In der Innovations-Spezialausgabe von VVP, der führenden Plattform für Finanzberater in den Niederlanden, wurde diesen Monat dieser Artikel von meinem Kollegen Dennie van den Biggelaar veröffentlicht. Der Artikel hebt deutlich den Unterschied zwischen den beiden Formen der KI hervor, nämlich generative KI (wie die gehypte Chat-GPT) und spezifische KI.

Spezifische KI bietet Vermittlern bereits jetzt konkrete Werkzeuge, um die knappe Zeit der Berater viel effektiver zu nutzen. Aus seinen 10 Jahren Erfahrung in Data Science und KI beschreibt Dennie auch, wie man mit minimalem Risiko mit KI im Unternehmen starten kann.

Mit dem rasanten Aufstieg der KI steht der Versicherungssektor am Rande einer Revolution. Diese Revolution betrifft nicht nur die Versicherer, sondern hat auch erhebliche Auswirkungen auf Vermittler. Wird KI Vermittler ersetzen, und wie können Vermittler in dieser sich schnell verändernden Umgebung relevant bleiben?

Mathematik ist eine exakte Wissenschaft, die seit ihrer Entstehung in der Versicherungsbranche zur Berechnung von Prämien und Risiken eingesetzt wird. Traditionell wurden diese Berechnungen von Aktuaren durchgeführt. Das Aufkommen von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) ermöglicht jedoch die Analyse großer Datenmengen mithilfe ausgeklügelter mathematischer Formeln (Algorithmen), um Muster und Trends zu entdecken. Dies hat bereits zu genaueren Prämienberechnungen geführt (z.B. das VPI-Box-Beispiel). Die Kombination aus KI und den enormen Datenmengen, die Versicherer besitzen, kann auch genutzt werden, um die Effizienz von Annahme- und Schadensbearbeitungsprozessen erheblich zu steigern und Möglichkeiten für personalisierten Kundenservice im großen Maßstab zu bieten. Folglich werden die Gewinner-Versicherer von morgen ihre Kostenlast drastisch reduzieren, während sie den Kundenservice erheblich verbessern.

Dieser Fortschritt setzt jedoch das Geschäftsmodell des Vermittlers weiter unter Druck. Der Vermittler wird zu einem relativ teuren Vertriebskanal, wenn das Informieren, Beraten und Verwalten größtenteils durch Algorithmen automatisiert werden kann, und das zu einem Bruchteil der aktuellen Provision.

Darüber hinaus können Verbraucher jetzt leicht die Informationen finden, die sie im Internet suchen. Zum Beispiel können sie einfach chatGPT nach den 20 wichtigsten Punkten fragen, die bei der Versicherung eines Wohnmobils zu beachten sind. KI-gesteuerte Finanzberatungs-Apps wie Parthean oder Mint sind bereits auf dem Markt, allerdings derzeit noch nicht geeignet, um mit niederländischen Bankkonten verknüpft zu werden.

In dieser sich schnell verändernden Umgebung, in der KI einen erheblichen Einfluss auf den Versicherungssektor hat, ist es für Vermittler entscheidend, die richtigen strategischen Entscheidungen zu treffen. Einerseits sollten sie sich noch stärker auf die Nutzung menschlicher Qualitäten konzentrieren, andererseits sollten sie lernen, die Macht der KI zu nutzen, um ihre Arbeit zu unterstützen.

Die Macht des Beraters

Menschliche Qualitäten wie Freundlichkeit, Empathie, Verständnis, Vertrauen und Respekt sind schwer durch KI zu replizieren. Wie bereits erwähnt, sind und bleiben diese Qualitäten essenziell für den Aufbau starker Beziehungen zu Kunden. „Kunde“ stammt vom französischen Wort „chalant“, was „Aufmerksamkeit“ bedeutet. Durch persönliche Aufmerksamkeit können Berater einen Loyalitätsfaktor schaffen, der über die rein transaktionale Beziehung zwischen dem Kunden und den KI-Systemen hinausgeht. Dies gilt insbesondere dann, wenn Berater proaktive Unterstützung bieten und Kunden sich wertgeschätzt und gut betreut fühlen.

Berater können sich auch spezialisieren und tiefgehendes Wissen in bestimmten Nischen oder Produktbereichen aufbauen. Indem sie über die neuesten Entwicklungen auf dem Laufenden bleiben, können Berater wertvolle Einblicke basierend auf ihrer Intuition bieten, die über das hinausgehen, was KI derzeit leisten kann.

