KI wird bereits in allen Bereichen des Schadenmanagements eingesetzt, von der ersten Schadenmeldung (FNOL) über die Dokumentenbearbeitung bis hin zur Betrugsaufdeckung und Schadenregulierung. Die schwierigere Frage ist jedoch, wo sie einen messbaren Mehrwert liefert, ohne unnötige regulatorische, reputationsbezogene oder operative Risiken mit sich zu bringen.
Im Schadenfall betreffen die erfolgreichsten Anwendungen in der Regel repetitive, belegreiche Aufgaben. Die schwächsten Anwendungen betreffen Fälle mit unklarer Haftung, schutzbedürftige Kunden, unvollständige Beweislage oder Entscheidungen, die nur schwer rückgängig gemacht werden können. In der Praxis ist der entscheidende Faktor meist die Art der zu automatisierenden Entscheidung und nicht die Ausgereiftheit der Technologie.
Die Kluft zwischen der Verbreitung von KI und den Ergebnissen künstlicher Intelligenz in der Versicherungsbranche
Schadensfälle generieren große Datenmengen: Versicherungsunterlagen, Fotos, Reparaturkostenvoranschläge, medizinische Unterlagen, Korrespondenz, Gesprächsprotokolle und historische Ergebnisse. Dies macht den Versicherungsbereich für die Automatisierung attraktiv, bedeutet jedoch nicht, dass jeder Teil des Schadenmanagementprozesses für KI geeignet ist.
Technologien wie maschinelles Lernen, natürliche Sprachverarbeitung, optische Zeichenerkennung und Computer Vision können große Informationsmengen schnell verarbeiten. Modelle, die bei historischen Daten gute Ergebnisse liefern, können jedoch im Produktionsbetrieb immer noch Schwierigkeiten haben, wenn sie auf inkonsistente Dokumente, Altsysteme, sich ändernde Vorschriften sowie ungewöhnliche oder komplexe Schadensfälle stoßen.
Die Untersuchungen von BCG spiegeln diese Lücke wider: Die Versicherungsbranche hat die Einführung von KI zügig vorangetrieben, doch nur 7 % der befragten Versicherer hatten ihre Systeme erfolgreich skaliert.
Aus diesem Grund sollte ein Business Case für die KI-gestützte Bearbeitung von Versicherungsansprüchen beim Prozess ansetzen, nicht bei der Technologie. Die entscheidenden Fragen lauten:
- Was kostet der Prozess heute?
- Wie lange dauert er?
- Wie oft ist menschliches Urteilsvermögen erforderlich?
- Wie hoch sind die Kosten einer falschen Entscheidung?
- Kann das Ergebnis unabhängig überprüft werden?
- Kann ein Mensch vor einer folgenschweren Entscheidung eingreifen?
- Kann der Versicherer nachvollziehen, wie die Empfehlung zustande gekommen ist?
Die Antworten entscheiden darüber, ob ein vielversprechendes Pilotprojekt realistische Aussichten auf eine Serienreife hat.
Was umfasst die Bearbeitung von Schadensfällen?
Der gesamte Lebenszyklus eines Schadensfalls umfasst verschiedene Arten von Aufgaben, deren Automatisierungspotenzial sehr unterschiedlich ist.
1. Erste Schadensmeldung
KI kann Informationen aus Anrufen, Formularen, Fotos und Dokumenten extrahieren, fehlende Angaben identifizieren und Schadensfälle an den entsprechenden Arbeitsablauf weiterleiten.
Die Kundeninteraktion selbst ist sensibler. Jemand, der einen schweren Unfall, einen Brand oder einen Todesfall meldet, benötigt möglicherweise eher Einfühlungsvermögen und Beruhigung als ein vollständig automatisiertes Gespräch. Ein KI-gestütztes Erstschadenmeldesystem (FNOL) ist daher vertretbarer als der Versuch, jede Interaktion zu automatisieren.
2. Triage
Die Triage ist einer der vielversprechendsten Anwendungsbereiche für KI. Systeme können die Komplexität bewerten, den Schweregrad einschätzen, fehlende Informationen identifizieren, potenziellen Betrug aufdecken und Arbeitsaufgaben priorisieren.
