KI im Aktuariat: Fachwissen strukturieren für eine verlässliche und erklärbare KI

Versicherer verfügen über jahrzehntelang gewachsene Geschäftsregeln, aktuarielle Modelle, Dokumentation und Erfahrungswerte. Ein Großteil dieses Wissens ist jedoch verstreut und schwer nutzbar. Mit generativer und agentischer KI ändert sich die Fragestellung: Es geht nicht mehr nur darum, das leistungsstärkste Modell zu wählen, sondern ihm dieses Fachwissen zu vermitteln.

Das war das Thema des Podcasts des Institut des Actuaires (France) mit Antoine Gruet, Head of Data & AI bei Addactis, und Kevin Poulard, Actuarial AI Solutions Lead. Dieser Artikel fasst die Kernpunkte ihres Gesprächs zusammen: was Fachwissen tatsächlich umfasst, warum es kaum genutzt wird, wie es sich in ein KI-System integrieren lässt und was das für Erklärbarkeit, Nachvollziehbarkeit und die Rolle der Aktuare bedeutet.

Bei prädiktiver KI ist die Quelle des Mehrwerts klar: Sie liegt vor allem in den Trainingsdaten. Bei generativer und agentischer KI gilt eine andere Logik. Große Sprachmodelle (LLM) sind heute überwiegend generisch. Ohne Fachwissen, ohne Werkzeuge, ohne Dokumentenbestand und ohne Formeln bleibt ihr Mehrwert begrenzt.

Der Wert entsteht auf drei Ebenen: der präzisen Definition des fachlichen Bedarfs, seiner technischen Umsetzung im System und der Fachexpertise, auf die die KI zugreifen kann.
Ein Modell, das auf öffentlichen Daten trainiert wurde, stützt sich auf Informationen, die oft unspezifisch, nicht immer validiert und mitunter veraltet sind. In einem so spezialisierten Bereich wie dem Aktuariat ist seine Leistung zwangsläufig schwächer und weniger gesichert.

Fachwissen ist keine Sammlung von Dokumenten. Es ist alles, was einen Bedarf in eine fundierte Entscheidung übersetzt. Es lässt sich in vier Bausteine gliedern:

• Der Bedarf: Welches Problem soll gelöst werden, für welchen Nutzer, und was ist eine gute Antwort?
• Die Ressourcen: Daten, Modelle, Annahmen, Geschäftsregeln und regulatorische Vorgaben.
• Die Leitplanken: Kontrollen, Ausnahmen und Nutzungsgrenzen. Mit anderen Worten: Wann kann ein Ergebnis verwendet werden, und wann muss es hinterfragt werden?
• Die Erfahrungswerte: frühere Entscheidungen, Korrekturen und Erkenntnisse aus der Praxis.

Das ist der Unterschied zwischen Information und Wissen. Eine Regel wird zu Fachwissen, wenn man weiß, warum, wie und innerhalb welcher Grenzen sie anzuwenden ist.

Dieses Wissen ist in jedem Versicherungsunternehmen vorhanden, wird aber kaum genutzt. Es ist zugleich tief und breit gefächert und auf viele Personen und Teams verteilt. Es ist nicht immer schriftlich festgehalten: Ein großer Teil lebt in mündlich weitergegebenen Praktiken und entwickelt sich laufend weiter.

Die Dokumentation allein reicht daher nicht aus. Der Ansatz besteht darin, der KI verlässliche, möglichst deterministische Werkzeuge und Kontrollmechanismen an die Hand zu geben, um diese Ressourcen abzufragen. Die KI fungiert dann als Router, statt alles selbst zu tragen. Die Methode hängt vom Anwendungsfall ab: Ein Chatbot, der eine Norm anhand eines Dokumentenbestands erklärt, stellt andere Anforderungen als eine Reservierungslösung, bei der es vor allem darum geht, Wissen in Formeln und Optimierungsmetriken zu übersetzen.

