Was passiert ist
Seit dem 25. Juni 2026 berichten Fachmedien über einen neuen Trend in der Versicherungsbranche: Generative KI, speziell Diffusionsmodelle, soll dort eingesetzt werden, wo die historischen Daten dünn sind. Für die Katastrophenmodellierung. Das sind jene Modelle, die Häufigkeit und Schadenshöhe von Naturkatastrophen, Cyberangriffen oder Pandemien abschätzen. Der limitierende Faktor war immer die Datenbasis. Ein Jahrhunderthochwasser gab es per Definition nur einmal in 100 Jahren. Also nur einen Datenpunkt.
Diffusionsmodelle, die Sie aus der Bildgenerierung kennen, erzeugen nun zehntausende synthetische Wetterereignisse. Plausible, noch nie dagewesene Pfade von Hurrikans, Sturzfluten oder Hagelschäden. Die Versicherer hoffen auf präzisere Risikobewertungen. Dahinter steckt wenig überraschend auch Verkaufslogik der KI-Anbieter. Gleichzeitig warnen Forscher, unter anderem in diesem Artikel auf The Decoder, vor einem alten Bekannten aus der KI-Welt: Halluzinationen. Synthetische Katastrophen, die physikalisch unmöglich sind, aber im Modell perfekt aussehen.
Warum es jetzt für die Finanzbranche zählt
Das betrifft nicht nur den engen Kreis der Versicherungstechniker. Es betrifft die gesamte Risikokette: Asset-Manager, die Cat-Bonds oder ILS (Insurance-Linked Securities) im Portfolio haben. Pensionskassen, die Immobilien halten und deren Standortrisiken modellieren. Kreditrisiko-Abteilungen von Banken, die das Klumpenrisiko im Hypothekenbuch in Überschwemmungsgebieten verstehen müssen. Und es betrifft die Regulatorik. Die BaFin und die FMA haben ein wachsames Auge auf die Modellrisiken in internen Risikomodellen unter Solvency II oder CRR III.
Aus meiner Sicht ist der Fall ein Paradebeispiel für das Grunddilemma von KI im Finanz- und Risikobereich. Die Technologie verspricht Genauigkeit dort, wo wir bewusst wissen, dass wir nichts wissen. Das ist ein gefährliches Versprechen. Generierte Daten suggerieren eine statistische Sicherheit, die nicht existiert. Das erinnert an die Quant-Trading-Modelle vor der Finanzkrise 2008: Kopula-Funktionen, die extrem seltene, korrelierte Ausfälle schönrechneten. Heute haben wir das KI-Äquivalent dazu.
Das Problem ist die Metrik. Ein Diffusionsmodell wird auf Konvergenz und visuelle Plausibilität trainiert. Es lernt, dass eine Wetterkarte mit einem Hurrikan über Miami so aussehen muss wie die historischen Karten. Aber die zugrundeliegenden atmosphärischen Gleichungen, die Energieflüsse, die Ozeantemperaturen? Die lernt es nicht zwingend. Es lernt, was wie eine perfekte Katastrophe aussieht. Nicht, was eine physikalisch mögliche Katastrophe ist. Für einen Cat-Bond-Investor ist das der Unterschied zwischen einer risikoadjustierten Prämie und einem Totalverlust.
Ein häufiges Muster in meiner Beratungspraxis: Finanzinstitute adaptieren KI-Tools, die im Tech-Sektor entwickelt wurden, ohne die Domänenvalidierung zu hinterfragen. Der Sales-Prozess läuft oft so: Ein KI-Unternehmen sucht nach dem nächsten großen Markt. Es findet die Versicherer mit ihrem Datenhunger. Es präsentiert die Lösung als "KI-gestützte Präzisionsmodellierung". Die Fachabteilung ist beeindruckt von den Bildern. Der Einkauf vom Preis. Die Haftung liegt dann beim Risikocontroller, der die Black Box durchschauen muss.
Mein Rat: Die Frage ist nicht, ob generative KI in der Risikomodellierung einen Platz hat. Sie hat ihn. Die Frage ist, ob der Nutzer die Grenzen genauso scharf sieht wie die Möglichkeiten. Und das sehe ich bei den meisten Marketingpräsentationen nicht.
Konkrete Handlungsempfehlung für KMU in der Finanzbranche
Erstens: Kein Modell ohne physikalische Untergrenze akzeptieren. Verlangen Sie von Ihrem Anbieter oder internen Modellentwicklungsteam einen Adversarial-Validierungsbericht. Das bedeutet: Ein zweites physikalisches Modell (auch ein vereinfachtes numerisches Wettermodell) muss die synthetischen Ereignisse auf Plausibilität prüfen. Ein Hurrikan der Kategorie 5 über Oklahoma bei fehlendem Meerwasserkontakt? Das darf kein gültiger Datenpunkt sein. Lassen Sie sich solche "Fantasy-Events" aus dem Trainingsset extrahieren und zählen.
Zweitens, speziell für Asset-Manager und Pensionskassen: Betreiben Sie einen "Stresstest des Modells". Vergleichen Sie die neuen KI-generierten Tail-Risk-Schätzungen mit Ihren alten, auf historischen Daten basierenden Modellen. Wenn die KI plötzlich ein 200-Jahres-Ereignis als 500-jährlich deklariert, weil sie zehntausend mildere Varianten dazwischengeneriert hat, wird die Prämie falsch. Oder die Kapitalunterlegung zu gering. Plausibilisieren Sie die Output-Verteilung mit Ihrem eigenen Fachexpertenteam, nicht mit dem Sales-Deck des Anbieters.
Drittens: Regulatorische Vorbereitung. Wer ein internes Modell für Solvency II, für die risikogerechte Bepreisung von Krediten oder für das Asset-Liability-Management verwendet, muss die Modellgüte gegenüber der Aufsicht belegen können. Generative Modelle sind schwerer zu erklären als eine klassische Monte-Carlo-Simulation auf Basis historischer Verteilungen. Bauen Sie jetzt die Dokumentation zur Erklärbarkeit, zur Validierung und zu den Limits auf. Nicht erst, wenn die BaFin oder FMA im Rahmen einer Sonderprüfung danach fragt.
Konkretes Beispiel für eine kleinere Vermögensverwaltung, die ILS beimischt: Simulieren Sie einen Blindtest. Lassen Sie zwei Teams gegeneinander antreten. Team A modelliert das Katastrophenrisiko mit dem neuen generativen Ansatz. Team B macht es händisch mit historischen Extremwertszenarien und Expertenschätzungen. Wo liegen die Unterschiede in der Value-at-Risk-Schätzung? Welches Team überschätzt, welches unterschätzt das Risiko? Eine Woche Arbeit. Ergebnis: Sie wissen, wie sensitiv Ihre Position auf die Modellwahl reagiert.
Die Konvergenz von generativer KI und Risikomodellierung ist kein Hype. Sie ist ein Werkzeug. Aber sie behandelt Nichtwissen mit statistischem Selbstbewusstsein. Das ist eine Kombination, die in der Finanzbranche schon einmal für gehörigen Ärger gesorgt hat.