OBEN
Generative künstliche Intelligenz (KI) wird weithin als Basistechnologie (general-purpose technology, GPT) angesehen. Das Aufkommen einer Basistechnologie ist ein seltenes Ereignis, selbst in modernen Zeiten. Neben der Allgemeingültigkeit des Anwendungszwecks zeichnet sich eine Basistechnologie dadurch aus, dass eine Rückkopplungsschleife zwischen nachgelagerter Innovation und kontinuierlicher Verbesserung der Technologie entsteht.1 Die Einführung einer Basistechnologie erfolgt schrittweise, und ihre Produktivitätsbeiträge kommen erst nach einiger Zeit zum Tragen, während sie Innovationen in Produktionsprozessen, Organisationsdesign und Produktgestaltung komplementiert.
Die Vereinigten Staaten haben seit Beginn des 20. Jahrhunderts zwei Perioden hohen Produktivitätszuwachses erlebt, die auf das Aufkommen einer Basistechnologie zurückgeführt werden: Der starke Anstieg der Arbeitsproduktivität in den USA zwischen 1917 und 1932 wurde mit der Erfindung des Elektromotors (um 1890) in Verbindung gebracht. In ähnlicher Weise werden die erheblichen Produktivitätssteigerungen in den USA im Zeitraum 1995 bis 2015 auf die Einführung des Personalcomputers (PC) im Jahr 1981 zurückgeführt.2 Die generative KI wird schneller eingeführt als Elektrizität und PCs, und ihre produktivitätssteigernden Auswirkungen könnten mit einer deutlich kürzeren Zeitverzögerung spürbar werden.3
Das Aufkommen der generativen KI hat zu vielen Diskussionen geführt, von denen sich einige auf die technischen Eigenschaften von großen Sprachmodellen (Large Language Models, LLMs) beziehen, die sog. Deep-Learning-Maschine, die diese Technologie antreibt. Diese technischen Aspekte betreffen die probabilistische Natur der generierten Inhalte (die der Replizierbarkeit im Wege steht), die ungefähre Natur der generierten Inhalte,4 und die Möglichkeit von Halluzinationen (aus falschen Assoziationen generierte Inhalte). Auch rechtliche Aspekte (Verletzung des Urheberrechts) und ethische Erwägungen werden berücksichtigt (z. B. im Zusammenhang mit der Darstellung der Gesellschaft in dem Datenmaterial, auf dem das LLM trainiert wird, insbesondere im Hinblick auf sensible Merkmale wie ethnische Zugehörigkeit und Geschlecht).
Was sind die möglichen Auswirkungen der generativen KI für die Versicherungsbranche? Es gibt vier Aspekte in Bezug auf mögliche Folgen für den Verbraucher, den Arbeiter, den Versicherer und den Versicherungsmarkt.
Deep Learning generiert Informationen, indem es die Heterogenität der Verbraucher aufdeckt, die bisher in den Daten, die dem Versicherer zur Verfügung stehen, verborgen war. Diese Informationen bieten das Potenzial für eine differenziertere Strukturierung und Preisgestaltung von Versicherungsverträgen. Eine stärkere Differenzierung nach Verbraucherpräferenzen und Risikoprofilen kann Antiselektion verringern und hat somit das Potenzial, den Zugang zu Versicherungsschutz zu erweitern.5
Andererseits kann eine größere Heterogenität in der Strukturierung und Preisgestaltung von Versicherungen die Risikoteilung unter den Verbrauchern verringern.6 Es wurde vorgeschlagen, dass Risikofaktoren, die nichts mit Verbraucherverhalten zu tun haben, dem Solidaritätsprinzip unterworfen werden sollten.7 Letztlich ist es eine gesellschaftliche Entscheidung, welche Risikofaktoren bei der Preisgestaltung und Strukturierung differenziert werden dürfen und welche Risikofaktoren gepoolt werden sollen.
