Es gibt zahlreiche Situationen, in denen entscheidende Informationen ausschließlich in Dokumenten und damit unstrukturiert vorliegen. Zur Marktanalyse und Produktentwicklung vergleichen Versicherer beispielsweise Versicherungspolicen und allgemeine Versicherungsbedingungen (AVB) der Mitbewerber, um herauszufinden, ob diese ähnliche Produkte anbieten – und wenn, mit welchem Deckungsumfang und zu welchen Höchstentschädigungsgrenzen. In Vorbereitung einer Migration extrahieren Versicherer wichtige Informationen (z.B. Produktinformationen) für das neue System aus Dokumenten oder Freitextfeldern.

Bis dato blieb Versicherern nichts anderes übrig, als alle Bedingungen manuell zu durchsuchen und relevante Abschnitte mühselig in eine Übersicht zu kopieren. Auch gängige Stichwortsuchen stoßen an ihre Grenzen.

Denn Versicherungstexte …

• sind umfangreich und komplex – AVBs haben oft zwischen 50 und 100 Seiten und enthalten versicherungsspezifisches und juristisches Vokabular.
• haben kein einheitliches Wording und Layout – die Form und Formulierungen unterscheiden sich von Versicherer zu Versicherer

Einsatz von KI

Moderne KI-Wortmodelle verstehen den Kontext. Hierdurch können sie aus beliebig vielen Dokumenten Abschnitte und Werte einander zuordnen, auch wenn diese unterschiedlich formuliert sind. Damit können entsprechende KI-gestützte Tools nicht nur die Unterschiede und Gemeinsamkeiten kompletter Dokumente identifizieren (lesen Sie dazu den Blog-Beitrag „Dokumentenanalyse mit KI“), sondern auch auf eine präzise Fragestellung die Antworten auslesen sowie die Resultate gegenüberstellen.

Im KI-basierten Tool compAIr der Convista kann der Nutzer diese Fragen sowie die zu analysierenden Dokumente hochladen. Auf Knopfdruck identifiziert die KI alle Textabschnitte, die inhaltlich zu den eingegebenen Fragen passen, und stellt die Antworten gegenüber. Wenn vorhanden, extrahiert das Sprachmodell konkrete Werte. Der Nutzer kann sich so zu konkreten Fragen, per Knopfdruck die Inhalte mehrerer Marktbegleiter anzeigen lassen und die Ergebnisse als Excel-Liste exportieren. Hierzu ist das Sprachmodell speziell auf das Versicherungsjargon trainiert.

Das bietet zwei wesentliche Vorteile:

1. Durch das semantische Wortmodell kommt es hierbei nicht auf die genaue Wortwahl an, d.h. auch wenn die gesuchten Informationen nicht genau wie im Ausgangsdokument oder in der Frage formuliert sind, erkennt das Wortmodell den Zusammenhang.

2. Das mühselige Kopieren und Erstellen von Excel-Listen entfällt. KI-Modelle isolieren die entsprechenden Ausschnitte in den Dokumenten und stellen die extrahierten Werte in einer Übersicht gegenüber.

Warum nicht mit ChatGPT?

Die Versicherungsbranche hat es mit sensiblen Daten und einer Vielzahl von regulatorischen Anforderungen zu tun. Unter Compliance- und Datenschutzaspekten ist der Einsatz von ChatGPT für Versicherer aktuell fragwürdig. Zum einen hat der Anbieter von ChatGPT, OpenAI, seinen Sitz in den USA und verfügt über keinen Vertreter in der EU.

Hinzu kommt die anstehende Verabschiedung der EU AI Acts, mit dem Transparenz und Erklärbarkeit beim Einsatz von KI-Algorithmen in den Fokus rücken werden.

Ein weiterer Aspekt: ChatGPT basiert auf den GPT-Sprachmodellen von OpenAI und damit auf einem enorm großen Datenkorpus – GPT4 hat bspw. 100 Trillion Parameter. Die lokale Nutzung eines solch großen Modells ist für einzelne Unternehmen aufgrund der benötigten Ressourcen nahezu unmöglich. Zudem ist ein derartiges Modell für bestimmte Anwendungsfälle gar nicht erforderlich. Viel wertvoller ist hier ein auf das jeweilige Fachvokabular zugeschnittenes Sprachmodell. Mehr zum Einsatz von Sprachmodellen lesen Sie im nächsten Blog-Beitrag unserer Reihe „Dokumentenanalyse mit KI“.

Erfahren Sie mehr zu dem Thema in der Blog-Reihe „KI in der Dokumentenanalyse“:

• Warum vergleichen wir Versicherungsdokumente überhaupt?
• Wie KI die Dokumentenanalyse vereinfacht

KI in der Versicherung

Autor

Lukas Pulß – Management Consultant

Als erfahrener IT-Berater und Versicherungsexperte zeichnet sich Lukas Expertise vor allem durch sein umfassendes Fach- und Branchenwissen sowie seine Erfahrung im gesamten Lebenszyklus von IT-Projekten aus. Als Product Owner bildet er die fachliche Klammer über die KI-Themen im Geschäftsbereich Versicherungen.