Künstliche Intelligenz verspricht Unternehmen mehr als nur Automatisierung: Sie soll geschäftliche Entscheidungen vorhersehbar machen. Predictive-Analytics-Plattformen ermöglichen es Fachabteilungen mittlerweile, ohne fundierte Programmierkenntnisse konkrete Prognosen aus Daten abzuleiten. Doch wie weit ist diese Entwicklung tatsächlich fortgeschritten, und welche Rolle spielt Europa auf diesem Markt?
Das 2018 in Tel Aviv gegründete Unternehmen Pecan.ai entwickelt eine Low-Code-Plattform für Predictive Analytics, die Geschäfts- und Datenteams dabei helfen soll, schneller umsetzbare Prognosen aus vorhandenen Daten abzuleiten. Die Technologie wird unter anderem eingesetzt, um Kundenabwanderung, Upselling, Konversionen und Schadensfälle vorherzusagen sowie Marketingmaßnahmen zu optimieren und Nachfragetrends besser zu planen.
In einem Interview mit thebrokernews erklärt Dan Goldenblatt (Managing Director, EMEA & APAC bei Pecan.ai), wie Unternehmen Predictive AI heute praktisch einsetzen, welche Herausforderungen bei der Umsetzung bestehen und warum insbesondere europäische Unternehmen grosses Potenzial haben, datengesteuerte Entscheidungen stärker in ihre Geschäftsprozesse zu integrieren.
Dan, Pecan.ai expandiert rasch in Europa. Welche Unterschiede sehen Sie zwischen europäischen und US-amerikanischen Unternehmen, wenn es um den Einsatz von Predictive Analytics geht?
Auf beiden Seiten des Atlantiks besteht grosses Interesse. Die wesentlichen Unterschiede lassen sich in drei Bereiche unterteilen: Regulierung, Datenstrategie und Risikophilosophie.
Regulierung
In Europa ist die Erklärbarkeit prädiktiver Modelle entscheidend. Dies ist besonders wichtig beim Einsatz von KI für das Schadenmanagement, aber auch bei der Vorhersage, welcher Kunde abwandern wird oder bei welchem Kunden ein Upselling am wahrscheinlichsten ist. In dieser Hinsicht bietet Pecan AI ein sehr hohes Mass an Erklärbarkeit und Transparenz mit dem zusätzlichen Vorteil, dass auch Teams ohne Datenwissenschaftlerkenntnisse Modelle erstellen können.
Der US-Markt ist aufgrund der von Bundesstaat zu Bundesstaat unterschiedlichen Vorschriften auf staatlicher Ebene komplexer. Nach unseren Beobachtungen konzentriert sich der US-Markt jedoch eher auf Fairness und Nichtdiskriminierung als auf den in Europa geforderten technischen Prüfpfad.
Datenstrategie
Die EU ist wesentlich strenger, wenn es um den Schutz der Privatsphäre und beispielsweise die Nutzung von Nicht-Versicherungsdaten aus verschiedenen Quellen geht. In Europa muss der Verbraucher ausdrücklich zustimmen, damit seine Daten verwendet werden dürfen. In den USA hingegen nutzen Versicherer traditionell mehr Quellen für Daten von Drittanbietern, und Predictive Analytics wird häufig eingesetzt, um hyper-personalisiertes Marketing und sofortige Risikoprüfung zu ermöglichen.
Risikophilosophie
Der europäische Ansatz lautet «Predict-and-Prevent»: Aufgrund regulatorischer Beschränkungen bei der Risikobewertung nutzen europäische Versicherer Predictive Analytics, um Verluste zu verhindern. Sie nutzen IoT- und Satellitendaten, um Kunden vor Überschwemmungen oder Bränden zu warnen, bevor diese eintreten. Der Ansatz in den USA hingegen ist «Straight-Through Processing» (STP), bei dem Unternehmen Predictive Analytics nutzen, um den Menschen vollständig aus dem Prozess zu entfernen, mit dem Ziel von «Zero-Touch»-Schadensabwicklung und Risikoprüfung. KI wird eingesetzt, um eine Police innerhalb von Sekunden auf der Grundlage riesiger externer Datenpools zu genehmigen.
Viele europäische Unternehmen verfügen über grosse Datensätze, sind bei deren Nutzung jedoch noch relativ zurückhaltend. Wo sehen Sie derzeit das grösste ungenutzte Potenzial für prädiktive KI in Europa?
