Sturmrisiken steigen deutlich. Wie KI-basierte Sturmrisikomodelle österreichischen Versicherern 2025 helfen, Pricing, Underwriting und Schäden spürbar zu verbessern.
Warum Sturmrisikomodelle plötzlich Chefsache sind
Österreichische Versicherer spüren es längst in den Schadenstatistiken: Sturm- und Hagelschäden steigen seit Jahren deutlich an, sowohl in Häufigkeit als auch in der Intensität. Laut diversen europäischen Studien haben wetterbedingte Schäden in den letzten 20 Jahren um teils über 40 % zugelegt – und 2024/2025 setzt diesen Trend fort.
Für die Assekuranz heißt das: Sturmrisiko ist nicht mehr nur ein „Kat-Thema“, das man alle paar Jahre am Radar hat, sondern ein zentraler Bestandteil von Pricing, Underwriting und Portfoliosteuerung. Klassische zonale Tarife mit groben Gefahrenzonen geraten an ihre Grenzen.
Gleichzeitig zeigt der US‑Markt, wohin die Reise geht: Anbieter wie ZestyAI setzen auf KI-basierte Sturmrisikomodelle und erhalten nach und nach Modellzulassungen in mehreren US-Bundesstaaten. Der inhaltliche Kern ist für Österreich hoch relevant: Feinräumige, erklärbare KI-Modelle für Sturmrisiko werden zum Standard – auch Regulatoren beginnen, genau hinzusehen.
Dieser Beitrag beleuchtet, was moderne Sturmrisikomodelle leisten, welche Lehren sich aus internationalen Beispielen ziehen lassen und wie österreichische Versicherer 2025 konkret mit KI im Sturmrisiko durchstarten können.
Was moderne KI-Sturmrisikomodelle wirklich anders machen
Moderne KI-Modelle für Sturmrisiko unterscheiden sich in drei Punkten fundamental von klassischen Verfahren: Granularität, Datentiefe und Aktualisierbarkeit.
1. Vom Postleitzahlgebiet zum Einzelobjekt
Traditionelle Modelle arbeiten mit:
- Gefahrenzonen (z.B. Gemeinde, Katastralgemeinde, PLZ)
- Stark vereinfachten Annahmen zu Bebauung und Exponierung
KI-gestĂĽtzte Modelle gehen deutlich tiefer:
- Modellierung auf Gebäudeebene: Jedes Risikoobjekt bekommt einen individuellen Risikowert.
- Einbezug von Mikro-Lagefaktoren: Höhenlage, Abstand zu Windkanälen, Abschirmung durch Bebauung oder Vegetation.
- BerĂĽcksichtigung von Bauweise und Zustand: Dachform, Material, Modernisierungsgrad, bauliche SchutzmaĂźnahmen.
Der Effekt ist messbar: Portfolios lassen sich nicht mehr nur grob in „hohes“ oder „niedriges“ Sturmrisiko einteilen. Innerhalb derselben Straße können sich Risikoprofile massiv unterscheiden. Genau hier entsteht Preispotenzial.
2. Mehr Daten, besser kombinierte Signale
KI-Sturmrisikomodelle nutzen typischerweise einen Mix aus historischen und strukturellen Daten:
- Langzeit-Wetter- und Sturmdaten (Windgeschwindigkeiten, Zugbahnen, Hagelzellen)
- Satelliten- und Luftbilddaten (Dachflächen, Dachneigung, Beschattung)
- Topographische Informationen (Höhenmodelle, Exposition)
- Gebäude- und Nutzungsdaten (Baujahr, Nutzung, Wertindikatoren)
- Historische Schaden- und Vertragsdaten des Versicherers
Der entscheidende Unterschied: KI erkennt komplexe Muster in der Kombination dieser Daten, die mit klassischen Aktuarsmodellen nur schwer zu greifen sind. Etwa: „Flachdächer mit bestimmter Abdeckung, in Tallagen mit bestimmtem Windprofil, zeigen ab einer Windgeschwindigkeit von X ein um 30 % erhöhtes Schadenrisiko.“
3. Kontinuierliche Modellpflege statt Modell alle 5–10 Jahre
Viele heutige Kat-Modelle haben eine lange Aktualisierungsperiode. In einem Klima, in dem Extremwetter faktisch jedes Jahr neue Rekorde setzt, ist das zu träge.
