Generative AI zur Bewältigung von Herausforderungen in der Versicherungsbranche

Unsere fünf Kernbotschaften

1. Mit Generative AI wie GPT-4 lassen sich wesentliche Probleme der Versicherungswirtschaft, z. B. Margendruck und Fachkräftemangel, durch innovative Lösungen wie Vertriebsunterstützung und Underwriting-Support bewältigen.
2. Die Technologie analysiert Gespräche, extrahiert Informationen und stellt Daten in Echtzeit zur Verfügung. Das unterscheidet sie von anderen AI-Anwendungen und bietet Versicherungsunternehmen einzigartige Chancen.
3. Trotz dieses Potenzials stellen beispielsweise Datenschutz, kulturelle Akzeptanz und Vertrauensfragen Hindernisse dar, die berücksichtigt und überwunden werden müssen.
4. Obwohl Generative AI noch nicht marktreif ist, sollten die Versicherer jetzt beginnen, damit zu experimentieren, indem sie kleinere interne Anwendungsfälle umsetzen, um sich auf die disruptive Technologie vorzubereiten und die Vorteile nutzen zu können, die diese in naher Zukunft bieten kann.
5. Anwendungsfälle finden sich dabei in überraschenden Teilen der Wertschöpfungskette. Ein strukturierter Workshop mit dem richtigen Mix aus Business- und technischen Mitarbeitenden kann helfen, die vielversprechendsten zu priorisieren.

Generative AI im Versicherungswesen: Nach dem Hype kommt der Einsatz

In den letzten Wochen waren Generative AI-Modelle wie GPT-4, Midjourney und Dall-E in aller Munde, dominierten sie doch die Feeds auf Twitter und LinkedIn. Während auf Grundlage dieser bahnbrechenden Machine Learning-Modelle zahlreiche neue Produkte entstehen, fragen sich Unternehmen verschiedenster Branchen, ob diese Technologie ihr Geschäft tatsächlich auf den Kopf stellen könnte. Obwohl viele Anwendungsfälle marktunabhängig sind, soll dieser Blogpost zwei gezielte Anwendungen von Generative AI beleuchten, die das Potenzial haben, drängende Herausforderungen innerhalb der Versicherungsbranche zu lösen: Margendruck und Fachkräftemangel. Entdecken Sie gemeinsam mit uns, wie Generative AI Versicherungsfachleuten helfen kann, diese Herausforderungen zu überwinden.

Fachkräfte unterstützen: Generative AI im Vertrieb und im Underwriting

Die Ansprüche an Versicherungsfachleute sind angesichts verschiedenster Kundenbedürfnisse deutlich gestiegen: Statt einfach ein Produkt zu verkaufen, müssen sie individuelle Lösungen bieten. Stellen Sie sich nun vor, ihr Arbeitstag beginnt mit einem umfassenden Briefing zu allen am jeweiligen Tag zu besuchenden Kunden, das von einem auf Generative AI basierenden Assistenten zusammengestellt wird. Die Kundenhistorie wird durch den Zusammenzug von Daten aus früheren Vorgängen erstellt, mit strukturierten Daten aus Policen, Versicherungsfällen oder Inkassosystem angereichert und die Mitarbeitenden werden auf Ähnlichkeiten zu anderen kürzlich besuchten Kunden hingewiesen.

Während des Besuchs überwacht der AI-Assistent die Interaktion mit den Kunden und führt automatisch Protokoll über deren Bedürfnisse sowie besondere Schwierigkeiten und Vorlieben, wobei auch Alternativangebote oder Diskussionsthemen vorgeschlagen werden.

Neue Mitarbeitende können den AI-Schulungs-Bot nutzen, um Kundeninteraktionen zu simulieren und dadurch zu lernen, wie sie bei der Kundenberatung zum neuen Cyber-Produkt, das wahrscheinlich bald vermehrt nachgefragt wird, am besten vorgehen. Der Schulungs-Bot kann verschiedene Persönlichkeiten und Lebensereignisse nachbilden, die Einfluss auf die Versicherungssituation von Kundinnen und Kunden haben. Nachdem die neuen Mitarbeitenden nun einen Tag lang ihre Kompetenz im Umgang mit Kundenanrufen gestärkt haben, können sie in den kommenden Wochen die erfahrenen Kollegen begleiten.

