WENN VERSICHERUNGEN AUF KI SETZEN

INTERVIEW-PARTNER

TRANSKRIPT   Hier folgt die deutsche Übersetzung der englischen Aufzeichnung des Podcasts.

MODERATOR: Was macht KI zu mehr als nur einem Werkzeug zur Automatisierung in der Versicherungsbranche? Wie verändert sie das Schadenmanagement?

CHRISTIAN: Die regelbasierte Automatisierung ist seit vielen, vielen Jahren ein Schwerpunkt in der Versicherungsbranche und speziell im Schadenmanagement, wo sie zu erheblichen Defiziten geführt hat. Aber es gibt zwei wesentliche Einschränkungen, wissen Sie. 

Erstens sind Implementierungen in der Regel sehr zeitaufwändig und daher kostspielig. Das hat zur Folge, dass Teilprozesse mit geringerem Volumen nicht zu positiven Business Cases führen. Und zweitens erfordert die regelbasierte Automatisierung ein solides Verständnis der historischen Daten, um zu wissen, welche Entscheidungsregeln zu besseren wirtschaftlichen Ergebnissen führen. Und diese Daten waren in der Vergangenheit entweder nicht verfügbar oder es fehlte die Fähigkeit, daraus relevante Schlüsse zu ziehen.

KI ist also ein echter Game Changer, da sie diese großen Herausforderungen der Vergangenheit lösen kann. Die Einrichtung eines selbstlernenden Algorithmus ist viel weniger kostenintensiv als die Festlegung und Umsetzung komplexer Geschäftsregeln. Und zweitens kann die KI aus großen Datenmengen selbständig sinnvolle Schlüsse ziehen, natürlich nur, wenn die Daten verfügbar sind und, nicht zu vergessen, wenn sie von wirklich hoher Qualität sind. 

MODERATOR: Können Sie uns einige der wichtigsten KI-Anwendungen im Schadenmanagement Management heute vorstellen? Welche Prozesse werden derzeit mit KI automatisiert?

CHRISTIAN: Es gibt also Innovationen in verschiedenen Bereichen, z. B. bei der Betrugserkennung, der Schadenverhütung oder der Bewertung der Schadenhöhe, um nur einige zu nennen. Aber lassen Sie mich das Beispiel mit dem Betrug noch etwas näher erläutern. Stellen Sie sich vor, Sie haben ein gewisses Maß an krimineller Energie in Kombination mit einer professionellen Rolle bei einer Versicherungsgesellschaft, die eine große Anzahl eingehender Schadensfälle kanalisieren kann. Die zweite Aufgabe übernehmen in der Regel gebundene Versicherungsagenten, da sie für ihre Kunden eine Art zentrale Anlaufstelle für den Versicherer darstellen. Bei einem Schadensfall, z. B. einem Autounfall, werden sie zuerst kontaktiert und organisieren Unterstützung, z. B. einen Werkstatttermin, und sie sammeln alle relevanten Schadensunterlagen von ihren Kunden.

Bis zu bestimmten Schadenssummen sind sie sogar berechtigt, selbst zu entscheiden, ob der Schaden gedeckt ist, und die Versicherung wird zahlen. Dies soll das Verfahren vereinfachen und verkürzen und die Beziehung zwischen Kunde und Vermittler intensivieren. Im Allgemeinen ist das also eine gute Sache, aber andererseits braucht man nicht viel Phantasie, um sich vorzustellen, dass diese Praxis zu Betrug führen könnte. Ich verstehe. Die Vertreter haben also enge Beziehungen zu ihren Kunden. Einige sind sogar persönliche Freunde. Und die Vertreter könnten natürlich dazu beitragen, dass ungedeckte Ansprüche bezahlt werden, oder sogar imaginäre Ansprüche erfinden und vom Versicherer bezahlen lassen. 

In einem meiner jüngsten Gespräche mit Schadenexperten erfuhr ich, dass ein Versicherer einen skrupellosen Agenten ausfindig machen konnte, der dieses Potenzial seit Jahren ausnutzte, indem er gefälschte Rechnungen erstellte, indem er marginale Aspekte wie die Rechnungsnummer oder Beträge einer echten Rechnung duplizierte und manipulierte. 

Interne Schadensmanager haben dies nicht erkannt, da sich die einzelnen elektronischen Rechnungen nicht von der Originalrechnung unterschieden und die Schadensbeträge immer unterhalb der Schwelle für eine intensivere Analyse, wie z. B. eine Vor-Ort-Besichtigung des beschädigten Autos, lagen.

