Automatisierte Schadensmeldungsverarbeitung

Das echte Ausmaß des Problems

Ein mittelgroßer Sachversicherer mit 50.000 Verträgen empfängt an normalen Tagen 30 bis 80 Schadensmeldungen — in Spitzenlagen nach Sturmereignissen, Hagelschlag oder Hochwasser mehrere Hundert innerhalb von 48 Stunden. Jede Meldung braucht durchschnittlich 8 bis 15 Minuten manuelle Erstbearbeitung: Kanal identifizieren, Vertragsnummer suchen, Schadensart klassifizieren, Dringlichkeit einschätzen, Zuständigkeit klären, Ticket anlegen, Eingangsbestätigung versenden.

Bei 50 Meldungen täglich sind das rund 8 Stunden reine Triagearbeit — bei einer einzigen Person. In der Spitzenphase nach einem Regionalereignis potenziert sich das auf Tage oder Wochen aufgestauter Rückstände. Das eigentliche Problem ist nicht das Normaltag-Volumen — es sind Spitzenlagen: genau in dem Moment, in dem die Qualität der Erstbearbeitung am wichtigsten wäre, ist sie am schlechtesten.

Was die manuelle Triage kostet:

• Ein Sachbearbeiter mit 45.000 Euro Jahresgehalt (Vollkosten ca. 60.000 Euro) kostet rund 30 Euro pro Stunde
• Bei 8 Stunden reiner Triage täglich: ca. 180 Euro/Tag reiner Sortieraufwand — ohne jeden inhaltlichen Beitrag zur Schadenregulierung
• Über 220 Arbeitstage: ca. 40.000 Euro/Jahr für einen einzigen Sachbearbeiter, nur für die Eingangsklassifikation

Hinzu kommen die versteckten Kosten: Falsch geroutete Fälle, die doppelt bearbeitet werden müssen. Verspätete Eingangsbestätigungen, die zu Telefonrückfragen führen. Überlastete Teams, die in Spitzenlagen Fehler machen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Triage-Aufwand-Vergleichswerte basieren auf Erfahrungswerten aus Projekten bei deutschen Regionalversicherern mit 30.000–80.000 Verträgen (Stand 2024).

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Das ist der stärkste Zeitersparnis-Hebel in dieser Kategorie. Was bisher 8–15 Minuten manuelle Arbeit kostet, erledigt die KI in Sekunden. Die Einsparung ist nicht graduell — sie ist strukturell: Die Triage-Aufgabe fällt fast vollständig weg. In Spitzenlagen ist der Unterschied zwischen Zusammenbruch und normalem Betrieb.

Kosteneinsparung — hoch (4/5) Die direkte Kosteneinsparung ist messbar: Weniger Triage-Stunden, weniger Fehlleitungen, weniger Telefonrückfragen durch verspätete Bestätigungen. Der Vorbehalt: Die Einrichtungskosten sind bei einer API-basierten Lösung überschaubar (10.000–20.000 Euro), bei einer integrierten Plattformlösung substanziell (Salesforce-Setup). Der ROI ist in beiden Fällen positiv, aber der Zeitraum bis zur Amortisation unterscheidet sich erheblich.

Schnelle Umsetzung — mittel (3/5) Ein einfacher E-Mail-Router auf API-Basis ist in 10–16 Wochen produktiv. Eine vollständig integrierte Lösung mit Systemanbindung an das Schadensystem braucht 20–30 Wochen. Das ist handhabbar, aber kein schnelles Wochenendprojekt. Die Klassifikationslogik muss auf die eigenen Schadenstypen kalibriert werden — das erfordert historische Daten und Testdurchläufe.

ROI-Sicherheit — hoch (4/5) Die Triage-Stunden sind direkt zählbar. Vor der Einführung misst du, wie viele Stunden täglich für die Eingangsklassifikation aufgewendet werden. Nach der Einführung misst du dasselbe. Der Unterschied ist der Nutzen. Das macht die ROI-Messung solider als bei den meisten anderen KI-Anwendungen in dieser Kategorie — du zählst Stunden, nicht Hypothesen.

Skalierbarkeit — sehr hoch (5/5) Kein anderer Anwendungsfall in dieser Kategorie profitiert so stark von Skalierbarkeit. Das System kostet in Spitzenlagen nicht mehr als im Normalbetrieb. 50 Meldungen täglich oder 500 — die Infrastrukturkosten bleiben konstant. Für eine Branche, in der Volumen extremen saisonalen und ereignisbedingten Schwankungen unterliegt, ist das ein fundamentaler Vorteil.

Richtwerte — stark abhängig von Meldungsvolumen, Kanalvielfalt und technischer Ausgangslage.

Was das System konkret macht

KI-gestützte Schadensmeldungsverarbeitung greift am Eingang an: Alle eingehenden Meldungen — unabhängig vom Kanal (E-Mail, App, Webformular, Fax-zu-Text) — werden automatisch gescannt und klassifiziert, bevor ein Mensch sie sieht.

Das Modell liest den Volltext und extrahiert automatisch:

• Schadensart: Haftpflicht, Kfz, Gebäude, Hausrat, Elementar usw.
• Schadenshergang: kurze Zusammenfassung aus dem Freitext
• Dringlichkeit: sofortiger Personenschaden vs. Bagatellschaden — Schlüsselwörter wie „verletzt”, „Arzt” oder „Notfall” werden explizit signalisiert
• Vollständigkeit: fehlen Fotos, Vertragsnummer oder Zeugenangaben?

Auf Basis dieser Klassifikation legt das System automatisch ein Ticket im Schadensbearbeitungssystem an, weist es dem richtigen Team zu, sortiert es in die richtige Prioritätswarteschlange ein und versendet an den Kunden eine personalisierte Eingangsbestätigung mit einem realistischen Bearbeitungshorizont.

Was durch Menschenhände 10 Minuten dauert, erledigt die KI in unter einer Minute. Die Sachbearbeitung öffnet morgens eine bereits klassifizierte, priorisierte Warteschlange — statt eines unsortierten Posteingangs, den sie selbst aufarbeiten muss.

Wichtig: Das System entscheidet nicht, ob ein Schaden anerkannt wird. Das bleibt menschliche Sacharbeit. Es entscheidet nur: wer den Fall bekommt, in welcher Reihenfolge und mit welchem Kontext.

Konkrete Werkzeuge — was wann passt

Claude oder ChatGPT-API als Klassifikations-Engine Für kleinere Makler und regionale Versicherungen: Ein KI-gestützter E-Mail-Router, der eingehende Schadensmeldungen liest, klassifiziert und an die richtige Schachtel weiterleitet, ist mit einem LLM über die API in überschaubarem Aufwand baubar. Entwicklungsaufwand einmalig ca. 10.000–20.000 Euro, laufende API-Kosten unter 0,10 Euro pro Meldung. Kein teures Kernsystem nötig.

Salesforce Service Cloud mit Einstein AI Im Versicherungsmarkt verbreitet und bietet native Klassifizierungs- und Routing-Funktionen. Wenn das Unternehmen Salesforce bereits nutzt, ist das die direkteste Erweiterung. Lizenzkosten: ab ca. 75 Euro/Nutzer/Monat für Service Cloud.

Microsoft Azure AI + Make.com Flexible, anpassbare Lösung für Unternehmen, die bereits auf Microsoft-Infrastruktur setzen. Klassifikatoren können auf eigene Schadensdaten trainiert werden. Make.com übernimmt die Workflow-Automatisierung: E-Mail eingeht → KI analysiert → Ticket wird angelegt → Bestätigung verschickt. Gut für Unternehmen mit hohen Datenschutzanforderungen, die Daten on-premise halten wollen.

Guidewire ClaimCenter mit KI-Modulen Dominierende Kernsystemlösung im deutschen Versicherungsmarkt. Relevant wenn ClaimCenter ohnehin im Einsatz ist — KI-Funktionen werden als Module zugebucht. Enterprise-Preise, Integration durch spezialisierte Partner.

Cognigy Konversations-KI-Plattform, die auch strukturierte Schadensmeldungen über Chat-Kanäle entgegennehmen und klassifizieren kann. Gut für Versicherer, die den Kanal Webchat oder WhatsApp aktiv betreiben.

Zusammenfassung: Wann welcher Ansatz:

• Kleiner Makler, simpler E-Mail-Eingang → API-Lösung mit Claude/GPT-4o
• Salesforce bereits im Einsatz → Einstein AI-Erweiterung
• Microsoft-Infrastruktur → Azure AI + Make.com
• Guidewire ClaimCenter im Einsatz → ClaimCenter KI-Module
• Chat-Kanal als Eingangsweg → Cognigy

Rechtliche Besonderheiten

Die automatisierte Klassifikation und das Routing von Schadensmeldungen fallen nicht unter Art. 22 DSGVO (automatisierte Einzelentscheidungen), solange das System nur die Weiterleitung an die zuständige Sachbearbeitung steuert — keine Entscheidung über Leistungspflicht oder Schadenanerkennung trifft.

Dennoch gelten wichtige Anforderungen:

DSGVO und AVV: Schadensmeldungen enthalten regelmäßig besondere Kategorien personenbezogener Daten nach Art. 9 DSGVO — Gesundheitsdaten, wenn Personenschäden gemeldet werden, oder Daten über strafbare Handlungen. Das erfordert einen Auftragsverarbeitungsvertrag mit jedem KI-Dienstleister, der diese Daten verarbeitet. Cloud-basierte LLM-Dienste (OpenAI, Anthropic, Azure) stellen AVV bereit, müssen aber aktiv angefordert werden.

EU AI Act: Ein reines Routing-System ohne Entscheidungswirkung gilt als Niedrig-Risiko-System. Wenn das System jedoch Priorisierungen mit direktem Einfluss auf Bearbeitungszeiten trifft — also faktisch entscheidet, wessen Schaden zuerst bearbeitet wird — ist eine Risikoklassifikation durch den Datenschutzbeauftragten zu empfehlen.

BaFin-Aufsicht: Die BaFin erwartet von beaufsichtigten Versicherungsunternehmen, dass KI-Systeme in operativen Prozessen dokumentiert, auf Fehlklassifikationen überprüft und auditierbar sind. Ein Qualitätssicherungsprozess (stichprobenartige manuelle Prüfung) sollte von Anfang an eingeplant werden.

Was es kostet — realistisch gerechnet

Einstieg mit API-basierter Lösung:

• Entwicklungsaufwand: 10.000–20.000 Euro einmalig (Anbindung an E-Mail-System und Ticketsystem)
• Laufende API-Kosten: ca. 0,02–0,10 Euro pro Schadensmeldung
• Bei 1.000 Meldungen/Monat: 20–100 Euro laufende Kosten

Integrierte Plattformlösung (z.B. Salesforce Einstein):

• Lizenz: ab 75 Euro/Nutzer/Monat plus Basis-Salesforce-Lizenz
• Einrichtungsaufwand: 2–4 Wochen mit Systemintegrator
• Sinnvoll ab ca. 15+ Sachbearbeitenden und >500 Meldungen/Monat

ROI-Rechnung: Sachbearbeiterin: ca. 30 Euro/Stunde (Vollkosten). Bei 50 Schadensmeldungen täglich, 10 Minuten Triageaufwand pro Meldung = 8,3 Stunden/Tag reine Triage. KI reduziert das auf 1,5 Stunden Qualitätsprüfung = 6,8 Stunden eingespart = ca. 204 Euro/Tag = ca. 4.300 Euro/Monat Zeitwert. Entwicklungskosten einer API-Lösung amortisiert in 3–5 Monaten.

Wie du den Nutzen tatsächlich misst: Vor der Einführung: Triage-Stunden täglich messen oder aus Zeiterfassung ableiten. Nach der Einführung: dasselbe. Ergänzend: Fehlleitungsquote (Tickets, die umgeleitet werden müssen) und Kundenzufriedenheit bei Erstreaktion (Zeit bis zur Eingangsbestätigung).

Vier typische Einstiegsfehler

1. Zu viele Schadenstypen auf einmal klassifizieren wollen. Der Reflex: alle 15 Schadensparten gleichzeitig. In der Praxis führt das zu einem Modell, das alle Fälle mittelmäßig klassifiziert. Besser: Mit den drei häufigsten Schadensarten starten (bei den meisten Sachversicherern: Kfz, Gebäude, Hausrat), die Klassifikationslogik für diese drei gut kalibrieren, dann ausbauen.

2. Die Routing-Regeln nicht dokumentiert haben. Was eigentlich selbstverständlich klingt, fehlt in vielen Unternehmen: Die Regeln, wer welchen Schadenstyp bearbeitet, existieren nur als implizites Wissen der Sachbearbeitung. Bevor ein KI-System konfiguriert werden kann, müssen diese Regeln explizit aufgeschrieben werden. Das ist oft aufwendiger als die eigentliche Technologie.

3. Kein Eskalationspfad für unsichere Klassifikationen. Ein System, das bei Unsicherheit trotzdem klassifiziert und weiterleitet, produziert eine neue Fehlerquelle. Gutes Design: Das Modell gibt einen Konfidenzwert aus. Alles unter einem definierten Schwellenwert (z.B. 80 Prozent) wird zur manuellen Prüfung markiert — nicht blind zugewiesen.

4. Das System läuft, aber niemand prüft die Qualität. Das ist der gefährlichste Fehler — weil er still passiert. Nach drei Monaten ohne Qualitätsprüfung hat das System vielleicht 5 Prozent Fehlerrate bei Haftpflichtschäden entwickelt — und alle Beteiligten haben sich daran gewöhnt. Ein monatliches Stichproben-Audit (30–50 zufällig ausgewählte Fälle, Klassifikation manuell validieren) sollte von Anfang an eingeplant sein, nicht als optionaler Nachgedanke.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist der einfache Teil. Das Schwierigere ist das Change-Management.

Das Kontrollverlust-Problem. Sachbearbeiterinnen, die jahrelang jeden Eingang selbst gesichtet haben, verlieren durch die Automatisierung einen Teil ihres Überblicks. Wer früher morgens den Posteingang sortiert und dabei ein Gefühl für den Tag entwickelt hat, sieht jetzt nur noch priorisierte Queues. Lösung: Transparenz-Dashboard, das zeigt, was das System in den letzten 24 Stunden klassifiziert hat — mit der Möglichkeit, jederzeit in die Roheingänge zu schauen. Das Vertrauen wächst, wenn das System erklärbar ist.

Die Umgehung. In Unternehmen, wo Sachbearbeiterinnen dem System misstrauen, werden sie anfangen, Tickets „zur Sicherheit” manuell nachzuprüfen — und damit den Zeitvorteil zunichte machen. Lösung: In den ersten 6–8 Wochen wird jede automatische Klassifikation stichprobenartig gegengeprüft und die Ergebnisse offen kommuniziert. Wenn die Fehlerrate unter 3 Prozent liegt, sinkt der Wunsch nach Doppelprüfung schnell.

Was tatsächlich passiert: Die Spitzenlage-Resilienz ist das überzeugendste Argument in der Praxis. Wenn das erste größere Sturmereignis nach der Einführung kommt und die Sachbearbeitung morgens eine geordnete Queue statt eines Posteingang-Chaos vorfindet — das ist der Moment, der das System unumkehrbar macht.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Schadensmeldungen enthalten sensible Kundendaten — wir können das nicht an externe KI schicken.” Das ist ein zentraler Datenschutzpunkt, der ernst zu nehmen ist. Personenbezogene Daten (Name, Adresse, Versicherungsnummer, Schadenshergang) dürfen nur auf Basis einer rechtlichen Grundlage verarbeitet werden. Die Lösung: entweder ein Anbieter mit Serverstandort in der EU und fertigem AVV (Azure OpenAI EU Region, Anthropic Europe), oder eine On-Premise-Lösung, bei der Daten das Unternehmensnetzwerk nicht verlassen. Für viele mittelständische Versicherungen ist das technisch lösbar — es muss aber von Anfang an als Anforderung geplant werden.

„Was passiert, wenn ein Haftpflichtschaden als Bagatelle klassifiziert wird und zu lange wartet?” Das ist das Risiko jedes Routing-Systems — auch das manuell betriebene. Der Unterschied: Ein gutes KI-System kennzeichnet Fälle, bei denen es unsicher ist, und eskaliert diese automatisch zur menschlichen Prüfung. Klare Schwellenwert-Regeln (alle Meldungen mit dem Wort „verletzt”, „Personenschaden” oder „Arzt” sofort eskalieren) machen das System robust gegen die teuersten Fehler. Die Konfiguration dieser Sicherheitsnetz-Regeln ist der wichtigste Teil der Einführung.

„Unsere Schadenstypen sind zu spezifisch — ein allgemeines Modell wird nicht funktionieren.” Stimmt, wenn das Modell ohne Kalibrierung eingesetzt wird. Kein Modell kennt deine eigenen Schadenstypen, Nomenklatur und Routingregeln aus dem Stand. Das ist aber kein Argument gegen das Konzept, sondern ein Argument für einen sorgfältigen Pilotprozess mit eigenen historischen Daten.

Woran du merkst, dass das zu dir passt

• Dein Team verbringt täglich mehr als zwei Stunden damit, eingehende Schadensmeldungen zu lesen, zu sortieren und zuzuordnen — ohne dass dabei inhaltliche Schadensbearbeitung stattfindet
• In Spitzenlagen (nach Sturm, Hagel, Hochwasser) bricht dein Prozess zusammen — Rückstände bauen sich über Tage auf, Kunden warten ohne Rückmeldung
• Du hast mehr als einen Eingangskanal (E-Mail, Portal, App, Telefon-Notiz) und jeder Kanal erfordert eine andere Bearbeitungsroutine
• Fehlleitungen — Fälle, die ans falsche Team gehen und zurückgeleitet werden müssen — kosten dich messbar Zeit

Wann es sich (noch) nicht lohnt: Unter ca. 20–30 Schadensmeldungen täglich und mit einem einzigen, klaren Eingangskanal ist der Einrichtungsaufwand unverhältnismäßig. Dann ist ein gut strukturierter manueller Prozess die bessere Lösung. Außerdem: Wenn die Routing-Regeln nicht dokumentierbar sind — weil die gesamte Klassifikationsexpertise in einer einzigen Person steckt — ist das erst zu lösen, bevor ein KI-System Sinn ergibt.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude (jeweils kostenlose Version) und kopiere drei echte Schadensmeldungen aus deinem Posteingang hinein. Bitte die KI, für jede Meldung die Schadensart, Dringlichkeit und den zuständigen Bereich zu bestimmen.

Das dauert 15 Minuten. Was du danach weißt: Wie gut das Konzept für deine Schadenstypen funktioniert — bevor du irgendetwas kaufst oder entwickelst.

Für den produktiven Einsatz brauchst du einen konfigurierten Klassifikations-Prompt:

Quellen & Methodik

• Triageaufwand 8–15 Minuten pro Meldung: Erfahrungswerte aus Schadensprozess-Analysen bei deutschen Regionalversicherern mit 30.000–80.000 Verträgen (Stand 2024). Keine repräsentative Studie, aber konsistente Beobachtungen über mehrere Implementierungen.
• GDV Statistisches Taschenbuch 2024: Grundlagendaten zur Schadenhäufigkeit und zum Meldungsvolumen in der deutschen Versicherungswirtschaft.
• DSGVO Art. 9: Verarbeitung besonderer Kategorien personenbezogener Daten — relevant für Schadensmeldungen mit Gesundheits- oder Straftatenbezug.
• DSGVO Art. 22: Automatisierte Einzelentscheidungen — nicht anwendbar auf reines Routing, relevant bei Entscheidungen mit Rechtswirkung.
• EU AI Act, Anhang III: Klassifikation von KI-Systemen nach Risikostufen — reines Routing-System gilt als Niedrig-Risiko.

Wenn deine Schadensmeldungsverarbeitung in Spitzenzeiten regelmäßig zusammenbricht oder dein Posteingang täglich zu viel manuelle Sortierarbeit erzeugt — meld dich. Wir schauen uns an, was bei dir realistisch automatisierbar ist.