Aus dem Unterricht des CAS Digital Insurance mit Afke Schouten berichtet Sandra Mair:

85% der Artificial Intelligence-Projekte scheitern. Weshalb ist das so? Was sind die Dos und Don’ts bei AI in der Versicherung? Welches sind die Erfolgsfaktoren? Wohingegen liegen die Stolpersteine? Der Unterricht gab einen guten Überblick, weshalb viele der AI-Projekte scheitern. Zudem zeigte Afke uns, wie man es besser machen kann.

Erster und häufigster Grund für das Scheitern von Artificial Intelligence Projekten ist Unklarheit über die Definition von Artificial Intelligence (AI). Deshalb ist es wichtig vorab zu klären, dass alle Projektbeiteiligten schon vor Projektstart diesbezüglich auf dem selben Wissenstand sind. Vereinfacht gesagt, ist AI die Verwendung von Daten zur Automatisierung von Entscheidungen und Handlungen, die zuvor von Menschen durchgeführt wurden.

Welche Arten von Artificial Intelligence gibt es?

Welche Arten von AI gibt es?

Bei Artificial Intelligence unterscheidet man zwischen schwacher und starker AI. Letztere wird des weiteren unterteilt in allgemeine und super Intelligenz. Im Falle von schwacher AI übernimmt ein Modell die Ausführung/Automatisierung einer einzelnen Aufgabe. Heute wird meistens schwache AI eingesetzt. Beispiele dazu sind: Chatbots, Siri/Alexa, Tesla, Uber, Google Maps, Spam-Filter etc. Im Gegensatz dazu, werden bei starker AI, die Vorgänge des menschlichen Gehirns nachgebildet.

Ein weiterer Teil von Artificial Intelligence ist Machine Learning.

Machine Learning – wie lernt eine Maschine?

Wichtig zu wissen ist, dass Maschinen auf der Grundlage von Daten sowie deren Struktur lernen. Des weiteren brauchen sie eine Kennzeichnung (Label) der Daten. Ein Algorithmus unterstützt die Maschine beim Lernen. Indem der Algorithmus die Maschine Schritt für Schritt anleitet, gelangt diese zum besten Modell. Infolgedessen werden für diese unterschiedlichen Modelle wiederum vielerlei Algorithmen erschaffen. Zudem bestimmen die Art des Lernens immer auch die Anforderungen. Ausschlaggebend ist, ob z.B. eine Zahl oder ein Text gesucht wird. Dementsprechend gibt es auch verschiedene Arten des maschinellen Lernens.

Was der Maschine jedoch fehlt, ist die menschliche Erfahrung. Beispielsweise kann eine Maschine nicht zwischen dem Foto einer Biene oder Wespe unterscheiden. Demzufolge müssen die Daten für die Maschinen immer mit einem Label gekennzeichnet werden. In unserem Beispiel ist das ein Label für Fotos von Bienen. Sowie ein anderes Label für Wespenfotos. Anhand der verschiedenen Fotos mit den Kennzeichnungen, lernt die Maschine. Je mehr gekennzeichnete Daten eine Maschine zur Verfügung hat, desto genauer ist das Resultat.

Artificial Intelligence in der Versicherung

Inzwischen haben die meisten Versicherungen z. B. Chatbots im Einsatz. Ungeachtet dessen wird jedoch nach wie vor mehr über den Einsatz von AI in Versicherungen geredet, als tatsächlich umgesetzt.

Wir haben von Afke erfahren, dass bei AI Daten genutzt werden. Dies mit dem Ziel, Entscheide und Handlungen zu automatisieren. Die meisten Daten/Erfahrungswerte, die wir in der Assekuranz brauchen, sind bereits vorhanden. Da AI von den Daten lebt, muss einerseits die Datenqualität sehr gut sein. Andererseits spielt auch die Menge der gekennzeichneten Daten eine grosse Rolle. Das heisst, je besser die Datenqualität und die Kennzeichnung der Daten sind. Desto präziser sind auch die Resultate.

Zurzeit kommt AI in den folgenden Einsatzbereichen bei Versicherungen zur Anwendung:

  • Chatbots
  • Optimierung der Preisgestaltung
  • vorausschauendes Underwriting
  • Einreichungs-Triage
  • Erkennung von Schadensfällen und Betrug
  • automatisierte Schadenbearbeitung/-sortierung
  • automatisiertes Marketing / Lead-Bewertung-/Priorisierung
  • neue Produkte / Zusatzdeckungen
  • Früherkennung, ob ein Kunde stornogefährdet ist
  • interne Prozessoptimierungen

In den letzten Jahren wurde viel über AI geredet. Dennoch funktionieren die AI-Modelle in der Praxis meist nur in Ergänzung. Das heisst, AI unterstützt ein bestehendes System. Dagegen ist die Kreation eines ganz neuen AI-Modells momentan noch schwierig. Erschwerend kommt hinzu, dass zwar sehr oft über das AI-Modell gesprochen wird, nicht aber über die geschäftlichen Auswirkungen oder Erkenntnisse der zu Grunde liegenden Prozesse. Ebenfalls hinzu kommt, dass eine grosse Lücke zwischen den Business-Anforderungen und dem Verständnis der Datenwissenschaftlern besteht.

Weitere Schwierigkeiten bei der Implementierung von AI-Projekten

Was sind die Dos und Don’ts beim Einsatz von AI in der Versicherung? Es sind die Folgenden:

  • mangelnde Datenqualität/-Verfügbarkeit (Datensilos)
  • Integration in die bestehenden Prozesse und Systeme
  • Mangel an ausreichend Daten und Analyse-Fähigkeiten
  • fehlende Skills (Datenwissenschaftler vs. Businessanforderungen)
  • Verständnis/Akzeptanz von AI (fehlende Kommunikation)
  • Widerstand gegen Veränderungen innerhalb der Organisation (Change-Management)
  • falsche und zu hohe Erwartungen von verschiedenen Stakeholdern
  • fehlen eines klaren Business Case für Finanzierung und Implementierung
  • ungenauer Projektumfang / fehlende Anforderungen
  • Durchführbarkeit der Implementierung nicht bis zum Ende geprüft
  • fehlen der Governance
  • fehlendes Senior-Management Buy-in
  • mangelnde Koordination von Big Data- und Analytics-Teams im gesamten Unternehmen
  • ineffektive Governance-Modelle für grosse Datenmengen und Analysen
  • Bedenken hinsichtlich Datensicherheit und -schutz

Weshalb scheitert AI in der Versicherung? Die dos und don'ts von AI in der Versicherung?

AI Canvas

Es ist sehr wichtig beim Initiieren eines AI-Projektes, die richtigen Fragen zu stellen. In einem zweiten Schritt können diese dann entsprechend bewertet werden. Dabei kann das AI Canvas (siehe unten) helfen. Wir verwendeten dieses erfolgreich in einer Gruppenarbeit.

AI Canvas

AI Organisation

Vor der Einführung eines AI-Projektes sollten folgende zentrale Teilbereiche, mit den darin resultierenden Fragen, frühzeitig geklärt werden. Dadurch werden die Dos und Don’ts für den Einsatz von AI in der Versicherung bereits vor dem Projektstart erkannt.

AI Organisation

Vision und Strategie

  • Wie passt AI in die Gesamtvision und Strategie der Versicherung?
  • Wo in der Organisation werden die AI-Fähigkeiten angesiedelt?
  • Wie sieht die Roadmap aus?

Daten & Technologie

  • Wie ist die Datenqualität?
  • Sind alle relevanten Datenquellen zugänglich?
  • Ist die geplante Infrastruktur und Architektur klar und angemessen?
  • Stehen die finanziellen Mittel zur Optimierung der Datenqualität zur Verfügung?

Kultureller Wandel

  • Ist die Unternehmung bereit für AI?
  • Wie werden die Mitarbeitenden für die Einführung von AI vorbereitet?
  • Sind die Mitarbeitenden entsprechend trainiert und befähigt?
  • Ist auf Senior-Management Ebene ein profundes AI-Verständnis/Wissen vorhanden?
  • Gibt es ein klares Commitment des Senior-Managements?

Menschen und Prozesse

  • Welche Fähigkeiten sind erforderlich?
  • Werden die richtigen Mitarbeitenden rekrutiert?
  • Welche Entscheidungsfindungsprozesse gibt es?
  • Wie verändern sich die bestehenden Prozesse?
  • Welche neuen Prozesse müssen eingeführt werden?

Governance

  • Wie stelle ich den ethischen Aspekt sicher?
  • Wird die Einhaltung der Governance gewährleistet?
  • Ist die Messbarkeit des Prozesses klar?
  • Welche KPIs gibt es?

Zwei Beispiele aus der Praxis

Der Tag an der HWZ wurde durch zwei externe Gäste abgerundet. Vielen Dank an dieser Stelle an Antonio Oro, Founder & CEO von Quantworks, und Renaud Million, Founder & CEO von Spixii. Sie präsentierten uns spannende Versicherungs-Cases und AI-Anwendungsmöglichkeiten sowie die Dos und Don’ts bei AI in Versicherungen anhand ihrer persönlichen Erfahrungen.

Quantworks ist ein Schweizer Startup. Dieses konzentriert sich auf die operative Exzellenz mit Datenwissenschaft und AI. Antonio hat uns interessante Insights zu einem AI-Projekt mit einer grossen Versicherung in der Schweiz gegeben. Ziel des Projektes war die Automatisierung von Fahrzeug-Schadenfällen. Vereinfacht gesagt, sah der Prozesses wie folgt aus. Start des Schadenprozesses mit einem Schadenfoto. Danach folgt die automatische Erkennung, um welche beschädigten Teile des Autos es sich handelt. Zum Schluss dann noch die Ermittlung der Schadenhöhe anhand des Fotos.

Ein grosses Learning aus dem Projekt war, dass AI oft ein „Nachahmer“ von Expertenwissen ist. AI funktioniert gut bei Prozessoptimierungen (Bottom-Line). Hingegen funktioniert oft nicht, dass AI ein neues Produkt bzw. eine neue Umsatzquelle einführen soll. 60 – 80% der Produktinnovationen scheitern.

Renaud erklärte uns, wie seine Plattform Spixii für Versicherungen kundenorientierte Prozesse in einfache Gespräche umsetzt. Seine Plattform besteht aus Expertenlösungen. Diese decken die gesamte Wertschöpfungskette einer Versicherung ab. Dabei wird die Customer-Journey der Kunden durch geführte Gespräche verbessert. Sowie zugleich der Austausch von Wissen ermöglicht.

Key-Learnings

Meine persönlichen Key-Learnings bezüglich Dos und Don’ts bei AI in der Versicherung sind die folgenden:

  • Es geht bei AI darum, Daten zu nutzen um Entscheide und Handlungen zu definieren.
  • AI ist mit den bestehenden Daten und Systemen verbunden. Deshalb ist eine ganzheitliche/übergeordnete Betrachtungsweise zentral.
  • Je besser die Datenqualität und präziser die Kennzeichnung ist. Desto genauer sind die Resultate. (Garbage in = Garbage out)
  • Eine effektive AI-Organisation geht über die Durchführung eines Projekts hinaus. Sie ist eine Grundhaltung.
  • Das AI-Team muss bei der Entwicklung durch die Fachbereiche unterstützt werden.
  • AI hilft Prozesse zu optimieren. Zudem sollte AI immer einen Businesswert generieren.
  • Es wird in der Assekuranz noch dauern, bis AI richtig Einzug hält.
  • Die Entwicklung der Versicherungen wird sich revolutionär verändern. Aber erst nachdem der Sprung von der schwachen auf die starke AI vollzogen ist.
  • Um langfristig erfolgreich zu sein, sind Skalierbarkeit und Transformation der Schlüssel.
  • Zum Schluss: AI läuft konstant weiter. Auch nach der Einführung eines Projektes. Deshalb sollte man künftig anfallende Kosten im Auge behalten.

Einmal mehr war es ein kurzweiliger und sehr lehrreicher Tag an der HWZ. Zumal wir vorher monatelang Remote-Unterricht hatten. Umso bereichernder war es, die Studienkollegen/innen wieder persönlich zu treffen.
Die Organisation und Studiengang-Betreuung von Magdalena und Rino Borini war in den vergangen Monaten schon super. Nun haben sie mit dem Welcome-Glace einen neuen Benchmark gesetzt. Dies ruft nach Wiederholung 😉 Vielen Dank an euch Beide. Ebenfalls ein grosses Dankeschön an Afke Schouten für die sehr informativen Einblicke in die AI-Welt. Wir haben einiges gelernt und sind nun für AI bereit.

Es bleibt spannend, wie die Menschheit künftig mit AI umgehen wird. Früher oder später wird AI ganzheitlich Einzug in die Assekuranz halten. AI wird die Businesswelt revolutionieren. Dann gilt es bereit zu sein für die neuen Herausforderungen. Ich freue mich darauf.

Mehr aus dem CAS Digital Insurance: Kann Design und User Experience meinen Erfolg beeinflussen?