Er hat eine von der FINMA regulierte Kreditmarktplatz-Plattform aufgebaut und auf den Markt gebracht, als Fintech-Gründer die COVID-Krise überstanden und widmet sich nun dem, was ihn bereits in seiner Masterarbeit begeistert hat: dem Einsatz künstlicher Intelligenz in der Finanzdienstleistungs- und Versicherungsbranche. Ghassen Benhadjsalah ist Versicherungsmathematiker und KI-Ingenieur, Mitbegründer von inncivio und eine der führenden Persönlichkeiten an der Schnittstelle von Mathematik, Technologie und Versicherungsrisiko. thebrokernews trifft ihn zum ersten Interview mit einem Versicherungsmathematiker auf der Plattform.
Versicherungsmathematiker sind die unsichtbaren Architekten der Versicherungsbranche. Sie berechnen die Kosten von Risiken, die Wahrscheinlichkeit des Eintritts von Schadensfällen und wie viel Kapital ein Versicherer zurücklegen muss, um auch in Zukunft zahlungsfähig zu bleiben. Ghassen Benhadjsalah ist einer von ihnen, doch er ist nicht der Typ, der still im Hintergrund sitzt und Berechnungen anstellt. Sein beruflicher Werdegang führte ihn von der Universität Lausanne über mehrere Startups zu seiner derzeitigen Position bei inncivio, wo er gemeinsam mit Anna Raafat und Fernando Felix die Echtzeit-Risikobewertung mithilfe von KI in Versicherungs- und Handelsplattformen integriert.
Für thebrokernews ist dies eine gute Gelegenheit, mehr über seine Sichtweise auf eine Branche im Wandel zu erfahren. Für mich waren diese beiden Disziplinen schon immer eng miteinander verbunden. Es handelt sich bei beiden um quantitative Fachgebiete, und in beiden muss man unter bestimmten Einschränkungen Entscheidungen treffen. Ein Ingenieur muss mit begrenzten Ressourcen denken, konstruieren und gestalten. Das macht einen Ingenieur aus: Man hat selten unbegrenzte Zeit, ein unbegrenztes Budget oder perfekte Bedingungen. Man muss das Problem verstehen, eine Lösung entwerfen und dafür sorgen, dass sie in der realen Welt funktioniert.
Herr Benhadjsalah, Sie sind Versicherungsmathematiker und Ingenieur. Das ist eine seltene Kombination. Wie kam es dazu, und was hat Sie an der Versicherungsmathematik fasziniert?
Ein Versicherungsmathematiker steht vor einer ähnlichen Herausforderung, allerdings im Zusammenhang mit Risiken. Man muss Unsicherheiten auf der Grundlage begrenzter Datenmengen quantifizieren. Man hat nie ein perfektes Bild von der Zukunft, muss aber dennoch verantwortungsvolle Entscheidungen treffen: Wie wahrscheinlich ist ein Ereignis, wie schwerwiegend könnte es sein, wie viel Kapital wird benötigt und wie sollte das Risiko bewertet werden?
Diese Kombination hat mich fasziniert. Das Ingenieurwesen gab mir die Werkzeuge an die Hand, um Systeme zu entwickeln, während mir die Versicherungsmathematik den Rahmen bot, um Unsicherheiten und finanzielle Konsequenzen zu verstehen. Der Grossteil meiner Karriere drehte sich darum, diese beiden Welten zusammenzubringen. Damals verwendeten wir den Begriff «KI» noch nicht so, wie man ihn heute versteht. Wir sprachen eher von maschinellem Lernen, statistischem Lernen und Vorhersagemodellen. Aber die Kernidee war dieselbe: Können wir Daten nutzen, um Muster zu erkennen, die ein Mensch nur schwer erkennen würde?
Ihre Masterarbeit, die Sie vor über 15 Jahren verfasst haben, befasste sich mit dem Einsatz von KI zur Betrugsaufdeckung in der Versicherungsbranche. Was hat Sie damals dazu bewogen, und waren Sie Ihrer Zeit nicht etwas voraus?
