Wie werden Hausversicherer, die KI einsetzen, diejenigen ohne KI verdrängen?

In einem Hausversicherungsmarkt unter Klima- und Wettbewerbsdruck wird die Beherrschung von Daten zum entscheidenden Vorteil. Dies ist die Kernaussage des zweiten Teils unseres E-Books „Wie können KI und Daten die Versicherungsbranche retten? Das Beispiel der Hausversicherung in Frankreich„. Dieser Artikel untersucht, warum granulares Risikowissen zum eigentlichen Schiedsrichter des Wettbewerbs zwischen Versicherern geworden ist, zwischen Positivselektion und Negativselektion, zwischen etablierten Akteuren und agilen neuen Marktteilnehmern, zwischen Regulierungsschutz und digitaler Disruption.

Die eigentliche Debatte dreht sich daher nicht um Segmentierung versus Mutualisierung, sondern vielmehr um Risikoselektion (Positivselektion versus Negativselektion).

Es handelt sich auch nicht um einen Kampf zwischen „tugendhaften“ Versicherern, die Risiken ohne KI bündeln, und „gierigen“ Versicherern, die mithilfe von KI segmentieren. Wir können dies so umschreiben, dass wir darauf wetten, dass Daten und KI die Versicherung nicht ersetzen werden, aber mit nahezu absoluter Sicherheit behaupten, dass Versicherer, die KI einsetzen, diejenigen ohne KI ersetzen werden.

Die Auswirkungen eines detaillierten Risikowissens sind für Akteure im Bereich der Hausversicherung in der Tat erheblich. Solange dieses detaillierte Wissen nicht vorhanden ist, werden die zahlreichen Klimaereignisse abwechselnd zu angenehmen oder unangenehmen Überraschungen führen, je nach dem zufälligen Charakter des in den betroffenen Gebieten versicherten „Risikomix“. Umgekehrt wirft ein Mangel an detailliertem Wissen unweigerlich die Frage auf, wie sich die Mutualisierung von Risiken innerhalb eines Portfolios in einem bestimmten Gebiet messen lässt. Jeder Marktteilnehmer muss diese Frage unter Berücksichtigung seiner eigenen Merkmale und seiner Zeichnungspolitik beantworten.

Wenn dieses Wissen nur bei wenigen Marktteilnehmern vorhanden ist, scheint ein Phänomen der Positivselektion unvermeidlich, da diese Akteure zwangsläufig die widerstandsfähigsten Objekte auswählen werden, insbesondere in Hochrisikogebieten, und sei es nur, um etwaigen neuen, von den Behörden auferlegten Regeln zur Mutualisierung nachzukommen. Andere Akteure, denen dieses Wissen fehlt, werden, ohne es zu merken, einer Negativselektion hinsichtlich der anfälligsten Risiken in diesen sensiblen Gebieten ausgesetzt sein. Dieses Szenario, das zu einer erheblichen Asymmetrie unter den Versicherern führt, ist natürlich für das Marktgleichgewicht unerwünscht, da es das Prinzip der Versicherung selbst und die Versicherbarkeit eines Risikos in einem bestimmten Sektor oder für bestimmte Gebäude in Frage stellt.

Auch neue Marktteilnehmer stellen eine erhebliche Bedrohung dar, da sie dank KI und Risikoselektion ihre Modelle verfeinern können, indem sie durch maßgeschneiderte Tarife oder Konditionen die richtigen Risiken anziehen und so Marktanteile gewinnen, die für das Gleichgewicht bestehender Portfolios von entscheidender Bedeutung sind. Diese neuen Marktteilnehmer können sich allein auf der Grundlage externer Daten (ohne Erfahrungsdaten) auf ein Segment risikoarmer Kunden konzentrieren und damit das Gleichgewicht der Portfolios etablierter Versicherer gefährden. Diejenigen, die mehr als die Kosten ihres Risikos bezahlt haben, werden somit dazu ermutigt, sich mit anderen, weniger risikobehafteten Kunden zusammenzuschließen, um weniger zu zahlen und gleichzeitig eine höhere Rentabilität als der neue Marktteilnehmer zu erzielen. Diese Gefahr wird durch die Finanzialisierung der Branche und das Streben nach einfachen, sofortigen Gewinnen auf Kosten der Mutualisierung und der Solidaritätsprinzipien noch verschärft.

Neue Akteure, für die das Versicherungsgeschäft lediglich ein Einstieg in ein breiteres Dienstleistungsangebot ist, können zudem KI und externe Daten nutzen, um Versicherungsprodukte anzubieten (während ihnen dies zuvor aufgrund fehlender Erfahrungsdaten, eines begrenzten Risikoverständnisses und der geringen Rentabilität des Sektors verwehrt war). Die Erfahrungen der Vergangenheit und die Marktanteile, die neue Marktteilnehmer, namentlich Bancassurance-Unternehmen, in den 1970er- und 1980er-Jahren gewonnen haben, zeigen, dass diese Gefahr sehr real ist.

Schließlich könnten die äußerst restriktiven Versicherungsvorschriften, die bisher etablierte Akteure schützten, diese durch neue Bestimmungen zu Daten und KI im Gegenteil benachteiligen und neue Marktteilnehmer (Versicherer, Vergleichsportale, Makler und Vertriebspartner) begünstigen. Die FIDA-Verordnung und die Verpflichtung etablierter Versicherer, Prämien- und Deckungsdaten offenzulegen, veranschaulichen perfekt den Wertverlust der Erfahrungsdaten etablierter Versicherer und könnten „unangemessen“ disruptive Akteure begünstigen.

Der Wunsch der Regierung, die Verbraucher zu schützen, ist sicherlich lobenswert, kann aber leider aufgrund mangelnden Verständnisses für Versicherungstechniken zu unbeabsichtigten Folgen führen.

Während diese mangelnde Nutzung von Daten und KI die Wettbewerbsposition erheblich untergräbt, schwächt sie auch die Wertschöpfungskette im Kundenmanagement.

Erstens ermöglicht ein detaillierteres und granulareres Verständnis von Risiken eine auf die Bedürfnisse des Versicherungsnehmers zugeschnittene Deckung. In diesem Fall ermöglicht KI dem Versicherer, den genauen Versicherungsbedarf jedes Versicherungsnehmers zu decken, indem die tatsächlichen und aktuellen Merkmale des versicherten Gebäudes berücksichtigt werden. Der Versicherer kann gleichzeitig die Prämie anpassen, sich durch die Steigerung der Zufriedenheit des Versicherungsnehmers vor ähnlichen Angeboten der Konkurrenz schützen und das Risiko erheblicher Unzufriedenheit oder Rechtsstreitigkeiten im Schadensfall verringern.

Externe Daten tragen zudem dazu bei, den Zeichnungsprozess zu optimieren, insbesondere indem sie die Anzahl der vom Versicherer gestellten Fragen reduzieren und gleichzeitig Fehler minimieren. In einem Online-Markt, in dem der Wettbewerb hart ist und der Abschluss einer Versicherungspolice nur wenige Minuten dauert, sind externe Daten unverzichtbar, um den Umfang der zu erhebenden Informationen zu verringern.

Je stärker ein Zeichnungsprozess automatisiert ist, desto entscheidender werden externe Informationen über die versicherte Immobilie, um potenzielle Nicht-Standard-Risiken zu identifizieren, mögliche Eingriffe des Zeichners für eine genauere Bestimmung der Immobilie zu organisieren und eine angemessene Preisgestaltung zu erwägen.

Schließlich lässt sich das Problem einer Prämie, die nicht dem Risiko eines Gebäudes entspricht, nicht allein durch eine Erhöhung der Prämie, die Kündigung der Police oder die Verweigerung des Vertragsabschlusses lösen. Die Senkung der Deckungskosten, um die Prämie akzeptabel zu machen, kann eine Anpassung des Vertrags erfordern, um ihn erschwinglich zu gestalten, und es gibt eine Reihe bekannter Lösungen (Selbstbehalte, Deckungsgrenzen usw.).

Schließlich ist eines der operativen Risiken, auf das zu achten ist, der „blinde“ Einsatz von KI. Tatsächlich können KI-Tools ohne einen strategischen Rahmen:

• „Black-Box“-Segmentierungen erzeugen, die von der Mutualisierungsstrategie abgekoppelt sind,
• Risiken blind auf der Grundlage von „Halluzinationen“ zeichnen, die ein großes Risiko für den Versicherer darstellen,
• Einen rein technischen und finanziellen Ansatz fördern,
• Versicherern die Kontrolle entziehen, indem sie ihre Daten und Entscheidungen Dritten oder KI-gestützten Softwaretools anvertrauen.

Die Einführung von KI und die künftige Nutzung von Agentic AI erfordern ein tieferes Verständnis der verwendeten Modelle (bei der Zeichnung, Preisgestaltung und Produktanpassung) sowie der abgedeckten Risiken (mit größtmöglicher Detailgenauigkeit). Einfach ausgedrückt: Wenn es eine Vielzahl von Deckungsoptionen und Tarifen gibt, muss es möglich sein, festzustellen, warum und wie diese Deckung und dieser Tarif angewendet wurden, und gegebenenfalls das Modell vor der Aufsichtsbehörde zu erläutern und zu verteidigen.

Gebäudedaten ermöglichen eine detailliertere Segmentierung innerhalb sozial und strategisch akzeptabler Grenzen. Sie können somit dazu beitragen, die Nichtversicherbarkeit auf die betreffenden Gebäude zu beschränken, indem das Risiko jedes einzelnen Hauses bewertet wird, anstatt eine ganze Straße, Gemeinde oder Region vom Versicherungsschutz auszuschließen oder diesen zu entziehen. Gebäudedaten machen Gebäude somit auch dann versicherbar, wenn sie in als nicht versicherbar geltenden Gebieten liegen, da sie es den Versicherern ermöglichen, widerstandsfähige Häuser in Hochrisikozonen zu identifizieren.

Nur mit möglichst detaillierten Gebäudedaten, Merkmalen und Risikobewertungen (auf Gebäudeebene) lassen sich das Gleichgewicht des Portfolios und die Mutualisierung von Risiken wirklich fundiert und im Einklang mit der Strategie und den Grundsätzen des Versicherers (Risikobereitschaft, Grad der Solidarität usw.) steuern.

Gebäudedaten sind kein optionaler Vorteil mehr: Sie bilden die Grundlage, auf der das technische Gleichgewicht der Hausversicherungsportfolios ruht. Ohne sie ist ein Versicherer einer unsichtbaren Negativselektion, dem Verlust seiner besten Risiken und einem schwer zu durchbrechenden Preisteufelskreis ausgesetzt. Mit ihnen kann ein Versicherer seine Mutualisierung mit vollem Wissen steuern, seine Risikozeichnung anpassen und seine Rentabilität erhalten, ohne seine gesellschaftliche Rolle zu opfern.

Möchten Sie tiefer eintauchen? Entdecken Sie unser Ebook „Wie können KI und Daten die Versicherungsbranche retten? Das Beispiel der Hausversicherung in Frankreich“, verfasst von Addactis-Experten.