Wie können Vermittler mit zehntausenden von Kunden jedoch allen persönliche Aufmerksamkeit schenken? Mehr Berater einzustellen ist nicht skalierbar und zu teuer. Die Herausforderung besteht darin, sicherzustellen, dass die knappe Zeit des Beraters effektiv genutzt und in den richtigen Kunden zur richtigen Zeit investiert wird. Smarte KI-Tools können dabei helfen, was wir weiter unten erkunden werden.

Die Macht der KI

KI ist eine Systemtechnologie, ähnlich wie Elektrizität und der Verbrennungsmotor. Systemtechnologien haben immer erhebliche Auswirkungen auf die Gesellschaft, die im Voraus nicht vorhersehbar sind. Für Vermittler bedeutet dies, dass sie diese neue Technologie annehmen müssen, um ihre Arbeit effektiver und effizienter zu gestalten. Es gibt zwei Haupttypen von KI-Tools: generative KI und spezifische KI.

GENERATIVE KI

Generative KI bezieht sich auf den Einsatz von Algorithmen, die in der Lage sind, autonom neue Inhalte wie Texte, Bilder oder Töne basierend auf vorhandenen Daten zu erzeugen. Das bekannteste Beispiel ist chatGPT-3, verfügbar unter https://openai.com/. GPT steht für „Generative Pre-trained Transformer“, eine Art von neuronaler Netzwerkarchitektur, die zur Generierung natürlicher Sprache verwendet wird. Berater können GPT bereits effektiv nutzen, um kraftvolle Antworten auf häufig gestellte Fragen zu generieren, relevante Website-Inhalte zu erstellen oder schnell Zusammenfassungen langer juristischer Texte zu erhalten. Insurtech-Unternehmen wie Wegroup experimentieren mit der Nutzung von GPT im Kundenservice. In den USA hat Sixfold.ai ein GPT-Modell entwickelt, das automatisch Risiken für versicherte Objekte bewerten und geeignete Deckungsratschläge innerhalb der Annahmerichtlinien geben kann.

Generative KI hat derzeit einige wichtige Nachteile. Manuelle Korrekturen und Qualitätskontrollen sind notwendig, insbesondere wenn hochwertige und genaue Daten erforderlich sind. Darüber hinaus müssen Inhalte, die von generativer KI erzeugt werden, validiert werden, da sie als „Black Box“ arbeitet, was es schwierig macht, das genaue Denken hinter den erzeugten Inhalten zu verstehen. Schließlich benötigt generative KI große Mengen an Trainingsdaten, um effektiv zu lernen und neue Informationen zu generieren. Während im Internet enorme Mengen an Daten verfügbar sind, stehen sie selten ausschließlich für den firmeneigenen Gebrauch zur Verfügung. Es gibt auch rechtliche Risiken im Zusammenhang mit generativer KI, wie auf https://www.arag.nl/nieuws/chatgpt-juridisch-risico diskutiert wird.

SPEZIFISCHE KI

Neben der generativen KI gibt es spezifische KI, auch als enge KI bekannt. Sie ist darauf ausgelegt, eine bestimmte Aufgabe effizient mit hoher Fachkenntnis und Genauigkeit auszuführen. Dies ist besonders wichtig in der Versicherungsbranche, wo spezifische KI zunehmend angewendet wird. Enge KI wird auch in Anwendungen wie Bild- und Spracherkennung, Empfehlungssystemen und autonomen Fahrzeugen eingesetzt.

Spezifische KI erfordert Trainingsdaten, die spezifisch für die Aufgabe sind, für die sie entwickelt wurde. Wenn Sie beispielsweise KI zur Vorhersage der Annahmewahrscheinlichkeit eines bestimmten Kraftfahrzeugs verwenden möchten, benötigen Sie nur historische Daten akzeptierter und abgelehnter Kraftfahrzeuganträge. Die Relevanz und Repräsentativität der Trainingsdaten sind entscheidend für die Leistung dieser KI-Modelle. Hier sind einige erfolgreiche Anwendungen spezifischer KI, die bereits von niederländischen Vermittlern und Underwriting-Unternehmen genutzt werden:

• Kündigungsvorhersage: Machine-Learning-Modelle können basierend auf historischen Kunden- und Vertragsdaten trainiert werden, um die Wahrscheinlichkeit vorherzusagen, dass Kunden ihre Policen innerhalb eines bestimmten Zeitraums kündigen (Churn). Algorithmen wie logistische Regression, Entscheidungsbäume oder neuronale Netzwerke werden zu diesem Zweck verwendet. Berater können diese Informationen effektiv nutzen. Kunden mit hoher Kündigungswahrscheinlichkeit erfordern sofortige Aufmerksamkeit und proaktive Ansätze, wie Wartungsgespräche oder Anreize (Verteidigungsstrategie). Andererseits sind Kunden mit niedriger Kündigungswahrscheinlichkeit loyal, und ihre Beziehung kann durch konsistente Pflege gestärkt werden (Pflegestrategie). Sofortiges Handeln ist nicht notwendig. Zusätzlich liefert das Modell Einblicke, warum die Kündigungswahrscheinlichkeit hoch oder niedrig ist, sodass strategische Maßnahmen ergriffen werden können.

• Kundenlebensdauerwert (CLV) Vorhersage: CLV ist ein entscheidendes Maß für Vermittler, die systematische und nachhaltige Rentabilität im Kundenservice anstreben. Technisch kann CLV mithilfe eines Machine-Learning-Modells berechnet werden, das historische Kunden- und Vertragsdaten analysiert. Durch die Kombination mit fortschrittlichen Algorithmen wie Regressionsanalyse oder Überlebensanalyse kann das Modell den zukünftigen Wert in Euro für jeden Kunden vorhersagen, unter Berücksichtigung der Kundenlebensdauer und des Cross-Selling-Potenzials. Mit diesen Informationen können Vermittler die richtigen strategischen Entscheidungen treffen und gezielt in Kunden mit hohem vorhergesagten CLV investieren.

• Nächste beste Policen-Empfehlungen: Durch die Analyse von Kundenprofilen, Vertragsdaten und externen Datenquellen können Machine-Learning-Modelle vorhersagen, welche zusätzlichen Policen oder Deckungsoptionen für jeden einzelnen Kunden am relevantesten und attraktivsten sind. Techniken wie kollaboratives Filtern werden verwendet, um Muster und Ähnlichkeiten zwischen Kunden zu entdecken und personalisierte Empfehlungen zu geben. Auf diese Weise können Vermittler alle Kunden kontinuierlich über relevante Deckungen informieren. Zeigt ein Kunde Interesse, können Berater personalisierte Ratschläge geben (Vergrößerungsstrategie), um die Policendichte zu erhöhen. Kunden mit mehreren Policen sind zudem tendenziell loyaler.

• Robotic Process Automation (RPA): RPA ist eine Technik zur Automatisierung repetitiver und zeitaufwendiger Aufgaben. Während dies mithilfe von intelligenten Geschäftsregeln erreicht werden kann, wird es noch effektiver, wenn es mit Machine-Learning-Modellen (ML) kombiniert wird. Bei Underwriting-Agenturen oder großen Vermittlern kann RPA in der Straight-Through-Processing (STP) für die Annahme verwendet werden. Annahmeprüfer müssen die eingereichten Daten überprüfen und gegen Annahmerichtlinien abgleichen. RPA kann diese Überprüfungsprozesse automatisch durchführen und so die manuelle Arbeit für „Bulkprodukte“ eliminieren. RPA kann auch so konfiguriert werden, dass es Diskrepanzen an die Annahmeprüfer meldet, diese im Prozess einbindet und ihre Arbeit interessanter macht.

• Natural Language Processing (NLP): NLP-Algorithmen können natürliche Sprache verstehen und verarbeiten und werden in Kommunikationskanälen eingesetzt, um schnelle und personalisierte Antworten auf Kundenanfragen und -anforderungen zu geben. Techniken wie Textklassifikation, Entitätsextraktion und Sentimentanalyse werden verwendet, um die Struktur und Bedeutung von Textdaten zu verstehen.

Einige relevante Anwendungen für Vermittler und Underwriting-Unternehmen umfassen:

• Automatische Schadensbearbeitung: NLP-Algorithmen können Schadensformulare analysieren, um relevante Informationen wie die Art des Schadens, die beteiligten Parteien und Vorfallsdetails zu extrahieren. Schäden können auch gegen Vertragsbedingungen überprüft werden. Dies ermöglicht Schadensbearbeitern, Schäden schneller und genauer zu bearbeiten, was zu einer verbesserten Kundenzufriedenheit führt.
• Sentimentanalyse: Mithilfe von NLP-Algorithmen können Vermittler kontinuierlich Einblicke in die Kundenstimmung in Bezug auf Dienstleistungen oder Produkte gewinnen. Dies hilft, Echtzeitmuster im Kundenfeedback und potenzielle Gründe für einen Rückgang der Kundenzufriedenheit zu identifizieren. Die Microsoft-Plattform bietet bereits Sentimentanalyse für geschriebene Texte (z.B. E-Mails über Outlook) und gesprochene Texte (z.B. Anrufe über Teams).
• Chatbots: Durch die Nutzung von Techniken wie Intent-Erkennung oder Named-Entity-Recognition können Chatbots Kundenabsichten verstehen und relevante Antworten geben. Dies reduziert die Arbeitsbelastung und verbessert den Kundenservice. Jeder kennt schlecht gestaltete Chatbots; der Erfolg hängt von der Einrichtung ab. Der gut trainierte Chatbot von Inshared kann beispielsweise über 95% der Fragen automatisch beantworten.

Erstellung einer KI-Roadmap

Die gute Nachricht ist, dass KI Vermittlern bereits verschiedene Möglichkeiten bietet, den Kundenservice zu verbessern. Jedes Büro hat jedoch seine eigene Ausrichtung und Kundengruppe, sodass es keine Einheitslösung gibt. Daher ist es ratsam, eine KI-Roadmap zu entwickeln, um KI effektiv zu nutzen, um die Ziele des Unternehmens zu erreichen (KPIs).

Beginnen Sie mit einer gemeinsamen Erkundung potenzieller Anwendungsfälle im Einklang mit den Zielen und der Strategie des Büros mit dem Managementteam (MT). Priorisieren Sie dann diese Anwendungsfälle gemeinsam in einem Business-Value-gegen-Aufwand-Quadranten. Anwendungsfälle mit hohem erwartetem Geschäftswert, die relativ leicht mit Hilfe von KI umgesetzt werden können, gelten als „Quick Wins“ und sollten priorisiert werden. Schwierigere Anwendungsfälle oder „große Projekte“ kommen als nächstes.

Für Vermittler und Underwriting-Unternehmen können folgende Anwendungsfälle bereits erfolgreich mithilfe von KI-Technologie umgesetzt werden:

• Erhöhung der Policendichte
• Vermeidung von Vertragskündigungen
• Implementierung von aktivem Kundenmanagement im großen Maßstab
• Steigerung der Berater-Effizienz
• Optimierung der Annahme- oder Schadensbearbeitungsprozesse
• Verbesserung der kombinierten Verhältnisse
• Identifizierung von Chancen und Risiken im Kundenportfolio
• Überwachung von Auto-Portfolios
• Verbesserung des (digitalen) Kundenservice

Wählen Sie ein oder zwei Anwendungsfälle aus und richten Sie einen Pilotversuch in einer operativen Umgebung mit begrenztem Umfang ein. Es ist wichtig, den Business Case aus dem Pilotprojekt zu berechnen – zu evaluieren, ob die Investition in KI den erwarteten Geschäftswert im Einklang mit den Unternehmenszielen übersteigt. Die Ziele sollten SMART formuliert werden.

Es ist entscheidend, die Mitarbeiter einzubeziehen und sich auf Change Management zu konzentrieren. Bewerten Sie die Implementierung regelmäßig und passen Sie sie an sich ändernde Bedürfnisse und technologische Fortschritte an. Berücksichtigen Sie auch ethische Überlegungen, Datensicherheit und die Einhaltung von Gesetzen und Vorschriften bei der Implementierung von KI-Lösungen.

Die Verantwortung liegt bei den Vermittlern, die Möglichkeiten der KI schnell zu erkunden. Es ist nicht nötig, das Rad neu zu erfinden, da KI-Lösungen bereits verfügbar sind und sofort eingesetzt werden können. Konsultieren Sie Softwareanbieter oder suchen Sie Rat bei KI-Experten. Durch den Einsatz von KI-Tools können Vermittler ihre Berater weiter stärken, ihre Wettbewerbsposition verbessern, den Kundenservice verbessern und den Weg für ein zukunftsorientiertes und erfolgreiches Versicherungsunternehmen ebnen.

Dennie van den Biggelaar (Mitbegründer von OneSurance) hat über 10 Jahre Erfahrung als KI-Stratege und hat Organisationen wie Johnson & Johnson, CZ, BasicFit, Corendon, Sligro und Samsung bei der Implementierung von Big-Data- & KI-Anwendungen unterstützt.