Zunächst einmal ist das Konzept der künstlichen Intelligenz keineswegs neu. Der Begriff selbst wurde erstmals 1956 beim „Dartmouth Workshop” verwendet, bei dem Wissenschaftler zusammenkamen, um zu diskutieren, wie Maschinen intelligentes Verhalten zeigen könnten. Seitdem lassen sich drei wichtige Phasen in der Entwicklung der KI im Versicherungswesen unterscheiden:

• Regelbasierte Systeme (1960–1990). In den Anfängen der KI verwendeten diese Systeme nur manuell eingegebene Regeln, um einfache Entscheidungen auf der Grundlage spezifischer Eingaben zu treffen. Beispielsweise die Annahme auf der Grundlage einfacher, vordefinierter Regeln. Diese Systeme waren noch viel zu begrenzt, um komplexe Entscheidungen zu treffen.

• Statistische Modellierung und Datenanalyse (1990–2010). Da Computer immer schneller und Analysesoftware immer intelligenter wurden, konnten Machine-Learning-Modelle eingesetzt werden, um Muster und Trends in großen Mengen von Versicherungsdaten zu erkennen. Dies war insbesondere bei der Risikobewertung und Betrugsaufdeckung hilfreich.

• Maschinelles Lernen und Predictive Analytics (2010 bis heute). Mit dem Aufkommen fortschrittlicherer Techniken des maschinellen Lernens, wie neuronale Netze und Deep Learning, ist es möglich geworden, noch komplexere Analysen durchzuführen. Dazu gehören die Vorhersage des Kundenverhaltens, die Festlegung von Tarifen auf der Grundlage individueller Merkmale und die Erkennung betrügerischer Aktivitäten mit höherer Präzision. KI wird auch zur Verbesserung des Kundenservice mit Chatbots, virtuellen Assistenten und automatisierten Interaktionen eingesetzt.

Und nun gibt es seit November 2022 Chat-GPT, in das Microsoft zehn Milliarden Euro investieren will. Dabei handelt es sich um ein Large Language Model (LLM), das stets das nächste Wort in einem Text vorhersagt und so die menschliche Sprache nachahmt. Vor allem unter erfahrenen Datenexperten, die jahrelang daran gearbeitet haben, Algorithmen zu verfeinern und Big Data zu verstehen, hat der jüngste AI-Hype um ChatGPT eine Mischung aus Begeisterung und Besorgnis ausgelöst. Zwei Tweets von führenden Persönlichkeiten aus dem Bereich der KI fassen den Gegensatz zwischen den positiven und negativen Aspekten gut zusammen.

Die positive Seite

Tweet 1 stammt vom bekannten Risikokapitalgeber Marc Andreessen aus dem Januar 2023: „Wir stehen gerade am Beginn eines goldenen Zeitalters der KI in den Bereichen Literatur, Kunst, Musik, Software und Wissenschaft. Es wird großartig werden. Weltgeschichtlich.“

Die Begeisterung für KI ist auch für die Versicherungsbranche durchaus berechtigt, denn sie hat neue Möglichkeiten eröffnet, die einst undenkbar schienen. KI verspricht ein neues Maß an Effizienz und Genauigkeit. KI kann sehr große Datenmengen analysieren und Erkenntnisse über Risikobewertung, Schadenbearbeitung oder Kundenservice gewinnen, was für menschliche Gutachter niemals möglich wäre. Die Vorteile von KI sind einfach zu attraktiv, um sie zu ignorieren, und deshalb setzen immer mehr Entscheidungsträger KI auf die Tagesordnung. Sie ermöglicht es Versicherungsunternehmen, Wettbewerbsvorteile zu erzielen, das Kundenerlebnis zu verbessern und gleichzeitig Kosten zu senken. Kurz gesagt: eine einzigartige Chance, in einer traditionellen Branche, die einem Wandel unterworfen ist, eine Vorreiterrolle einzunehmen.

Die negative Seite

Der Kontrast zu Tweet 2 ist groß: „ChatGPT ist unglaublich begrenzt, aber in manchen Dingen gut genug, um einen irreführenden Eindruck von Großartigkeit zu erwecken. Es ist ein Fehler, sich derzeit in wichtigen Angelegenheiten darauf zu verlassen. (…)”

Der Autor dieses Tweets ist Sam Altman, Gründer und CEO von OpenAI's ChatGPT. Haben Sie jemals einen CEO über sein eigenes Produkt sagen hören, dass es derzeit gut darin ist , unangebrachte Größe zu schaffen? Die Besorgnis ist übrigens berechtigt, denn Überzeugungskraft ist schließlich der wichtigste Faktor, damit falsche Informationen ihre zerstörerische Wirkung entfalten können.

