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 des GDV 40 bis 60 Prozent ihrer Arbeitszeit mit Fällen, die keine echte versicherungsfachliche Urteilskraft erfordern.

Kunden spüren das unmittelbar. Wer nach einem Wasserschaden in der Wohnung zehn Tage auf seinen Bescheid wartet, ist unzufrieden. Branchenumfragen zeigen, dass Bearbeitungsgeschwindigkeit bei Schadensfällen der wichtigste Einzelfaktor für Kundenzufriedenheit ist — noch vor der Auszahlungshöhe.

Mit vs. ohne KI — ein ehrlicher Vergleich

Diese Zahlen stammen aus veröffentlichten Branchenberichten des GDV und Angaben von Systemanbietern. Tatsächliche Ergebnisse hängen stark von der Qualität der Ausgangsdaten, der Homogenität der Schadenstypen und der Qualität der Systemintegration ab.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Kein anderer Anwendungsfall in dieser Kategorie verkürzt Durchlaufzeiten so dramatisch: Von 7 bis 12 Arbeitstagen auf unter 24 Stunden für Standardfälle ist eine Veränderung, die Kunden direkt erleben. Sachbearbeiter werden komplett von Routinefällen entlastet und können sich auf Fälle konzentrieren, die echtes Urteilsvermögen erfordern.

Kosteneinsparung — sehr hoch (5/5) Die Bearbeitungskosten pro Standardfall sinken um 40 bis 60 Prozent — messbar, direkt buchhalterisch erfassbar. Kein indirekter Effekt, keine Schätzung: Kostenstelle Schadenbearbeitung vor und nach Einführung sind direkt vergleichbar. Das macht die Investitionsrechnung einfacher als bei fast allen anderen KI-Anwendungen im Finanzbereich.

Schnelle Umsetzung — niedrig (2/5) Der Pilot für einen einzigen Schadenstyp dauert realistisch 3 bis 4 Monate, der vollständige Rollout auf mehrere Schadenstypen 6 bis 12 Monate. Die Integration in gewachsene Versicherungskernssysteme ist technisch aufwendig, BaFin-Anforderungen an Erklärbarkeit und Auditierbarkeit müssen von Anfang an eingebaut sein. Das ist kein Projekt, das man in vier Wochen umsetzt.

ROI-Sicherheit — sehr hoch (5/5) Der ROI ist messbar, das Modell ist einfach: Anzahl automatisierter Fälle × Kostenersparnis pro Fall. Break-Even nach 4 bis 8 Monaten bei einem sauber abgegrenzten Piloten ist realistisch — nicht garantiert, aber in der Praxis häufig erreichbar. Kein anderer Anwendungsfall in dieser Kategorie bietet eine so direkte und belegbare Wirtschaftlichkeitsrechnung.

Skalierbarkeit — hoch (4/5) Das System skaliert gut mit steigendem Schadenvolumen. Kein proportionaler Personalmehrbedarf mehr für Standardfälle. Leichte Einschränkung: Jeder neue Schadenstyp braucht separate Konfiguration — die Automatisierungsquote steigt nicht ohne weiteres auf alle Schadensarten.

Richtwerte — stark abhängig von Schadensvolumen, Homogenität der Schadenstypen und Qualität der Systemintegration.

Was KI bei der Schadenbearbeitung konkret macht

Der automatisierte Bearbeitungsprozess läuft in vier klar definierten Stufen — nicht als Blackbox, sondern als transparenter, dokumentierter Workflow. Das ist wichtig, weil die BaFin Erklärbarkeit und Auditierbarkeit für algorithmische Entscheidungen verlangt.

Stufe 1: Eingangserfassung und Klassifikation Generative 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. 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 (Eigenverschulden, Vorschäden, Meldefristen)? Sind alle notwendigen Unterlagen vorhanden? Dieser Schritt ist vollständig nachvollziehbar und revisionssicher dokumentiert.

Stufe 3: Entscheidung und Eskalation Bei eindeutigen Fällen trifft das System die Entscheidung automatisch — mit vollständiger Begründung und Verweis auf die relevanten Policenklauseln. Grenzfälle (Schadenshöhe über definierten Schwellenwerten, Betrugshinweise aus Anomalieerkennung, unklare Deckungslage) werden mit vollständigem Kontext an den zuständigen Sachbearbeiter übergeben.

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 — DSGVO Art. 22 verlangt bei vollautomatisierten Entscheidungen das Recht auf menschliche Überprüfung und verständliche Begründung.

Rechtliche Besonderheiten

Automatisierte Schadenentscheidungen sind im Versicherungsbereich regulatorisch relevant. Die BaFin erwartet, dass algorithmische Entscheidungssysteme erklärbar, dokumentiert und auditierbar sind — und dass ein Mensch für jede automatisierte Entscheidung verantwortlich ist.

Die DSGVO Art. 22 gibt Kunden bei vollautomatisierten Entscheidungen das Recht auf menschliche Überprüfung. Das bedeutet: Jede automatisierte Ablehnungsentscheidung muss so dokumentiert sein, dass ein Sachbearbeiter sie erklären und auf Wunsch des Kunden überprüfen kann. Systeme, die das nicht leisten, sind keine regulatorisch akzeptablen Lösungen.

Der EU AI Act stuft automatisierte Versicherungsentscheidungen als potenziell hochriskante KI-Systeme ein, wenn sie erhebliche Auswirkungen auf Personen haben. Ob das konkrete System als „Hochrisiko” eingestuft wird, hängt vom Anwendungsfall ab — die Rechtsabteilung sollte das frühzeitig klären.

Schadensdaten gehören zu den sensibelsten personenbezogenen Daten: Sie offenbaren Wohnverhältnisse, Gesundheitszustände (bei Unfallversicherungen) und finanzielle Situationen. Mit jedem Dienstleister, der Schadensdaten im Auftrag verarbeitet, ist ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO abzuschließen — vor der ersten Produktivnutzung.

Europäische Serverstandorte sind im Versicherungsbereich oft interne Pflicht durch IT-Sicherheitsrichtlinien oder Betriebsvereinbarungen.

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. Sinnvoll für Pilotprojekte mit einem klar definierten Schadenstyp. Kosten: ab ca. 9–16 Euro/Monat für grundlegende Pläne.

Claude oder ChatGPT (API) — Als LLM-Layer für die Plausibilitätsprüfung natürlichsprachiger Schadensbeschreibungen. Wenn ein Kunde schreibt „Mein Auto wurde letzte Woche irgendwann nachts zerkratzt, ich hab’s erst heute morgen bemerkt”, braucht es Sprachverständnis, um Datum, Ereignis und Meldezeitpunkt korrekt zu extrahieren. 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. Kein Ersatz für einen echten Automatisierungsworkflow, aber eine sinnvolle Ergänzung auf Sachbearbeiterebene.

Fireflies.ai — Für Schadensfälle, 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.

Zusammenfassung: Wann welcher Ansatz

• Pilotprojekt, ein Schadenstyp, kein großes IT-Budget → Make.com + Claude/ChatGPT API
• Microsoft-Infrastruktur vorhanden → M365 Copilot für Sachbearbeiter, Make.com für Automatisierung
• Hoher Telefoneingang → Fireflies.ai für Transkription und Datenstrukturierung

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 (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
• IT-Betrieb und Updates: 500–2.000 Euro/Monat je nach interner Aufstellung

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 optimistisch. Realistisch: Break-Even nach 4 bis 8 Monaten.

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 — 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. Wer Erklärbarkeit und Auditierbarkeit erst nach dem Go-live einbaut, muss das System oft komplett umstrukturieren. Lösung: Compliance-Abteilung und Datenschutzbeauftragten von Projekttag eins an einbinden.

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. 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.

4. Vergessen, was nach der Einführung gewartet werden muss. Das System entscheidet auf Basis der Regeln und Daten, die zum Zeitpunkt der Konfiguration galten. Ändert sich das Produktportfolio, kommen neue Deckungsklauseln hinzu oder ändert sich die Regulatorik, muss die Entscheidungslogik aktualisiert werden. Wer dafür keine klare interne Verantwortung und keinen Review-Rhythmus festlegt, hat nach einem Jahr ein System, das auf veralteten Grundlagen entscheidet.

Was mit der Einführung wirklich passiert — und was nicht

Sachbearbeiter reagieren auf Automatisierungsankündigungen unterschiedlich. Viele befürchten, dass ihre Stellen wegfallen. Das stimmt in der Regel nicht — der Effekt ist meistens Kapazitätsumverteilung, nicht Stellenabbau. Was wirklich passiert: Die verbleibende Arbeit wird anspruchsvoller. Grenzfälle, Betrugshinweise, Kundenkommunikation bei komplexen Schadenslagen — das sind Aufgaben, die Urteilsvermögen erfordern. Sachbearbeiter, die das System annehmen, berichten oft, dass ihre Arbeit befriedigender geworden ist.

Die kritische Phase ist der erste Monat nach dem Go-live. Das System wird anfangs konservativ eskalieren — viele Grenzfälle, die eigentlich automatisch entschieden werden könnten. Das ist beabsichtigt, nicht ein Fehler. Erst wenn die Sachbearbeiter im Feedback-Prozess bestätigen, dass die eskalationswürdigen Fälle tatsächlich Aufmerksamkeit brauchen, sollte die Eskalationsschwelle gelockert werden.

Realistischer Zeitplan mit Risikohinweisen

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 IT-Kapazität und Priorisierungsbudget.

„Wir haben Angst vor Fehlentscheidungen und Haftungsfragen.” Diese Sorge ist berechtigt. 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. 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 kein Problem, sondern ein Designprinzip: Jede automatisierte Entscheidung muss dokumentieren, welche Regeln und Daten zur Entscheidung geführt haben.

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.
• Kunden beschweren sich regelmäßig über Wartezeiten — nicht über die Entscheidungen selbst.
• Deine Schaden-Historiedaten sind strukturiert gespeichert und erlauben eine Auswertung nach Schadenstyp, -höhe und Bearbeitungszeit.
• Du hast Rückendeckung aus dem Management, das Effizienz und Compliance gleichzeitig verbessern will.

Das passt noch nicht, wenn:

• Eure historischen Schadensdaten sind nicht digital erfasst oder stark uneinheitlich strukturiert.
• Das Institut hat weniger als 50 Fälle pro Monat in einem Schadenstyp — zu wenig für einen sinnvollen Pilot.
• Es gibt keine klare IT-Kapazität für API-Integration — ohne technische Ressourcen kein Projekt.

Das kannst du heute noch tun

Lade ein oder zwei Schadensmeldungen aus der letzten Woche als PDF in Claude oder ChatGPT hoch und schreib diesen Prompt:

Das zeigt dir in 10 Minuten, wie gut strukturierte Schadensdaten als Eingabe funktionieren — und wo die KI noch Angaben vermisst, die euer aktueller Prozess nicht systematisch erfasst.

Quellen & Methodik

• GDV (Gesamtverband der Deutschen Versicherungswirtschaft): Branchenstatistiken zur Schadenbearbeitungsdauer und Bearbeitungskosten, 2022–2024
• Bundesanstalt für Finanzdienstleistungsaufsicht (BaFin): Anforderungen an algorithmische Entscheidungssysteme in der Versicherungswirtschaft, Veröffentlichungen 2023–2024
• EU AI Act (Verordnung EU 2024/1689): Klassifizierung von KI-Systemen im Versicherungsbereich, Art. 6 Anhang III
• DSGVO Art. 22: Rechte bei automatisierten Entscheidungen
• Erfahrungswerte: Konsistent mit Implementierungsprojekten in Versicherungsunternehmen 2022–2025; keine repräsentative Studie, aber mehrfach beobachtete Muster. Kostenschätzungen reflektieren Stand April 2026. Regulatorische Einschätzungen sind allgemeine Orientierungshilfen — keine Rechtsberatung.