Kann KI die Preisbildung in der Hochwasserversicherung reparieren?

Das Problem

Fast 68,3 % der Hochwasserschadensmeldungen ereignen sich außerhalb der Zonen, die die FEMA als Hochrisiko einstuft. Das bedeutet: Die meisten Hochwasserschäden treffen Immobilien, deren Besitzer von Versicherern hörten, sie seien sicher. Die Karten, von denen Ihre Hochwasserversicherungs-Preisbildung abhängt, sind in vielen Fällen Jahrzehnte alt. Untersuchungen zeigen, dass rund 75 % der FEMA-Hochwasserkarten seit mehr als fünf Jahren nicht mehr aktualisiert wurden. Alarmierende 11 % stammen aus den 1970er- und 1980er-Jahren. Diese Karten entstanden, bevor ganze Vororte existierten, bevor sich Klimamuster verschoben und bevor die Stürme von heute überhaupt vorstellbar waren.

Das Ergebnis ist eine gefährliche Illusion von Sicherheit. Eine Immobilie, die nur etwa 30 Zentimeter außerhalb einer ausgewiesenen Überschwemmungszone liegt, erhält das Etikett „minimales Risiko“. Ihre Nachbarin, die ebenso weit innerhalb der Zone liegt, bekommt eine vorgeschriebene Versicherungspflicht. Aber Wasser hält sich nicht an Linien auf einer Karte. Es folgt der Schwerkraft, dem Asphalt und dem Gefälle Ihrer Einfahrt. Bundesweit haben weniger als 4 % der Hausbesitzer eine Hochwasserversicherung – auch deshalb, weil veraltete Karten ihnen weismachen, sie brauchten keine. Wenn Ihr Unternehmen Risiken zeichnet, Kredite gegen Immobilien vergibt oder Immobilien versichert, treffen Sie Milliardenentscheidungen auf Grundlage von Informationen, die bereits im Moment ihrer Veröffentlichung veraltet waren.

Warum das für Ihr Unternehmen wichtig ist

Das ist nicht nur ein Kartenproblem. Es ist eine finanzielle Exposition, die Ihre Bilanz aus mehreren Richtungen trifft.

Die Combined Ratio der Hausbesitzerversicherung – der grundlegende Indikator dafür, ob Sie mit dem Underwriting Geld verdienen oder verlieren – lag in den letzten Jahren im Durchschnitt bei 101,5 %. 2023 erreichte sie mit 110,5 % ihren Höchststand. Eine Combined Ratio über 100 % bedeutet, dass Sie mehr auszahlen, als Sie einnehmen. Jeder Punkt über 100 % zehrt an Ihrem Kapital.

Hier konzentriert sich der Schaden:

• Adverse Selektion leert Ihren Risikopool. Wenn Sie Hochwasserrisiken nach Postleitzahl bepreisen, verlangen Sie von einem Haus auf dem Hügel denselben Preis wie von einem Haus in einer tiefgelegenen Senke. Kundige Käufer, deren Keller regelmäßig überflutet werden, schlagen bei dieser unterbewerteten Deckung zu. Hausbesitzer mit geringem Risiko bleiben fern, weil ihnen die Durchschnittsprämie zu teuer erscheint. Ihr Portfolio füllt sich lautlos mit schlechten Risiken.
• Durchschnittliche Hochwasserschäden liegen bei fast 34.000 $ pro Ereignis. Diese Zahl summiert sich über ein Bestandsgeschäft schnell, wenn Ihre Modelle nicht unterscheiden können, welche Immobilien tatsächlich überflutet werden.
• Die Rückversicherer schauen genau hin. Sie verlangen zunehmend Transparenz über die zugrunde liegende Qualität Ihres Portfolios. Wenn Sie Risikodaten auf Immobilienebene nicht nachweisen können, erhalten Sie schlechtere Vertragsbedingungen und höhere Kapitalanforderungen.
• Der regulatorische Druck wächst. Die Versicherungsbehörden der Bundesstaaten stellen härtere Fragen dazu, wie KI-gestützte Preisentscheidungen zustande kommen. Wenn Ihre Modelle nicht erklären können, warum sich eine Prämie geändert hat, drohen Ihnen Compliance-Risiken.

Die Schutzlücke – die Differenz zwischen den gesamten wirtschaftlichen Verlusten und dem tatsächlich Versicherten – wird immer größer. Wettbewerber, die granulare Risikomodelle einführen, werden sich Ihre besten Risiken herauspicken und Ihnen die schlechtesten lassen.

Was tatsächlich unter der Haube passiert

Stellen Sie sich Legacy-Hochwasser-Underwriting so vor, als würde man jeden Schüler einer Schule allein anhand des Durchschnittstestergebnisses der Schule benoten. Der Jahrgangsbeste und die Schülerin, die nie auftaucht, bekommen dieselbe Note. Genau das macht die Preisbildung nach Postleitzahl mit dem Hochwasserrisiko.

Dieses Kernversagen hat drei Ebenen.

Erstens ignorieren die Karten Niederschlagshochwasser vollständig. Traditionelle FEMA-Karten modellieren Flussüberschwemmungen und küstennahe Sturmfluten. Pluviale Überschwemmungen modellieren sie nicht – Wasser also, das sich staut, wenn starke Regenfälle Straßen, Parkplätze und Regenabläufe überfordern. In Städten entscheidet die sanfte Senke einer Einfahrt oder das Gefälle einer Straße darüber, ob ein Haus überflutet. Die Durchschnittsbildung nach Postleitzahl wischt diese Unterschiede vollständig weg.

