und Cybersicherheitsrisiken, durch strengere Vorschriften für digitale Betriebsresilienz für die Finanz- und Versicherungsbranche und deren Dienstleister, zu minimieren.
• Data Act: Regelt den Zugang zu und die Nutzung von Daten unter Berücksichtigung der Rechte von Datenproduzenten als auch von Nutzern.
• Digital Services Act: Zielt auf die Verantwortlichkeit von Online-Plattformen ab, um sicherzustellen, dass digitale Dienste in der EU sicher und vertrauenswürdig sind, insbesondere im Hinblick auf den Umgang mit illegalen Inhalten und die Transparenz von Werbung.
• Revised Product Liability Directive: Aktualisiert den EU-Produkthaftungsrahmen, indem sie die Haftung für fehlerhafte Produkte klärt und auf digitale Inhalte und Dienstleistungen ausweitet.

Vertikale Regulierung:

• Solvency-II-Review: Neben diversen Aktualisierungen wird auch eine Anpassung in Hinblick auf den Einsatz von KI erwartet.
• Richtlinie über den Versicherungsvertrieb (IDD): Harmonisiert Vertriebspraktiken von Versicherungsprodukten in der EU inkl. höherer Anforderungen an Transparenz und Verhalten von Versicherungsvermittlern. Sie wird 2025 reviewed.

Was macht die AVÖ?

Wie bereits erwähnt, wurde der Arbeitskreis Data Science in der AVÖ im Jahr 2018 gegründet. Dieser dient als Plattform für den regelmäßigen Austausch unter interessierten Kollegen, die Diskussion aktueller Fragen und die Weiterentwicklung zentraler Themen.

Für das Jahr 2024 hat sich der Arbeitskreis folgende Ziele gesetzt:

• Intensivierung der Kommunikation zu KI-Themen innerhalb der AVÖ-Community.
• Bereitstellung konkreter Praxisberichte über KI-Projekte.
• Erweiterung der KI-Wissensbasis auf der AVÖ-Homepage bzw. im Wiki.
• Verstärkte Kooperation mit der AAE und anderen Aktuarvereinigungen.

Um den Aufbau von Wissen zu Data Science und KI weiter zu unterstützen, bietet die AVÖ in Kooperation mit der EAA die Zusatzqualifikation „Certified Actuarial Data Scientist“ (CADS[3]) an. Das Einstiegsseminar „Actuarial Data Science – Basic“ findet vom 18. bis 20. April 2024 in Wien statt, gefolgt von einem zweiten Seminar im Herbst 2024. Anmeldungen sind über die CADS-Anmeldungsseite möglich: CADS Anmeldung

Auch die AAE diskutiert intensiv über KI und hat eine Arbeitsgruppe zu KI und Data Science ins Leben gerufen, in der die AVÖ mit zwei Aktuaren vertreten ist. Im Januar 2024 wurde das Papier „What should an actuary know about AI“ veröffentlicht.

Bei Interesse am Arbeitskreis oder Feedback zu diesem Artikel freuen wir uns über eine Kontaktaufnahme über: ak-datascience@avoe.at

Schlusswort

KI ist ein Thema, das gekommen ist, um zu bleiben. Für Aktuare eröffnen sich dadurch neue, vielfältige und spannende Arbeitsbereiche. Lasst uns diese Zukunft gemeinsam aktiv und positiv gestalten, um mit KI sinnvollen und nachhaltigen Mehrwert zu schaffen: für unsere Kunden, Partner, Mitarbeiter und uns selbst.

Anhang – Use Case Liste

Eine Auswahl von Use Cases über die Kernprozesse:

• Produktentwicklung und Pricing:
  • Nichtlineare Preisgestaltung und andere datengesteuerte Pricing-Ansätze
  • Personalisierte Produktentwicklung, basierend auf anderen als klassischen Datenquellen, die die individuellen Bedürfnisse der Kunden besser widerspiegeln
  • Abdeckung neuer Risiken und Nutzung neuer Datenquellen (z.B. Cyber).
  • KI-gestütztes Produktdesign, das LLMs auf Markt- und Verbraucherdaten nutzt
  • Erstellung von Allgemeinen Geschäftsbedingungen durch LLMs
  • Dynamische Angebotsanpassung in Echtzeit
  • Anpassung von Formulierungen und Pricing und/oder Erneuerungen basierend auf Kundenfeedback
• Marketing, Vertrieb und CRM:
  • KI-basiertes Kampagnendesign und -management, z.B. Optimierung, welche Kunden mit welchen Produkten über welche Kanäle wie angesprochen werden
  • Verbesserung der Kundenerfahrung durch LLMs, die auf allen vorherigen Kundeninteraktionen trainiert wurden
  • Verbesserte Lead-Generierung z.B. tägliche intelligente Lead-Listen für Agenten oder Echtzeit-Leads während Anrufen über LLMs
  • Echtzeit- und vollständig integrierte Angebotserstellung für Makler und Agenten
  • Stornofrüherkennung und Vorschläge für Präventionsmaßnahmen basierend auf früheren Erfahrungen, Sentiment-Analyse und Expertenerfahrung
  • Verbesserung der Kunden-/Agenten-/Maklersegmentierung mit multiplen Datenquellen
  • KI-basierte Ableitung des Customer-Lifetime-Values zur Definition von CRM-Maßnahmen wie Rabatten
• Risikoprüfung:
  • Nutzung externer Datenquellen zur Verbesserung von Underwriting
  • Mustererkennung in Schadendaten, die Einblicke in das Underwriting generieren.
  • KI-basierte Betrugserkennung im Underwriting.
  • Digitale Brokerage-Technologie wie „UnderwriteGPT“
• Ansprüche und Leistungsmanagement:
  • Automatisierte Schadensbewertung zur Bestimmung des Schadensgrades und sofortige Erstellung von Gutachten
  • Automatisierte Anspruchskategorisierung, z.B. Bestimmung der automatisierten vs. manuellen Bearbeitung
  • Selbstlernendes Betrugsmodell inkl. Prävention
  • Automatisiertes Schadensmanagement und Prävention unter Verwendung von Internet-of-things und LLMs zur Extraktion relevanter Daten aus Bildern/E-Mails
  • Schadensmanagement durch KI unter Berücksichtigung der Kundenerfahrung, angrenzender Zusatzkosten und potenzieller Erneuerungsoptionen
  • KI-basierte Schadenreservierung unter Berücksichtigung von z.B. Schadensdokumenten, Anrufprotokollen, Bildern
  • KI-gesteuertes Expertennetzwerkmanagement und -kontrolle
  • Direkte Erstattung durch KI
  • Verbesserung der Kundenzufriedenheit durch Vereinfachung komplexer Schadensprozesse, z.B. KI zum Scannen von Dokumenten
• Betrieb und IT:
  • Automatisierung von Kundenservice, z.B. durch LLM-betriebene Chatbots/Apps
  • Beschleunigung alltäglicher Aufgaben durch Sprach-zu-Text-KI-Übersetzung, LLMs für Textgenerierung, Personalisierung, Klassifizierung von Text/Dokumenten usw.
  • Konversationsinterface, das es Kunden ermöglicht, Policen zu überprüfen, Schadensfälle einzureichen und den Status zu verfolgen
  • Codeüberprüfung und Debugging durch LLMs
  • Automatische Codierung und Softwareentwicklung durch LLMs
  • Konversationsbasiertes IT-Ticketing
• Finanzen und Aktuariat:
  • Datenbasierte Risikoanalysen zur besseren Nutzung von Rückversicherung
  • Vereinfachung von Legacy-Produkten bei Migrationen
  • Automatisiertes Reporting und Dokumentenerstellung
  • Echtzeit-Finanzprognosen
  • Automatisierte Rechnungsverarbeitung
  • KI-gestützte Anpassung von Investorenberichten und -kommunikation
  • Automatisiertes Monitoring und Alarmierung von regulatorischen Änderungen
  • Automatisierte Modelldokumentation und Modellvalidierung
  • Echtzeit-Monitoring von KPIs, KRIs und Szenarien
• ALM und Investment:
  • Automatisiertes Reserach- und News-Monitorung und Zusammenfassen der wichtigsten Erkenntnisse
  • Automatisiertes Monitoring von Markttrends
  • Automatisierte Zusammenfassung von Marktberichten
  • Hedging und Portfolioanpassung basierend auf automatisiertem Monitoring
  • Optimierung der strategischen Asset-Allokation (SAA) und taktischen Asset-Allokation (TAA), Manager-Selektion
  • Bessere Modellierung von Aktiva, Passiva und deren Interaktionen