Erstens: Das wahre Potenzial liegt nicht nur in der Vorhersage der Zukunft, sondern darin, diese Vorhersagen zu nutzen, um die Risikokosten für die Gesellschaft grundlegend zu senken und die Versicherungsbranche von einem reaktiven Zahler zu einem proaktiven Sicherheitsnetz zu machen. Der EU-KI-Gesetzentwurf ist für ein Unternehmen wie Pecan AI hervorragend, da er von Unternehmen verlangt, transparente und erklärbare Modelle zu verwenden – etwas, das Pecan von Haus aus tut.
Die Schweiz gilt als innovativer, aber auch regulierter Markt. Welche Chancen sehen Sie konkret für Predictive Analytics im Schweizer Finanz- und Versicherungssektor?
Da der Schweizer Bundesrat «Rechenschaftspflicht» gegenüber pauschalen Verboten betont, liegt das ungenutzte Potenzial in «White-Box-Modellen», die sicherstellen, dass Nutzer genau erklären können, warum eine KI ein bestimmtes Anlageprodukt empfohlen hat, wobei der «Human-in-the-Loop»-Ansatz beibehalten wird.
In der Schweiz liegt das grösste Potenzial nicht darin, traditionelle Banken oder Versicherer zu «disruptieren», sondern darin, die Schweizer Vertrauensmarke digital zu stärken. Im Jahr 2026 werden diejenigen die Gewinner sein, die Predictive Analytics nicht nur zur Steigerung der Margen nutzen, sondern um «Predictive Certainty» zu bieten, also das Vermögen und die Gesundheit der Kunden zu schützen, noch bevor ein Risiko überhaupt eintritt.
Viele Unternehmen sprechen von KI, tun sich aber mit der Umsetzung schwer. Was sind Ihrer Erfahrung nach die drei grössten Hindernisse, wenn Unternehmen prädiktive KI tatsächlich in ihren täglichen Betrieb integrieren wollen?
Unserer Erfahrung nach lässt sich die Kluft zwischen einem KI-Pilotprojekt und der Integration in den täglichen Betrieb meist auf drei spezifische Reibungspunkte zurückführen. Im Jahr 2026 haben wir grundlegende Probleme mit der «Datenqualität» hinter uns gelassen. Die Hürden sind nun eher struktureller und verhaltensbezogener Natur.
1. Das «Datensilo» vs. der operative Kontext
Die meisten Unternehmen verfügen über genügend Daten, doch diese sind nicht «KI-fähig» für den Echtzeitbetrieb. Vorausschauende KI erfordert einen kontinuierlichen Strom von Hochgeschwindigkeitsdaten, doch viele europäische Firmen speichern Daten nach wie vor in abteilungsbezogenen Silos (zum Beispiel kommunizieren Schadensdaten nicht mit Daten aus dem Policenvertrieb).
2. Die Vertrauenslücke der «Black Box» (Erklärbarkeit)
Das Hindernis: Das Modell mag im Labor funktionieren, versagt aber im Alltag, da ihm der reale Geschäftskontext fehlt.
Die Lösung: Der Wechsel von statischen «Data Warehouses» zu Data-Mesh-Architekturen, in denen Daten als Produkt behandelt werden, das den Geschäftsbereichen gehört, die es tatsächlich nutzen.
In einem stark regulierten Schweizer oder europäischen Kontext ist ein Vorhersagemodell, das ohne Erklärung sagt «Lehnen Sie diesen Kredit ab» oder «Erhöhen Sie diese Prämie», ein Risiko.
3. Change Management: Vom «Assistenten» zum «Akteur»
Das Hindernis: Wenn ein Kundenbetreuer oder ein Underwriter nicht versteht, warum die KI eine Vorhersage getroffen hat, wird er sich auf sein Bauchgefühl verlassen und das Tool ignorieren. Dies ist das Problem der «Schatten-KI», wobei Tools gekauft, aber nie genutzt werden.
Die Lösung: Implementierung von Frameworks für erklärbare KI (XAI). Bis 2026 wird der Goldstandard darin bestehen, «Local Interpretable Model-agnostic Explanations» (LIME) bereitzustellen, die dem menschlichen Nutzer für jede KI-Vorhersage 2–3 klare Gründe liefern.
Die grösste Hürde ist nicht der Code; sondern die Neugestaltung der Arbeitsabläufe. Die meisten Unternehmen versuchen, KI an ihre bestehenden manuellen Prozesse «anzuhängen», anstatt den Prozess rund um die KI neu zu konzipieren. Die drei Hürden sind Kontext (isolierte Daten), Vertrauen (mangelnde Erklärbarkeit) und Kultur (Versäumnis, Arbeitsabläufe neu zu gestalten). Um erfolgreich zu sein, muss ein Unternehmen aufhören, KI als Software-Upgrade zu behandeln, und anfangen, sie als eine neue Art von digitalem Kollegen zu betrachten.“
Das Hindernis: Mitarbeiter betrachten prädiktive KI oft als Bedrohung für ihr Fachwissen oder als zusätzlichen Schritt in einem ohnehin schon arbeitsreichen Tag.
