KI-gestützte Schadensanalyse durch Bildauswertung

Das echte Ausmaß des Problems

In Deutschland werden Jahr für Jahr Millionen Schadenmeldungen in Kfz-, Hausrat-, Haftpflicht- und Gebäudeversicherungen bearbeitet. Jeder dieser Fälle braucht eine Schadenseinschätzung, und bei kleineren Fällen ist das wirtschaftliche Missverhältnis eklatant.

Ein Sachverständiger, der für einen 680-Euro-Kratzer anreist, schreibt ein Protokoll und stellt 240 Euro in Rechnung, das sind 35 Prozent des Schadenswerts allein für die Begutachtung. Bei einem 400-Euro-Glasbruch übersteigen die Gutachterkosten manchmal den Schaden selbst.

Gleichzeitig wartet die versicherte Person Wochen auf die Auszahlung, ein schlechtes Kundenerlebnis in einem Markt, in dem die Bereitschaft zum Wechsel ohnehin hoch ist. Wie stark die Regulierungsdauer die Kündigungsquote treibt, lässt sich nicht allgemein beziffern. Eine frühere Fassung dieser Seite berief sich hier auf eine McKinsey-Studie, die wir nicht auffinden und nicht nachprüfen konnten. Sie ist raus. Die gute Nachricht: Diese Zahl habt ihr selbst im Haus. Verbindet die Bestandskündigungen der letzten zwei Jahre mit der jeweiligen Regulierungsdauer des letzten Schadens. Das ist eine Auswertung von einem Nachmittag und sie gilt für euren Bestand, nicht für einen fremden.

Hinzu kommt das Betrugsrisiko: Bei rein manueller Prüfung sind manipulierte Fotos schwer zu erkennen. Ein Foto vom selben alten Schaden, erneut eingereicht, das fällt einer Sachbearbeiterin, die täglich 30 Fälle bearbeitet, vielleicht nicht auf. Der GDV schätzt den jährlichen Schaden durch Versicherungsbetrug in der Schaden- und Unfallversicherung auf über 6 Milliarden Euro und beziffert den Anteil der verdächtigen, prüfwürdigen Schadenmeldungen auf rund zehn Prozent. Verdächtig heißt dabei ausdrücklich nicht betrügerisch, es heißt: genauer hinsehen.

International gilt der US-Versicherer Lemonade als Referenzpunkt für vollautomatische Regulierung einfacher Fälle im Sekundenbereich. Welche deutschen Versicherer KI-gestützte Schadensfoto-Analyse produktiv einsetzen, ist öffentlich nur lückenhaft dokumentiert. Eine frühere Fassung dieser Seite nannte hier zwei namhafte Häuser, ohne dass wir das belegen konnten. Die Namen sind raus.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, sehr hoch (5/5) Kein Use Case in dieser Branche verkürzt die Prozesszeit so drastisch wie Schadensfoto-Analyse. Aus einer dreiwöchigen Reise, Gutachtertermin, Protokoll, Sachbearbeiterprüfung, Auszahlung, wird ein stundenweiser Vorgang. Für geeignete Kleinschäden mit eindeutiger Bildlage ist die Zeitersparnis absolut: Der Gutachter entfällt vollständig.

Kosteneinsparung, sehr hoch (5/5) Die Kosteneinsparung ist strukturell: Jeder eingesparte Sachverständige bei einem Kleinschaden spart 200–400 Euro Gutachterhonorar plus interne Bearbeitungszeit. Bei einem Versicherer mit 50.000 Kfz-Schadenfällen im Jahr und 35 Prozent automatisierbaren Kleinschäden entspricht das rechnerisch über 3 Millionen Euro jährlich, bei Tool-Kosten von 400.000 Euro. Das ist der höchste absolute Kostenhebel aller Use Cases in dieser Branche.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist die Kehrseite: Kein Use Case in dieser Branche ist schwieriger umzusetzen. Computer Vision auf Schadenfotos erfordert große Mengen an gelabelten Trainingsdaten aus dem eigenen Bestand, eine tiefe Integration in das Schaden-Management-System, juristische Absicherung für automatisierte Auszahlungsentscheidungen und einen monatelangen Shadow-Mode-Piloten. Realistische Timeline: 12–18 Monate bis zur Produktivautomatisierung. Wer das unterschätzt, scheitert.

