KI-Betrugserkennung bei Schadensfällen

Das echte Ausmaß des Problems

Versicherungsbetrug kostet die deutsche Versicherungswirtschaft nach Schätzungen des Gesamtverbands der Deutschen Versicherungswirtschaft (GDV) rund 4 bis 5 Milliarden Euro jährlich. Das klingt nach einem Problem der großen Konzerne — ist es aber nicht. Ein mittelständischer Regionalversicherer mit 200 Millionen Euro Beitragseinnahmen verliert statistisch 2 bis 3 Prozent davon durch Betrug: 4 bis 6 Millionen Euro pro Jahr, die als unentdeckte Schäden ausgezahlt werden.

Das Heimtückische: Der größte Teil des Betrugs ist kein klassischer Versicherungsbetrug im Sinne komplexer Betrugsringe. Es sind opportunistische Übertreibungen und Gelegenheitsfälschungen: Ein Wasserschaden wird auf die Küche erweitert, die schon vorher saniert werden sollte. Das gestohlene Fahrrad war gar kein Trekkingrad für 2.400 Euro, sondern ein Stadtrad für 600. Der Haftpflichtschaden am Nachbarauto entstand nicht bei dem gemeldeten Parkmanöver, sondern eine Woche früher woanders. Diese Fälle sind schwer zu bemerken, weil kein einzelner Hinweis reicht — das Muster entsteht erst, wenn man den Fall im Kontext aller verfügbaren Daten betrachtet.

Manuell ist das unmöglich: Ein Schadenssachbearbeiter prüft täglich zwanzig bis dreißig Fälle. Eine tiefe Plausibilitätsprüfung mit Quervergleichen dauert 30 bis 60 Minuten pro Fall. Das kann er für zwei oder drei Fälle täglich leisten — nicht für alle dreißig. Der Rest geht ohne vertiefte Prüfung durch. KI ändert diese Gleichung grundlegend.

So funktioniert es in der Praxis

KI-Betrugserkennung funktioniert über einen Risikoscore, der für jeden Schadensfall automatisch berechnet wird, sobald er im System erfasst ist.

Das Modell analysiert dabei nicht einen einzigen Datenpunkt, sondern viele gleichzeitig: Zeitpunkt der Schadensmeldung im Verhältnis zum Vertragsbeginn (Neuvertrag mit sofortigem Schaden ist ein klassisches Signal), Häufigkeit von Meldungen desselben Kunden in den letzten Jahren, Verhältnis des gemeldeten Schadenswerts zur Versicherungssumme, Plausibilität des Schadenshergangs im Kontext des versicherten Objekts, externe Daten wie Wetterereignisse (wurde wirklich ein Hagelschaden in einer Region gemeldet, wo es an dem Tag gehagelst hat?), Übereinstimmung von Reparaturrechnung und typischen Marktpreisen.

Das Ergebnis ist kein Schuldspruch — es ist eine Priorisierungsliste. Fälle mit hohem Risikoscore landen bei Sonderermittlern, Fälle mit niedrigem Score laufen durch die normale Sachbearbeitung. Die Sachbearbeitung entscheidet immer noch, der Score liefert nur eine informierte Empfehlung. Was sich ändert: Die Kapazität der Sonderermittlung landet bei den Fällen, wo sie am wahrscheinlichsten etwas findet — statt zufällig verteilt.

Welche Tools passen hierzu

FRISS (spezialisiert auf Versicherungsbetrug) ist einer der führenden europäischen Anbieter für Fraud-Detection-as-a-Service in der Versicherungsbranche. Das System integriert in Guidewire ClaimCenter, Salesforce und andere Kernsysteme. Vorteil: kein eigenes Modelltraining nötig, das Modell ist auf Versicherungsbetrug trainiert und wird laufend von FRISS aktualisiert. Preismodell: typisch erfolgsbasiert oder per Schadensfall.

SAS Fraud Management und IBM Safer Payments sind Enterprise-Lösungen für größere Versicherungen ab ca. 500 Millionen Euro Beitragseinnahmen. Sehr mächtig, entsprechend aufwändige Integration.

Microsoft Azure Machine Learning eignet sich für Versicherungen, die ein eigenes Modell auf ihren historischen Schadensdaten trainieren wollen. Mehr Aufwand, mehr Kontrolle, bessere Anpassung an eigene Produktlinien. Entwicklungspartner nötig.

