Allstate und IBM untersuchen, ob Quantencomputing Versicherungsunternehmen dabei helfen kann, Portfolios mit einem ausgewogeneren Verhältnis von Wert und Risiko zusammenzustellen, indem eine komplexe Variante des in der Informatik bekannten „Rucksackproblems“ bearbeitet wird. Die Ergebnisse der gemeinsamen Arbeit wurden im Mai 2026 auf der Plattform arXiv veröffentlicht, während IBM am 18. Juni 2026 Einzelheiten dazu vorstellte.
Beim Rucksackproblem geht es darum, eine Gruppe von Elementen auszuwählen, die den höchstmöglichen Wert erzielt, ohne eine bestimmte Gewichts- oder Kapazitätsgrenze zu überschreiten. In der Versicherungsanwendung stellen Versicherungspolicen die Elemente dar, die in ein Portfolio aufgenommen werden sollen, während potenzielle Schäden das Gewicht und der Portfoliowert den erwarteten Nutzen oder Ertrag darstellen. Die Aufgabe wird schwierig, wenn die Anzahl der Elemente groß ist und die Gewichte keine festen Zahlen, sondern unsichere Bereiche sind.
Warum unterscheiden sich Hausversicherungsportfolios?
Nicht alle Risiken entwickeln sich auf dieselbe Weise. Ein Autounfall kann weitgehend unabhängig von einem Unfall sein, den ein anderer Fahrer erleidet, doch wetterbedingte Gefahren können eine große Zahl von Policen gleichzeitig betreffen. Waldbrände, Hurrikane und Schneestürme können viele Häuser in einer Region beschädigen, wodurch die Schäden miteinander verbunden sind, statt voneinander unabhängige Ereignisse zu sein.
Eric Holz, Chief Analytics and Data Officer bei Allstate, erklärte, dass Hausversicherungen eine Betrachtung aus der Portfolio-Perspektive erfordern und nicht nur aus der Perspektive des einzelnen Risikos. Deshalb reicht es nicht aus, jede Immobilie einzeln zu bewerten und anschließend die Ergebnisse zusammenzurechnen. Das Versicherungsunternehmen muss vielmehr abschätzen, was passieren könnte, wenn mehrere Schäden gleichzeitig eintreten, und sicherstellen, dass extreme Szenarien innerhalb des von dem Unternehmen akzeptierten Risikoniveaus bleiben.
Allstate stützt sich derzeit auf klassische Simulationen, um die möglichen Ergebnisse zu schätzen. Das Unternehmen kann 100.000 zukünftige Szenarien simulieren, doch seltene und kostspielige Ereignisse bleiben eine Herausforderung. Wenn der Schwerpunkt auf den schlimmsten 1 % dieser Szenarien liegt, bleiben nur etwa 1.000 Ereignisse übrig – eine Zahl, die bei der Analyse mehrerer Gefahrenarten in weitläufigen geografischen Regionen möglicherweise nicht genügend Sicherheit bietet.
Ein Ansatz, der Quanten- und klassische Datenverarbeitung kombiniert
Das Team testete einen quantenbasierten Ansatz, der speziell für Hausversicherungsportfolios entwickelt wurde. Dieser Ansatz verwendet eine Quantenschaltung, die auf einem IBM-Quantum-Heron-Prozessor ausgeführt wird, um eine Gruppe möglicher Lösungen zu erzeugen. Dabei wird die Berechnung auf Kombinationen ausgerichtet, die Wert und die Einhaltung des Budgets oder der akzeptablen Schadensgrenze miteinander verbinden.
Anschließend verfeinert eine klassische Phase die Ergebnisse. Sie korrigiert Lösungen, die das Budget überschreiten, ermittelt, welche Häuser besonders häufig in guten Lösungen vorkommen, und nutzt diese Erkenntnisse, um die nächste Berechnungsrunde zu steuern. Auf diese Weise wird der Prozess in einem Zyklus wiederholt, der die Ergebnisse mit jedem Durchlauf verbessern soll.
Die Forscher stießen außerdem auf ein bekanntes Problem beim Training von Quantenschaltungen für große Aufgaben: Das Lernsignal kann schwächer werden, je größer die Aufgabe wird. Um dies zu überwinden, trainierte das Team die Schaltung an einer kleinen Version der Aufgabe und übertrug anschließend das Gelernte auf eine größere Version.
