Ihre Überschwemmungsversicherung wird nach einer Karte von 1987 bepreist. Das sollte sie ersetzen.

Letztes Jahr saß ich einem erfahrenen Underwriter bei einem mittelgroßen Sach- und Haftpflichtversicherer im Südosten der USA gegenüber. An der Wand hinter ihm hing eine Karte — buchstäblich mit Reißnägeln befestigt —, die FEMA-Überschwemmungszonen für einen Küstenbezirk zeigte, in dem sein Team stark zeichnete. Ich fragte, wann die Karte zuletzt aktualisiert worden war.

Er lachte. "Diese Karte ist älter als die meisten meiner Analysten."

Er übertrieb nicht. Die Karte stammte von 1992. Und er nutzte sie — zusammen mit ein paar groben Postleitzahl-Durchschnittswerten —, um das Überschwemmungsrisiko für Tausende von Häusern in einer Region zu bepreisen, in der drei schwere Hurrikane die Küstenlinie umgeformt hatten, in der neue Wohnsiedlungen Feuchtgebiete überbaut hatten und in der die Entwässerungsinfrastruktur für eine Regenintensität ausgelegt war, die längst nicht mehr der Realität entspricht.

Dieses Gespräch ließ mich nicht mehr los. Nicht, weil der Underwriter inkompetent gewesen wäre — er war scharfsinnig, erfahren und sich des Problems zutiefst bewusst. Sondern weil die ihm zur Verfügung stehenden Werkzeuge aus einer anderen Klimaära stammten, und die Branche keinen klaren Weg hatte, sie zu ersetzen.

Das brachte mein Team bei Veriprajna dazu, monatelang zu erforschen, was wir heute "Deep AI" für das Überschwemmungs-Underwriting nennen — eine Konvergenz aus Computer Vision, Satellitenradar und physikinformiertem maschinellem Lernen, die das Überschwemmungsrisiko auf der Ebene eines einzelnen Gebäudes bewerten kann, nicht einer Postleitzahl. Ich habe hier einen interaktiven Überblick über die vollständige Forschung geschrieben, und je tiefer ich einstieg, desto überzeugter wurde ich, dass dies kein nettes Zusatz-Upgrade ist. Es ist eine Solvenzfrage.

Die Karte, die einen belügt

Das ist das Problem mit FEMA-Überschwemmungskarten, das die meisten Menschen — einschließlich vieler Versicherungsfachleute — nicht vollständig begreifen: Sie waren nie als Underwriting-Werkzeuge konzipiert.

Das Konzept der "100-Jahre-Flut", das das gesamte National Flood Insurance Program verankert, steht für eine jährliche Überschwemmungswahrscheinlichkeit von 1 %. Klingt selten. Doch rechnet man diese Wahrscheinlichkeit über eine 30-jährige Hypothek hoch, ergibt sich eine 26%-Wahrscheinlichkeit, während der Laufzeit des Kredits eine "100-Jahre-Flut" zu erleben. Das ist kein Extremrisiko. Das ist ein Münzwurf mit leicht besseren Chancen.

Die Karten selbst sind schlimmer als das Konzept. Rund 75 % der FEMA-Überschwemmungskarten sind mehr als fünf Jahre alt. Einige stammen aus den 1970er- und 1980er-Jahren. Sie berücksichtigen keine Neubauten, die die Entwässerungsmuster verändert haben. Sie berücksichtigen nicht den Klimawandel, der Niederschläge verstärkt. Und sie erzeugen etwas, das ich inzwischen den "Kanteneffekt" nenne — eine binäre Linie, an der ein Haus einen Fuß innerhalb der Special Flood Hazard Area Tausende für eine Pflichtversicherung zahlt, während ein Haus einen Fuß außerhalb als minimales Risiko eingestuft wird.

Wasser schert sich nicht um Linien auf einer Karte.

