Generative KI erweitert Klima‑Simulationen — mehr Details, aber auch Fehlrisiken und Interessenkonflikte.
In Kürze
- KI erzeugt zehntausende synthetische Wetterjahre
- Auflösung bis ~10×10 km zeigt regionale Niederschlagsmuster
- Halluzinationen und Verkaufsanreize können Schadenschätzungen verzerren
Generative KI verändert die Risikokalkulation von Klima- und Katastrophenschäden — mit neuen Möglichkeiten, aber auch deutlichen Fallstricken.
Seit den 1980er-Jahren arbeiten Versicherer mit sogenannten Cat Models: physikbasierte Rechenmodelle, die die Erde in Gitterzellen aufteilen und Gleichungen zu Schwerkraft, Reibung und Strömung lösen. Je feiner die räumliche Auflösung, desto genauer die Ergebnisse — aber auch deutlich teurer in Rechenleistung. Das Ergebnis war lange ein Kompromiss zwischen Detailtiefe und Umfang der Analysen.
Neuere Ansätze setzen auf generative KI, konkret Diffusionsmodelle. Fathom, inzwischen Teil von Swiss Re, hat sein System mit rund 1.000 Jahren bestehender Klimasimulationen trainiert und daraus zehntausende Jahre synthetischer Wetterereignisse für ein erwartetes Klima im Jahr 2030 erzeugt. Ein zweites Modell erhöht die Auflösung grober Daten von etwa 100 × 100 km auf rund 10 × 10 km — ausreichend, um feinere Niederschlagsmuster abzubilden. „KI hat völlig neu definiert, was möglich ist“, sagt Oliver Wing, wissenschaftlicher Leiter bei Fathom.
Auch andere Anbieter nutzen KI, um traditionelle Grenzen zu überwinden: Verisk modelliert Wind und Starkregen gleichzeitig statt in getrennten Schritten, was räumliche Zusammenhänge besser erfasst, so Verisk-Forschungschef Jay Guin. Moody’s RMS setzt KI ein, um Satellitenbilder nach Waldbränden oder Hurrikanen auszuwerten und daraus versicherte Schäden abzuschätzen. Solche Verfahren sind besonders nützlich bei sehr seltenen Extremereignissen (sogenannten Tail-Risks), für die historische Daten kaum Auskunft geben.
Gleichzeitig bringen generative Modelle ein bekanntes Problem mit: Halluzinationen. Modelle erzeugen plausible, aber nicht unbedingt physikalisch mögliche Szenarien. Wing warnt deutlich: „Mit diesen Techniken kann man absoluten Müll halluzinieren.“ Die praktische Relevanz wird klar, wenn man die Zahlen betrachtet: Swiss Re schätzt die Schäden durch Naturkatastrophen 2025 auf 220 Milliarden US-Dollar, davon waren nur 107 Milliarden versichert.
Für Versicherer und Kunden haben diese Entwicklungen konkrete Folgen. Genauere Simulationen könnten Regionen versicherbar machen, die bisher oft ausgelassen wurden — etwa Teile von Bangladesch oder bestimmte Regionen in Brasilien. Ob das zu niedrigeren oder höheren Prämien führt, bleibt offen: Präzisere Modelle könnten höhere potenzielle Schäden aufdecken und damit größere Kapitalpolster erfordern. Zugleich besteht ein wirtschaftlicher Anreiz, Modelle zu bevorzugen, die „mehr Geschäft erlauben“ — also tendenziell niedrigere Schadenschätzungen. Das kann zu Zielkonflikten zwischen wissenschaftlicher Genauigkeit und Verkaufsinteressen führen.
Die Kombination aus neuen Daten, Rechenmethoden und ökonomischen Anreizen stellt Versicherer vor technische, methodische und regulatorische Fragen — mit unmittelbaren Konsequenzen für Risikobewertung, Prämiengestaltung und die geografische Verfügbarkeit von Versicherungsschutz.
Quellen
- Quelle: Fathom / Swiss Re
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
