Versteckte Kfz-Risiken: Wie KI Flottenversicherungen stärkt

Versteckte Risiken im Fuhrpark: Warum klassische Modelle versagen

Ein mittelständischer Lieferdienst in Wien hatte über Jahre kaum Schäden. Die Flottenprämien waren stabil, die Schadenquote im grünen Bereich. Dann häuften sich innerhalb von sechs Monaten drei schwere Unfälle – alle mit demselben Fahrer, alle nachts, alle kurz vor Schichtende. In den klassischen Risikomodellen tauchte dieser Fahrer nur als „unauffällig“ auf. Die eigentlichen Risikotreiber blieben verborgen.

Genau an dieser Stelle setzen moderne, KI-gestützte Lösungen wie Samba Safety in den USA an: Sie zielen auf die verborgenen Treiber von Kfz-Risiko – auf Fahrverhalten, Kontextdaten und Muster, die in traditionellen Underwriting- und Schadenmodellen schlicht nicht sichtbar waren.

Für österreichische Versicherer ist das ein Warnsignal und eine Chance zugleich. Wer jetzt in KI-basierte Risikobewertung, Telematik und datengetriebene Tarifierung investiert, kann nicht nur Schadenquoten stabilisieren, sondern sich im InsurTech-Wettbewerb klar differenzieren.

In diesem Beitrag aus unserer Reihe „KI für österreichische Versicherungen: InsurTech“ geht es darum, wie KI die versteckten Risiken in der Kfz-Sparte aufdeckt, wie das Underwriting davon profitiert – und wie österreichische Versicherer diese Ansätze konkret nutzen können.

---

1. Was sind die „hidden drivers“ im Kfz-Risiko wirklich?

Die eigentlichen Kostentreiber im gewerblichen Kfz-Geschäft liegen selten in der Police, sondern im Verhalten auf der Straße. KI hilft, genau diese Lücke zu schließen.

Versteckte Risikofaktoren im Fuhrpark sind typischerweise:

• Riskantes Fahrverhalten: starkes Beschleunigen und Bremsen, enge Kurvenfahrten, aggressives Überholen
• Müdigkeit und Schichtmuster: Unfälle häufen sich zu bestimmten Uhrzeiten oder nach bestimmten Schichtlängen
• Ablenkung: Smartphone-Nutzung, Bedienung von Bordinfotainment, fehlender Blick auf die Straße
• Routen- und Umfeldrisiken: Fahren durch besonders unfallträchtige Kreuzungen, Baustellen, Wintersportregionen, Nebel-Hotspots
• Organisatorische Faktoren: Zeitdruck, unklare Sicherheitsrichtlinien, fehlende Fahrertrainings

Klassische Tarifierungsmerkmale – wie PS-Leistung, Kilometerleistung, Versicherungsnehmer, Schadenshistorie – bilden nur einen Teil des Bildes ab. Zwei beinahe identische Unternehmen können für den Aktuar gleich aussehen, aber in der Realität völlig unterschiedliche Risikoprofile haben.

Hier liegt der Kernnutzen von KI: Sie verknüpft Telematikdaten, Fahrerdaten, Kontext-Informationen (Wetter, Verkehr, Uhrzeit) und historische Schäden so, dass individuelle Risikotreiber pro Fahrer, Fahrzeug und Route sichtbar werden.

---

2. Wie KI und Telematik das Risikobild im Fuhrpark neu zeichnen

KI-gestützte Systeme wie sie Anbieter à la Samba Safety in den USA einsetzen, funktionieren nach einem klaren Muster: Sie sammeln kontinuierlich Daten, analysieren diese in Echtzeit und verdichten sie zu Risikoprofilen, die für Underwriting, Schaden und Risk Management nutzbar sind.