Fast 68 % der gemeldeten Überschwemmungsschäden treten außerhalb der von der FEMA ausgewiesenen Hochrisiko-Überschwemmungszonen auf. Die Karten sind nicht nur veraltet — sie sind systematisch irreführend.

Das Ergebnis ist ein Markt, der auf schlechten Informationen aufgebaut ist. Weniger als 4 % der amerikanischen Hauseigentümer haben eine Überschwemmungsversicherung. Nicht, weil sie leichtsinnig sind, sondern weil die Karten ihnen sagten, sie seien sicher.

Warum treten 68 % der Überschwemmungsschäden außerhalb von "Überschwemmungszonen" auf?

Das war die Statistik, die mich schlagartig innehalten ließ, als ich ihr in der Forschung zum ersten Mal begegnete. Hätte man mich vor dem Blick auf die Daten raten lassen, hätte ich vielleicht 20 % gesagt, vielleicht 30 %. Aber 68 %? Das bedeutet, dass die Mehrheit der Überschwemmungsschäden für das System, das sie eigentlich vorhersagen soll, unsichtbar ist.

Die Antwort ist ein Wort, das die meisten Menschen außerhalb der Hydrologie nie gehört haben: pluviale Überschwemmung.

FEMA-Karten modellieren über die Ufer tretende Flüsse (fluviale Überschwemmung) und küstennahe Sturmfluten. Sie modellieren nicht, was passiert, wenn sechs Zoll Regen in zwei Stunden auf eine Nachbarschaft fallen, in der jede Auffahrt, jeder Parkplatz und jedes Dach eine versiegelte Fläche ist. Das Wasser hat nirgendwo hin. Es staut sich. Es findet den tiefsten Punkt — der jemandes tiefergelegtes Wohnzimmer drei Meilen vom nächsten Fluss entfernt sein könnte.

Ich erinnere mich, wie mein Team in einem späten Telefonat darüber stritt. Einer unserer Forscher, der tief in der Fachliteratur zur urbanen Hydrologie steckte, beharrte immer wieder darauf, dass die Mikrotopografie — die subtile Neigung einer Straße, ob eine Auffahrt zur Garage hin oder von ihr weg abfällt — bei pluvialen Ereignissen mehr zählt als die Nähe zu einem Fluss. Ich widersprach. Es klang zu kleinteilig, um auf Portfolioebene bedeutsam zu sein.

Er rief Schadensdaten aus Houston nach Harvey auf. Block für Block waren die Verluste extrem ungleich verteilt. Häuser in derselben Straße, in derselben Postleitzahl, mit derselben FEMA-Einstufung — eines wurde überflutet, eines nicht. Der Unterschied waren oft ein paar Zoll Höhenlage oder die Stützmauer eines Nachbarn.

Da verstand ich: Postleitzahl-Durchschnitte sind nicht nur ungenau. Sie sind eine grundlegend falsche Analyseeinheit für das Überschwemmungsrisiko.

Die Acht-Zoll-Revolution

Wenn es eine einzige Variable gibt, die darüber entscheidet, ob eine Überschwemmung ein Ärgernis oder eine Katastrophe ist, dann ist es die First Floor Elevation — der vertikale Abstand zwischen dem Boden und dem untersten bewohnbaren Geschoss eines Gebäudes.

Die Zahlen hier sind atemberaubend. Das Anheben des Erdgeschosses eines Hauses um nur einen Fuß über die Basis-Überschwemmungshöhe kann den durchschnittlichen Jahresschaden um etwa 90% senken. Einen Fuß. Das ist der Unterschied zwischen einer Immobilie, die eine tickende Zeitbombe ist, und einer, die in hohem Maße versicherbar ist.

Und dennoch findet sich diese Zahl fast nie in der Akte des Underwriters. Öffentliche Steuerunterlagen erfassen sie nicht. Elevation Certificates sind teure, manuell erstellte Dokumente. Ältere Modelle raten einfach — indem sie etwa annehmen, dass jedes Haus in einer Region einen standardmäßigen Kriechkeller von einem Fuß hat.

