Es gibt einen Satz, auf den es sich lohnt, immer wieder zurückzukommen: Das Bewusstsein der Unwissenheit als Wissen.
Jeden Morgen geht man davon aus, dass die Gewissheit geringer ist als am Tag zuvor. Nach vielen Jahren im Bereich der Unternehmensrisikotechnologie würde man eigentlich das Gegenteil erwarten – mehr Mustererkennung, mehr Zuversicht hinsichtlich der Zukunft. Doch so sieht die Realität in diesem Bereich nicht aus, und so sollte es auch für keinen von uns sein.
Die Entwicklung der KI schreitet so schnell voran, dass das, was letzte Woche noch als gesichert galt, heute bereits unvollständig sein kann. Eine Funktion, die es vor sechs Monaten noch nicht gab, ist heute bereits im Einsatz. Annahmen, die vor einem Jahr noch als sicher galten – darüber, was Software leisten kann, welchen Wert menschliches Fachwissen hat und wie der Arbeitsalltag eines Risikomanagers aussieht –, werden in Echtzeit neu überdacht.
Bedenken Sie Folgendes: Die grundlegenden Überlegungen für ein kürzlich abgehaltenes Archer-Webinar wurden bereits drei Monate vor der Durchführung entworfen. Als ich sie zur Vorbereitung noch einmal durchging, wirkten einige Teile bereits veraltet. Nicht falsch – sondern unvollständig. Die Branche hatte sich weiterentwickelt.
Wenn Sie im Moment voller Gewissheit sind – gewiss, dass Sie KI verstehen, gewiss, dass Ihr derzeitiges RMIS zweckmäßig ist, gewiss, dass das, was letztes Jahr funktioniert hat, auch nächstes Jahr funktionieren wird –, dann könnte diese Gewissheit das Gefährlichste sein, was Sie in die nächsten Jahre mitnehmen.
Was ist RMIS und warum muss es weiterentwickelt werden?
Risikomanagement-Informationssysteme (RMIS) haben in den letzten drei Jahrzehnten im Wesentlichen immer dasselbe getan: Daten erfassen, speichern und Berichte erstellen. Sie sind zwar immer ausgefeilter geworden – mit besseren Benutzeroberflächen, mehr Integrationsmöglichkeiten und einer flexibleren Berichterstellung –, doch das grundlegende Modell hat sich nicht verändert.
Ein Mensch gibt Daten ein. Das System speichert sie. Ein Mensch ruft sie ab. Das System erstellt Berichte darüber.
Dieses Modell hat sich in der Branche bewährt, als es noch darum ging, den Überblick zu gewinnen: Kann ich erkennen, welche Risiken ich habe, wo meine Schadensfälle liegen und wie mein Risikoprofil aussieht? Für Unternehmen, die dies bisher in Tabellenkalkulationen oder isolierten Systemen verwalteten, stellte RMIS einen echten Fortschritt dar.
Das Problem ist, dass die meisten Organisationen es dabei belassen haben. Sie haben Sichtbarkeit erreicht und es damit als erledigt betrachtet.
Die Frage nach den Ergebnissen: Was passiert eigentlich mit Ihren Risikodaten?
Gespräche mit Risikomanagern, CROs und Leitern von Versicherungsprogrammen drehen sich meist schnell nicht mehr um Funktionen, sondern um Ergebnisse. Nicht: Was kann das System? – sondern: Was bringt es Ihnen?
Diese Unterscheidung ist entscheidend. Ein System, das zwar jeden Schadensfall bis ins kleinste Detail erfasst, Ihnen aber nicht sagen kann, woher Ihr nächster Schaden kommen wird, ist nichts weiter als ein sehr teurer Aktenschrank. Ein System, das zwar Vorfalldaten aus zehn Jahren speichert, aber die darin verborgenen Muster nicht aufdecken kann, ist eine verpasste Chance in großem Maßstab.
Die Frage, die man sich stellen sollte, lautet nicht, wie viele Daten wir haben – sondern wie viele dieser Daten uns derzeit tatsächlich nützen.
In den meisten Fällen lautet die ehrliche Antwort: bei weitem nicht genug.
Was bedeutet „Aktivierung Ihrer Risikodaten“?
Bei der Aktivierung Ihrer Daten geht es nicht darum, noch mehr Daten zu sammeln. Die meisten Unternehmen verfügen bereits über mehr Risikodaten, als sie verarbeiten können. Es geht vielmehr darum, diese Daten nutzbar zu machen: sie zugänglich zu machen, sie über Abteilungsgrenzen hinweg zu verknüpfen und letztendlich ihre Vorhersagekraft zu nutzen.
