Wie KI Risiken mit granularen Datensignalen neu bepreist

# Wie KI Risiken mit granularen Datensignalen neu bepreist

Sie bremsen bei Gelb scharf ab. Ein Sensor in Ihrem Smartphone erfasst die Verzögerung, die Tageszeit und Ihre Geschwindigkeit. Wochen später kommt Ihre Kfz-Versicherungsverlängerung, ein paar Euro höher als bei einem Bekannten, der das gleiche Auto auf den gleichen Straßen fährt. Dieser Unterschied ist kein Zufall. Es ist ein Pricing-Modell, das auf Ihr konkretes Verhalten reagiert.

Genau diese Verschiebung läuft in der Versicherungsbranche: von breiten Durchschnitten zu individuellen Signalen.

Von versicherungsmathematischen Tabellen zu Live-Signalen

Den größten Teil ihrer Geschichte hat die Branche Risiken über versicherungsmathematische Tabellen bepreist: statistische Übersichten, die Schadenwahrscheinlichkeiten für eine Gruppe anhand gemeinsamer Merkmale wie Alter, Postleitzahl oder Fahrzeugtyp schätzen. Ein 22-jähriger Mann im Sportwagen zahlte mehr, weil seine *Kohorte* (die Gruppe, zu der ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → gehört) historisch häufiger Unfälle hatte.

Die Logik funktioniert, aber sie ist grob. Ein umsichtiger 22-Jähriger subventioniert rücksichtslose Altersgenossen. Der sichere Fahrer hat keine Möglichkeit, das nachzuweisen.

Telematik ändert das. Telematik ist die Erhebung von Fahrdaten über ein Gerät oder eine Smartphone-App: Geschwindigkeit, Beschleunigung, Bremsen, Kurvenverhalten, Kilometerstand und Tageszeit. Statt aus Ihrer demografischen Gruppe zu schließen, beobachtet der Versicherer, wie *Sie* tatsächlich fahren.

Der zentrale Schritt

Altes Modell:

> Prämie = Basistarif, angepasst durch eine Handvoll statischer Faktoren (Alter, Wohnort, Auto).

Neues Modell:

> Prämie = eine Vorhersage aus einem Modell, das Dutzende oder Hunderte von Verhaltens- und Kontextsignalen verarbeitet und über die Zeit aktualisiert wird.

Der Versicherer bepreist keine Kategorie mehr. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → bepreist das Verhalten einer Person.

Wie aus einem Bremsmuster ein Preis wird

Gehen wir das Telematik-Beispiel Schritt für Schritt durch.

1. Datenerfassung. Eine App oder ein Steckmodul zeichnet Fahrten auf. Ein einzelnes starkes Bremsmanöver kann markiert werden, wenn die Verzögerung einen Schwellenwert überschreitet (zum Beispiel ein schneller Geschwindigkeitsabfall innerhalb einer Sekunde).

2. Feature Engineering. Rohe Sensordaten sind unordentlich. Ingenieure wandeln sie in Features um: strukturierte Variablen, die ein Modell nutzen kann. Statt jeden GPS-Punkt zu speichern, berechnen sie „starke Bremsmanöver pro 100 Meilen“ oder „Anteil der Fahrten nach Mitternacht“.

# Simplified: turn raw trip data into pricing features
features = {
    "hard_brakes_per_100mi": 4.2,
    "pct_night_driving": 0.18,
    "avg_trip_miles": 12.5,
    "harsh_cornering_events": 7,
    "phone_handling_while_moving": 0.03  # Ablenkungssignal
}

3. Vorhersage. Ein Machine-Learning-Modell bildet diese Features auf erwartete Schadenkosten ab: den Betrag, den der Versicherer für diesen Fahrer über die Vertragsperiode an Schäden zu zahlen erwartet. Häufigeres starkes Bremsen korreliert mit höherem Unfallrisiko und schiebt die erwarteten Schadenkosten nach oben.

4. Pricing. Die erwarteten Schadenkosten plus Kosten und Marge ergeben die Prämie. Manche Programme passen monatlich an, andere vergeben zur Verlängerung einen Rabatt oder Zuschlag.

Das Bremsmuster ist ein Input unter vielen. Für sich allein bedeutet es wenig. Kombiniert mit Nachtfahrten, Fahrleistung und Ablenkungssignalen wird das Bild schärfer.