Erfahrene Underwriter sind wichtig, aber rar. Ihre Tage sind oft mit monotonen, zeitintensiven Aufgaben wie dem Auffinden und der Prüfung zahlloser Dokumente gefüllt, denen relevante Informationen zur Evaluation von Risiken im Zusammenhang mit großen Unternehmenskunden entnommen werden müssen. Generative AI hat das Potenzial, Underwritern das Leben zu vereinfachen, indem sie wichtige Dokumente ermittelt und die wesentlichen Daten extrahiert. Schauen wir uns ein spezifisches Beispiel an, um zu entscheiden, ob ein potenzielles Überflutungsrisiko näher beurteilt werden muss. Selbst mit der derzeitigen Technologie lässt sich die Entfernung eines Ortes zum nächstgelegenen Fluss bestimmen, wie im untenstehenden Beispiel zu sehen ist. Künftig werden entsprechende Tools um weitere Informationen ergänzt, wodurch sie mit großer Genauigkeit exakte Daten bereitstellen können. Solche Tools lassen sich aus einer Kombination aus öffentlich zugänglichen Daten und versicherungsinternen Informationen entwickeln.

„Generative AI kann Underwritern nicht nur helfen, relevante Dokumente zu finden, sondern diese auch zusammenfassen oder direkt wesentliche Informationen daraus entnehmen.“

Zudem kann AI die Dokumenten- und Datenerfassung straffen und so den Arbeitsaufwand der Underwriter wesentlich senken, damit diese ihre Zeit effektiver nutzen können. Generative AI kann Underwritern nicht nur helfen, relevante Dokumente zu finden, sondern diese auch zusammenfassen oder direkt wesentliche Informationen daraus entnehmen. So lässt sich schnell feststellen, ob ein Dokument für einen bestimmten Datenabruf relevant ist. Dokumente können zudem zu umfassenden Berichten für Rückversicherer oder die Aufsichtsbehörden zusammengefasst werden.

AI der nächsten Generation: Wie generative Modelle das Versicherungswesen neu definieren

Bei traditionellen Machine Learning-Anwendungen im Versicherungswesen kamen hauptsächlich historische Daten aus organisierten Quellen wie Policen oder Kundendaten zum Einsatz, um Vorhersagen, zum Beispiel zu künftigen Verkaufszahlen, zu treffen. Die neuesten Fortschritte bei Generative AI-Modellen eröffnen neue Möglichkeiten, wie die direkte Analyse von Kundengesprächen, automatische Notizen, die Anreicherung mit strukturierten Informationen und die Echtzeit-Gesprächsanpassung. Dieser Technologiesprung macht zahlreiche neue Anwendungsfälle möglich und unterstützt Mitarbeitende in den verschiedensten Funktionen.

„Generative AI-Modelle eröffnen neue Möglichkeiten, wie die direkte Analyse von Kundengesprächen, automatische Notizen, Anreicherung mit strukturierten Informationen und die Echtzeit-Gesprächsanpassung.“

Generative AI-Modelle sind vielleicht am besten für ihre Texterstellungsfähigkeit bekannt. Ein praktisches Beispiel ist die Umwandlung von Versicherungsentscheidungen in schön ausformulierte Briefe einschließlich entsprechender Begründung. Diese Modelle sind auch in verschiedenen anderen Fällen hilfreich, wie:

• Reaktion auf Text im Chat
• Extraktion von Informationen
• Zusammenfassen oder Vervollständigen von Texten
• Textsuche

Wie kann Generative AI die Effizienz in der Schadenregulierung erhöhen?

Herausforderungen im Zusammenhang mit Generative AI: Chancen und Risiken ausgleichen

Obwohl das Potenzial, das Generative AI im Versicherungswesen bietet, zweifelsohne groß ist, sind noch einige Hürden zu überwinden, um die Vorteile der Technologie ausschöpfen zu können. Wie in einem früheren Blogpost beschrieben, können diese Modelle falsche Inhalte so darstellen, dass sie sehr glaubwürdig erscheinen. Ein Phänomen, das man als AI-Halluzination bezeichnet. Bisher gibt es für dieses Problem noch keine umfassende Lösung. Deshalb dürfen solche Modelle nicht autonom agieren und sollte auch keine Mitarbeitenden ersetzen. Stattdessen gilt es, eine gute Zusammenarbeit zwischen menschlichen Fachleuten und der AI zu schaffen, wodurch die Akzeptanz und der Einsatz von AI-Technologien erhöht und ein optimales Ergebnis beim AI-basierten Unternehmenswandel erreicht werden kann. Führungsteams müssen den Mitarbeitenden versichern, dass die AI ihre Fähigkeiten stärken soll, und eine Experimentierkultur fördern - idealerweise zunächst für interne Anwendungsfälle. Aufgrund der Natur dieser neuen Modelle darf nicht alles, was der AI entstammt, für bare Münze genommen werden. Deshalb sollten Führungskräfte das kritische Denken in ihren Teams fördern, um die Einführung von AI-Lösungen effektiv zu begleiten.