2.1 Zentrale Datenquellen im KI-basierten Flottenmodell

Für österreichische Versicherer und Flottenkunden sind vor allem vier Datenquellen spannend:

1. Telematik im Fahrzeug
   OBD-Stecker, eingebaute OEM-Systeme oder Blackboxen liefern:

   • Geschwindigkeit, Beschleunigung, Bremsverhalten
   • Kurven- und Spurverhalten
   • Fahrdauer und -pausen
   • GPS-Position und Routenverlauf

2. Fahrerbezogene Informationen

   • Führerscheinklasse, Fahrpraxis, Schulungen
   • Vorstrafen im Straßenverkehr (soweit rechtlich zulässig und datenschutzkonform)
   • Zuordnung Fahrer–Fahrzeug–Schicht

3. Kontextdaten

   • Wetterlage (Schnee, Glatteis, Starkregen)
   • Verkehrsdichte, Stau, Baustellen
   • Tageszeit, Wochentag, saisonale Effekte (z. B. Wintersaison, Ferienbeginn)

4. Schadendaten

   • Art der Schäden (Blech, Personenschaden, Haftpflicht, Kasko)
   • Kosten, Beteiligte, Verschuldensanteil
   • Zeitpunkt, Ort, beteiligte Fahrer/Fahrzeuge

2.2 Was KI daraus macht: Risikoscores und Mustererkennung

Aus diesen Daten berechnet ein KI-System Risikowerte, die deutlich präziser sind als historienbasierte Schadenquoten. Typische Ausgaben:

• Driver Risk Score: Wie risikoreich fährt ein bestimmter Fahrer im Vergleich zu einer Benchmarkgruppe?
• Trip Risk Score: Wie riskant war eine konkrete Fahrt (z. B. Nachtfahrt bei Schneefall auf Bergstraßen)?
• Route Risk Heatmap: Welche Streckenabschnitte verursachen wiederkehrend kritische Fahrsituationen?
• Trendanalysen: Verbessert sich ein Fahrer nach Coaching oder verschlechtert sich sein Verhalten?

Der Clou: KI erkennt auch nicht-lineare Zusammenhänge. Vielleicht erhöht nicht jede Nachtschicht das Risiko, sondern vor allem die vierte Nachtschicht in Folge. Oder das Risiko steigt sprunghaft an, wenn ein bestimmter Fahrer an Freitagen nach 18:00 Uhr eine bestimmte Stadtautobahn nutzt.

Solche Muster sind für menschliche Analysten schwer zu erkennen – für Machine-Learning-Modelle sind sie Alltag.

---

3. Konkrete Use Cases für österreichische Versicherer

Für die Kampagne „KI für österreichische Versicherungen: InsurTech“ ist entscheidend: Wo entsteht ganz konkret Mehrwert? Drei Bereiche stechen heraus: Underwriting, Schaden und Risk Management.

3.1 Smarteres Underwriting: Von der Flotte zum Fahrer

Die größte Schwäche im gewerblichen Kfz-Underwriting ist die Vermischung guter und schlechter Fahrer in einer Flotte. Ein „Durchschnittswert“ verschleiert die wahren Kostentreiber.

KI- und Telematiklösungen erlauben:

• Fahrersegmentierung innerhalb eines Fuhrparks
• Tarife, die gute Fahrer belohnen und schlechte Fahrer klar bepreisen
• Dynamische Anpassungen (z. B. jährliche oder halbjährliche Anpassung des Flottentarifs anhand realer Fahrdaten)

Ein Beispiel aus der Praxis (vereinfacht):

• Vor Einführung von KI-basierter Risikobewertung lag die Schadenquote eines Transportkunden dauerhaft bei ~85 %.
• Nach Einführung einer fahrerbezogenen Telematiklösung wurden riskante Fahrer identifiziert, gezielt geschult und in einigen Fällen aus sensiblen Routen abgezogen.
• Nach 18 Monaten sank die Schadenquote auf ~65 %. Der Versicherer konnte wettbewerbsfähige Prämien anbieten, ohne Marge zu opfern.

