KI-gestützte Gutachterauswahl und Terminkoordination

Das echte Ausmaß des Problems

Wer Sachschadensprozesse in mittleren und großen Versicherungsunternehmen kennt, weiß: Die Gutachtersteuerung ist einer der ineffizientesten Prozesse im gesamten Schadenzyklus — und gleichzeitig einer der am wenigsten digitalisierten.

Die Zahlen sind eindeutig: Laut einer Erhebung von Pexon Consulting (2025) gehen je Schadenfall mit Gutachterbeauftragung im Schnitt 20 bis 40 Minuten Sachbearbeiterzeit für reine Koordinationsarbeit verloren — Gutachtersuche, Terminabstimmung, Beauftragungsschreiben, Nachverfolgung. Bei einem Versicherer mit 50.000 relevanten Schadenmeldungen pro Jahr summiert sich das zu 17.000–33.000 Sachbearbeiterstunden jährlich, die ausschließlich in administrative Koordination fließen — nicht in Regulierungsentscheidungen, nicht in Kundenkommunikation.

Die Ursachen sind strukturell:

• Dezentrale Gutachterdatenbanken: Sachverständigenlisten liegen in Abteilungs-Laufwerken, Outlook-Kontakten oder Köpfen erfahrener Mitarbeitender — ohne Fachgebiet, Region, Verfügbarkeit oder Performancedaten
• Keine Echtzeit-Verfügbarkeit: Wer wann frei ist, erfordert immer noch Telefonate oder E-Mails — keine Kalenderintegration, kein Self-Booking
• Fehlende Beauftragungsstandards: Beauftragungsschreiben werden oft aus Erinnerung neu aufgesetzt statt aus Vorlagen generiert — mit entsprechenden Qualitätsunterschieden
• Keine Statusnachverfolgung: Ob ein beauftragter Gutachter das Mandat angenommen hat, wann der Termin stattfindet und wann das Gutachten eintrifft, erfordert manuelles Nachfragen

Die Folgen sind nicht nur Zeitverlust. Verspätete Beauftragungen verzögern die Regulierungsentscheidung — was die Kundenzufriedenheit belastet und in einigen Fällen rechtliche Konsequenzen hat. Fehlbeauftragungen (falsches Fachgebiet, falsche Region) führen zu Doppelaufwand. Und Gutachter, die regelmäßig verspätete oder fehlerhafte Beauftragungen erhalten, sinken in ihrer Kooperationsbereitschaft.

Hinweis zu § 84 VVG: Das Sachverständigenverfahren nach VVG unterliegt spezifischen rechtlichen Anforderungen — insbesondere zur Gutachterauswahl bei streitigen Schäden (§ 84 VVG). Die hier beschriebene KI-Koordination bezieht sich ausschließlich auf reguläre Schadenbesichtigungen und Erstgutachten im einvernehmlichen Regulierungsverfahren — nicht auf das formale Sachverständigenverfahren nach § 84 VVG, das eine gegenseitige Benennung durch beide Parteien erfordert und eigene Verfahrensregeln hat.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus Digitalisierungsprojekten bei mittelständischen P&C-Versicherern — keine repräsentative Studie, aber konsistente Beobachtungen. Fehlbeauftragungsrate und Terminzeit sind stark systemabhängig.

Der Effekt zeigt sich am deutlichsten, wenn man auf das Gesamtvolumen blickt: 500 Beauftragungen pro Monat × 25 Minuten eingesparte Koordinationszeit = über 200 Sachbearbeiterstunden monatlich — Zeit, die für Regulierungsentscheidungen, Kundenkommunikation oder Eskalationsmanagement frei wird.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Das ist der stärkste Hebel dieses Use Case: 20–40 Minuten manuelle Koordinationsarbeit auf 3–5 Minuten reduzieren ist ein echter, täglich messbarer Effekt. Innerhalb der Versicherungsbranche liegt dieser Wert über dem Durchschnitt — die Automatisierte Schadensmeldungsverarbeitung spart vielleicht ähnlich viel je Fall, aber dort ist der Markt reifer und die Effizienzgewinne sind breiter verteilt. Hier ist die Koordination noch überwiegend telefonbasiert — deshalb ist der Hebel so groß.

