Automatische Schadenbearbeitung in der Versicherung

Das echte Ausmaß des Problems

Eine mittlere Versicherungsgesellschaft mit 500.000 Policen bearbeitet pro Jahr mehrere hunderttausend Schadenmeldungen. In einem typischen deutschen Regionalversicherer kommen täglich 80 bis 200 neue Schadenfälle herein — per E-Mail, Kundenportal, Telefon oder Papierformular. Jeder Fall wandert durch dieselbe Kette: Eingang erfassen, Deckung prüfen, fehlende Unterlagen anfordern, Sachverständige koordinieren, Entscheidung treffen, Auszahlung anstoßen. Für einen einfachen Kfz-Haftpflichtschaden unter 2.000 Euro dauert das im Schnitt 7 bis 12 Arbeitstage.

Das Paradoxe daran: Der überwiegende Teil dieser Fälle ist nicht wirklich komplex. Deckung eindeutig, Schaden fotografisch dokumentiert, Auszahlungshöhe unstrittig. Trotzdem fasst ein Mensch jeden einzelnen Fall an — weil die Systemlandschaft der meisten Versicherer historisch gewachsen ist, die Daten in verschiedenen Silos liegen und keine Entscheidungslogik automatisch durchläuft. Sachbearbeiter verbringen nach Branchenschätzungen 40 bis 60 Prozent ihrer Arbeitszeit mit Fällen, die keine echte versicherungsfachliche Urteilskraft erfordern. Der Rest — Betrugsverdacht, Deckungsstreitigkeiten, Großschäden — liegt liegen.

Kunden spüren das unmittelbar. Wer nach einem Wasserschaden in der Wohnung zehn Tage auf seinen Bescheid wartet, ist unzufrieden. Wer nach einem kleinen Kfz-Schaden dreimal Unterlagen nachreicht, wird zur Beschwerdestelle. Und wer keinen Fortschritt sieht, schaltet Anwälte ein — was die Kosten pro Fall nochmals erhöht. Branchenumfragen zeigen, dass Bearbeitungsgeschwindigkeit bei Schadensfällen der wichtigste Einzelfaktor für Kundenzufriedenheit ist — noch vor der Auszahlungshöhe. Hier liegt die größte Hebelwirkung für KI in der Versicherungsbranche.

Mit vs. ohne KI — ein ehrlicher Vergleich

Kennzahl	Ohne KI	Mit KI
Bearbeitungszeit (Standardfall)	7–12 Arbeitstage	Unter 24 Stunden
Bearbeitungskosten pro Fall	80–150 €	30–60 €
Automatisierungsquote (Standardfälle)	0 %	60–75 %
Sachbearbeiter-Kapazität für komplexe Fälle	30–40 % der Arbeitszeit	70–80 % der Arbeitszeit
Nachforderungsquote fehlender Unterlagen	25–35 % der Fälle	10–15 % der Fälle

Diese Zahlen stammen aus veröffentlichten Branchenberichten und Angaben von Systemanbietern. Tatsächliche Ergebnisse hängen stark von der Qualität der Ausgangsdaten, der Homogenität der Schadenstypen und der Qualität der Systemintegration ab. Ein Pilotprojekt sollte die eigenen Baseline-Werte zuerst messen, bevor Zielwerte gesetzt werden.

Was KI bei der Schadenbearbeitung konkret macht

Der automatisierte Bearbeitungsprozess läuft in vier klar definierten Stufen — nicht als Blackbox, sondern als transparenter, dokumentierter Workflow.

Stufe 1: Eingangserfassung und Klassifikation KI empfängt den Schadenseingang — ob als E-Mail-Text, angehängtes PDF, Foto oder strukturiertes Formular — und extrahiert alle relevanten Informationen: Schadensart, Datum des Ereignisses, geschätzte Schadenshöhe, Policenummer, betroffene Objekte. Dabei spielt das Eingangsmedium keine Rolle. Ein Handyfoto einer zerkratzten Motorhaube liefert nach automatischer Bildanalyse dieselbe strukturierte Information wie ein ausgefülltes Online-Formular.

Stufe 2: Deckungsprüfung Eine Regelmaschine — ergänzt durch KI — prüft automatisch: Ist dieser Schadenstyp in der Police abgedeckt? Gibt es Ausschlussgründe (z. B. Eigenverschulden bei bestimmten Tarifen, Vorschäden, Meldefristen)? Sind alle notwendigen Unterlagen vorhanden? Dieser Schritt ist vollständig nachvollziehbar und revisionssicher dokumentiert, weil er für den BaFin-Prüffall gebraucht wird.

Stufe 3: Entscheidung und Eskalation Bei eindeutigen Fällen trifft die KI die Entscheidung automatisch — mit vollständiger Begründung und Verweis auf die relevanten Policenklauseln. Grenzfälle (Schadenshöhe über definierten Schwellenwerten, Betrugshinweise aus Anomalieerkennung, unklare Deckungslage, rechtliche Streitfragen) werden mit vollständigem Kontext an den zuständigen Sachbearbeiter übergeben. Wichtig: Der Sachbearbeiter sieht sofort, warum der Fall eskaliert wurde und welche Prüfpunkte noch offen sind.

Stufe 4: Auszahlung und Kommunikation Bei genehmigten Standardfällen wird der Auszahlungsauftrag automatisch generiert und zur Buchung weitergeleitet. Der Kunde erhält automatisch eine Bestätigungsnachricht mit voraussichtlichem Zahlungseingang. Ablehnungen werden mit der gesetzlich vorgeschriebenen Begründung versandt.

Ein Beispiel aus der Praxis: Kunde meldet einen Glasbruchschaden an einem Dachfenster via App. Foto hochgeladen, Schadenstyp automatisch erkannt, Deckung geprüft (ja, im Tarif enthalten), Schadenshöhe aus angehängter Handwerkerrechnung extrahiert (780 Euro), Ausschlüsse geprüft (keine), Auszahlungsentscheidung automatisch getroffen — alles innerhalb von vier Minuten. Zwei Stunden später ist der Überweisungsauftrag in der Buchhaltung. Der Kunde bekommt am selben Tag ein Bestätigungs-SMS.

Konkrete Werkzeuge — was wann passt

Make.com — Für Versicherer, die einen ersten automatisierten Workflow ohne große IT-Projekte aufbauen wollen. Make.com eignet sich als Orchestrierungs-Layer: Eingang über E-Mail oder Webhook, Weiterleitung an KI-Dienst, Deckungsprüfung via API, Ergebnis zurück ins CRM schreiben. Kein Code notwendig, gute Dokumentation, europäische Server verfügbar. Sinnvoll für Pilotprojekte mit einem klar definierten Schadenstyp. Kosten: ab ca. 9–16 Euro/Monat für grundlegende Pläne, bei höherem Operationsvolumen entsprechend mehr.

Claude oder ChatGPT (API) — Als LLM-Layer für die Plausibilitätsprüfung natürlichsprachiger Schadensbeschreibungen. Regelbasierte Systeme versagen, wenn ein Kunde schreibt: „Mein Auto wurde letzte Woche irgendwann nachts zerkratzt, ich hab’s erst heute morgen bemerkt.” Hier braucht es Sprachverständnis, um Datum, Ereignis und Meldezeitpunkt korrekt zu extrahieren und auf Deckungsrelevanz zu prüfen. API-Kosten: je nach Volumen 50–300 Euro/Monat.

Microsoft 365 Copilot — Wenn das Institut bereits auf Microsoft-Infrastruktur setzt. Copilot kann in bestehende Teams- und Outlook-Workflows integriert werden und erlaubt es Sachbearbeitern, Schadensdossiers per Sprachbefehl zusammenzufassen, Briefe zu generieren und Eskalationsnotizen zu schreiben. Kein Ersatz für einen echten Automatisierungsworkflow, aber eine sinnvolle Ergänzung auf der Sachbearbeiter-Ebene. Kosten: ca. 30 Euro/Nutzer/Monat zusätzlich zur bestehenden M365-Lizenz.

Fireflies.ai — Für Schadenfälle, die telefonisch aufgenommen werden. Fireflies transkribiert Schadensgespräche automatisch, extrahiert Kerninformationen und übergibt strukturierte Daten an das Schadensystem. Besonders nützlich bei Versicherern mit hohem Telefoneingang. Kosten: ab ca. 18 Euro/Nutzer/Monat.

Was es kostet — realistisch gerechnet

Einmalige Kosten (Pilotprojekt, ein Schadenstyp) Die größten Posten sind nicht Lizenzen, sondern Konzeption und Integration: Prozessanalyse, Datenmodellierung, API-Anbindung an bestehende Schadenssysteme, Testläufe und Abnahme. Realistisch: 20.000 bis 60.000 Euro für einen sauber abgegrenzten Piloten. Bei komplexen Systemlandschaften oder starker regulatorischer Anforderung auch mehr.

Laufende Kosten (monatlich)

• Workflow-Orchestrierung (z. B. Make.com, Power Automate): 200–800 Euro/Monat je nach Volumen
• LLM-API-Nutzung: 100–500 Euro/Monat bei 1.000–5.000 automatisierten Fällen
• Monitoring und Qualitätssicherung: 2–4 Stunden Sachbearbeiterzeit pro Woche für Stichprobenprüfung
• IT-Betrieb und Updates: je nach interner Aufstellung 500–2.000 Euro/Monat

ROI-Rechnung — ein realistisches Beispiel Ausgangspunkt: 800 Standardfälle/Monat, davon 60 Prozent automatisierbar = 480 Fälle. Aktuelle Bearbeitungskosten: 100 Euro/Fall. Zielkosten mit KI: 40 Euro/Fall. Monatliche Einsparung: 480 × 60 Euro = 28.800 Euro. Jahreseinsparung: rund 345.000 Euro. Einmalige Investition: 40.000 Euro. Break-Even: unter 2 Monate nach vollständiger Produktivschaltung.

Das ist ein optimistisches Szenario. In der Realität zieht die Automatisierungsquote langsam hoch, weil Grenzfälle anfangs strenger eskaliert werden als später. Realistisch: Break-Even nach 4 bis 8 Monaten.

Drei typische Einstiegsfehler

1. Zu viele Schadenstypen gleichzeitig automatisieren wollen. Der Wunsch ist verständlich: Wenn schon, dann richtig. In der Praxis führt das zu Projekten, die sich über 18 Monate ziehen, weil jeder Schadenstyp eigene Datenstrukturen, Ausschlusslogiken und Regulierungsanforderungen hat. Was funktioniert: Einen klar definierten, häufigen und homogenen Schadenstyp auswählen — z. B. Glasbruchschäden bis 2.000 Euro oder Reisegepäckverlust — und damit in vier bis acht Wochen produktiv gehen. Die Learnings aus dem ersten Piloten übertragen sich auf alle weiteren.

2. Compliance und BaFin-Anforderungen als nachgelagerte Aufgabe behandeln. Automatisierte Entscheidungen in der Versicherungsbranche sind regulatorisch relevant. Die BaFin erwartet, dass algorithmische Entscheidungssysteme erklärbar, dokumentiert und auditierbar sind — und dass ein Mensch für jede automatisierte Entscheidung verantwortlich ist. Wer diese Anforderungen erst nach dem Go-live einbaut, muss das System oft komplett umstrukturieren. Lösung: Compliance-Abteilung und ggf. externer Datenschutzbeauftragter von Projekttag eins an einbinden, Erklärbarkeit als Designprinzip festlegen.

3. Kein Human-in-the-Loop-Konzept für Grenzfälle. Manche Projekte starten mit der Idee, die Automatisierungsquote so hoch wie möglich zu treiben. Das ist das falsche Ziel. Ein System, das Grenzfälle schlecht eskaliert, produziert falsche Entscheidungen — die dann im Beschwerde- oder Rechtsweg landen und mehr kosten als manuelle Bearbeitung. Lösung: Lieber konservative Eskalationsschwellen setzen und die Quote schrittweise erhöhen, wenn das System bewiesen hat, dass es zuverlässig klassifiziert. Die Überprüfung der Eskalationslogik gehört zum Standard-Review-Prozess.

Realistischer Zeitplan mit Risikohinweisen

Phase	Dauer	Was passiert	Typisches Risiko
Analyse & Pilotauswahl	Woche 1–3	Schadenstypen bewerten, Datenqualität prüfen, Compliance klären	Keine klare Datenlage — historische Falldaten fehlen oder sind inkonsistent
Konzept & Systemdesign	Woche 3–6	Workflow definieren, API-Schnittstellen planen, Eskalationslogik festlegen	IT-Abteilung hat keine Kapazität — Projektverzögerung von Anfang an
Entwicklung & Integration	Woche 6–12	Aufbau, Tests mit historischen Schadensdaten, Abnahme Compliance	Schnittstellen zu Kernsystemen (Schadensystem, Buchhaltung) komplexer als geplant
Pilotbetrieb	Woche 12–16	Produktivschaltung mit engem Monitoring, alle Entscheidungen werden gestichprobt	Sachbearbeiter vertrauen dem System nicht — Qualitätssicherung wird zur Vollprüfung
Rollout & Skalierung	Ab Woche 16	Weitere Schadenstypen, höhere Automatisierungsquote, Reporting	Zweiter Schadenstyp hat andere Datenstruktur — kein Copy-Paste des Pilots

Der Aufwand auf Kundenseite während des Projekts liegt typischerweise bei vier bis acht Stunden pro Woche — hauptsächlich für fachliche Abnahme, Testfall-Review und Compliance-Freigaben.

Häufige Einwände — und was dahintersteckt

„Unsere Systeme sind zu alt für eine KI-Integration.” Das ist einer der häufigsten Einwände — und oft nicht der eigentliche Grund. Die meisten Versicherungskernssysteme bieten inzwischen REST-APIs oder zumindest Export-Schnittstellen. KI-Automatisierung muss nicht ins Kernsystem eingreifen — sie kann als Layer davor laufen und Entscheidungen via API übergeben. Was fehlt, ist oft nicht die technische Möglichkeit, sondern die IT-Kapazität und das Priorisierungsbudget für das Projekt.

„Wir haben Angst vor Fehlentscheidungen und Haftungsfragen.” Diese Sorge ist berechtigt — und ein Zeichen dafür, dass die Anforderungen verstanden werden. Die Antwort ist nicht, auf Automatisierung zu verzichten, sondern das System so zu bauen, dass Fehler auffallen und korrigierbar sind: konservative Eskalationsschwellen, vollständige Audittrails, regelmäßige Stichprobenprüfung, klare menschliche Verantwortung für jede automatisierte Entscheidung. Kein seriöser Anbieter verspricht ein fehlerfreies System — aber ein gut gebautes System macht weniger Fehler als ein überlasteter Sachbearbeiter unter Zeitdruck.

„KI-Entscheidungen sind für Kunden nicht erklärbar.” Nach DSGVO Art. 22 haben Kunden bei vollautomatisierten Entscheidungen das Recht auf menschliche Überprüfung und eine verständliche Begründung. Das ist keine Hürde, sondern ein Designprinzip: Jede automatisierte Entscheidung muss dokumentieren, welche Regeln und Daten zur Entscheidung geführt haben — in einer Form, die ein Sachbearbeiter dem Kunden erklären kann. Systeme, die das nicht leisten, sind keine akzeptablen Lösungen.

Datenschutz — was du wissen musst

Schadensdaten gehören zu den sensibelsten personenbezogenen Daten überhaupt: Sie offenbaren Wohnverhältnisse, Gesundheitszustände (bei Unfallversicherungen), finanzielle Situationen und Verhaltensweisen. Die DSGVO stellt hier besonders hohe Anforderungen.

Der wichtigste Schritt: Mit jedem Dienstleister, der Schadensdaten im Auftrag verarbeitet — ob KI-Modell, Cloud-Infrastruktur oder Workflow-Tool — ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abzuschließen. Das gilt auch für API-Anbieter wie OpenAI oder Anthropic. Alle genannten Anbieter stellen standardisierte AVV-Vorlagen bereit; sie müssen aber vor der ersten Produktivnutzung abgeschlossen sein, nicht danach.

Europäische Serverstandorte sind im Versicherungsbereich keine optionale Bequemlichkeit, sondern in vielen Instituten interne Pflicht — oft durch IT-Sicherheitsrichtlinien oder Betriebsvereinbarungen festgelegt. Azure West Europe, AWS Frankfurt und vergleichbare EU-Rechenzentren sind technisch verfügbar und werden von den meisten Anbietern unterstützt.

Die BaFin hat keine spezifischen KI-Regulierungen veröffentlicht (Stand April 2026), aber die allgemeinen Anforderungen an die Ordnungsmäßigkeit von Geschäftsprozessen gelten auch für automatisierte Entscheidungssysteme. Das bedeutet: vollständige Dokumentation der Entscheidungslogik, nachvollziehbare Audittrails und die Möglichkeit, jeden automatisierten Bescheid manuell zu prüfen und zu korrigieren. Wer das einbaut, ist regulatorisch auf der sicheren Seite.

Ein oft übersehener Punkt: Trainings- und Testdaten. Wenn historische Schadensdaten genutzt werden, um das Modell zu testen oder zu konfigurieren, braucht es dafür eine Rechtsgrundlage. Die Anonymisierung oder Pseudonymisierung dieser Datensätze gehört zum Projektstart.

Typisches Szenario

Ein regionaler Sachversicherer mit rund 180.000 Policen und einem Schadensaufkommen von 120 Fällen pro Tag. Der größte Anteil — rund 35 Prozent — sind Glasbruch-, Leitungswasser- und Sturmschäden unter 3.000 Euro. Das Team der Schadenbearbeitung umfasst zwölf Sachbearbeiter, die täglich mehr als die Hälfte ihrer Zeit mit diesen homogenen Standardfällen verbringen.

Nach einer viermonatigen Pilotphase — zunächst nur für Glasbruchschäden — werden 68 Prozent der eingehenden Glasbruchmeldungen vollständig automatisch bearbeitet: Eingang erfasst, Deckung geprüft, Handwerkerrechnung ausgelesen, Auszahlungsauftrag generiert, Kundenbestätigung versandt. Durchschnittliche Bearbeitungszeit: unter zwei Stunden statt bisher sechs bis acht Arbeitstage. Die Sachbearbeiter berichten, sie hätten zum ersten Mal seit Jahren genug Zeit für komplexe Fälle und Kundenrückfragen, die tatsächlich fachliches Urteilsvermögen erfordern. Die Beschwerdequote in dieser Schadensparte sinkt im Pilotquartal um rund 30 Prozent.

Woran du merkst, dass das zu dir passt

• Du hast mindestens einen klar definierten Schadenstyp, der regelmäßig vorkommt und eindeutige Bearbeitungsregeln hat.
• Deine Sachbearbeiter verbringen mehr als ein Drittel ihrer Zeit mit Fällen, bei denen die Entscheidung schon nach der ersten Prüfung offensichtlich ist.
• Die Bearbeitungszeit für Standardfälle liegt bei mehr als drei Arbeitstagen, obwohl keine echte Komplexität vorliegt.
• Kunden beschweren sich regelmäßig über Wartezeiten oder fehlende Rückmeldungen — nicht über die Entscheidungen selbst.
• Deine Schaden-Historiedaten sind strukturiert gespeichert und erlauben eine Auswertung nach Schadenstyp, -höhe und Bearbeitungszeit.
• Die IT-Infrastruktur erlaubt grundsätzlich API-Integrationen — auch wenn das Kernsystem alt ist.
• Du hast Rückendeckung aus dem Management, das Effizienz und Compliance gleichzeitig verbessern will.

Quellen & Methodik

Zahlen zur Bearbeitungsdauer und Bearbeitungskosten basieren auf Branchenberichten des Gesamtverbands der Deutschen Versicherungswirtschaft (GDV), Herstellerangaben von Automatisierungsanbietern sowie Erfahrungen aus Beratungsprojekten im Versicherungsbereich. ROI-Rechnungen sind Beispielrechnungen, keine Garantien. Tatsächliche Ergebnisse hängen von Schadensvolumen, Datenqualität und Integrationsaufwand ab. Kostenschätzungen reflektieren Stand April 2026. Regulatorische Einschätzungen (BaFin, DSGVO) sind allgemeine Orientierungshilfen — keine Rechtsberatung.

---

Wenn du dir unsicher bist, welcher Schadenstyp sich als Einstieg am besten eignet und was ein realistisches Projektvorgehen bei eurer Systemlandschaft bedeutet, ist ein kurzes Gespräch oft der direkteste Weg. In 30 Minuten können wir einschätzen, wo die größte Hebelwirkung liegt, was das konkret kostet und was ihr wirklich braucht — ohne Verkaufsdruck, einfach um zu schauen, ob und wie das passen könnte.