Revolutionierung der Versicherungsindustrie durch intelligente KI-Lösungen

Willkommen zu einer neuen Ausgabe beim Insurance Monday Podcast. In unserer heutigen Episode tauchen wir in die faszinierende Welt der künstlichen Intelligenz und deren Anwendung in der Versicherungsbranche ein. 

Unser Gast heute ist Johannes Hötter, Mitgründer und Geschäftsführer von Kern.AI. Wir werden tiefe Einblicke in die Potenziale und Herausforderungen der Implementierung von GenAI-Technologien in Versicherungsprozessen gewinnen. 

Johannes teilt mit uns, wie sein Unternehmen Kern.AI die KI-Infrastruktur für Finanzdienstleistungen bereitstellt und wie diese Technologie dazu verwendet wird, interne Prozesse zu verbessern und Kundeninteraktionen effizienter zu gestalten. 

Seid gespannt auf eine faszinierende Diskussion über die Zukunft der KI in der Versicherungswirtschaft und wie diese Technologien das Potenzial haben, die Branche radikal zu verändern. 

Bleibt also dran für spannende Einblicke und visionäre Aussichten in dieser Episode von Insurance Monday.

Folge uns auf unserer LinkedIn Unternehmensseite für weitere spannende Updates.

Unsere Website: https://www.insurancemondaypodcast.de/

Du möchtest Gast beim Insurance Monday Podcast sein? Schreibe uns unter info@insurancemondaypodcast.de und wir melden uns umgehend bei Dir.

Dieser Podcast wird von dean productions produziert.

Vielen Dank, dass Du unseren Podcast hörst!

Transcript

0:00

Hallo und herzlich willkommen zum Insurance Monday Podcast, kleingedrucktes aus der Finanz- und Versicherungswelt. Dein Podcast mit spannenden Insights und exklusiven Gästen aus der traditionellen und digitalen Finanzwelt. Hallo und herzlich willkommen zu einer neuen Folge des Insurance Monday Podcasts. Heute wollen wir uns intensiv mit der Verwendung von GenAI für Versicherer befassen und zwar als Experten zur Unterstützung von vielen verschiedenen Prozessen. Dass GenAI sehr flexibel ist und bereits viel über die Welt weiß, merken wir alle, wenn wir mit Chattabity oder Google Germany interagieren. Aber natürlich kennen solche Systeme nicht die speziellen Informationen, beispielsweise über Tarife oder bestimmte Dokumenten bei Versicherungen. Man muss die ihnen quasi beibringen, damit sie gut damit arbeiten und Auskünfte dazu geben können. Damit steigt dann das Potenzial für die Nutzung solcher Werkzeuge erheblich. Solche GPT-Experten aufzubauen und für Versicherer nutzbar, auch über Chatbots hinaus zu machen, ist das Geschäft von Can.ai. Und deshalb sprechen wir heute mit dem Co-Founder und CEO von Can.ai, Johannes Hötter. Johannes, herzlich willkommen zur heutigen Session. Ich bin Dominik und mit mir heute aus dem Insurance Monday Team dabei ist Alexander Bernhard. Bevor wir aber inhaltlich einsteigen, würde ich sagen, lieber Johannes, stell dich und CanAI doch zum Start einmal kurz vor. Ja, sehr, sehr gerne. Vielen Dank für die Einladung. Freut mich sehr, dass ich heute mit euch sprechen darf. Mein Name ist Johannes Satter. Ich bin Mitgründer und Geschäftsführer von Kern.AI. Bin jetzt seit knapp neun Jahren im Bereich der künstlichen Intelligenz tätig. Also nächstes Jahr ist das Jahrzehnt voll. Habe einen technischen Background, mich aber sehr in die Versicherungswirtschaft verliebt, weil ich da so viele Anwendungsfälle gesehen habe. Und Kern AI ist ursprünglich mal als eine studentische Beratung am Hasso-Platner-Institut in Potsdam gestartet, kurz vor der Corona-Pandemie. Mittlerweile sind wir aber ein 15-köpfiges Team, Bonner und Berliner Startup und wir sitzen entsprechend darin am Arbeiten, wie man dieser Gen AI so verlässlich hinbekommt, dass das auch für eine Versicherung spannend wird. Das machen wir. Das klingt auf jeden