ROI-Sicherheit, hoch (4/5) Die Einsparungen sind gut zählbar, Gutachterkosten pro Fall sind bekannt, Automatisierungsquote ist messbar, Bearbeitungszeiten lassen sich vorher/nachher vergleichen. Der Unsicherheitsfaktor: Die tatsächliche Automatisierungsquote hängt stark von der Bildqualität ab, die Kunden einreichen, und von der Qualität der historischen Trainingsdaten. Versicherer, die das optimistisch kalkulieren, erleben oft eine niedrigere erste Automatisierungsquote als erwartet.

Skalierbarkeit, hoch (4/5) Das System skaliert proportional mit dem Schadenvolumen, ein Hagelgewitter mit 10.000 Zusatzmeldungen in einer Woche überfordert das KI-System nicht, während eine manuelle Gutachterorganisation in dieser Situation kollabiert. Der Vorbehalt: Skalierbarkeit beginnt erst nach der langen Einführungsphase. Und: Bei sehr ungewöhnlichen Schadentypen (neue Fahrzeugmodelle, seltene Gebäudegeometrien) muss das Modell nachtrainiert werden.

Richtwerte, stark abhängig von Unternehmensgröße, Schadensvolumen und Qualität der historischen Foto-Datenbank.

Was das System konkret macht

Computer Vision analysiert Schadenfotos mit einem Modell, das auf Tausenden oder Millionen historischer Schadensbilder trainiert wurde. Der technische Ablauf ist klarer, als es klingt:

Schritt 1: Foto-Einreichung Die versicherte Person lädt Schadenfotos über eine App oder das Kundenportal hoch, idealerweise aus mehreren Winkeln, mit erkennbaren Referenzpunkten (Nummernschildgröße, Türgriff). Das System gibt sofort Qualitätsfeedback: „Bitte machen Sie ein Foto aus zwei Metern Abstand, das vollständige Fahrzeug muss sichtbar sein.” Nur Fotos, die Mindestqualität erfüllen, gehen in die Analyse.

Schritt 2: KI-Analyse Das Modell klassifiziert in Sekunden: Schadenstyp (Delle, Kratzer, Glasbruch, Totalschaden), Schadensausdehnung in Zentimetern (aus Pixel-Referenzpunkten errechnet), Schadenshöhe in Euro (basierend auf Fahrzeugmodell, Schadenstyp und aktuellen Marktpreisdaten), Integritätsprüfung (Wurde das Foto bearbeitet? Stimmen Metadaten und Bildinhalt überein? Ist dieser Schaden aus früheren Einreichungen bekannt?).

Schritt 3: Routing Das System entscheidet anhand von Konfidenz-Schwellenwerten: Schaden unter Grenzwert, hohe Konfidenz, kein Betrugsmuster → automatische Auszahlung innerhalb von Stunden. Schaden im mittleren Bereich oder mittlere Konfidenz → KI-Empfehlung an Sachbearbeitende, die nur noch validieren. Komplexer Schaden, niedriger Konfidenzwert oder Betrugsindikator → Weiterleitung an Spezialist mit vollständiger KI-Analyse als Arbeitsbasis.

Schritt 4: Feedback-Loop Wenn Sachbearbeitende die KI-Einschätzung korrigieren, fließt das als gelabeltes Beispiel ins Modell zurück. Das System wird im Betrieb präziser, vorausgesetzt, das Feedback wird diszipliniert und strukturiert erfasst.

Konkrete Werkzeuge, was wann passt

Tractable ist eines der bekanntesten Systeme für KI-Kfz-Schadensbewertung. Spezialisiertes Modell für Kfz-Schadenfotos, Integration in gängige Schaden-Management-Systeme. Als Referenzkunden nennt der Anbieter unter anderem Aviva, Admiral, Tokio Marine, Sompo und, in Frankreich, Covéa. Einen deutschen Versicherer nennt Tractable öffentlich nicht, die frühere Fassung dieser Seite behauptete das. Enterprise-Lösung mit Volumenpreismodell, Preise auf Anfrage. Richtig für: Kfz-Versicherer mit hohem Schadenvolumen, die ein vortrainiertes Fertigprodukt wollen.

