GRA · Insurance Nexus
Räumliche FinanzanalyseWo Kapital auf Gefahr, Exposition und Transition trifft
Insurtech und KI
Daten, Automatisierung und maschinelles Lernen reichen heute in jeden Schritt des Versicherungsgeschäfts: Vertrieb, Zeichnung, Preisgestaltung, Schadenbearbeitung und Betrugserkennung. Sie können Kosten senken und den Zugang erweitern, sie können aber auch diskriminieren, ausschließen, täuschen oder in schwer erkennbarer Weise versagen. Diese Seite zeigt, wie sich Technologie und Modellrisiko in der Versicherung entwickeln, wie ihre Auswirkungen auf Kundinnen und Kunden gemessen werden und welche Institutionen die Governance-Entscheidungen treffen.
Wie die Arbeit abläuft.
Versicherungslücke und Schadenwelle
Insurtech und KI · Küstenportfolio · Ereignisszenario EV-30
- Gemeldete Schadensfälle8320Alarm
- Adjusters deployed154Aktiv
- Rückstand17TageBeobachtung
Wirtschaftlicher Verlust nach Tragendem
- Versichert
- Öffentlich
- Nicht versichert
Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.
Insurtech und KI: wie sich das Risiko entwickelt.
KI-Modell-Governance und Auswirkungen auf Kunden. Das folgende Dossier legt dar, wie sich das Risiko entwickelt, was gemessen wird, woher die Daten stammen, wie modelliert wird und wer entscheidet.
Intransparenz und Drift von Modellen
Complex models are hard to explain to customers, supervisors and boards. Performance drifts as data and behaviour change, and errors can scale across a whole book of business before anyone notices.
Proxy-Diskriminierung
Rich external data, from credit information to telematics and online behaviour, can stand in for protected characteristics. A model that never sees a protected attribute can still produce disparate outcomes.
Individualisierte Preisgestaltung und Risikopooling
Eine feinere Segmentierung verschiebt die Prämie hin zum individuellen erwarteten Schaden. Sie kann Risikominderungbelohnen, aber auch manche Menschen aus dem Markt preisen und den Risikoausgleich untergraben, auf den Versicherung angewiesen ist.
Plattform- und Anbieterkonzentration
Many insurers rely on the same data vendors, models and cloud platforms. A flawed dataset or a vendor outage then affects the market at once, and accountability is split across contracts.
Was Insurtech und KI für Exposition, Schaden und Kapital bedeuten.
Die Ansichten zu Exposition, Verlust, Szenario und Kapital, die eine Risikoverantwortliche, ein Aufseher oder ein Finanzministerium verlangen würde, samt den Rahmenwerken, gegen die berichtet wird. Die Strukturen folgen der aufsichtsrechtlichen und versicherungsmathematischen Praxis. Die Werte sind illustrativ: niemals Preise, Ratings oder Beratung.
Exposition und Verlust nach Wiederkehrperiode
Wie Verluste aus Insurtech und KI mit der Schwere zunehmen, brutto und netto der Rückversicherung, im Verhältnis zum Kapital.
| Wiederkehrperiode | Jährliche Wahrscheinlichkeit | Bruttoverlust | Nettoverlust | Netto, Kapital = 100 |
|---|---|---|---|---|
| 1 von 10 | 0.10 | 14 | 10 | 10 |
| 1 zu 50 | 0.02 | 33 | 21 | 21 |
| 1 zu 100 | 0.01 | 46 | 27 | 27 |
| 1 zu 250 | 0.004 | 68 | 39 | 39 |
| Durchschnittlicher Jahresschaden | 3.1 | 2.2 | 2.2 |
Was gemessen wird und wie gut.
Jeder Indikator trägt seine Einheit, seinen Rhythmus, die Art der zugrunde liegenden Quelle und die Evidenzkennzeichnung, die ein Wert tragen würde. Es werden keine Werte gezeigt: Ein Programm liefert sie unter seiner eigenen Autorität.
