Risikobepreisung & Underwriting in der Versicherung

Die Preisbildung ist die zentrale versicherungsmathematische Aufgabe in der Versicherung. Man schätzt die erwarteten Kosten eines Risikos, schlägt Kosten und Marge auf und entscheidet, ob und zu welchen Bedingungen es angenommen wird. Verallgemeinerte lineare Modelle (GLMs) sind seit Jahrzehnten der Standard. Heute finden Gradient Boosting, erklärbare Modelle im GAM-Stil und tabellarische Foundation-Modelle nichtlineare Effekte und Wechselwirkungen schneller. Pricing-Plattformen übersetzen diese Erkenntnisse dann in transparente, einreichungsfähige Tarife und spielen sie binnen Tagen in die Tarifierungs-Engine ein. Auf der Underwriting-Seite lesen LLM-Assistenten Anträge und medizinische Nachweise und bereiten Entscheidungen vor. In der EU geschieht das unter engen Vorgaben: keine geschlechtsabhängigen Prämien, Erwartungen der EIOPA an faire Preisgestaltung und Hochrisiko-Status nach der KI-Verordnung (AI Act) für die Preisbildung in der Lebens- und Krankenversicherung natürlicher Personen.

Problem & Nutzen

• Heute: Pricing-Aktuare bauen GLMs je Gefahr und Sparte in Werkzeugen wie SAS, Emblem oder R. Sie prüfen sie im Ausschuss und übergeben sie der IT zur Umsetzung in der Tarifierungs-Engine. Ein Tarifzyklus dauert oft Monate. Underwriter im Gewerbe- und Spezialgeschäft kalkulieren in Tabellen und nach Erfahrung. Underwriter in der Lebensversicherung bewerten Fragebögen und Arztberichte von Hand.
• KI-Nutzen: bessere Risikosegmentierung, die Antiselektion senkt und die Schadenquote verbessert. Tarifzyklen werden schneller, Modelle werden über Sparten und Vertriebswege hinweg einheitlich, mehr einfache Risiken werden automatisch angenommen, und Underwriter widmen ihre Zeit den komplexen Risiken.
• Von Anbietern berichtete Effekte (nicht unabhängig geprüft): Akur8 nennt mehr als 350 Versicherer als Kunden und sagt, die Time-to-Market sinke „von Monaten auf Tage" [2]. Earnix berichtet von mehr als 100 Versicherern, Tarifentwicklung in Tagen statt in rund sechs Monaten und 12-mal schnellerer Angebotserstellung als bei Altsystemen [3]. hyperexponential sagt, Versicherer mit mehr als 75 Mrd. US-Dollar jährlichem gewerblichen Schaden-/Unfall-Prämienvolumen nutzten seine Plattform [4]. Prüfen Sie solche Angaben an den eigenen Daten, bevor Sie sich darauf verlassen.

Varianten

• Privatkunden Schaden/Unfall (Kfz, Wohngebäude, Haftpflicht): GLM-/GBM-Bepreisung mit hohem Volumen plus Preisoptimierung innerhalb der regulatorischen Grenzen. Telematikbasierte Kfz-Bepreisung ist ein eigener Anwendungsfall (PRED-030).
• Gewerbe & Spezialgeschäft / MGA: Bepreisungsmodelle je Kunde innerhalb einer Underwriting-Arbeitsumgebung (hyperexponential, Akur8, eigenes Python). Die vorgelagerte Antragsaufnahme ist DOC-024.
• Sach mit Geodaten-Anreicherung: Gefahrenwerte (Hochwasser, Hagel, Waldbrand, Bodensenkung) und Dach- oder Gebäudemerkmale aus Luftbildern fließen in die Tarifmerkmale ein. Klimaszenarien mit langem Horizont gehören zu PRED-036.
• Leben & Kranken (natürliche Personen): automatisierte Underwriting-Regelwerke der Rückversicherer, zunehmend kombiniert mit ML-Modellen für Sterblichkeit und Erkrankungshäufigkeit und dem Lesen medizinischer Nachweise durch LLMs. Das ist die Hochrisiko-Variante nach Anhang III (siehe unten).
• Rückversicherung & Portfoliobepreisung: Erfahrungs- und Exposure-Rating, mit ML für die Prognose der Schadenquote je Zedent und Segment.
• Makler / Vergleichsportale: Vorhersage von Annahme und Preisspannen über mehrere Versicherer hinweg (beratend, nicht der Tarif des Versicherers).
• Private Nutzung: kein Anwendungsfall für Privatnutzer. Verbraucher erleben nur das Ergebnis (den Angebotspreis).

