Versicherungen auf AWS: KI-gestütztes Underwriting aufbauen

Warum KI-Underwriting jetzt

Der europäische Versicherungsmarkt steht unter erheblichem Kostendruck. Schadensquoten steigen durch Klimaereignisse (Extremwetter, Überschwemmungen), Inflation (gestiegene Reparaturkosten) und demographischen Wandel (Altersmedizin). Gleichzeitig erhöhen InsurTechs wie Wefox, Element und Nürnberger Digital den Wettbewerbsdruck durch radikale Digitalisierung.

Gartner prognostiziert, dass bis 2027 über 50 % aller Underwriting-Entscheidungen in der Nicht-Leben-Versicherung durch KI-Modelle unterstützt oder getroffen werden (Gartner Insurance Technology Trends). Für deutsche Versicherungen bedeutet das: Wer jetzt nicht in KI-Underwriting investiert, verliert innerhalb weniger Jahre an Wettbewerbsfähigkeit.

Die Vorteile von KI-Underwriting quantifiziert:

• 30–50 % Reduktion der Bearbeitungszeit pro Antrag
• 10–20 % Verbesserung der Schadensquote durch genauere Risikobeurteilung
• Skalierbarkeit: KI-Modelle können Tausende Anträge gleichzeitig bearbeiten
• Konsistenz: Keine Tagesform-abhängigen Schwankungen wie bei menschlichen Underwritern

Schritt 1: Data Lake für Underwriting-Daten aufbauen

Kein KI-Underwriting ohne Daten. Der erste Schritt ist der Aufbau eines strukturierten Data Lakes, der alle relevanten Datenquellen konsolidiert.

Amazon S3 als Kern des Data Lakes

Amazon S3 bildet die Speicherbasis für alle Underwriting-Daten: historische Schadendaten, Antragsdaten, externe Scoring-Informationen, Wetterdaten, Geodaten. S3 unterstützt unbegrenzte Dateigrößen und -typen — von strukturierten CSV-Dateien bis zu unstrukturierten PDFs (eingescannte Schadenunterlagen). AWS Lake Formation verwaltet den Datenzugang und setzt rollenbasierte Zugriffskontrolle durch.

AWS Glue für ETL-Prozesse

Underwriting-Daten kommen aus heterogenen Quellen: Legacy-Bestandsverwaltungssysteme, Schadensysteme, externe Datenprovider. AWS Glue orchestriert die Extraktion, Transformation und Ladung (ETL) dieser Daten in den Data Lake. Glue DataBrew ermöglicht visuelle Datenvorbereitung ohne Code — wichtig, damit Fachexperten aus dem Underwriting die Datenqualität selbst beurteilen können.

Amazon Macie für Datenschutz

Underwriting-Daten enthalten personenbezogene und besonders schutzbedürftige Daten (Gesundheitsdaten bei Krankenversicherungen, Fahrverhaltenssdaten bei Kfz-Telematik). Amazon Macie erkennt diese Daten automatisch und meldet Compliance-Verstöße. Besonders sensitive Daten werden in Amazon S3 mit Customer Managed Keys (CMK) über AWS KMS verschlüsselt.

Typische Datenquellen für einen Versicherungs-Data-Lake:

Schritt 2: ML-Pipeline mit Amazon SageMaker

Der Aufbau einer ML-Pipeline für KI-Underwriting folgt einem standardisierten Prozess, den Amazon SageMaker vollständig orchestriert:

1. Feature Engineering: SageMaker Feature Store verwaltet alle berechneten Merkmale (Features) zentral. Wichtige Features für Kfz-Underwriting: Fahrerprofil (Alter, Fahrerfahrung), Fahrzeugmerkmale (Marke, PS, Alter), Schadenshistorie, PLZ-basierte Risikoklassifizierung, Telematik-Fahrstil-Score. Der Feature Store stellt sicher, dass Training und Inferenz identische Feature-Berechnungen verwenden (Training-Serving-Skew vermeiden).
2. Modelltraining: SageMaker Training Jobs trainieren Modelle auf historischen Daten. Für Underwriting-Modelle bewähren sich Gradient Boosting Algorithmen (XGBoost, LightGBM) wegen ihrer hohen Leistung auf tabellarischen Daten und natürlichen Interpretierbarkeit. SageMaker Automatic Model Tuning (Hyperparameter Optimization) optimiert automatisch die Modellparameter.
3. Modellbewertung: Für Underwriting-Modelle ist nicht nur die Vorhersagegenauigkeit entscheidend, sondern auch Fairness und Kalibrierung. Ein kalibriertes Modell sagt korrekte Wahrscheinlichkeiten voraus (z. B. „20 % Schadenwahrscheinlichkeit" entspricht auch tatsächlich 20 % Schadenrate in dieser Gruppe). SageMaker Clarify führt Bias-Analysen und Erklärbarkeits-Reports durch.
4. Deployment: SageMaker Real-Time Endpoints stellen das Modell als API bereit. Eine Underwriting-Anfrage sendet Antragsdaten an den Endpoint, erhält innerhalb von Millisekunden eine Risikoschätzung und eine vorgeschlagene Prämie zurück.
5. Monitoring: SageMaker Model Monitor überwacht laufend die Datenqualität (Datendrift) und die Vorhersagequalität (Konzeptdrift). Weicht das Modell signifikant ab — etwa weil sich das Fahrverhalten durch E-Mobilität verändert —, wird automatisch ein Retraining initiiert.