Genau hier verändert Computer Vision alles.

Mein Team verbrachte Wochen damit zu untersuchen, wie neuronale Netze die First Floor Elevation aus Google-Street-View-Bildern extrahieren können. Der Prozess ist auf eine Weise elegant, die mich überraschte. Ein Convolutional Neural Network betrachtet ein Foto eines Hauses auf Straßenebene und identifiziert die Bodenlinie, die Schwelle der Haustür, die Treppen. Es schätzt die Tiefe von der Kamera bis zur Fassade. Dann wendet es einfache Trigonometrie an — Kamerahöhe, Neigungswinkel, Pixelposition —, um die physische Höhe des Eingangs über dem Straßenniveau zu berechnen.

Es gibt sogar eine wunderbar einfache Ausweichmethode: das Zählen von Stufen. Bauvorschriften schreiben eine Standard-Steigungshöhe von etwa 7 Zoll vor. Sechs Stufen bis zur Haustür? Das sind ungefähr 42 Zoll First Floor Elevation. Ein CV-Modell kann Stufen über Millionen von Immobilien hinweg zählen, ohne dass jemand seinen Schreibtisch verlässt.

Neuronale Netze, die für die Schätzung der Höhe des untersten Geschosses trainiert wurden, haben durchschnittliche Fehler von nur 0,218 Metern erreicht — etwa 8,5 Zoll. Das ist Präzision auf Zentimeterebene, im kontinentweiten Maßstab, ohne einen einzigen Vor-Ort-Besuch.

Als ich diese Fehlerspanne zum ersten Mal sah, musste ich zweimal hinschauen. Achteinhalb Zoll durchschnittlicher Fehler, abgeleitet aus einem Foto, das ein vorbeifahrendes Auto aufgenommen hat. Man vergleiche das mit dem herkömmlichen Ansatz, anzunehmen, dass jedes Haus in einer Postleitzahl dasselbe Höhenprofil hat. Das ist nicht einmal dieselbe Sportart.

Was passiert, wenn man durch Wolken sehen kann?

Das Überschwemmungs-Underwriting hat eine grausame Ironie: Der Moment, in dem man am dringendsten sehen muss, was am Boden geschieht — während einer Überschwemmung —, ist genau der Moment, in dem optische Satelliten erblinden. Überschwemmungen kommen mit Wolken und Regen. Kameras können durch keines von beiden hindurchsehen.

Synthetic Aperture Radar schert sich nicht um Wolken.

SAR-Satelliten senden Mikrowellenimpulse aus, die Wolkendecke, Rauch und starken Regen durchdringen, und messen dann die Energie, die zurückprallt. Ruhiges Wasser wirkt wie ein Spiegel — es reflektiert das Radarsignal vom Satelliten weg und erscheint als dunkle Pixel im Bild. Trockenes Land streut das Signal zurück und erscheint hell. Der Kontrast liefert eine Überschwemmungskarte, bei jedem Wetter, Tag und Nacht.

Ich gebe zu, dass ich SAR-Daten, als ich ihnen zum ersten Mal begegnete, befremdlich fand. Sie sehen nicht wie ein Foto aus. Sie sind körnig, verrauscht und unintuitiv. Doch sobald man versteht, was sie einem zeigen, sind sie außergewöhnlich — ein Allwetter-Auge, das den exakten Umriss einer Überschwemmung innerhalb von Stunden nach dem Höhepunkt eines Ereignisses kartieren kann.