 

[1] https://support.microsoft.com/de-de/office/hinzuf%C3%BCgen-von-fu%C3%9F-und-endnoten-bff71b0c-3ec5-4c37-abc1-7c8e7d6f2d78

[2] Siehe https://actuaries.org.uk/media/purp2kk5/actuary-gpt-applications-of-large-language-models-to-insurance-and-actuarial-work.pdf

[3] https://avoe.at/aus-und-weiterbildung/ausbildung-actuarial-data-science/

Einleitung

ESG steht für Umwelt (Environmental), Soziales (Social) und Unternehmensführung (Governance) und repräsentiert ein Rahmenwerk für verantwortungsvolle und nachhaltige Unternehmensführung. Im Zentrum steht hierbei, Geschäftspraktiken in Einklang mit den globalen Nachhaltigkeitszielen zu bringen. Für Versicherungen ist dieses Thema aufgrund von veränderten Kundenerwartungen und neuen Verordnungen zur umfassenden Nachhaltigkeitsberichterstattung (z. B. CSRD, EU-Taxonomy) von besonderer Bedeutung.

Aus einem von PwC veröffentlichten Bericht^[1] geht hervor, dass „85 % der globalen Versicherer glauben, dass sich ESG auf alle Bereiche ihres Geschäfts auswirken wird. Die größten Auswirkungen sehen sie bei den Kapitalanlagen (91 % der Befragten), gefolgt von den Bereichen Risiko und interne Revision (90 %) und Underwriting (88 %).” Dies unterstreicht die Wichtigkeit des Themas ESG.

Außerdem ist die Erreichung der Nachhaltigkeitsziele ein ureigenes Interesse der Versicherer, da das Geschäftsmodell auf der Kalkulierbarkeit von Risiken basiert. Geraten der Klimawandel oder andere ESG-Risiken außer Kontrolle, würde das unkalkulierbare Risiken mit sich bringen, welche somit nicht mehr versicherbar wären. Die Boston Consulting Group^[2] beziffert den Anstieg der Schäden aus Naturkatastrophen für die globale Versicherungsbranche im Jahr 2022 auf 54% im Vergleich zum letzten 10-Jahres-Durchschnitt. Dabei steht die Branche nun vor einem doppelten Dilemma: einer drohenden Rentabilitätskrise für Versicherer und einer Erschwinglichkeitskrise für Kunden. Versicherer müssen eine Vorreiterrolle spielen, sowohl zum Nutzen ihrer Kunden als auch zum eigenen Nutzen. Risikomanagement und die Einbindung von Künstlicher Intelligenz (KI) spielen dabei eine entscheidende Rolle.

Die Anwendung von KI bezeichnet die Fähigkeit von Computerprogrammen, Aufgaben auszuführen, die normalerweise menschliches Denken erfordern, indem sie Muster erkennen, Daten verarbeiten und lernen, um fundierte Entscheidungen zu treffen. Sie kann eine entscheidende Rolle spielen, den Herausforderungen im Bereich ESG zu begegnen und effektive Lösungen zu finden. Der Versicherer Allianz veröffentlichte einen Bericht^[3], der aufzeigt, “dass die Versicherungsbranche eine von den Industrien mit dem höchsten potenziellen Wert von KI-Technologien ist, mit einem jährlichen Potenzial von 1,1 Billionen Dollar.” Dies unterstreicht die Wichtigkeit des Themas.

Dieser Artikel gibt einen Einblick in die Schnittmenge dieser beiden wichtigen Themen (ESG und AI) und beleuchtet nachfolgend die Anwendungsmöglichkeiten und Risiken von KI im Hinblick auf die Aspekte „E“, „S“ und „G“.

