
Algorithmic-Bias: Wenn KI über Versicherungsrisiken urteilt
In vielen Bereichen der Versicherungswirtschaft wird künstliche Intelligenz bereits tagtäglich eingesetzt. Von der Risikobewertung, über Underwriting bis zum Schadenmanagement und Bestandsdatenverwaltung greifen Sachbearbeiter bereits auf KI zurück. Denn künstliche Intelligenz kann große Datenmengen in kurzer Zeit verarbeiten und Fehler reduzieren. Doch aus einer statistisch plausiblen Korrelation wird nicht automatisch eine faire Entscheidung.
Kennt der Algorithmus „Objektivität“?
Hier beginnt die Diskussion über „Algorithmic Bias“. Auch wenn nicht beabsichtigt, können Verzerrungen in Daten, Modellen oder Entscheidungsprozessen dazu führen, dass einzelne Kundengruppen benachteiligt werden. Ein KI-System lernt aus historischen Daten, nutzt Algorithmen und kann daher keine objektiven Bewertungen treffen. (Vgl. EIOPA, 2025, S. 3; NIST, 2023, S. 17 f.)
Als Beispiel: Ein KI-System unterstützt die Tarifkalkulation in der Lebens- oder Krankenversicherung und gewichtet Wohnortdaten stark. Spiegeln diese Daten historische Unterschiede in Versorgung, Einkommen oder Zugang zu Beratung wider, kann das System bei vergleichbaren Risikoprofilen zu unterschiedlichen Ergebnissen kommen. Die Korrelation mag mathematisch nachweisbar sein, aber ob sie für die konkrete Entscheidung geeignet, erforderlich und fair ist, muss dennoch fachlich geprüft werden.
Fairness braucht Leitplanken
Wie kann man einen verantwortungsvollen Umgang in der KI-Nutzung fördern? Ein Ansatz ist die Verbindung von Datenqualität, fachliche Kontrolle und kontinuierliches Monitoring (Vgl. EIOPA, 2025, S. 6–11):
- Datenbasis prüfen: Sind die Daten vollständig, geeignet und für den Zweck repräsentativ?
- Entscheidungsgrenzen definieren: Welche Empfehlung darf die KI geben und wo ist die Grenze erreicht?
- Ergebnisse überwachen: Treten auffällige Fehlerraten, wiederholte Probleme oder Gruppenunterschiede auf?
- Nachvollziehbarkeit sichern: Sind Rollen, Entscheidungen und Korrekturmöglichkeiten dokumentiert und verständlich?
Faktencheck
Algorithmic Bias lässt sich nicht einfach durch einen Prompt beseitigen. Vertrauen entsteht, wenn Unternehmen Daten, Modelle und Entscheidungen gemeinsam verantworten sowie Nachvollziehbarkeit und Transparenz gewährleistet ist. Außerdem müssen belastbare Prozesse, fachliche Expertise und Menschen, die Ergebnisse prüfen, hinterfragen und bei Bedarf (vgl. Human Oversight) korrigieren, gegeben sein (Vgl. Jonker/Rogers, 2024).
Quellen:
National Institute of Standards and Technology (NIST) (2023). Artificial Intelligence Risk Management Framework. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf (23.10.2026)
Jonker, Alexandra/Rogers, Julie (2024). Was ist algorithmische Verzerrung. https://www.ibm.com/de-de/think/topics/algorithmic-bias (23.10.2026)
European Insurance and Occupational Pensions Authority (EIOPA) (2025). Opinion on Artificial Intelligence Governance and Risk Management. https://www.eiopa.europa.eu/document/download/88342342-a17f-4f88-842f-bf62c93012d6_en?filename=Opinion+on+Artificial+Intelligence+governance+and+risk+management.pdf (23.10.2026)