Skip to content

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.

01Arbeitsfläche

Wie die Arbeit abläuft.

Systeme · rund um dieses ThemaVeranschaulichend

Versicherungslücke und Schadenwelle

Insurtech und KI · Küstenportfolio · Ereignisszenario EV-30

  • Gemeldete Schadensfälle
    8320Alarm
  • Adjusters deployed
    154Aktiv
  • Rückstand
    17TageBeobachtung
Surge plan activatedGRA · Insurance Nexus

Wirtschaftlicher Verlust nach Tragendem

  • Versichert
  • Öffentlich
  • Nicht versichert
Protection gap and claims surge: the screen’s structure, terms and states for Insurtech and AI.Example names and illustrative values; a design, not a record or a live system.

Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.

02Die Frage

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.

Mechanismus

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.

Mechanismus

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.

Mechanismus

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.

Mechanismus

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.

03Exposition, Verlust und Kapital

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.

1 von 101 zu 501 zu 1001 zu 250bruttonach Rückversicherung800
WiederkehrperiodeJährliche WahrscheinlichkeitBruttoverlustNettoverlustNetto, Kapital = 100
1 von 100.10141010
1 zu 500.02332121
1 zu 1000.01462727
1 zu 2500.004683939
Durchschnittlicher Jahresschaden3.12.22.2
Illustrativer Schadenindex für ein Beispielportfolio (Kapital = 100): die Form der Überschreitungswahrscheinlichkeit, die Versicherer und Aufsichtsbehörden lesen. Keine Daten über ein Institut, kein Preis und kein Rating.
NGFS climate scenarios · Network for Greening the Financial SystemIFRS S2 Climate-related Disclosures · ISSBTCFD recommendations · Financial Stability Board TCFDPrinciples for the effective management of climate-related financial risks · Basel Committee on Banking Supervision
04Indikatoren

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.

IndikatorEinheitTaktQuellentypKennzeichnung
AI Systeme im Einsatz nach Geschäftsfunktioncount of systems by functionErhebungszyklusAufsichtsbefragungen von VersicherernBERICHTET
Verhältnis ungleicher Ergebnisseratio of outcome rates between groupspro ModellprüfungFairnesstestsGESCHÄTZT
Drift der ModellleistungÄnderung der Diskriminierungs- oder KalibrierungskennzahlmonatlichModellüberwachungBEOBACHTET
Automated claims decision shareProzent der Schadenfälle, die ohne menschliche Prüfung entschieden wurdenjährlichInsurer disclosures and surveysBERICHTET
Beschwerden über automatisierte Entscheidungencomplaints per thousand automated decisionsjährlichBeschwerdedaten der AufsichtVeröffentlichte Statistiken
Kritische Abhängigkeiten von Modellen und Daten DritterAnzahl kritischer AnbieterjährlichAnbieterregisterDEKLARIERT
05Quellen

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.

QuelleWas es liefertLizenzklasse
KI-Umfragen der NAIC unter VersicherernEinsatz von KI nach Funktion in der Kfz-, Hausrat- und Lebensversicherung in den Vereinigten StaatenÖffentliche Berichte
EIOPA-Berichte zu Digitalisierung und KI-GovernanceEinsatz von Big-Data-Analytik und Governance-Grundsätzen für KI bei europäischen VersicherernÖffentlich, Weiterverwendungsbedingungen der EU
Gallagher Re Global InsurTech ReportInvestitionen, Start-up-Aktivität und Themen in der VersicherungstechnologieProprietär, veröffentlichter Bericht frei lesbar
AI Incident DatabaseReported incidents involving AI systems, including in financial servicesOpen data, attribution and terms
OECD.AI Policy ObservatoryAI policies, principles and trends by countryKostenlos, OECD-Bedingungen
IAIS-Anwendungspapiere und FinTech-VeröffentlichungenAufsichtspraxis zu KI, Big Data und VerhaltensregelnÖffentlich, IAIS-Bedingungen
06Entscheidungen

