Automatisierte Gutachtenerstellung aus CRM-Daten

Das echte Ausmaß des Problems

Ein erfahrener Schadensgutachter schreibt im Schnitt 8 bis 12 Gutachten pro Woche. Jedes Gutachten dauert zwischen 90 Minuten und 4 Stunden — je nach Komplexität des Schadens und Routine des Gutachters. Der größte Teil dieser Zeit entfällt nicht auf inhaltliche Analyse, sondern auf das Schreiben von Standardpassagen: Objektbeschreibung, Schadensbeschreibung nach Kategorie, Standardformulierungen für Schadensursache, rechtliche Grundlagen und Bewertungsmethodik.

Eine Untersuchung britischer Schadensgutachterbüros (Davies Group, 2023) zeigt, dass 60 bis 75 % des Gutachten-Textes bei Standardschadensfällen nahezu identisch zu vorherigen Gutachten desselben Typs ist. Der einzigartige Teil — die konkrete Schadenserhebung, Maße, Kosten, besondere Umstände — macht nur ein Viertel bis ein Drittel des Textes aus.

Das Problem ist nicht mangelnde Kompetenz der Gutachter, sondern ein strukturelles Effizienzproblem: Hochqualifizierte Fachleute verbringen die meiste Zeit mit Schreibarbeit, die durch die richtigen Werkzeuge dramatisch beschleunigt werden könnte. In Deutschland, wo der Fachkräftemangel auch Gutachterbüros betrifft, lässt sich Kapazität oft nicht durch Neueinstellungen erhöhen — sondern nur durch bessere Werkzeuge.

So funktioniert es in der Praxis

Die Lösung verbindet drei Quellen: die strukturierten Falldaten aus dem CRM (aus der Vor-Ort-Erfassung), die Gutachten-Bibliothek (historische Gutachten als Vorlagenpool) und ein KI-Modell, das beides zusammenführt.

Schritt 1 — Fallübergabe aus dem CRM Der Gutachter öffnet den abgeschlossenen Vor-Ort-Fall im CRM und startet die Gutachten-Erstellung mit einem Klick. Das System liest alle strukturierten Daten: Schadenstyp, Objektdetails, Messwerte, Fotoreferenzen, Besonderheiten aus dem Fragenkatalog.

Schritt 2 — Matching mit der Gutachten-Bibliothek Das RAG-System sucht in der Bibliothek nach den ähnlichsten früheren Fällen — gleicher Schadenstyp, vergleichbares Objekt, ähnliche Rahmenbedingungen. Die drei bis fünf relevantesten Gutachten werden als Referenz herangezogen. Nicht als Kopiervorlage, sondern als Muster für Struktur, Formulierungen und Bewertungslogik.

Schritt 3 — KI-gestützter Entwurf Das Sprachmodell erstellt auf Basis der CRM-Daten und der Referenzgutachten einen vollständigen Gutachten-Entwurf in der hauseigenen Struktur: Deckblatt, Auftragsbeschreibung, Objektbeschreibung, Schadensbeschreibung, Schadensursache, Schadensbewertung und Empfehlung. Standardpassagen werden direkt aus den Vorlagen adaptiert, fallspezifische Abschnitte werden aus den CRM-Daten generiert.

Schritt 4 — Gutachter prüft, ergänzt, gibt frei Der Entwurf landet im Review-Interface des Gutachters. Farbliche Markierungen zeigen, welche Abschnitte aus CRM-Daten generiert wurden (grün), welche aus Vorlagen übernommen wurden (gelb) und welche noch manuell ergänzt werden sollten (rot). Der Gutachter liest, korrigiert, fügt Nuancen hinzu und gibt frei — in 20 bis 40 statt 90 bis 180 Minuten.

Welche Tools passen hierzu

Claude — besonders geeignet als zentrales Sprachmodell für die Textgenerierung: das 200K-Token-Kontextfenster erlaubt die gleichzeitige Verarbeitung mehrerer Referenzgutachten plus der kompletten CRM-Daten in einem Schritt. Ab 0 Euro (API-Nutzung nutzungsbasiert ab ca. 3 USD/1M Token).

ChatGPT — Alternative mit GPT-4o für strukturierte Textgenerierung; über die API direkt in Workflows einbindbar; gut für Betriebe, die bereits OpenAI nutzen. Ab 0 Euro.

NotebookLM — für den Einstieg ohne technische Integration: Gutachten-Bibliothek als Dokumente hochladen, fallspezifische Fragen stellen, Formulierungsvorschläge erhalten. Kostenlos.

Make.com — als Automatisierungs-Backbone: CRM-Datenabruf → API-Aufruf beim Sprachmodell → Ergebnis zurück ins CRM oder in ein Dokumententool. Ab 9 Euro/Monat.