„... diese Modelle können falsche Inhalte so darstellen, dass sie sehr glaubwürdig erscheinen. Ein Phänomen, das man als AI-Halluzination bezeichnet. Deshalb dürfen solche Modelle nicht autonom agieren und sollte auch keine Mitarbeitenden ersetzen.“

Sicherheitsfragen sind ein weiteres wichtiges Thema. Da es sich bei modernen Generative AI-Modellen typischerweise um Entwicklungen von Unternehmen wie etwa OpenAI oder Cohere handelt, lassen sie sich derzeit noch nicht in einer Unternehmens-Cloud oder als On-Premise-Lösung betreiben. Das macht es auch schwierig, die Modelle und zugehörigen Datenflüsse zu regulieren.

Weiter bestehen Bedenken hinsichtlich der Weitergabe vertraulicher Informationen wie Kundendaten oder Geschäftsgeheimnisse über diese Modelle und es herrscht Unsicherheit beim Copyright. Die Vorschriften, um mit den neuesten Entwicklungen Schritt zu halten, werden erst noch erarbeitet. Deshalb sollten bei ersten Experimenten öffentliche oder interne Daten zum Einsatz kommen, die keinen besonderen Datenschutzanforderungen unterliegen. Zudem müssen personenbezogene Daten erst anonymisiert werden, bevor sie im Rahmen der gesetzlichen Vorschriften verwendet werden können.

Werden Gespräche aufgezeichnet, in Text umgewandelt und maschinell zusammengefasst, ist es wichtig, Maßnahmen zu ergreifen, um die Vertraulichkeit und Integrität der Daten zu gewährleisten. Die erstellten Zusammenfassungen sind nicht perfekt. Deshalb müssen sie von den zuständigen Mitarbeitenden geprüft und überarbeitet werden.

Um Streitigkeiten zwischen Kunden und dem Versicherer zu vermeiden, ist jede Änderung solcher Texte zu dokumentieren, damit die Nachverfolgbarkeit sichergestellt ist.

Wichtig ist auch zu wissen, dass die mit dem traditionellen Machine Learning verbundenen Probleme wie Voreingenommenheit und Benachteiligungen weiter bestehen. Deshalb kommt man für die erfolgreiche Einführung generativer Modelle nicht umhin, die Grundprinzipien einer verantwortungsvollen AI-Nutzung zu befolgen. Wie in unserem Blogpost Wie entwickelt man verantwortungsvolle AI? beschrieben, sind für eine effiziente und ethisch unbedenkliche Nutzung von AI-Modellen bestimmte Vorgaben bei der AI-Entwicklung zu beachten. Durch die Priorisierung verantwortungsvoller AI-Praktiken lässt sich das Potenzial generativer AI nutzen, während gleichzeitig Risiken minimiert werden und Vertrauen in diese bahnbrechenden Technologien geschaffen wird.

Vorn dabei: Die Zukunft von Generative AI im Versicherungswesen

Derzeit liegt die Entwicklung moderner generative Modelle in den Händen spezialisierter Unternehmen. Durch die rasche Entwicklung und umfassende Forschung und Veröffentlichungen zu diesem Thema werden sie jedoch immer häufiger auch nicht spezialisierten Unternehmen zugänglich, welche die bestehenden Modelle anpassen und erweitern oder eigene Modelle entwickeln. Auch wenn es vielleicht noch ein paar Jahre dauert, bis generative AI in der Geschäftswelt im großen Stil zum Einsatz kommt, ist es wichtig, bereits heute Erfahrung mit diesen innovativen Modellen zu sammeln, um angesichts des sich schnell wandelnden Umfelds wettbewerbsfähig zu bleiben. Wenn Ihr Unternehmen jetzt handelt und erste Anwendungsfälle testet, kann es bei der Einführung dieser bahnbrechenden Technologie eine Vorreiterrolle einnehmen. Durch die Umsetzung von Pilotprojekten mit nicht vertraulichen Daten, die dennoch Mehrwert generieren, können Sie innerhalb des Unternehmens Bewusstsein schaffen und die Mitarbeitenden für eine Zusammenarbeit mit AI ins Boot holen.

Um sich näher mit den technischen Aspekten von Generative AI, bestehenden Einschränkungen und detaillierten Anwendungsfällen in unterschiedlichen Branchen zu beschäftigen, laden wir Sie zur Teilnahme an unserem Kurs „Generative künstliche Intelligenz in der Geschäftswelt“ ein. Maßgeschneiderte Informationen zu potenziellen Einsatzgebieten in Ihrem Unternehmen erhalten Sie in unseren individuellen Workshops, in denen wir Ihre ganz spezifischen Anforderungen betrachten.