Durchgängige Automatisierung der Schadenbearbeitung in der Versicherung

Die Schadenbearbeitung ist der größte Kostenblock eines Versicherers und der Moment, an dem Kunden ihn beurteilen. Agentische KI verkettet die bisher getrennten Schritte (Aufnahme, Deckungsprüfung, Dokumentenlesen, Schadenschätzung, Betrugsprüfung, Regulierungsvorschlag, Kundenkommunikation) zu einem orchestrierten Prozess. Einfache, häufige Schäden können nahezu ohne menschliches Zutun laufen; komplexe, große oder verdächtige Fälle werden für eine Sachbearbeiterin oder einen Sachbearbeiter vorbereitet, die bzw. der die endgültige Entscheidung über Zahlung und Ablehnung behält.

Problem & Nutzen

• Heute: Ein Schaden durchläuft mehrere Systeme und Teams. Sachbearbeitende erfassen Daten erneut, fordern fehlende Unterlagen per E-Mail an, suchen Vertragsklauseln heraus und schreiben Briefe. Die Folgen sind Leakage (Überzahlung), langsame Regulierung und schwache Betrugserkennung.
• KI-Nutzen: kürzere Durchlaufzeit bei einfachen Schäden, einheitliche Anwendung der Deckung, bessere Triage (vollautomatisch vs. Spezialist vs. Sonderermittlung) und Sachbearbeitende, die ihre Zeit für Urteilsvermögen und Einfühlung statt für Dateneingabe einsetzen.
• Belege: Allianz berichtet, dass das agentische „Project Nemo“ für Schäden durch verdorbene Lebensmittel in Australien die Bearbeitungszeiten um etwa 80 % senkte; es nutzt sieben aufgabenspezifische Agenten, und ein Mensch trifft die endgültige Zahlungsentscheidung [1]. Shift Technology nennt Zahlen von Early Adoptern für sein agentisches Schadenprodukt (vom Anbieter berichtet, nicht unabhängig geprüft) [2]. Behandeln Sie Anbieterzahlen als Eigenangaben.

Varianten

• Kfz (Eigenschaden und Glas): fotobasierte Schadenschätzung, Werkstattnetz, Totalschadenlogik (siehe VIS-023).
• Sach und Wetterereignisse: Massenschäden nach Stürmen; Luftbilder und Wetterdaten für die Triage.
• Reise, Haustier und einfache Gesundheitserstattungen: niedriger Wert, hohes Volumen, beste Kandidaten für automatische Bearbeitung.
• Gewerbe- und Haftpflichtsparten: Agenten bereiten nur Akten vor, fassen Dokumente zusammen und entwerfen Rückstellungen; keine autonome Regulierung.
• Kranken- und Lebensschäden: besondere Datenkategorien; strengste menschliche Aufsicht und größte Aufmerksamkeit nach KI-Verordnung.
• Makler-, TPA- und MGA-Betrieb: dieselbe Pipeline für mehrere Versicherer mit mandantenspezifischen Regeln.

So funktioniert es

1. FNOL (app / chat / email / phone)
2. intake agent (structured claim, missing-info questions)
3. coverage agent (policy, exclusions, deductible, waiting periods; cites clause)
4. document agent (OCR/VLM on invoices, reports, photos)
5. assessment agent (damage/cost estimate, tools: repair-cost APIs, VIS-023)
6. fraud & complexity triage (rules + ML + graph signals, see ANOM-003)
7. settlement agent (proposal, reserve, letter draft)
8. [human adjuster: approve / amend / reject; mandatory above thresholds or on any doubt]
9. payment + customer notification + audit log

• Orchestrierung: Ein Supervisor-Agent verteilt an spezialisierte Agenten mit schmalen Werkzeugen, die über APIs oder MCP-Server auf dem Schadenkernsystem bereitgestellt werden (Guidewire, Duck Creek, Sapiens, Majesco usw.).
• Deterministischer Kern: Deckungsregeln, Limits und Zahlungsberechnungen sollten als Code oder in einer Regelengine laufen, die das Sprachmodell aufruft, und nicht vom Modell improvisiert werden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Sachbearbeitende geben jede Zahlung über einer Schwelle, jede Ablehnung oder Teil- ablehnung, jede Betrugsweitergabe und jede Beschwerde frei. Kunden können jederzeit eine menschliche Prüfung verlangen.