Genau solche Effekte sind auch im österreichischen Markt realistisch, insbesondere bei Lieferdiensten, Bauunternehmen, Busflotten und Logistikern.

3.2 Schnellere und fairere Schadenbearbeitung

KI verbessert nicht nur das Underwriting, sondern auch die Schadenbearbeitung:

• Objektive Rekonstruktion von Unfällen anhand von Telemetriedaten (Geschwindigkeit, Bremsweg, Lenkwinkel, Impact)
• Schnellere Deckungsprüfung dank automatisiertem Abgleich von Fahrdaten mit Police und Bedingungen
• Bessere Betrugserkennung: Plausibilitätschecks zwischen gemeldeten Schäden und tatsächlichen Fahrdaten reduzieren „kreative“ Meldungen

Österreichische Versicherer können hier zweigleisig fahren:

1. Telematik-basierte Produkte (z. B. Fuhrpark-Policen mit integriertem Fahrdatenerfassungsmodul)
2. Datenpartnerschaften mit Flottenmanagement-Anbietern, OEMs oder InsurTechs, die Fahrdaten bereitstellen

3.3 Prävention statt Reaktion: Aktives Flotten-Risk-Management

Der größte Hebel im gewerblichen Kfz-Geschäft liegt in der Prävention. KI macht es erstmals möglich, Risikoverhalten früh zu erkennen und gezielt gegenzusteuern.

Mögliche Maßnahmen:

• Fahrer-Coaching auf Basis individueller Schwachstellen (z. B. zu schnelles Fahren in Ortschaften, harte Bremsmanöver)
• Gamification für Fahrer: Rankings, Prämien oder Boni für sicheres Fahrverhalten
• Warnsysteme in Echtzeit (App oder Bordgerät), die bei kritischen Mustern Hinweise geben
• Anpassung von Tourenplanung und Schichtplänen auf Basis von Risikodaten (z. B. Entschärfung von Problemrouten)

Versicherer, die solche Services als Value-Added-Service anbieten, sind für Flottenkunden nicht mehr nur „Kostenträger“, sondern Partner im operativen Risiko-Management.

---

4. Besonderheiten im österreichischen Markt: Regulierung, Datenschutz, Kultur

Wer KI-basierte Risikomodelle nach dem Vorbild von Samba Safety für Österreich denkt, muss den lokalen Rahmen ernst nehmen – sonst bleibt die schönste InsurTech-Idee im Pilot stecken.

4.1 Datenschutz & Arbeitnehmerrechte

Telematik ist arbeitsrechtlich sensibel. Fahrer sind zu Recht skeptisch, wenn jeder Meter überwacht wird.

Drei Erfolgsfaktoren aus bisherigen Projekten:

1. Transparenz: Klare Kommunikation, welche Daten erhoben werden, wozu sie dienen und wie lange sie gespeichert bleiben.
2. Mitbestimmung: Einbindung von Betriebsräten und Gewerkschaften, gemeinsame Definition von Spielregeln.
3. Fokus auf Sicherheit statt Kontrolle: Positionierung als Sicherheits- und Präventionstool, nicht als Überwachung.

Anonymisierte oder pseudonymisierte Datennutzung für das Underwriting kann zudem helfen, Konflikte zu entschärfen.

4.2 Aufsicht und Fairness in der Tarifierung

Die FMA achtet darauf, dass Tarife nicht diskriminierend sind. KI-Modelle dürfen keine indirekten Diskriminierungen erzeugen (z. B. über Proxy-Variablen). Das bedeutet:

• Modell-Governance: Dokumentation der verwendeten Merkmale und ihrer Wirkung
• Fairness-Prüfungen: Technische Checks, ob bestimmte Gruppen systematisch benachteiligt werden
• Erklärbarkeit: Warum erhält ein Kunde einen bestimmten Preis? Black-Box-Modelle ohne Erklärung werden politisch und regulatorisch schwer vermittelbar.