Die Deep-Learning-Revolution brach 2012 aus, als ein neuronales Netzwerk namens AlexNet den ImageNet-Wettbewerb gewann und seine Konkurrenten mit großem Vorsprung übertraf. Die ImageNet Large Scale Visual Recognition Challenge (ILSVRC), die jährlich von 2010 bis 2017 stattfand, war ein Wettbewerb, bei dem Forschungsteams aus aller Welt ihre Modelle bei der Klassifizierung einer großen Anzahl von Bildern gegeneinander antreten ließen. Vor dem Aufkommen des Deep Learning musste ein neuronales Netzwerk, um eine Klassifizierungsaufgabe zu erlernen, dem Algorithmus mitteilen, worauf er achten sollte – ein Prozess, der als Feature Engineering bekannt ist. Die Ausarbeitung von Merkmalen erforderte Expertenwissen über den entsprechenden Bereich. Wenn beispielsweise ein neuronales Netzwerk darauf trainiert werden soll, eine Katze in einem Bild zu erkennen (das als Darstellung einer Katze gekennzeichnet ist), musste der Algorithmus angewiesen werden, auf ein Paar dreieckiger Formen (die auf Katzenohren hinweisen), eine umgekehrte dreieckige Form darunter (die auf ein Katzengesicht hinweist) usw. zu achten. Deep Learning änderte dies durch die Integration von Feature Learning (Merkmalslernen) und Klassifizierung. Mit anderen Worten: Deep Learning setzt nicht nur Muster in Daten mit Ergebnissen in Beziehung, sondern es lernt auch das Vorhandensein von Mustern. Ein Deep-Learning-Algorithmus lernt z. B. selbstständig die definierenden Merkmale einer Katze aus markierten Katzenbildern. AlexNet war das einzige neuronale Netzwerk im ImageNet-Wettbewerb 2012, das auf NVIDIA-Chips und deren programmierbarer CUDA-Softwareebene lief. Spezialisierte Grafikprozessoren (Graphics Processing Units, GPUs) sind seither das bevorzugte Arbeitsmittel für generative KI geworden.8
Das Aufkommen einer Basistechnologie führt zu einer zunehmenden Automatisierung des Arbeitsplatzes, die zwei Auswirkungen auf die menschliche Arbeit hat. Erstens ersetzt Automatisierung menschliche Arbeit, die bisher auf Aufgaben beschränkt war, die vollständig formalisiert und kodifiziert werden können. Ein Beispiel dafür ist der Einsatz von PCs, die Aufgaben nach vorgegebenen Regeln ausführen – eine Einschränkung, die für die generative KI nicht gilt.9 Zweitens ergänzt Automatisierung menschliche Arbeit, indem sie menschliche Fähigkeiten erweitert, die Problemlösung, Anpassungsfähigkeit und Kreativität beinhalten.10 Bei der Entscheidungsfindung ergänzt der Einsatz von PCs menschliche Arbeit, indem Informationen zur Verfügung gestellt werden; es bleibt jedoch dem Menschen überlassen, Zusammenhänge zu finden, Schlüsse zu ziehen und Ermessen auszuüben.
Generative KI hat das Potenzial, menschliche Arbeit bei Aufgaben der Entscheidungsvorbereitung zu ersetzen und bei Aufgaben der Entscheidungsfindung zu ergänzen. LLMs können eingesetzt werden, um das für eine Entscheidung relevante Wissen aufzubereiten, sei es im Zusammenhang mit einem Versicherungsantrag, einem Schadensfall oder einem Versicherungsvertrag, um dann dem Entscheidungsträger eine Auseinandersetzung mit diesem Datenmaterial zu ermöglichen.11 Generative KI kann Assoziationen herstellen und Schlussfolgerungen ziehen, wodurch diese Systeme in die Lage versetzt werden, Entscheidungsentwürfe in Situationen zu liefern, die über die Daten, auf denen sie trainiert wurden, hinaus verallgemeinert werden können.12
In den letzten zwei Jahrhunderten hat Automatisierung menschliche Arbeit bei Routineaufgaben zunehmend ersetzt, und Menschen konnten einen immer größeren Teil ihrer Arbeitszeit für Entscheidungen einsetzen. Damit einher geht eine zunehmende Knappheit an hoch qualifizierten Arbeitskräften, deren Fähigkeiten durch akademische Bildung, Berufsausbildung und Industrieerfahrung erworben werden. Es wurde die These aufgestellt, dass generative KI diese Knappheit verringern kann, indem sie die Entscheidungsfindung auf weniger hoch qualifizierte Arbeitskräfte verlagert und Arbeitskräfte von Entscheidungsunterstützung auf Entscheidungsfindung umverteilt.13 Auf diese Weise hat die generative KI das Potenzial, den Mangel an hoch qualifizierten Arbeitskräften zu verringern.