So funktioniert es

1. Policen- + Schaden- + Exposure-Daten (Data Warehouse, IFRS 17 / Solvency II Datenherkunft)
2. Anreicherung (Geokodierung & Gefahrenzonen, Fahrzeug-/Gebäudedaten, Unternehmensregister)
3. Merkmalsbildung & Datenqualitätsprüfungen
4. Risikomodelle: Häufigkeit (Poisson) × Schadenhöhe (Gamma) oder Tweedie Pure Premium GLM/GAM-Basis | GBM / EBM / tabellarisches FM als Herausforderer oder zur Entdeckung von Wechselwirkungen
5. „Glass-Boxing": ML-Erkenntnisse in Tariffaktoren übersetzen, Glättung, monotone Nebenbedingungen
6. Fairness- und Stabilitätsprüfungen (keine geschützten Merkmale oder Proxys, Segment-Backtests)
7. [optional] Nachfrage-/Bestandsmodelle
8. beschränkte Preisoptimierung (Schaden/Unfall, wo zulässig)
9. Pricing-Ausschuss + Freigabe durch die versicherungsmathematische Funktion ← Mensch-in-der-Schleife
10. Einsatz in der Tarifierungs-Engine per API, A/B- oder Schatten-Tarifierung, Überwachung & Drift-Warnungen Underwriting: Antrag/Anfrage
11. Regeln + ML-Score
12. automatisch annehmen | an Underwriter abgeben (LLM-Assistent fasst Nachweise zusammen, entwirft Konditionen; der Underwriter entscheidet)

• Modellfamilien: GLMs mit Poisson-/Gamma-/Tweedie-Verlusten bleiben das maßgebliche Tarifformat. GBMs (LightGBM, XGBoost, CatBoost) und EBMs [8] dienen als Herausforderer und helfen, Wechselwirkungen zu finden. Kombinierte versicherungsmathematische neuronale Netze (CANN) und die Methoden aus der Literatur zu Actuarial ML von Wüthrich & Merz [10] schlagen die Brücke zwischen GLMs und Deep Learning.
• Mensch-in-der-Schleife (Human-in-the-Loop): Freigabe jedes Tarifs durch den Pricing-Ausschuss, Prüfung durch die versicherungsmathematische Funktion, Abgabe an Underwriter oberhalb der Zeichnungsvollmacht und manuelle Prüfung jedes abgelehnten oder mit Zuschlag versehenen Leben-/Kranken-Falls.

Datenaufbereitung

Welche Daten: Policen- und Exposure-Daten, Schadenhistorie mit Kosten und Ursachen, Kunden- und Risikomerkmale, Daten Dritter (Geo, Fahrzeug, Bonität, Telematik) und Underwriting-Notizen.

Wo sie liegen: im Bestandsführungssystem, im Schadensystem, in Maklerportalen und im Data Warehouse, dazu E-Mails und PDF-Anträge oder Erhebungen in einem DMS oder auf Dateiservern.

Typische Lücken: Exposure und Schäden nicht sauber verknüpft, sich über die Jahre ändernde Produktdefinitionen, freie Textnotizen im Underwriting, eingescannte Anträge, uneinheitliche Kodierung der Ursachen, eingeschränkt nutzbare Merkmale (Gesundheit, Geschlecht) mit unklarer Rechtsgrundlage und über Abteilungen verstreute Zugriffsrechte.

Schritte: 1. Eine historische Tabelle aus Policen und Schäden mit einheitlichen Exposure-Zeiträumen aufbauen (PREP-005, PREP-011). 2. Zielgrößen definieren (Häufigkeit, Schadenhöhe, Schadenquote) und Labels aus den Schadendaten gewinnen (PREP-020). 3. Strukturierte Felder aus Antrags-PDFs und Erhebungen mit OCR/LLMs extrahieren (DOC-014, DOC-018). 4. Ein fachliches Glossar für Risikomerkmale vereinbaren (PREP-012). 5. Geschützte Merkmale entfernen oder begründen, dann Entwicklungsauszüge pseudonymisieren (PREP-022, PREP-025). 6. Zeitlich getrennte Testdaten zurückhalten (PREP-018).