Hier können KI-Tools für Schadensregulierer einen Mehrwert schaffen, ohne dem Schadensregulierer die Verantwortung zu entziehen. Relevante Versicherungsdaten, frühere Schadensfälle und Belege können zusammengetragen werden, bevor ein Mensch die Entscheidung trifft.
3. Untersuchung
KI kann Dokumente durchsuchen, Beweismaterial zusammenfassen, Unstimmigkeiten aufdecken und ähnliche Fälle aufzeigen.
Das Risiko steigt, wenn das System nicht mehr nur Informationen findet, sondern entscheiden soll, was tatsächlich geschehen ist. Widersprüchliche Beweise, umstrittene Haftungsfragen und Rechtsstreitigkeiten erfordern ein deutlich höheres Maß an menschlicher Kontrolle.
4. Abrechnung und Zahlung
Bei Schadensfällen mit geringem Wert, bei denen der Versicherungsschutz eindeutig ist, die Ergebnisse vorhersehbar sind und vollständige digitale Nachweise vorliegen, kann eine durchgängig automatisierte Schadensbearbeitung gut funktionieren.
Bei komplexen, hochbetragigen oder sensiblen Schadensfällen kann derselbe Ansatz jedoch ein unverhältnismäßiges Risiko mit sich bringen. Die Auszahlung lässt sich zwar leicht automatisieren, doch die Feststellung, ob die Auszahlung korrekt ist, stellt die eigentliche Herausforderung dar.
Wo liefert KI bei der Schadenbearbeitung messbare Ergebnisse?
Die aussagekräftigsten Anwendungsfälle zeichnen sich in der Regel durch hohe Datenmengen, vorhersehbare Ergebnisse, gute historische Daten und überschaubare Fehlerkosten aus.
Durchgängige Bearbeitung einfacher Schadensfälle
Ein Fall eignet sich besonders gut für die Automatisierung, wenn:
- der Versicherungsumfang eindeutig ist;
- der Schaden leicht festzustellen ist;
- der Wert relativ gering ist;
- die Nachweise digital vorliegen; und
- keine nennenswerten Bedenken hinsichtlich Betrug oder Haftung bestehen.
Lemonade liefert hierfür ein anschauliches Beispiel. Das KI-System „Jim“ des Unternehmens hat die Erstmeldung (FNOL), die Triage, Betrugsüberprüfungen und die Auszahlung übernommen, wobei bei Bedarf auf menschliche Mitarbeiter zurückgegriffen wurde. In seinem Jahresbericht 2021 berichtete Lemonade, dass „Jim“ in 98 % der Fälle die Erstmeldung (FNOL) bearbeitete und etwa ein Drittel der Schadenfälle über den gesamten Prozess hinweg abwickelte.
Diese Zahlen sind kein allgemeingültiger Maßstab. Lemonade arbeitet nach einem stark digitalisierten Modell. Die besser übertragbare Erkenntnis ist, dass die durchgängige automatisierte Bearbeitung am besten funktioniert, wenn die Komplexität der Schadensfälle gering ist.
Dokumenteneinstufung und -extraktion
Die Dokumentenbearbeitung ist eine weniger sichtbare, aber potenziell zuverlässigere Quelle für den ROI von KI im Schadenbearbeitungsprozess.
KI kann Dokumente klassifizieren, Felder extrahieren, fehlende Nachweise identifizieren und Korrespondenz zusammenfassen. Technologien wie optische Zeichenerkennung, Verarbeitung natürlicher Sprache und maschinelles Lernen können dabei helfen, unstrukturierte Daten in Informationen umzuwandeln, die innerhalb des Schadenbearbeitungs-Workflows durchsucht und genutzt werden können.
Das System muss nicht entscheiden, ob ein Schadenfall bezahlt werden soll. Es kann jedoch den Verwaltungsaufwand im Zusammenhang mit dieser Entscheidung reduzieren. Diese Unterscheidung senkt zudem das Risiko.
Computervision zur Schadensbewertung
Computer Vision findet im Bereich der Kfz-Schadensfälle klare Anwendung. Aviva gab eine Partnerschaft mit Tractable bekannt, um mithilfe visueller KI Fahrzeugschäden anhand von Fotos zu bewerten und die Berechnung der Reparaturkosten zu unterstützen.
Hierbei handelt es sich um ein begrenztes Problem: die Identifizierung sichtbarer Schäden und wahrscheinlicher Reparaturen. Dies lässt sich leichter testen als ein System, das versucht, anhand desselben Fotos die Haftung zu bestimmen.
Erkennung von Betrugsmustern
Die KI-gestützte Betrugserkennung im Versicherungswesen birgt ein besonders großes Potenzial, da das System ungewöhnliche Muster erkennen kann, ohne dabei zwangsläufig die endgültige ablehnende Entscheidung zu treffen.
Es kann Folgendes kennzeichnen:
- wiederkehrende Adressen oder Bankkonten;
- ungewöhnliche Zeitpunkte der Schadenmeldung;
- inkonsistente Beschreibungen;
- doppelte Bilddaten;
- ungewöhnliche Reparaturmuster;
- Zusammenhänge zwischen scheinbar nicht miteinander in Verbindung stehenden Schadensfällen; und
- ungewöhnliches Verhalten von Dienstleistern oder Lieferanten.
Aviva meldete für das Jahr 2025 mehr als 18.400 verdächtige Schadensfälle im Wert von 233 Millionen Pfund, die über alle seine Marken hinweg identifiziert wurden. Das Unternehmen berichtete zudem über eine zunehmende Verwendung von KI-generierten Bildern und Dokumenten durch Betrüger.
Der Nutzen liegt daher nicht nur in einer schnelleren Schadenbearbeitung. Vielmehr hilft es den Ermittlern, ihre Aufmerksamkeit dort zu konzentrieren, wo die Beweislage dies rechtfertigt.
Sie sind sich nicht sicher, welcher Anwendungsfall für Schadensfälle sich für einen Pilotversuch lohnt?
Wir helfen Versicherern dabei, die Prozesse, die KI sicher übernehmen kann, von denen zu unterscheiden, die weiterhin einen Menschen erfordern.
Das beginnt mit Ihrer aktuellen Ausgangslage: Bearbeitungszeit, Kosten pro Schadensfall, Ausnahmeraten und die Kosten, die Ihnen durch eine falsche Entscheidung entstehen.
Betrugsaufdeckung: der Anwendungsfall mit der stärksten Evidenzbasis
Betrugsfälle unterscheiden sich von vielen anderen Entscheidungen im Schadenfall, da das Modell als Filter für die Ermittlungen fungieren kann.
KI kann Schadensfälle identifizieren, die Anzeichen enthalten, die eine weitere Untersuchung rechtfertigen, und hilft den Ermittlern so, ihre Aufmerksamkeit dort zu konzentrieren, wo sie am dringendsten benötigt wird. Dadurch wird eine klare Trennung zwischen der Erkennung von Anomalien und der Kundenentscheidung geschaffen.
Lemonade hat beispielsweise erklärt, dass potenziell betrügerische Schadensfälle zur manuellen Untersuchung markiert werden können, anstatt automatisch abgelehnt zu werden.
Für Versicherer ist das Funktionsprinzip einfach:
KI soll den Ermittlern helfen, die richtigen Schadensfälle zu finden, anstatt sie aus dem Prozess zu verdrängen.
Dieser Ansatz kann die Betrugserkennung verbessern, während die endgültige ablehnende Entscheidung weiterhin bei einem qualifizierten Mitarbeiter liegt.
Wo (und warum) bleibt die KI bei der automatisierten Schadenbearbeitung durchweg hinter den Erwartungen zurück?
KI schneidet in der Regel schlecht ab, wenn es nicht um Vorhersagen, sondern um Interpretation geht.
Ein immer wiederkehrendes Fehlermuster besteht darin, dass die letzten 5–10 % der Genauigkeit oft der schwierigste und folgenreichste Teil sind.
Ein System kann zwar 95 % der Dokumente korrekt klassifizieren. Die verbleibenden 5 % können jedoch handschriftliche Änderungen, ungewöhnliche Versicherungsnachträge, widersprüchliche Beweise, fremdsprachige Dokumente, Prozesskorrespondenz oder genau jene Informationen enthalten, die das Ergebnis verändern.