E – Umwelt (Environmental)

Die größten Herausforderungen im Bereich Umwelt umfassen aktuell Klimawandel, Umweltverschmutzung und Verlust der Biodiversität. Unternehmen stehen dabei vor der Aufgabe, ihre CO2-Emissionen zu reduzieren, Abfall zu managen, Energie und natürliche Ressourcen nachhaltig zu nutzen. Sowohl regulatorischer Druck als auch Investoren und Kundenpräferenzen machen es für Unternehmen immer notwendiger, das Thema Umwelt in ihren Entscheidungen zu berücksichtigen. Versicherungsunternehmen spielen dabei eine Schlüsselrolle. Über ihre hohen Investitionsvolumen verfügen sie über signifikante Lenkungswirkung auf andere Unternehmen und Branchen.

Abbildung 1. Naturgefahrenbilanz im Langzeitüberblick (Quelle: GDV)

Für Versicherungen bedeuten Umweltveränderungen auch neue Herausforderungen in Hinblick auf Produkte, die direkt und indirekt Naturkatastrophen (Hagel, Sturm, Überschwemmung, etc.) abdecken. Wie wichtig z. B. das Thema Klimawandel für die Versicherungsbranche ist, zeigt der Intergovernmental Panel on Climate Change (IPCC)^[4] . Demnach führt ein sich veränderndes Klima allmählich zu Verschiebungen in der Häufigkeit, Intensität, räumlichen Ausdehnung, Dauer und dem Zeitpunkt von extremen Wetterereignissen. Laut GDV sind Prävention und Klimafolgenanpassungen notwendig, damit die Kosten und folglich auch die Prämien für Naturgefahren nicht aus dem Ruder laufen oder einzelne Versicherungsprodukte in Regionen, die stark von Extremwetterereignissen betroffen sind, nicht mehr angeboten werden.^[5]

Andererseits gibt es neue Möglichkeiten in der Tarifierung und Produktentwicklung. Dazu zählen beispielsweise Förderungen bei umweltfreundlichem Verhalten der Versicherungsnehmer.

Anwendungen von KI:

• Risikomanagement und Pricing: KI kann Unternehmen dabei unterstützen, ESG-Risiken besser zu verstehen und zu managen, indem sie beispielsweise Marktdaten analysieren, um akkuratere Preise für umwelt- und klimabezogene Risiken zu berechnen.
• Energieeffizienz: KI kann dabei helfen, Energieverbrauch zu analysieren und zu optimieren, um so Energieeinsparungen und Kostenreduktionen zu erzielen. Implementierung von KI-gesteuerten HVAC-Systemen kann zur Reduzierung des Energieverbrauchs in Gebäuden genutzt werden.
• Abfallmanagement: KI kann bei der Automatisierung des Abfallmanagements helfen, indem sie beispielsweise Müllsortierung und Recycling effizienter macht.
• Schätzer und Vorhersage: KI kann genutzt werden, um NatCat-Modelle noch besser, effizienter und holistischer zu machen. Solche Modelle können nicht nur direkte Wirbelsturm-Schäden modellieren, sondern auch (ggf. mitversicherte) Folgeschäden wie eine Ölpest, Überschwemmung oder einen Großbrand modellieren und je nach Datenqualität weitere abhängige Schadensverteilungen simulieren.
• Monitoring und Reporting: KI kann genutzt werden, um Umweltdaten in Echtzeit zu analysieren und Berichte über die Umweltleistung eines Unternehmens zu erstellen.
  Seit Oktober 2023 ist in Deutschland am Umweltbundesamt ein Anwendungslabor für Künstliche Intelligenz und Big Data (KI-Lab) in Betrieb.^[6] Dieses soll Aktivitäten aus der Umwelt- und Nachhaltigkeitsforschung und des Umwelt-⁠Monitoring⁠ wirksam begleiten. Außerdem ist ebenfalls in Deutschland das BMBF-Forschungsprojekt Simplex4Learning gestartet worden^[7]. Dabei sollen die heterogenen Datenbestände der Umweltbehörden mit KI-Methoden besser für Analysen aufbereitet werden. Laut der Studie „Fernerkundung mit KI“^[8] vom österreichischen Parlament wird maschinelles Lernen häufig für die Analyse von Daten aus der Fernerkundung eingesetzt, um komplexe Umweltsysteme besser zu verstehen und zu managen, bspw. für Wettervorhersagen und Klimamodellierungen zur akkurateren Vorhersage von Überflutungen oder Dürren. Eine weitere Anwendung von KIs ist die drohnenbasierte Überwachung von Schädlingsbefall in der Forstwirtschaft.

