Glasbruch-Ursachenanalyse: Bruchmuster-KI für schnelle Reklamationsklärung

Das echte Ausmaß des Problems

Glasbruch in Bauverglasung, Fassaden und Innenausbauten ist statistisch selten, bezogen auf die produzierten Scheibenmengen. Aber wenn er auftritt, wird er teuer. Eine zerbrochene Fassadenscheibe in 18 Metern Höhe verursacht Demontage-, Gerüst- und Neulieferungskosten, die schnell den fünfstelligen Bereich erreichen. Wenn die Ursache strittig bleibt, kommt der Gutachter dazu, und der Streit zieht sich.

Realistische Fallzahlen aus Praxisberichten mittelgroßer Glaslieferanten: 40 bis 150 Schadensfälle pro Jahr, abhängig vom Lieferportfolio und der Größe der Vertriebsregion. Ein deutlicher Teil davon, Schätzungen aus der Reklamationspraxis liegen bei 30 bis 50 Prozent, wird zur eskalierten Reklamation, weil sich die Beteiligten in der Erstklärung nicht einigen.

Die Kostenstruktur eines typischen Streitfalls:

• Externes Sachverständigengutachten: 1.500 bis 5.000 Euro je Fall, je nach Komplexität (Bundesverband öffentlich bestellter Sachverständiger BVS sowie BIV-Glas-Honorartabellen)
• Wartezeit auf Gutachterergebnis: 3 bis 12 Wochen
• Interner Bearbeitungsaufwand pro Fall: 8 bis 20 Stunden im Innendienst, verteilt über Monate
• Folgekosten aus verzögerter Klärung: Bauablaufstörungen, Vertragsstrafen, Anwaltskosten, manchmal Image-Schäden im Auftraggebernetzwerk

Wenn 60 bis 100 Fälle pro Jahr in dieser Eskalationsschleife laufen, summieren sich die Gutachterkosten allein auf 100.000 bis 400.000 Euro jährlich, bevor irgendein Verschulden überhaupt zugewiesen ist. Hinzu kommen die internen Bearbeitungskosten, die Folgekosten und, der oft unterschätzte Posten, die wirtschaftlich falschen Kulanzentscheidungen, die unter Zeitdruck getroffen werden, weil eine schnelle Einigung billiger erscheint als der lange Streit.

Die bruchmechanische Wissensgrundlage ist seit Jahrzehnten dokumentiert: Bruchmuster bei Float-, Einscheiben-Sicherheits- und Verbundsicherheitsglas folgen physikalischen Gesetzmäßigkeiten, die in der einschlägigen Fachliteratur (u. a. VDI 6200, DIN EN 12150, Schneider/Bohmann zu Bruchmustern in Glas, sowie die Empfehlungen des Bundesverbands Flachglas) beschrieben sind. Ein erfahrener Gutachter kann auf einem guten Foto in wenigen Minuten erkennen, ob es sich um einen Herzbruch (Spontanbruch durch Nickelsulfid-Einschluss bei ESG), einen Kantenschlag (mechanische Beschädigung beim Transport oder Einbau), eine Thermospannung (Temperaturdifferenz) oder einen Einschlag von außen handelt. Diese Klassifikation ist kein Hexenwerk, sie ist Mustererkennung.

Genau dafür sind Convolutional Neural Networks die richtige Werkzeuggattung.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Eskalationsreduktion von 40–60 % ist eine konservative Schätzung aus Praxisberichten; sie hängt stark davon ab, wie eindeutig die typischen Bruchmuster im jeweiligen Lieferportfolio sind und wie der Reklamationsprozess insgesamt gestaltet ist.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Eine Reklamationsklärung verkürzt sich von Wochen auf Tage, weil die zeitkritische Erstklassifikation aus dem Gutachter-Engpass herausgenommen wird. Pro Fall werden im Innendienst 4 bis 12 Stunden Bearbeitungszeit eingespart, weil weniger Eskalations-E-Mails, weniger Telefonate und weniger Wartezeiten anfallen. Der Wert 4 statt 5: Bei strittigen Hochrisiko-Fällen über etwa 10.000 Euro Streitwert bleibt der menschliche Sachverständige nötig, die KI ersetzt nicht den Gerichtsgutachter, sondern den ersten Klärungsversuch.

Kosteneinsparung, mittel (3/5) Die Einsparpotenziale sind real, aber stark vom Reklamationsvolumen abhängig. Bei 60 bis 100 Fällen pro Jahr, einer realistischen Reduktion eskalierter Gutachterfälle um 40–60 % und durchschnittlichen Gutachterkosten von 2.000 Euro liegt die jährliche Brutto-Einsparung bei etwa 50.000 bis 120.000 Euro. Bei deutlich kleineren Lieferanten (unter 30 Fälle/Jahr) zerlegt sich der Business Case. Im Branchenvergleich der glas-keramik-Use-Cases bewegt das System keine ähnlich großen absoluten Summen wie eine Floatglas-Inline-Inspektion (Use Case 01).

Schnelle Umsetzung, mittel (3/5) Die Hauptarbeit ist nicht die App, sondern die Schadensbibliothek: Mindestens 300–500 sauber annotierte Beispiele pro Bruchklasse aus echten Reklamationsfällen werden gebraucht. Realistischer Zeitrahmen vom Projektstart bis zum produktiven Einsatz: 5 bis 9 Monate. Wer eine vorhandene Reklamationsfotosammlung der letzten 24–36 Monate hat, ist schneller; wer bei Null anfängt, braucht länger.

ROI-Sicherheit, mittel (3/5) Die Rechnung ist sauber, aber sie hängt an zwei unsicheren Größen: tatsächliches Reklamationsvolumen und tatsächliche Eskalationsquote vor Einführung. Wer diese Zahlen aus seiner Reklamationsdatenbank ziehen kann, hat einen verteidigungsfähigen Business Case. Wer sie schätzt, riskiert eine Fehlentscheidung in beide Richtungen. Der Wert 3 reflektiert: Die Technik funktioniert, die Größe des Effekts ist unternehmensspezifisch.

Skalierbarkeit, sehr hoch (5/5) Hier liegt die eigentliche Stärke. Eine Foto-Upload-App lässt sich auf beliebig viele Nutzer ausrollen, Außendienst, Glasereipartner, Endkunden, Versicherungen, ohne dass dafür neue Hardware oder Infrastruktur aufgebaut werden muss. Das Modell läuft serverseitig, die Inferenz pro Foto kostet wenige Cent. Sobald das Modell trainiert ist, sind die Grenzkosten je weiteren Fall praktisch Null. Im Vergleich zu allen Inline-Inspektionsanwendungen in dieser Branche ist das die mit Abstand am leichtesten ausrollbare Lösung.

Richtwerte, stark abhängig von Reklamationsvolumen, vorhandener Schadensbibliothek und der Bereitschaft der Beteiligten, ein algorithmisches Erstgutachten als Diskussionsgrundlage zu akzeptieren.

Was das System konkret macht

Die technische Architektur besteht aus drei Komponenten, die nüchtern betrachtet jede für sich Standard sind, der Mehrwert entsteht aus der Kombination und der Spezialisierung auf Glasbruchmuster.

1. Mobile Foto-Upload-App

Eine schlanke App (iOS/Android oder als responsive Web-App) führt den Nutzer durch die Bilderfassung. Wichtig sind nicht ästhetische Fotos, sondern technisch verwertbare:

• Mindestens drei Aufnahmen pro Schaden: Übersicht der gesamten Scheibe, Detailaufnahme des vermuteten Bruchausgangs, Detailaufnahmen aller Kanten
• Maßstabsreferenz im Bild (z. B. ein Lineal oder ein Klebeband mit Skala), das ist für die spätere Größeneinschätzung kritisch
• Streiflicht-Aufnahme der Bruchkanten, weil daraus oft die Bruchausbreitungsrichtung sichtbar wird
• Strukturierte Metadaten: Glasaufbau (Float, ESG, VSG, ISO), Einbaudatum, Bruchdatum, Position der Scheibe, vermutete Außeneinwirkung

Eine schlecht gemachte App produziert schlechte Klassifikationen, egal wie gut das Modell ist. Die Bedienführung ist wichtiger als das Frontend-Design.

2. CNN-basierte Klassifikation

Das eigentliche Modell ist ein Convolutional Neural Network auf Basis einer vortrainierten Architektur (typisch ResNet50, EfficientNet oder ein moderner Vision Transformer), das per Transfer Learning auf Glasbruchmuster spezialisiert wird. Die Klassen, die in der Bruchmechanik glashaltiger Bauteile gut differenzierbar sind:

• Spontanbruch durch Nickelsulfid-Einschluss (NiS) bei ESG: Charakteristisches Bruchmuster mit zwei Bruchspiegeln im Zentrum, die das namensgebende „Schmetterlingsmuster” oder den „Herzbruch” bilden, bruchmechanisch eindeutig dokumentiert (u. a. in Schneider/Bohmann, „Bruchmechanik im konstruktiven Glasbau”, 2019)
• Kantenschlag / Kantenbeschädigung: Bruch geht von einer eng umrissenen Kantenstelle aus, oft mit sichtbarem Mikroriss auf einem hochauflösenden Foto
• Thermospannung: Wellenförmig verlaufender Bruch, oft senkrecht zur Kante, häufig bei sonnenexponierten Bereichen mit Verschattung
• Einschlag durch externes Objekt: Sternförmiger Bruch mit definiertem Zentrum, oft mit Materialspuren am Einschlagpunkt
• Biege-/Lastspannung: Bruch entlang einer berechenbaren Spannungslinie, häufig parallel zu mechanischen Aufnahmepunkten

Das Modell liefert für jede Klasse eine Wahrscheinlichkeit, nicht eine binäre Entscheidung. Ein guter Bericht liest sich beispielsweise: „NiS-Spontanbruch 78 %, Kantenschlag 14 %, Thermospannung 6 %, andere 2 %.” Das ist die Information, die der Reklamationsleiter braucht, eine Indikation, kein Urteil.

3. Reklamationsdatenbank-Integration

Der Wert verdoppelt sich, wenn die Klassifikation an die bestehende Reklamationsdatenbank angebunden wird. Damit wird über die Zeit ein lernender Bestand aufgebaut: Welcher Bruchtyp tritt bei welchem Glasaufbau wie häufig auf? Welche Lieferanten oder Glasereien zeigen Cluster bestimmter Bruchtypen? Welche Bauprojekte haben überdurchschnittliche Quoten von Thermospannungsbrüchen, Hinweis auf einen Planungs- oder Verschattungsfehler?

Diese Auswertung ist auf Reklamationsebene allein nicht möglich, weil die Klassifikationen historisch uneinheitlich sind. Mit einer reproduzierbaren KI-Klassifikation wird sie über zwei bis drei Jahre zu einer strategischen Datenquelle.

Konkrete Werkzeuge, was wann passt

Es gibt drei realistische Aufbau-Pfade für eine solche Lösung. Welcher passt, hängt von eurer ML-Kompetenz, eurem Datenvolumen und eurem Anspruch an Datenhoheit ab.

Roboflow, für schnellen Prototyp und kleine bis mittlere Datensätze Die naheliegendste Wahl für den Einstieg, wenn ihr eine Schadensbibliothek von 1.500 bis 5.000 annotierten Bildern habt. Roboflow stellt Annotationswerkzeug, Trainingspipeline (auf Basis von YOLO, EfficientNet u. a.) und Hosting in einem Paket bereit, ohne dass ihr eine eigene ML-Infrastruktur aufbauen müsst. Stärken: schneller Prototyp in 2–4 Wochen, sehr gute Annotationswerkzeuge auch für Nicht-ML-Teams, einfache Deployment-API. Schwäche: Daten liegen primär auf US-Servern (relevant für Datenschutz, siehe unten), und für sehr große Bestände wird das Hosting teuer. Einstieg ab etwa 250 €/Monat, produktive Nutzung typisch 500–1.500 €/Monat.

Azure Machine Learning, für Unternehmen mit Microsoft-Stack und EU-Datenanforderungen Wer ohnehin im Microsoft-Ökosystem ist und Datenhoheit in der EU braucht (Server in Frankfurt verfügbar), baut die Pipeline auf Azure ML auf. Vortrainierte Vision-Modelle (Custom-Vision-Funktionen innerhalb Azure AI Services oder eigene PyTorch-Modelle in Azure ML) lassen sich mit Transfer Learning anpassen. Stärken: EU-Hosting möglich, AVV-fähig, Integration in vorhandene Azure-Infrastruktur (z. B. SharePoint für Bildablage), enterprise-tauglicher Betrieb. Schwächen: deutlich höherer Setup-Aufwand als Roboflow, ML-Engineering-Kompetenz auf Kundenseite oder als Dienstleister erforderlich. Kosten: 1.500–4.000 €/Monat im laufenden Betrieb, je nach Inferenzvolumen.

Landing AI, für No-Code-Aufbau mit kleinen Datensätzen Speziell entwickelt für industrielle Defekt- und Mustererkennung, mit guter Performance auch bei kleineren Trainingsdatensätzen (300–1.000 Bilder pro Klasse). Stärke: arbeitet sehr gut mit der typischen Datenrealität in der Industrie, wenige, dafür sorgfältig annotierte Beispiele. Schwäche: weniger Flexibilität bei Custom-Architekturen, US-basierte Plattform (gleiche Datenschutzfrage wie Roboflow). Einstieg über Pilot-Programm, danach typisch 800–2.500 €/Monat.

PyTorch Custom Build, für Unternehmen mit eigener ML-Kompetenz Wer einen ML-Engineer im Team hat oder einen langfristigen Dienstleister bindet, baut auf PyTorch (oder TensorFlow) ein eigenes Modell. Vorteil: vollständige Kontrolle über Architektur, Daten und Hosting (auf eigenen Servern oder in EU-Cloud). Nachteil: längere Einstiegszeit (4–6 Monate bis zum produktiven Pilot), kein Hersteller-Support, eigene Verantwortung für Drift-Überwachung und Retraining. Realistisch nur bei Unternehmen, die ohnehin in eine ML-Capability investieren, nicht als alleiniges Projekt.

Google Document AI, bewusst nicht hier Für reine Bildklassifikation von Glasbruchmustern ist Google Document AI nicht der richtige Werkzeugtyp, es ist auf strukturierte Dokumente optimiert, nicht auf freie Bildklassifikation. Genannt, weil die Frage in der Praxis aufkommt; die Antwort ist klar: nicht passend.

Empfehlung nach Szenario:

• Schneller Start, kleine ML-Kompetenz, Pilot mit 1.000–3.000 Bildern → Roboflow oder Landing AI
• Microsoft-Stack vorhanden, Datenschutz EU, mittleres Datenvolumen → Azure Machine Learning
• Eigene ML-Kompetenz und langfristige Kontrolle gewünscht → Custom PyTorch auf eigener oder EU-Infrastruktur

Datenschutz und Datenhaltung

Glasbruch-Reklamationsfotos enthalten in den meisten Fällen keine direkt personenbezogenen Daten, sie zeigen Scheiben, Fassaden, Innenräume. Trotzdem gibt es zwei Datenschutzdimensionen, die sauber adressiert werden müssen:

Personenbezogene Daten in Begleitinformationen: Reklamationsfälle enthalten typisch Name und Adresse des Auftraggebers, manchmal Endkundennamen, Bauleiter, Hausverwalter. Diese Metadaten sind personenbezogen im Sinne der DSGVO und unterliegen den üblichen Pflichten, Auftragsverarbeitungsvertrag mit dem Cloud-Anbieter, Löschkonzept, Zweckbindung.

Bilder von Innenräumen / Gebäuden Dritter: Wenn auf den Fotos erkennbar Privaträume, Personen oder Gebäudedetails Dritter abgebildet sind, gelten die Grundsätze des Bildschutzes. Die App sollte Nutzer auf die Pflicht zur sachgerechten Aufnahme hinweisen, und die interne Bildablage muss zugriffskontrolliert sein. Bei Streitfällen mit Endkundenbezug ist der Datenschutzbeauftragte einzubeziehen.

Datenstandort: Roboflow und Landing AI hosten ihre Modelle und Daten primär in den USA. Das ist für viele Reklamationsfälle unkritisch, kann aber bei Großkunden mit eigenen Datenschutz-Auflagen zum Problem werden, insbesondere bei öffentlichen Bauträgern und großen Versicherungen. Wer auf Nummer sicher gehen will, wählt von Anfang an eine EU-gehostete Lösung wie Azure Machine Learning (Frankfurt) oder einen eigenen On-Premises-Aufbau.

Empfehlung: Vor dem Projektstart eine kurze Datenschutz-Folgenabschätzung erstellen, die festhält, welche Datenkategorien in welchem System landen und welcher AVV nötig ist. Das ist eine Stunde Arbeit für einen erfahrenen Datenschutzbeauftragten und verhindert spätere Korrekturen in Architektur und Prozess.

Was es kostet, realistisch gerechnet

Einmalige Aufbaukosten

Laufende Kosten (jährlich)

• Modell-Hosting und Inferenz (Roboflow / Azure ML / Landing AI): 6.000–25.000 €/Jahr je nach Volumen
• Modellpflege und Retraining (1–2 Mal pro Jahr): 5.000–15.000 €/Jahr
• App-Wartung und Updates: 8.000–18.000 €/Jahr

Jährliche Gesamtkosten im laufenden Betrieb: ca. 19.000–58.000 €.

Der ROI, ehrlich gerechnet

Realistisches Szenario: Mittelgroßer Glaslieferant mit 80 Reklamationsfällen pro Jahr, davon 35 mit eskalierter Streitklärung. Durchschnittliche externe Gutachterkosten 2.200 € je Fall.

Schritt 1, Kosten der Eskalationen heute: 35 Fälle × 2.200 € = 77.000 € Gutachterkosten/Jahr (nur direkte externe Kosten, ohne interne Bearbeitungszeit).

Schritt 2, Konservative Annahme: 50 % weniger Eskalationen durch belastbare Erstklassifikation. Das entspricht 17–18 vermiedenen Gutachten = ca. 38.500 € Einsparung an direkten Gutachterkosten.

Schritt 3, Interne Bearbeitungszeitersparnis: 35 Fälle × 6 Stunden weniger Bearbeitung × 60 €/Stunde Vollkosten = 12.600 €/Jahr.

Schritt 4, Geringere Folgekosten aus verzögerter Klärung (Bauablauf, Vertragsstrafen, Anwaltskosten): konservativ geschätzt 15.000–25.000 €/Jahr. Diese Größe ist die unsicherste, wer sie gar nicht ansetzen will, bleibt bei den ersten beiden Posten.

Brutto-Einsparung pro Jahr: ca. 50.000–75.000 € (konservativ; ohne weiche Folgekosten verbleiben rund 50.000 €).

Bei laufenden Systemkosten von 30.000 €/Jahr ergibt sich eine Netto-Einsparung von ca. 20.000–45.000 €/Jahr. Bei Aufbaukosten von 90.000 € (mittlerer Pfad) erreicht das Projekt den Break-even nach 24–54 Monaten, je nachdem, wie viele Eskalationen tatsächlich verhindert werden.

Das ist kein spektakulärer ROI. Es ist ein solider, aber nicht überragender Business Case, genau das spiegelt der Radarwert von 3 für Kosteneinsparung wider. Wer 150 Fälle pro Jahr hat, rechnet schneller positiv. Wer 30 Fälle hat, sollte das Projekt in dieser Form nicht starten.

Drei typische Einstiegsfehler

1. Mit zu wenigen Trainingsdaten starten. Das häufigste Frühproblem: Das Modell wird auf 200–400 Bildern trainiert, in der Demo sieht es gut aus, im Produktivbetrieb klassifiziert es 25–35 % der echten Fälle falsch. Die Konsequenz: Reklamationsleiter verlieren das Vertrauen, das System wird umgangen, das Projekt versandet. Voraussetzung für den produktiven Start: mindestens 300–500 Bilder pro Bruchklasse, alle von qualifizierten Sachbearbeitern oder Sachverständigen validiert. Das ist Arbeit, kein Nebenprodukt.

2. Die KI-Klassifikation als endgültiges Urteil framen. Wer das System intern oder gegenüber Kunden als „die KI sagt, es ist Kantenschlag” einführt, baut sich einen Konflikt. Bruchklassifikation ist Wahrscheinlichkeit, nicht Wahrheit, und in der Branche gibt es genug Spezialfälle, in denen die KI zwischen zwei Klassen schwankt. Korrektes Framing: „Erstklassifikation als Diskussionsgrundlage. Bei strittigen Fällen oder Streitwerten über X € bleibt der Sachverständige zuständig.” Diese Klarstellung schützt das System vor Überforderung, und schützt euch vor rechtlichen Haftungsrisiken, wenn eine KI-Klassifikation als rechtsverbindliches Gutachten missverstanden wird. Die Rollenaufteilung KI-Erstbericht versus Sachverständigengutachten muss vertraglich und in jeder Kundenkommunikation klar dokumentiert sein; ein Anwalt für Bau- und Glasrecht sollte das Framing vor Markteinführung bestätigen.

3. Das Datenschutzkonzept zu spät klären. Viele Projekte starten mit Roboflow oder Landing AI, weil sie schnell Resultate liefern, und stellen nach 6 Monaten fest, dass der erste Großkunde mit eigenen Datenschutzanforderungen die US-Datenhoheit ablehnt. Eine Migration zur EU-Lösung kostet 30.000–60.000 € zusätzlich und 3 Monate Verzögerung. Bessere Reihenfolge: erst Datenschutzfrage klären, dann Plattform wählen.

4. Das System als Personalersatz verkaufen. Wenn intern die Erwartung entsteht, dass die Reklamationsbearbeitung jetzt halbautomatisch läuft, entsteht Druck auf die Sachbearbeiter, schneller zu entscheiden, auf Basis von KI-Klassifikationen, deren Grenzen sie nicht voll verstehen. Das produziert falsche Kulanzentscheidungen in beide Richtungen. Korrektes Framing: Das System gibt einer existierenden Rolle eine bessere Werkzeugbasis. Es ersetzt keine Erfahrung.

Was mit der Einführung wirklich passiert, und was nicht

Die technische Hürde ist überwindbar. Die organisatorische Realität ist komplexer.

Die erfahrenen Reklamationsbearbeiter, die ihr Bauchgefühl schätzen. Wer 20 Jahre Reklamationen klärt, hat ein gut kalibriertes Bauchgefühl, und das ist real wertvoll. Eine KI-Klassifikation, die dem Bauchgefühl widerspricht, kann zu zwei Reaktionen führen: Misstrauen gegen das System („die Maschine sieht das falsch”) oder Unsicherheit beim eigenen Urteil. Beides ist menschlich. Was hilft: Die KI nicht als Konkurrenz zum Erfahrungswissen einführen, sondern als Bauchgefühl-Validator. Die ersten 6 Monate parallel laufen lassen, die Diskrepanzen systematisch besprechen, das Modell und das Bauchgefühl gegenseitig kalibrieren.

Die Glasereien und Spediteure als externe Beteiligte. Wenn ihr das System nutzt, um Schuldzuweisungen schneller zu treffen, werden eure Partner reagieren, mit Skepsis gegenüber der Methode, mit eigenen Gegengutachten, mit Forderung nach traditionellen Sachverständigen-Gutachten bei strittigen Fällen. Das ist nicht falsch, das ist normal. Was hilft: Die KI-Klassifikation als transparenten Erstbericht aufbereiten, der die Methode erklärt und den Weg zu einem Gutachten offen lässt. Vertraglich klären, ab welchem Streitwert weiterhin ein menschlicher Sachverständiger zwingend ist.

Die Versicherungen. Bei größeren Schadensfällen sind oft Sachversicherer involviert. Manche akzeptieren KI-basierte Erstgutachten als Diskussionsgrundlage, andere bestehen auf akkreditierten Sachverständigen. Die Akzeptanzlandschaft entwickelt sich derzeit, wer das System einführt, sollte mit den wichtigsten Versicherungspartnern klären, in welcher Form die Klassifikation in Schadensregulierungen eingebracht werden kann.

Was konkret hilft:

• Pilotphase mit drei eng zusammenarbeitenden Glasereipartnern, statt von Anfang an alle Beteiligten einzubeziehen
• Klares Eskalationsschema: KI-Klassifikation für Streitwerte unter ~10.000 €, hybrid für Werte 10.000–30.000 €, Sachverständiger zwingend ab 30.000 €
• Transparente Reportstruktur, die Methode, Wahrscheinlichkeiten und Grenzen jedem Beteiligten zugänglich macht, auch dem Auftraggeber
• 12-Monats-Review: In wie vielen strittigen Fällen hat die KI-Klassifikation gehalten? Wo nicht?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Bruchmustererkennung ist viel zu komplex für eine KI.” Das stimmt für die abschließende, gerichtsfeste Bewertung. Es stimmt nicht für die Erstklassifikation eindeutiger Bruchmuster. Ein NiS-Spontanbruch hat eine so charakteristische Geometrie, dass selbst ein einfaches CNN nach 500 Trainingsbeispielen über 90 % Klassifikationsgenauigkeit erreicht (Schätzwert aus Praxisberichten; stark abhängig von Bildqualität und Annotationsdisziplin). Schwieriger sind Mischfälle (Kantenschlag mit nachgelagerter Thermospannung) und seltene Bruchklassen, aber für die einfachen 70–80 % aller Fälle reicht die Methode klar aus. Das ist genau das, was den Eskalationsdruck nimmt.

„Wenn die KI sich irrt, sind wir haftbar.” Das ist ein realer rechtlicher Punkt, und er bestimmt das Framing. Die KI-Klassifikation ist eine Indikation, kein Gutachten. Solange das in jeder Kommunikation klar ist und ab definierten Streitwerten weiterhin ein Sachverständiger eingeschaltet wird, übernimmt die KI keine Rolle, in der ihre Klassifikation rechtsverbindlich wird. Wichtig: Diese Rollenaufteilung muss vertraglich, in den Reports und in der Außendarstellung explizit dokumentiert sein, sonst entsteht juristische Haftungsunschärfe. Vor der Markteinführung ein Kurzgutachten durch einen Anwalt für Bau- und Glasrecht einholen, der das Framing prüft. Das sind 2–3 Honorarstunden und schließt eine reale Risikolücke.

„Wir haben dafür keine ML-Kompetenz im Haus.” Das ist die häufigste und realistischste Sorge, und sie ist lösbar. Für den Aufbau braucht ihr ML-Kompetenz, aber nicht zwingend intern: Spezialisierte Dienstleister oder Plattformen wie Roboflow und Landing AI übernehmen Training und Hosting. Was intern gebraucht wird: eine fachliche Person (Reklamationsleitung), die die Klassendefinition mit Sachverständigen abstimmt, und eine technische Person, die die App und Datenbankintegration verantwortet. Das ist meist machbar.

„Unsere Reklamationen sind zu unterschiedlich.” Das ist ein Hinweis darauf, dass eure Klassendefinition zu fein ist. In der Praxis arbeitet das System mit 5–8 Hauptklassen, alles darüber hinaus ist Spezialfall, der weiterhin manuell oder durch Sachverständige geklärt wird. Die KI muss nicht jeden Fall lösen. Sie muss die häufigsten Fälle schneller und konsistenter klären als der heutige Prozess.

Woran du merkst, dass das zu dir passt

Grüne Signale, du bist ein guter Kandidat:

• Dein Unternehmen bearbeitet mehr als 50 Reklamationsfälle pro Jahr im Bereich Glasbruch
• Mindestens 30 % deiner Fälle eskalieren zur Sachverständigenbeauftragung oder zu längerer Streitklärung
• Du hast eine strukturierte Reklamationsdatenbank mit Fallakten und idealerweise Schadensfotos der letzten 24 Monate
• Deine Hauptkunden sind professionelle Auftraggeber (Bauträger, Architekten, Glasereien), die einen strukturierten Erstbericht akzeptieren werden
• Du hast einen internen Projektleiter mit fachlicher Reklamationserfahrung, der die Klassendefinition mit Sachverständigen abstimmen kann

Drei harte Ausschlusskriterien:

1. Reklamationsvolumen unter 30 Fällen pro Jahr. Das System rechnet sich rein wirtschaftlich nicht, weil die Aufbau- und Betriebskosten den möglichen Gutachterkosten-Effekt übersteigen. Bei diesem Volumen ist eine Excel-basierte Reklamationsdatenbank mit standardisierter Fototaufnahme und einem festen externen Gutachterpartner die deutlich vernünftigere Lösung.

2. Keine vorhandene Reklamationsfotosammlung der letzten 18–24 Monate. Wer bei Null anfängt, braucht 12–18 Monate, um genug Trainingsdaten aus dem laufenden Betrieb zu sammeln, bevor das Modell überhaupt trainiert werden kann. Während dieser Zeit fließen Aufbaukosten, ohne dass der Nutzen entsteht. Sinnvoller: Erst eine konsequente Foto-Erfassung für 12 Monate etablieren, dann das Projekt starten.

3. Hochstrittiges Geschäftsfeld mit überwiegend Streitwerten über 30.000 €. Wer hauptsächlich Großprojekte mit Streitwerten weit jenseits der KI-relevanten Schwelle hat, braucht ohnehin in jedem Fall einen Sachverständigen. Der Erstklärungs-Mehrwert der KI ist hier marginal, das Geld ist besser in eine engere Zusammenarbeit mit zwei oder drei vertrauten Glas-Sachverständigen investiert.

Das kannst du heute noch tun

Bevor du eine Plattform auswählst oder einen Dienstleister kontaktierst: Verschaffe dir Klarheit über deine Datenbasis.

Schritt 1: Zieh aus deiner Reklamationsdatenbank die letzten 24 Monate. Zähl: Wie viele Fälle insgesamt? Wie viele mit Sachverständigen-Gutachten? Wie hoch waren die externen Gutachterkosten in Summe? Das ist dein realer Business-Case-Input.

Schritt 2: Sichte die vorhandenen Schadensfotos. Wie viele Fälle haben überhaupt verwertbare Fotos? Welche Bruchtypen dominieren? Diese Bestandsaufnahme zeigt dir in einem halben Tag, ob eine Schadensbibliothek aus Bestandsdaten machbar ist oder ob ihr neu aufnehmen müsst.

Schritt 3: Sprich mit zwei externen Glas-Sachverständigen über ihre Klassendefinitionen. Welche Bruchtypen lassen sich auf Fotos sicher bestimmen? Welche brauchen physische Begutachtung? Diese Gespräche kosten zwei Honorarstunden je Sachverständigem und liefern dir die Klassenarchitektur, mit der das spätere Modell arbeiten muss.

Für die strukturierte Vorbereitung des Business Cases ist dieser Prompt hilfreich:

Quellen & Methodik

• Bruchmechanik im konstruktiven Glasbau (Schneider/Bohmann, 2019, Springer Vieweg): Standardwerk zur bruchmechanischen Analyse von Glasbruchmustern, einschließlich systematischer Beschreibung von NiS-Spontanbrüchen, Kantenbrüchen und Thermospannungsmustern. Grundlage für die Klassendefinition in industriellen Anwendungen.
• VDI 6200, Standsicherheit von Bauwerken / Glasbau: Technische Regel mit Anforderungen an die Beurteilung von Glasbruchschäden im Bauwerk; Referenz für die Abgrenzung zwischen Erstbewertung und Sachverständigengutachten.
• DIN EN 12150 (ESG) und DIN EN 14449 (VSG): Normen zur Glasprüfung mit Beschreibung typischer Bruchverhalten und Klassifikationsmerkmale.
• Bundesverband Flachglas, Praxisleitfäden Reklamationsmanagement (2022, 2023): Branchenleitfäden zur Bearbeitung von Reklamationsfällen, mit Zahlen zur Eskalationspraxis und Gutachterhonoraren. Online über bundesverband-flachglas.de.
• Fraunhofer ISC und IWM, Forschungsberichte zu CNN-basierter Defektklassifikation auf Glas und Keramik (2022–2024): Akademische Grundlagen für Transfer-Learning-Ansätze auf Vision-Modelle in industriellen Klassifikationsanwendungen, publiziert u. a. in Applied Sciences und Sensors (MDPI).
• GLASSFILES Industry Reports (2023): Branchenpublikation mit Praxisdaten zu Glasbruchhäufigkeit und Reklamationsstrukturen in der europäischen Bauverglasung. Quelle für Größenordnungen Reklamationsvolumen und Gutachterkosten.
• Honorartabellen Bundesverband öffentlich bestellter Sachverständiger (BVS) und BIV-Glas, Stand 2023/2024: Referenz für die Größenordnung der Gutachterkosten (1.500–5.000 € je Fall, abhängig von Komplexität).
• Roboflow, Landing AI, Microsoft Azure Machine Learning, Produktdokumentation Stand April 2026: Plattformfunktionen, Hosting-Optionen und Preisstruktur. Detaillierte Pricing-Angaben siehe Anbieter-Websites.
• ROI-Berechnung: Konservative Schätzung auf Basis der genannten Quellen sowie Erfahrungswerten aus Reklamationsmanagement-Praxis. Tatsächliche Einsparungen hängen stark vom Reklamationsvolumen, der heutigen Eskalationsquote und der Akzeptanz bei externen Beteiligten ab.

Du willst klären, ob sich eine Bruchmuster-KI für eure Reklamationsstruktur konkret rechnet und welche Plattform zu eurem Datenschutz-Profil passt? Meld dich, wir helfen bei der Datenbasisanalyse und der Anbieterauswahl.