Die Komplexität kommt in Städten ins Spiel. Urbane Überschwemmungen erzeugen ein Phänomen namens "Double Bounce" — das Radar trifft auf die Wasseroberfläche, prallt von einer Gebäudewand ab und kehrt mit hoher Intensität zum Satelliten zurück. Für einen naiven Algorithmus sieht das wie trockenes Land aus. Es braucht Deep-Learning-Modelle, die speziell auf diese Interferenzmuster trainiert sind, um urbane Überflutung korrekt zu erkennen. Traditionelle schwellenwertbasierte Ansätze scheitern hier durchgängig.

Wenn man SAR mit optischen Daten fusioniert — das Radar für die Allwetterabdeckung und optische Bilder für die spektrale Bestätigung —, übersteigt die Klassifizierungsgenauigkeit selbst in komplexen städtischen Landschaften 92 %.

Warum kann Standard-KI Überschwemmungen nicht einfach vorhersagen?

Das ist eine Frage, die mir ständig gestellt wird, und sie offenbart ein grundlegendes Missverständnis darüber, was maschinelles Lernen kann und was nicht.

Ein Standard-Deep-Learning-Modell, das auf historischen Überschwemmungsdaten trainiert wurde, lernt Muster. Es lernt vielleicht, dass Immobilien in Flussnähe häufiger überflutet werden, dass bestimmte Bodenarten mit höheren Schäden korrelieren, dass der Frühling schlimmer ist als der Herbst. Und bei Ereignissen, die den Trainingsdaten ähneln, schneidet es einigermaßen gut ab.

Doch Überschwemmungen werden auf eine Weise schlimmer, für die es keinen historischen Präzedenzfall gibt. Ein rein datengetriebenes Modell, das auf eine nie zuvor gesehene Sturmintensität trifft, wird entweder wild extrapolieren oder auf etwas Konservatives und Falsches zurückfallen. Schlimmer noch, es könnte physikalisch unmögliche Vorhersagen erzeugen — Wasser, das ohne Quelle erscheint, oder bergauf fließt.

Ein neuronales Netz, das nie einen 500-Jahre-Sturm gesehen hat, wird halluzinieren, wenn es auf einen trifft. Die Physik halluziniert nicht.

Deshalb stellen Physics-Informed Neural Networks — PINNs — den wichtigsten architektonischen Fortschritt in der Überschwemmungsmodellierung dar. Ein PINN wird nicht nur trainiert, um historische Daten abzubilden. Es wird gleichzeitig darauf trainiert, den Gesetzen der Strömungsdynamik zu gehorchen: der Massenerhaltung (Wasser erscheint nicht aus dem Nichts) und der Impulserhaltung (Wasser fließt bergab und respektiert Schwerkraft und Reibung).

Die technische Umsetzung ist im Konzept täuschend einfach. Die Verlustfunktion des Netzes hat zwei Komponenten: wie gut es beobachtete Daten abbildet und wie stark es die maßgeblichen physikalischen Gleichungen verletzt. Bestraft man die Physikverletzungen während des Trainings, erhält man ein Modell, das sowohl dateninformiert als auch physikalisch beschränkt ist.

Der praktische Nutzen ist enorm. PINNs benötigen weit weniger Trainingsdaten, weil die physikalischen Gleichungen den Lösungsraum einschränken. Und sie verallgemeinern auf beispiellose Ereignisse, weil sich die zugrunde liegende Physik nicht ändert — ein 500-Jahre-Sturm folgt derselben Strömungsdynamik wie ein 10-Jahre-Sturm, nur mit anderen Eingangswerten.

Für die vollständige technische Aufschlüsselung, wie diese Architekturen zusammenarbeiten, einschließlich der Mathematik hinter Graph Neural Networks für das hydrologische Routing, verweise ich Sie auf unser Forschungspapier. Doch die entscheidende Erkenntnis für das Underwriting ist diese: Ein als Surrogatmodell trainiertes PINN kann in Echtzeit Tausende von Klimaszenarien für eine bestimmte Immobilie simulieren. Statt eines statischen "Zone AE"-Tarifs erhält man ein dynamisches, probabilistisches Risikoprofil, das die tatsächliche Physik des Wassers widerspiegelt, das durch diese spezifische Landschaft zu diesem spezifischen Gebäude fließt.