Dies lässt sich in drei Ebenen unterteilen:
Integration.Risikodaten sind auf zu viele verschiedene Orte verteilt – Schadensfälle in einem System, Vorfälle in einem anderen, Daten zum Risikoausmaß an einer anderen Stelle, Informationen zu Versicherungsprogrammen in einer Tabellenkalkulation auf dem Desktop eines Mitarbeiters. Bevor KI von Nutzen sein kann, müssen diese Daten an einem Ort zugänglich sein. Das klingt selbstverständlich. Es ist jedoch schwieriger, als es aussieht.
Anreicherung.Rohe Betriebsdaten gewinnen erheblich an Aussagekraft, wenn sie mit externen Kontextinformationen kombiniert werden: Branchen-Benchmarking, makroökonomische Signale, Katastrophenmodellierung, regulatorische Entwicklungen. An dieser Stelle verschiebt sich der Blickpunkt von dem, was geschehen ist, hin zu dem, was wahrscheinlich geschehen wird.
Schlussfolgerungen.Hier zeigt KI, was sie kann. Sobald die integrierten, angereicherten Daten vorliegen, können Teams Fragen stellen, die zuvor nicht zu beantworten waren: An welchen Standorten ist die Wahrscheinlichkeit am größten, dass es in den nächsten 12 Monaten zu einem erheblichen Schadenfall kommt? Welche Lieferanten in der Lieferkette stellen ein Konzentrationsrisiko dar, das nicht eingepreist wurde? Wo besteht im Versicherungsprogramm ein Risiko im Vergleich zur tatsächlichen Schadensentwicklung?
Das sind keine hypothetischen Fragen. Risikoteams beantworten sie bereits jetzt mit Hilfe von Technologien, die heute bereits zur Verfügung stehen.
Generative KI vs. prädiktive KI im Risikomanagement
Eine Unterscheidung, auf die es sich lohnt, näher einzugehen: Generative und prädiktive KI erfüllen grundlegend unterschiedliche Aufgaben, und die Verwechslung dieser beiden Konzepte führt dazu, dass Unternehmen ihre Investitionen falsch einsetzen.
Generative KI– also jene, die große Sprachmodelle antreibt – eignet sich hervorragend für die Verarbeitung unstrukturierter Informationen: zum Verfassen von Entwürfen, zum Zusammenfassen, zum Synthetisieren und zum Beantworten von Fragen in natürlicher Sprache. Im Kontext des Risikomanagements bedeutet dies einen grundlegenden Wandel für die Analyse von Richtlinien, die Beantwortung von Ausschreibungen, die Berichterstattung an den Vorstand sowie die Bereitstellung komplexer Daten für Stakeholder, die keine erfahrenen Systembenutzer sind.
Prädiktive KIfunktioniert anders. Sie erkennt Muster in strukturierten historischen Daten und projiziert diese in die Zukunft. Hier kommen Verlustprognosen, Risikobewertung und Expositionsmodellierung ins Spiel.
Beides ist wichtig. Es handelt sich nicht um konkurrierende Prioritäten. Wenn man jedoch versteht, welches Problem jeweils gelöst wird, können Unternehmen diese Lösungen dort einsetzen, wo sie den größten Mehrwert bieten – anstatt zu erwarten, dass die eine die Aufgabe der anderen übernimmt.
So sieht eine solide KI-Strategie für RMIS aus
Nicht jedes Unternehmen muss bei der Einführung von KI eine Vorreiterrolle einnehmen. Fest steht jedoch, dass Stillstand eine Entscheidung ist, die Konsequenzen nach sich zieht.
Die Organisationen, die sich in diesem Bereich gut zurechtfinden, weisen einige gemeinsame Merkmale auf:
- Sie haben zunächst in die Ordnung ihrer Daten investiert
- Sie haben sich für Technologiepartner entschieden, die nachweislich über funktionierende KI-Fähigkeiten verfügen – und nicht für versprochene Roadmap-Punkte.
- Sie begannen mit konkreten, klar abgegrenzten Anwendungsfällen, bei denen der Nutzen messbar ist, anstatt zu versuchen, das Unmögliche zu erreichen.