Zweitens fehlt die wichtigste einzelne Variable aus Ihren Daten. Diese Variable ist die First Floor Elevation (FFE) – die Frage, wie hoch der niedrigste bewohnbare Boden über dem Gelände liegt. Hebt man die FFE einer Immobilie nur etwa 30 Zentimeter über das Bemessungshochwasser an, sinkt der durchschnittliche Jahresverlust (Average Annual Loss) um rund 90 %. Doch öffentliche Steuerregister erfassen die FFE so gut wie nie. Höhenzertifikate kosten Geld und sind nur in bestimmten Zonen vorgeschrieben. Also raten die meisten Underwriting-Modelle – und wer falsch rät, bepreist die Police dramatisch falsch.

Drittens sind traditionelle Hochwassersimulationen zu langsam, um für die Preisbildung in Echtzeit zu taugen. Standardmäßige physikbasierte Modelle brauchen Stunden oder Tage, um ein einzelnes Einzugsgebiet zu simulieren. Für die akademische Forschung ist das in Ordnung. Wenn Sie ein Angebot in Sekunden benötigen, ist es nutzlos.

Was funktioniert (und was nicht)

Bevor wir zur Lösung kommen: Dies löst das Problem nicht:

• Häufigere Aktualisierung der FEMA-Karten: Auch frische Karten bleiben binär – innerhalb oder außerhalb einer Überschwemmungszone – und ignorieren damit das kontinuierliche Wesen des Wasserflusses.
• Das Hinzufügen weiterer historischer Schadensdaten: Vergangene Schäden sind nachlaufende Indikatoren. Die Klimavolatilität sorgt dafür, dass das kommende Jahrzehnt nicht wie das letzte aussehen wird. Mehr derselben Daten repariert kein kaputtes Modell.
• Das Ausführen von Standard-KI auf Postleitzahlendaten: Ein rein datengetriebenes Machine-Learning-Modell, das auf groben Eingaben trainiert wurde, liefert grobe Ausgaben. Schlimmer noch: Es kann physikalisch unmögliche Vorhersagen erzeugen – etwa Wasser, das ohne Quelle auftaucht.

Was funktioniert, ist eine dreischichtige Architektur, die Beobachtung, Physik und Erklärbarkeit vereint:

1. Computer Vision extrahiert, was Ihren Daten fehlt. KI-Modelle analysieren Straßen- und Luftaufnahmen, um die First Floor Elevation aus der Ferne zu messen. Das System erkennt Architekturmerkmale – Treppen, Türen, Fundamente – und berechnet die Höhe per Geometrie. Neuronale Netze, die für diese Aufgabe trainiert wurden, haben durchschnittliche Fehler von nur 0,218 Metern (etwa 8,5 Zoll) demonstriert. Diese Präzision lässt sich über Millionen von Immobilien hinweg skalieren – ohne einen einzigen Vor-Ort-Termin. Dieselbe Technologie erkennt Keller, versiegelte Flächen und Hochwasserschutzmaßnahmen wie erhöhte HVAC-Einheiten.

2. Satellitenradar blickt durch Wolken, um zu verifizieren, was tatsächlich überflutet wurde. Synthetic Aperture Radar (SAR) – eine Satellitentechnologie, die Mikrowellensignale nutzt, um den Boden sogar durch Sturmwolken hindurch zu sehen – liefert Daten zur Ausdehnung von Überflutungen nahezu in Echtzeit, oft innerhalb von 24 Stunden nach dem Höhepunkt eines Ereignisses. Sie können diesen Hochwasser-Fußabdruck über Ihr Portfolio legen, um Verluste sofort abzuschätzen, Sachverständige nur in bestätigte Überschwemmungsgebiete zu entsenden und betrügerische Ansprüche zu kennzeichnen, wenn die Satellitendaten zeigen, dass eine Immobilie trocken blieb.

3. Physics-informed KI simuliert Zukunftsszenarien in Sekunden. Physics-Informed Neural Networks (PINNs) – KI-Modelle, in deren Mathematik die tatsächlichen Gesetze der Fluiddynamik eingebaut sind – fungieren als schnelle Stellvertreter langsamer traditioneller Simulationen. Weil diese Modelle Massen- und Impulserhaltung erzwingen, können sie keine unmöglichen Szenarien halluzinieren. Sie können Tausende Klimaszenarien für eine bestimmte Immobilie in Echtzeit durchspielen. Das bedeutet: Ihre Pricing-Engine kann eine Prämie erzeugen, die das echte Risikoprofil exakt dieses Standorts widerspiegelt – keinen Zonendurchschnitt.

Der Vorteil eines Audit-Trails ist für Ihre Compliance-Teams von enormer Bedeutung. Weil PINNs in expliziten physikalischen Gleichungen verankert sind, sind ihre Ausgaben interpretierbar und gegenüber Regulatoren verteidigungsfähig. Sie können einer staatlichen Versicherungsaufsicht zeigen, dass eine Prämienanhebung auf ein konkretes, physikalisch modelliertes hydraulisches Risiko zurückgeht – nicht auf eine opake algorithmische Korrelation. Genau das macht das System zu einer „gläsernen Box“ statt einer Black Box.