Betrugsaufdeckung in der Versicherungsbranche war ein naheliegendes Thema, da Versicherungen schon immer ein Datengeschäft waren. Schadensfälle, Kundenprofile, historisches Verhalten, Anomalien, Beziehungsnetzwerke, all das enthält Signale. Die Herausforderung besteht darin, dass Betrug nicht immer offensichtlich ist. Oft zeigt er sich eher als schwaches Muster über viele Variablen hinweg als ein eindeutiges Warnsignal. Mich interessierte, ob Algorithmen Versicherern helfen könnten, verdächtige Fälle schneller und genauer zu identifizieren nicht, um menschliches Urteilsvermögen zu ersetzen, sondern um Prioritäten zu setzen, worauf sich menschliches Fachwissen konzentrieren sollte.
Rückblickend war es wahrscheinlich tatsächlich noch zu früh. Aber für mich war es offensichtlich, dass Finanzdienstleistungen und Versicherungen irgendwann viel stärker datengesteuert sein würden. Die Technologie war noch nicht so ausgereift wie heute, aber die Richtung war bereits erkennbar. Ich würde sagen, ein Versicherungsmathematiker hilft dem Markt dabei, Unsicherheiten mit einem Preis und einer Struktur zu versehen.
Versicherungsmathematiker werden oft als die stillen Architekten des Risikos angesehen. Wie würden Sie einem Laien erklären, was ein Versicherungsmathematiker eigentlich tut?
Versicherungen gibt es, weil Einzelpersonen und Unternehmen Risiken ausgesetzt sind, die sie nicht alleine tragen können: Krankheit, Unfälle, Langlebigkeit, Naturkatastrophen, Betriebsunterbrechungen und vieles mehr. Die Aufgabe eines Versicherungsmathematikers besteht darin, abzuschätzen, wie oft diese Ereignisse eintreten könnten, wie schwerwiegend sie sein könnten und wie viel Geld eingenommen oder zurückgestellt werden muss, damit Versprechen auch in Zukunft eingehalten werden können.
Einfach ausgedrückt: Ein Versicherungsmathematiker übersetzt Unsicherheit in Zahlen, die es Unternehmen ermöglichen, verantwortungsvolle Entscheidungen zu treffen. Es geht nicht nur um die Preisgestaltung von Versicherungen. Es geht auch um Solvenz, Kapital, Fairness, langfristige Nachhaltigkeit und Vertrauen. Die besten Versicherungsmathematiker sind nicht nur Mathematiker. Sie verstehen menschliches Verhalten, Regulierung, Geschäftsmodelle und die Grenzen von Modellen. Dieser letzte Punkt ist sehr wichtig: Ein guter Versicherungsmathematiker weiss, dass das Modell nur ein Werkzeug ist, nicht die Wahrheit. Die grösste Herausforderung bestand darin, eine Kreditentscheidung in Echtzeit zu treffen und dabei dennoch verantwortungsbewusst mit Risiken umzugehen. In einem «Jetzt kaufen, später bezahlen»-Umfeld erwartet der Kunde eine sofortige Antwort. Der Händler möchte einen reibungslosen Bezahlvorgang. Aber das Unternehmen muss dennoch entscheiden, ob es bei dieser Transaktion ein akzeptables Kreditrisiko eingeht. Ein Prozess, der Stunden oder Tage dauert, ist nicht möglich. Die Entscheidung muss sofort fallen.
Sie waren schon früh bei Swissbilling, heute Cembra Pay, dabei und haben dort das KI-Modell zur Kreditrisikobewertung in Echtzeit aufgebaut. Was war dabei die grösste Herausforderung?
Das war eine perfekte frühe Anwendung von KI. Letztendlich geht es beim Aufbau eines KI-Modells darum, Ergebnisse mithilfe eines mathematischen Ansatzes vorherzusagen. In diesem Fall war das Ereignis, das wir modellierten, der Zahlungsausfall: Der Endkunde erhält die Ware, ist aber anschliessend nicht in der Lage oder nicht bereit, die Rechnung zu bezahlen.