Die Überzeugungskraft von ChatGPT wird in dieser Hinsicht überschätzt. Das bedeutet, dass jeder, der sich beruflich in irgendeiner Weise mit Wahrheit (oder Wahrheitsfindung) beschäftigt, darauf achten muss, denn mit den richtigen Fragen kann äußerst glaubwürdiger und überzeugender Unsinn herauskommen.

Laut Professor Terrence Seinowski, Autor von „The Deep Learning Revolution“, spiegeln Sprachmodelle dabei auch die Intelligenz und Vielfalt ihres Interviewers wider. Sejnowski fragte ChatGPT-3 beispielsweise: „Was ist der Weltrekord für das Überqueren des Ärmelkanals zu Fuß?“ GPT-3 antwortete: „Der Weltrekord für das Überqueren des Ärmelkanals zu Fuß liegt bei 18 Stunden und 33 Minuten.“ . Die Tatsache, dass man den Ärmelkanal nicht zu Fuß überqueren kann, wurde von GPT-3 leicht verschleiert, um Sejnowskis Frage zu beantworten. Die Kohärenz der Antwort von GPT-3 hängt vollständig von der Kohärenz der Frage ab, die es erhält. Plötzlich ist es für GPT-3 möglich, über Wasser zu laufen, nur weil der Interviewer das Verb „laufen” anstelle von „schwimmen” verwendet hat.

„KI ist wie ein Papagei, der Wörter wiederholt, ohne ihre Bedeutung zu kennen.“ 

Es gibt eine treffende Analogie, die die Nachteile von KI veranschaulicht: der stochastische Papagei. Stochastisch bedeutet „zufällig oder auf Zufall basierend” und bezieht sich auf Prozesse, deren Ergebnisse nicht vollständig vorhersehbar sind. KI, insbesondere in Form von generativer KI wie ChatGPT, fungiert im Grunde genommen als ein sich wiederholender Mechanismus ohne vollständiges Verständnis. So wie ein Papagei Wörter wiederholen kann, ohne ihre Bedeutung zu kennen, kann KI (Text-)Muster reproduzieren, ohne die zugrunde liegende Logik zu verstehen. Dies ist besorgniserregend, insbesondere wenn wir an Entscheidungen mit weitreichenden Folgen denken, wie z. B. die Übernahme von Risiken oder die Beurteilung von Versicherungsansprüchen. Wenn KI eingesetzt wird, um diese Entscheidungen ohne ein gründliches Verständnis des Kontexts und ohne menschliches Eingreifen, den sogenannten „Human in the Loop”, zu treffen, kann es zu unbeabsichtigten Fehlern kommen. Diese inhärente Unvorhersehbarkeit kann zu Kundenunzufriedenheit, ethischen Fragen und letztlich zu einer Untergrabung des Vertrauens in die Versicherungsbranche führen. Hinzu kommen die Komplexität der Implementierung von KI und Bedenken hinsichtlich Datenschutz und Sicherheit, sodass es verständlich ist, dass einige Entscheidungsträger bei Versicherungsunternehmen zögern, voll in KI zu investieren.

Wichtige Rolle spezifischer KI

Die heftige Diskussion über KI scheint sich also hauptsächlich um generative KI zu drehen, deren bekanntestes Beispiel ChatGPT ist. Generative KI bezieht sich auf einen Teilbereich der künstlichen Intelligenz, bei dem Algorithmen verwendet werden, um neue, originelle und kreative Ergebnisse zu generieren. Die Unterscheidung zwischen generativer KI und spezifischer KI wird im Versicherungssektor immer relevanter. Spezifische KI zielt darauf ab, bestimmte Probleme zu lösen oder bestimmte Aufgaben auszuführen. Die wichtigste Anwendung spezifischer KI in der Versicherungsbranche ist seit jeher die prädiktive Analytik. Damit lassen sich auf der Grundlage historischer Daten zuverlässige, mathematisch fundierte und sehr genaue Vorhersagen treffen, beispielsweise für die Risikoeinschätzung, die Entwicklung der kombinierten Quote, die Höhe der Schadensfälle oder den effektivsten Kundenservice. Zuverlässigkeit und Genauigkeit sind typische Eigenschaften, die in der Versicherungsbranche gefragt sind.

Spezifische KI ist also auch kein „Hype“ und wurde in den letzten zehn Jahren immer erfolgreicher eingesetzt, insbesondere von den Data Masters auf dem Markt. Data Masters sind Unternehmen, die ihre Ressourcen-Daten unter anderem durch den Einsatz von Data Science und KI optimal nutzen können.

