Gute KI im Risikomanagement zeichnet sich nicht durch das auffälligste Dashboard oder das fortschrittlichste Modell aus – sondern durch die Fähigkeit, die Entscheidungen, die Ihre Risikofunktion am häufigsten trifft, messbar zu verbessern, und zwar auf eine Weise, die Ihr Team versteht und der es vertraut. Unternehmen, die dies richtig umsetzen, gehen von einer konkreten Entscheidung aus, die sie verbessern möchten, und nicht von einer Technologie, die sie einsetzen wollen. Sie bereinigen ihre Daten, bevor sie das Tool kaufen, und sorgen dafür, dass für jede von der KI unterstützte Entscheidung ein Mensch die Verantwortung trägt.

Im weiteren Verlauf dieses Artikels wird erläutert, warum so viele KI-Investitionen im Risikomanagement hinter den Erwartungen zurückbleiben, wie man generative KI von prädiktiver KI unterscheidet (und wann welche zum Einsatz kommen sollte) und anhand welcher konkreten Anhaltspunkte sich eine echte Transformation von einem teuren Dashboard-Widget unterscheiden lässt.

Warum die meisten KI-Lösungen im Risikomanagement hinter den Erwartungen zurückbleiben

Derzeit gibt es zwei verschiedene Ansätze für den Einsatz von KI in Risikofunktionen.

Das eine macht in einer Anbieter-Demo einen beeindruckenden Eindruck. Das andere wirkt auf einer Folie eher unscheinbar, verändert aber tatsächlich die Arbeitsweise eines Teams. Die meisten Unternehmen sind dabei, das Erste zu kaufen, obwohl sie das Zweite benötigen – und der Unterschied zwischen beiden liegt selten in der Technologie selbst. Die heutigen KI-Tools sind ausgereift genug, um diese Aufgabe zu bewältigen. Was die Gewinner von den Enttäuschten unterscheidet, ist die Frage, ob das Unternehmen von Anfang an klar definiert hatte, was „gut“ eigentlich bedeutet.

Die Gefahr, KI als bloße Funktion zu betrachten

Wenn KI einem Risikomanagement-Informationssystem (RMIS) lediglich als Funktion hinzugefügt wird, anstatt auf einem tatsächlichen Bedarf aufzubauen, zeigt sich dies auf bekannte Weise:

  • Ein Chatbot, der Fragen zu Richtlinien beantwortet
  • Ein Dashboard-Widget, das einen Anomaliewert anzeigt
  • Ein Bericht mit einem Konfidenzintervall, das im letzten Quartal noch nicht vorhanden war

Nichts davon ist nutzlos. Aber nichts davon bewirkt auch einen grundlegenden Wandel – und wenn die Versprechen den tatsächlichen Nutzen übersteigen, schwindet das Vertrauen in die gesamte KI-Fähigkeit schneller als bei fast allem anderen in einem Risikoprogramm.

Das Kernproblem ist die Ausrichtung. Bei „AI-as-a-Feature“ geht man von den Möglichkeiten der Technologie aus und sucht dann nach einem Problem, das gelöst werden kann. Das ist der falsche Weg. Hier jagt die Technologie nach einem Anwendungsfall, anstatt dass ein Anwendungsfall die passende Technologie hervorbringt.

Gute KI im Risikomanagement beginnt am anderen Ende. Sie geht von den Entscheidungen aus, auf die es wirklich ankommt – nämlich jenen, bei denen bessere Informationen das Ergebnis beeinflussen – und arbeitet rückwärts, um herauszufinden, welche Fähigkeiten erforderlich sind, um diese Entscheidungen zu unterstützen.

Die „Decision-First“-Sequenz für die Einführung von KI im Risikomanagement.

Welche Risikobewertungen sind tatsächlich von Bedeutung?

Führungskräfte im Risikomanagement treffen nicht Hunderte von Entscheidungen mit hohem Einsatz pro Woche. Sie treffen nur eine Handvoll, und genau diese sind es, auf die man sich konzentrieren sollte:

  • Wie lässt sich das Budget für den Risikotransfer auf ein Portfolio verteilen?
  • Welche Standorte oder Geschäftsbereiche weisen Risikokonzentrationen auf, die aktiv gesteuert werden sollten?
  • Wohin sollen die Ressourcen zur Schadensverhütung gelenkt werden?
  • Wie man reagiert, wenn sich das externe Risikoumfeld wesentlich verändert

All diesen Entscheidungen ist gemeinsam, dass sie auf der Grundlage unvollständiger Informationen, unter Zeitdruck und von Menschen getroffen werden, die weit mehr als nur eine Priorität unter einen Hut bringen müssen. Die Qualität der Entscheidung hängt fast ausschließlich von der Qualität und der Verfügbarkeit der zugrunde liegenden Daten ab.