Das Solvenzargument

Ich habe die technologische Argumentation vorgebracht, aber lassen Sie mich die geschäftliche vorbringen, denn hier liegt die Dringlichkeit.

Die Combined Ratio der Wohngebäudeversicherung — das grundlegende Maß dafür, ob ein Versicherer im Underwriting Geld verdient oder verliert — lag zuletzt im Durchschnitt bei 101,5 % und erreichte einen Höchststand von 110,5 % im Jahr 2023. Über 100 % bedeutet, dass man Geld verliert. Die Branche blutet.

Adverse Selektion frisst die Versicherer bei lebendigem Leib auf. Wenn man das Überschwemmungsrisiko auf Postleitzahlebene bepreist, mittelt man ein Haus auf einem Hügel mit einem Haus in einer Senke zusammen. Der Hauseigentümer in der Senke — der weiß, dass sein Keller bei jedem starken Regen überflutet wird — kauft eifrig zum gemittelten Preis. Der Hauseigentümer auf dem Hügel, der den Preis zu Recht als zu hoch für sein tatsächliches Risiko empfindet, geht weg. Ihr Risikopool konzentriert stillschweigend schlechte Risiken, und Ihre Schadenquote verschlechtert sich auf eine Weise, die sich erst beim nächsten Großereignis zeigt.

Deep AI kehrt diese Dynamik um. Ein Versicherer, der weiß, dass ein Haus in einer "Hochrisiko"-Zone tatsächlich vier Fuß über der Basis-Überschwemmungshöhe liegt, mit installierten Flutöffnungen und einem erhöhten HVAC-System, kann diese Police profitabel zu einem Tarif zeichnen, den herkömmliche Wettbewerber nicht anrühren würden. Das ist keine Rosinenpickerei — es ist eine akkurate Bepreisung. Und es funktioniert in beide Richtungen: Das Haus in einer "Niedrigrisiko"-Zone mit einer tiefergelegten Garage und versiegelten Flächen auf allen Seiten wird für das bepreist, was es tatsächlich ist.

Die Ära, in der das Überschwemmungsrisiko auf Grundlage von Papierkarten aus den 1980er-Jahren und Postleitzahl-Durchschnitten gezeichnet wurde, ist faktisch vorbei. Die Frage ist, welche Versicherer dies zuerst erkennen werden.

Es gibt hier auch einen Rückversicherungsaspekt. Rückversicherer — die Unternehmen, die die Versicherer versichern — fordern zunehmend Transparenz über die zugrunde liegenden Portfolios der Erstversicherer. Ein Geschäftsbestand, der mit pixelgenauen Höhendaten gezeichnet und per Satellitenradar überwacht wird, ist ein grundlegend anderes Risikoangebot als einer, der auf Basis von FEMA-Zonen bepreist wird. Bessere Daten bedeuten bessere Rückversicherungskonditionen, was bessere Kapitaleffizienz bedeutet, was Wettbewerbsvorteile bedeutet. Es potenziert sich.

"Aber können Sie es einem Regulierer erklären?"

Diese Frage stellen mir die Leute immer, und es ist die richtige Frage. In dem Maße, in dem KI zentral wird für Preisentscheidungen, die darüber bestimmen, ob sich jemand das Wohnen im eigenen Haus leisten kann, wird — und sollte — die aufsichtsrechtliche Prüfung intensiver werden.

