KI für Versicherungen: Schadensabwicklung, Dokumentenextraktion, Klassifizierung

Die Schadensabteilung, in die täglich Hunderte von Meldungen eingehen: Fotos von Schäden, Policenscans, Reparaturrechnungen, Polizeiprotokolle, Erklärungen, Kostenvoranschläge von Werkstätten. Jemand öffnet all diese Unterlagen, überträgt Policennummern und Beträge in das System, sortiert nach Schadensart und leitet sie an den zuständigen Sachbearbeiter weiter. Das ist keine Arbeit, die eine expertenhafte Beurteilung erfordert – es ist Abschreiben und Sortieren. Und genau hier macht KI wirklich Sinn. Das Problem beginnt, wenn jemand „automatische Schadensabwicklung ohne menschliches Zutun“ verspricht: Das ist ein anderes Gespräch, das Verbraucherrecht, RODO und den AI Act berührt. Im Folgenden trennen wir das eine vom anderen, ohne Versprechungen, die in der Versicherungsbranche nicht haltbar sind.

Eine Schadensmeldung besteht aus einer Vielzahl von Dokumenten in verschiedenen Formaten: PDFs, Handyfotos, Scans, manchmal unleserliche handschriftliche Notizen. Der erste reale Anwendungsbereich ist die Umwandlung dieses Stapels in strukturierte Daten. OCR liest Text aus Bildern, und ein Sprachmodell extrahiert daraus konkrete Felder: Policennummer, Schadensdatum, Rechnungsbetrag, Fahrzeugdaten, Schadensort.

Hier muss man ehrlich sein, was die Genauigkeit angeht. Bei sauberen, typischen Dokumenten (Rechnungen, Kostenvoranschläge von Werkstätten, Standardformulare) erreicht eine gut abgestimmte Datenextraktion in der Regel eine hohe Feldgenauigkeit – oft über 90 %, bei standardisierten Formularen noch höher. Bei handschriftlichen Dokumenten, schlechten Scans oder untypischen Layouts sinkt die Genauigkeit und ist unvorhersehbar. Daher darf man nicht davon ausgehen, dass der ausgelesene Betrag der Wahrheit entspricht – bei Feldern, die die Auszahlung beeinflussen, bestätigt ein Mensch den Wert, und das System zeigt die Quelle (Dokumentenausschnitt), aus der der Wert stammt.

Voraussetzung für den Erfolg ist Ordnung in den Unternehmensdaten. Wie man Dokumente und Metadaten strukturiert, damit KI darauf zugreifen kann, beschreiben wir in Vorbereitung von Unternehmensdaten für KI.

Der zweite Bereich ist die Weiterleitung der Meldung dorthin, wo sie hingehört, bevor jemand sie manuell liest. Ein Klassifikator erkennt die Schadensart (Kfz, Sach, Personen, Haftpflicht, Kasko), Dringlichkeit, Vollständigkeit der Unterlagen und weist den Fall der richtigen Warteschlange oder dem zuständigen Sachbearbeiter zu. Dieselbe Meldung kann auch das Label „fehlende Dokumente“ erhalten und automatisch eine Aufforderung zur Ergänzung auslösen.

Das Muster ist hier identisch wie im Kundenservice: KI filtert und sortiert, der Mensch entscheidet in Grenzfällen. Die Mechanik dieses Prozesses zerlegen wir in Klassifizierung und Routing von Meldungen mit KI. Der messbare Vorteil: Die Zeit von der Meldungseingang bis zum ersten Kontakt mit der richtigen Person verkürzt sich, und einfache, vollständige Fälle warten nicht in einer Schlange mit schwierigen. Derselbe Routing-Mechanismus bewährt sich übrigens auch außerhalb von Versicherungen – analog setzen wir ihn in KI für Logistik und Lager ein.

Die Grenze ist einfach: Die Klassifizierung leitet den Fall weiter, aber sie entscheidet nicht über den Anspruch. Das Label „wahrscheinlich Totalschaden“ ist ein Hinweis für den Sachbearbeiter, keine Entscheidung über die Auszahlung.

Dies ist ein Bereich, in dem der Sprachgebrauch leicht missbraucht werden kann – und echten Schaden für den Kunden verursacht. Sagen wir es klar: KI „erkennt keine Betrüger“. KI erkennt Muster und Abweichungen, die in historischen Daten mit strittigen oder bestätigten Missbrauchsfällen korrelierten – und setzt ein Flag zur Überprüfung durch einen Menschen.

Der Unterschied ist nicht kosmetisch. Ein Betrugssignal ist z. B.: ungewöhnliche Schadenshäufigkeit bei einer Police, Diskrepanz zwischen Beschreibung und Fotos, dieselbe Werkstatt in vielen verdächtigen Fällen, Schadensdatum kurz nach Policenabschluss. Jedes dieser Signale hat harmlose Erklärungen. Daher bedeutet ein Flag „genauer hinschauen“, nicht „Auszahlung verweigern“. Die Entscheidung über Verweigerung oder Weiterleitung an eine Untersuchung trifft ein Mensch, der die rechtliche Verantwortung dafür trägt – das Modell trägt sie nicht.

Dies ist auch ein Bereich, der direkt vom AI Act betroffen ist: Ein System, das das mit einem Kunden verbundene Risiko bewertet oder den Zugang zu Leistungen beeinflusst, kann ein Hochrisikosystem sein, mit Pflichten zu Transparenz, menschlicher Aufsicht und Dokumentation. Eine automatische Auszahlungsverweigerung ausschließlich auf Basis eines Modells, ohne reale Möglichkeit der menschlichen Intervention, ist ein Szenario, das wir – rechtlich und ethisch – nicht empfehlen.

Der vierte Bereich ist die Beantwortung von Kundenfragen zum Status des Schadens, zum Policenumfang oder zu erforderlichen Dokumenten. Ein auf dem Wissen aus Policen und Regularien basierender Agent beantwortet typische Fragen („welche Dokumente muss ich einreichen“, „wie ist der Stand meiner Angelegenheit“) und entlastet die Berater von sich wiederholenden Anfragen.

Hier gelten zwei Prinzipien, die wir nicht umgehen. Erstens: Der Assistent muss in den tatsächlichen Dokumenten des Kunden und des Unternehmens verankert sein – ein Modell ohne diese Verankerung kann Bedingungen erfinden, die es in der Police nicht gibt. Zweitens: Sobald die Frage eine individuelle Entscheidung über den Anspruch betrifft, leitet der Assistent den Fall an einen Menschen weiter, statt zu improvisieren. Wie wir ein solches verankertes System auf Unternehmenswissen aufbauen, zeigen wir in Unternehmens-GPT auf Wissensbasis.

Fragen zum Status funktionieren am besten, wenn der Assistent Daten aus dem System liest (Stand der Angelegenheit, fehlende Dokumente) und nicht rät. Dann ist die Antwort konkret und nachprüfbar, und der Kunde erhält sofort Informationen, zu jeder Tageszeit.

Versicherungen sind ein regulierter Sektor, und Schadensdaten sind oft sensible Daten – bei Personenschäden sogar Gesundheitsdaten. Daher ist die Datenarchitektur hier keine technische Detailfrage, sondern eine grundlegende Projektentscheidung.

Drei Prinzipien, die wir immer anwenden:

• Der Mensch entscheidet über Auszahlung und Qualifizierung. KI bereitet vor, klassifiziert und signalisiert; die Entscheidung über Anerkennung, Ablehnung oder Höhe der Leistung trifft eine berechtigte Person. Das ist sowohl rechtliche als auch operative Anforderung.
• Bewusste Entscheidung über den Datenstandort. Sensible Daten können dank lokal ausgeführter Modelle oder bei einem Anbieter mit Garantie für Verarbeitung in der EU und Auftragsverarbeitungsvertrag in der Unternehmensinfrastruktur verbleiben. Den regulatorischen Kontext ordnen wir in Pflichten von Unternehmen unter AI Act und RODO 2026.
• Transparenz gegenüber dem Kunden. Wenn eine Entscheidung wesentlich durch Automatisierung unterstützt wird, hat der Kunde das Recht, dies zu wissen, und das Recht auf Einspruch bei einem Menschen. Das ist keine verhandelbare Option.

Rein administrative Systeme (Extraktion von Rechnungen ins System, Routing von Meldungen ohne Entscheidung) sind in der Regel kein Hochrisikobereich. Aber ein System, das das Kundenrisiko bewertet, den Zugang zu Leistungen beeinflusst oder Entscheidungen automatisiert, kann es sein. Die Einstufung sollte für den konkreten Anwendungsfall bestätigt werden, bevor etwas in Produktion geht.

Die ehrliche Reihenfolge ist weniger spektakulär als Versprechungen auf Folien. Zuerst ein enges Problem mit messbaren Kosten – meist die Datenextraktion aus einem Dokumententyp oder das Routing einer Meldungsart. Dann die Überprüfung, ob die Daten in einem Zustand sind, in dem KI damit arbeiten kann. Anschließend ein Pilotprojekt neben dem aktuellen Prozess: KI schlägt vor und bereitet vor, der Sachbearbeiter entscheidet weiterhin, und wir messen die tatsächliche Genauigkeit, bevor etwas eigenständig läuft. Erst wenn die Zahlen stimmen – schrittweise Erweiterung, mit beibehaltener Aufsicht dort, wo es um Entscheidungen über das Geld des Kunden geht.

Das ist kein Abkürzungsweg. Aber es ist ein Weg, der nicht in einem System endet, dem niemand vertraut, weil es einmal eine Auszahlung aufgrund eines Signals verweigert hat, das sich als Fehlalarm herausstellte.

Wir raten davon ab, und in vielen Fällen erlaubt es das Recht nicht. KI kann die Bearbeitung beschleunigen – Daten aus Dokumenten extrahieren, Meldungen klassifizieren, einen Entscheidungsentwurf vorbereiten – aber die Anerkennung eines Anspruchs, dessen Höhe oder die Ablehnung ist eine Entscheidung, die eine berechtigte Person trifft. Bei wesentlich automatisierten Entscheidungen hat der Kunde auch das Recht auf menschliche Intervention, was sich aus RODO und dem AI Act ergibt.

Das hängt von der Qualität des Dokuments ab. Bei sauberen, typischen Dokumenten (Rechnungen, Standardformulare) erreicht eine gut abgestimmte Datenextraktion in der Regel eine hohe Feldgenauigkeit – oft über 90 %. Bei schlechten Scans, handschriftlichen Dokumenten oder untypischen Layouts sinkt die Genauigkeit und ist unvorhersehbar. Daher werden Felder, die die Auszahlung beeinflussen, immer von einem Menschen bestätigt, und das System zeigt die Quelle des Wertes an.

Nein. Das Modell erkennt Signale und Abweichungen, die historisch mit strittigen Fällen korrelierten, und setzt ein Flag zur Überprüfung – das ist ein Hinweis, kein Urteil. Jedes Signal hat harmlose Erklärungen, daher trifft der Mensch die Entscheidung über Weiterleitung zur Untersuchung oder Ablehnung, der dafür die Verantwortung trägt. Eine automatische Ablehnung ausschließlich auf Basis des Modells ist ein Szenario, das wir nicht empfehlen.

Das ist eine Entscheidung, keine Notwendigkeit. Sensible Daten – einschließlich Gesundheitsdaten bei Personenschäden – können dank lokal ausgeführter Modelle oder bei einem Anbieter mit Garantie für Verarbeitung in der EU und Auftragsverarbeitungsvertrag in der Unternehmensinfrastruktur verbleiben. In einem regulierten Sektor lohnt es sich, diese Entscheidung bewusst zu Beginn zu treffen, da sie die gesamte Projektarchitektur bestimmt.

Manchmal ja. Ein System, das das mit einem Kunden verbundene Risiko bewertet oder den Zugang zu Leistungen beeinflusst, kann gemäß AI Act ein Hochrisikosystem sein – mit Pflichten zu Transparenz, menschlicher Aufsicht und Dokumentation. Rein administrative Systeme wie Rechnungsextraktion oder Routing von Meldungen ohne Entscheidung fallen in der Regel nicht in diese Kategorie, aber die Einstufung sollte für den konkreten Anwendungsfall bestätigt werden.