Die KI mit ihrem Potenzial, Muster viel besser zu erkennen als Menschen, signalisierte dem Betrugsteam, dass es über einen längeren Zeitraum so viele ähnliche Rechnungen von einem einzelnen Mitarbeiter gab, dass sie eine Prüfung einleiteten. Und bei näherer Betrachtung stellte sich heraus, dass die versicherten Fahrzeuge in vielen Fällen gar nicht beschädigt waren und die Werkstätten bestätigten, dass sie die vom Vertreter eingereichten Rechnungen nie ausgestellt hatten.

"Wir haben festgestellt, dass in vielen Fällen die Wertschöpfungstiefe des Versicherers recht hoch ist, wenn man bedenkt, dass die für eine erfolgreiche KI-Reise erforderlichen Fähigkeiten und Ressourcen sich wesentlich von dem unterscheiden, was Versicherer in der Vergangenheit benötigt haben [...] was ich den Versicherungsmanagern empfehle, ist eine Voranalyse dessen, was erforderlich ist, und eine ehrliche Einschätzung dessen, was sie gut können und wo es wahrscheinlich besser ist, eine Partnerschaft einzugehen und Zugang zu externem Fachwissen zu erhalten." - Christian Ott, Director of Global Solution Design Insurance at SPS 

 

MODERATOR: Sie haben kürzlich an einem bedeutenden Whitepaper über den industriellen Einsatz von KI in der Versicherungsbranche gearbeitet und sich dabei auf Erfolgsfaktoren und Strategien konzentriert. Welches sind die größten Herausforderungen, denen sich Versicherungsunternehmen bei der Umsetzung einer KI-Strategie im Schadenmanagement stellen müssen, und auf welche Hindernisse stoßen sie dabei?

CHRISTIAN: Es gibt eine Reihe allgemeiner Herausforderungen, die verhindern, dass KI-Programme den größtmöglichen Nutzen bringen. Es beginnt meist mit dem Governance-Rahmen, den ein Versicherer für ein solches Programm definiert. Wir haben festgestellt, dass in vielen Fällen die Wertschöpfungstiefe des Versicherers ziemlich ..., ich würde sogar sagen, zu hoch ist, wenn man bedenkt, dass die für eine erfolgreiche KI-Reise erforderlichen Fähigkeiten und Vermögenswerte sich wesentlich von dem unterscheiden, was Versicherer in der Vergangenheit benötigt haben. Und auch die Erfolgsbilanz bei der Demonstration von Flexibilität und der Bewältigung von Veränderungen ist begrenzt. 

Daher empfehle ich den für ein KI-Programm verantwortlichen Versicherungsmanagern eine Vorabanalyse der Anforderungen und eine ehrliche Einschätzung dessen, was sie selbst gut können und wo es wahrscheinlich besser ist, Partnerschaften einzugehen und sich Zugang zu externem Fachwissen zu verschaffen. Und zweitens hängt, wie bereits erwähnt, jede KI-Implementierung davon ab, dass man Zugang zu den relevanten Daten in der erforderlichen Qualität hat. 

Dies ist häufig eine Herausforderung, da die Input-Management-Funktion, die alle eingehenden Daten und Informationen aus externen Quellen verwaltet, nicht skalierbar und effizient eingerichtet ist, so dass sie neue Datenanforderungen mit kurzen Vorlaufzeiten und zu wettbewerbsfähigen Kosten bereitstellen kann.

"Mit der wachsenden Nachfrage nach qualitativ hochwertigen Daten wird auch der Bedarf an Qualitätssicherung steigen. [...] Trotz technologischer Verbesserungen sehen wir nach wie vor die Notwendigkeit einer manuellen Qualitätssicherung, um das für die Prozessautomatisierung erforderliche Datenqualitätsniveau zu gewährleisten." – Christian Ott, Director of Global Solution Design Insurance at SPS 

MODERATOR: KI-Tools revolutionieren die Automatisierung des Kundendienstes auf außergewöhnliche Weise. Clara, der von Helvetia entwickelte Chatbot, verbessert beispielsweise die Interaktion mit Kunden durch intuitive und automatisierte Gespräche. Versicherer nutzen KI auch zur Verarbeitung von Bildern und Videos aus Schadensberichten und ermöglichen so eine schnelle und genaue Schadensbeurteilung.

Die Auswirkungen der KI gehen jedoch über die Automatisierung hinaus - sie befasst sich auch mit dem Problem der unstrukturierten Daten. Unstrukturierte Daten behindern oft die nahtlose Integration mit den Systemen der Versicherer und verringern die Effizienz. In seinem Bamberger Eingabezentrum geht SPS dieses Problem an, indem es jährlich ca. 300 Millionen Eingaben verarbeitet und sie in strukturierte Daten umwandelt, die die Versicherer leicht in ihre Arbeitsabläufe integrieren können.  Wie haben Fortschritte in der KI das Input-Management für Versicherer verändert, und welche Herausforderungen müssen noch bewältigt werden, um diese Prozesse vollständig zu optimieren?