- Sie schufen die internen Voraussetzungen für den Erfolg der Technologie: Daten-Governance, Akzeptanz bei den Nutzern, Unterstützung durch die Führungsetage
Das alles ist nicht gerade glamourös. Aber genau darin liegt der Unterschied zwischen einer KI-Strategie und einer KI-Ankündigung.
Die Daten, über die die meisten Unternehmen verfügen, sind eine unzureichend genutzte Ressource. Die Technologie, um sie nutzbar zu machen, ist bereits vorhanden. Die Frage ist nicht, ob man etwas unternehmen soll – sondern wie man es auf intelligente Weise angeht.
Und der beste Ausgangspunkt ist der, der sich unangenehm anfühlt: zu akzeptieren, dass es wahrscheinlich weniger Gewissheit darüber gibt, was möglich ist, als es den Anschein hat.
Archer unterstützt Unternehmen seit mehr als zwei Jahrzehnten dabei, die Datengrundlage zu schaffen, die Momente wie diesen erst möglich macht. Wenn Sie bereit sind, den Schritt von der Transparenz zur Aktivierung zu gehen – von einem „System of Record“ zu einem „System of Intelligence“ –, dann entdecken Sie unter archerirm.com/rmis, was die RMIS-Funktionen von Archer für Ihr Unternehmen leisten können.
Was ist ein KI-gestütztes RMIS?
Ein KI-gestütztes RMIS (Risikomanagement-Informationssystem) geht über die reine Speicherung und Auswertung von Risikodaten hinaus. Es nutzt maschinelles Lernen und prädiktive Analysen, um Muster zu erkennen, Verluste zu prognostizieren, Risikopositionen zu bewerten und umsetzbare Erkenntnisse zu gewinnen, die herkömmliche RMIS-Plattformen nicht liefern können.
Was ist der Unterschied zwischen generativer KI und prädiktiver KI im Risikomanagement?
Generative KI arbeitet mit unstrukturierten Informationen – sie kann Berichte entwerfen, Dokumente zusammenfassen und Fragen in einfacher Sprache beantworten. Prädiktive KI analysiert strukturierte historische Daten, um zukünftige Ergebnisse vorherzusagen, beispielsweise welche Standorte wahrscheinlich Schadensfälle verursachen werden oder wo Lücken im Versicherungsprogramm bestehen. Beide spielen in einer ausgereiften Risikotechnologiestrategie eine eigenständige Rolle.
Inwiefern verbessert KI die Nutzung von Risikodaten?
KI verbessert die Nutzung von Risikodaten, indem sie drei Funktionen ermöglicht, die herkömmliche RMIS nicht bieten können: die Integration von Daten aus isolierten Systemen, die Anreicherung dieser Daten mit externen Signalen wie Benchmarks und aufsichtsrechtlichen Daten sowie die Anwendung von Inferenzmodellen zur Beantwortung zukunftsorientierter Fragen zu Risiken und Verlustwahrscheinlichkeiten.
Was sollten Unternehmen tun, bevor sie KI in ihr RMIS implementieren?
Vor der Einführung von KI sollten Unternehmen der Datenintegration Priorität einräumen – das heißt, Daten zu Schadensfällen, Vorfällen, Risiken und Versicherungsprogrammen in einer einheitlichen Umgebung zusammenführen. Erst wenn die Datenqualität und die Datenverwaltung gewährleistet sind, kann KI zuverlässige Ergebnisse liefern.
Ist Predictive Analytics in RMIS nur für große Unternehmen gedacht?
Nein. Zwar gehörten große Unternehmen zu den ersten Anwendern, doch stehen KI-gestützte RMIS-Funktionen mittlerweile zunehmend auch Risikomanagement-Teams mittelständischer Unternehmen zur Verfügung. Der Schlüssel zum Erfolg liegt darin, mit begrenzten Anwendungsfällen zu beginnen, bei denen der Nutzen messbar ist, anstatt sofort eine umfassende Transformation anzustreben.
Wie misst man den ROI von KI-Investitionen im Risikomanagement?
Der ROI von KI im Risikomanagement wird in der Regel anhand der Verlustreduzierung, einer verbesserten Preisgestaltung für Versicherungsprogramme, einer Verkürzung des Zeitaufwands für die manuelle Berichterstattung und einer frühzeitigeren Erkennung von Hochrisikopositionen gemessen. Wenn man mit konkreten, quantifizierbaren Anwendungsfällen beginnt, lässt sich der Nutzen vor der Skalierung leichter nachweisen.