Was es interessant machte, war, dass die Branche bereits über umfangreiche Daten verfügte. Wir konnten in Echtzeit auf zahlreiche Informationen zugreifen und diese nutzen, um bessere Entscheidungen zu treffen. Damals verliessen sich viele Unternehmen noch auf Entscheidungsbäume, statische Regeln und relativ starre Modelle. Wir dachten bereits über maschinelles Lernen nach, um Risiken dynamischer zu bewerten.
Die andere Herausforderung bestand darin, dass das Modell nicht in einer Tabellenkalkulation existierte. Es musste in einem echten Unternehmen funktionieren mit echten Kunden, echten Händlern, echten Verlusten und echtem Wachstumsdruck. Hier kam mir mein ingenieurwissenschaftlicher Hintergrund zugute. Es ist eine Sache, ein Modell zu entwerfen; eine andere, es in der Praxis zum Laufen zu bringen. Ein traditioneller Fintech-Gründer beginnt oft mit dem Produkt, dem Markt und den Wachstumschancen. Ein Versicherungsmathematiker betrachtet diese Aspekte ebenfalls, fragt aber sofort: Wo liegt das versteckte Risiko? Was passiert in einer Konjunkturflaute? Welche Annahmen treffen wir? Sind die Anreize aufeinander abgestimmt? Was passiert, wenn das Modell falsch ist?
Anschliessend haben Sie Ihre eigene Kreditmarktplatz-Plattform namens Acredius gegründet, die von der FINMA über die SRO PolyReg reguliert wird. Inwiefern unterscheidet sich die Denkweise eines Versicherungsmathematikers von der eines traditionellen Fintech-Gründers?
Bei Acredius haben wir Investoren mit kleinen und mittleren Unternehmen zusammengebracht, die auf der Suche nach Finanzierungen waren. Das bedeutete, dass wir nicht nur einen Marktplatz aufgebaut haben. Wir hatten es auch mit Kreditrisiken, den Erwartungen der Investoren, regulatorischen Verpflichtungen und Vertrauen zu tun.
Die Denkweise eines Versicherungsmathematikers hat mir geholfen, nicht nur in Volumen zu denken. Im Kreditgeschäft kann Wachstum gefährlich sein, wenn das Risiko nicht richtig verstanden wird. Ein Marktplatz kann in guten Zeiten sehr erfolgreich aussehen, weil Kredite vergeben werden, aber die eigentliche Bewährungsprobe kommt später, wenn Rückzahlungen erfolgen oder auch nicht.
Ich würde also sagen, dass die Denkweise eines Versicherungsmathematikers eine gewisse Disziplin mit sich bringt. Sie nimmt einem nicht den Ehrgeiz, zwingt einen aber dazu, die Kehrseite zu berücksichtigen. COVID war eine sehr demütigende Erfahrung. Man kann Kreditrisiken, Ausfallwahrscheinlichkeiten, makroökonomische Szenarien und Stressfälle modellieren. Aber manchmal ist der Schock nicht nur wirtschaftlicher Natur, sondern auch politischer und struktureller Art. In der Schweiz veränderte sich der Markt fast über Nacht, als die Regierung plötzlich zinslose Kredite für Unternehmen anbot.
COVID traf Acredius hart, da die Regierung plötzlich begann, zinslose Kredite zu vergeben. Wie geht man als Unternehmer und Risikospezialist mit einem Risiko um, das man schlichtweg nicht modellieren konnte?
Für einen Kreditmarktplatz ist das kein normales Wettbewerbsereignis. Es verändert die gesamte Nachfrageseite des Geschäfts. Warum sollte ein Unternehmen über einen Marktplatz Kredite aufnehmen, wenn es kostenlos staatlich abgesicherte Finanzierungen erhalten kann?
