Versicherer testen generative KI für Katastrophenrisiken

Generative KI zieht in die Katastrophenmodellierung ein

Versicherer beginnen, generative KI einzusetzen, um Überschwemmungen, Stürme und andere Katastrophen zu modellieren, die im historischen Datensatz nicht häufig genug vorkommen, um herkömmliche Risikoschätzungen zu stützen. Der Reiz ist offensichtlich: Die synthetische Erzeugung von Ereignissen könnte Underwritern, Rückversicherern, Banken und Infrastrukturbetreibern helfen, Extremszenarien in weitaus größerem Umfang und mit deutlich mehr Details zu untersuchen, als es traditionelle Ansätze erlauben.

Doch die Technologie bringt ein vertrautes Problem mit sich. Dieselben Systeme, die enorme Mengen plausibler Szenarien erzeugen können, können auch halluzinieren und Ausgaben produzieren, die realistisch wirken, aber die physikalische Logik verletzen, auf der die Katastrophenmodellierung beruht. Diese Spannung macht generative KI zugleich zu einem vielversprechenden Werkzeug und zu einer neuen Quelle von Modellrisiken in einer der folgenreichsten Prognosedisziplinen des Finanzwesens.

Warum die Branche mehr synthetische Katastrophen will

Katastrophenmodelle werden seit Langem verwendet, um die Exponierung gegenüber Erdbeben, Hurrikanen, Überschwemmungen und ähnlichen Ereignissen abzuschätzen. Den bereitgestellten Quellen zufolge teilen diese physikbasierten Systeme die Welt in Rasterzellen auf und lösen Gleichungen mit Faktoren wie Schwerkraft, Reibung und Fluss. Je detaillierter das Modell, desto größer die Rechenlast. Das erzwingt Zielkonflikte zwischen räumlicher Auflösung, Realismus und geografischer Abdeckung.

Generative KI wird nun eingesetzt, um diese Grenzen zu verschieben. Der Artikel beschreibt, wie Modellierer Diffusionsmodelle anwenden, um deutlich mehr Wetterereignisse zu erzeugen, als bestehende Klimasimulationen allein liefern können. Das ist vor allem bei seltenen, aber hochwirksamen Katastrophen wichtig, manchmal auch Tail Risks genannt, bei denen reale Beispiele zu spärlich sind, um eine belastbare Preisgestaltung oder Portfoliobetrachtung zu ermöglichen.

In diesem Kontext sind synthetische Ereignisse nicht nur eine Bequemlichkeit. Sie sind ein Versuch, die “unknown unknowns” der künftigen Klima- und Katastrophenexponierung mit einer breiteren Verteilung möglicher Ergebnisse zu füllen. Wenn die synthetischen Szenarien glaubwürdig sind, können Versicherer Kapitalangemessenheit, Underwriting-Strategie und regionale Exponierung differenzierter testen, als es mit knappen historischen Daten möglich wäre.

Was Unternehmen mit den Modellen machen

Der Quelltext nennt mehrere Beispiele. Fathom, eine Tochter von Swiss Re, soll ein Diffusionsmodell mit rund 1.000 Jahren bestehender Klimasimulationen trainiert und es dann genutzt haben, um weit mehr Wetterszenarien für ein projiziertes Klima im Jahr 2030 zu erzeugen. Ein zweites Modell verfeinerte die anfänglichen Ergebnisse von einer groben Auflösung von 100 mal 100 Kilometern auf 10 mal 10 Kilometer, ein Niveau, das laut Quelle ausreicht, um Niederschlagsmuster zu erfassen.

Dieser Ablauf deutet auf eine hybride Architektur hin: Ein Modell erweitert den Szenarienraum, während ein anderes die nutzbaren lokalen Details verbessert. In der Versicherungspraxis könnte das helfen, die Lücke zwischen großskaligen Klimaprojektionen und der Risikoabschätzung auf Objekt- oder regionaler Ebene zu schließen, wo Underwriting-Entscheidungen getroffen werden.

Der Artikel sagt außerdem, dass Verisk generative KI einsetzt, um extreme Winde und Regen gemeinsam statt nacheinander zu modellieren. Das ist wichtig, weil korrelierte Gefahren Verluste auf eine Weise verstärken können, die einfachere Modellierungspipelines möglicherweise übersehen. Moody’s RMS wiederum wird als Unternehmen beschrieben, das KI nutzt, um nach Waldbränden und Hurrikanen Satellitenbilder auszuwerten und versicherte Schäden zu schätzen. Zusammen zeigen diese Beispiele, dass KI nicht auf eine einzige Phase der Katastrophenanalytik beschränkt ist. Sie taucht in der Szenariogenerierung, der Modellierung von Gefahreninteraktionen und der Schadensermittlung nach Ereignissen auf.