KI-basierte Modelle können:
- jährlich oder sogar halbjährlich mit neuen Wetter- und Schadendaten nachtrainiert werden,
- in Pilotregionen getestet und kalibriert werden,
- regulatorisch begleitet werden, indem jede Version dokumentiert und nachvollziehbar gemacht wird.
Die Realität: Wer seine Modelle nicht laufend aktualisiert, preist von gestern – und trägt das Risiko von morgen.
Regulierung & Modellzulassung: Was wir aus den USA lernen können
Dass ZestyAI in den USA Modellzulassungen für Sturmrisiko in mehreren Bundesstaaten erhält, zeigt einen klaren Trend: Regulatoren akzeptieren KI-Modelle – unter klaren Bedingungen. Für den DACH‑Raum und insbesondere Österreich lassen sich daraus einige Lehren ziehen.
Transparenz statt „Black Box“
Aufsichtsbehörden verlangen auch bei KI-Sturmrisikomodellen:
- Nachvollziehbare Modellarchitektur (welche Eingangsdaten, welche Modellfamilien)
- Dokumentierte Validierung (GĂĽtekennzahlen, Backtesting, Out-of-Sample-Tests)
- Erklärbarkeit auf Portfolio- und Objekt-Ebene (Warum erhält ein Risikoobjekt diesen Score?)
Für Versicherer in Österreich heißt das: Bei der Auswahl eines KI-Partners zählt nicht nur die Prognosegüte, sondern auch die regulatorische „Eignung“. Wer heute Modelle einführt, muss mit ESG- und KI-Regelwerken von morgen leben können.
Governance fĂĽr KI-Modelle aufbauen
Viele Häuser haben ein solides Modellrisiko-Management – aber noch kein spezifisches KI-Governance-Framework. Für Sturmrisikomodelle bietet sich ein pragmatischer Ansatz an:
- Modellklassifizierung: Einstufung als wesentliche Modelle mit potenzieller Auswirkung auf Prämien und Solvenz.
- Rollen klar definieren: Fachbereich, Aktuariat, Data Science, Compliance und Risikomanagement mit klaren Verantwortlichkeiten.
- Regelmäßige unabhängige Validierung: Mindest-Frequenz (z.B. jährlich) plus ergebnisabhängige Ad-hoc-Reviews.
- Dokumentation in „prüfungsfester“ Form: von Datenherkunft und -qualität bis zu Modellversionen und Änderungen.
Wer das frĂĽh strukturiert, kann Modellzulassungen und BaFin/FMA-Dialog deutlich entspannter angehen.
Konkreter Nutzen für österreichische Versicherer
Für die Kampagne „KI für österreichische Versicherungen: InsurTech“ stellt sich die Kernfrage: Was bringt ein KI-Sturmrisikomodell ganz konkret für Geschäft und Ergebnis?
1. Präziseres Pricing und weniger Anti-Selektion
Durch feinere Risikodifferenzierung können Tarife:
- Risikoschwache Kunden entlasten (Preisattraktivität, Bestandsstabilität),
- Risikostarke Segmente verursachungsgerechter bepreisen,
- anti-selektives Verhalten von Wettbewerbern besser ausnutzen.
Ein typisches Beispiel aus anderen Märkten: Durch Einführung eines objektbasierten Sturmscores konnten Schadenquoten in Hochrisikoregionen um 5–10 Prozentpunkte gesenkt werden, ohne nennenswerten Bestandsverlust.