Eigenes LLM-basiertes System mit Claude oder ChatGPT ist für die Plausibilitätsprüfung von Schadenstexten eine realistische Option: Das Modell liest den Schadensbericht und bewertet die Plausibilität des geschilderten Hergangs. Kein Ersatz für statistisches Anomalie-Scoring, aber als ergänzende Schicht — „liest der Unfallhergang stimmig?” — durchaus wertvoll.

Was es kostet — realistisch gerechnet

FRISS oder vergleichbarer Spezialist:

• Erfolgsbasiert: typisch 0,5–2% der entdeckten Betrugssumme als Provision
• Fix-Preis-Modell: ab ca. 50.000 Euro Jahreslizenz für mittelgroße Versicherungen
• Integration: 3–6 Monate mit Integrations-Dienstleister

Eigenentwicklung auf Azure ML:

• Entwicklungsaufwand: 80.000–200.000 Euro einmalig (Data Engineering, Modell, Integration)
• Laufend: Infrastruktur- und Wartungskosten, 1–2 Data Scientists intern oder extern
• Sinnvoll ab ca. 100.000 Schadensfällen/Jahr als Trainingsgrundlage

ROI-Rechnung am Beispiel: Versicherung mit 50.000 Kfz-Verträgen, durchschnittlicher Schadenshäufigkeit 15% = 7.500 Fälle/Jahr. Angenommene Betrugsquote 3% = 225 betrügerische Fälle. Durchschnittlicher Betrugswert 2.000 Euro = 450.000 Euro potenzieller Schaden. KI erkennt 35% mehr Fälle = 79 zusätzlich erkannte Fälle × 2.000 Euro = 158.000 Euro vermiedene Schäden. Bei FRISS-Kosten von 50.000 Euro/Jahr: Nettovorteil 108.000 Euro im ersten Jahr.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Datenbewertung	Woche 1–4	Historische Schadensdaten analysieren, Betrugsquoten schätzen, Datenverfügbarkeit prüfen	Daten zu wenig strukturiert oder zu wenig historische Betrugsmarkierungen vorhanden
Anbieterauswahl	Woche 4–8	FRISS und Alternativen evaluieren, Pilotprojekt mit eigenen Daten durchführen	Pilot mit bereinigten Beispieldaten statt echten historischen Schadensfällen
Integration	Woche 8–20	Anbindung an Schadensystem, Score-Darstellung für Sachbearbeitung, Eskalationsworkflow	IT-Kapazitäten fehlen — Integration verzögert sich
Kalibrierung	Woche 20–30	Schwellenwerte anpassen, False-Positive-Rate senken, Feedback der Sonderermittlung einbauen	Zu viele Fehlalarme demotivieren Sachbearbeitende — System wird ignoriert

Häufige Einwände

„Wir diskriminieren Kunden, wenn wir sie ohne konkreten Verdacht mit einem Betrugs-Score belegen.” Das ist eine ernst zu nehmende ethische und rechtliche Frage. Wichtige Klarstellung: Der Score ist kein Urteil, keine Ablehnung und kein Eintrag in eine Datenbank. Es ist eine Priorisierung für die interne Prüfung — nicht anders als eine manuelle Entscheidung des Sachbearbeiters, einen Fall nochmal genauer anzuschauen. Solange die Entscheidung (Auszahlung ja/nein, Ermittlung ja/nein) immer von einem Menschen getroffen wird und begründet werden kann, ist das rechtlich solide. DSGVO-konformes Design ist dabei kein Nice-to-have, sondern Pflicht — insbesondere Art. 22 DSGVO (automatisierte Entscheidungen) muss berücksichtigt werden.

„Unsere Daten sind zu wenig, um ein KI-Modell zu trainieren.” Für ein eigenes Modell auf eigenen Daten stimmt das oft — 500 Schadensfälle im Jahr reichen nicht für robustes Modelltraining. Das ist aber kein Argument gegen KI-Betrugserkennung generell: Spezialisierte Anbieter wie FRISS haben ihre Modelle auf Millionen von Schadensfällen aus der gesamten Branche trainiert. Du profitierst vom gesammelten Lerneffekt, ohne selbst die Datenbasis aufbauen zu müssen. Das Modell wird dann noch auf deine spezifischen Produkte und Kunden kalibriert.

---

Wenn du wissen willst, wie hoch deine realistische Betrugsquote ist und ob sich ein KI-gestütztes Scoring für dein Volumen lohnt — meld dich. Das ist eine Frage, die sich mit deinen eigenen Schadensdaten beantworten lässt.