Claim Genius ist ein US-Anbieter, API-basiert und einfacher zu integrieren als Full-Plattform-Lösungen. Tendenziell günstigerer Einstieg, Preise ebenfalls nicht öffentlich, verhandelt wird nach Schadenvolumen und Modul. Richtig für: Versicherer oder Makler mit API-Kompetenz, die flexible Integration bevorzugen.

Eigenbau auf Azure, für Versicherer mit Data-Science-Kapazitäten und einer eigenen Schadensfoto-Datenbank. Maximale Kontrolle, kein Vendor-Lock-in, nutzungsbasierte Kosten. Eine Warnung, die ein Jahr Projektarbeit retten kann: Microsoft hat die geplante Einstellung von Azure AI Custom Vision angekündigt. Bestandskunden werden noch bis zum 25. September 2028 vollständig unterstützt, für neue Vorhaben verweist Microsoft auf Azure Machine Learning AutoML und auf die generativen Dienste im Foundry-Katalog. Wer heute einen Proof of Concept startet, baut ihn also nicht mehr auf Custom Vision, sondern gleich auf dem Nachfolgepfad. Richtig für: große Versicherer mit hauseigenem Data-Science-Team und einem umfangreichen gelabelten Bildbestand.

Verisk/ISO bietet Schadensdatenbanken und Analysedienste mit Branchendaten aus historischen Schadenfällen. Besonders stark bei der Betrugserkennung durch branchenweite Mustervergleiche. Enterprise-Lizenz auf Anfrage. Richtig für: Versicherer, die Betrugserkennung über den eigenen Datenbestand hinaus ausbauen wollen.

Datenschutz und Datenhaltung

Schadenfotos sind personenbezogene Daten im Sinne der DSGVO, sie enthalten Bilder von Fahrzeugen mit Kennzeichen, oft Gebäudefotos mit erkennbaren Personen oder Innenräumen. Das erzeugt spezifische Anforderungen:

Auftragsverarbeitungsvertrag (AVV): Mit jedem System, das Fotos außerhalb der eigenen Infrastruktur verarbeitet, ist ein AVV nach Art. 28 DSGVO zwingend. Bei Azure ist der AVV Teil der Microsoft-Vertragsdokumente (Data Processing Addendum), bei den spezialisierten Anbietern gehört er in die Vertragsverhandlung und muss aktiv angefordert werden.

Datenspeicherort: Bei Azure lässt sich die Verarbeitung auf europäische Regionen (Germany West Central, West Europe) beschränken, das ist eine Konfigurationsentscheidung, die ihr trefft und dokumentiert. Bei Tractable und Claim Genius ist der Verarbeitungsort vertraglich zu klären, öffentlich dokumentiert ist er nicht; bei Claim Genius ist zusätzlich der US-Hauptsitz relevant, also Standardvertragsklauseln oder EU-US Data Privacy Framework. Lasst euch den Ort schriftlich geben, bevor das erste Kundenfoto das Haus verlässt, nicht im Betrieb.

Aufbewahrungsfristen: Schadenfotos unterliegen versicherungsrechtlichen Aufbewahrungspflichten (in der Regel 5–10 Jahre). Das System muss klar definieren, wann Fotos aus dem KI-System gelöscht werden und wo die langfristige Archivierung liegt.

Transparenzpflicht: Versicherte müssen in den Datenschutzhinweisen informiert werden, dass ihre Fotos durch ein KI-System analysiert werden. Das ist kein bürokratischer Randpunkt, die Datenschutzhinweise müssen vor der Einführung angepasst werden.

Rechtliche Besonderheiten

Schadensfoto-Analyse ist einer der wenigen Versicherungs-Use-Cases, bei dem die rechtlichen Fragen direkt ins Produktdesign eingreifen.

DSGVO Art. 22, automatisierte Entscheidungen, und hier stand auf dieser Seite bisher ein gefährlicher Rat: Wenn das System einen Schadensfall vollautomatisch reguliert, ohne menschliche Überprüfung, fällt das unter Art. 22 DSGVO: eine ausschließlich auf automatisierter Verarbeitung beruhende Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung für die betroffene Person. Zulässig ist das nur in den drei Fällen des Art. 22 Abs. 2: wenn die Entscheidung für den Abschluss oder die Erfüllung eines Vertrags erforderlich ist (lit. a), wenn eine Rechtsvorschrift es zulässt (lit. b) oder mit ausdrücklicher Einwilligung der betroffenen Person (lit. c). In den Fällen a und c sind zusätzlich angemessene Maßnahmen zu treffen, mindestens das Recht auf Erwirkung des Eingreifens einer Person, auf Darlegung des eigenen Standpunkts und auf Anfechtung der Entscheidung (Art. 22 Abs. 3).

Eine frühere Fassung dieser Seite empfahl an dieser Stelle „ein Design, bei dem der Mensch formal den letzten Klick macht, auch wenn er die KI-Empfehlung in über 95 Prozent der Fälle nicht verändert”. Das ist falsch und es ist teuer falsch. Eine nur formale Beteiligung nimmt die Entscheidung nicht aus dem Anwendungsbereich von Art. 22. Entscheidend ist, ob der Mensch die Entscheidung tatsächlich beeinflusst, also die Befugnis und die Kompetenz hat, sie zu ändern, und die zugrunde liegenden Daten dafür auch prüft. Wer eine Freigabetaste einbaut, um Art. 22 zu umgehen, hat den Tatbestand nicht vermieden, sondern nur die Dokumentation dafür geschaffen, dass er ihn umgehen wollte. Der saubere Weg ist der andere: Entweder ihr stützt die Vollautomatisierung bewusst auf Art. 22 Abs. 2 mit den Garantien aus Absatz 3, oder ihr gebt der prüfenden Person echten Entscheidungsspielraum, Zeit und ein Mandat zum Abweichen.

EU AI Act, und die Einordnung war bisher zu weit: Anhang III des EU AI Acts nennt für den Versicherungsbereich ausschließlich „KI-Systeme, die bestimmungsgemäß für die Risikobewertung und Preisbildung in Bezug auf natürliche Personen im Fall von Lebens- und Krankenversicherungen verwendet werden sollen” (Nr. 5 Buchstabe c). Die Regulierung eines Kfz- oder Gebäudeschadens durch Bildanalyse ist davon nicht erfasst. Erwägungsgrund 58 stellt außerdem klar, dass unionsrechtlich vorgesehene Systeme zur Betrugserkennung bei Finanzdienstleistungen nicht als hochriskant gelten. Und selbst dort, wo Anhang III greift, gilt die Pflicht nicht ab August 2026: Nach dem geänderten Art. 113 finden die Hochrisiko-Anforderungen auf Anhang-III-Systeme erst ab dem 2. Dezember 2027 Anwendung, auf Anhang-I-Systeme ab dem 2. August 2028. Ab dem 2. August 2026 gilt die Verordnung im Übrigen.

Das entlastet euch nicht, es verschiebt nur die Begründung. Die Pflichten aus Art. 4 KI-VO zur KI-Kompetenz des eigenen Personals gelten seit dem 2. Februar 2025 unabhängig von der Risikoklasse, und die aufsichtsrechtlichen Erwartungen an Nachvollziehbarkeit kommen ohnehin nicht aus dem AI Act.

BaFin und Nachvollziehbarkeit: Die BaFin erwartet für Algorithmen in Entscheidungsprozessen Nachvollziehbarkeit und eine klare Verantwortungszuordnung. Ein System, das automatisch ablehnt oder auszahlt, ohne dass der Versicherer erklären kann, warum, ist gegenüber der Aufsicht nicht darstellbar. Dokumentiert werden muss, welche Bildmerkmale zu welcher Einschätzung geführt haben, technisch umgesetzt über Explainability-Verfahren wie Grad-CAM oder SHAP. Für die konkrete Fassung der aufsichtsrechtlichen Anforderungen ist die jeweils aktuelle BaFin-Veröffentlichung maßgeblich, nicht diese Seite.

Praktische Empfehlung: Klärt die Rechtsfragen vor der technischen Implementierung, nicht danach. Ein Architekturumbau nach dem Go-Live kostet ein Vielfaches einer vorherigen rechtlichen Prüfung, und die Prüfung ist bei diesem Anwendungsfall keine Formalie: Sie entscheidet, ob es eine Vollautomatisierung überhaupt geben darf.

Was es kostet, realistisch gerechnet

Mittlerer Kfz-Versicherer (50.000 Schadenfälle/Jahr):

ROI-Rechnung (konservativ): 50.000 Fälle/Jahr, davon 30 Prozent automatisch regulierbar (= 15.000 Fälle) × 200 Euro eingesparte Sachbearbeitungs- und Gutachterkosten = 3.000.000 Euro Einsparung. Tool- und Betriebskosten: 400.000 Euro/Jahr. Net-Benefit: 2,6 Millionen Euro/Jahr. Amortisation der Einvestition: unter 6 Monate nach Go-Live.

Ehrlicher Vorbehalt, und er betrifft jede Zahl in dieser Tabelle: Keiner der genannten Anbieter veröffentlicht Listenpreise, die Beträge oben sind Größenordnungen für die Budgetplanung und kein Angebot. Dasselbe gilt für die Automatisierungsquote. 30 Prozent ist ein Planwert, kein Messwert, und die tatsächliche Quote zeigt sich erst im Shadow Mode auf euren eigenen Fotos. Rechnet die Investitionsentscheidung deshalb auch mit 15 Prozent durch. Wenn sie nur bei 30 Prozent trägt, ist es keine Entscheidung, sondern eine Wette.

Drei typische Einstiegsfehler

Fehler 1: Das historische Fotomaterial ist unbrauchbar Das häufigste und teuerste Problem. Versicherer glauben, sie haben jahrelange Schadensfoto-Daten, aber wenn man sie sichtet, sind 60–70 Prozent der Fotos für Training ungeeignet: unklare Winkel, schlechte Beleuchtung, nicht gelabelt, in unterschiedlichen Formaten, teilweise nur Papierscans digitalisiert. Das Training des Modells verschiebt sich um Monate. Lösung: Den Daten-Audit als eigene Phase einplanen, bevor irgendein Vendor-Gespräch stattfindet.

Fehler 2: Die automatische Regulierung ist zu früh aktiviert Teams, die unter Ergebnisdruck stehen, wechseln zu früh vom Shadow Mode zur echten Automatisierung, bevor das Modell ausreichend kalibriert ist. Das Resultat sind Fehlzahlungen, die als Systemfehler nach außen sichtbar werden, und ein sofortiger Vertrauensverlust bei Sachbearbeitenden, der sich nur schwer reparieren lässt. Lösung: Shadow Mode so lange laufen lassen, bis die KI-Einschätzung in >90 Prozent der manuell validierten Fälle übereinstimmt, nicht nach Kalenderplan.

Fehler 3: Das System wird nach dem Start nicht gewartet Computer Vision Modelle driften über Zeit, neue Fahrzeugmodelle, veränderte Marktpreise für Ersatzteile, neue Betrugsmuster. Ein Modell, das nach 12 Monaten nicht nachtrainiert wurde, wird merklich ungenauer. Viele Einführungsprojekte budgetieren Aufbau und Integration, aber vergessen laufende Modellpflege. Richtwert: 20–30 Prozent des Jahresbudgets sollten für laufende Modellpflege und Feedback-Integration eingeplant werden.

Was mit der Einführung wirklich passiert, und was nicht

Die technischen Herausforderungen sind bekannt und lösbar. Was Einführungsprojekte wirklich aufhält, ist die menschliche Seite.

Sachbearbeitende sehen das System als Kontrolle, nicht als Hilfe. Wenn KI plötzlich ihre Einschätzungen überprüft und dokumentiert, entsteht das Gefühl von Überwachung. Das führt zu passiver Sabotage: Korrekturen werden eingetragen, auch wenn die KI-Einschätzung eigentlich korrekt war, nicht aus bösem Willen, sondern aus dem Impuls, die eigene Expertise zu demonstrieren. Das zerstört den Feedback-Loop.