Die Lösung: Der Übergang zu agentenbasierten Workflows. Anstatt dass die KI lediglich eine Vorhersage liefert (beispielsweise «Dieser Kunde könnte abwandern»), agiert sie als Agent, der die Kundenbindungs-E-Mail vorbereitet, den Rabatt vorschlägt und diese zur «Ein-Klick»-Genehmigung in den Posteingang des Mitarbeiters legt.
Pecan.ai setzt stark auf Low-Code und Automatisierung. Verändert diese Entwicklung die Rolle traditioneller Datenwissenschaftler in Unternehmen?
Die kurze Antwort darauf lautet: Nein. Ähnlich wie Tabellenkalkulationen Mathematiker, Buchhalter oder Buchhalterinnen nicht überflüssig gemacht haben, sondern es ihnen ermöglichten, sich auf komplexere Aufgaben zu konzentrieren, während auch technisch weniger versierte Personen anspruchsvolle Tabellen erstellen konnten, tut Pecan AI dasselbe.
Wir ermöglichen es Geschäftsanwendern ohne technisches Know-how, Vorhersagemodelle zu erstellen, wodurch Datenwissenschaftlern wertvolle Zeit für wesentlich komplexere Aufgaben zur Verfügung steht. Nach Gesprächen mit zahlreichen Führungskräften aus der Versicherungsbranche (sowie Führungskräften aus anderen Branchen) wissen wir, dass die weniger komplexen und eher routinemässigen Modellierungsaufgaben oft ganz unten auf der To-do-Liste der Datenwissenschaftler stehen. Selbst wenn diese erledigt werden, ist es immer eine Herausforderung, die Datenwissenschaftler dazu zu bewegen, die Modelle zu pflegen, was oft zum Scheitern der Modelle führt.
Und doch liefern diese Anwendungsfälle dem Versicherer einen erheblichen Mehrwert. Das sehen wir bei jedem neuen Versicherungsunternehmen, das wir an Bord holen. Pecan hilft Geschäftsanwendern, schnell und einfach Vorhersagemodelle zu erstellen und einzusetzen, den enormen Bedarf an Datenwissenschaftlern zu verringern und das Ansehen der Datenteams im Unternehmen zu verbessern, indem die Frustration interner Stakeholder gemindert wird, die nicht die Modellierungsdienste erhalten, die sie benötigen. Dies ist eine Win-Win-Win-Win-Lösung.
Wie lange dauert es in der Praxis, bis ein Unternehmen nach der Implementierung Ihrer Plattform messbare Geschäftsergebnisse erzielt?
Nichts spricht eine deutlichere Sprache als ein echter Kunde, ein Versicherungskunde, der bereits weniger als drei Monate nach dem Start bereit ist, ein Testimonial abzugeben. Dies ist der Fall bei der amerikanischen Fetch Pet Insurance. Akash Gupta, Chief Analytics and Strategy Officer des Unternehmens, äusserte sich wie folgt zu Pecan:
Die Pecan-Plattform ist für das Datenteam äusserst nützlich und hilft ihm, die Modellentwicklung um ein Vielfaches zu beschleunigen. Unser Team kann nun viel mehr geschäftliche Fragen viel schneller beantworten.
Ein besonders beeindruckender Aspekt war das Onboarding- und Supportprogramm von Pecan AI. Das Expertenteam von Pecan half den Datenwissenschaftlern von Fetch nicht nur bei der Einarbeitung in das Tool, sondern unterstützte uns auch bei unseren datenwissenschaftlichen Modellen und machte unser Team dadurch besser. Diese Art von Unterstützung ist in der Branche beispiellos.»
Vorhersagemodelle sind nur so gut wie die Daten, auf denen sie basieren. Wie gehen Unternehmen mit unvollständigen oder fragmentierten Daten um, wenn sie Vorhersagemodelle nutzen wollen?
Pecan hat erhebliche Fortschritte bei der Qualität der für die Modellentwicklung erforderlichen Daten erzielt. Dank proprietärer IP für die Datenerfassung und -aufbereitung kann Pecan Daten nutzen, die BI-fähig sind, und nicht nur solche, die traditionell als «AI-fähig» gelten. Natürlich ist ein gewisses Mass an Datenqualität erforderlich, aber wenn ein Unternehmen über einen Data Lake oder ein Data Warehouse verfügt und Daten auf vernünftige Weise erfasst, kann Pecan AI mit diesen Daten arbeiten und es den Anwendern ermöglichen, daraus wertvolle, zukunftsorientierte Erkenntnisse zu gewinnen.