Komplexe Haftungsstreitigkeiten
Bei gewerblichen und fremden Ansprüchen kann es zu widersprüchlichen Darstellungen, vertraglichen Verpflichtungen, Ausschlussklauseln, Sachverständigengutachten und Rechtsstreitigkeiten kommen.
KI kann die Prüfung von Beweismitteln beschleunigen. Ihr die Verantwortung für die Feststellung der Haftung zu übertragen, ist jedoch viel schwerer zu rechtfertigen, da eine falsche Entscheidung finanzielle, rechtliche und rufschädigende Folgen haben kann.
Es geht daher um die Verantwortlichkeit für Entscheidungen und nicht nur um die Genauigkeit des Modells.
Emotional heikle Erstmeldung (FNOL)
Ein Antragsteller, der einen schweren Unfall, einen Hausbrand oder einen Todesfall zu bewältigen hat, benötigt möglicherweise jemanden, der seine Notlage erkennt und ihm erklärt, wie es weitergeht.
Die Automatisierung kann weiterhin im Hintergrund Informationen erfassen und auf Vollständigkeit prüfen. Die Senkung der Kontaktkosten sollte jedoch nicht das einzige Erfolgskriterium sein.
Der „Long Tail“ der Dokumentenverarbeitung
Ein Dokumentenmodell kann bei gängigen Formaten sehr gute Ergebnisse erzielen, scheitert jedoch bei Ausnahmen: schlechte Scans, handschriftliche Änderungen, ungewöhnliche Vermerke, widersprüchliche Beweise oder ungewöhnliche Vertragsformulierungen.
Dadurch können die angegebenen Automatisierungsquoten potenziell irreführend sein.
Wenn 98 % der Dokumente automatisch verarbeitet werden, die verbleibenden 2 % jedoch die Fälle mit dem höchsten Risiko darstellen, ändert sich die Wirtschaftlichkeit. Der relevante Maßstab ist daher die sichere Automatisierung zuzüglich der Kosten für Ausnahmen und nicht allein der Automatisierungsanteil.
Klinische Beurteilung und Entscheidung über den Versicherungsschutz
Die Krankenversicherung stellt einen besonders schwierigen Fall dar, da statistische Vorhersagen im Widerspruch zum individuellen klinischen Urteil stehen können.
Die Kontroverse um das „nH Predict“-System von UnitedHealth verdeutlicht diese Problematik. Die Kläger behaupteten, das System weise eine Fehlerquote von fast 90 % auf; diese Behauptungen sind umstritten und sollten nicht als feststehende Tatsache betrachtet werden. Der Fall verdeutlicht dennoch die Risiken des Einsatzes automatisierter Vorhersagen bei Entscheidungen über Schadensersatzansprüche mit hohem Streitwert.
Cigna sah sich ähnlichen Rechtsstreitigkeiten aufgrund von Vorwürfen bezüglich seines PxDx-Systems und automatisierter Verfahren zur Ablehnung von Leistungsansprüchen gegenüber; Cigna bestritt die Darstellung seines Systems.
Die gemeinsame Lehre daraus ist einfach: Schnelligkeit kann eine mangelhafte Entscheidungsqualität nicht ausgleichen.
Die regulatorischen und rechtlichen Risiken, die bei den meisten KI-Implementierungen nicht im Preis berücksichtigt sind
Die Kosten einer fehlgeschlagenen KI-Einführung können weit über die Technologie selbst hinausgehen. Dazu können Abhilfemaßnahmen, Einsprüche, behördliche Untersuchungen, Rechtsstreitigkeiten, Entschädigungen, Reputationsschäden sowie die Kosten für den Wiederaufbau menschlicher Prozesse nach der Automatisierung gehören.
Die US-amerikanische National Association of Insurance Commissioners (NAIC) verabschiedete im Dezember 2023 ihr Musterbulletin zum Einsatz von KI-Systemen durch Versicherer. Darin heißt es, dass Entscheidungen, die Auswirkungen auf Verbraucher haben und durch KI getroffen oder unterstützt werden, den geltenden Versicherungsgesetzen entsprechen müssen, einschließlich der Vorschriften zu unlauteren Geschäftspraktiken und Diskriminierung. Außerdem werden darin Erwartungen hinsichtlich Governance, Risikomanagement und Dokumentation festgelegt.