Warum Versicherer diesen Weg gehen

Drei Kräfte treiben die Einführung.

Selektion. Versicherer wollen risikoarme Fahrer gewinnen und fair bepreisen. Wenn Wettbewerber A sichere Fahrer mit niedrigeren Prämien belohnt, wandern sichere Fahrer ab. Zurück bleibt das riskantere Portfolio. Granulares Pricing ist zum Teil Verteidigung.

Genauigkeit. Bessere Vorhersagen bedeuten weniger Überraschungen. Ein Modell, das Verhalten sieht, kann eine sicher fahrende Nachtschwester von einem rücksichtslosen Pendler trennen, auch wenn beide dieselbe Postleitzahl haben.

Engagement. Nutzungsbasierte Programme geben Fahrern Feedback („Sie hatten diese Woche 3 starke Bremsmanöver“). Das kann Unfälle tatsächlich reduzieren, was Schäden senkt. Und der Kunde öffnet weiterhin die App.

Die National Association of Insurance Commissioners veröffentlicht verbraucherorientiertes Material dazu, wie nutzungsbasierte und Telematik-Programme funktionieren, nützlich, wenn Sie die Sicht des Regulierers wollen.

Über Kfz hinaus: dasselbe Muster überall

Telematik ist das klarste Beispiel, aber der Ansatz granularer Signale breitet sich aus.

Sachversicherung. Smarte Wasserleck-Sensoren und vernetzte Rauchmelder liefern Daten, die Prämien für Häuser mit aktivem Monitoring senken kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen. Ein Sensor, der ein langsames Rohrleck erkennt, verhindert einen großen Schaden.

Kranken und Leben. Manche freiwilligen Wellness-Programme nutzen Wearable-Daten (Schrittzahl, Aktivität), um Belohnungen anzubieten. Diese sind opt-in und streng reguliert, weil Gesundheitsdaten sensibel sind.

Gewerbe. Flottenbetreiber installieren Telematik in allen LKW. Versicherer bepreisen die Flotte anhand aggregierten Fahrverhaltens statt allein anhand von Branchendurchschnitten.

Der gemeinsame Faden: ein Strom realer Signale ersetzt eine statische Annahme.

🎬 [VIDEO: "How Telematics and Usage-Based Insurance Work" - youtube.com - eine klare Erklärung, wie Fahrdaten in die Versicherungsbepreisung einfließen]

Wo es schwierig wird: Fairness, Proxys und Regeln

Granulares Pricing birgt echte Risiken. Fachleute sollten diese kennen, nicht nur die Vorteile.

Proxy-Diskriminierung

Ein Modell nutzt vielleicht kein geschütztes Merkmal wie Ethnie, aber ein Feature kann als Stellvertreter dafür wirken. Das ist ein Proxy: eine Variable, die mit einem geschützten Merkmal korreliert. Die Postleitzahl kann zum Beispiel mit der Ethnie korrelieren. Stützt sich das Modell auf PLZ-gebundene Signale, kann es Diskriminierung reproduzieren, ohne das geschützte Merkmal überhaupt zu benennen.

Regulierer prüfen das immer genauer. Mehrere US-Bundesstaaten haben Vorgaben erlassen, die Versicherer verpflichten, KI-Modelle auf unfaire Diskriminierung zu testen und erklären zu kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, wie ein Tarif zustande kam. Colorado etwa hat die Regulierung zur Nutzung externer Daten und prädiktiver Modelle in der Versicherung vorangetrieben. Weitere Staaten werden folgen.

Erklärbarkeit

Wenn ein Kunde fragt „Warum ist mein Tarif gestiegen?“, muss der Versicherer klar antworten. Ein komplexes Modell, das eine Zahl ohne Begründung ausgibt, ist ein Compliance-Problem. Deshalb bevorzugen viele Versicherer Modelle, die sie interpretieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, oder ergänzen Werkzeuge, die menschenlesbare Erklärungen erzeugen („Ihr Tarif spiegelt überdurchschnittlich viele Nachtfahrten wider“).

Datenqualität und Einwilligung

Sensordaten kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen falsch sein. Ein Handy in der Tasche eines Beifahrers kann Bremsmanöver erfassen, die der Versicherungsnehmer nicht gefahren hat. Programme brauchen Korrekturwege. Und Kunden müssen dem Tracking wirklich zustimmen, mit klaren Bedingungen.