Genau hier haben physikinformierte Modelle tatsächlich einen unerwarteten Vorteil gegenüber Black-Box-Deep-Learning. Die Vorhersagen eines PINN sind in expliziten physikalischen Gleichungen verankert — den Saint-Venant-Gleichungen der Strömungsdynamik, der Massenerhaltung, der Impulserhaltung. Wenn eine Versicherungsaufsichtsbehörde fragt, warum eine Prämie gestiegen ist, kann der Versicherer auf ein spezifisches, physikalisch modelliertes hydraulisches Risiko verweisen: "Wasser aus diesem Wassereinzugsgebiet erreicht diese Immobilie in dieser Tiefe unter diesen Niederschlagsbedingungen, basierend auf diesen Höhenmessungen und dieser Entwässerungstopologie."

Das ist keine undurchsichtige algorithmische Korrelation. Das ist Ingenieurwesen. Regulierer verstehen Ingenieurwesen.

Ich habe angefangen, das "Glass Box AI" zu nennen — Modelle, deren Argumentation transparent ist, weil sie in bekannter Physik verankert ist und nicht nur in gelernten statistischen Mustern. Es ist das Gegenteil des Black-Box-Problems, das alle bei KI in Entscheidungen mit hohem Einsatz nervös macht.

Wohin das als Nächstes führt

Das Konzept, das ich am überzeugendsten — und am disruptivsten — finde, ist das, was ich das "lebende" Risikomodell nennen würde. Heute wird das Überschwemmungsrisiko bei Vertragsabschluss bewertet und vielleicht bei der Verlängerung erneut betrachtet. Es ist eine Momentaufnahme. Doch Risiko ist kontinuierlich.

Wenn ein SAR-Satellit Landsenkungen in einer Region erkennt, sollten sich die Risikobewertungen der betroffenen Immobilien aktualisieren. Wenn ein Nachbar einen durchlässigen Rasen zupflastert, ändern sich die Oberflächenabflusseigenschaften des gesamten Mikro-Einzugsgebiets. Wenn eine Kommune ihre Regenwasserkanäle modernisiert, profitiert jede Immobilie im Entwässerungsbecken.

Ein lebendes Modell verwandelt den Versicherer von einem Zahler von Schäden in etwas, das eher einem Risikopartner ähnelt. Anpassungen während der Laufzeit. Proaktive Warnungen. Prämienrabatte für Schadensminderung, die der Versicherer tatsächlich durch Luftaufnahmen verifizieren kann — installierte Flutöffnungen, erhöhte HVAC, gepflegte durchlässige Flächen.

Dies ermöglicht auch parametrische Versicherung für Überschwemmungen — Policen, die automatisch auszahlen, wenn ein Satellit bestätigt, dass die Überschwemmungstiefe an den versicherten Koordinaten einen Schwellenwert überschreitet. Keine Besuche von Schadensregulierern. Kein monatelanger Schadenprozess. Sofortige Liquidität, wenn die Menschen sie am dringendsten brauchen.

Ich denke immer wieder an diesen Underwriter mit der Karte von 1992 an seiner Wand. Er war nicht das Problem. Er arbeitete mit dem, was die Branche ihm gab. Das Problem ist, dass die Branche nur langsam erkannt hat, dass das Klima sich weiterentwickelt hat, die Daten sich weiterentwickelt haben und die Technologie sich weiterentwickelt hat — während die Underwriting-Infrastruktur an die Wand gepinnt blieb.

Die Konvergenz aus Computer Vision, Synthetic Aperture Radar und physikinformiertem maschinellem Lernen verbessert das Überschwemmungs-Underwriting nicht nur. Sie macht es zum ersten Mal überhaupt möglich. Alles davor war fundiertes Raten in einer Auflösung, die zu grob war, um bedeutsam zu sein. Was als Nächstes kommt, ist Messung — Gebäude für Gebäude, Fuß für Fuß, Sturm für Sturm — mit einer Präzision, die das Überschwemmungsrisiko von einer unvorhersehbaren Katastrophe in etwas verwandelt, das man tatsächlich bepreisen kann.

Die Versicherer, die dies zuerst herausfinden, werden nicht nur bessere Schadenquoten haben. Sie werden die einzigen Schadenquoten haben, die Sinn ergeben.