Als Risikospezialist lautet die Lehre daraus, dass nicht jedes Risiko anhand historischer Daten modelliert werden kann. Manche Risiken sind Regimewechsel. Die Welt, auf der Sie Ihr Modell trainiert haben, ist nicht mehr die Welt, in der Sie agieren.
Als Unternehmer muss man die Realität schnell akzeptieren. Man darf sich nicht in sein Modell oder seinen ursprünglichen Plan verlieben. Man muss sich fragen: Was gilt noch, was hat sich dauerhaft verändert und was können wir mit den uns zur Verfügung stehenden Ressourcen und unserem Wissen tun?
Es war schmerzhaft, aber es hat auch eine meiner Grundüberzeugungen bestärkt: Risiko ist nicht der Feind. Risiko ist der Rohstoff. Die Gefahr besteht darin, so zu tun, als gäbe es Risiken nicht. inncivio ist eine agentenbasierte Umsatzinfrastruktur für Finanzdienstleistungen und Versicherungen. Wir helfen Plattformen dabei, ihr Transaktionsvolumen zu steigern, indem wir das Transaktionserlebnis für jeden einzelnen Nutzer hyper-personalisieren.
Heute sind Sie Mitbegründer von inncivio, wo Sie KI und maschinelles Lernen direkt in Versicherungs- und Handelsplattformen integrierst. Was genau macht das Unternehmen?
Wenn man sich die letzten 15 bis 20 Jahre ansieht, hat der Zugang zu Finanzprodukten massiv zugenommen. Wir haben heute mehr digitale Bankprodukte, mehr Handelsprodukte, mehr Arten von Derivaten, mehr Versicherungsprodukte, mehr digitale Vermögenswerte und sogar Prognosemärkte. Die Anzahl und Komplexität der Finanzprodukte ist explosionsartig gestiegen. Doch die Art und Weise, wie Nutzer mit diesen Produkten interagieren, ist relativ starr, standardisiert und komplex geblieben. Die meisten Plattformen präsentieren immer noch denselben Ablauf, dieselben Bildschirme und dieselben Erklärungen für sehr unterschiedliche Nutzer, obwohl diese Nutzer unterschiedliche Wissensstände, unterschiedliche Absichten und unterschiedliche Momente der Verwirrung haben.
Genau dieses Problem löst inncivio. Wir sind der Ansicht, dass Finanzprodukte zunehmend «roh» auf Produktebene entwickelt werden und Plattformen dann eine intelligente Ebene benötigen, die das Transaktionserlebnis an jeden einzelnen Nutzer anpasst. Diese Ebene stellen wir bereit.
Wir integrieren uns über eine schlanke Infrastrukturschicht direkt in Finanzplattformen. Wir erfassen anonymisierte Verhaltens- und Kontextsignale (zum Beispiel, wo der Nutzer zögert, in welchem Schritt er sich befindet, welches Produkt er sich ansieht) und liefern dann kontextbezogene Hilfestellungen wie Erklärungen, Anstösse, Tooltips, Videos oder Handlungsaufforderungen.
Das Ziel ist nicht, den Nutzer zu manipulieren. Das Ziel ist es, Reibungsverluste zu reduzieren und das Verständnis genau in dem Moment zu verbessern, in dem es darauf ankommt. Für die Plattform kann dies das Transaktionsvolumen und die Nutzerbindung steigern. Für den Nutzer kann es dazu beitragen, komplexe finanzielle Abläufe einfacher zu bewältigen. Wichtig ist, dass wir direkt in den Ausführungsweg eingebunden sind. Wir sind kein generischer Chatbot außerhalb des Produkts. Wir sind in den eigentlichen Entscheidungsprozess eingebettet. Ja, und ich denke, dass dieser Konflikt gesund ist.
Bei inncivio tragen Sie sowohl die Rolle eines Versicherungsmathematikers als auch die eines KI-Strategen. Gibt es Momente, in denen diese beiden Perspektiven in Konflikt geraten?
Der KI-Stratege will schnell vorankommen, testen, lernen und optimieren. Der Versicherungsmathematiker fragt: Was sind die Annahmen, was sind die unbeabsichtigten Folgen, was passiert, wenn das Modell falsch ist, und wie messen wir die Auswirkungen richtig?
Im Finanzdienstleistungsbereich kann man Optimierung nicht als rein technische Aufgabe betrachten. Wenn ein KI-System das Nutzerverhalten beeinflusst, muss man verstehen, worauf es optimiert. Hilft es dem Nutzer? Verbessert es die Wirtschaftlichkeit der Plattform? Ist es konform? Ist es ausreichend erklärbar? Könnte es zu Verzerrungen führen?
Der Versicherungsmathematiker in mir sorgt also für Disziplin, und der KI-Stratege in mir für Geschwindigkeit und Experimentierfreudigkeit. Der Schlüssel liegt darin, beides zu kombinieren. KI ohne Risikodisziplin kann gefährlich werden. Risikodisziplin ohne Innovation kann irrelevant werden. Die Rolle hat sich erheblich verändert. Vor zehn Jahren waren viele versicherungsmathematische Modelle noch relativ traditionell: statistische Modelle, Rückstellungsmethoden, Tariftabellen, Kapitalmodelle. Diese sind nach wie vor wichtig, aber das Datenumfeld hat sich dramatisch verändert.
Wie hat sich die Rolle des Versicherungsmathematikers in den letzten zehn Jahren durch KI und maschinelles Lernen verändert, und wohin entwickelt sich das Fachgebiet?
Heute haben Versicherungsmathematiker Zugang zu detaillierteren Daten, mehr Echtzeit-Signalen und leistungsfähigeren Modellierungstechniken. Maschinelles Lernen kann Muster erkennen, die traditionellen Methoden möglicherweise entgehen. Generative KI kann bei der Dokumentation, der Szenarioanalyse, der Kundenkommunikation und internen Arbeitsabläufen helfen.
Ich glaube jedoch nicht, dass KI die Bedeutung von Versicherungsmathematikern mindert. Ich denke, sie verändert vielmehr, was einen Versicherungsmathematiker wertvoll macht. Der Versicherungsmathematiker der Zukunft muss technischer und produktorientierter sein und sich im Umgang mit Datenwissenschaftlern und Ingenieuren wohlerfühlen. Doch die Kernkompetenz des Versicherungsmathematikers bleibt unverzichtbar: das Verständnis von Unsicherheit, Anreizen, langfristigen Verpflichtungen und den Folgen von Fehlentscheidungen. In einer Welt, in der KI sehr schnell Antworten liefern kann, wird die Rolle des Versicherungsmathematikers zunehmend darin bestehen, zu hinterfragen, ob die Antwort zuverlässig, fair, robust und wirtschaftlich sinnvoll ist. Technisch ist heute vieles möglich, doch der Begriff «Echtzeit-Risikobewertung» wird manchmal zu locker verwendet.
In der Versicherungsbranche wird viel über Echtzeit-Risikobewertung gesprochen. Was ist heute tatsächlich technisch möglich, und was ist noch immer nur Marketing-Jargon?
Möglich ist es, Echtzeit- oder Nahe-Echtzeit-Daten zu nutzen, um Entscheidungen zu verbessern. In der Versicherungsbranche könnte das dynamisches Underwriting, Betrugserkennung, Schaden-Triage, Preisanpassungen, Risikoprävention oder Kundenberatung bedeuten. Im Handel oder Kreditgeschäft kann dies bedeuten, Zögern, Risikobereitschaft, Eignungsprobleme oder Verhaltensmuster zu erkennen, sobald sie auftreten.
Technisch gesehen gibt es die Werkzeuge: APIs, Ereignisströme, Modelle des maschinellen Lernens, Cloud-Infrastruktur und eingebettete KI-Schnittstellen. Die grösseren Herausforderungen sind in der Regel nicht die Algorithmen. Es sind vielmehr die Datenqualität, regulatorische Auflagen, Erklärbarkeit, die Integration in Altsysteme und die organisatorische Bereitschaft.