CHRISTIAN: Die Technologien zur Klassifizierung unstrukturierter Daten sowie zur Erfassung und Überprüfung relevanter Inhalte, sei es aus E-Mails, Portal-Uploads oder Papierpost, haben sich in den letzten fünf Jahren rasant entwickelt. KI ist dabei ebenfalls ein wichtiger Treiber. 
Und diese Entwicklung wird sich mit Sicherheit fortsetzen. Ohne ständiges Marktscreening und Erfahrung beim Testen verschiedener Technologien werden die Versicherer also nicht in der Lage sein, ihre KI-Projekte mit den benötigten Daten zu füttern, oder sie werden erhebliche Prämien dafür zahlen, was die Geschäftsfälle unter Druck setzt und das Potenzial der KI-Reise einschränkt.

Trotz all dieser technologischen Verbesserungen sehen wir nach wie vor die Notwendigkeit einer manuellen Qualitätssicherung, um die Datenqualität zu gewährleisten, die für die Prozessautomatisierung erforderlich ist, was letztendlich eine automatisierte Schadenregulierung bedeutet. Mit der wachsenden Nachfrage nach qualitativ hochwertigen Daten wird auch der Bedarf an Qualitätssicherung steigen.

Daher nutzen Input-Management-Betriebe, die all diese manuellen Aufgaben von einem Standort in Hochkostenländern wie Deutschland aus erledigen, nicht das Potenzial des Beinahe-Offshorings; sie zahlen auch für den Datenstrom, der in ihre KI-Algorithmen einfließt, erhebliche Aufschläge.

Outsourcing-Anbieter wie SPS, die skalierbare Plattformen, technologisches Know-how und Innovation sowie operative Hebel wie hochmoderne Near- und Offshore-Zentren kombinieren, können dazu beitragen, die Input-Management-Funktion in einen leistungsstarken Enabler für erfolgreiche KI-Programme zu verwandeln.

MODERATOR: Themenwechsel: Betrug ist ein großes Problem in der Versicherungsbranche. Wie effektiv ist KI bei der Erkennung betrügerischer Ansprüche, und welche Fortschritte zeichnen sich bei der Betrugsbekämpfung ab? 

CHRISTIAN: Wie bereits erwähnt, kann KI betrügerische Muster viel besser erkennen als die erfahrensten menschlichen Mitarbeiter. Die größte Herausforderung, die wir in diesem Bereich sehen, ist, dass KI-Technologien auch betrügerische Praktiken ermöglichen, indem sie KI zur Erstellung gefälschter Bilder, Beschreibungen, Polizeiberichte oder Rechnungen einsetzen. Ohne KI, die ständig lernt und sich im Einklang mit der Betrugsindustrie weiterentwickelt, die ihre Techniken ebenfalls immer schneller verbessert, werden die Schadenskosten unbegrenzt steigen.

Menschliche Erfahrung und Bediener werden für die Bearbeitung von Betrugsfällen eher mehr als weniger benötigt, aber ohne intelligente Technologie, die relevante Fälle identifiziert, wird ihnen schon bald die Arbeit ausgehen.

MODERATOR: Welchem Fahrplan sollten Versicherungsunternehmen folgen, um ihre Investitionen in KI zu priorisieren?

CHRISTIAN: Ich kann keinen allgemeinen Rat geben, was die beste Priorisierung von Anwendungsfällen ist. Das ist wirklich eine individuelle Entscheidung, die sowohl den spezifischen Kundenstamm als auch den gegebenen Technologie-Stack und die verfügbaren historischen Daten berücksichtigt. Aber wie bereits gesagt, empfehle ich, sorgfältig zu entscheiden, welche Teile einer KI-Transformationsreise von externen Partnern bezogen werden sollten. Dies kann auf lange Sicht Geld sparen und die erforderlichen Investitionen reduzieren. Außerdem können KI-Investitionen nur dann den größtmöglichen Nutzen bringen, wenn die neuen Tools gut mit der bestehenden IT und dem externen Dateninput verbunden sind. Misserfolge bei einer dieser beiden Voraussetzungen wirken sich negativ auf die Margen aller anderen KI-Investitionen aus, weshalb diesen Aspekten Vorrang eingeräumt werden sollte.

MODERATOR: An welchem Punkt kann die Struktur eines Unternehmens die erfolgreiche Implementierung von KI-Lösungen beeinflussen? Und wie können Versicherer die notwendigen Veränderungen in Bezug auf Fähigkeiten und Denkweisen bewältigen, die für eine effektive Arbeit mit KI erforderlich sind?

