Wie generative KI die Katastrophenmodellierung im Versicherungswesen neu definiert

Die Versicherungsbranche erlebt einen massiven technologischen Wandel, da traditionelle, physikbasierte Katastrophenmodelle zunehmend mit fortschrittlicher generativer KI konkurrieren. Durch den Einsatz von Diffusionsmodellen zur Simulation extremer Wetterereignisse versuchen Unternehmen, die Datenlücke zwischen historischen Aufzeichnungen und zukünftigen Klimarealitäten zu schließen.

Die Auflösungsgrenzen mit Diffusionsmodellen durchbrechen

Seit Jahrzehnten stützt sich die Katastrophenmodellierung (Cat Modeling) auf physikbasierte Gleichungen, um Gravitation, Reibung und Strömungen über geografische Gitterzellen hinweg zu simulieren. Diese Modelle stehen jedoch in einem ständigen Konflikt zwischen Rechenaufwand und Auflösung. Hochauflösende Modelle sind in der Anwendung über große Gebiete hinweg prohibitiv teuer, was zu einem Kompromiss zwischen Detailgenauigkeit und Abdeckungsbereich zwingt.

Generative KI verändert diese Gleichung grundlegend. Fathom, eine Tochtergesellschaft von Swiss Re, geht mit der Nutzung von Diffusionsmodellen voran, um diese Einschränkungen zu überwinden. Durch das Training eines Diffusionswerkzeugs mit etwa 1.000 Jahren bestehender Klimasimulationen kann Fathom synthetisch zehntausende Jahre an Wetterszenarien generieren, die auf das Klima von 2030 projiziert sind. Um das Auflösungsproblem zu lösen, setzen sie ein sekundäres Modell zur Bildschärfung ein, das grobe 100 × 100 Kilometer große Daten auf eine präzise Auflösung von 10 × 10 Kilometern verfeinert, was eine wesentlich genauere Kartierung von Niederschlagsmustern ermöglicht.

Neue Horizonte in der räumlichen Variabilität und bei Tail-Risiken

Die Anwendung von KI reicht über die einfache Wettererzeugung hinaus bis hin zur komplexen Multi-Hazard-Modellierung. Der Branchenführer Verisk nutzt nun generative KI, um extreme Wind- und Regenfälle gleichzeitig statt nacheinander zu modellieren. Dieser Ansatz ermöglicht eine viel höhere räumliche Variabilität und erfasst, wie verschiedene Wetterelemente in Echtzeit interagieren.

Andere Akteure konzentrieren sich auf die Analyse nach Ereignissen und auf sogenannte „Tail-Risk“-Ereignisse – seltene, katastrophale Vorkommnisse, für die traditionellen Modellen die ausreichenden historischen Daten fehlen. Moody's RMS nutzt beispielsweise KI, um Satellitenbilder nach Waldbränden und Hurrikanen zu analysieren, um versicherte Schäden zu schätzen. Diese Fähigkeit, das „Unvorhersehbare“ zu modellieren, ist in einer Ära zunehmender Klimavolatilität von entscheidender Bedeutung.

Die Risiken: Physikalische Halluzinationen und wirtschaftliche Verzerrungen

Trotz des Potenzials ist die Integration von GenAI in die Risikobewertung nicht ohne erhebliche Gefahren. Die größte technische Hürde ist die „Halluzination“. Da Diffusionsmodelle Plausibilität über physikalische Genauigkeit stellen, können sie Wetterereignisse erzeugen, die zwar realistisch aussehen, aber gegen die grundlegenden Gesetze der Physik verstoßen – ein Phänomen, das Oliver Wing, wissenschaftlicher Direktor bei Fathom, als „absoluten Schlamassel“ (absolute slop) bezeichnet.

Darüber hinaus droht ein Konflikt zwischen wissenschaftlicher Genauigkeit und unternehmerischer Vertriebslogik. Während bessere Modelle theoretisch die Abdeckung auf Hochrisikoregionen wie Brasilien oder Bangladesch ausweiten könnten, besteht für Versicherer ein inhärenter Anreiz, Modelle zu bevorzugen, die niedrigere Schadenschätzungen liefern. Wenn ein KI-Modell aufzeigt, dass die Risiken deutlich höher sind als bisher angenommen, könnte dies größere Kapitalpuffer erforderlich machen, was das Geschäftswachstum potenziell bremsen würde. Dies schafft ein Spannungsfeld, in dem das Streben nach besserer Wissenschaft mit dem Underwriting-Ziel, mehr Neugeschäft abzuschließen, kollidieren kann.

Wichtigste Erkenntnisse

• Verbesserte Auflösung: Diffusionsmodelle und Schärfungstechniken ermöglichen es Modellierern, von einer 100-km- auf eine 10-km-Auflösung zu springen, was wesentlich feinere Details für Niederschlags- und Windmuster liefert.
• Schließung der Datenlücke: Generative KI kann tausende Jahre an synthetischen Klimadaten synthetisieren und hilft Versicherern so, sich auf „Tail-Risk“-Ereignisse vorzubereiten, für die es keine historischen Präzedenzfälle gibt.
• Kritische Herausforderungen: Die Branche muss sowohl das technische Risiko „physikalischer Halluzinationen“ als auch das wirtschaftliche Risiko einer durch Vertriebsanreize verzerrten Modellauswahl bewältigen.