Genau diese Herausforderung soll eine gute KI bewältigen. Sie verkürzt die Zeitspanne zwischen dem Stellen einer Frage und dem Vorliegen einer verlässlichen Antwort. Sie deckt Muster in historischen Verlust- und Risikodaten auf, die kein menschlicher Prüfer manuell in großem Umfang erkennen könnte. Und sie liefert die vorausschauende Perspektive – die Verlustprognose, die Risikoprognose –, die es ermöglicht, Entscheidungen auf der Grundlage wahrscheinlicher Ergebnisse statt rein aus der Rückschau zu treffen.

Ein Beispiel aus der Praxis: die Überprüfung des Portfolio-Risikos

Wird die Überprüfung des Portfolio-Engagements manuell durchgeführt, bedeutet dies, Daten aus mehreren Systemen zu extrahieren, unterschiedliche Formate abzugleichen und ein Gesamtbild zusammenzustellen, das oft schon veraltet ist, wenn es die Person erreicht, die darauf reagieren muss.

Mit KI richtig eingesetzt, wird genau diese Überprüfung zu etwas, das ein Risikomanager auf Abruf erstellt – basierend auf bereits integrierten und aktuellen Daten.

Die Entscheidung selbst ändert sich nicht in ihrer Art – sie ändert sich in Bezug auf Geschwindigkeit und Zuverlässigkeit. Genau darum geht es. Es geht nicht darum, dass KI die Risikoeinschätzung ersetzt. Es geht darum, dass KI die Risikoeinschätzung fundierter gestaltet.

Generative KI vs. prädiktive KI: Kennen Sie den Unterschied

Eines der nützlichsten Denkmodelle zur Bewertung von KI im Risikokontext ist die Unterscheidung zwischen generativen und prädiktiven Fähigkeiten. Die Verwechslung dieser beiden Aspekte ist einer der häufigsten – und kostspieligsten – Fehler, die Risikoteams begehen.

Generative KI erstellt Entwürfe und fasst Texte zusammen; prädiktive KI prognostiziert Ergebnisse.

Generative KI

Dies ist die Kategorie, die die meisten Menschen bereits aus dem Bereich der großen Sprachmodelle kennen. Sie eignet sich besonders gut für die Bearbeitung unstrukturierter Inhalte: Entwürfe erstellen, Zusammenfassungen verfassen, Informationen extrahieren und Erklärungen liefern.

In einer Risikofunktion lässt sich das wie folgt ausdrücken:

  • Massenweise Bearbeitung von Schadensgutachten
  • Erstellung von ersten Entwürfen für Risikoberichte
  • Wie man komplexe politische Unterlagen für Laien verständlich macht

Die Produktivitätssteigerungen sind hier echt. Ebenso wie das Risiko einer übermäßigen Abhängigkeit – generative Modelle können überzeugende, ausgefeilte Ergebnisse liefern, die schlichtweg falsch sind, und der Fehler ist beim ersten Lesen nicht immer offensichtlich.

Prädiktive KI

Prädiktive KI ist etwas ganz anderes. Sie wird anhand historischer Daten trainiert, um zukünftige Ergebnisse vorherzusagen: Häufigkeit und Schwere von Schäden, Risikobewertungen nach Standort oder Art der Tätigkeit oder die Wahrscheinlichkeit, dass ein bestimmtes Ereignisprofil zu einem bestimmten Schadensumfang führt.

Genau hier werden die Entscheidungen mit den höchsten Risiken tatsächlich präziser – nicht schneller, sondern präziser.

Beide Kategorien spielen eine Rolle. Sie lösen jedoch unterschiedliche Probleme und weisen unterschiedliche Fehlerquellen auf. Teams, die generative und prädiktive KI als austauschbar betrachten, neigen dazu, das falsche Werkzeug auf das falsche Problem anzuwenden und ziehen dann falsche Schlussfolgerungen darüber, ob „KI“ überhaupt einen Mehrwert liefert.

3 Anzeichen dafür, dass Unternehmen den Einsatz von KI richtig angehen

In den Unternehmen, die im Bereich KI im Risikomanagement tatsächlich Fortschritte erzielen, lassen sich drei Verhaltensweisen immer wieder beobachten.

1. Sie legen die Änderung fest, bevor sie sich für eine Technologie entscheiden

Nicht „Wir wollen KI einsetzen“ – sondern etwas Konkretes und Messbares, das mit einer wichtigen Entscheidung verbunden ist. Beispiele:

  • „Die Zeit für die Erstellung unseres vierteljährlichen Risikoberichts von drei Wochen auf drei Tage verkürzen.“
  • „Ermitteln Sie vor Beginn der Verlängerungssaison die zehn Standorte in unserem Portfolio, für die die höchste voraussichtliche Verlustwahrscheinlichkeit besteht.“

Konkretheit ist das, was eine Strategie von einer Wunschliste unterscheidet.