Viele Organisationen stehen automatisierten Entscheidungen nach wie vor skeptisch gegenüber. Wie schaffen Unternehmen Vertrauen in KI-basierte Prognosen?
Ein gesundes Mass an Skepsis ist gut. Destruktiv ist Zynismus. Und vollständig automatisierte Entscheidungen durch KI können in der Tat problematisch sein. Es gibt einen mittlerweile (berühmt-berüchtigten) MIT-Bericht, der davon spricht, dass 95 Prozent aller auf Unternehmensebene umgesetzten KI-Projekte scheitern. Die 5 Prozent, die erfolgreich sind, sind diejenigen, bei denen ein Mensch im Regelkreis eingebunden ist. Genau das ist das Modell von Pecan AI. Wir haben einen Menschen im Regelkreis, der sicherstellt, dass die Vorhersagen genau, wertvoll, zuverlässig und umsetzbar sind.
Mit dem EU-Gesetz über künstliche Intelligenz hat Europa einen der weltweit strengsten Rechtsrahmen für KI entwickelt.
Welche Auswirkungen hat dies auf Predictive-Analytics-Plattformen wie Pecan.ai?
Pecan benötigt keine personenbezogenen Daten, um Vorhersagen zu generieren. Die Kenntnis von Namen, Adressen, Telefonnummern, Geburtsdaten oder anderen personenbezogenen Daten hilft bei der Modellierung nicht weiter. Die Plattform ermöglicht es den Nutzern, genau zu bestimmen, welche Daten sie teilen möchten und welche nicht, und wir empfehlen dringend, keine personenbezogenen Daten zu verwenden.
Wie können Unternehmen sicherstellen, dass ihre Vorhersagemodelle transparent und erklärbar bleiben, insbesondere in stark regulierten Branchen wie dem Versicherungs- oder Bankwesen?
Transparenz und Erklärbarkeit sind in die Pecan-AI-Plattform integriert. Wir haben viel Zeit und Mühe darauf verwendet, dies sicherzustellen, und wurden von einer Vielzahl von Unternehmen aus verschiedenen Branchen geprüft und begutachtet, die dies bestätigt haben. Pecan AI ist alles andere als eine Black Box. Es handelt sich eher um eine Glasbox, die den Nutzern zeigt, wie die Abläufe funktionieren, wie der Prozess ablief, welche Modelle verwendet wurden, welche Hyperparameter ausgewählt wurden und welche Merkmale sich auf individueller Kundenebene auf die jeweilige Vorhersage ausgewirkt haben.
Versicherer nutzen Daten traditionell für Risikomodelle. Wie verändert prädiktive KI die klassische versicherungsmathematische Logik in der Branche?
Die versicherungsmathematische Logik bewertet Risiken anhand historischer Schadensdaten und vordefinierter Variablen. Prädiktive KI durchbricht diese Einschränkung, indem sie Tausende von Signalen, wie Telematik, Bilddaten, Verhaltensdaten, IoT, einbezieht und Zusammenhänge aufdeckt, an deren Modellierung Versicherungsmathematiker nie gedacht hätten.
Die Auswirkungen zeigen sich entlang der gesamten Wertschöpfungskette: präzisere Risikoprüfung auf individueller Ebene, dynamische Rückstellungsbildung anstelle statischer Entwicklungsdreiecke, Betrugs- und Prozessrisikobewertung bereits bei der ersten Schadensmeldung sowie Retentionsmodelle, die auf den Customer Lifetime Value und nicht nur auf die Schadenquote optimiert sind.
Der zentrale Konfliktpunkt ist die Erklärbarkeit. Die Aufsichtsbehörden verlangen vertretbare Modelle, daher hat ML die versicherungsmathematische Logik nicht ersetzt, sondern die Versicherungsmathematiker in der Hierarchie nach oben in Richtung Modell-Governance und -Interpretation verschoben.
Die verbleibende Lücke für die meisten Versicherer ist nicht der Einblick, es ist die Operationalisierung. Sie verfügen über Data-Science-Teams und Proof-of-Concepts, aber die Vorhersagen laufen nicht in der Produktion und beeinflussen keine realen Entscheidungen. Genau hier setzt Pecan an: Wir schliessen die Lücke zwischen einem existierenden Modell und einer Vorhersage, die zum Handeln führt.