Fall schon mal super gut und Alex, ich muss sagen, wenn junge Leute sagen, sie haben sich in die Versicherungsbranche verliebt, was kann man denn schöneres hören, als das zum Start des Podcasts? So stellen wir uns das vor. Naja, dass sie sich ins Risikomanagement verlieben, in der Versicherungsbranche zum Beispiel. Auch das klingt sehr verrückt, aber anscheinend gibt es das, das ist doch schön. Aber jetzt wollen wir dich auch noch ein Stück weit besser kennenlernen, lieber Johannes und wir starten in unserem Format der schnellen fünf mit der ersten Frage. Bist du Team Berge oder Team Meer? Ziemlich klar Team Meer. Nummer zwei, Startup oder Corporate? Ich war noch nie in einem Corporate. Ich war aber schon im Startup und das macht viel Spaß. Also Team Startup. Das glaube ich auch. Guter Hinweis, war noch nie in einem Corporate. Wäre Zeit für eine Versicherung. Ich höre da eine Affinität raus. Oder man macht aus dem Start-up dann irgendwann ein Corporate. So, Alex denkt groß. Das ist der Spirit hier. Okay, dann Nummer drei. Bist du eher der frühe Vogel oder eher die Nachteule? Es hängt von der Jahreszeit ab. Im Winter bin ich die Nachteule und im Sommer der frühe Vogel. Sehr gut. Und Nummer vier, die wird spannend. Team iOS, Android oder ist es inzwischen egal? Nee, ich bin tatsächlich komplett Team iOS. Stark. Und die letzte Frage. KI ist für die Menschheit ein Fluch oder ein Segen? Ich glaube, ich bin optimistisch und ich tendiere zum Segen. Sehr schön, das Glas ist halb voll, so stellen wir uns das doch vor. Damit sind wir auch schon mitten im Thema. CanAI ist ja logischerweise eine AI-Company. Wie bewertest du denn den aktuellen Einsatz von KI in der Versicherungsbranche? Wie ist dein Blick drauf? Hast du eine These, wohin sich das Ganze entwickelt wird? Gib uns nochmal einen Einblick in den Versicherungsmarkt. Total gerne. Also wenn man entsprechend von KI im Versicherungsbereich redet, muss man ja ganz klar sagen, es gab KI in der Versicherungswelt auch schon vor Chatty BT. Also das sehen wir auf jeden Fall und da sind glaube ich auch super spannende Anwendungsfälle, der Bearbeitung von Schadensfällen und so weiter. Ich glaube gerade nochmal durch Gen AI hat man gesehen wie viele Potenziale da eigentlich noch stecken. Also das entsprechend gerade in der Versicherungswirtschaft unglaublich viele noch Anwendungsfälle stecken, die man jetzt gerade angeht oder die in der Zukunft kommen. Und ich habe so das Gefühl, ich mag ganz gerne den Vergleich mit dem Auto umfahren. Da gibt es ja quasi das Level 9, also entsprechend nur der Mensch ist das Auto umfahren. Level 5, also das Auto was komplett alleine fährt. Und dazwischen gibt es ja die verschiedenen Abstufungen. Und ich glaube, was man jetzt gerade so sieht ist, mit GenAI, wir bauen gerade irgendwie gefühlt alle so den Parkassistenten, wir machen so die ersten Versuche und die schon mal zeigen, was in welche Richtung das geht, aber ich bin mir ziemlich sicher, wir werden in ein paar Jahren die Analogie haben, zumindest mal vom Level 3 oder Level 4, Autor in der Versicherungswirtschaft mit KI. Und ich bin auch total gespannt zu sehen, einerseits was heute möglich ist, aber auch was gerade die nächsten Jahre kommt. Das wird, glaube ich, eine sehr, sehr spannende Zeit. Ja, sehr cool. Dann wäre jetzt für mich die frage wie verbindet man denn so eine von den neuen kaisi gpt mit den proprietären daten in einem unternehmen das ist eine super frage ich glaube da steckt auch gerade ganz gerade ein großer teil vom hype den momentan mit jenny sehen ist wie kriegt man chat gpt auf den eigenen daten dahinter steckt eine methodik die heißt retrieval augmented generation Das ist zwar noch ein Buzzword in diesem