Neben Zuverlässigkeit und Genauigkeit besteht ein großer Vorteil der spezifischen KI-Systeme darin, dass sie den Entwicklern ermöglichen, die Transparenz und Fairness der Algorithmen genau zu kontrollieren und anzupassen. So können Anwendungen so konzipiert und kalibriert werden, dass sie den ethischen Datenstandards entsprechen, die vom Verband der Versicherer festgelegt wurden. Derzeit ist dies selbst nach Ansicht des CEO von ChatGPT für generative KI-Anwendungen noch eine große Herausforderung.

Balance entscheidend für Versicherungsbranche

Im Endeffekt geht es hier um die Frage: Können wir uns auf KI verlassen oder (noch) nicht? Eine bekannte Definition von Vertrauen lautet: „der Glaube an einen guten Ruf und Ehrlichkeit“. Nicht umsonst hat der Verband der Versicherer ethische Datenrahmen erstellt, um sicherzustellen, dass datengesteuerte Versicherungsanwendungen fair und respektvoll sind. Die Einhaltung dieser Rahmenbedingungen soll dazu führen, dass der Einsatz von KI beispielsweise nicht zu Diskriminierung führt. Niemand möchte einen zweiten „Zuschlagsskandal”, der den guten Ruf der Versicherungsbranche ernsthaft schädigen könnte.

Dies stellt eine zusätzliche Herausforderung dar, insbesondere da KI in der Lage ist, komplexe Muster zu erkennen, die für das menschliche Auge unsichtbar sind. Die Fähigkeit, diese Muster zu erklären und ethische Standards einzuhalten, ist für die Aufrechterhaltung des Vertrauens in die Branche von entscheidender Bedeutung.

Jack Vos: „Spezifische KI ist kein Hype.“

Hier liegt eine wichtige Aufgabe und Verantwortung für die erfahrenen Datenexperten und KI-Strategen unserer Branche. Mit relevantem Wissen und Erfahrung im Bereich KI und einem fundierten Verständnis des Versicherungskontexts können sie das Gleichgewicht zwischen technologischer Innovation und ethischen Überlegungen wahren. Wir dürfen nicht nur darauf schauen, was KI für uns leisten kann, sondern auch darauf, was menschliche Experten zu einer nachhaltigen und ausgewogenen Zukunft beitragen können. Bei KI geht es also nicht nur um Innovation und mehr Effizienz, sondern auch um die Bewahrung des menschlichen Faktors und des Vertrauens, das in unserer Branche so entscheidend ist. Diese Balance zu finden, ist eine Herausforderung, aber auch eine Verpflichtung, die wir ernst nehmen müssen.

Der Schlüssel zum Erfolg

Laut einer kürzlich von Cap Gemini unter 204 Versicherern weltweit durchgeführten Umfrage können sich nur 18 Prozent der Versicherer als „Data Master” bezeichnen. Mehr als 70 Prozent der Versicherer gehören noch zu den „Data Laggards”. Die Unterschiede sind erschreckend: Der Umsatz pro Vollzeitbeschäftigtem ist bei einem Datenmeister um 175 Prozent höher und sie sind 63 Prozent profitabler als Datenverweigerer. Initiativen von Datenmeistern im Bereich Datenwissenschaft und KI führen in mehr als 95 Prozent der Fälle zu einem höheren NPS, einer verbesserten kombinierten Quote und einem Anstieg der Prämieneinnahmen.

Selbst mit der Koat-Checkliste loslegen

KOAT steht für „Kwaliteit Onbemenste Advies- en Transactietoepassingen” (Qualität unbemannter Beratungs- und Transaktionsanwendungen). „Unbemannte Anwendungen” ist nach wie vor ein schöner Begriff für intelligente Technologien, die Aufgaben ersetzen können, nicht Menschen. Die zunehmende Nutzung solcher automatisierten Anwendungen im Finanzsektor in Verbindung mit neuen (europäischen) Vorschriften macht die Qualitätskontrolle unbemannter Anwendungen immer wichtiger. Mit der Plattform für unbemannte Anwendungen, die eine Wissensdatenbank und eine Checkliste umfasst, hat SIVI ein Tool für alle Parteien entwickelt, die unbemannte Anwendungen entwickeln und nutzen. Mit einer breiten Vertretung im Beratungsausschuss für Qualität unbemannter Anwendungen zeigt die Branche ihr Engagement für diese Plattform. Weitere Informationen finden Sie unter www.sivi.org.

Quelle: Der Originalartikel erschien im VVP und ist online hier .