2. Sie betrachten die Datenqualität als ihre Aufgabe und nicht als die des Anbieters.

Die Qualität der Ergebnisse hängt von der Qualität der Eingabedaten ab – Punkt. Unternehmen, die erwarten, dass die Technologie eines KI-Anbieters fragmentierte, inkonsistente oder unvollständige Daten ausgleichen kann, werden immer wieder enttäuscht.

Die Unternehmen, die sich zuerst der wenig glamourösen Arbeit widmen – der Integration, Bereinigung und Anreicherung ihrer Daten –, sind diejenigen, deren KI-Fähigkeiten nach der Inbetriebnahme die Erwartungen erfüllen oder sogar übertreffen.

3. Sie sorgen dafür, dass menschliches Urteilsvermögen dort zum Tragen kommt, wo es darauf ankommt

KI sollte verändern, was ein Risikomanager weiß und wie schnell er davon erfährt. Sie sollte jedoch nicht selbst die Entscheidung treffen.

Je stärker sich eine Funktion etabliert und je mehr Vertrauen sie genießt, desto schwieriger wird es, diese Grenze aufrechtzuerhalten – und genau deshalb muss sie bewusst gewahrt werden. In dem Moment, in dem die Ergebnisse der KI nicht mehr hinterfragt, sondern einfach nur noch abgenickt werden, verändert sich das Risikoprofil der Funktion auf eine Weise, die oft erst dann bemerkt wird, wenn sie bereits von Bedeutung ist.

Das Fazit

Gute KI in einer Risikofunktion ist nicht das ausgefeilteste Modell auf dem Markt oder die Plattform mit den meisten Funktionen. Es ist die Fähigkeit, die Entscheidungen, auf die es am meisten ankommt, zuverlässig zu verbessern – und zwar auf eine Weise, die die Nutzer verstehen und der sie tatsächlich vertrauen können.

Das ist eine bescheidene Messlatte – und doch eine, die wirklich schwer zu überwinden ist. Es erfordert Klarheit über das Ziel, Disziplin bei der Datenbasis und die Bereitschaft, mit dem Anwendungsfall zu beginnen, der einen klaren Nutzen bringt – und nicht mit dem, der in einer Demo am besten aussieht.

Die Unternehmen, die dies richtig umsetzen, machen selten Schlagzeilen mit ihrer KI-Strategie. Stattdessen treffen sie weniger Fehlentscheidungen im Risikomanagement, setzen ihr Kapital effektiver ein und verschaffen sich damit mehr Einfluss als zuvor.

Eine Frage, über die Sie diese Woche in Ihrer eigenen Risikomanagementabteilung nachdenken sollten: Welche Entscheidung würde für Ihr Unternehmen den größten Unterschied machen, wenn Sie sie eine Woche früher oder mit größerer Sicherheit treffen könnten?

Erfahren Sie mehr in unserer dreiteiligen Serie über RMIS:

Warum Ihr RMIS auf ungenutzten Erkenntnissen sitzt
Ihre Daten aktivieren: Die Zukunft KI-gestützter RMIS-Systeme

Häufig gestellte Fragen

Was bedeutet „gute KI“ im Risikomanagement?

Gute KI im Risikomanagement ist eine Funktion, die auf eine bestimmte, besonders wichtige Entscheidung ausgerichtet ist – wie beispielsweise die Verteilung des Portfolio-Risikos oder gezielte Maßnahmen zur Verlustprävention – und nicht als generische Funktion hinzugefügt wird. Sie sollte diese Entscheidung messbar beschleunigen oder verbessern, wobei die endgültige Entscheidung weiterhin in der Verantwortung eines Menschen liegen sollte.

Was ist der Unterschied zwischen generativer und prädiktiver KI im Risikomanagement?

Generative KI verarbeitet unstrukturierte Inhalte – sie erstellt Berichtsentwürfe, fasst Schadensberichte zusammen und erläutert Versicherungsbedingungen. Prädiktive KI wird anhand historischer Daten trainiert, um Ergebnisse wie Schadenshäufigkeit, Schadensschwere oder Risikobewertungen nach Standort zu prognostizieren. Generative KI steigert die Produktivität; prädiktive KI hilft dabei, wichtige Entscheidungen zu treffen. Den falschen Ansatz für die jeweilige Aufgabe zu wählen, ist ein häufiger – und kostspieliger – Fehler.

Warum bleiben so viele KI-Investitionen im Risikomanagement hinter den Erwartungen zurück?

Die meisten bleiben hinter den Erwartungen zurück, weil sie als Funktion (ein Chatbot, ein Dashboard-Widget) implementiert sind, anstatt zur Lösung eines konkreten Entscheidungsproblems entwickelt worden zu sein. Kommt dann noch eine schlechte Qualität der zugrunde liegenden Daten hinzu – die kein KI-Anbieter vollständig ausgleichen kann –, ist das Ergebnis ein Tool, das zwar beeindruckend aussieht, aber nichts an der tatsächlichen Arbeitsweise der Risikofunktion ändert.