Abgesehen von Abwanderungsprognosen und Cross-Selling: Welche neuen Anwendungsbereiche für prädiktive KI sehen Sie in der Versicherungsbranche in den nächsten fünf Jahren?
Pecan AI ist kein Insurtech-Unternehmen und wir verfügen über keine spezifische Versicherungsexpertise. Wir sind Datenexperten, und überall dort, wo es tabellarische, strukturierte Daten gibt, hat sich die Plattform als sehr effektiv erwiesen und beweist dies weiterhin, wenn es darum geht, präzise und zuverlässige Modelle in Rekordgeschwindigkeit und zu geringen Kosten zu erstellen. Die Verbreitung von KI in der Versicherungsbranche (wie auch in anderen Branchen) wird in den kommenden Jahren voraussichtlich zunehmen.
Die KI-Diskussion wird derzeit stark von generativer KI geprägt. Wie sehen Sie das Zusammenspiel zwischen generativer KI und prädiktiver KI im geschäftlichen Kontext?
Genau das hat Pecan AI getan. Wir haben einen seit langem bestehenden Prozess der prädiktiven Analytik genommen und eine Maschine entwickelt, die diesen automatisiert. Dann haben wir eine agentische Komponente hinzugefügt, die eine hochwirksame Interaktion zwischen dem Nutzer und der Maschine ermöglicht, wodurch Prozesse, die früher viele Wochen und oft Monate dauerten, erheblich beschleunigt und auf Stunden oder wenige Tage reduziert wurden.
Wird generative KI es Geschäftsteams langfristig ermöglichen, komplexe prädiktive Modelle ohne fundierte Datenwissenschaftskenntnisse zu entwickeln?
Teilweise, aber nicht vollständig und dieser Unterschied ist wichtig.
Generative KI wird die Hürden für Geschäftsteams bei der Datenauswertung, der Problemformulierung und der Erstellung von Modellprototypen deutlich senken. Über natürliche Sprachschnittstellen können bereits heute nicht-technische Nutzer Datensätze abfragen, Ideen für Merkmale generieren und Ergebnisse interpretieren, ohne Code schreiben zu müssen. Das ist Realität und entwickelt sich immer schneller.
Komplexe Vorhersagemodelle erfordern jedoch nach wie vor Dinge, die GenAI nicht ersetzen kann: saubere, gut verwaltete Daten, eine fundierte Problemformulierung, das Verständnis der Modellannahmen und die Beurteilung, wann ein Modell in entscheidender Weise falsch liegt. Geschäftsteams neigen dazu, all dies zu unterschätzen, bis in der Produktion etwas schiefgeht.
Das wahrscheinlichere Ergebnis ist eine neue Arbeitsteilung: Geschäftsteams sind für die Problemdefinition und die Validierung der Ergebnisse zuständig, technische Teams für Zuverlässigkeit und Governance, und die KI übernimmt die Hauptarbeit dazwischen. Der Analyst, der das Geschäft versteht und fliessend mit KI-Tools arbeiten kann, wird zum entscheidenden Profil.
Speziell für Pecan ist dies ein Rückenwind: Das schwierigere Problem war nie der Aufbau von Modellen, sondern deren Verbindung mit Entscheidungen in grossem Massstab. Das bleibt unabhängig davon wahr, wer sie erstellt.
Die Fragen hat Binci Heeb gestellt.
Dan Goldenblatt ist Managing Director für die Regionen EMEA und APAC bei Pecan.ai, wo er den regionalen Vertrieb leitet und den Versicherungsbereich des Unternehmens verantwortet. Mit über zwei Jahrzehnten Erfahrung im Vertrieb von SaaS- und KI-Lösungen an Grosskunden aus den Bereichen Versorgungswirtschaft, Versicherungen, Fintech und anderen Branchen kann Dan auf eine Erfolgsbilanz beim Aufbau von Märkten von Grund auf und beim Abschluss komplexer Geschäfte mit zahlreichen Beteiligten zurückblicken. Er baute das EMEA-Team und den Versicherungsbereich von Pecan auf und schloss Verträge mit Unternehmen wie Fiverr, Markel, Fetch Pet Insurance und Savills ab (um nur einige zu nennen). Zuvor erzielte er als VP Business Development bei App Orchid einen Jahresumsatz von über 2 Millionen US-Dollar im Bereich KI/ML/NLP-Unternehmenssoftware. Dan ist in Berlin ansässig und bringt juristisches Fachwissen, einen MBA-Abschluss sowie fundierte Branchenexpertise in jedes geschäftliche Engagement ein.
Lesen Sie auch: Pecan: Generative Erfahrung in einem Wimpernschlag
Suche:
Sponsoren:
