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 und Routine. Der größte Teil dieser Zeit entfällt nicht auf inhaltliche Analyse, sondern auf das Schreiben von Standardpassagen: Objektbeschreibung, Schadensbeschreibung nach Kategorie, rechtliche Grundlagen, Bewertungsmethodik.

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

Das Fraunhofer-Institut für Bauphysik hat in seiner KI-Umfrage unter Bausachverständigen (2024) festgestellt, dass über 40 % der Befragten sich KI-Unterstützung bei der Gutachtenerstellung vorstellen können — der Hauptgrund ist die Entlastung von Routinetexten.

Das ist kein Kompetenzmangel. Es ist ein strukturelles Effizienzproblem: Hochqualifizierte Fachleute verbringen den Großteil ihrer Schreibzeit mit Standardformulierungen, die durch geeignete Werkzeuge erheblich beschleunigt werden könnten. In einem Markt, in dem Gutachterbüros aufgrund von Fachkräftemangel Kapazitätsprobleme haben, lässt sich Durchsatz selten durch Neueinstellungen steigern — wohl aber durch bessere Werkzeuge.

Mit vs. ohne KI — ein ehrlicher Vergleich

Schreibzeit-Werte: eigene Beobachtungen aus Implementierungsprojekten, bestätigt durch DGUSV-Branchenberichte. Konsistenz und Pflichtangaben: Erfahrungswerte aus Review-Prozessen in KMU-Gutachterbüros.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Eineinhalb bis zwei Stunden Schreibzeit pro Gutachten weniger — das ist bei 400 Fällen im Jahr ein echter Kapazitätsgewinn. Nur die Vor-Ort-Erfassung (die Büronacharbeit komplett eliminiert) liegt etwas höher. Die Schreibzeit-Einsparung ist real, aber der Gutachter muss den Entwurf trotzdem lesen, prüfen und ergänzen — das sind 20 bis 45 Minuten, die bleiben.

Kosteneinsparung — hoch (4/5) Der Nutzen entsteht durch eingesparte Fachkraft-Stunden beim Schreiben. Anders als die Vor-Ort-Erfassung (die nur Büronacharbeit spart) greift die Gutachtenerstellung in den teuersten Teil des Prozesses ein — die Kerntätigkeit selbst. Bei 400 Fällen/Jahr und 1,5 Stunden Einsparung pro Fall sind das 600 Stunden, die entweder in Überstunden-Abbau oder Kapazitätserweiterung fließen.

Schnelle Umsetzung — niedrig (2/5) Das ist der schwächste Punkt: Bevor das System gut funktioniert, braucht es eine strukturierte Gutachten-Bibliothek mit 50 bis 100 digitalisierten Gutachten, eine CRM-Anbindung und ein sorgfältig entwickeltes Prompt-Framework. Alte Gutachten in Papierform oder schlechten PDFs müssen aufbereitet werden. Das dauert 6 bis 10 Wochen, bevor der erste produktive Einsatz möglich ist. Nur wenige Use Cases in dieser Branche haben einen höheren Einstiegsaufwand — die Bibliothekspflege und CRM-Anbindung sind echter Vorlaufaufwand, nicht bloß Konfiguration.

ROI-Sicherheit — hoch (4/5) Der Nutzen ist messbar und hängt direkt vom Fallvolumen ab — mehr Fälle, mehr Ersparnis. Einzige Unsicherheit: Die Qualität der Bibliothek entscheidet, wie gut der erste Entwurf ist. Wenn die Bibliothek dünn ist oder schlecht kategorisiert, braucht der Gutachter länger für die Nacharbeit — das reduziert den Nettoeffekt. Solide Bibliothek vorausgesetzt: ROI ist ab Monat 2 bis 3 klar messbar.

Skalierbarkeit — hoch (4/5) Mehr Fälle, mehr Gutachter, mehr Auftraggeber — das System wird besser, nicht schwieriger. Die Bibliothek wächst mit jedem neuen Gutachten automatisch. Laufende Kosten steigen moderat mit dem API-Volumen, aber deutlich langsamer als der Nutzen. Fast identisch stark wie die Vor-Ort-Erfassung — leicht besser, weil keine nutzerbasierten Lizenzkosten anfallen.

Richtwerte — stark abhängig von CRM-Komplexität, Bibliotheksgröße und Schadenstypen-Breite.

Was das System konkret macht

Der technische Ansatz: Retrieval-Augmented Generation (RAG) auf der internen Gutachten-Bibliothek. Das Prinzip ist einfacher als der Begriff klingt.

Die Bibliothek — 50 bis 200 abgeschlossene Gutachten, kategorisiert nach Schadenstyp — wird in eine durchsuchbare Form gebracht. Wenn ein neuer Fall aus dem CRM übergeben wird, sucht das System nach den ähnlichsten früheren Fällen. Nicht als Kopiervorlage, sondern als Muster für Struktur, Formulierungen und Bewertungslogik. Dann kombiniert ein LLM die konkreten Falldaten mit den gefundenen Mustern und schreibt einen vollständigen Entwurf.

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.

Schritt 2 — Matching mit der Bibliothek. Das RAG-System sucht die drei bis fünf ähnlichsten früheren Fälle. Gleicher Schadenstyp, vergleichbares Objekt, ähnliche Rahmenbedingungen. Diese Gutachten werden als Referenz für Struktur und Formulierungslogik herangezogen.

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

Schritt 4 — Gutachter prüft, ergänzt, gibt frei. Der Entwurf landet im Review-Interface. Der Gutachter liest, korrigiert, fügt Nuancen hinzu und gibt frei — in 20 bis 40 statt 90 bis 180 Minuten. Die fachliche Verantwortung bleibt vollständig beim Menschen.

Was das System nicht kann

Seltene Schadenstypen, die in der Bibliothek kaum vertreten sind, werden schlechter abgedeckt. Das Modell kann keine Wertminderungen selbstständig berechnen, wenn die Berechnungsgrundlage nicht im CRM-Datensatz vorhanden ist. Und wenn der Gutachter vor Ort etwas Ungewöhnliches beobachtet hat, das nicht im Fragenkatalog erfasst wurde, erscheint es auch nicht im Entwurf — Freitext aus der Erfassungs-App muss strukturiert übergeben werden.

Konkrete Werkzeuge — was wann passt

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. Gut für Büros, die Wert auf lange, strukturierte Dokumente legen. API-Nutzung ca. 3–15 USD/1M Token je nach Modell.

ChatGPT — Alternative mit GPT-4o für strukturierte Textgenerierung. Über die API direkt in Workflows einbindbar. Gut für Betriebe, die bereits OpenAI nutzen. Vergleichbare Qualität, ähnliche Kosten. Ab 0 Euro (API nutzungsbasiert).

NotebookLM — für den Einstieg ohne technische Integration: Gutachten-Bibliothek als Dokumente hochladen, fallspezifische Fragen stellen, Formulierungsvorschläge erhalten. Kostenlos. Einschränkung: Keine CRM-Anbindung, kein vollautomatischer Workflow — der Gutachter muss Falldaten manuell eingeben. Ideal als Proof-of-Concept vor der Systemintegration.

Make.com — als Automatisierungs-Backbone: CRM-Datenabruf → API-Aufruf beim Sprachmodell → Ergebnis zurück ins CRM oder in ein Dokumententool. Kein Code, visuell konfigurierbar. 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. Sinnvoll, wenn die Bibliothek ohnehin in Notion gepflegt wird.

Zusammenfassung: Wann welcher Ansatz

• Proof-of-Concept, kein IT-Aufwand → NotebookLM
• Workflow-Automatisierung ohne Code → Make.com + Claude/ChatGPT-API
• Vollintegriert mit CRM-Anbindung → Custom RAG + Vektordatenbank
• Große Büros mit IT-Team → eigene RAG-Implementierung mit Chroma oder Pinecone

Datenschutz und Datenhaltung

Gutachtendaten sind in der Regel personenbezogen: Name und Adresse des Geschädigten, Wohnungsfotos, Schadensbeschreibungen. Beim Einsatz externer KI-APIs (Claude, ChatGPT) müssen diese Daten über einen Auftragsverarbeitungsvertrag (AVV) abgesichert sein — Art. 28 DSGVO ist zwingend.

Praktische Umsetzung:

• Anthropic (Claude) und OpenAI (ChatGPT) bieten AVV-Vorlagen an — aktiv anfordern
• Beide Anbieter verarbeiten Daten standardmäßig in den USA. Für den deutschen Markt ist das bei bestehenden AVVs rechtlich vertretbar, sollte aber mit dem Datenschutzbeauftragten abgestimmt sein
• Alternativ: Lokale Modelle via Ollama auf einem eigenen Server — keine Daten verlassen die eigene Infrastruktur. Qualität ist mit GPT-4o/Claude vergleichbar für strukturierte Textgenerierung, erfordert aber IT-Know-how für Betrieb und Updates
• Fotos sollten im CRM bleiben und nicht in den KI-Prompt übertragen werden — nur Metadaten (Fotokategorie, Anzahl, Zeitstempel) fließen in den Entwurf ein

Rechtliche Besonderheiten

Haftung bleibt beim Gutachter. Ein KI-Entwurf ist ein Entwurf — er entbindet den Gutachter nicht von der fachlichen Verantwortung. Wenn eine falsche Schadensursache im KI-Entwurf steht und der Gutachter sie ungeprüft übernimmt, haftet er dafür (§ 839a BGB analog). Der Vier-Augen-Prozess ist keine Option, sondern Pflicht.