CHRISTIAN: Wie in allen anderen traditionellen Branchen erfordert eine KI-Transformation einen enormen Kompetenz- und Mentalitätswandel auf allen Ebenen eines Versicherungsunternehmens. Und dies ist kein kurzfristiges Projekt, sondern vielmehr eine ständige Herausforderung, die Aufmerksamkeit erfordert.  
In unserer Umfrage haben wir festgestellt, dass erfolgreiche KI-Programme dies auf drei verschiedene Arten angehen.

Erstens, die organisatorische Aufstellung und Struktur: So können dezentrale und interdisziplinäre Teams, also das Zusammenbringen von Datenwissenschaftlern und Prozessverantwortlichen oder Domänenexperten in ihrer täglichen Routine viel bessere Ergebnisse erzielen als siloartige Organisationen.

Der zweite Punkt ist die Qualifikation: Domänenwissen ist für Datenwissenschaftler und KI-Entwickler wirklich entscheidend, damit sie in der Lage sind, die Anwendungsfälle, für die sie geeignete Lösungen finden sollen, vollständig zu verstehen. Auf der anderen Seite ist es für die Fachexperten sehr hilfreich, die Fähigkeiten und Grenzen der verwendeten Technologien zu verstehen.

Der letzte Punkt ist die Kommunikation: Natürlich gibt es Ängste vor den negativen Auswirkungen des Wandels, zum Beispiel vor dem Verlust von Arbeitsplätzen und anderen Dingen. Daher ist es wichtig, die positiven Auswirkungen zu betonen, wie z. B. die verbesserte Kundenzufriedenheit oder die Unterstützung der operativen Einheiten, und die Expertenressourcen wirklich auf die Kundenkommunikation sowie die Einspeisung von KI-Modellen und die Überprüfung der Ergebnisse dieser Modelle zu konzentrieren.

"Die vorausschauende Modellierung ermöglicht es Versicherungsunternehmen, proaktiv auf potenzielle Schäden zu reagieren, indem sie Risiken frühzeitig erkennen und Maßnahmen ergreifen, bevor ein Schaden eintritt." - Christian Ott, Director of Global Solution Design Insurance at SPS 

MODERATOR: Was sind die zukünftigen Trends im Bereich KI für das Schadenmanagement?  

CHRISTIAN: Lassen Sie mich drei Beispiele nennen, wo ich sehe, dass KI das Schadenmanagement in Zukunft weiter verändern wird.  
Das erste Beispiel ist die virtuelle Unterstützung: Die Art und Weise, wie Versicherungsunternehmen mit ihren Kunden kommunizieren, wird sich weiterentwickeln. Mit der Integration von generativer KI werden dialogorientierte Interaktionen zur Norm werden.  
Kunden werden zunehmend mit KI-gesteuerten Systemen interagieren, die in der Lage sind, natürliche und kontextbezogene Gespräche zu führen. Diese Technologie wird also das Kundenerlebnis verbessern und gleichzeitig die Effizienz der Kommunikationsprozesse steigern. Anstatt wie heute ein Formular auszufüllen oder ein PDF zu bearbeiten, würde der Kunde mit einem KI-gesteuerten Chatbot sprechen, um den Schaden zu melden. Der Chatbot würde dann gezielte Fragen stellen, Unklarheiten klären und dafür sorgen, dass alle notwendigen Informationen erfasst werden. Er kann auch sicherstellen, dass die Informationen vollständig sind, indem er bei Bedarf Fragen stellt, bis alle Daten vollständig sind.

Die zweite ist die KI-Integration in das IoT, das Internet der Dinge: die Verknüpfung von Sensordaten mit KI-gestützter Analytik. Versicherungsunternehmen können Schäden grundsätzlich in Echtzeit überwachen und auch frühzeitig darauf reagieren. So könnten beispielsweise Sensoren in Gebäuden oder Fahrzeugen potenzielle Risiken wie Wasserschäden oder technische Defekte erkennen und die Informationen direkt an das KI-System übermitteln, das dann automatisch entsprechende Gegenmaßnahmen einleitet. 

Und drittens: Echtzeitanalyse und prädiktive Modellierung. - mein Lieblingsthema! -. Die prädiktive Modellierung ermöglicht es Versicherungsunternehmen, proaktiv auf potenzielle Schäden zu reagieren, indem sie Risiken frühzeitig erkennen und Maßnahmen ergreifen, bevor ein Schaden eintritt. Diese Technologie wird die Schadenverhütung auf ein neues Niveau heben und die Effizienz der Schadenbearbeitung weiter steigern. Die ersten Beispiele, die ich gesehen habe, stehen im Zusammenhang mit der Nutzung von Wettervorhersagen und GPS-Daten für einen Alarmierungsmechanismus. Ein Versicherer hat beispielsweise Gutscheine für nahegelegene Tiefgaragen an Kunden verschickt, die in ein Gebiet mit einer kurzfristigen Hagelvorhersage fahren.