Risikomanagement setzt auf KI und muss zugleich deren eigene Risiken begrenzen

Künstliche Intelligenz rückt in die Risikofunktionen von Versicherern und Banken vor, und zwei Fachbeiträge beschreiben diesen Schritt aus unterschiedlichen Richtungen. Der indonesische Beitrag aus Jakarta befasst sich mit der Risikosteuerung von Versicherern und Rückversicherern, die angesichts veränderter Gesundheitsrisiken, wirtschaftlicher Dynamik und klimabedingter Effekte präzisere, anpassungsfähigere und vorausschauendere Entscheidungen treffen sollen. Der italienische Bericht fasst ein von CETIF organisiertes Seminar mit Vertretern aus Bankwesen, Versicherung, Wissenschaft und Technologie zusammen. Beide Texte eint die Frage, unter welchen Bedingungen KI in Kontrollprozessen verwertbare Ergebnisse liefert – und welche Risiken sie selbst dorthin trägt.

Der Beitrag von Viva verortet das Haupthindernis nicht in der Verfügbarkeit von Daten, sondern in ihrer Fragmentierung: Die Angaben liegen in getrennten Systemen, ihre Formate sind uneinheitlich und häufig nur aggregiert verfügbar. KI könne Formate zusammenführen, unvollständige oder inkonsistente Datensätze erkennen und die manuelle Eingabe verringern; sie könne zudem Veränderungen im Schadenverlauf früher anzeigen, die Risikoklassifizierung unterstützen und Fälle für eine vertiefte Prüfung priorisieren. Der Text betont jedoch die Abhängigkeit von Datenqualität, Modellgüte und Anwendungskontext: Modelle, die mit lückenhaften, nicht repräsentativen oder verzerrten Daten trainiert wurden, können falsche Empfehlungen erzeugen.

Die italienische Darstellung setzt bei einer Doppelrolle an. KI erweitere die Möglichkeiten der Analyse, Identifikation und Überwachung von Risiken, schaffe aber zugleich neue operationelle, informationstechnische, reputationsbezogene und modellbedingte Schwachstellen und vergrößere potenziell die Angriffsfläche von Organisationen. Die Frage sei deshalb nicht, ob KI eingeführt werde – in einem Umfeld, in dem sie Prozesse, Betriebsmodelle und Entscheidungen bereits verändere, sei ein Verzicht keine realistische Option –, sondern wie ihre Chancen genutzt werden können, ohne die Kontrolle über die von ihr ausgehenden Risiken zu verlieren. Benannt werden unter anderem der Übergang von einem qualitativen zu einem datengetriebenen, vorausschauenden Risikomanagement, das Muster, Korrelationen und schwache Signale erkennt – mit Anwendungen von der Bewertung von Cyberrisiken bis zur Quantifizierung von Exponierung –, sowie die zunehmende Nutzung unstrukturierter Daten aus Verträgen, Vorschriften, Richtlinien, Berichten und Lieferantenunterlagen, die generative KI unter anderem für Vertragsanalyse, Due Diligence und die Ermittlung normativer Lücken erschließt.

Als Grenze hält der italienische Beitrag fest, kein Modell könne die Vorhersage eines Vorfalls garantieren; ein gutes Modell könne jedoch die Zeit zwischen dem ersten Signal und der Entscheidung verkürzen. Geschätzte Eintrittswahrscheinlichkeiten würden als Intervalle und nicht als Gewissheiten ausgewiesen. Der indonesische Text argumentiert in vergleichbarer Richtung, wenn er KI die Möglichkeit zuschreibt, die tatsächliche Erfahrung des Portfolios den zugrunde gelegten Annahmen gegenüberzustellen und diese rechtzeitig zu überprüfen – vorausgesetzt, die Datenbasis trägt die Analyse.