| Indikator | Einheit | Takt | Quellentyp | Kennzeichnung |
|---|---|---|---|---|
| AI Systeme im Einsatz nach Geschäftsfunktion | count of systems by function | Erhebungszyklus | Aufsichtsbefragungen von Versicherern | BERICHTET |
| Verhältnis ungleicher Ergebnisse | ratio of outcome rates between groups | pro Modellprüfung | Fairnesstests | GESCHÄTZT |
| Drift der Modellleistung | Änderung der Diskriminierungs- oder Kalibrierungskennzahl | monatlich | Modellüberwachung | BEOBACHTET |
| Automated claims decision share | Prozent der Schadenfälle, die ohne menschliche Prüfung entschieden wurden | jährlich | Insurer disclosures and surveys | BERICHTET |
| Beschwerden über automatisierte Entscheidungen | complaints per thousand automated decisions | jährlich | Beschwerdedaten der Aufsicht | Veröffentlichte Statistiken |
| Kritische Abhängigkeiten von Modellen und Daten Dritter | Anzahl kritischer Anbieter | jährlich | Anbieterregister | DEKLARIERT |
Woher die Evidenz stammt.
Benannte öffentliche Datensätze und institutionelle Aufzeichnungen, jeweils mit ihrer Lizenzklasse. Quellen auf Vereinbarungsbasis werden nur zu ihren Bedingungen genutzt und niemals weiterveröffentlicht.
| Quelle | Was es liefert | Lizenzklasse |
|---|---|---|
| KI-Umfragen der NAIC unter Versicherern | Einsatz von KI nach Funktion in der Kfz-, Hausrat- und Lebensversicherung in den Vereinigten Staaten | Öffentliche Berichte |
| EIOPA-Berichte zu Digitalisierung und KI-Governance | Einsatz von Big-Data-Analytik und Governance-Grundsätzen für KI bei europäischen Versicherern | Öffentlich, Weiterverwendungsbedingungen der EU |
| Gallagher Re Global InsurTech Report | Investitionen, Start-up-Aktivität und Themen in der Versicherungstechnologie | Proprietär, veröffentlichter Bericht frei lesbar |
| AI Incident Database | Reported incidents involving AI systems, including in financial services | Open data, attribution and terms |
| OECD.AI Policy Observatory | AI policies, principles and trends by country | Kostenlos, OECD-Bedingungen |
| IAIS-Anwendungspapiere und FinTech-Veröffentlichungen | Aufsichtspraxis zu KI, Big Data und Verhaltensregeln | Öffentlich, IAIS-Bedingungen |
Wer entscheidet und wozu die Evidenz dient.
Insurance Nexus bereitet Evidenz auf. Die nachstehenden Entscheidungen treffen die genannten Behörden nach ihren eigenen Regeln, niemals die Plattform.
| Wer entscheidet | Die Frage | Evidenz, der diese Seite dient |
|---|---|---|
| Insurer boards and model risk committees | Welche KI- Systeme eingesetzt werden, mit welcher Aufsicht, welchen Tests und welcher menschlichen Überprüfung | Modellinventar, Validierung und Fairness-Tests, Drift-Überwachung und Vorfallhistorie |
| Versicherungsaufsichtsbehörden | How to supervise AI use under existing conduct and governance rules and new AI law | Umfrageevidenz, Dokumentation der Modell-Governance, Beschwerde- und Ergebnisdaten |
| Gesetzgeber und Datenschutzbehörden | Welche Datenquellen und automatisierten Entscheidungen im Versicherungswesen zulässig sind | Evidence on predictive value, proxy effects, transparency and redress |
| Verbraucherverbände und Ombudsstellen | Ob automatisierte Entscheidungen fair sind und Kundinnen und Kunden erklärt werden | Beschwerden, Entscheidungen und Ergebnisunterschiede nach Gruppen |
Ergebnisse, die dieses Thema hervorbringt
- Leitfaden zu Erwartungen an KI-Governance in der Versicherung nach Rechtsordnung
- Methodenhinweis zur Prüfung von Preisbildungs- und Schadenmodellen auf Proxy-Diskriminierung
- Kurzdarstellung zum Konzentrationsrisiken
- Checkliste von der Evidenz zur Sorgfaltsprüfung für die Prüfung von KI-Modellen
Was Fachleute fragen.
- Wie werden KI und maschinelles Lernen entlang der Wertschöpfungskette der Versicherung eingesetzt?
- Wie sollten KI-Modelle, die bei Preisgestaltung und Schadenbearbeitung eingesetzt werden, gesteuert und validiert werden?
- Wie können Versicherer unfaire Diskriminierung und Proxy-Effekte in Modellen verhindern?