Risiken:

• Inkorrekte Dateninterpretation: Falsche Interpretationen von Umweltdaten durch KI können zu falschen Schlussfolgerungen und Entscheidungen führen, die die Umwelt schädigen.
• Fehlende / falsche Daten: Ebenso können Datensätze, die nicht ausreichend diversifiziert, fehlerhaft oder falsch sind, zu einer Schädigung der Umwelt führen.
• Energiebedarf: Der Energie- und Ressourcenverbrauch von KI-Systemen ist hoch und kann somit selbst zu einer Belastung der Umwelt führen. Das Magazin Harvard Business Review^[9] hat recherchiert, dass Rechenzentren derzeit für 2 bis 3 Prozent der weltweiten Treibhausgasemissionen verantwortlich sind und sich das weltweite Datenvolumen ungefähr alle zwei Jahre verdoppelt. Die Weiterentwicklung im KI-Bereich und die immer stärkere Nutzung verstärken diesen Effekt. Eine Studie der University of Massachusetts Amherst^[10] zeigt außerdem, dass die Emissionen, die allein aus dem Trainieren eines KI-Modells entstehen, dem fünffachen CO2-Ausstoß eines Autos entsprechen.

 

S – Soziales (Social)

Im sozialen Bereich stehen Themen wie Mitarbeiterwohlbefinden, Diversität und Inklusion sowie die Interaktion mit Gemeinschaften und Stakeholdern im Vordergrund. Versicherungen decken per Definition durch zahlreiche Leistungsangebote bereits viele Themenschwerpunkte ab: Berufsunfähigkeits-, Kranken-, Lebens-, Arbeitslosen-, Invaliditätsversicherung.

Anwendungen von KI:

• Mitarbeiterwohlbefinden: KI kann zur Analyse von Mitarbeiterdaten genutzt werden, um Mitarbeiter zu fördern und Arbeitsbedingungen zu verbessern.
• Diversität und Inklusion: Mit Hilfe von KI können Unternehmen Diversitäts- und Inklusionsinitiativen besser umsetzen und messen. Durch die Implementierung von KI-gesteuerten Prozessen können zudem operative Kosten reduziert werden, um damit Versicherungsprodukte erschwinglicher zu machen. Im AAE-Artikel^[11] wird umfassend auf die Auswirkung von KI auf die Themen Versicherbarkeit und Inklusion eingegangen.
• Stakeholder-Engagement: KI kann dabei helfen, Stakeholder-Feedback effektiv zu sammeln und zu analysieren. Hierfür können z.B. Chatbots herangezogen werden, die entweder eigenständig oder als Unterstützung für die MitarbeiterInnen, eine rasche und unkomplizierte Kontaktaufnahme mit den jeweiligen (potenziellen) VersicherungsnehmerInnen herstellen sollen. Laut IBM kann damit sowohl eine höhere Kundenzufriedenheit erzielt als auch der Prozess beschleunigt werden.^[12]
• Analyse von Kundendaten und Erstellung von Kundenprofilen mittels KI, um individuell angepasste Versicherungspolizzen anzubieten. Hierbei können beispielsweise mittels gesammelter Daten im KFZ-Versicherungsbereich Prämien dynamisch gestaltet werden^[13]. Mit dem passenden Produkt kann sowohl die Kundenzufriedenheit als auch der Unternehmensumsatz gesteigert werden.^[14]

Risiken:

• Diskriminierung und Bias: KI-Systeme können bestehende soziale Vorurteile verstärken, wenn sie mit Bias trainiert werden. Dies kann zu Diskriminierung und Ungleichheiten führen. Zudem kann Diskriminierung auch indirekt durch Proxies wie z.B. der Postleitzahl hervorgerufen werden, sodass das reine Ausschließen sensitiver Merkmale (z. B. Alter, Religion oder Geschlecht) nicht ausreicht, um Diskriminierung zu vermeiden^[15]. Eine Untersuchung eines KFZ-Versicherungsbestandes in England ergab, dass Männer mit gleichem Risikoprofil aber ohne einem traditionellen englischen Männernamen höhere Versicherungsprämien aufweisen als jene mit einem klassischen englischen Namen^[16]. Zudem gibt es in den USA bereits mehrere Klagen gegen Versicherer, die KI-basierte Algorithmen verwendet haben^[17]. Z.B. gibt es gegen United Healthcare ein laufendes Verfahren, welches gegen die fälschliche Ablehnung von Schäden durch ihren KI-Algorithmus ermittelt.
• Datenschutzverletzungen: Die Analyse und Sammlung persönlicher Daten durch KI können die Privatsphäre von Mitarbeitern, KundInnen und anderen Stakeholdern verletzen. Hierbei stellt insbesondere eine mangelnde Nachvollziehbarkeit von Entscheidungen, die von der KI getroffen wurden, ein Problem dar^[18].
• Die Unternehmensberatung McKinsey schätzt, dass es durch den Einsatz von KIs zu großen Produktivitätssteigerungen (2,6 bis 4,4 Billionen US-Dollar jährlich) kommen wird.^[19] Dies könnte aber auch zu Veränderungen in der Arbeitswelt und Verlagerung oder Streichung von Arbeitsplätzen führen. Insbesondere in Berufen, die routinemäßige oder wiederholbare Aufgaben beinhalten, kann es zu Arbeitsplatzverlusten kommen.
• Verlust der Empathie: Durch den Einsatz von KI-Systemen können KundInnenbindungen verloren gehen. Beispielsweise könnten Kulanzentscheidungen wegfallen, bei denen sich SachbearbeiterInnen aufgrund der Gesamtsituation für eine Schadenzahlung entschieden hätte.^[20]

G – Unternehmensführung (Governance)

Im Bereich Governance geht es um die Einhaltung von Gesetzen, Regulierungen und ethischen Richtlinien sowie um Transparenz und Verantwortlichkeit der Unternehmensführung. Auch hier nehmen Versicherungsunternehmen eine Vorreiterrolle ein, da z.B. Gewinne teilweise mit VersicherungsnehmerInnen geteilt werden (siehe LV-GBV) und die umfangreichen Publikationspflichten (UGB, Solvency, IFRS, IDD, etc.) zu einem hohen Grad an Resilienz und Transparenz führen.

Anwendungen von KI:

• Compliance Monitoring: KI kann bei der Überwachung der Einhaltung von Gesetzen und Vorschriften helfen, indem sie riesige Datenmengen analysiert und mögliche Verstöße erkennt. Insbesondere kann KI die Informationen von Finanzdaten, Finanzflüssen, Firmenstrukturen verarbeiten und analysieren, ob es z.B. Interessenkonflikte gibt.
• Risikomanagement: Durch den Einsatz von KI können Unternehmen Risiken besser identifizieren und managen.
• Entscheidungsunterstützung: KI kann Führungskräften dabei helfen, datengetriebene Entscheidungen zu treffen, die im Einklang mit ESG-Zielen stehen.

Risiken:

• Compliance-Risiken: Fehlerhafte KI kann zu Verstößen gegen rechtliche und regulatorische Vorgaben und damit zu finanziellen und rechtlichen Konsequenzen führen.
• Fehlende Verantwortlichkeit: Die Verwendung von KI kann die Verantwortlichkeit bei Entscheidungen verschleiern.
• Governance: Arbeitsplätze sind gegebenenfalls durch KI gefährdet. Schätzungen zufolge werden Beschäftigte mit Tätigkeitsfeldern Steuern, Buchhaltung, Wertpapierhandel und Vermittlung am stärksten von den Umwälzungen durch KIs betroffen sein.