2. Zielgenaues Underwriting und Portfoliosteuerung
Mit KI-Sturmrisikomodellen lassen sich Portfolios in Echtzeit „neu sehen“:
- Identifikation von Clustern mit ĂĽberproportionalem Sturmrisko,
- Ableitung von Zeichnungsrichtlinien (z.B. Limits fĂĽr bestimmte Dachtypen in Exponierungslagen),
- gezielte Sanierungsaktionen statt GieĂźkannen-Sanierung.
Das Ergebnis: weniger Überraschungen in der Großschadenstatistik und eine stabilere Combined Ratio – gerade bei Wohn- und Gewerbeimmobilien.
3. Proaktive Schadenprävention und Kundenkommunikation
Wer Sturmrisiko auf Objektebene kennt, kann vom reinen Kostenerstatter zum Risikomanager werden:
- Checklisten und Empfehlungen für besonders exponierte Gebäude (Dachsicherung, Befestigungen, Vegetationsmanagement).
- Proaktive Warnungen an Kunden bei angekĂĽndigten Sturmereignissen.
- Incentivierung von Präventionsmaßnahmen durch Beitragsnachlässe.
Das wirkt doppelt: weniger Schäden und höhere Kundenzufriedenheit, weil der Versicherer nicht erst nach dem Sturm präsent ist.
4. Effizientere Schadenbearbeitung nach Sturmereignissen
KI-Sturmrisikomodelle helfen auch nach dem Ereignis:
- Schnelle Schätzung des zu erwartenden Schadenvolumens auf Basis betroffener Risikogebiete.
- Priorisierung von Besichtigungen (High Risk & High Value zuerst).
- UnterstĂĽtzende Steuerung von Partnerbetrieben (Dachdecker, Sanierer).
Gerade in Jahren mit mehreren Starkwindereignissen kann das Wochen an Ressourcenplanung sparen und hilft, Serviceversprechen einzuhalten.
Typische Fallstricke – und wie man sie vermeidet
Die Einführung von KI im Sturmrisiko ist kein Selbstläufer. Viele Häuser stolpern über ähnliche Punkte.
Datenqualität und Datenzugang unterschätzt
KI-Modelle sind nur so gut wie ihre Datenbasis. Häufige Probleme:
- Unvollständige oder uneinheitliche Adressdaten
- Fehlende historische Schadenkennzeichnung (z.B. unklare Ursachen-Codes)
- Isolierte Datensilos zwischen Sparten oder Gesellschaften
Was funktioniert:
- Vorprojekt zur Datenbereinigung, fokussiert auf Adressen und Schadendaten
- Standardisierung von Schadenursachen und Ereigniscodes
- Aufbau einer zentralen Datenplattform, zumindest für alle wohn- und gebäuderelevanten Daten
„Black Box“-Angst im Fachbereich
Underwriter und Aktuare reagieren oft skeptisch, wenn ein Modell nicht intuitiv erklärbar erscheint. Die Akzeptanz steigt deutlich, wenn:
- Modelloutputs mit klaren Einflussfaktoren begleitet werden (z.B. Top‑5 Features pro Risikoobjekt),
- aktive Schulungen und gemeinsame Cases durchgefĂĽhrt werden,
- ein Pilotbetrieb mit Shadow Pricing statt sofortigem Produktiv-Einsatz gewählt wird.
Die Erfahrung aus erfolgreichen Projekten: Sobald Fachbereiche sehen, dass das Modell bekannte Problemzonen korrekt „erkennt“ und zusätzliche Muster aufzeigt, kippt Skepsis schnell in Neugier.
Zu groĂźer Big Bang statt pragmatischer Einstieg
Viele KI-Projekte scheitern, weil sie zu groĂź gedacht und zu langsam umgesetzt werden. Besser ist ein gestufter Ansatz:
- Proof of Concept auf einem klar abgegrenzten Portfolio (z.B. Eigenheime in einer Region).
- Technische und fachliche Validierung inkl. Vergleich mit bestehendem Tarif.
- Pilot mit begrenztem Pricing-Einfluss und enger Begleitung.
- Skalierung auf weitere Regionen/Sparten nach definierten Kriterien.
