Digitalisierung & Technologie, 4. August 2026
Quanten, synthetische Daten & Co.
Welche Zukunftstechnologien die Versicherungsbranche schon heute testet
Was haben eine Wetterprognose für das Jahr 2035, eine Betrugserkennung in Echtzeit und eine neue Krebstherapie gemeinsam? Auf den ersten Blick nichts. Auf den zweiten: Alle drei könnten eines Tages von Technologien profitieren, die heute noch im Forschungsstadium stecken – doch schon bald zum Alltag in der Versicherungsbranche zählen könnten.
Quantencomputer, künstlich erzeugte Daten und KI-Systeme, die die physische Welt verstehen, statt nur Muster in riesigen Datensätzen zu identifizieren: Noch stehen diese drei Technologien am Anfang. Und dennoch sind sie bereits heute hochrelevant, denn technologische Entwicklungen bekommen durch KI eine ganz neue Dynamik. Das bedeutet: Die Weichen für die Zukunft werden jetzt gestellt. In Pilotprojekten, Forschungspartnerschaften und ersten vorsichtigen Testläufen, werden diese neuen Technologien schon heute getestet und weiterentwickelt.
Dieser Beitrag wirft einen Blick auf drei Technologien, die zwar bislang nicht produktionsreif sind, aber schon jetzt zeigen, wohin die Reise gehen könnte. Wir wollen zeigen, warum es sich lohnt, heute genau hinzuschauen, statt erst zu reagieren, wenn andere längst vorgelegt haben.
Quantum Computing: Nicht schneller, sondern anders rechnen
Bei der Weiterentwicklung unserer Computersysteme gab es in der Vergangenheit einige „Quantensprünge“. Auch wenn diese Bezeichnung aus Sicht des Marketings hilfreich war, und die jeweils neue Generation wirklich einen größeren Sprung gemacht hatte, steht uns der eigentliche und einzige Quantensprung noch bevor. Denn die kommenden Quantencomputer rechnen nicht einfach nur schneller, sie verwenden dafür ein komplett neues System.
Ein klassischer Computer arbeitet mit Bits, die entweder 0 oder 1 sind. Es gibt nur diese beiden Zustände. Ein Quantencomputer arbeitet dagegen mit Qubits, die sich nach den Gesetzmäßigkeiten der Quantenmechanik zusätzlich in einem Zustand der Überlagerung (Superposition) von 0 und 1 befinden können, also gleichzeitig 0 und 1 sein können. Gleichzeitig können Qubits miteinander verbunden sein (Verschränkung), sodass der Zustand des einen sofort den des anderen bestimmt.
Die Theorie ist zugegebenermaßen eher kurios. Verständlicher wird es, wenn wir uns ansehen, was die Arbeit mit Qubits für die Praxis bedeutet. Das Zusammenwirken von Superposition und Verschränkung erlaubt es Quantencomputern viele Lösungswege gleichzeitig zu prüfen, statt sie wie klassische 0/1-Computer nacheinander zu bearbeiten. Das Ergebnis: Die Rechenkraft steigt damit exponentiell.
Warum ist Quantum Computing relevant für Versicherungen?
Der wichtigste Aspekt: Ein Großteil des Geschäfts von Versicherungen besteht darin, Wahrscheinlichkeiten zu berechnen und die Kosten zu beziffern, wenn es tatsächlich eintritt. Dafür werden umfangreiche Simulationen mit zahlreichen möglichen Zukünften durchgeführt. Die Genauigkeit der Schätzung ist davon abhängig, wie viele Simulationen durchgespielt werden. Das Problem in der Praxis: Soll die Genauigkeit verdoppelt werden, wird dafür die vierfache Rechenkraft benötigt.
Für weniger komplexe Szenarien ist das oft ausreichend, aber nicht für Extremereignisse wie Naturkatastrophen, Pandemien oder Cyberausfälle. Sie sind in solchen Berechnungen bisher stark unterrepräsentiert, weil sie eben selten vorkommen. Relevant sind sie für Versicherungen aber dennoch, denn sie verursachen die größten Kosten.
Mit neuen Rechenverfahren auf der Basis von Quantencomputern könnten sich die Grenzen deutlich verschieben. Die Berechnung von Wahrscheinlichkeiten wird somit auch für Extremereignisse rentabel.
Ein weiterer Anwendungsbereich ist die Risikosteuerung: Wie stellt man aus einer Vielzahl möglicher Policen ein Portfolio zusammen, das die Bedürfnisse der Kundschaft erfüllt, ohne die Risikotoleranz zu sprengen? Auch hier spielt die Anzahl der Variablen eine Rolle, die für Quantencomputer aber keine große Hürde darstellt.
Für Versicherer geht es beim Quantencomputing weniger um Geschwindigkeit als vielmehr darum, Risikomuster aufzudecken, die in den heutigen, äußerst komplexen Versicherungsszenarien verborgen sind.
Synthetic Data: Daten für Dinge, die (noch) nicht passiert sind
Gängige KI-Modelle haben für Versicherungen einen natürlichen Knackpunkt: Sie werden mit Daten aus der Vergangenheit trainiert und erzeugen Antworten auf der Basis von Wahrscheinlichkeiten. Um Vorhersagen über seltene Ereignisse in der Zukunft zu treffen, ist das eine denkbar ungünstige Datenbasis.