Vaibhav Kumar, Forscher für Quantencomputing bei IBM und einer der Autoren der Arbeit, erklärte, dass die derzeitigen klassischen Methoden entweder auf der Simulation mehrerer Szenarien beruhen – eine genaue, aber rechenintensive Option – oder sich auf das schlechtestmögliche Spektrum konzentrieren. Letzteres sei sicherer, könne jedoch äußerst konservativ sein.
Vergleich mit herkömmlichen Optimierungsmethoden
Um die Leistung des neuen Ansatzes zu messen, verglich das Team seine Ergebnisse mit einer exakten Lösung, die bei ausreichender Zeit die nachweislich beste Antwort finden kann. Außerdem wurde er mit vier gängigen Näherungsmethoden verglichen, die Geschwindigkeit und Genauigkeit gegeneinander abwägen:
- Simulated Annealing.
- Tabu-Suche.
- Paralleles Tempern.
- Genetischer Algorithmus.
Jede Methode erhielt 30 Minuten pro Aufgabe. Bei Aufgaben mit bis zu 75 Elementen erreichten alle Methoden die nachweislich beste Lösung. Mit zunehmender Problemgröße blieb der quantenklassische Ansatz gegenüber den leistungsfähigsten klassischen heuristischen Methoden konkurrenzfähig: Er kam deren Leistung nahe und übertraf sie bei strengen Einschränkungen geringfügig.
Dennoch kann dieser Ansatz noch nicht mit Problemgrößen umgehen, bei denen exakte Lösungen so langsam werden, dass sie ihren Nutzen verlieren. Die Ergebnisse stellen daher ein frühes Signal für die Möglichkeit eines künftigen praktischen Nutzens dar, sind jedoch kein Beleg dafür, dass Quantencomputing das Problem der Zusammenstellung von Versicherungsportfolios bereits im großen kommerziellen Maßstab gelöst hat.
Was lernt Allstate aus dem Experiment?
Allstate betrachtet das Ziel als den Bau einer Brücke von zwei Seiten: zu verstehen, was Quantencomputer derzeit leisten können, die Geschäftsprobleme zu bestimmen, die bei einer Weiterentwicklung der Geräte davon profitieren könnten, und anschließend herauszufinden, wo sich technologische Möglichkeiten und praktische Anforderungen überschneiden.
Holz sagte, dass die Ungewissheit über den Zeitplan bis zur Erreichung eines kommerziellen Nutzens kein Grund zum Abwarten sei, da Unternehmen, die frühzeitig Kompetenzen aufbauen und geeignete Probleme identifizieren, besser vorbereitet sein könnten, wenn sich die Technologie weiterentwickelt. Sowohl Holz als auch Jan Utke, Datenwissenschaftlerin und technische Leiterin in der Versicherungsproduktorganisation von Allstate, verwiesen auf die Bedeutung, mit einem realen, für das Geschäft relevanten Problem zu beginnen, statt die Technologie losgelöst von ihren Anwendungsfällen zu untersuchen.
Die Partnerschaft begann über IBMs Quantum Accelerator für Organisationen, die neu auf diesem Gebiet sind, und entwickelte sich anschließend zu einer zweijährigen gemeinsamen Forschungsarbeit. Laut Utke war die Arbeit durch die Veröffentlichung von Ergebnissen, Code und Daten transparent, sodass andere diese überprüfen und darauf aufbauen können.
Es bleiben offene Fragen zur Rolle, die Quanten-Workflows bei Entscheidungen von Versicherungsunternehmen und bei der Zusammenstellung von Portfolios spielen werden. Das Experiment verschaffte Allstate jedoch praktische Erfahrung bei der Formulierung des Problems, der Auswahl geeigneter Aufgaben und der Verbindung quantenbasierter Verarbeitung mit klassischen Methoden. Mit der Verbesserung der Hardware und der Verringerung des Rauschens erwartet IBM, dass der Anteil der Arbeit, der auf der klassischen Seite ausgeführt werden muss, zurückgehen wird.