In der Praxis bedeutet dies, dass Versicherer nachweisen können müssen:
- welche Daten das System verwendet;
- wie es trainiert oder konfiguriert wurde;
- welche Rolle KI bei der Entscheidung gespielt hat;
- wie die Genauigkeit und mögliche Verzerrungen geprüft wurden;
- wo menschliche Aufsicht greift;
- wie Modelländerungen und Abweichungen überwacht werden;
- was geschieht, wenn die Konfidenz gering ist;
- wie Kunden ein Ergebnis anfechten können; und
- wie eine Entscheidung später rekonstruiert werden kann.
Die NAIC entwickelt zudem einen regulatorischen Rahmen für Daten und Modelle von Drittanbietern. Der Einsatz eines externen Anbieters entbindet den Versicherer daher nicht von seiner Rechenschaftspflicht.
Die Nachprüfbarkeit ist eine Anforderung an den Betrieb und keine reine Berichterstattungsmaßnahme.
Wie lässt sich ein KI-gestützter Anwendungsfall im Schadenfallbereich bewerten, bevor man sich darauf festlegt?
Eine praktische Bewertung lässt sich auf vier Bereiche reduzieren.
1. Festlegung der Ausgangsbasis
Maßnahme:
- Bearbeitung und Durchlaufzeit;
- Kosten pro Schadensfall;
- manuelle Eingriffe;
- durchgängige Bearbeitung;
- Verluste und Nacharbeit;
- Eskalations- und Beschwerdequoten;
- Betrugsaufdeckung;
- Falsch-positive und Falsch-negative Ergebnisse;
- Abrechnungsgenauigkeit; und
- Zeitaufwand der Mitarbeiter für Verwaltungsaufgaben.
Legen Sie anschließend genau fest, welche Kennzahl das System verbessern soll. Dies ist die Grundlage für eine glaubwürdige Berechnung des ROI der KI im Schadenmanagement.
2. Bereitschaft der Testdaten
Stellen Sie vor Beginn eines Pilotprojekts fest, ob:
- die historischen Daten vollständig und einheitlich kodiert sind;
- die Ergebnisse zuverlässig gekennzeichnet sind;
- Produktionsdaten zugänglich sind;
- seltene Ereignisse angemessen erfasst sind;
- sensible Daten rechtlich verwendet werden dürfen; und
- die Ergebnisse lassen sich mit bestehenden Schadensmeldesystemen verknüpfen.
Gute historische Daten garantieren keine gute Produktionsleistung.
3. Einstufung des Anwendungsfalls nach Risikostufen
Ein einfaches dreistufiges Modell funktioniert:
Stufe 1 – Unterstützung: Zusammenfassung, Extraktion, Klassifizierung, Suche und Wissensabruf.
Stufe 2 – Empfehlung: Priorisierung von Betrugsfällen, Schweregradbewertung, Weiterleitung und andere Empfehlungen, bei denen ein qualifizierter Mitarbeiter weiterhin die Verantwortung trägt.
Stufe 3 – Entscheidung: automatisierte Ablehnung, Entscheidung über den Versicherungsschutz oder komplexe autonome Schadenregulierung.
Die meisten Versicherer sollten Anwendungen der Stufe 1 und ausgewählten Anwendungen der Stufe 2 Priorität einräumen. Stufe 3 erfordert wesentlich fundiertere Nachweise und Kontrollen.
4. Legen Sie die NO-GO-Kriterien vor Beginn des Pilotprojekts fest
Eine „NO-GO“-Entscheidung ist ein Mechanismus zur Risikokontrolle und kein gescheitertes Innovationsprojekt.
Beenden oder überarbeiten Sie den Anwendungsfall, wenn:
- die Basis nicht gemessen werden kann;
- die Datenqualität unzureichend ist;
- sich die Leistung für wichtige Anspruchssegmente verschlechtert;
- die Fehlerkosten den erwarteten Nutzen übersteigen;
- Menschen die Ergebnisse nicht hinterfragen können;
- die Dokumentation des Anbieters ist unzureichend;
- die Prüfpfade sind unzureichend; oder
- der Business Case davon abhängt, dass die menschliche Überwachung wegfällt, die für die Produktionssteuerung weiterhin erforderlich ist.