Dschungel, aber es ist tatsächlich ein echt spannendes. Die Idee dahinter ist, letztlich, ich möchte einem Large Language Modell, also beispielsweise Chat-GPT, Zugang zu meinen Daten geben, damit ich darauf beispielsweise Fragen beantworten kann. Also sinngemäß, wie kann ich Chat-GPT mit meinen Tarifdaten oder ähnlichen verknüpfen, dann beispielsweise Deckungsfragen oder ähnliches zu klären. Retrieval Augmented Generation ist eine Technik, die kann man sich so vorstellen, als würde man diese Daten in eine interne Google-Suche umwandeln. Also ich modelliere meine Daten so, dass ich darauf suchen kann und entsprechend, wenn ich eine Frage habe, erstmal schaue, was ist in meinen Daten dazu denn alles enthalten. Also wenn ich jetzt eine Entdeckungsfrage zum Thema habe, was habe ich dazu für Wordings, was für paragrafen habe ich dazu und die nutzt dann chat gpt zusammen mit der frage von user beispielsweise und darauf eine antwort zu erzeugen das nennt man retrieval augmented generation und das ist momentan so der go to weg entsprechend das eigene chat gpt zu bauen also dann heißt das ich nehme meine proprietären daten also zum beispiel zu solchen terms and conditions oder so ob bestimmte schäden gedeckt sind oder nicht werfe die in so ein system und dann kennen gpt die in wie das dann architektonisch aussieht ja noch eine andere frage aber und damit ist das problem eigentlich gelöst also es hört sich jetzt total einfach an aber ist es so einfach oder steckt da mehr hinter ja das steckt tatsächlich es klingt sehr einfach und man kann immer sehr sehr schnell auch die ersten tests machen gerade wenn man mal auf dem ersten beispiel dokument arbeitet aber wie so oft steckt dann die Komplexität in der Skalierung. Also wenn ich beispielsweise mehr und mehr Datenquellen, ChatGPT, und ich meine mit ChatGPT nicht nur das von OpenAI, sondern das ist ja mittlerweile so das Tempo-Taschentuch der Large-Language-Modelle von GenAI geworden, also ChatGPT, die dazu Zugang bekommen. Was sehr häufig ist, ist diese Frage, wie kriegt man die Daten denn so modelliert, dass ich beispielsweise nicht versehentlich eine Frage vom Johannes Sötter, der den Tarif vielleicht 2018 abgeschlossen hat, dass er nicht versehentlich einen falschen Tarif bekommt, mit dem ich die Frage von Johannes Sötter beantworten möchte. Also ein Kunden, der 2018 gezeichnet hat, versehentlich mit 2022 dem Tarif beantwortet wird. Und wenn wir jetzt in die operative Umsetzung mal blicken, was für Anwendungsmöglichkeiten gibt es denn für so ein RAG oder RAG, wir haben im Vorfeld kurz gewitzelt, Wie man es denn jetzt konkret ausspricht, aber ich gehe mal in Richtung Team Rack, wie ich jetzt gelernt habe. Sind das alles solche Chatbots, die dann einfach nur Fragen beantworten oder gibt es darüber hinaus auch noch mehr? Also der Chatbot ist, glaube ich, total naheliegend und der Chatbot ist auch ein recht spannender Anwendungsfall. Einfach, das mal konkret zu machen, beispielsweise im Kundenservice. Also wir haben solche Chatbots im Einsatz bei Versicherungen. Und da ist es beispielsweise so, im First Level Support, wenn eine Frage gestellt wird, die der First Level Support beispielsweise jetzt nicht direkt ad hoc beantworten kann, weil Versicherungen sind ja auch komplex, dann kann beispielsweise ein First Level Support selber sagen, okay, ich nehme diesen AIG-Chatbot, ich frage die Frage vom Kunden nochmal, weil dieser Chatbot hat ja einerseits dieses Wissen von dem Chat-GPT, also diese KI-Fähigkeiten, auf der anderen Seite Zugang zu meinen Wordings, meinen Tarifen. Und ich kann dadurch die Kundenfrage sehr, sehr schnell beantworten, also entsprechend die passenden Informationen bekommen, die der First Level Support