Kosteneinsparung — niedrig (2/5) Die Zeiteinsparung ist real, aber kein direkter Kostenhebel am Schadenfall selbst. Der Gutachter wird genauso bezahlt wie vorher, die Regulierungssumme bleibt identisch. Der Nutzen entsteht indirekt über reduzierte Sachbearbeiterzeit — schwerer zu isolieren als bei der KI-gestützten Schadensanalyse durch Bildauswertung, die direkt den Schätzwert beeinflusst. Im Versicherungsbranchenvergleich ist 2 von 5 ehrlich — der Nutzen ist real, aber er sitzt in der Prozesseffizienz, nicht in der Schadenkostensteuerung.

Schnelle Umsetzung — niedrig (2/5) Das ist die ehrlichste Einschätzung, die sich aus der Praxis ergibt: Bevor der Zuordnungsalgorithmus funktioniert, braucht es eine saubere, vollständige Gutachterdatenbank mit Fachgebieten, PLZ-Einzugsgebieten, Verfügbarkeitskalendern und Performancedaten. Dieser Datenbankaufbau dauert realistisch 2–3 Monate, die API-Integration in bestehende Schadensmanagementsysteme weitere 2–4 Monate. Wer keine strukturierte Datenbank hat, beginnt nicht beim Tool — er beginnt bei der Datenpflege. Ein Einstieg unter 3 Monaten bis zum Pilotbetrieb ist selten.

ROI-Sicherheit — mittel (3/5) Der Zeitgewinn pro Fall ist messbar — das ist gut. Schwieriger ist der Nachweis des nachgelagerten Effekts: Werden Schadenfälle tatsächlich schneller reguliert? Steigt die Kundenzufriedenheit nachweislich? Das hängt von vielen Faktoren ab, die über die Gutachterkoordination hinausgehen. In der Mitte des Branchenfeldes für Versicherungs-Use-Cases ist 3 von 5 angemessen: Der direkte ROI (Sachbearbeiterstunden) ist messbar, der Gesamteffekt ist es weniger eindeutig.

Skalierbarkeit — hoch (4/5) Mit wachsendem Schadenvolumen arbeitet das System effizienter — nicht proportional mehr Aufwand. Der limitierende Faktor ist der Gutachterbestand: Ein System kann nicht besser sein als die Verfügbarkeit qualifizierter Sachverständiger in der Region. Wer die Datenbank gut pflegt und regelmäßig neue Gutachter einbindet, skaliert gut. Wer den Gutachterbestand vernachlässigt, bekommt ein System, das optimal aus einer unterdimensionierten Auswahl wählt.

Richtwerte — stark abhängig von Schadenvolumen, Fachgebietsbreite und bestehendem Digitalisierungsgrad der Gutachterdaten.

Was das System konkret macht

Der technische Ansatz verbindet drei Komponenten, die zusammen den Koordinationsprozess automatisieren:

Schritt 1: Schadenanalyse und Zuordnung Eingehende Schadenmeldungen werden automatisch klassifiziert — Schadentyp, PLZ des Schadensortes, Fahrzeugkategorie oder Gebäudeart (je nach Sparte). Auf Basis dieser Klassifikation sucht die Zuordnungs-Engine in der Gutachterdatenbank nach geeigneten Sachverständigen: Fachgebiet passend? Einzugsgebiet abgedeckt? In den letzten 90 Tagen aktiv? Performance-Score über dem definierten Schwellenwert?

Das Ergebnis ist eine Vorschlagsliste mit üblicherweise 3–5 Gutachtern, gerankt nach Eignung und Verfügbarkeit — keine Zuweisung ohne Sachbearbeiterfreigabe, aber eine massive Reduktion des Rechercheaufwands.

Schritt 2: Terminkoordination Der ausgewählte Gutachter erhält automatisch eine standardisierte Beauftragungsanfrage mit allen relevanten Schadendetails — Schadenbeschreibung, Kontaktdaten des Versicherungsnehmers, Terminpräferenzen, Rückgabefrist für das Gutachten. Per Kalenderintegration kann der Gutachter einen freien Slot direkt bestätigen; das System synchronisiert den Termin in das interne Schadensmanagementsystem.