Regulatorische Anforderungen: BaFin, DSGVO Art. 22 und EU AI Act

KI-Underwriting ist kein rechtsfreier Raum. Drei Regulierungsebenen sind relevant:

DSGVO Art. 22 — Recht auf Erklärung

Wird eine Versicherungsentscheidung (Ablehnung, Tariferhöhung) ausschließlich durch ein automatisiertes System getroffen, hat der Betroffene das Recht auf eine aussagekräftige Erklärung und das Recht auf menschliche Überprüfung. Amazon SageMaker Clarify liefert SHAP-basierte (SHapley Additive exPlanations) Feature-Wichtigkeiten, die als Grundlage für Kundenerklärungen genutzt werden können. Wichtig: Die Erklärung muss für Laien verständlich sein — technische SHAP-Werte reichen allein nicht aus.

BaFin-Anforderungen für algorithmische Systeme

Die BaFin erwartet, dass algorithmische Systeme im Versicherungswesen dokumentiert, auditierbar und nicht-diskriminierend sind. Das umfasst: vollständige Modell-Dokumentation (Trainingsdaten, Algorithmus, Hyperparameter), regelmäßige Überprüfung auf unzulässige Diskriminierungsmerkmale (Geschlecht, Nationalität, Religion sind explizit verboten), Backtesting der Modellqualität und Governance-Struktur für Modell-Genehmigung und -Deployment.

EU AI Act — Hochrisiko-KI-System

Der EU AI Act (in Kraft seit August 2024) klassifiziert KI-Systeme, die für Versicherungsrisikobewertung und Prämienberechnung eingesetzt werden, als Hochrisiko-KI-Systeme (Anhang III). Das bedeutet: Technische Dokumentation, Konformitätsbewertung, Registrierung in der EU-Datenbank für Hochrisiko-KI-Systeme, Betriebshandbuch für menschliche Aufsicht und laufendes Post-Market-Monitoring.

AWS unterstützt die Einhaltung dieser Anforderungen mit einem Compliance-Stack: SageMaker Clarify (Bias, Erklärbarkeit), SageMaker Model Cards (Modell-Dokumentation), SageMaker Model Monitor (laufendes Monitoring) und AWS Audit Manager (Audit-Evidence-Sammlung für regulatorische Nachweise).

Echtzeit-Underwriting vs. Batch-Scoring

Nicht jedes Underwriting-Szenario erfordert Echtzeit-Scoring. Die Wahl zwischen Echtzeit und Batch hängt vom Anwendungsfall ab:

Storm Reply: KI-Underwriting im Versicherungssektor

Storm Reply verfügt mit der AWS Machine Learning Competency und der Generative AI Competency über die AWS-Zertifizierungen, die für KI-Underwriting-Projekte relevant sind. Mit der Reply-Gruppe und Cluster-internen Spezialisten (Data & Analytics Reply, Portaltech Reply) deckt Storm Reply die gesamte Wertschöpfungskette ab: Datenstrategie, Data-Lake-Aufbau, ML-Modellentwicklung, regulatorische Dokumentation und produktive Integration.

Häufig gestellte Fragen

Was sind die BaFin-Anforderungen für algorithmische Underwriting-Entscheidungen?

Die BaFin erwartet dokumentierte, auditierbare und nicht-diskriminierende algorithmische Systeme. Kunden haben nach DSGVO Art. 22 ein Recht auf Erklärung automatisierter Entscheidungen. Amazon SageMaker Clarify liefert SHAP-basierte Erklärbarkeitsberichte als technische Grundlage.

Welche Datenquellen werden für KI-Underwriting typischerweise genutzt?

Historische Schadendaten, externe Scoring-Dienste, Wetterdaten, Geodaten, IoT-Telematik (Kfz), Gebäudedaten und medizinische Daten (Kranken-/Lebensversicherung). AWS bietet für jeden Datentyp passende Ingestion- und Speicher-Services.

Wie lange dauert es, ein KI-Underwriting-Modell produktionsreif zu machen?

Mit SageMaker und vorhandenen historischen Daten: 8–12 Wochen für Entwicklung und Testing. Regulatorische Abnahme und Produktionsintegration: weitere 3–6 Monate. Storm Reply begleitet den gesamten Prozess inklusive BaFin-konformer Dokumentation.