braucht, beispielsweise dann zu sagen, innerhalb von 20 Sekunden den Dreh, ich habe die richtige Information gefunden, und ich kann zurück zum Kunden und die Frage beantworten. Also nicht der Chatbot, der auf der Webseite platziert ist, und mit dem der Kunde dann interagiert, sondern vielleicht erstmal entsprechend als ein internes Tool einfach schnell Informationen zu finden. Das ist total naheliegend, aber es gibt, muss man dazu sagen, Anwendungen überall, also bei weitem nicht nur im Chatbot-Bereich. Ein unglaublich spannender Anwendungsfall ist auch beispielsweise bei der Strukturierung von langen unstrukturierten Dokumenten, also beispielsweise Verträgen. Habe ich beispielsweise einen Vertrag zu einer Immobilie und ich möchte dann bestimmte Risikoausschlüsse prüfen, also kommen Risikoausschlüsse drin vor, dann kann ich beispielsweise mit AIG einfach diese Frage stellen. Also entsprechend beispielsweise eine Prozedur aufbauen, mit der ich sage, ich möchte für alle meine Dokumente in meinem Portfolio wissen, in welchem kommen die Risikoausschlüsse vor und in welcher Art. Mit AIG ist das heutzutage sehr, sehr gut analysierbar und entsprechend daraus Erkenntnisse gewinnt. Das klingt ja auf jeden Fall sehr lohnenswert und vor allem auch erstrebenswert, vor allem auch aus Perspektive der Versicherer. Du hast es eingangs ja auch gesagt, es gibt viele, viele Anwendungsfälle, aber das ist auch gleichzeitig so ein Stück weit das Risiko, was ich jetzt persönlich einfach sehen würde, dass dadurch, dass der Markt ohnehin so super fragmentiert ist, wir ohnehin super überladen werden mit vielen verschiedenen KI-Anwendungscases, der eine gefühlt schon in Richtung, wir sind quasi fertig, die anderen noch komplett am Anfang und dazwischen ein großer Haufen. Was würdest du jetzt Versicherer grundsätzlich raten? Jetzt haben wir, du hast auch schon gesagt, ein neues Buzzword zu dem KI-Kosmos. Was sollten Versicherer tun? Wie sieht eine Lösung konkret aus? Und ist es tatsächlich auch so einfach umzusetzen, wie du es beschreibst? Oder sind da noch ein paar mehr Voraussetzungen erforderlich? Also ich glaube, ein Versicherer, der bei, in der Analogie vom Autonom fahren zu bleiben, beim Level 0 ist, der sollte nicht versuchen, mit einem Schlag auf Level 5 zu springen. Das geht meistens schief. Ich glaube aber es gibt entsprechend viele Versicherer, die jetzt gut sagen können, okay wir legen mal mit unserem ersten AIG Use Case los. Also diesem Chatbot beispielsweise für internes Knowledge Management oder für Customer Services oder gibt es wirklich tolle Case Studies und was man entsprechend sieht ist, wenn man entsprechend da die ersten Schritte geht und losgelegt hat, dann sieht man relativ schnell, viele von dem, was ich brauche, steckt in den Köpfen meiner Experten aus den Fachbereichen. Sehr, sehr viele der Projekte, da brauche ich entsprechend wirklich einfach meine Leute für, dass sie mir gut zeigen können, okay, wie kann ich diese System Prompts, also diese Anweisungen an Chats, die schreiben, wie kann ich die Daten modellieren. Sehr, sehr viel Skills haben die Versicherungen da schon. Und ich glaube, es geht vor allem darum, jetzt nicht den Kopf zu verlieren zu sagen, oh, da kommt ein riesen, riesen Technologierer zu uns zu, wir müssen sofort das Level 5 schaffen, sondern sprechen mit dem ersten Use Case loszulegen und daran die ersten Mehrwerte sehen. Wo wir gerade von Use Cases sprechen, was ist denn ein Use Case, den du bisher besonders spannend und interessant fandst? Ich glaube mein Lieblings Use Case liegt tatsächlich in der Datenextraktion. Wir hatten einen Use-Case, da ging es darum, aus einem Portfolio von Immobilienverträgen bestimmte datenpunkte zu erkennen und beispielsweise entsprechend was ist das sublimit für bestimmte entität und was so unfassbar spannend dabei waren deswegen meine ich auch habe ich mich in die versicherungswirtschaft verliebt weil das so spannend ist wie viel potenzial es da gibt war dass man im Underwriter an der Stelle knapp 45 Minuten pro Vertrag an Zeit sparen konnte. Also Zeit, die ein Underwriter einfach mit wesentlich besseren Aufgaben einsetzen konnte. Also entsprechend Datenpunkte aus dem Vertrag rauszusammeln und in eine Excel-Datei zu übertragen. Ich glaube, da geht es in die Richtung hin. Also wie kann man die Fachexperten und Fachexpertinnen aus den unterschiedlichen Bereichen, wie beispielsweise im Underwriting unterstützen, einfach da besser werden. Das ist so ein Use Case, den finde ich total spannend. Das ist auf jeden Fall so und jetzt lass uns gerne mal die Perspektive wechseln. Jetzt haben wir natürlich viel zu Versicherern oder Versicherungen generell gesprochen, was da so an Anwendungsmöglichkeiten besteht. Wie benutzt ihr denn selbst eure Tools? Also hast du da so paar Insights, die vielleicht auch noch skalierungsfähiger sind als jetzt eine große Versicherung? Welche Verrückkeiten habt ihr so im Labor? Das ist eine gute Frage. Wir nutzen tatsächlich Kern selber sehr, sehr viel. Auf der einen Seite natürlich in der, ja, sag ich mal, Chatshub-BT ähnlichen Funktion, also für diverse tägliche Sachen, also das Produktteam nutzt es mit für die Entwicklung. Ich nutze es für allerlei Sachen, also entsprechend für Brainstorming. Wir haben beispielsweise auf unserer Webseite auch ein Kontaktformular, wo man reinschreiben kann, was man für eine Message hat, was man für Themen gerne spannend findet. Und das nutzen wir auf der Seite beispielsweise, unser Kontaktformular mit Janaya anzureichern. Also entsprechend schon mal einzuordnen, wie spannend ist dieser Lead für uns, was können wir da wahrscheinlich für spannende Anwendungen zeigen. Also wir setzen Kern tatsächlich an den verschiedensten Punkten ein und mein persönlicher Favorite ist tatsächlich der, ich sag mal in Anführungszeichen, tägliche Begleiter in Form von Chats GPT. Das ist einfach nicht mehr wegzulenken. Das heißt dann da nochmal nachgefragt, also wenn ihr wirklich in Anwendungsfällen sprecht, das heißt ein strukturiertes Formular, Daten werden eingegeben und mehr oder weniger ein kompletten, wobei ein komplettes nicht, aber ein Großteil des Vertriebs, den ihr euch einspart durch effiziente Analysen der Daten. Habe ich das richtig verstanden? Ja, es fängt beispielsweise schon mit so etwas wie einem Kontaktformular, also einem Textfeld an. Das füllen jetzt bei weitem nicht alle aus, aber wir haben doch schon echt einige Leads, die sich bei uns melden und da wirklich einen Text reinschreiben und wir haben entsprechend, sage ich mal, das als ein intelligentes Webformular abgebildet über unsere eigene Software und quasi diesem Formular erzählt, was für ein Kundenprofil wir eigentlich haben, unsere idealen Kunden sind, weil man muss sozusagen, wir haben als Hauptkundensegment Financial Services, also Versicherungen und Banken. Wir kriegen aber auch sehr viele Anfragen aus ganz anderen Branchen Und dann nutzen wir es entsprechend, einzurrten einerseits anhand von strukturierten Daten, also welche Use Cases hat der potenzielle Kunde da angeklickt, aber auch welche Daten hat der Kunde entsprechend ins Textfeld eingegeben, zu bewerten, was das für eine Lead-Kategorie eigentlich ist. Das ist so ein Beispiel. Ich finde es so spannend, weil Alex hier, Johannes erzählt es mal so nebenbei, was für Verrücktheiten sie im Labor machen, aber allein den Use Case, den du beschreibst, ist wahrscheinlich auch wieder gefühlt für alle