Schlussfolgerung

Die Nutzung von KI in der Umsetzung von ESG-Initiativen stellt einen wegweisenden Fortschritt für Versicherungen dar. Durch den Einsatz von KI können Unternehmen nicht nur ihre Datenerhebungs- und Analyseprozesse revolutionieren, sondern auch tiefergehende Einblicke in ihre Nachhaltigkeitspraktiken gewinnen. KI bietet umfassende Vorteile in der ESG-Datensammlung, in der Automatisierung von Datenaggregation und Berichterstellung. Gleichzeitig ist die Verwendung von KI-Systemen mit erheblichem Energieaufwand und zahlreichen weiteren Risiken und ethischen Bedenken verbunden.

AktuarInnen spielen dabei eine Schlüsselrolle, indem sie ihre Expertise in Risikobewertung und -management nutzen, um die Herausforderungen und Chancen, die KI und ESG mit sich bringen, zu navigieren. Durch die Entwicklung von Modellen, die ESG-bezogene Risiken quantifizieren und die Auswirkungen auf das Versicherungsgeschäft abschätzen, können AktuarInnen sicherstellen, dass der Einsatz von KI nicht nur effizienzsteigernd wirkt, sondern auch ethischen und nachhaltigen Prinzipien folgt. Somit fungieren AktuarInnen als unverzichtbare BrückenbauerInnen zwischen technologischem Fortschritt und nachhaltigem Unternehmenserfolg, indem sie sicherstellen, dass ESG-Ziele nicht nur erreicht, sondern in einer Art und Weise umgesetzt werden, die sowohl für die Gesellschaft als auch für die Umwelt von Vorteil ist.

 

 

 

 

[1] Next in insurance. ESG: A growing sense of urgency, 2022, https://www.pwc.com/us/en/industries/insurance/library/assets/pwc-next-in-insurance-esg.pdf

[2] An Insurance Risk Framework for Climate Adaptation, 2023, https://www.bcg.com/publications/2023/an-insurance-risk-framework-for-climate-adaptation

[3] Allianz Commercial. Global Risk Dialogue, How AI could change insurance, Volume 2, 2023, https://commercial.allianz.com/news-and-insights/reports/global-risk-dialogue.html#download

[4] https://www.ipcc.ch/

[5] https://www.gdv.de/gdv/medien/medieninformationen/naturgefahrenbilanz-2022-mit-4-3-milliarden-euro-ein-durchschnittliches-schadenjahr-fuer-versicherer-116996

[6] Siehe https://www.umweltbundesamt.de/themen/digitalisierung/anwendungslabor-fuer-kuenstliche-intelligenz-big#das-ki-lab-am-uba-fur-das-umweltressort

[7] Siehe https://www.bigdata-insider.de/umweltdaten-mit-ki-methoden-fuer-intelligente-analysen-erschliessen-a-b6b9f79ec4d5cde7d7d29c90d7548ce6/

[8] Siehe https://www.parlament.gv.at/dokument/fachinfos/zukunftsthemen/102_fernerkundung_KI.pdf

[9] https://hbr.org/2023/10/the-opportunities-at-the-intersection-of-ai-sustainability-and-project-management

[10] https://aclanthology.org/P19-1355.pdf

[11] AAE-Artikel. AI and the opportunities and challenges it presents to insurability, 2023. https://actuary.eu/memos/aae-discussion-paper-ai-and-the-opportunities-and-challenges-it-presents-to-insurability/

[12] https://www.ibm.com/blog/robotic-process-automation-in-insurance/

[13] https://www.ibm.com/blogs/digitale-perspektive/wp-content/uploads/2023/11/231026_Generative-KI-in-der-Versicherungswelt_Whitepaper_IBM-Consulting.pdf

[14] https://datasolut.com/ki-use-cases/next-best-action-in-der-versicherungsbranche/

[15] https://engineering.cmu.edu/news-events/news/2018/12/11-datta-proxies.html

[16] https://link.springer.com/content/pdf/10.1007/s12297-022-00528-1.pdf

[17] https://news.bloomberglaw.com/health-law-and-business/cigna-sued-over-alleged-automated-patient-claims-denials

[18] https://link.springer.com/article/10.1007/s12297-022-00518-3

[19] https://www.mckinsey.com/de/news/presse/genai-ist-ein-hilfsmittel-um-die-produktivitaet-zu-steigern-und-das-globale-wirtschaftswachstum-anzukurbeln

[20] https://link.springer.com/article/10.1007/s12297-022-00518-3