So entsteht in 6–12 Monaten ein belastbares Setup – statt in 3 Jahren ein überladenes Konzept.
Praxisleitfaden: So starten österreichische Versicherer 2025
Um von KI im Sturmrisiko zu profitieren, braucht es keinen fünfjährigen Masterplan. Ein strukturiertes Ein-Jahres-Programm reicht für einen substanziellen Schritt.
Schritt 1: Zielbild und Business Case schärfen
- Welche Sparten (Haushalt, Eigenheim, Gewerbe) stehen im Fokus?
- Geht es primär um Pricing, Underwriting oder Schadenmanagement?
- Welche Kennzahlen sollen sich verändern (Schadenquote, Combined Ratio, Bestandsstabilität)?
Ein konkretes Ziel könnte lauten: „Reduktion der sturmbezogenen Schadenquote in der Wohngebäudeversicherung um 3 Prozentpunkte innerhalb von 3 Jahren bei stabiler Prämienbasis.“
Schritt 2: Partner- und Technologieauswahl
Kriterien fĂĽr die Auswahl eines KI-Partners oder InsurTechs:
- Nachweisbare Erfahrung mit gebäude- oder katastrophenbezogenen Risikomodellen
- Fähigkeit zur Integration in bestehende Kernsysteme (Tarifierung, Bestandsführung)
- Regulatorisch verwertbare Dokumentation und Erklärbarkeit
- Flexible Betriebsmodelle (On-Prem, Cloud, API-basiert)
Aus internationalen Beispielen wie ZestyAI lässt sich ableiten: Spezialisierte InsurTechs mit Fokus auf Klima- und Naturgefahrenrisiken sind oft deutlich schneller und präziser als generische Datenanbieter.
Schritt 3: Technische Integration und Pilot
- Aufbau der Schnittstellen zu Bestands- und Schadensystemen
- Anreicherung des Portfolios mit Sturmrisikoscores auf Objektbasis
- Fachliche Validierung durch Aktuariat und Underwriting
In einem 3–6‑monatigen Pilot können parallel Shadow-Kalkulationen gefahren werden, um Unterschiede zwischen Alt- und Neu-Tarifierung sichtbar zu machen – ohne operatives Risiko.
Schritt 4: Skalierung, Governance und Kommunikation
Nach erfolgreichem Pilot folgt die Skalierung:
- Rollout auf weitere Produkte und Regionen
- Verankerung des Modells im internen Modellinventar und Governance-Rahmen
- Klare Kommunikationsstrategie gegenüber Vertrieb und – wo nötig – gegenüber Aufsicht
Wichtig ist, den Vertrieb früh mitzunehmen: Wer Kund:innen und Makler:innen erklären kann, warum bestimmte Objekte teurer, andere günstiger werden, reduziert Reibungsverluste im Neugeschäft.
Fazit: Sturmrisiko mit KI managen – jetzt ist das Zeitfenster
Sturmrisiko wird in den kommenden Jahren nicht kleiner, sondern größer – meteorologisch, regulatorisch und betriebswirtschaftlich. KI-basierte Sturmrisikomodelle geben Versicherern den Hebel, dieses Risiko aktiv zu steuern statt nur zu reagieren.
Internationale Beispiele wie die US-Zulassungen von KI-Sturmrisikomodellen zeigen: Regulatoren sind offen, wenn Modelle transparent, validiert und gut dokumentiert sind. Für österreichische Versicherer ist 2025 ein idealer Zeitpunkt, um die Weichen zu stellen – bevor steigende Schadenquoten die Handlungsoptionen einschränken.
Wer jetzt in Datenqualität, KI-Modelle und eine saubere Governance investiert, sichert sich drei Vorteile: besseres Pricing, stabilere Portfolios und stärkere Kundenbeziehungen. Die eigentliche Frage lautet nicht mehr, ob KI im Sturmrisiko eingesetzt wird, sondern wer es früh genug, professionell und mit klarer Strategie tut.