Versicherer super interessant, weil den Website Case, den haben ja nahezu auch alle Versicherer und Leads generieren tut natürlich auch ein Großteil für den Vertrieb. Also ich glaube, da steckt bestimmt noch das eine oder andere Potenzial drin, Johannes. Aber habe ich verstanden. Danke dir. Ja, ich hatte auch gerade mal geguckt, ob es auf der Website da direkt so eine Chat-Eingabe sozusagen gibt. Ja, total cool, würde ich genauso sehen. Ja, dann, wenn jetzt ein kunde kommt und sagt er möchte das gerne implementieren wie lange dauert das denn und vor allen dingen natürlich stichwort business case Was ist nach deiner Erfahrung ungefähr die Zeit bis zu einem Break-Even bei so etwas? Also das mit dem wie lange das dauert, das ist entsprechend Frage vom Use Case, den man angeht und wo der Kunde steht. Ich gehe jetzt mal vom Standardfall aus, Wir kriegen gerade recht viele Anfragen von genau den Kunden, die sagen, so viel mit KI haben wir noch nicht gemacht, aber wir finden diesen Customer Service Use Case sehr spannend. Das ist gerade eine Anfrage, die recht häufig kommt. Und was wir dann versuchen zu verstehen ist, was habt ihr denn als Datengrundlage? Also beispielsweise eine super Datengrundlage sind natürlich die Tarife selber, aber was auch noch mal besonders hilft, ist sowas wie ein FAQ, also ganz einfaches Mittel. Ein FAQ ist tatsächlich auch für GenAI sehr spannend oder was wir auch gerne sehen sind Tarifvergleiche über die Jahre hinweg, also diese Synopsen. Das muss es nicht geben. Wir starten auch einfach wirklich pur mit Tarifen in Form von PDF-Dateien und dann versuchen wir daraus zu verstehen, mit welchem Scope legen wir los. Also wir machen es beispielsweise eigentlich nie so, dass wir entsprechend alle Produkte auf einen Schlag nehmen und sagen, es wird jetzt alles in den Chatbot reingeworfen und dann wird getestet. Meistens versuchen wir erstmal zu verstehen, mit was für einem segment wollen wir eigentlich starten also beispielsweise nur mit gewerblicher haftpflichtversicherung und dann ist so die erfahrung die wir haben es ist kein wasserfallprojekt also wir sagen nicht wir machen jetzt erst mal so und so viele monate design dann implementierung und dann vertesten sondern das scheint gut umsetzbar zu sein ohne dass jetzt das nächste pass wieder verwenden möchte aber einfach in zyklen zu arbeiten das heißt wir arbeiten meistens in unserem monatszyklus jeden monat wird bewertet wie sind die Fortschritte und die Erfahrungen, die wir so gemacht haben, wenn man den Scope richtig schmiert, dann kann der erste wirklich gut einsetzbare Wurf innerhalb von drei Monaten da sein. Das hängt wirklich davon ab, aber das ist ein realistischer Zeitrahmen. Weil gerade beim letzten Case kann ich mir gut vorstellen, da war auch mein Gedankengang, naja aggregierte Daten zu nehmen, die ohnehin öffentlich verfügbar sind, beispielsweise auf einer Webseite. Das kann ja gar nicht so viel kaputt machen oder mit einem guten Prompting System kann es ja nur einen Mehrwert stiften. Da habe ich jetzt eher die erfahrung gemacht dass viele versicherer tendenziell verhalten sind bis hin zu Experten die ohnehin dann sagen die lieber erst mal in der sandbox intern probieren weil das risiko Nicht das ziel zu erreichen was man sich vornimmt doch noch stark gegeben ist wie sind da so dein blick drauf sprichst hat den punkt risiko managen an da habe ich auch das gefühl Risiko managen und chancen management das ist bei einer Versicherung sehr spannend. Ich bin aber ganz klar dabei, es ist momentan eigentlich überall so, dass es eher für interne Anbindung gesehen wird. Wir haben die ersten Versichere, mit denen wir arbeiten, die überlegen, das auf einem Kundenportal beispielsweise