Aufwandsanteil: etwa 50–60 Prozent der Arbeit. Wer eine Tarifierungs-Engine kauft, reduziert dies auf Onboarding und das Zuordnen der eigenen Daten. Die Bereitschaft prüfen Sie mit GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen (C): Bepreisung und Underwriting sind das Kerngeschäft des Versicherers und eine Quelle von Wettbewerbsvorteilen; sensible Policen- und Schadendaten sowie die Erwartungen von BaFin und EIOPA sprechen für eigene Modelle auf einer kontrollierten Plattform.
• KMU (A): Kleine Versicherer, MGAs und Makler sollten etablierte Tarifierungs-Engines und Risikobewertungsdienste von Spezialanbietern nutzen, statt Modelle selbst zu bauen.
• Entwickler (C): Open-Source-Bibliotheken für Versicherungsmathematik und ML (GLMs, Gradient Boosting, SHAP) laufen auf HW1 und passen zu individuellen Bepreisungsaufgaben.

Weg A — Kaufen (Standardsoftware)

• Pricing-Plattformen (Schaden/Unfall): Akur8 (Frankreich, EU; transparentes ML, das Tarife im GLM-Stil ausgibt, plus Module für Reservierung und Leben) [2]; Earnix (Bepreisung, Tarifierungs-Engine, Underwriting) [3]; Guidewire PricingCenter (Cloud-Bepreisung und -Tarifierung mit GLM/GAM, GBM und API-Einsatz; quantee.ai, früher ein polnischer EU-Anbieter, leitet jetzt dorthin weiter) [5]; WTW Radar / Emblem (seit langem etablierte versicherungsmathematische Suite).
• Underwriting im Gewerbe-/Spezialgeschäft: hyperexponential (Großbritannien; Bepreisungsmodelle und Verlängerungen in einer Underwriting-Arbeitsumgebung) [4]. KI-Anbieter für die Antragsaufnahme sind in DOC-024 aufgeführt.
• Automatisiertes Underwriting Leben/Kranken: Regelwerke von Rückversicherern wie Munich Re ALLFINANZ, Swiss Re Magnum und hr | ReFlex von Hannover Re. Sie sind im Paket mit Rückversicherungsverträgen meist kostenlos oder günstig. Alle drei Anbieter sind aus der EU oder der Schweiz.
• Wählen Sie A, wenn: Sie ein kleiner oder mittlerer Versicherer oder MGA ohne großes Data-Science-Team sind, einreichungsfähige und erklärbare Tarife brauchen und eine Anbindung an die Tarifierungs-Engine wünschen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• ML-Plattformen in EU-Regionen: Azure Machine Learning, AWS SageMaker (Frankfurt), Google Vertex AI (EU), Databricks oder Snowflake in EU-Regionen; die Clouds von STACKIT und IONOS als souveräne Alternativen.
• LLM zur Underwriting-Unterstützung: Mistral (EU) oder Claude, GPT und Gemini mit Datenhaltung in der EU. Typische Aufgaben sind das Zusammenfassen von Anträgen und medizinischen Nachweisen, das Entwerfen von Abgabevermerken und das Erklären von Tarifmerkmalen. Halten Sie das LLM aus der eigentlichen Preisberechnung heraus.
• API für tabellarische FM: Prior Labs bietet eine gehostete TabPFN-API (Deutschland) für schnelle Herausfordermodelle.
• Wählen Sie B, wenn: Sie ein eigenes versicherungsmathematisches Data-Science-Team haben und auf einer verwalteten ML-Plattform Flexibilität wollen.

Weg C — Selbst betreiben (Open Source)

• Modellierung: glum (QuantCo, BSD-3; schnelle regularisierte GLMs mit Tweedie und monotonen Nebenbedingungen) [7], statsmodels, LightGBM, XGBoost, CatBoost, InterpretML EBM (MIT) [8], scikit-learn, R (glm, mgcv, gbm). Erklärbarkeit über SHAP und Partial-Dependence-Diagramme.
• Tabellarische Foundation-Modelle: TabPFN (Prior Labs GmbH). Version 3.5 akzeptiert bis zu 1 Million Zeilen und 20.000 Merkmale. Gewichte ab 2.5 werden unter nichtkommerziellen Lizenzen veröffentlicht, und nur TabPFN-2 basiert auf Apache-2.0 [6], daher braucht die kommerzielle Nutzung eine Lizenz.
• MLOps: MLflow (Registry), Feast (Merkmale), Evidently (Drift), ONNX oder ein Python-Microservice für das Scoring hinter der Tarifierungs-Engine. Ein LLM mit offenen Gewichten (Mistral Small, Qwen3) auf vLLM betreibt den Underwriting-Assistenten.
• Hardware: HW1. Training und Scoring von GLM/GBM laufen auf CPU-Servern. Eine GPU (HW2) hilft nur bei TabPFN mit großen Datenmengen oder beim selbst betriebenen LLM-Assistenten.