Synthetische Daten setzen hier an und ergänzen die Datenbasis mit künstlichen, aber statistisch plausiblen Daten. Im Grunde könnte man sagen, dass die gesamte Datenbasis für das Training spezieller KI-Modelle so stark erweitert wird, dass auch seltene Fälle ausreichend repräsentiert sind.
Vergleichbar ist dieses Vorgehen mit dem Training eines Piloten in einem Flugsimulator. Extremsituationen wie ein Triebwerksausfall werden in zahlreichen Variationen so lange simuliert, bis der Pilot jederzeit optimal reagiert. Dabei werden nur wenige Piloten später dieser Situation bei einem echten Flug ausgesetzt sein.
Warum ist Synthetic Data relevant für Versicherungen?
Die Seltenheit bestimmter Ereignisse wie große Naturkatastrophen, neuartige Cyberangriffe oder Betrugsformen, die es bisher nicht gab, stellt Versicherungen vor große Herausforderungen. Selbst mit KI-Unterstützung lassen sie sich nicht lösen, da die Daten aus der Vergangenheit nicht genügend Fälle beinhalten, aus denen sich valide Muster ableiten ließen.
Mit künstlich erzeugten Daten lässt sich dagegen der „Rand der Verteilung“ mit realistischen Daten auffüllen, sodass Versicherer nicht erst auf reale Ereignisse warten müssen.
Zwei weitere Aspekte sind eher praktikabler Natur: Datenschutz und Skalierbarkeit. Synthetische Daten sind im Gegensatz zu realen Kundendaten auch für das Training von KI-Modellen nicht sensibel. Zudem müssen sie nicht aufwendig gesammelt werden, sondern lassen sich relativ einfach erzeugen.
Wichtig: Synthetische Daten sind immer nur eine Ergänzung und kein Ersatz für reale Daten!
Die größte Veränderung, die uns bevorsteht, ist Prävention in großem Maßstab. Mithilfe verbesserter simulierter Prognosen können Versicherer vorbeugend tätig werden, um die Schadenhäufigkeit zu senken und die Kombinationsquoten zu verbessern.
World Models: KI lernt die Physik der Welt
So grenzenlos uns das Wissen der Large Language Models auch manchmal erscheinen mag, in einem Punkt können sie selbst mit einem Kleinkind nicht mithalten: Sie wissen nicht, wie sich Objekte in der realen Welt verhalten. Während Kleinkinder recht schnell lernen, was Schwerkraft bedeutet, kennen die KI-Tools nur die Theorie dahinter. Daher können selbst mit der neuesten KI gesteuerte humanoide Roboter nur sehr schwer die flüssigen Bewegungen von Menschen imitieren.
World Models sollen diese Lücke nun schließen. Statt ein KI-Modell nur mit Texten zu trainieren, werden hier riesige Mengen an Video und Bewegungsdaten für das Training eingesetzt. So sollen die World Models die physische Welt mit Schwerkraft, Trägheit, Ursache und Wirkung sowie die räumlichen Beziehungen zwischen Objekten erlernen.
Bildlich gesprochen ist ein KI-Modell nur ein sehr schlaues künstliches Gehirn ohne Körper. Es hat viele Informationen über das Gleichgewicht in seiner Datenbasis und kann dessen Theorie meisterhaft erklären, doch es hat nie selbst Erfahrungen damit gemacht und könnte keinen Körper im Gleichgewicht halten.
Warum sind World Models relevant für Versicherungen?
Der praktische Nutzen von World Models für Versicherungen liegt in der vorausschauenden Natur. Solche Systeme können nicht nur beschreiben, was bereits geschehen ist, sie können auch abschätzen, was als Nächstes geschehen wird. Genau darauf kommt es bei vielen Zukunftstechnologien an:
- Autonome Fahrzeuge müssen erkennen, ob ein Fußgänger gleich die Fahrbahn betritt.
- Roboter müssen ihre Kraft richtig dosieren, wenn sie Gegenstände greifen wollen.
- Klimamodelle werden exakter, wenn die KI physikalische Daten in Kausalzusammenhänge einordnen kann.
Ein weiterer Vorteil ergibt sich direkt in Kombination mit den synthetischen Daten. Ein KI-Modell mit einem „physikalischen Verständnis“ ist in der Lage, künstliche Daten mit realistischen Szenarien der bewegten Welt zu erzeugen. Der eben beschriebene Fußgänger könnte dann in viele verschiedene Situationen extrapoliert werden: Was verändert sich bei nassen oder glatten Verhältnissen, welchen Einfluss könnte es haben, wenn der Fußgänger alt oder jung ist, wie machen sich Tages- und Jahreszeiten bemerkbar?
Fazit: Risiken werden besser vorhersehbar
Für alle drei Technologien gilt zwar, dass sie gerade erst richtig Fahrt aufnehmen, aber bereits jetzt ein großes Potenzial für die Versicherungsbranche erkennen lassen. Mit ihnen sind exaktere Klimamodelle und Wetterprognosen möglich, die Betrugserkennung geht über das Bekannte hinaus und auch für seltene Erkrankungen könnten KI-Modelle Muster erkennen, die in neue Therapieoptionen münden.
Und nicht zuletzt könnten sie die Versicherungsbranche tiefgründig transformieren und sie zu einem neuen Magneten für Tech-Talente werden lassen.
Text: Falk Hedemann
Ihre Meinung
Wenn Sie uns Ihre Meinung zu diesem Beitrag mitteilen möchten, senden Sie uns bitte eine E-Mail an: radar@ergo.de
Weitere Magazin-Beiträge