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 entscheidetDie FrageEvidenz, der diese Seite dient
Insurer boards and model risk committeesWelche KI- Systeme eingesetzt werden, mit welcher Aufsicht, welchen Tests und welcher menschlichen ÜberprüfungModellinventar, Validierung und Fairness-Tests, Drift-Überwachung und Vorfallhistorie
VersicherungsaufsichtsbehördenHow to supervise AI use under existing conduct and governance rules and new AI lawUmfrageevidenz, Dokumentation der Modell-Governance, Beschwerde- und Ergebnisdaten
Gesetzgeber und DatenschutzbehördenWelche Datenquellen und automatisierten Entscheidungen im Versicherungswesen zulässig sindEvidence on predictive value, proxy effects, transparency and redress
Verbraucherverbände und OmbudsstellenOb automatisierte Entscheidungen fair sind und Kundinnen und Kunden erklärt werdenBeschwerden, 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
07Kernfragen

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?
08Mechanismen

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.

09Methoden und Grenzen

Wie es untersucht wird.

  1. 01

    Model governance frameworks

    Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.

  2. 02

    Fairnesstests

    Statistical methods from probability and statistics assess whether models produce disparate outcomes.

  3. 03

    Forschung zu Kundenergebnissen

    Studien dazu, wie automatisierte Entscheidungen Zugang, Preis und Schadenerfahrung beeinflussen.

  4. 04

    Grenzen

    Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.

10Methoden

Wie es untersucht wird und was die Methoden nicht sagen können.

  1. Künstliche Intelligenz und maschinelles LernenAnreicherung der Exposition aus Bilddaten · Triage von Betrug und Schadenfällen · Fairnesstests von TarifierungsmodellenHier angewandt
  2. Wahrscheinlichkeit und StatistikHäufigkeits- und Schweregradmodellierung · Bayessche Aktualisierung von AnnahmenHier angewandt
  3. VersicherungsmathematikSchadenreservierung mit Abwicklungsdreiecken · Erfahrungstarifierung und GlaubwürdigkeitHier angewandt
11Fragen

Fragen und Antworten.

Is AI in insurance regulated?
Bestehendes Versicherungs-, Verhaltens-, Antidiskriminierungs- und Datenschutzrecht gilt bereits. Einige Rechtsordnungen ergänzen spezifische Regeln, etwa das KI-Gesetz der EU für bestimmte Anwendungen bei der Preisgestaltung in Leben und Gesundheit sowie aufsichtliche Mitteilungen zur KI-Governance in den Vereinigten Staaten.
How is proxy discrimination tested?
Indem Ergebnisse zwischen Gruppen verglichen, Variablen auf geschützte Informationen geprüft und Alternativen mit geringerer ungleicher Wirkung auf gleichwertige Vorhersagegüte untersucht werden. Jeder Test erfordert Daten und Urteilsvermögen, und die Ergebnisse werden gekennzeichnet.
Zertifiziert Insurance Nexus KI-Modelle?
Nein. Die Modellvalidierung erfolgt durch Versicherer und unabhängige Prüfer, und Aufsichtsbehörden beurteilen die Governance. Insurance Nexus erläutert die Methoden und die veröffentlichten Erwartungen.
What is a proxy variable?
Eine Variable, die selbst kein geschütztes Merkmal ist, aber eng mit einem solchen korreliert, sodass ihre Verwendung zu mittelbarer Diskriminierung führen kann.
Does GRA review insurers’ models?
Nein. Sie untersucht die Governance-Praxis auf Sektorebene.
Berät GRA zu diesem Thema?
Nein. GRA zeichnet, verkauft, akquiriert, verhandelt, platziert oder vermittelt keine Versicherungen und bewertet, berät oder arrangiert keine Transaktionen. Arbeit zur Bereitschaft ist keine Genehmigung. Ihre Analyse ist ein gemeinsames Verständnis auf Sektorebene.
BerichteBeitragen

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.

Global Risks AllianceInsurance NexusFinance and Insurance ReadinessGlobal Sector Risk and Resilience
Insurance Nexus

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.