freizuschalten, mit einer kleinen Friendly User Group, die erstmal zu Beginn das Ganze vertesten soll, beispielsweise. Ich sehe eher schon momentan noch den Fokus auf internen Anwendungen, damit entsprechend krabbeln zu lernen, laufen zu lernen und dann entsprechend zu schauen, was für Anwendungsfälle bearbeiten wir hier eigentlich gerade. Also sind das Chatbots, sind das mehr so Formulare, sind das Automatisierung im Hintergrund? Das ist aber relativ vieles, was intern passiert, ja das stimmt. Ja, finde ich super spannend, weil ich glaube da war mit der ersten KI-Welle der Eindruck nach außen, mit Vertrieb digital, Prozesse digital, Kundenservice digital, alles Richtung Endkunde und jetzt ist man da ja ein bisschen zurückgerudert und schaut eher intern. Insofern spannend was da passiert, aber vielleicht sind wir da von insurance money mal wieder auch die Vorreiter und Stichwort Vorreiter sein. Jetzt wollen wir einmal fünf Jahre in die Zukunft schauen. Ist natürlich ein gewagtes Szenario bei KI, wo gefühlt alle zwei Wochen sich die Dinge ändern, aber wir probieren es mal, Johannes, und schauen, wohin es geht. Wie wollt ihr denn CanAI weiterentwickeln? Was ist denn dein Visionsbild, dein Zukunftsbild, auf was dürfen wir uns freuen? Genau, also was ich ja eingangs schon meinte, ist, dass ich gerade mich in die Versicherungswirtschaft so verliebt habe, weil ich das unfassbar spannend finde, was es da für Potenziale gibt. Gerade zum Bereich Natural Language Processing, also die Verarbeitung von Texten, weil gerade eine Versicherung, das ist ein immaterielles Produkt, sind Schadensprotokolle, Dokumente, Tarife, Kommunikation. Also so viel Text. Und ich finde es unglaublich spannend oder ich finde es unglaublich motivierend vorzustellen, wie eine moderne Versicherung auf einem Kern AI aufbauen kann. Also wie entsprechend sowas in Infrastruktur für verlässliche Gen AI werden. Und das ist natürlich auch die Vision, die ist nicht ziemlich klein, die ist eher groß gedacht. Aber wir wollen ja auch ambitioniert sein und ich bin da auch sehr zuversichtlich, dass wir da entsprechend gut für gewappnet sind und gerade mit GenAI natürlich auch ein echt doch gutes Timing würde ich mal sagen haben. Stichwort Kern und ihr wollt euch im Kern etablieren. Ist das der Grund, warum ihr euch so genannt habt oder was steckt hinter dem Namen Kern AI? Ja, das ist tatsächlich gar nicht so seltene Frage, weil ich glaube der Name Kern, der ist irgendwie griffig. Wir hießen ursprünglich 1 Task, also quasi eine Aufgabe. Das war, als wir entsprechend die Firma gegründet haben, da waren wir bei einem Wettbewerb, den wir teilgenommen haben, brauchten ganz schnell einen Namen. Irgendwie sind wir bei einem Bierchen, hatten wir uns überlegt, nehmen wir einfach den Namen, das passt schon. Und dann hatten wir sehr oft die Assoziation mit einer To-Do-Liste, also One-Task, die ich irgendwie heute machen muss. Oder auch gar nicht so selten kam die Assoziation zu einem RPA-Tool, also One-Task. Und lange Rede kurzer Sinn, wir hatten entsprechend dann das Feedback, okay, erinnert bitte den Namen. Und hatten so ein paar verschiedene gesammelt und eins davon war Kernel, also der Kernel von einem System quasi. Also sehr technisch, sehr nerdy. Und wir hatten das auf so einem Whiteboard stehen und irgendwann ist jemand hingegangen aus dem Team und hat das AI weggestrichen und so versucht möglichst modern AI dran zu schreiben. Und dann stand der Name Kern AI auf dem Whiteboard. Und dann war es so, als wir entsprechend im alltag darüber gesprochen haben die kernpunkte sind übrigens und die kernaussage vom kunden war dass irgendwie jedes mal der begriff kern kamen gemerkt hat da war so ein schmunzeln im raum also