Was hilft: Das System von Anfang an als „zweite Meinung” framen, nicht als Automatisierungshebel. Die ersten Monate der Einführung so gestalten, dass Sachbearbeitende den Nutzen für sich selbst erleben: weniger Rückfragen, schnellere Falldurchlaufzeiten, weniger Nachtelefonieren mit Gutachtern. Erst wenn das Vertrauen da ist, steigt die Akzeptanz für automatische Regulierungen.

Gutachterdienstleister reagieren defensiv. Wenn ein großer Versicherer ankündigt, 30–40 Prozent der Kleinschadenbegutachtungen zu automatisieren, ist das für externe Gutachternetzwerke eine existenzielle Bedrohung. Das erzeugt politischen Gegenwind, manchmal intern (wenn Sachbearbeitende enge Beziehungen zu Gutachtern haben), manchmal extern. Plant das als Teil des Change-Managements ein.

Was realistisch nicht passiert: Ein reibungsloser Übergang, bei dem alle Beteiligten das System sofort akzeptieren. Erwartet 6–12 Monate Anpassungszeit, bevor die Automatisierungsquote stabil ist.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Kunden schicken schlechte Fotos, das System funktioniert dann nicht.” Das ist das häufigste praktische Problem, und es ist berechtigt. Die Lösung liegt im System-Design: Unmittelbares Qualitätsfeedback beim Foto-Upload schult Kunden ohne Frustration. Pilotprojekte zeigen, dass die Qualität der eingereichten Fotos bei gutem UX-Feedback deutlich steigt. Kunden nehmen bessere Fotos, wenn sie sofort sehen, dass schlechte Fotos die Regulierung verzögern.

„Versicherungsbetrug wird mit KI nicht erkannt, Betrüger passen sich an.” Das ist real. KI-Betrugserkennungsmodelle sind einem ständigen Katz-und-Maus-Spiel ausgesetzt, ähnlich wie bei der Betrugserkennung. Aber: KI erkennt bekannte Betrugspatterns konsistenter als Menschen, die 30 Fälle täglich bearbeiten. Neue Muster werden erkannt, sobald sie sich häufen und in die nächste Aktualisierung einfließen. Das Ziel ist nicht 100-Prozent-Betrugsbekämpfung, schon 50 Prozent mehr erkannte Fälle als heute ist ein erheblicher wirtschaftlicher Gewinn.

„Was ist, wenn das System zu wenig auszahlt und wir rechtliche Probleme bekommen?” Das Design entscheidet: Bei hoher Unsicherheit schlägt das System keinen niedrigen Wert vor, sondern leitet an menschliche Prüfung weiter. Die vollautomatische Regulierung wird nur für Fälle aktiviert, bei denen das Modell sehr hohe Konfidenz hat. Falsch-niedrige Schätzungen passieren, genau wie bei menschlichen Gutachtern. Der Unterschied: KI-Fehler sind systematisch analysierbar und behebbar. Dokumentiert außerdem jeden Routingentscheid, das ist eurer Nachweis für regulatorische Prüfungen.

Woran du merkst, dass das zu dir passt

Das System ist richtig für euch, wenn:

• Ihr bearbeitet mehr als 10.000 Kfz- oder Gebäudeschadenfälle pro Jahr, unter diesem Volumen ist der ROI zu unsicher, weil die Fixkosten für Integration und Daten-Aufbau nicht gedeckt werden
• Ihr habt einen historischen Fotobestand von mindestens 30.000–50.000 gelabelten Schadenbildern aus dem eigenen Betrieb, ohne diese Trainingsbasis braucht ihr ein vortrainiertes Fertigprodukt wie Tractable, und selbst dann braucht es Fine-Tuning auf eigene Daten
• Eure IT-Organisation kann eine API-Integration in das bestehende Schaden-Management-System leisten, das ist kein Klick-Konfigurations-Projekt
• Die Geschäftsleitung hat einen 12–18-Monats-Horizont für die Einführung und ein realistisches Erstjahresbudget von 300.000–700.000 Euro

Das ist (noch) nicht das Richtige für euch, wenn:

• Ihr bearbeitet hauptsächlich Spezialrisiken oder Großschäden, Computer Vision optimiert Massengeschäft mit wiederholbaren Schadentypen, nicht einmalige Industrieschäden
• Ihr habt keine eigene IT-Abteilung und verlasst euch vollständig auf externe Dienstleister ohne KI-Erfahrung, das Projekt wird teurer und dauert länger als geplant
• Ihr wollt in weniger als 6 Monaten Ergebnisse sehen, das ist nicht realistisch für diesen Use Case

Das kannst du heute noch tun

Bevor ihr in ein Vendor-Gespräch geht: Macht einen internen Daten-Audit. Beantwortet diese drei Fragen:

1. Wie viele Schadenfälle mit Fotobestand habt ihr aus den letzten 3 Jahren?
2. Sind diese Fotos digital archiviert und in brauchbarer Qualität?
3. Habt ihr Metadaten dazu (Schadenshöhe, Schadenstyp, Endregulierung)?

Wenn ihr diese drei Fragen nicht beantworten könnt, ist der erste Schritt kein Vendor-Gespräch, es ist ein interner Daten-Audit. Der folgende Prompt hilft euch dabei, die Ergebnisse des Audits strukturiert aufzubereiten:

Quellen & Methodik

• GDV, Versicherungsbetrug: jährlicher Schaden in der Schaden- und Unfallversicherung „auf über 6 Milliarden Euro” geschätzt, rund zehn Prozent der gemeldeten Schäden gelten als verdächtig und prüfwürdig (gdv.de, abgerufen am 18.09.2026).
• Art. 22 DSGVO, automatisierte Entscheidungen im Einzelfall: Zulässigkeit nur nach Absatz 2 Buchstaben a bis c, Schutzmaßnahmen nach Absatz 3 einschließlich des Rechts auf Eingreifen einer Person, Darlegung des eigenen Standpunkts und Anfechtung der Entscheidung. Art. 28 DSGVO, Auftragsverarbeitung (gesetze-im-internet.de/dsgvo/, abgerufen am 18.09.2026).
• EU-KI-Verordnung (EU) 2024/1689, Anhang III Nummer 5 Buchstabe c: erfasst im Versicherungsbereich ausschließlich die Risikobewertung und Preisbildung bei Lebens- und Krankenversicherungen, nicht die Schadenregulierung (artificialintelligenceact.eu/annex/3, abgerufen am 18.09.2026).
• EU-KI-Verordnung, Erwägungsgrund 58: unionsrechtlich vorgesehene Systeme zur Betrugserkennung bei Finanzdienstleistungen gelten nicht als hochriskant (artificialintelligenceact.eu/recital/58, abgerufen am 18.09.2026).
• EU-KI-Verordnung, Art. 113 in der geänderten Fassung: Geltung der Verordnung ab 2. August 2026, Hochrisiko-Anforderungen für Anhang-III-Systeme ab 2. Dezember 2027, für Anhang-I-Systeme ab 2. August 2028 (artificialintelligenceact.eu/article/113, abgerufen am 18.09.2026).
• Microsoft Learn, Azure AI Custom Vision: angekündigte Einstellung des Dienstes, volle Unterstützung für Bestandskunden bis 25. September 2028, empfohlene Migrationspfade Azure Machine Learning AutoML und Foundry (learn.microsoft.com, abgerufen am 18.09.2026).
• Anbieterangaben und Preise: Stand unserer Toolseiten, siehe Tractable , Claim Genius , Microsoft Azure und Verisk . Für Tractable, Claim Genius und Verisk gibt es keine öffentlichen Listenpreise.
• Nicht belegbar und deshalb nicht mehr auf dieser Seite: eine McKinsey-Studie zur Regulierungszeit als zweitwichtigstem Bindungsfaktor und zur verdoppelten Wechselrate, ein BaFin-Merkblatt zu KI in der Versicherung aus 2022, ein Tractable-Branchenreport mit Automatisierungsquoten, eine Lemonade-Angabe aus einem Annual Report 2022, sowie die namentliche Nennung deutscher Versicherer als produktive Anwender. Für keinen dieser Punkte ließ sich eine Primärquelle öffnen.
• Keine Rechtsberatung. Dieser Text ordnet Normen ein, er ersetzt weder die aufsichtsrechtliche Prüfung des konkreten Produktdesigns noch die Abstimmung mit eurem Datenschutzbeauftragten.