Ein granulares Pricing-Modell bauen: was dazu wirklich nötig ist

Für die Praktiker hier die realistische PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen →.

Datenaufnahme. Ströme aus Apps, Geräten und Drittquellen (Wetter, Straßendaten) kommen kontinuierlich an. Das allein ist ein erheblicher Engineering-Aufwand.

Feature Store. Ein zentraler Ort, an dem bereinigte, wiederverwendbare Features liegen, damit dieselbe Definition von „Rate starker Bremsmanöver“ im Training und im Live-Pricing verwendet wird. Inkonsistenzen hier führen zu stillen Fehlern.

Modelltraining. Historische Daten (Verhalten verknüpft mit tatsächlichen Schäden) trainieren das Modell, die Schadenkosten vorherzusagen. Das Modell wird an Fahrern validiert, die es nie gesehen hat.

Fairness- und Bias-Tests. Vor dem Deployment prüfen Teams, ob das Modell unterschiedliche Ergebnisse zwischen Gruppen produziert. Fällt es hier durch, geht es unter Umständen nie in Betrieb.

Regulatorische Einreichung. In den meisten US-Bundesstaaten müssen Tarife für private Kfz- und Wohngebäudeversicherung vor der Nutzung bei der Versicherungsaufsicht eingereicht und häufig genehmigt werden. „File and use“- oder „prior approval“-Regeln bedeuten, dass Sie ein neues Pricing-Modell nicht einfach über Nacht ausrollen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen. Das ist ein entscheidender Unterschied zu Tech-Produkten in unregulierten Märkten.

Monitoring. Verhalten verändert sich. Ein Modell, das vor dem Anstieg der Remote-Arbeit trainiert wurde, kann neue Pendelmuster falsch bepreisen. Laufendes Monitoring erkennt diesen Model Drift (wenn die Genauigkeit eines Modells nachlässt, weil sich die Welt verändert).

Ein kurzer Realitätscheck

KI ersetzt den Aktuar nicht. Aktuare arbeiten heute neben Data Scientists. Der Aktuar verantwortet die Frage „Ist dieser Tarif angemessen, nicht überhöht und nicht unfair diskriminierend?“, was in den meisten Bundesstaaten der gesetzliche MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab ist. Das Modell ist ein Werkzeug im Dienst dieses MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstabs, kein Ersatz dafür.

Das strategische Bild für 2026

Granulares Pricing wird in der privaten Kfz-Versicherung zum Standard und breitet sich weiter aus. Die Gewinner sind nicht die mit dem raffiniertesten Modell. Es sind die, die:

• Saubere, einwilligungsbasierte Daten in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab erhalten.
• Ihr Pricing einem Regulierer und einem Kunden erklären kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• Feedback in tatsächliche Verhaltensänderung umsetzen (weniger Schäden), nicht bloß in Überwachung.

Das Risiko ist Übertreibung: Pricing, das so individualisiert ist, dass Versicherung als geteilter Risikoausgleich nicht mehr funktioniert, oder Modelle, die stillschweigend diskriminieren. Regulierer beobachten das genau, und die Regeln werden strenger, nicht lockerer.

Key Takeaways

• Versicherung bewegt sich von Gruppendurchschnitten zu individuellen Signalen. Versicherungsmathematische Tabellen bepreisen Kohorten; KI-Modelle bepreisen beobachtetes Verhalten anhand von Telematik und anderen Realdaten.
• Ein einzelnes Signal (wie starkes Bremsen) ist allein schwach, in Kombination aber stark. Modelle verwandeln rohe Sensordaten in Features und prognostizieren dann die erwarteten Schadenkosten, die die Prämie bestimmen.
• Dasselbe Muster verbreitet sich über Sach-, Kranken- und Gewerbesparten, überall dort, wo ein Live-Datenstrom eine statische Annahme ersetzen kann.
• Fairness und Erklärbarkeit sind der schwierige Teil. Proxy-Diskriminierung und opake Modelle schaffen echte rechtliche Risiken; US-Bundesstaaten verlangen zunehmend Bias-Tests und klare Tariferklärungen.
• KI erweitert Aktuare, sie ersetzt sie nicht. Jemand muss weiterhin bestätigen, dass Tarife angemessen, nicht überhöht und nicht unfair diskriminierend sind, und sie bei der Aufsicht einreichen.