4.3 Akzeptanz bei Maklern und Unternehmenskunden

Viele österreichische Flottenkunden arbeiten mit etablierten Makler:innen. Wer KI-basierte Tarife und Telematik-Produkte platziert, sollte:

• Makler früh einbinden und schulen
• einfache, visuelle Reports bereitstellen (z. B. Risiko-Heatmaps, einfache Scores)
• klar zeigen, wie Prämienersparnisse und Sicherheitsgewinne im Zeitverlauf messbar sind

Nur wenn Makler und Kunden die Logik verstehen, wird ein KI-gestütztes Flottenprodukt im Markt wirklich traktion bekommen.

---

5. Roadmap: Wie österreichische Versicherer jetzt starten können

Der Einstieg in KI-basiertes Flottenrisiko muss kein Mammutprojekt sein. Erfolgreiche Häuser gehen meist in vier Schritten vor.

5.1 Schritt 1: Datenbasis schaffen

• Bestehende Schadendaten strukturieren und für KI nutzbar machen
• Datenqualität verbessern (einheitliche Codes, korrekte Zuordnung Fahrer/Fahrzeug)
• Pilotkunden identifizieren, die bereit sind, Telematik einzusetzen

5.2 Schritt 2: Pilotprodukt mit klar umrissenem Scope

• Start mit einem fokussierten Segment, z. B. Lieferdienste im urbanen Raum oder Bauunternehmen mit Lkw-Flotte
• Einfaches Telematik-Paket plus Basis-Risikoscore
• Klare Value Proposition: z. B. „Bis zu 20 % Prämienrabatt bei nachweisbar sicherem Fahrverhalten“

5.3 Schritt 3: KI-Modelle iterativ verbessern

• Erste Machine-Learning-Modelle mit Pilotdaten trainieren
• Regelmäßig prüfen: Prognosegüte, Verzerrungen, Praxisnutzen für Underwriting und Schaden
• Modelle gemeinsam mit Aktuariat, IT, Data Science und Fachbereich weiterentwickeln

5.4 Schritt 4: Skalierung und Integration in die Produktlandschaft

• Integration der Risikoscores in Tarifrechner und Underwriting-Workflows
• Ausbau auf weitere Kundensegmente (z. B. Busse, Taxi, Carsharing)
• Kombination mit anderen KI-Anwendungen: automatisierte Schadenbearbeitung, Bildanalyse, Chatbots für Flottenkunden

Wer diese Schritte konsequent geht, wird im Kfz-Gewerbegeschäft deutlich stabilere Schadenquoten und differenziertere Produkte sehen – und zwar messbar.

---

Fazit: KI macht Kfz-Versicherung vom Kostenfaktor zum Wettbewerbsvorteil

Die Erfahrung aus Märkten wie den USA zeigt: Die größten Reserven im gewerblichen Kfz-Geschäft liegen in den versteckten Risikotreibern, nicht in der nächsten kleinen Tarifanpassung. Anbieter wie Samba Safety belegen, dass datengetriebene, KI-gestützte Risikobewertung Flotten sicherer macht und Schadenkosten senkt.

Für österreichische Versicherer bedeutet das:

• KI gehört nicht nur in die Betrugserkennung oder Bildanalyse, sondern ins Herz der Risikobewertung.
• Telematik, Fahrdaten und Kontextinformationen sind zentrale Bausteine zukunftsfähiger InsurTech-Strategien.
• Wer es schafft, Datenschutz, Fairness und Transparenz klug mit KI zu verbinden, wird im Flottensegment deutliche Wettbewerbsvorteile erzielen.

Die Frage ist weniger, ob sich diese Entwicklung durchsetzt, sondern wer im österreichischen Markt sie früh genug ernst nimmt. Wer gestern noch nur die Polizze verkauft hat, kann morgen der Partner sein, der mit KI das reale Risiko auf der Straße senkt.

Wer diesen Wandel mitgestalten will, sollte jetzt pilotieren – bevor die versteckten Risiken wieder teuer sichtbar werden.