Der Business Case sollte das tatsächliche Betriebsmodell widerspiegeln, einschließlich der Kosten für Integration, Governance und manuelle Überprüfung, und nicht die Annahmen, die bei einer Anbieterdemonstration zugrunde gelegt wurden.
Die Checkliste für Entscheidungsträger
Bevor eine Initiative im Bereich KI-Ansprüche genehmigt wird, sollte die Unternehmensleitung folgende Fragen mit „Ja“ beantworten können:
- Ist das Problem in betrieblicher Hinsicht definiert?
- Verfügen wir über eine verlässliche Ausgangsbasis?
- Ist der Prozess wiederholbar genug, um eine Automatisierung zu rechtfertigen?
- Sind die Schadensdaten ausreichend, repräsentativ und rechtlich verwertbar?
- Unterstützt das System, gibt es Empfehlungen oder trifft es Entscheidungen?
- Gibt es eine klare menschliche Verantwortlichkeit für daraus resultierende Entscheidungen?
- Können die Ergebnisse über alle relevanten Schadenssegmente hinweg getestet werden?
- Wurden falsch-positive und falsch-negative Ergebnisse gemessen?
- Lassen sich wesentliche Entscheidungen anhand eines Prüfpfads rekonstruieren?
- Stellt der Anbieter eine angemessene Dokumentation zu Modellen, Daten und Tests bereit?
- Kann das System bei geringer Konfidenz sicher ausfallen?
- Haben die Teams aus den Bereichen Schadenbearbeitung, Recht und Compliance den Anwendungsfall geprüft?
- Bezieht die ROI-Berechnung die Kosten für Governance und manuelle Überprüfung mit ein?
- Werden vor der Produktivsetzung „NO-GO“-Kriterien definiert?
Erstellen Sie den Business Case, bevor Sie das System entwickeln.
Die meisten KI-Projekte im Bereich der Schadenbearbeitung scheitern an den Daten, der Integration und der Governance – nicht am Modell.
Wir arbeiten mit Versicherern zusammen, um die Datenbereitschaft zu prüfen, den Anwendungsfall nach Risikostufen einzustufen und die Kosten für die menschliche Überwachung zu ermitteln, die im Produktivbetrieb weiterhin erforderlich sein wird.
Die eigentliche Chance liegt nicht in autonomen Schadenfällen, sondern in der kontrollierten Automatisierung der Schadenbearbeitung.
Die stichhaltigsten Belege sprechen für einen selektiven Einsatz von KI bei der Schadenbearbeitung.
KI eignet sich gut für sich wiederholende Klassifizierungen, die Dokumentenbearbeitung, die Triage, die Betrugsaufdeckung, die Schadensbewertung und unkomplizierte Schadensfälle mit eindeutigen Beweisen. Weniger zuverlässig ist sie hingegen in Fällen, in denen das Ergebnis von strittigen Haftungsfragen, schutzbedürftigen Kunden, ungewöhnlichen Beweisen, klinischem Urteilsvermögen oder der komplexen Auslegung von Versicherungsschutz abhängt.
Das bedeutet jedoch nicht, dass diese schwierigen Bereiche tabu sind. Es verändert vielmehr die Rolle, die die Technologie spielen sollte.
Für viele Versicherer ist das beste Modell eine KI, die den Schadensregulierer unterstützt: Sie findet Informationen, erkennt Anomalien, bereitet Beweismittel vor und priorisiert die Arbeit, während die Menschen die Verantwortung für die daraus resultierenden Entscheidungen behalten.
Der Mehrwert entsteht dadurch, dass vermeidbare Arbeitsschritte wegfallen, ohne die Verantwortlichkeit zu beseitigen. Mit anderen Worten: Das Ziel besteht nicht darin, das Schadenmanagement um jeden Preis zu automatisieren, sondern KI dort einzusetzen, wo sie die Schadenabwicklung stärken, die Konsistenz verbessern und eine bessere Risikobewertung ermöglichen kann, ohne das menschliche Urteilsvermögen zu beeinträchtigen.
KI funktioniert im Schadenmanagement am besten, wenn sie operative Reibungsverluste reduziert, nicht wenn sie die Verantwortlichkeit ersetzt.