- How should customers be informed about automated decisions affecting them?
- Wie wirken sich Abhängigkeiten von wenigen Technologieanbietern auf die Resilienz aus?
Treiber und Dynamiken.
Versicherer setzen KI im Kundenservice, in der Risikoprüfung, der Preisgestaltung, der Betrugserkennung und der Schadenbewertung ein. Modelle des maschinellen Lernens können in großen Datensätzen Muster erkennen, die herkömmlichen Methoden entgehen, sind aber mitunter intransparent, empfindlich gegenüber der Datenqualität und anfällig dafür, historische Verzerrungen zu reproduzieren. Scheinbar neutrale Variablen können als Stellvertreter für geschützte Merkmale wirken. Generative KI wirft weitere Fragen zu Genauigkeit und Verantwortlichkeit auf.
Aufsichtsbehörden mehrerer Rechtsordnungen haben Grundsätze oder Regeln für KI in Versicherung und Finanzwesen erlassen, die Governance, Erklärbarkeit, Fairness und menschliche Aufsichtbetonen. Die Abhängigkeit von wenigen Cloud- und Modellanbietern schafft Konzentrationsrisiken im gesamten Sektor. Insurtech-Unternehmen haben zudem den Vertrieb verändert, durch eingebettete Versicherungen, die zusammen mit anderen Produkten verkauft werden, und nutzungsbasierte Deckung auf Basis von Telematik und vernetzten Geräten. Dies wirft Fragen zu Dateneigentum, Einwilligung und der Grenze zwischen Risikoprävention und Überwachung auf.
Wie es untersucht wird.
- 01
Model governance frameworks
Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.
- 02
Fairnesstests
Statistical methods from probability and statistics assess whether models produce disparate outcomes.
- 03
Forschung zu Kundenergebnissen
Studien dazu, wie automatisierte Entscheidungen Zugang, Preis und Schadenerfahrung beeinflussen.
- 04
Grenzen
Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.
Wie es untersucht wird und was die Methoden nicht sagen können.
- 01Künstliche Intelligenz und maschinelles LernenAnreicherung der Exposition aus Bilddaten · Triage von Betrug und Schadenfällen · Fairnesstests von TarifierungsmodellenHier angewandt
- 02Wahrscheinlichkeit und StatistikHäufigkeits- und Schweregradmodellierung · Bayessche Aktualisierung von AnnahmenHier angewandt
- 03VersicherungsmathematikSchadenreservierung mit Abwicklungsdreiecken · Erfahrungstarifierung und GlaubwürdigkeitHier angewandt
Fragen und Antworten.
Is AI in insurance regulated?
How is proxy discrimination tested?
Zertifiziert Insurance Nexus KI-Modelle?
What is a proxy variable?
Does GRA review insurers’ models?
Berät GRA zu diesem Thema?
Evidenz von dieser Seite aus beitragen.
Reports ist die vierteljährliche Publikation des Konsortiums. Was Sie über dieses Thema wissen, kann in der nächsten Ausgabe zu Evidenz, einem Fall oder einer Korrektur werden, Ihnen zugeschrieben und unter CC BY 4.0 veröffentlicht, soweit es Ihr eigenes Werk ist.
- E-MailPortal GW-GRAVon dieser Seite aus sendenEvidenz, eine Korrektur, ein Fall, eine Methode, eine Prüfung, eine Übersetzung oder ein Beitrag zu einem Profil. Sie kommt mit dieser Seite gekennzeichnet an, sodass die zuständige Redaktion sie erhält.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- ReportsGlobal Risks AllianceSee every way to contributeThe contribution types, how each is reviewed, what credit you receive, the licence and what is never accepted.
Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.
Bringen Sie eine Frage zu Exposition oder Kapital in die Alliance ein.
Information und Anfragen sind heute offen. Eine Anfrage erhält ein Aktenzeichen und nennt den nächsten Schritt; Bewerbungen, Zahlungen, Rechenzuteilungen und Registrierungen öffnen erst, wenn Team, Bedingungen und Prüfkapazität bestehen.
Rechtliche Dokumente.
Karten, Daten und Zahlen auf dieser Website werden zu Kontext- und allgemeinen Informationszwecken gezeigt. Sie sind weder Beratung noch Prognosen oder Warnungen; die Grenzen der Information sind in den Haftungsausschlüssen und Datenhinweisen dargelegt.