Der entscheidende Unterschied zur klassischen Telefon-E-Mail-Schleife: Der Sachbearbeiter muss nicht mehr warten und nachfragen. Das System wartet für ihn.

Schritt 3: Statusnachverfolgung und Eskalation Nach Beauftragung verfolgt das System automatisch drei Statuspunkte: Bestätigung durch den Gutachter (Frist: 24 Stunden), Terminbestätigung (Frist: 48 Stunden), Gutachteneingang (Frist: gemäß Vereinbarung). Fehlt eine Statusmeldung, sendet das System eine Erinnerung — und eskaliert nach definierten Regeln an den Sachbearbeiter, wenn keine Reaktion erfolgt.

Das klingt trivial. Aber jede manuelle Nachfrage, die entfällt, ist Zeit, die für echte Regulierungsarbeit frei wird.

Hinweis zu DSGVO und Art. 9: Soweit Schadenmeldungen Gesundheitsdaten der Versicherungsnehmenden enthalten (z. B. bei Krankenhauseinweisungen oder Personenschäden), unterliegt die Verarbeitung durch das KI-System Art. 9 DSGVO. Die Übermittlung solcher Daten an externe Gutachter und KI-Systeme erfordert eine gesonderte Rechtsgrundlage, eine Datenschutz-Folgenabschätzung und einen klaren Auftragsverarbeitungsvertrag. Schadensparten mit Personenbezug sind gesondert zu prüfen.

Konkrete Werkzeuge — was wann passt

Es gibt keinen einheitlichen Marktführer für KI-gestützte Gutachterkoordination in der DACH-Versicherungsbranche. Die meisten Lösungen entstehen durch Kombination bestehender Systeme oder durch Erweiterung von Claims-Management-Plattformen.

Salesforce Field Service — wenn das Unternehmen bereits Salesforce nutzt Salesforce Field Service ist eigentlich für den Außendienst konzipiert, deckt aber die Kernfunktionen der Gutachterkoordination ab: kompetenzbasierte Zuordnung, Verfügbarkeitskalender, automatisierte Dispatch-Workflows und Echtzeit-Statusnachverfolgung. Die Einstein AI optimiert Routen und schlägt den besten verfügbaren Sachverständigen vor. Vorteil: Vollständige Integration in bestehende Salesforce-Infrastruktur. Nachteil: Teuer und komplex — Dispatcher-Lizenz ab ca. 165 USD/Nutzer/Monat, Implementierung typisch 50.000–150.000 EUR.

Microsoft Power Automate mit Dynamics 365 — für Microsoft-Ökosysteme Für Versicherer im Microsoft-Stack lässt sich eine funktionierende Gutachterkoordination mit Power Automate aufbauen: Schadenmeldung löst Workflow aus, Zuordnung über Tabellen-/SharePoint-Datenbank, Beauftragungsmail automatisch generiert, Statusnachverfolgung über automatisierte Abfragen. Günstiger als Full-Platform-Lösungen, erfordert aber interne IT-Kapazität für den Aufbau. Laufende Kosten: 13–130 EUR/Monat je nach Automatisierungstiefe.

Make.com — für schlanke Pilotlösungen ohne Systemintegration Wer schnell testen will, ob das Konzept für den eigenen Betrieb funktioniert, kann mit Make.com einen Workflow aufbauen: Schadenmeldung (via Formular oder E-Mail) löst automatische Suche in einer gepflegten Gutachter-Tabelle aus (Google Sheets, Airtable), generiert eine Beauftragungsmail per OpenAI-API, schickt eine Terminanfrage via Calendly-Link und verfolgt Antworten. Das ist kein produktives System, aber ein Proof of Concept in 2–4 Wochen. Kosten: ab 9 USD/Monat.

Eigenentwicklung mit LLM-Backend — für Versicherer mit Integrationsanforderungen Die meisten Versicherer mit eigenem Schadensmanagementsystem werden eine Integration direkt in die bestehende Plattform bauen. Kern: Eine strukturierte Gutachter-Datenbank, ein Klassifikationsmodell für den Schadentyp, ein Zuordnungsalgorithmus und eine automatisierte Kommunikationsschicht. LLMs (Generative KI) kommen dabei vor allem für die Beauftragungstexterstellung und die automatische Klassifikation von Schadenmeldungen zum Einsatz. Entwicklungsaufwand: typisch 3–6 Monate, Kosten 40.000–150.000 EUR je nach Komplexität.

Calendly — als ergänzender Baustein für Self-Booking-Termine Für die Terminvereinbarung mit Gutachtern (und ggf. Versicherungsnehmern) kann Calendly als einfaches Self-Booking-Layer funktionieren: Gutachter pflegen ihre Verfügbarkeit selbst ein, der Sachbearbeiter oder das System wählt einen Slot — ohne Telefonpingpong. Kostenlos nutzbar für einfache Setups, Enterprise-Tarife ab 15.000 USD/Jahr für Multi-Team-Koordination.

Zusammenfassung: Wann welcher Ansatz

• Salesforce-Stack vorhanden → Salesforce Field Service
• Microsoft-Ökosystem → Power Automate + Dynamics
• Pilot ohne Budget → Make.com als Machbarkeitsnachweis
• Eigenes Schadenssystem → Eigenentwicklung mit LLM-Backend
• Terminkoordination isoliert → Calendly als Ergänzungsbaustein

Rechtliche Besonderheiten

Die KI-gestützte Gutachtersteuerung bewegt sich in einem regulierten Umfeld, das spezifische Sorgfaltspflichten erzeugt. Drei Bereiche verdienen besondere Aufmerksamkeit:

VVG § 84 — Sachverständigenverfahren bei streitigen Schäden Das formale Sachverständigenverfahren bei Regulierungsstreitigkeiten unterliegt nach § 84 VVG eigenen Regeln: Beide Parteien (Versicherer und Versicherungsnehmer) benennen je einen Sachverständigen, bei Uneinigkeit gibt es einen gemeinsamen Obmann. Diese Konstellation ist nicht automatisierbar — der Versicherer kann keinen Sachverständigen einseitig per KI-Zuordnung beauftragen, wenn ein formales Sachverständigenverfahren anhängig ist. KI-Gutachterkoordination greift ausschließlich im regulären, einvernehmlichen Regulierungsverfahren.

Disclaimer: Das Sachverständigenverfahren nach § 84 VVG erfordert eine individuelle Prüfung durch Rechtsabteilung oder externe Rechtsberatung. Die hier beschriebene KI-Koordination ist nicht für formale Sachverständigenverfahren geeignet und muss im System entsprechend abgegrenzt werden.

DSGVO und Auftragsverarbeitung Gutachterbeauftragungen enthalten regelmäßig personenbezogene Daten der Versicherungsnehmenden — Name, Adresse, Schadenbeschreibung, ggf. Gesundheitsdaten bei Personenschäden. Jede Verarbeitung durch ein KI-System erfordert eine Rechtsgrundlage (typisch Art. 6 Abs. 1 lit. b oder f DSGVO), einen Auftragsverarbeitungsvertrag (AVV nach Art. 28 DSGVO) mit dem Systemanbieter und ggf. eine Datenschutz-Folgenabschätzung (DSFA).

Disclaimer: DSGVO-Compliance im Kontext der Gutachterkoordination ist mit dem betrieblichen Datenschutzbeauftragten und ggf. der Rechtsabteilung abzustimmen. Bei Schäden mit Gesundheitsdaten (Art. 9 DSGVO) sind erhöhte Anforderungen zu beachten.

EU AI Act — Klassifizierung von Claims-KI Schadensysteme, die über automatisierte Entscheidungen Versicherungsleistungen beeinflussen, können unter den EU AI Act fallen — insbesondere wenn die KI-Empfehlung de facto zur Entscheidung wird. Ein Gutachter-Zuordnungssystem, das reine Vorschläge liefert und menschliche Freigabe erfordert, ist tendenziell kein Hochrisikosystem. Ein System, das automatisch beauftragt und damit den Regulierungsprozess steuert, kann in eine höhere Risikoklasse fallen.

Disclaimer: Die Klassifizierung nach EU AI Act ist juristisch zu prüfen. Der Einsatz im Regulierungskontext erfordert eine dokumentierte Risikobewertung und transparente Dokumentation der KI-Entscheidungslogik gegenüber Behörden und ggf. Versicherungsnehmenden.

Datenschutz und Datenhaltung

Gutachterbeauftragungen sind datenschutzrechtlich komplexer als viele andere Versicherungs-KI-Use-Cases, weil sie personenbezogene Daten mehrerer Parteien bündeln:

• Versicherungsnehmerdaten: Name, Adresse, Schadenbeschreibung, ggf. Fahrzeugdaten oder Gebäudedaten
• Gutachterdaten: Kontaktdaten, Leistungsbeurteilungen, Honorardaten — Bewertungsdaten sind besonders sensibel
• Termindaten: Zeitpunkt und Ort des Gutachtertermins (kann Rückschlüsse auf Versicherungsnehmer erlauben)

Für alle genannten Werkzeuge gilt die DSGVO:

• Salesforce Field Service: EU-Rechenzentren über Hyperforce verfügbar — expliziter Antrag bei Salesforce erforderlich; AVV im Enterprise-Plan Standard
• Power Automate: EU-Rechenzentren in Frankfurt und Amsterdam, AVV als Microsoft Online Services Data Protection Addendum verfügbar
• Make.com: EU-Hosting verfügbar (Frankfurt-Region), AVV erhältlich
• Calendly: US-Hosting, kein EU-Hosting — für sensible Versichertendaten nicht geeignet ohne sorgfältige Prüfung; Standard-Vertragsklauseln verfügbar, aber US-Datenresidenz bleibt
• Eigenentwicklung: Vollständige Datensouveränität möglich — On-Prem oder deutsches Cloud-Hosting empfohlen

Empfehlung: Für produktive Systeme, die Versichertendaten verarbeiten, sollten ausschließlich EU-gehostete Lösungen mit abgeschlossenem AVV eingesetzt werden. Calendly eignet sich allenfalls für die Terminkoordination mit Gutachtern (ohne Versichertenbezug) — nicht für vollständige Beauftragungsprozesse.

Was es kostet — realistisch gerechnet

Einmalige Aufbaukosten

Bei Plattformlösungen (Salesforce Field Service) kommen Lizenzkosten hinzu: Dispatcher-Lizenzen ab ca. 165 USD/Nutzer/Monat — für ein Team von 10 Sachbearbeitenden ca. 1.650 USD/Monat (ca. 1.500 EUR) laufend.

Was du dagegenrechnen kannst

Konservatives Szenario: 300 Gutachterbeauftragungen pro Monat, Einsparung 20 Minuten je Fall.

• Eingesparte Sachbearbeiterstunden: 300 × 20 Min = 100 Stunden/Monat
• Bei durchschnittlichen Bruttolohnkosten Sachbearbeitung: 35 EUR/Stunde
• Monatliche Einsparung: 3.500 EUR
• Jahreseinsparung: ca. 42.000 EUR
• Amortisationszeit Einrichtung: 1–3,5 Jahre (je nach Aufwand)

Das ist kein spektakulärer ROI — und das ist der Grund, warum Kosteneinsparung 2 von 5 Punkten bekommt. Der Nutzen ist real, aber er liegt in der Effizienz, nicht in der Schadenkostensteuerung. Bei höherem Beauftragungsvolumen (1.000+ pro Monat) verbessert sich die Wirtschaftlichkeit erheblich.

So misst du den Nutzen Das direkteste Messverfahren: Beauftragungszeit vor und nach KI-Einführung — über eine repräsentative Stichprobe erheben, nicht nur behaupten. Methode: Sachbearbeiterstundenbuch über 30 Tage vor Einführung, 30 Tage nach Stabilisierung. Sekundäre Kennzahl: Fehlerquote bei Beauftragungen (falsches Fachgebiet, falsche Region), Rückfragenvolumen nach Beauftragung.

Typische Einstiegsfehler

1. Die Zuordnung beginnt vor der Datenbasis. Die häufigste Fehlerquelle: Man investiert in ein KI-Zuordnungssystem, bevor die Gutachterdatenbank sauber strukturiert ist. Das Ergebnis ist ein System, das aus einer inkonsistenten, veralteten oder unvollständigen Datenbasis wählt — und entsprechend schlechte Empfehlungen liefert. Ein System, das aus 40 unstrukturierten Kontakten auswählt, ist nicht besser als eine Sachbearbeiterin mit 40 gespeicherten Nummern. Lösung: Zuerst 6–8 Wochen Datenbankkonsolidierung — dann Algorithmus.

2. Falsche Fälle automatisieren. Die automatische Gutachterzuordnung funktioniert gut bei Standardfällen: Kfz-Haftpflicht in bekannten Schadensbildern, Gebäudeschäden mit klarem Schadensbild, Maschinenschäden in definierten Industrien. Sie funktioniert schlecht bei Grenzfällen — unklare Schadenursache, mehrere Beteiligte, Verdacht auf Betrug, sehr spezialisierte Fachgebiete mit wenigen qualifizierten Gutachtern. Wer das System für alle Fälle erzwingt, produziert mehr Fehler, nicht weniger. Lösung: Klare Fallkategorien definieren, die automatisch bearbeitet werden — und explizite Eskalationspfade für Grenzfälle.

3. Die Gutachterdatenbank wird nicht gepflegt. Das ist der stille Fehler, der erst nach 12–18 Monaten sichtbar wird. Gutachter scheiden aus, wechseln Fachgebiete, werden für bestimmte Schadenstypen gesperrt oder entwickeln sich in der Qualität. Ein System, das mit veralteten Profilen arbeitet, schlägt systematisch falsch vor — und das Vertrauen der Sachbearbeitenden in das System bricht weg. Lösung: Vierteljährliche Datenbankpflege als Pflichtprozess definieren, mit namentlicher Verantwortlichkeit. Wer die automatische Gutachterzuordnung nutzt, muss die Datenbasis am Leben halten.

4. Der Widerstand der Sachbearbeitenden wird unterschätzt. Gutachterkoordination ist nicht nur ein Prozess — es sind persönliche Netzwerke. Sachbearbeitende mit zehn Jahren Erfahrung haben vertrauensvolle Beziehungen zu bestimmten Gutachtern aufgebaut. Sie wissen: Dieser Gutachter liefert immer pünktlich, jener hat Schwächen bei Wasserschäden, der dritte nimmt schwierige Fälle ohne Murren an. Ein KI-System, das diese implizite Intelligenz ignoriert und stattdessen einen fremden Algorithmus vorschlägt, wird aktiv umgangen — und das Umgehen ist oft unsichtbar. Lösung: Das KI-System muss transparent machen, warum es wen empfiehlt. Und Sachbearbeitende müssen die Freiheit haben, Empfehlungen zu überstimmen — mit einfacher Begründungserfassung, die das System lernen lässt.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist das Einfachste an diesem Vorhaben. Das Schwierigste ist, vorhandenes implizites Wissen zu strukturieren und gleichzeitig das Vertrauen der Sachbearbeitenden zu gewinnen, die dieses Wissen bislang in sich tragen.

Erfahrungsgemäß gibt es drei Widerstands-Muster:

Die Netzwerk-Hüter. Erfahrene Sachbearbeitende haben über Jahre bevorzugte Gutachterbeziehungen aufgebaut — manche Vertrauensverhältnisse sind zwei Jahrzehnte alt. Das KI-System, das einen unbekannten Sachverständigen vorschlägt, wird zunächst als Qualitätsrisiko wahrgenommen. Das ist keine irrationale Angst: Für komplexe Fälle sind persönliche Erfahrungswerte oft besser als Performance-Scores in einer Datenbank. Lösungsansatz: Das System als Navigationshilfe positionieren, nicht als Entscheider. Empfehlungen mit Begründung zeigen. Und: Erfahrene Sachbearbeitende aktiv in den Datenbankaufbau einbinden — ihre Einschätzungen werden zu Bewertungsdaten im System.

Die „Einmal-versagt”-Gruppe. Wer in den ersten Wochen zweimal eine schlechte KI-Empfehlung bekommt (falsches Fachgebiet, unbekannter Gutachter, der dann nicht liefert), verlässt das System und kehrt nicht zurück. Diese Gruppe ist besonders gefährdet in der Pilotphase, wenn die Datenbasis noch lückenhaft ist. Lösung: Kontrollierter Pilotstart mit den einfachsten, bekanntesten Schadentypen — und Transparenz darüber, dass das System in dieser Phase noch nicht alle Fälle abdeckt.

Die grundsätzlichen Skeptiker. Teils aus Angst vor Jobabbau (Werksrat und Abteilungsleitung bremsen laut Sollers-Studie 2025 KI-Einführungen aktiv), teils aus Überzeugung, dass persönliche Koordination besser ist. Was funktioniert: Nicht argumentieren, sondern Zahlen zeigen. Eine strukturierte Erfassung, wie viel Zeit die Sachbearbeitenden wöchentlich für Gutachtertelefonate aufwenden — vor der Einführung erhoben — ist das überzeugendste Argument.

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Der Zeitplan setzt voraus, dass eine strukturierte Gutachterdatenbank als Ausgangsbasis existiert oder parallel aufgebaut wird. Wer von null startet — keine Struktur, keine Performance-Daten, alle Kontakte in Outlook-Ordnern — muss 2–3 Monate für den Datenbankaufbau einplanen, bevor die technische Umsetzung beginnt.

Häufige Einwände — und was dahintersteckt

„Unsere Sachbearbeitenden kennen die besten Gutachter persönlich — das kann kein Algorithmus ersetzen.” Das stimmt — und ist gleichzeitig das Problem. Wenn das Wissen nur in bestimmten Köpfen sitzt, hängt die Qualität der Beauftragung davon ab, wer gerade im Büro ist. Wenn die erfahrenste Sachbearbeiterin Urlaub macht, greifen Kollegen auf unbekannte Kontakte zurück. Das KI-System macht implizites Wissen explizit und zugänglich — es ersetzt keine persönliche Einschätzung, aber es stellt sicher, dass das gesammelte Wissen des Teams verfügbar ist, nicht nur das einer Person.

„Die Gutachter wollen keine automatisierten Beauftragungen.” Das ist eine verbreitete Annahme, die selten überprüft wird. Tatsächlich bevorzugen viele selbstständige Sachverständige klare, vollständige Beauftragungsschreiben — die ein automatisiertes System zuverlässiger liefert als ein Sachbearbeiter unter Zeitdruck. Und Self-Booking über Kalenderlinks reduziert auch für den Gutachter den Koordinationsaufwand. Es empfiehlt sich, die wichtigsten Stammgutachter in die Pilotplanung einzubinden — oft ist der Widerstand geringer als erwartet.

„Wir haben zu wenig Beauftragungen, um das zu rechtfertigen.” Unter ca. 200–300 Beauftragungen pro Monat ist der ROI tatsächlich schmal. Für kleine Schaden-Teams, die nur gelegentlich Gutachter beauftragen, lohnt sich der Aufwand nicht. Hier gilt: Ein sauberes Vorlagensystem und eine strukturierte Gutachterliste in einem Tabellentool sind die bessere Investition. Der Einsatz eines KI-Zuordnungssystems macht erst ab einem Volumen Sinn, bei dem die Koordination echten Engpass-Charakter hat.

Woran du merkst, dass das zu dir passt

Signale, dass das System einen echten Mehrwert bringt:

• Dein Team bearbeitet mehr als 200 Gutachterbeauftragungen pro Monat — und empfindet die Koordination als spürbaren Zeitfresser
• Die Gutachterauswahl variiert stark je nach Sachbearbeiter — nicht, weil die Fälle unterschiedlich sind, sondern weil unterschiedliche Personen unterschiedliche Netzwerke haben
• Gelegentlich kommt es zu Fehlbeauftragungen (falsches Fachgebiet, unpassende Region), die zu Doppelaufwand führen
• Statusnachfragen bei Gutachtern beschäftigen das Team regelmäßig — „Wann kommt das Gutachten?” ist eine häufige interne Rückfrage
• Ihr habt bereits ein digitales Schadensmanagementsystem (oder plant eines), in das eine Zuordnungsschnittstelle integriert werden könnte

Drei harte Ausschlusskriterien — wer jetzt nicht starten sollte:

1. Unter 200–300 Gutachterbeauftragungen pro Monat. Unterhalb dieser Schwelle ist der ROI zu gering, um den Aufbau- und Pflegeaufwand zu rechtfertigen. Besser: Eine strukturierte Gutachterliste in Excel oder einem Tabellenformat, kombiniert mit standardisierten Beauftragungsvorlagen. Das kostet ein Wochenende Aufwand und löst 60 Prozent des Problems.

2. Keine strukturierte Gutachter-Datenbasis vorhanden. Wer alle Gutachtercontacts in Outlook-Ordnern, persönlichen Notizbüchern oder Laufwerklisten ohne Fachgebiet und Region hat, muss zuerst diese Basis aufbauen. Ein KI-Zuordnungssystem, das aus einer unstrukturierten Datenbasis wählt, produziert keine besseren Ergebnisse als die aktuelle manuelle Suche — und wird vom Team zu Recht nicht akzeptiert.

3. Primär komplexe Schäden mit spezialisierten Gegengutachten. Wer überwiegend schwierige Großschadensfälle bearbeitet — Betriebsunterbrechungen mit mehreren Gutachtern, Großfeuer, internationale Schäden, formale Sachverständigenverfahren nach § 84 VVG — profitiert weniger. Automatische Gutachterzuordnung funktioniert am besten bei Routine-Beauftragungen mit klarem Schadensbild. Für hochkomplexe Fälle ist persönliches Netzwerkwissen und individuelle Einschätzung unverzichtbar.

Das kannst du heute noch tun

Bevor du in ein System investierst, kannst du in zwei Stunden herausfinden, wie groß das Problem in deinem Team wirklich ist.

Biete deinen fünf aktivsten Sachbearbeitenden diese Auswertung an: Markiert in eurem E-Mail-Programm alle E-Mails der letzten 30 Tage, die mit Gutachterkoordination zu tun hatten — Suche, Beauftragung, Terminfindung, Statusabfrage. Zählt die E-Mails und schätzt die Telefonzeit. Das Ergebnis ist euer konkreter Ausgangswert.

Für den ersten technischen Schritt — einen Beauftragungstext-Generator, der aus einer Schadenmeldung automatisch ein vollständiges Beauftragungsschreiben erstellt — kannst du diesen Prompt direkt testen:

Quellen & Methodik

• Koordinationsaufwand 20–40 Minuten je Beauftragung: Pexon Consulting, „Claims Automation: KI-Schadenregulierung” (2025) — Zeitangaben aus Prozesserhebungen bei Versicherern; eigene Erfahrungswerte aus Digitalisierungsprojekten bei P&C-Versicherern bestätigen die Größenordnung
• EY Deutschland, „Wie Agentic AI das Claims-Management verschlankt” (2025): Einsparungen von 30–50 % in operativen Prozesskosten und 50 % Prozessbeschleunigung bei Standardfällen; Quellartikel: ey.com/de_de
• Sollers Consulting, „Unter der Oberfläche: KI in der Versicherung — Erkenntnisse und Erfahrungen” (2025): Studie mit 35 europäischen und nordamerikanischen Versicherern — KI-Einführung scheitert häufig an Governance und internem Widerstand; 64 % der Versicherer haben KI in Kfz-Schadensfunktionen implementiert; Quelle: sollers.eu (PDF, Oktober 2025)
• Allianz „Project Nemo” (2025): Agentic-AI-Lösung für Kleinschadensregulierung — 80 % Reduktion der Bearbeitungszeit bei einfachen Schadenfällen; in 100 Tagen deployed; Quelle: allianz.com (November 2025)
• § 84 VVG Sachverständigenverfahren: Versicherungsvertragsgesetz, aktuelle Fassung — dejure.org
• Art. 9 DSGVO (Besondere Kategorien personenbezogener Daten): Datenschutz-Grundverordnung, gültige Fassung
• Preisangaben Salesforce Field Service, Power Automate, Make.com, Calendly: Veröffentlichte Tarife der jeweiligen Anbieter (Stand Mai 2026)

Du willst wissen, welcher Ansatz für euer Schadenvolumen und eure Systemlandschaft am besten funktioniert? Meld dich — das klären wir in einem kurzen Gespräch.