Das Halluzinationsproblem ist hier anders

Bei KI-Produkten für Verbraucher werden Halluzinationen oft als Ärgernis oder Faktenfehler dargestellt. In der Katastrophenmodellierung können sie gefährlicher sein, weil eine fehlerhafte Ausgabe dennoch statistisch oder visuell überzeugend wirken kann. Ein synthetisches Hochwassermuster, eine Sturmbahn oder ein Niederschlagsfeld kann für Nichtfachleute plausibel erscheinen und gleichzeitig grundlegende physikalische Einschränkungen verletzen.

Der bereitgestellte Text enthält eine Warnung von Fathoms wissenschaftlichem Direktor Oliver Wing, der sagt, diese Systeme könnten “absolute slop” halluzinieren. Die Formulierung ist drastisch, trifft aber den Kern des Problems: Realismus im Erscheinungsbild ist nicht dasselbe wie Treue gegenüber Hydrologie, Meteorologie oder Klimadynamik.

Das bedeutet, dass die Validierungsstandards ungewöhnlich streng sein müssen. Wenn ein Modell eine große Menge intern inkonsistenter synthetischer Ereignisse erzeugt, könnte der scheinbare Datenreichtum falsches Vertrauen schaffen. Nutzer könnten glauben, ein reichhaltigeres Risikobild zu sehen, während sie in Wirklichkeit Artefakte des Modells betrachten.

Mögliche Vorteile und ein strukturelles Anreizproblem

Trotz der Warnungen könnte die Technologie weiterhin wichtig sein. Bessere Katastrophenmodelle könnten es Versicherern ermöglichen, Risiken in Regionen zu bepreisen, die historisch unterversorgt waren, weil verwertbare Daten zu knapp oder zu teuer zu erheben und zu berechnen waren. Theoretisch könnte das den Zugang zu Deckung in verwundbaren Regionen verbessern und granularere Bewertungen der sich verändernden Klimaexponierung ermöglichen.

Der Quelltext weist jedoch über die technische Genauigkeit hinaus auf eine weitere Sorge hin: Anreize. Wenn Modellausgaben die Profitabilität des Underwritings beeinflussen, könnten Unternehmen Systeme bevorzugen, die niedrigere prognostizierte Verluste liefern oder Risiken beherrschbarer erscheinen lassen, als sie sind. Das bedeutet nicht, dass Unternehmen KI absichtlich missbrauchen, aber es verdeutlicht einen strukturellen Druck, der in der Risikomodellierung bereits vorhanden ist und durch undurchsichtige generative Systeme verstärkt werden könnte.

Mit anderen Worten: Die Frage ist nicht nur, ob die Modelle Katastrophen gut simulieren können. Es geht auch darum, ob Organisationen eine Governance einführen, die stark genug ist, um kommerziell attraktive, aber unzureichend verlässliche Modelle davon abzuhalten, Preis- und Deckungsentscheidungen zu prägen.

Was als Nächstes kommt

Die Branche scheint in eine experimentelle Phase einzutreten, in der generative KI etablierte Katastrophenmodellierungsansätze ergänzt, statt sie zu ersetzen. Kurzfristig ist das wahrscheinlich der einzige praktikable Weg. Physikbasierte Modelle liefern weiterhin das konzeptionelle Fundament dafür, wie sich Katastrophen entfalten, während generative Systeme Größe, Geschwindigkeit und die Fähigkeit bieten, mehr hypothetische Zukünfte zu erkunden.

Die Schlüsselfrage ist, ob sich diese Kombination verlässlich machen lässt. Wenn Forschende und Unternehmen Halluzinationen eindämmen, physikalisch fundierte Validierung durchsetzen und Anreizverzerrungen steuern können, könnte generative KI die Katastrophenanalyse sinnvoll erweitern. Andernfalls riskiert der Sektor, alte Unsicherheit in überzeugender wirkende Ausgaben zu verpacken.

Für Versicherer, die mit einer Welt wachsender Klimavolatilität umgehen müssen, ist dieser Unterschied entscheidend. Katastrophenmodellierung war immer darauf ausgerichtet, das Unwahrscheinliche zu schätzen, bevor es zur teuren Realität wird. Generative KI mag diesen Prognoseblick erweitern, aber nur, wenn die Branche Plausibilität als Ausgangspunkt und nicht als Beweis behandelt.

Dieser Artikel basiert auf einem Bericht von The Decoder. Zum Originalartikel.