Weg D — Eigenes Training

Genau das bedeutet Bepreisung im Kern: Jeder Versicherer trainiert auf der eigenen Schadenerfahrung, weil sich Marktmodelle nicht übertragen lassen. Benötigt werden mehrere Jahre Exposure- und Schadendaten auf Policenebene, idealerweise mit zehntausenden Schäden je Gefahr für stabile GBMs. Kleinere Portfolios nutzen Kredibilitätsgewichtung, Markt- oder Rückversicherer-Basisraten oder tabellarische Foundation-Modelle. Das Feintuning eines LLM lohnt sich selten; Retrieval über Underwriting-Richtlinien reicht meist aus.

Stand der Technik (2026)

• Hybrides „transparentes ML": Der Markt konvergiert zu GBMs oder automatisierter GAM-Suche für die Entdeckung, wobei das Ergebnis als beschränkte, geglättete GLM-/GAM-Tarife geliefert wird, die Aufsicht und Pricing-Ausschüsse lesen können. Akur8, PricingCenter und Earnix betonen dies alle [2][3][5].
• Tabellarische Foundation-Modelle (TabPFN-3.x) verarbeiten inzwischen Datensätze bis zu einer Million Zeilen im Kontext [6] und sind starke schnelle Herausforderer. Gradient Boosting bleibt das Arbeitspferd der Produktion wegen Lizenzierung, Latenz und Prüfbarkeit. Benchmarks aus der Community wie TabArena vergleichen diese Modellklassen.
• Agentische Werkzeuge für Versicherungsmathematik und Underwriting: Anbieter ergänzen Agenten, die Modellprüfungen, Begründungen für Tarifänderungen und die Neubepreisung bei Verlängerungen vorbereiten (Akur8 Agents, hyperexponential Renewals, Earnix AIOS) [2][3][4].
• Grenzen & Fehlerbilder: spärliche Daten zu Großschäden (Ränder der Schadenverteilung), Proxy-Diskriminierung über Postleitzahl oder Beruf und Konzeptdrift durch Inflation und Schadenkostenschocks. Es treten auch Rückkopplungen auf, weil das Portfolio, das Sie bepreisen, von Ihren früheren Preisen geprägt ist. Preisoptimierung, die treuen Kunden mehr berechnet, steht unter aufsichtlicher Beobachtung [9].

Gemeinsame Bausteine & Kombinationen

• Gleicher tabular-ml-Stack und Feature Store: PRED-009 Bonitätsbewertung, PRED-003 Kundenabwanderung (Modelle zur Bestandssicherung bei Verlängerung speisen die Preisoptimierung), PRED-015 AVM (Versicherungssummen für Sach), PRED-037 Schadenhöhe und Reservierung (gleiche Schadendaten, anderes Ziel), ANOM-003 Schadenbetrug. Eine CPU-basierte MLOps-Plattform (HW1) und ein gesteuerter Data Mart für Policen/Schäden können all diese bedienen.
• Vorgelagerte Daten: DOC-024 Antragsaufnahme (normalisierte SOVs und Schadenverläufe), PRED-030 Telematik-Scores, PRED-036 physisches Klimarisiko und DATA-011 Geodaten-Anreicherung als Tarifmerkmale.
• Nachgelagert: OPT-004 dynamische Preislogik (Nachfrage × Kosten), DATA-027 Experimente für kontrollierte Tarifversuche, AGENT-014 Schadenbearbeitung, CONV-013 Kundenassistent, der Angebote erklärt.
• Governance: SEC-022 KI-Inventar und Dokumentation nach der KI-Verordnung. Dieselben Werkzeuge für Fairness, Erklärbarkeit und Überwachung decken auch PRED-009 und HLTH-020 ab.

