Neue Technologien im Schaden- und Produktivitätsmanagement: Automatisierung und KI

Von Stephen Elliott, MBA, JD, CISSP, CSM, SVP, IT-Innovation und Entscheidungsoptimierung

Auf dem heutigen Markt behaupten unzählige Anbieter und Technologien, künstliche Intelligenz (KI) zu nutzen oder manuelle Schadenbearbeitungsprozesse zu automatisieren.

Man könnte argumentieren, dass dies das Ziel war, auf das alle seit dem allerersten Computer hingearbeitet haben. Die heutige Technologie ist in vielerlei Hinsicht eine weitere Weiterentwicklung dieses Prozesses – mit dem Schwerpunkt auf den Schritten im Schadenbearbeitungsprozess, die zuvor als zu komplex oder undurchsichtig galten, um automatisiert zu werden.

In den letzten 50 Jahren standen den Sachbearbeitern im Schadenfall die Funktionen (und die damit verbundenen Einschränkungen) von Anwendungen zur Verfügung, die auf traditionellen Programmiersprachen basierten. Mittlerweile sind wir alle bestens damit vertraut, wie traditionelle IT-Abteilungen vorgehen, um Anforderungen zu erfassen, „Regeln“ für Entscheidungen zu dokumentieren und zu definieren sowie Programme zu entwickeln, die gemeinsam mit den Schadenprüfern zur Verbesserung der Schadenbearbeitung eingesetzt werden. Mit der Einführung der KI gibt es nun mehrere neue Komponenten, die eine Rolle dabei spielen, was programmiert werden kann:

Musterabgleich

Künstliche Intelligenz erweitert den Umfang menschlicher Tätigkeiten, die automatisiert werden können. Während Menschen im Schadenmanagement dokumentierte Anweisungen und Regeln befolgen, sind sie gleichzeitig darauf optimiert, Lösungen auf der Grundlage von Mustern zu finden, denen sie zuvor bereits begegnet sind. KI führt den Musterabgleich in Maschinenprogramme ein – wodurch Software entwickelt werden kann, die keine detaillierte AufschlüsselungallerEntscheidungsregeln im Voraus mehr erfordert. Stattdessen bietet KI die Möglichkeit, historische Daten zu nutzen, um diese Regeln auf abstrakte Weise abzubilden und zu erfassen. Wenn erfahrene Schadenssachbearbeiter in der Vergangenheit den Schadenfall X geprüft und die Maßnahme Y beschlossen haben, können KI-Systeme darauf trainiert werden, dasselbe zu tun.

Da sie nicht durch die Entscheidungsmethoden des Menschen eingeschränkt ist, kann die auf maschinellem Lernen basierende KI sogar noch besser sein. Tatsächlich kann KI Muster in Daten erkennen, die für Entscheidungen herangezogenwerden sollten, selbst wenn die Prüfer diese Kriterien entweder nicht verwendet haben oder sich gar nicht bewusst waren, dass sie diese Kriterien angewandt haben. Dieser Fortschritt ermöglicht die Entwicklung intelligenter Entscheidungsmaschinen, mit denen Aufgaben im Schadenbearbeitungsprozess optimal automatisiert werden können, die zuvor als zu kompliziert galten oder eine subjektive Entscheidung erforderten.

Automatische Triage-Systeme

Automatische Triage-Systeme wurden entwickelt, um Datenelemente aus der frühen Phase eines Schadensfalls zu analysieren. Sie kombinieren diese Daten mit historischen Mustern, die sonst möglicherweise schwer zu erkennen wären, um einen Schadensfall zur Bearbeitung genau in eine bestimmte „Kategorie“ einzuordnen. Unternehmen stehen hierfür zahlreiche Möglichkeiten zur Auswahl. Manche möchten ihre KI möglicherweise so trainieren, dass sie Schadensfälle in unterschiedliche Kostenprognosekategorien einordnet – wodurch sie Risikostufen anhand der Kosten unterscheiden können. Andere bevorzugen vielleicht eine abstraktere Definition von „Komplexität“, die zwar mit den Kosten in Einklang stehen kann, aber manchmal einfach dabei hilft, Schadensfälle zu identifizieren, die möglicherweise mehr Zeit, mehr menschlichen Kontakt oder eine intensivere Betreuung durch erfahrene Mitarbeiter erfordern.

Systeme zur automatischen Entscheidungsfindung

Nach Abschluss der automatischen Triage übernimmt die automatische Bearbeitung. Wurde ein Antrag alseinfacheingestuft und kann er ohne menschliches Eingreifen bearbeitet werden, lassen sich in der Regel die verbleibenden Schritte des Antragsverfahrens automatisieren. Mithilfe von KI in Kombination mit traditionelleren Methoden kann der Schadenfall von der Erfassung über die Anspruchsprüfung bis hin zur Auszahlung und zum Abschluss weitergeleitet werden. Diese automatisch bearbeiteten Schadenfälle sind nicht nur kostengünstiger in der Abwicklung, sondern führen oft auch zu einer höheren Zufriedenheit der Anspruchsteller, da sie nicht durch das Warten auf die Prüfung durch Schadenregulierer verzögert werden – so erhalten die Anspruchsteller schnell und unkompliziert einen Abschluss.

Prädiktive Modellierung

Obwohl die prädiktive Modellierung meist als eigenständige Technologie betrachtet wird, stellt sie häufig eine Schlüsselkomponente von Lösungen im Bereich der künstlichen Intelligenz dar. Durch die Kombination von maschinellem Lernen und komplexer Statistik nutzt sie historischeDatenmuster, um Prognosen für die Zukunft zu erstellen. Bei der Automatisierung von Entscheidungen oder Schritten im Schadenbearbeitungsprozess können prädiktive Modelle eingesetzt werden, um die Maßnahmen auszuwählen, die unter Berücksichtigung von Kosten, Kundenzufriedenheit oder Risiko die optimalen Ergebnisse liefern.

Diese Modelle nutzen zwar moderne Technologien, können aber auch dazu eingesetzt werden, den Umfang menschlicher Eingriffe bei kritischen Schadensfällen zu optimieren. Gezielte, konkrete Empfehlungen zum Einsatz erfahrener Mitarbeiter können ausgesprochen werden, wenn Feinheiten in einem Schadensfall auf mehrere Szenarien hindeuten:

• Betrug
• Rechtsstreitigkeiten
• Spezialisierung

Bei hoher Betrugswahrscheinlichkeit kann der Schadenfall an Ermittler weitergeleitet oder an menschliche Sachbearbeiter übergeben werden, die weitere Untersuchungen durchführen und entsprechende Maßnahmen ergreifen. KI-Modelle sind nicht nur in der Lage, einzelne Schadenfälle auf Betrug zu überprüfen, sondern auch das gesamte Geschäftsvolumen zu analysieren und Betrugsmuster in ansonsten harmlos erscheinenden Einzelfällen zu erkennen.

Ist die Wahrscheinlichkeit eines Rechtsstreits hoch, können besondere Maßnahmen in Bezug auf den Anspruch ergriffen werden. Dazu gehören beispielsweise das Speichern und Archivieren von Überwachungsvideos aus dem Einzelhandel, die Befragung von Zeugen und anderen Beteiligten, solange deren Erinnerungen noch frisch sind, oder die Verbesserung der Betreuung und Kommunikation mit dem Anspruchsteller, um Unzufriedenheit zu vermeiden.

Wenn spezielles Fachwissen für den Schadenfall von Nutzen sein könnte – sei es aufgrund aktueller „Auslöser“ oder der Vorhersage künftiger Auslöser –, kann die KI den Schadenfall an verschiedene Teams weiterleiten. Diese Teams können sich aus Pflegefachkräften als Fallmanager, Ermittlern im Bereich Regressansprüche oder Spezialisten für andere komplexe oder besondere Schadenfälle zusammensetzen.

Text-Mining

Der nächste Bereich im Bereich des maschinellen Lernens der KI liegt im Text-Mining unstrukturierter Daten. Auch wenn dies letztlich zu ähnlichen Ergebnissen führt wie die traditionelle prädiktive Modellierung strukturierter Daten, bietet das Text-Mining von Dokumenten, Notizen, Zeugenaussagen und anderen Elementen des Schadensfalls dem System eine deutlich größere Informationsmenge. Es ist unrealistisch, von Schadensabwicklungssystemen zu erwarten, dass sie alle Begleiterkrankungen oder gefährlichen Medikamentenkombinationen erfassen. Es ist jedoch möglich, die KI die Risiken lernen zu lassen, die mit deren Erwähnung in Notizen, medizinischen Dokumenten oder der Korrespondenz verbunden sind.

Zentrale Herausforderungen und Risiken

Auch wenn all dies wie eine Utopie für die Schadenmanagement-Technologie klingt, bringt es dennoch eine Reihe eigener Herausforderungen und Risiken mit sich. Viele der Ereignisse, die die KI erlernen soll, gelten als selten, was ihre Vorhersage oft erschwert – selbst mit den besten Daten und statistischen Modellierungsprogrammen. Gemessen am gesamten Versicherungsbestand treten sie so gut wie nie auf. Das bedeutet nicht, dass man nicht damit arbeiten kann, aber die Entwickler oder Käufer von Automatisierungs- bzw. Prognosesoftware sollten sich bewusst sein, dass es dabei dennoch zu Herausforderungen hinsichtlich der Genauigkeit kommen kann. Seien Sie vorsichtig bei Anbietern, die behaupten, über Modelle zu verfügen, die bei der Vorhersage seltener Ereignisse eine Genauigkeit von 95 % aufweisen. Wenn diese Ereignisse bei 3 % der Schadensfälle auftreten, dann ist eine Genauigkeit von mehr als 97 % das absolute Minimum, das jedes grundlegende Modell erreichen sollte.

Letztendlich hängt die Wirksamkeit jeder KI-basierten Automatisierung oder jedes Vorhersagemodells sowohl von der Qualität der Daten als auch von der Qualität der Maßnahmen ab, die ein Schadenbearbeitungsteam ergreift – sollten ihm konkrete Maßnahmen empfohlen oder weitergeleitet werden. Wie bei den meisten Technologien funktioniert auch hier oft am besten eine Mischung aus manuellen und automatisierten Prozessen, bei der beide Elementeim richtigen Verhältniskombiniert werden, um Risiken zu minimieren und gleichzeitig die Kundenzufriedenheit zu maximieren.