irgendwann die leute gefreut bei kern das ist entsprechend der name und dann hat mir gemerkt ja der ist doch eigentlich gar nicht so verkehrt, der hier war und jetzt freue ich mich heute noch jedes mal, wenn unsere Kunden sagen, wir haben hier unser Kern-Team oder ähnliches, das freut mich jedes mal. Jetzt gibt es ja derzeit viele Startups, die AI-Themen voranbringen. Insofern hier die Chance für einen Werbeblock. Was ist denn der 30 Sekunden Elevator Pitch, sozusagen die Kerngedanken für den Einsatz von Kern-AI? Ja, sehr gerne. Ich hoffe, ihr habt gerade geschmunzelt, als du Kernaussage gesagt hast. Bei mir hat es funktioniert, Johannes. Ja, deswegen der Name. Also, letztendlich bieten wir mit Kern-AI eine sogenannte Infrastruktursoftware für verlässliche KIN KI-Infinancial Services. Was bedeutet jetzt Infrastruktursoftware? Das bedeutet, dass du mit Kern AI auf einer bestehenden Hardware, also jetzt egal ob das eine Cloud ist oder On-Premise, wie auch immer, verschiedene Modulierungen abbilden kannst, das in Produktion zu bringen. Wir hatten ursprünglich gesprochen vom Chatbot für beispielsweise Knowledge Management, also dass du den total verlässlichen Chatbot mit den Tools, die du entsprechend intern hast, bauen kannst, aber du kannst entsprechend auch den Use Case, den wir vorhin meinten, im Underwriting aus einem langen Vertrag bestimmte Datenpunkte zu sammeln, das kannst du alles mit dem Kern AI umsetzen. Wenn du also entsprechend, sag ich mal, in der Versicherung diese GenAI Themen implementieren willst, dann ist KernAI dafür eine sehr, sehr gute Infrastruktur. Johannes, das ist doch eine super Zusammenfassung. Ganz lieben Dank dir. Ich denke, Alex und ich haben total viele spannende Impulse heute mitgenommen. Zum einen, du hast so schön gesagt, ein neues Buzzword am KI-Horizont, aber nicht minder spannend. Insofern danke dafür, auch das ganze Thema, das Versichere eben nicht von Level 0 auf Level 5. Ich glaube, das ist eine sehr schöne metaphorische Beschreibung von dem, was da gerade am KI-Markt so passiert, der ja insgesamt super dynamisch ist und viele Möglichkeiten für die Branche bietet. Und ja, auch wenn es so salopp klingt, aber ich finde dieses hehre Ziel, Man verliebt sich in die Versicherungsbranche, gibt dem Ganzen einfach nochmal einen ganz anderen Flavor im Sinne von bereit zu sein, die Branche voranzubringen, neue Chancen zu sehen, nicht ganz so pessimistisch ranzugehen. Ich glaube, das kam in jedem Fall in dieser Folge sehr gut rüber und wir sind schon sehr gespannt, wo deine und wo eure Reise weiterhin gehen wird. Ich glaube, ihr habt es halt da auch schon sehr, sehr umtriebig. Viele spannende Use Cases, die man hier und da auf LinkedIn oder andere Veranstaltungen sieht. Aber Talking about LinkedIn, wenn jemand mehr dazu erfahren will oder sich generell mit dir oder euch zu dem Thema KI austauschen möchte. Wo und wie findet man dich denn am besten oder kann ich auch am besten erreichen? Also ein super Punkt ist natürlich nicht überraschend LinkedIn. Also gerne einfach anschreiben. Wir sind viel auch auf den Events vor Ort auch in Deutschland unterwegs. Das heißt, wenn man mich da sieht, immer gerne ansprechen. Genau, also LinkedIn und auf dem Event jederzeit einfach gerne melden. Sehr schön und damit der Weg zu dir noch kürzer ist, packen wir das Ganze natürlich auch in die Show Notes. Und ja, an der Stelle nochmal vielen Dank für die wirklich interessanten Insights in der heutigen Session. Auch danke an Alex für die guten Fragen und ja, vielen Dank natürlich auch an alle Zuhörerinnen und Zuhörer. Seid gespannt auf die nächsten Folgen, Lasst uns gerne eine Bewertung da und wie immer macht's gut und bis zum nächsten Mal. Dankeschön.