Aufwand, Kosten & Kennzahlen

• Weg A: 3–9 Monate, um eine Plattform in Produktion zu bringen, einschließlich Datenmigration und Anbindung der Tarifierungs-Engine. Die Kosten sind ein Abonnement je Sparte oder Prämienvolumen (Anbieterangebot).
• Weg B/C: 6–18 Monate für einen eigenen Pricing-Stack mit einem Team aus 3–8 Aktuaren und Data Scientists. Die Rechenkosten sind gegenüber den Personal- und Datenkosten gering.
• Kostentreiber: Datenqualität und Historie, Lizenzen für externe Anreicherungsdaten, Anbindung der Tarifierungs-Engine, Modell-Governance und Dokumentation.
• Kennzahlen: Gini/Lift und Devianz auf Holdout-Daten, Ist-gegen-Erwartung je Segment, Schadenquote und Combined Ratio je Kohorte, Abschluss- und Bestandsquote, Zeit von Angebot bis Abschluss, Durchlaufzeit der Tarifeinführung, Quote durchgängig automatisierten Underwritings, Abgabequote, Fairnesskennzahlen je Proxy für geschützte Gruppen.

Menschen & Veränderung

Früh einbeziehen: die Geschäftsführung (Strategie, Risikoappetit), die Leitungen von Underwriting und Versicherungsmathematik als Prozessverantwortliche, IT und IT-Sicherheit, die/den Datenschutzbeauftragte(n), Recht/Compliance (BaFin, Solvency II, Antidiskriminierungsrecht) und die Datenverantwortlichen für Policen- und Schadensysteme. Binden Sie Underwriter ab dem ersten Workshop als Endanwender ein; sie wissen, wo Modelle versagen.

Betriebsrat: in der Regel nein, da das Modell Antragsteller und Risiken bewertet, nicht Beschäftigte. Relevant wird es, wenn Übersteuerungen oder Bearbeitungszeiten von Underwritern personenbezogen protokolliert werden (§ 87 Abs. 1 Nr. 6 BetrVG), und der Betriebsrat ist über KI-geplante Arbeitsprozesse zu unterrichten (§ 90 Abs. 1 Nr. 3). Streben Sie eine vereinbarte Zweckbindung an.

Datenschutz: Eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) ist wahrscheinlich nötig, wenn Gesundheitsdaten oder andere besondere Kategorien genutzt werden oder das Profiling systematisch ist; AVV mit jedem Daten- und Modellanbieter; beziehen Sie die/den Datenschutzbeauftragte(n) ein. Siehe GUIDE-005.

KI-Kompetenz: Art. 4 der KI-Verordnung verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten. Schulen Sie Underwriter und Aktuare zu Modellgrenzen, Drift und Erklärungen (GUIDE-006).

Pilot und Kommunikation: Betreiben Sie ein neues Modell im Schattenbetrieb für eine Produktlinie und vergleichen Sie mit der aktuellen Bepreisung (GUIDE-009).

Bedenken: Der Sorge vor Kompetenzverlust und automatisierten Ablehnungen begegnen Sie mit Abgaberegeln, dokumentierten Rechten zur Übersteuerung und regelmäßigen Fairness-Prüfungen. Die Menschen behalten die endgültige Entscheidungsbefugnis bei Ablehnungen und außergewöhnlichen Risiken (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act) (Einstufung: abhängig): Anhang III Nummer 5(c) stuft KI-Systeme zur Risikobewertung und Preisbildung bei natürlichen Personen in der Lebens- und Krankenversicherung als Hochrisiko ein [1]. Das löst die Pflichten nach Art. 9–15 aus (Risikomanagement, Daten-Governance, Dokumentation, menschliche Aufsicht, Genauigkeit), die Registrierung und eine Grundrechte-Folgenabschätzung durch Betreiber (Art. 27). Die Pflichten nach Anhang III sollten ursprünglich ab dem 2. Aug. 2026 gelten. Nach dem Digital Omnibus zur KI (Verordnung (EU) 2026/1744, in Kraft seit 27. Juli 2026) gelten sie ab dem 2. Dezember 2027 (wie in PRED-009). Die Bepreisung in Schaden/Unfall, Gewerbe und Rückversicherung ist in Anhang III nicht aufgeführt und gilt meist als minimales Risiko. Die KI-Kompetenz nach Art. 4 gilt weiterhin. Nicht verboten nach Art. 5, außer es wird zu Social Scoring, das sachfremde Verhaltensdaten zum Nachteil von Personen nutzt.
• EIOPA: Die Stellungnahme zu KI-Governance und Risikomanagement (6. Aug. 2025) betrifft KI, die nicht als Hochrisiko eingestuft ist. Sie setzt verhältnismäßige Erwartungen an Daten-Governance, Aufzeichnung, Fairness, Erklärbarkeit, Cybersicherheit und menschliche Aufsicht unter Solvency II und IDD [11]. Die Aufsichtliche Erklärung zu differenzierten Preispraktiken (16. März 2023) richtet sich gegen Preisgestaltung, die Kunden unfair behandelt, etwa Price Walking [9].
• Antidiskriminierung: Der EuGH-Fall Test-Achats (C-236/09) untersagt das Geschlecht als Prämienfaktor [12]. Vermeiden Sie Proxys für ethnische Herkunft, Religion oder Behinderung (Richtlinie 2004/113/EG, deutsches AGG §§ 19–20).
• DSGVO: Die Bepreisung nutzt personenbezogene Daten. Gesundheitsdaten (Art. 9) erfordern eine ausdrückliche Einwilligung oder eine Rechtsgrundlage. Vollautomatisierte Ablehnungen oder Zuschläge fallen unter Art. 22. Das EuGH-Urteil SCHUFA (C-634/21) hat entschieden, dass ein Score, der eine Entscheidung maßgeblich prägt, selbst als automatisierte Entscheidung gelten kann [13]. Sorgen Sie für aussagekräftige Erklärungen, das Recht auf menschliche Überprüfung, eine DSFA und möglichst wenige externe Daten.
• Sektorrecht: Solvency II (versicherungsmathematische Funktion, Modellvalidierung), Produktaufsicht nach IDD und Wünsche-und-Bedürfnisse-Test, nationale Aufsicht (BaFin/VAG in Deutschland) und DORA für das IKT-Drittparteienrisiko bei Pricing-SaaS.
• Gegenmaßnahmen: geschützte Merkmale aus den Modelleingaben heraushalten, aber für Fairness-Tests verfügbar halten, monotone und Plausibilitätsbedingungen, Herausfordermodelle, dokumentierte Ausschussfreigabe, Drift-Überwachung und Menschen, die alle nachteiligen Entscheidungen in Leben/Kranken treffen.