Was Marketing-Jargon ist, ist die Vorstellung, dass jedes Risiko in Echtzeit perfekt bewertet werden kann. Manche Risiken entwickeln sich langsam. Manche erfordern Kontext, der digital nicht verfügbar ist. Manche lassen sich nicht anhand des bisherigen Verhaltens vorhersagen. Und manche Echtzeitsignale sind verrauscht oder irreführend.
Ich würde die Grenze also so ziehen: Echtzeit-Risikobewertung ist wertvoll, wenn sie eine bestimmte Entscheidung in einem bestimmten Arbeitsablauf verbessert. Sie wird zum Jargon, wenn sie als magische Ebene dargestellt wird, die alle Risiken sofort versteht. Ich denke, beides trifft zu.
Schweizer InsurTechs haben es auf der internationalen Bühne oft schwer. Stimmen Sie dem zu, oder wird der Schweizer Markt unterschätzt?
Schweizer InsurTechs und Fintechs haben es oft schwerer, international zu skalieren, da die Schweiz ein relativ kleiner Markt ist. Man kann zwar ein starkes Produkt entwickeln, erreicht aber im Inland möglicherweise nicht dieselbe Grössenordnung wie ein Unternehmen, das in den USA startet. Auch die Kapitalbeschaffung kann konservativer sein, und Schweizer Unternehmen kommunizieren manchmal weniger aggressiv als ihre internationalen Konkurrenten.
Gleichzeitig wird der Schweizer Markt unterschätzt. Die Schweiz verfügt über fundiertes Fachwissen in den Bereichen Versicherung, Bankwesen, Risikomanagement, Regulierung und Vermögensverwaltung sowie über technisches Know-how. Wenn man etwas entwickelt, das in der Schweiz funktioniert – insbesondere in einem regulierten Umfeld –, kann das ein starkes Glaubwürdigkeitssignal sein.
Die Herausforderung besteht darin, dass Schweizer Unternehmen früher international denken müssen. Die Qualität ist oft vorhanden. Der Ehrgeiz und die Kommunikation müssen dem entsprechen. Ich denke, eines der grössten Risiken besteht darin, dass die Branche ihre Infrastruktur nicht auf moderne KI vorbereitet.
Als jemand, der seit Jahren an der Schnittstelle von Versicherung, KI und Technologie tätig ist: Welche Risiken werden Ihrer Meinung nach von der Branche immer noch nicht erkannt?
Die Versicherungsbranche verfügt über sehr umfangreiche Datenbestände, aber oft über eine sehr mangelhafte Dateninfrastruktur. Die Art und Weise, wie Daten erfasst, strukturiert, bereinigt, verknüpft und für KI und maschinelles Lernen nutzbar gemacht werden, hinkt in vielen Organisationen noch hinterher. Das ist nicht nur ein technisches Problem. Es ist ein Umdenken erforderlich.
Das Risiko besteht darin, dass Unternehmen ein generisches KI-Modell auf Daten von schlechter Qualität anwenden und transformative Ergebnisse erwarten. Die Ergebnisse werden dann generisch, unvollständig oder enttäuschend ausfallen. Die Leute werden sich das ansehen und sagen: «KI ist für unsere Branche noch nicht bereit», obwohl das Problem in Wirklichkeit nicht nur beim Modell liegt. Das Problem ist die zugrunde liegende Infrastruktur. Das ist gefährlich, weil es dazu führen kann, dass die Branche weiter ins Hintertreffen gerät. KI braucht Kontext, Struktur und hochwertige Daten, um nützlich zu sein. Ohne diese Voraussetzungen wird selbst das beste Modell Schwierigkeiten haben.