Transparenz gegenüber Auftraggebern: Das LG Darmstadt hat 2025 klargestellt (Az. 19 O 527/16), dass Sachverständige offenlegen müssen, wenn KI wesentlich an der Erstellung eines Gutachtens mitgewirkt hat. Das Urteil bezog sich auf einen Fall, bei dem die KI-Beteiligung unklar war und der Eigenanteil des Gutachters zu gering war. Praxis-Empfehlung: Im Gutachten vermerken, dass ein KI-Tool als Formulierungshilfe genutzt wurde und der Gutachter vollständig verantwortlich für Inhalt und fachliche Bewertung ist. Das ist transparent, rechtssicher und in der Branche zunehmend akzeptiert.

Versicherungsformat-Vorgaben: Wenn Auftraggeber (Versicherungen) spezifische Kapitelstrukturen oder Pflichtformulierungen verlangen, sind diese als feste Vorgaben in den Prompt einzubauen. KI-Entwürfe, die Auftraggeber-Vorgaben systematisch nicht einhalten, erzeugen mehr Nacharbeit, nicht weniger.

Hinweis: Die hier genannten Rechtsgrundlagen (§ 839a BGB, JVEG, LG Darmstadt) sind Orientierungswerte aus der aktuellen Praxis und Rechtsprechung. Sie ersetzen keine individuelle Rechtsberatung. Kläre konkrete Haftungs- und Transparenzfragen mit einem Fachanwalt oder deinem Berufsverband (z.B. BVSK, DGUV).

Was es kostet — realistisch gerechnet

Einstieg (halbautomatisch mit NotebookLM + ChatGPT)

• Kosten: praktisch 0 Euro/Monat (kostenlose Tier beider Tools für kleine Büros ausreichend)
• 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 (konservativ): Gutachterbüro mit 4 Gutachtern, je 10 Fälle/Woche, 40 Wochen = 1.600 Gutachten. KI spart 1 Stunde pro Gutachten (konservativ, unter dem theoretischen Wert) = 1.600 Stunden. Bei 65 Euro/Stunde interne Gesamtkosten (Schätzwert inkl. Lohnnebenkosten für einen erfahrenen Gutachter; je nach Region 55–80 Euro realistisch): 104.000 Euro Effizienzgewinn — entweder mehr Fälle oder weniger Überstunden. Systemkosten Jahr 1: 20.000–30.000 Euro. ROI ab Monat 2–3 positiv.

Drei typische Einstiegsfehler

1. Bibliothek zu dünn oder schlecht kategorisiert. Wenn die Bibliothek nur 20 Gutachten enthält oder alle Schadenstypen durcheinandergemischt sind, findet das RAG-System keine guten Referenzen. Der erste Entwurf ist dann generisch und braucht mehr Nacharbeit als er spart. Minimum: 50 Gutachten, sauber nach Schadenstyp kategorisiert, bevor produktiv gestartet wird.

2. CRM-Integration als “Phase 2” geplant. Der manuelle Workaround — Gutachter kopiert Daten von Hand in den KI-Prompt — funktioniert kurzzeitig für Tests, aber nicht im Alltag. Wer von Anfang an plant, die CRM-Integration erst “später” zu bauen, verliert die Akzeptanz, bevor das System wirklich produktiv ist. CRM-Anbindung muss von Anfang an Teil des Plans sein.

3. Wartung der Bibliothek nicht geregelt. Die Bibliothek ist kein statisches Archiv — sie muss wachsen und bereinigt werden. Alte Gutachten, die veralteten Versicherungsvorgaben folgen, führen neue Mitarbeiter in die falsche Richtung. Kein Verantwortlicher für die Bibliothek = nach 12 Monaten schleichender Qualitätsverlust. Eine Redaktionsrolle einrichten, auch wenn sie nur 2 Stunden pro Monat kostet.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Der Pilot zeigt schnell, welche Schadenstypen gut funktionieren (häufige, gut dokumentierte Typen) und welche nicht (seltene, in der Bibliothek kaum vertretene Typen). Starte mit den zwei bis drei häufigsten Schadenstypen — dort ist der Nutzen sofort sichtbar.

Was nicht passiert: Das System schreibt keine perfekten Gutachten. Der erste Entwurf ist immer ein Entwurf — mit 20 bis 45 Minuten Review-Zeit. Wer erwartet, dass KI ein fertig unterschriftsreifes Gutachten produziert, wird enttäuscht. Wer erwartet, dass KI einen guten Ausgangspunkt liefert, der nur noch geprüft werden muss, wird zufrieden sein.

Was manche überrascht: Erfahrene Gutachter finden den Review-Prozess anfangs zeitaufwändiger als erwartet — weil sie den Entwurf akribisch prüfen. Mit der Zeit entwickeln sie einen Lesefluss, der Routine-Passagen schnell bestätigt und Aufmerksamkeit auf die fallspezifischen Teile lenkt. Diese Kurve dauert 4 bis 6 Wochen.

Realistischer Zeitplan mit Risikohinweisen

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. Gleiches gilt für Word-Vorlagen oder Diktiersoftware — auch dort erstellt ein Werkzeug den Text, der Gutachter verantwortet ihn.

„Unsere Auftraggeber haben spezifische Formatvorgaben.” Gerade dann ist KI eine Stärke: Wenn eine Versicherung ein bestimmtes Kapitelformat, spezifische Pflichtangaben oder Standardformulierungen verlangt, werden diese als feste Vorgaben in den Prompt eingebaut. Das Ergebnis ist konsistenter als manuell erstellte Gutachten — kein Gutachter vergisst mehr eine Pflichtangabe. Das Format wird zum KI-Vorteil, nicht zum Hindernis.

„Kundendaten dürfen nicht in externe KI-APIs.” Das ist richtig formuliert: ohne AVV nicht. Mit AVV und bei richtiger Datenhaltung ist es erlaubt — und beide großen Anbieter (Anthropic, OpenAI) stellen AVV-Dokumente bereit. Wer auf absoluter Datensicherheit bestehen muss (z.B. bei besonders sensiblen Mandaten), kann auf lokale Modelle via Ollama ausweichen. Das ist technisch aufwändiger, aber möglich.

Woran du merkst, dass das zu dir passt

Du schreibst pro Woche mindestens 5 Gutachten und mehr als 60 % der Schreibarbeit ist Standardtext.

Du hast eine digitale Gutachten-Bibliothek — oder könntest eine aufbauen — mit mindestens 50 abgeschlossenen Fällen.

Dein CRM hat eine API oder erlaubt Datenexporte (CSV, JSON), über die Falldaten weitergegeben werden können.

Du hast das Kapazitätsproblem: Zu viel Schreibarbeit blockiert die Bearbeitung neuer Fälle.

Wer diesen Use Case noch nicht angehen sollte:

Du schreibst weniger als 5 Gutachten pro Woche — dann ist der Einrichtungsaufwand (Bibliothek aufbauen, CRM anbinden, Prompt entwickeln) größer als der kurzfristige Nutzen. Starte stattdessen mit NotebookLM als manuelle Referenzsuche.

Deine Gutachten-Bibliothek ist klein (unter 30 abgeschlossene Fälle) oder auf Papier und nicht digitalisiert — ein RAG-System auf dünner Basis produziert generische Entwürfe, die mehr Nacharbeit erzeugen als sie einsparen.

Niemand in deinem Büro ist bereit, die Bibliothek langfristig zu pflegen — ohne eine Redaktionsrolle veralten die Referenzen innerhalb von 12 Monaten, und die Entwurfsqualität sinkt still, ohne dass es auffällt.

Das kannst du heute noch tun

Wähle drei Gutachten desselben Schadenstyps aus dem letzten Monat. Markiere in jedem Gutachten alle Textstellen, die wörtlich oder fast wörtlich identisch sind. Wenn das mehr als 50 % des Dokuments ist, ist die Automatisierbarkeit hoch. Wenn es weniger als 30 % ist, ist der Schadenstyp zu variabel — suche dir einen anderen für den Einstieg.

Dann teste mit diesem Prompt, ob das Prinzip funktioniert:

Quellen & Methodik

• Davies Group — Effizienzanalyse britischer Schadensgutachterbüros (2023): 60–75 % Standardtext-Anteil bei Routine-Schadensfällen. Basis für die Quantifizierung des Automatisierungspotenzials.
• Fraunhofer IRB — KI-Umfrage unter Bausachverständigen (2024): Über 40 % können sich KI-Unterstützung bei der Gutachtenerstellung vorstellen. irb.fraunhofer.de
• DGUSV — KI-Blogbeiträge und Branchenberichte (2023/2024): Einschätzungen zur KI-Nutzung im Sachverständigenwesen. dgusv.de
• LG Darmstadt, Az. 19 O 527/16 (2025): Transparenzpflicht bei KI-Beteiligung an Gutachten — keine Vergütung bei nicht offenem KI-Einsatz ohne ausreichenden Eigenanteil des Sachverständigen. haufe.de
• Schreibzeit und Effizienzwerte: Eigene Erhebungen aus Implementierungsprojekten bei deutschen KMU-Gutachterbüros; keine repräsentative Studie, aber konsistente Beobachtungen.