Auf der Ebene des Versicherungsunternehmens setzt eine Basistechnologie einen Prozess der Entdeckung zur produktiven Nutzung in Gang. Die Fähigkeit der generativen KI, Aufgaben zu übernehmen, die bisher der menschlichen Intelligenz vorbehalten waren, bietet Möglichkeiten zur Substitution auf Aufgabenebene. Obwohl generative KI auf der Aufgabenebene Produktivitätsvorteile bringen kann, liegt der Wert einer Basistechnologie vor allem in der Substitution auf Systemebene. Eine Basistechnologie zeichnet sich dadurch aus, dass sie Innovationen ergänzt und gleichzeitig die finanzielle Rendite der Entwicklung neuer Produktionsprozesse, Organisationsstrukturen und Produkte erhöht. Dieser Prozess der begleitenden Innovation schafft eine Rückkopplungsschleife zwischen der nachgelagerten Anwendung der Basistechnologie und der Technologie selbst. Die Rückkopplungsschleife entfaltet sich über einen längeren Zeitraum, wie die Einführung der Elektrizität und in jüngerer Zeit des PCs zeigt.14
Das Aufkommen einer Basistechnologie kann die Heterogenität von Unternehmen erhöhen. Es ist nur begrenzt vorhersehbar, wie ein neue Basistechnologie angenommen wird, und Unternehmen können sich in ihren Wegen zur Entdeckung der Anwendungsmöglichkeiten unterscheiden. Auch die Kosten und der Nutzen von begleitenden Innovationen können aufgrund von Unterschieden in der Organisationsstruktur von Unternehmen innerhalb einer Branche variieren.15 Eine empirische Studie über die Einführung von Human-Capital-Management (HCM)‑Software in Unternehmen zeigt die Rolle von Komplementaritäten und die Bedeutung von begleitenden Innovationen.16 Die Studie analysiert Daten auf Unternehmensebene über die Implementierung von HCM, Anreizsystemen und Praktiken im Zusammenhang mit Human-Resources (HR)‑Analysen und belegt, dass Unternehmen tendenziell eine höhere HCM‑Software-Einführungsrate aufweisen, wenn sie auch leistungsbezogene Vergütungs- und HR‑Analysepraktiken eingeführt haben. Die Studie zeigt, dass die Einführung von HCM mit deutlichen Produktivitätssteigerungen verbunden ist, wenn es als Teil eines umfassenden Systems organisatorischer Anreize eingesetzt wird, aber weniger, wenn es alleinstehend verwendet wird.
Auf dem Versicherungsmarkt herrscht ein Gleichgewicht zwischen der Nachfrage der Verbraucher nach Versicherungsschutz und dem Angebot. Die daraus resultierenden Preise und Mengen bestimmen in hohem Maße den gesellschaftlichen Wert, den die Versicherungsbranche schafft. Automatisierte, algorithmische Entscheidungsfindung der Versicherer können das Wettbewerbsverhalten und das daraus resultierende Marktergebnis negativ beeinflussen. Dies kann der Fall sein, wenn Preisfindungsalgorithmen stillschweigend Absprachen zwischen Wettbewerbern treffen, indem sie das Preisfindungsverhalten der anderen in die eigene Preisfindung einbeziehen. Der Diskurs über die Auswirkungen der algorithmischen Preisgestaltung auf das Marktergebnis geht über bestimmte Branchen hinaus und spiegelt sich in in mehreren von Regierungsbehörden herausgegebenen Diskussionspapieren wider.17
Ein Team von Wirtschaftswissenschaftlern hat eine empirische Studie über die Auswirkungen der algorithmischen Preisbildung auf das Marktergebnis durchgeführt. Untersuchungsgegenstand ist der deutsche Einzelhandelsmarkt für Motorenkraftstoff, auf dem seit 2017 Software für automatisierte Preisbildung weit verbreitet ist.18 Der Einzelhandelsmarkt für Kraftstoff ist ein lokaler Markt. Auf der Suche nach einer Alternative zur nächstgelegenen Tankstelle müssen die Verbraucher Entfernungen überwinden und dabei Reisekosten in Kauf nehmen. Diese Reisekosten verleihen den Tankstellen eine gewisse Marktmacht in geografischen Gebieten, die von einer einzigen Tankstelle (Monopol) oder zwei Tankstellen in der Nähe, aber weit entfernt von allen anderen Tankstellen (Duopol) bedient werden. Die Studie zeigt, dass die algorithmische Preisgestaltung die Gewinnspannen in duopolistischen und (zuvor) wettbewerbsorientierten Märkten erhöht; in diesen Märkten reagieren die Algorithmen auf die Preisentscheidungen anderer Tankstellen. Auf monopolistischen Märkten, auf denen eine solche Interaktion nicht stattfindet, wurde kein Anstieg der Marge beobachtet. Obwohl diese empirischen Ergebnisse nicht über den deutschen Einzelhandelsmarkt für Motorenkraftstoff hinaus verallgemeinert werden können, zeigt die Studie, dass die algorithmische Preisgestaltung das Potenzial hat, das Marktergebnis in negativer Weise zu verändern.
Wie der MIT‑Wirtschaftswissenschaftler David Autor feststellte, waren die gesellschaftlichen Anpassungen an frühere Wellen des technologischen Fortschritts weder schnell noch automatisch noch billig, aber sie haben sich ausgezahlt.19
Die historische Erfahrung zeigt, dass die erfolgreiche Einführung generativer KI ein zielgerichtetes Vorhaben ist, das eine Investition erfordert und Zeit braucht. Darüber hinaus deuten Analysen älterer Basistechnologien darauf hin, dass der Großteil der Produktivitätssteigerungen durch generative KI eher auf neu gestaltete Arbeitsabläufe als auf Verbesserungen auf Aufgabenebene zurückzuführen sein wird.