Deshalb werden Menschen mit einem doppelten Hintergrund immer wertvoller: Menschen, die sich mit Data Engineering und Technologie auskennen, aber auch mit Versicherungen, Finanzen und Risiken. Man muss in der Lage sein, Technologie mit den Augen eines Versicherungsmathematikers zu betrachten und das Versicherungswesen mit den Augen eines Technologen. An dieser Schnittstelle wird ein Grossteil des Mehrwerts geschaffen. Ich würde ihnen raten: Eignet euch die Grundlagen gründlich an, aber belasst es nicht dabei. Ihr braucht nach wie vor Kenntnisse in Mathematik, Wahrscheinlichkeitsrechnung, Statistik, Finanzen und Versicherungswesen. Generative KI ersetzt diese Grundlage nicht. Tatsächlich macht sie diese Grundlage sogar noch wichtiger, denn man muss erkennen können, wann die Maschine falsch liegt.
Welchen Rat würden Sie jungen Menschen geben, die heute eine Karriere in der Versicherungsmathematik anstreben, insbesondere vor dem Hintergrund der generativen KI?
Ich würde junge Versicherungsmathematiker aber auch ermutigen, sich mit Programmierung, Datenwissenschaft, maschinellem Lernen und Produktdenken auseinanderzusetzen. Seht euch nicht nur als jemanden, der Berichte oder Modelle erstellt. Seht euch als jemanden, der beim Aufbau von Entscheidungssystemen helfen kann.
Die besten Chancen werden diejenigen haben, die Brücken zwischen verschiedenen Welten schlagen können: Versicherungsmathematik und KI, Regulierung und Innovation, Wirtschaft und Technologie. Meine Empfehlung lautet ausserdem: Bleibt neugierig. KI wird viele Werkzeuge verändern, aber Neugier, Urteilsvermögen und Verantwortungsbewusstsein werden weiterhin sehr wertvoll sein. Leidenschaft auf jeden Fall und ganz konkret: Leidenschaft für das Schöpferische.
Zum Schluss: Sie haben sechs Unternehmen mitbegründet oder gegründet. Was treibt Sie an: Risiko oder Leidenschaft?
Ich baue gerne Dinge auf. Ich mag das Gefühl, etwas von Null auf Eins zu bringen: von einer Idee über eine erste Version zu einem Produkt, zu einem Unternehmen, zu etwas, das Kunden tatsächlich nutzen. Das ist mein grösstes Glücksgefühl.
Ausserdem mag ich es, mein Schicksal selbst in die Hand zu nehmen. Unternehmertum ist schwierig und manchmal schmerzhaft, aber es gibt einem die Möglichkeit, den eigenen Weg zu gestalten und etwas zu schaffen, das die eigene Sicht auf die Welt widerspiegelt.
Risiko um des Risikos willen reizt mich nicht. Ich glaube nicht, dass Unternehmer Unsicherheit verherrlichen sollten. Aber ich fühle mich zu Problemen hingezogen, bei denen Unsicherheit herrscht und bei denen Technologie den Menschen helfen kann, bessere Entscheidungen zu treffen. Das war der rote Faden in meiner Karriere: Versicherungsbetrug, Kreditrisiko, Kreditvergabe, Handel, Finanzberatung, KI. Das sind alles Bereiche, in denen die Entscheidungen komplex sind und es um echte Risiken geht.
Ich würde also sagen, dass nicht das Risiko mich antreibt. Das Risiko ist das Material, mit dem ich arbeite. Das Schöpferische ist es, was mich antreibt.
Die Fragen hat Binci Heeb gestellt.
Ghassen Benhadjsalah ist ein erfahrener Tech-Unternehmer mit einem akademischen Hintergrund in den Bereichen KI und Versicherungsmathematik. Im Laufe der Jahre hat er mehrere Startups gegründet, die grösstenteils an der Schnittstelle von Fintech, Versicherungswesen und KI angesiedelt sind. Er ist ein leidenschaftlicher Entwickler und zäher, durchhaltefähiger Gründer, der sowohl über technisches als auch über betriebswirtschaftliches Know-how verfügt.
Lesen Sie auch: Wie inncivio KI nutzt, um kontextbezogene Benutzerführung für die Transaktionswirtschaft neu zu gestalten
Suche:
Sponsoren:
