GPT or not GPT, das ist die Frage: Das KI-Dilemma im Versicherungswesen

Auch Versicherungen bleiben vom Hype rund um generative KI nicht verschont. Laut einer Umfrage von Gartner geben 70 Prozent der Versicherer an, innerhalb der nächsten drei Jahre GenAI-Projekte implementieren zu wollen. Zahlreiche Projekte mit Large Language Models (LLMs) werden gestartet – allerdings oft mit unsicherer Erfolgsprognose. Dieser Artikel erklärt, wie Versicherungen den konkreten Nutzen aus KI-Projekten maximieren können. Sie haben keine Zeit zum Durchlesen, dann eine Zusammenfassung als Video ansehen.

Ein Beitrag von Marie-Pierre Garnier, VP Marketing & Communications, Cortical.io

Laut der Analystenfirma Gartner werden 46 Prozent der KI-Projekte nach der Pilotphase abgebrochen. Warum schafft es jedes zweite KI-Projekt nicht über diese Phase hinaus?

• Vertrauenswürdigkeit (Biases & Halluzinationen): Unsaubere, unvollständige Daten führen zu falschen Antworten, und somit zu falschen Entscheidungen, manchmal sogar zu Diskriminierung.
• Bedenken hinsichtlich Sicherheit und Datenschutz: LLMs bieten nur bedingt einen sicheren Umgang mit persönlichen Daten und vertraulichen Informationen.
• Mangel an tiefgreifender KI-Expertise im Unternehmen: Der KI-Bereich entwickelt sich rasant. Jedoch mangelt es an Fachkräften, die sich mit dem Thema ausreichend auskennen. Deshalb liegen oft Jahre zwischen Testprojekten und operativen Lösungen.
• Integration mit Legacy-Systemen: Gewachsene Legacy-Systeme erschweren die Integration moderner KI-Technologien.
• Schwierigkeit, einen Business Case mit klarem ROI zu berechnen: Viele GenAI-Projekte werden ohne konkreten Business Case gestartet und binden Ressourcen über lange Zeit. Trotz des hohen Engagements werden sie oft frühzeitig abgebrochen.

Wie kann realer Mehrwert entstehen?

Was können Versicherungen tun, um aus experimentellen KI-Projekten produktionsreife Lösungen zu entwickeln, die der Organisation einen realen Mehrwert bringen?

• Datenqualität sicherstellen: Der Output der KI-Systeme ist nur so gut wie der Input. Der Erfolg eines KI-Projektes hängt primär davon ab, wie sauber und repräsentativ die Daten sind, die zum Trainieren der Modelle dienen sollen.
• AI Governance in den Mittelpunkt rücken: Compliance mit dem AI Act und DSGVO muss gewährleistet sein. Genauso wichtig ist die Bildung einer internen AI Governance, um Prozesse, Kontrollmechanismen und Ethik zu definieren.
• Business und IT involvieren: Das KI-Projekt muss sich zu einer Lösung mit Mehrwert für die Organisation und Anbindung an bestehende Systeme entwickeln. Neben einem Business Case mit messbarem Mehrwert braucht es ein Team aus Business und IT, damit sowohl der wirtschaftliche Nutzen als auch die Integration sichergestellt sind.
• Technologie-Fit überprüfen: Die Kombination von GenAI, Machine Learning und Natural Language Processing ist meist notwendig. Es wird empfohlen, eine Markterhebung der notwendigen Technologien durchzuführen, um den Use Case in seiner Gesamtheit zu adressieren, und eine Aufstellung der in Frage kommenden KI-Software zu erstellen. Die Architektur des Projektes sollte unter Einbezug interner und externer Ressourcen nach Wirtschaftlichkeitsprinzipien geplant werden. Mittlerweile ist bekannt, dass GenAI nur in Kombination mit anderen KI-Methoden (Machine Learning, Natural Language Processing) produktionsreife Applikationen in einer Business-Umgebung liefert.
• Für und wider einer In-House-Lösung gut abwägen: Nur Applikationen sollten im Hause entwickeln, wo ein hohes Maß an internem Know-How und Customization notwendig sind, bzw. wo die Singularität einen starken Wettbewerbsvorteil bringt. Der Zeitrahmen für eigene Applikationen kann mehrere Jahre betragen – zum Beispiel investierte eine deutsche Versicherung 7 Jahre und die Arbeitszeit von 5 Mitarbeitern, um ein eigenes Input-Management System zu entwickeln.
• Externe Expertise nutzen: In vielen Fällen empfiehlt es sich, anstatt mit rohen KI-Algorithmen zu experimentieren, auf die Expertise von KI-Software-Firmen zurückzugreifen, die die experimentelle Phase schon hinter sich haben und eine fertige, ausgetestete, skalierbare Lösung anbieten.