Erste Schritte

1. Erfassen Sie die aktuellen Tarife, Datenquellen und die Tarifierungs-Engine. Ordnen Sie jedes Modell nach der KI-Verordnung ein (Leben/Kranken natürlicher Personen = Hochrisiko) und tragen Sie es im KI-Inventar ein (SEC-022).
2. Bauen Sie einen sauberen, versionierten Modellierungsdatensatz aus Policen und Schäden mit Exposure auf und bilden Sie das aktuelle GLM als Ausgangsbasis nach.
3. Lassen Sie einen GBM-/EBM-Herausforderer laufen oder testen Sie Akur8, PricingCenter oder Earnix in einer Sparte. Vergleichen Sie den Gini auf Holdout-Daten und Ist-gegen-Erwartung und prüfen Sie, welche Wechselwirkungen die Ausgangsbasis übersieht.
4. Legen Sie vor dem Einsatz mit der versicherungsmathematischen Funktion und Compliance Standards für Fairness, Erklärbarkeit und Freigabe fest.
5. Setzen Sie im Schattenbetrieb neben dem bestehenden Tarif ein, überwachen Sie und geben Sie dann über kontrollierte Tarifversuche frei.

Quellen

1. EU AI Act, Annex III (high-risk use cases, point 5(c) life & health insurance) — https://artificialintelligenceact.eu/annex/3/
2. Akur8 — pricing, reserving, life and agent products; customer and time-to-market claims — https://www.akur8.com/
3. Earnix — pricing, rating, underwriting, AIOS; customer and speed claims — https://earnix.com/
4. hyperexponential — commercial P&C pricing and underwriting platform — https://www.hyperexponential.com/
5. Guidewire PricingCenter — https://www.guidewire.com/products/core-products/insurancesuite/pricingcenter-insurance-pricing-management-software
6. Prior Labs TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
7. QuantCo glum — high-performance GLMs in Python — https://github.com/Quantco/glum
8. InterpretML / Explainable Boosting Machines — https://github.com/interpretml/interpret
9. EIOPA Supervisory Statement on differential pricing practices in non-life insurance (2023) — https://www.eiopa.europa.eu/publications/supervisory-statement-differential-pricing-practices-non-life-insurance-lines-business_en
10. Wüthrich & Merz, Statistical Foundations of Actuarial Learning and its Applications (Springer, open access) — https://link.springer.com/book/10.1007/978-3-031-12409-9
11. EIOPA publishes Opinion on AI governance and risk management (6 Aug 2025) — https://www.eiopa.europa.eu/eiopa-publishes-opinion-ai-governance-and-risk-management-2025-08-06_en
12. CJEU C-236/09 Test-Achats — https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:62009CJ0236
13. CJEU C-634/21 SCHUFA Holding (Scoring) — https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:62021CJ0634
14. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj