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.

Wie viele Schadensfälle bei euch im Jahr anfallen und wie viele davon beim Sachverständigen landen, steht in eurem Reklamationsregister; eine belastbare Branchenzahl haben wir nicht gefunden. Genau diese zwei Zahlen entscheiden, ob sich das System rechnet.

Die Kostenstruktur eines typischen Streitfalls:

• Externes Sachverständigengutachten: Sachverständige rechnen in der Regel nach Stunden ab, eine verbindliche Honorartabelle gibt es für Privatgutachten nicht. Euren Durchschnitt zeigen eure Rechnungen der letzten zwei Jahre, die Rechnungen auf dieser Seite nehmen 2.200 Euro je Gutachten an
• Wartezeit auf Gutachterergebnis: mehrere Wochen, weil die wenigen Glas-Sachverständigen ausgelastet sind
• Interner Bearbeitungsaufwand pro Fall: Stunden im Innendienst, verteilt über Monate; messt ihn an drei aktuellen Fällen
• Folgekosten aus verzögerter Klärung: Bauablaufstörungen, Vertragsstrafen, Anwaltskosten, manchmal Image-Schäden im Auftraggebernetzwerk

Rechenweg für die direkten Kosten: Zahl der Gutachten im Jahr mal Kosten je Gutachten. Bei 35 Gutachten und 2.200 Euro sind es 77.000 Euro im Jahr (35 mal 2.200 Euro), 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 glastechnischen Fachliteratur beschrieben sind; das typische Bruchbild von Einscheibensicherheitsglas legt die Produktnorm DIN EN 12150 fest. 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

Wie viele Gutachten eine KI-Erstklassifikation tatsächlich erspart, dafür haben wir keine belastbare Quelle gefunden. Die Rechnung weiter unten nimmt 50 Prozent an; ob das bei euch hält, zeigt erst der Pilot, und es hängt davon ab, ob Glasereien, Spediteure und Versicherer den Bericht als Diskussionsgrundlage akzeptieren.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die erste Ursachenhypothese liegt in Minuten vor statt nach Wochen, weil die Erstklassifikation aus dem Gutachter-Engpass herausgenommen wird. Im Innendienst fallen je Streitfall Stunden weg, die Rechnung unten nimmt 6 Stunden an, weil weniger Eskalations-E-Mails, weniger Telefonate und weniger Wartezeiten anfallen. Das ist Kapazität, kein Geld, solange niemand im Innendienst anders eingesetzt wird. 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, niedrig (2/5) Kassenwirksam sind nur die Gutachten, die wirklich wegfallen. Bei 60 bis 100 Fällen pro Jahr, davon 30 bis 50 Prozent mit Gutachter, und angenommen 40 bis 60 Prozent weniger Gutachten zu je 2.000 Euro sind das 14.400 bis 60.000 Euro im Jahr (18 mal 40 Prozent mal 2.000 Euro bis 50 mal 60 Prozent mal 2.000 Euro). Davon gehen 19.000 bis 58.000 Euro laufende Kosten ab. Am unteren Ende bleibt nichts übrig, erst bei vielen Gutachten im Jahr trägt sich die Investition.

Schnelle Umsetzung, niedrig (2/5) Die Hauptarbeit ist nicht die App, sondern die Schadensbibliothek, und die hängt an Fällen, nicht an Fotos: Fünf Fotos desselben Bruchs sind ein Beispiel. Bei 80 Fällen im Jahr und fünf Bruchklassen kommen im Schnitt 16 Fälle je Klasse und Jahr zusammen (80 geteilt durch 5), bei seltenen Klassen wie Nickelsulfid-Brüchen deutlich weniger. Die 5 bis 9 Monate bis zum produktiven Einsatz schafft nur, wer Hunderte Fälle je Klasse schon hat oder mit anderen bündeln kann.

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. Anders als Inline-Inspektionsanwendungen braucht das keine Hardware an der Linie.

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, in der glastechnischen Fachliteratur gut beschrieben
• 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 der kostenlose Public-Plan macht Daten öffentlich, er scheidet für Kundenfälle aus. Roboflow Core kostet 99 USD im Monat, 79 USD im Jahresabo, mit privaten Daten; Enterprise auf Anfrage.

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 lassen sich in Azure ML per 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: keine Grundgebühr, ihr zahlt Rechenzeit. Bei ein paar Dutzend Fällen im Monat braucht ihr keinen dauerhaft laufenden Endpunkt, sondern startet die Auswertung bei Bedarf.

Landing AI , für No-Code-Aufbau mit kleinen Datensätzen Speziell entwickelt für industrielle Defekterkennung, mit einem daten-zentrischen Ansatz, der inkonsistent gelabelte Bilder aufspürt. Stärke: arbeitet 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 oben), und das Unternehmen bewirbt inzwischen vorrangig Dokumenten-KI. Die Preisseite von Landing AI nennt einen Team-Plan für 250 USD im Monat, bezieht sich aber vor allem auf die Dokumenten-APIs; Konditionen für LandingLens im Produktivbetrieb gibt es auf Anfrage.

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 kurz festhalten, welche Datenkategorien in welchem System landen und welcher AVV nötig ist, als Eintrag im Verzeichnis der Verarbeitungstätigkeiten nach Art. 30 DSGVO. Eine formelle Datenschutz-Folgenabschätzung nach Art. 35 DSGVO ist nur bei voraussichtlich hohem Risiko Pflicht, ob das hier zutrifft, klärt euer Datenschutzbeauftragter. Das 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, Annahme: 50 % weniger Gutachten durch belastbare Erstklassifikation. Belegt ist diese Quote nicht, und die Gegenseite kann trotz KI-Bericht ein eigenes Gutachten verlangen (siehe Einführung). 17 bis 18 vermiedene Gutachten ergeben rund 38.500 € direkte Einsparung (17,5 mal 2.200 €).

Schritt 3, Interne Bearbeitungszeit: 35 Fälle × 6 Stunden sind 210 Stunden im Jahr, bei 60 € Vollkosten ein Gegenwert von 12.600 €. Das ist Kapazität, kein Geld: Kassenwirksam wird sie nur, wenn im Innendienst eine Stelle anders besetzt wird.

Schritt 4, Folgekosten aus verzögerter Klärung (Bauablauf, Vertragsstrafen, Anwaltskosten): real, aber für diese Seite nicht bezifferbar. Setzt sie im Business Case erst an, wenn ihr sie aus eigenen Fällen belegen könnt.

Kassenwirksam bleiben rund 38.500 € im Jahr.

Bei laufenden Systemkosten von 30.000 €/Jahr, rund 2.500 € im Monat, bleiben 8.500 € netto. Bei Aufbaukosten von 90.000 € (mittlerer Pfad) ist das System erst nach gut zehn Jahren bezahlt (90.000 geteilt durch 8.500). Am unteren Ende der laufenden Kosten (19.000 €) bleiben 19.500 € netto, die Amortisation dauert gut viereinhalb Jahre. Am oberen Ende (58.000 €) amortisiert es sich nie.

Bei diesem Volumen trägt sich das System über Gutachterkosten nicht, das spiegelt der Radarwert von 2 für Kosteneinsparung wider. Die Rechnung dreht erst bei deutlich mehr Gutachten: Wer im Jahr 60 Gutachten beauftragt, spart bei 50 Prozent 66.000 € (30 mal 2.200 €), behält 36.000 € netto und hat den mittleren Aufbaupfad nach zweieinhalb Jahren bezahlt. Wer weniger als rund 30 Gutachten im Jahr hat, deckt nicht einmal die laufenden Kosten (30.000 € geteilt durch 2.200 € sind knapp 14 vermiedene Gutachten).

Drei typische Einstiegsfehler

1. Mit zu wenigen Trainingsdaten starten. Das häufigste Frühproblem: Das Modell wird auf wenigen Hundert Bildern trainiert, in der Demo sieht es gut aus, im Produktivbetrieb liegt es bei echten Fällen oft daneben. Die Konsequenz: Reklamationsleiter verlieren das Vertrauen, das System wird umgangen, das Projekt versandet. Wie viele Beispiele je Bruchklasse ihr braucht, zeigt erst eine Lernkurve im Pilot, eine belastbare Zahl dafür haben wir nicht gefunden. Zählt dabei Fälle, nicht Fotos, und lasst jeden Fall von qualifizierten Sachbearbeitern oder Sachverständigen validieren. Reicht euer eigenes Volumen nicht, ist das Bündeln mit anderen, etwa über einen Verband oder ein Sachverständigenbüro, der einzige schnelle Weg. 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 heißt dann: Pipeline neu bauen, Modell neu trainieren, 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 ein Bildklassifikator ihn gut lernen kann, wenn genug Beispiele vorliegen, und genau das ist bei einem seltenen Bruchtyp der Engpass. Schwieriger sind Mischfälle (Kantenschlag mit nachgelagerter Thermospannung) und seltene Bruchklassen. Für die eindeutigen Fälle reicht die Methode, und die nehmen den Eskalationsdruck.

„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 gibt mehr als 50 Glasbruch-Gutachten pro Jahr in Auftrag; erst dann bleibt nach den laufenden Kosten genug übrig, dass sich der mittlere Aufbaupfad in unter vier Jahren bezahlt macht (siehe Kostenabschnitt)
• Du kannst Fälle mit anderen bündeln, etwa über einen Verband oder ein Sachverständigenbüro, weil ein einzelner Lieferant selten genug Fälle je Bruchklasse hat
• 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. Weniger als rund 30 Gutachten pro Jahr. Das System rechnet sich rein wirtschaftlich nicht: Bei 50 Prozent weniger Gutachten zu je 2.200 € decken die Einsparungen nicht einmal 30.000 € laufende Kosten, von der Aufbauinvestition ganz zu schweigen. 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, sammelt bei 80 Fällen im Jahr in 18 Monaten 120 Fälle, im Schnitt 24 je Bruchklasse (120 geteilt durch 5), das reicht für keinen belastbaren Klassifikator. 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

• Bruchbild von Einscheibensicherheitsglas: DIN EN 12150, Produktnorm für thermisch vorgespanntes Kalknatron-Einscheibensicherheitsglas, mit Bruchbildprüfung.
• Gutachterkosten, Fallzahlen, Eskalationsquoten: Für diese Größen haben wir keine belastbare öffentliche Quelle gefunden. Die Rechnungen nehmen 2.200 € je Gutachten und 50 Prozent weniger Gutachten an; beides ersetzt ihr durch eure Zahlen aus dem Reklamationsregister.
• Roboflow, Landing AI, Azure Machine Learning: Preise, Tarife und Hosting laut unseren Toolseiten, dort mit Quellen belegt.
• ROI-Berechnung: Rechenweg dieser Seite, kassenwirksam nur vermiedene Gutachten; interne Stunden und Folgekosten sind bewusst nicht als Geld angesetzt.

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.