Dafür braucht es Profile, die aktuarielle Expertise und technische Kompetenzen (Software, Sicherheit, KI) verbinden. Das ist eine Eintrittsbarriere und zugleich ein Wettbewerbsvorteil für Organisationen, die diese Kompetenzen vereinen.

Wir unterscheiden drei Begriffe. Erklärbarkeit macht ein Ergebnis verständlich. Nachvollziehbarkeit ermöglicht es, zu rekonstruieren, was das System tatsächlich verwendet hat. Verlässlichkeit bedeutet zu prüfen, dass das System in dem Bereich, für den es konzipiert wurde, korrekt funktioniert.

Eine nachträglich verfasste Begründung ist, so überzeugend sie auch sein mag, kein Nachweis. Die herangezogenen Quellen, die verwendeten Daten, die angewandten Regeln und Formeln sowie die eingesetzten Werkzeuge müssen auffindbar sein. Ist eine Berechnung erforderlich, sollte sie einem kontrollierten Werkzeug übertragen werden, nicht der KI. Fragt man etwa, warum sich ein IFRS 17-Ergebnis verändert hat, muss das System die veränderten Elemente identifizieren, die Berechnungsabhängigkeiten zurückverfolgen und Fakten von seiner eigenen Interpretation trennen.

Verlässlichkeit wird gemessen und gepflegt: Tests anhand repräsentativer Fälle und Grenzfälle vor der Bereitstellung, die Fähigkeit, nachzufragen oder sich zu enthalten, anschließend eine Überwachung der Leistung, da sich Daten, Nutzung und Regulierung weiterentwickeln. Für einen Versicherer heißt verlässlich nicht unfehlbar, sondern getestet, nachvollziehbar, überwacht und anfechtbar.

Eine KI kann optimieren, was man von ihr verlangt, aber nicht selbst entscheiden, was optimiert werden soll. Der Aktuar gibt zunächst die Richtung vor: Welche Probleme sind zu lösen, was ist eine gute Antwort, welche Kriterien sind abzuwägen? In der Reservierung reicht es nicht, die Methode zu wählen, die die Vergangenheit am besten abbildet. Auch die Entwicklung des Portfolios, die Datenqualität, die Stabilität zwischen zwei Abschlussstichtagen und die Begründbarkeit der Wahl sind zu berücksichtigen.

Der Aktuar definiert anschließend den Gültigkeitsrahmen: die anwendbaren Daten, Methoden und Regeln, die für jedes Unternehmen spezifisch sind. Eine generalistische KI kann sie nicht kennen, solange man sie ihr nicht vermittelt. Schließlich bringt er sein professionelles Urteilsvermögen ein, um unter Unsicherheit zu entscheiden und zu wissen, wann das System die Kontrolle zurückgeben muss. Daraus folgt die Botschaft an die Aktuare: nicht am Ende der Kette stehen bleiben. Ohne zu KI-Ingenieuren zu werden, gilt es, diese Systeme gut genug zu verstehen, um die Kontrolle über das Delegierte zu behalten und an ihrer Konzeption mitzuwirken.

Der Wert einer KI im Aktuariat hängt weniger von der Leistungsfähigkeit des Modells ab als vom Fachwissen, das sie speist: ein klar definierter Bedarf, strukturierte Ressourcen, explizite Leitplanken und systematisch genutzte Erfahrungswerte. Erst diese Strukturierung ermöglicht eine erklärbare, nachvollziehbare und verlässliche KI, vorausgesetzt, aktuarielle Expertise, Softwarekompetenz und KI werden zusammengeführt.

Diese Arbeit endet nicht mit der Inbetriebnahme. Produkte und Regulierung entwickeln sich weiter: Ein System, das heute relevant ist, muss hinterfragt, erweitert und mitunter korrigiert werden. Aktuare spielen dabei eine zentrale Rolle.