Das österreichische Startup Cortical.io hat eine semantische KI-Software entwickelt, die seit mehreren Jahren Unternehmen aus der Versicherungsbranche erfolgreich unterstützt, dokumentzentrische Prozesse zu automatisieren. Zum Beispiel hilft Cortical.io schon seit mehreren Jahren einigen amerikanischen Versicherungen, arbeitsintensive Prozesse wie die Bearbeitung von Kundenanfragen und die Angebotserstellung zu automatisieren. Die für die weitere Bearbeitung wichtigen Informationen werden aus Polizzen und eingehenden Anfragen mit einer sehr hohen Genauigkeit extrahiert, klassifiziert und verglichen, was die Produktivität erhöht und die Zufriedenheit von Kunden und Mitarbeitern steigert.

Diese Erfolge haben vor kurzem eine strategische Allianz mit Swiss Re ermöglicht. Die IDP-Lösung SemanticPro von Cortical.io wird den Kunden von Swiss Re in den USA angeboten, um die Auftragsannahme zu beschleunigen und die Effizienz der Angebotserstellung zu verbessern. Nach der Implementierung hat sich gezeigt, dass die intelligenten Extraktions- und Klassifizierungsfunktionen der Cortical.io-Lösung die Prüfungsdauer um bis zu 30 Prozent reduzieren und die Genauigkeit im Vergleich zu manuellen Prozessen um 17 Prozent erhöhen.

“Die Versicherungsbranche kämpft mit Altsystemen, manuellen Arbeitsabläufen und Datensilos, die die betriebliche Effizienz behindern. Wir haben schnell erkannt, dass wir einen Mehrwert schaffen können, wenn wir unseren Kunden dabei helfen, mit Automatisierung und KI-gesteuerten Tools ihre Prozesse zu optimieren und die Effizienz zu steigern”, sagt Chris Howley, Head of Group Life & LTD Reinsurance & Vice President, Americas bei Swiss Re. “Unter den von uns evaluierten IDP-Anbietern sticht Cortical.io durch seine benutzerfreundliche, No-Code Interface hervor, sowie durch seine Fähigkeit, komplexe Bestimmungen präzise zu verarbeiten. Ich freue mich darauf, durch diese Zusammenarbeit zum Geschäftserfolg unserer Kunden beizutragen.”

Fazit: Auch wenn der Mediendruck die Management-Ebene regelrecht dazu drängt, GenAI-Projekte zu starten, sollte auf jeden Fall die Betriebswirtschaftlichkeit jedes Projektes in den Vordergrund stehen. Wer mit GPT oder ähnlichem startet, muss sich auf eine lange experimentelle Phase gefasst machen, die langfristig Ressourcen bindet – ohne Erfolgsgarantie. In vielen Fällen empfiehlt es sich, anstatt mit rohen KI-Algorithmen zu experimentieren, auf die Expertise von KI-Software-Firmen wie Cortical.io zurückzugreifen, um die Zeit bis zur Wertschöpfung zu verkürzen.