Notion AI — als Ablageort für die Gutachten-Bibliothek mit KI-Suchfunktion: ähnliche frühere Gutachten finden, direkt im Browser aufrufen und als Referenz nutzen. Ab 10 Euro/Nutzer/Monat.

Was es kostet — realistisch gerechnet

Einstieg (halbautomatisch mit NotebookLM + ChatGPT)

• Kosten: praktisch 0 Euro/Monat (kostenlose Tier beider Tools ausreichend für kleine Büros)
• Einmaliger Aufwand: 2–3 Tage Gutachten-Bibliothek strukturieren und hochladen
• Zeitersparnis: 45–60 Minuten pro Gutachten bei 10 Fällen/Woche = ca. 350 Stunden/Jahr

Vollintegriert (API + Make.com + CRM)

• Laufende Kosten: 100–300 Euro/Monat (API-Nutzung + Make.com + ggf. Vektordatenbank)
• Einmalige Implementierung: 5.000–15.000 Euro je nach CRM-Komplexität
• Zeitersparnis: 1,5–2 Stunden pro Gutachten → bei 400 Fällen/Jahr: 600–800 Stunden

ROI-Beispiel: Gutachterbüro mit 4 Gutachtern, je 10 Fälle/Woche, 40 Wochen/Jahr = 1.600 Gutachten. KI spart 1,5 Stunden pro Gutachten = 2.400 Stunden eingesparte Schreibarbeit. Bei Stundensatz 75 Euro intern: 180.000 Euro Effizienzgewinn — der entweder in mehr Fälle (Umsatz) oder weniger Überstunden (Qualität) umgewandelt wird. Systemkosten: 20.000–30.000 Euro im ersten Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Gutachten-Bibliothek aufbauen	Woche 1–3	50–100 abgeschlossene Gutachten strukturiert digitalisieren und kategorisieren	Alte Gutachten in Papierform oder schlechten PDF-Scans — OCR-Nachbearbeitung nötig
Prompt-Engineering	Woche 2–4	Mit 10–20 Testfällen Prompt-Struktur entwickeln und Ausgabequalität bewerten	KI generiert zu generische Texte — fallspezifische Daten müssen explizit hervorgehoben werden
Integration mit CRM	Woche 4–8	Automatischer Datenabruf aus CRM, Übergabe an KI-Modell, Entwurf zurück ins System	CRM-API fehlt oder ist eingeschränkt — Workaround: manueller CSV-Export als Zwischenlösung
Gutachter-Schulung & Review-Prozess	Woche 7–9	Review-Interface einführen, Kennzeichnungssystem für KI-Inhalte erklären, Freigabeprozess definieren	Vertrauensproblem: “Was, wenn die KI etwas falsch macht?” — Vier-Augen-Prinzip für erste 3 Monate
Vollbetrieb	Ab Monat 3	KI-Entwurf ist Standard, Bibliothek wächst mit jedem neuen Gutachten	Qualitätsschwankungen bei seltenen Schadenstypen — Bibliothek für diese Typen gezielt ausbauen

Häufige Einwände

„Wir sind haftbar für das Gutachten — eine KI kann nicht unterschreiben.” Richtig, und das soll sie auch nicht. Die KI erstellt einen Entwurf, der Gutachter prüft, korrigiert und unterschreibt. Der Unterschied zur bisherigen Arbeit: Der Gutachter liest und korrigiert statt von Null zu schreiben. Die fachliche Verantwortung bleibt vollständig beim Menschen — das Werkzeug ändert nur den Ausgangspunkt des Prozesses, nicht die Verantwortung.

„Unsere Auftraggeber (Versicherungen) haben spezifische Formatvorgaben — passt KI da rein?” Ja, gerade dann. Formatvorgaben sind für KI eine Stärke, keine Schwäche: Wenn eine Versicherung ein bestimmtes Kapitelformat, spezifische Pflichtangaben oder Standardformulierungen für Schadenspositionen verlangt, werden diese als feste Vorgaben in den Prompt eingebaut. Das Ergebnis ist konsistenter als manuell erstellte Gutachten — kein Gutachter vergisst eine Pflichtangabe mehr.

„Wir haben vertrauliche Kundendaten — darf die KI die verarbeiten?” Das ist der kritischste Punkt und muss ernst genommen werden. Externe KI-APIs (OpenAI, Anthropic) dürfen nur dann für personenbezogene Daten genutzt werden, wenn ein Auftragsverarbeitungsvertrag (AVV) vorliegt — den beide Anbieter standardmäßig anbieten. Für besonders sensible Fälle gibt es On-Premise-Lösungen (lokale Sprachmodelle via Ollama oder eigene Cloud-Instanz), bei denen keine Daten externe Server verlassen. Das kostet mehr, ist aber für DSGVO-kritische Einsatzbereiche die richtige Entscheidung.