Neugestaltung des Risk Frameworks

Ein beschleunigender Faktor bei der Veränderung der Wertschöpfungskette ist der Aufstieg von InsurTechs. Mit Hilfe disruptiver Technologien lösen InsurTechs Elemente aus der Wertschöpfungskette heraus, indem sie ausgewählte Leistungen „einbauen“. Einige InsurTechs zeigen, dass sie durch die Technologien schneller und agiler als etablierte Akteure auf Kundenwünsche reagieren können. Ihre Geschäftsmodelle sind nicht durch lange Veränderungszyklen und den für etablierte Akteure typischen internen Widerstand gegenüber disruptiven Veränderungen geprägt.

Risikomodelle – etablierte Verfahren vs. Algorithmen

Der massive Wandel der Wertschöpfungskette von Versicherern führt auch zu Veränderungen in deren Risikoexposition. Eine zunehmend automatisierte und technologiegetriebene Branche lässt weniger Raum für menschliche Fehler und macht gleichzeitig Abläufe und Interaktionen mit Kunden viel schneller und weniger transparent. Versicherer sind damit mit neuen Herausforderungen bei der Kontrolle des Entscheidungsprozesses und der Systeme konfrontiert.

Es ist durchaus denkbar, dass für Branchenakteure eine größere Notwendigkeit der Überprüfung von Ergebnissen eines selbstlernenden Algorithmus besteht als die Notwendigkeit eines manuellen Reviews der Tätigkeit einer mittleren Führungskraft. Noch viel komplexer wird dieses Szenario dadurch, dass selbstlernende Algorithmen dynamisch sind – die Messbasis aus früheren Tests funktioniert nicht bei zukünftigen Tests, da sie sich gegebenenfalls verändert und weiterentwickelt hat. 

Das Pricing ist ein weiteres Beispiel. Sind „unkontrollierte“ kognitive Rechenalgorithmen besser bei der Kalkulation von Risiken als traditionelle Wahrscheinlichkeitsverteilungen oder andere etablierte Verfahren? Wenn wir uns stark auf gesammelte Daten und korrekte Algorithmen verlassen, steigen auch unsere Anforderungen an Qualität, Aktualität und die gesetzeskonforme Nutzung von Datenbeständen. Ansonsten könnte die Verlässlichkeit von Versicherungsmodellen, Preisen, Prognosen und die datenorientierte Unternehmenssteuerung gefährdet sein. 

Dies ist nicht das einzige Problem bei diesen neuen Modellen. Algorithmen selbst haben keine „Hemmungen“ hinsichtlich einer als unmoralisch oder rechtswidrig geltenden Diskriminierung, wie z. B. in Bezug auf Geschlecht, Rasse oder Alter. Vielmehr stützen diese Modelle sich in erster Linie auf Daten und die systemimmanente Logik – auch wenn sie wahrscheinlich unvollständig sind oder dateninhärente Verzerrungen enthalten, was zu unerwünschten Ergebnissen bei Kunden führen könnte. Mit der zunehmenden Komplexität dieser neuen Modelle, die sich mit neuen Datenbeständen und künstlichen Erfahrungen weiterentwickelt, stehen Risikomanager vor der Herausforderung, nicht nur die Risikomodelle zu verstehen, sondern auch deren Funktion in der Praxis sicherzustellen.

Struktur der Risikofunktion

Die Konzeption eines wirksamen Überwachungsrahmens erfordert Fachwissen in verschiedenen Bereichen. Die Risikofunktion muss ihre Teams mit neuem Knowhow ausstatten, die dem Geschäftsbetrieb in einer Branche dienen, in der das Tempo der Veränderungen immer mehr zunimmt.

Bei der zunehmenden Nutzung künstlicher Intelligenz durch die Mitarbeiter müssen sich die leitenden Mitarbeiter an eine neue Realität anpassen: anstatt nur Teams aus Menschen zu leiten, managen sie Fähigkeiten.

In Zukunft muss die Risikofunktion Folgendes abdecken: das Risikomanagement, versicherungsmathematische/analytische Fähigkeiten und technisches Knowhow zum Verständnis neuer Methoden und Technologien. 

Dr. Markus Salchegger, Global Risk Advisory Insurance Leader

Die Entwicklung und das Management neuer Fähigkeiten reicht nicht aus – Risikomanager müssen auch die Formen ihrer Zusammenarbeit mit anderen Geschäftsfunktionen ändern. Es liegt an der Risikofunktion, eine aktive Rolle bei der Transformation des Versicherungsgeschäfts zu spielen und dabei ihr Know-how in Bezug auf Risiken und ihre vielfältigen betriebswirtschaftlichen Kompetenzen zur Geltung zu bringen.