Datenaufbereitung

Benötigte Daten: Schadenformulare, Verträge und Deckungsbedingungen, Schadenhistorien, Fotos, Gutachten, Rechnungen und Schriftverkehr. Bei Versicherern liegen diese im Schaden- oder Bestandssystem, im DMS, in E-Mail-Postfächern und als Papierscans, oft mit uneinheitlichen Metadaten. Typische Lücken: Scans ohne OCR, Fotos ohne Bezug zum Schaden, Deckungsregeln als Freitext, doppelte Kundendatensätze, fehlende Ergebnislabels und Gesundheitsdaten mit weit gefassten internen Zugriffsrechten.

Schritte der Aufbereitung: (1) Quellen inventarisieren und den Prozessschritten zuordnen (PREP-002); (2) eingehende Dokumente per OCR erfassen und klassifizieren (PREP-006, DOC-003, DOC-014); (3) Vertragsbedingungen und Bearbeitungsrichtlinien in eine verbindliche Wissensbasis überführen (PREP-013); (4) Labels aus abgeschlossenen Schäden gewinnen - Deckungsentscheidung, Regulierung, Betrugskennzeichen (PREP-020) - und mit erfahrenen Sachbearbeitenden einen Evaluierungsdatensatz aufbauen (PREP-018); (5) Daten für Entwicklung und Tests pseudonymisieren (PREP-022); (6) Berechtigungen für Gesundheits- und Schadendaten korrigieren (PREP-023, PREP-024) und Zweck und Rechtsgrundlage prüfen (PREP-025).

Aufwand: hoch, etwa 40-50 % des Projekts, weil die Historie über Altsysteme verstreut ist und die Labels von Sachbearbeitenden validiert werden müssen. Eine Bereitschaftsprüfung nach GUIDE-003 verhindert Überraschungen.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg B - die Schadenbearbeitung ist der Kernprozess des Versicherers und enthält besondere Datenkategorien; der Aufbau auf der Kernsystem-Integration mit in der EU gehosteten Modell-APIs erhält die Kontrolle, während eine Anbietersuite (Weg A) zu Versicherern ohne Entwicklungskapazität passt.
• Entwickler: Weg B - Cloud-APIs in EU-Regionen plus ein Agenten-Framework sind der schnellste Weg zu einem testbaren Schaden-Workflow; Weg C für Projekte, die von Souveränität getrieben sind.

Weg A — Kaufen (Standardsoftware)

• Kernsystem-Anbieter mit Agentenschicht: Guidewire (agentisches Framework und agentische Schadenmeldung), Duck Creek (Agentic AI Platform, angekündigt im April 2026) [3], Sapiens (Israel/USA), Majesco und EIS. Am besten, wenn die Agenten im Schadenkern handeln müssen.
• Spezialisten: Shift Technology (Frankreich, EU; Schadenautomatisierung und Betrug) [2], Tractable (UK; fotobasierte Schadenbewertung), CCC und Solera/Qapter (Kfz) Außerdem Hypatos und Klippa (EU) für die Dokumentenerfassung sowie Cognizant, Accenture und Capgemini als Integratoren.
• A wählen, wenn: Sie eine gängige Schadensuite betreiben, kein großes ML-Team haben und Unterstützung des Anbieters bei der regulatorischen Dokumentation brauchen.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlen für Versicherer im Großunternehmen)

• Modelle: ein führendes Sprachmodell mit Werkzeugnutzung (Claude, GPT, Gemini) oder Mistral (EU-Anbieter), gehostet in einer EU-Region (Azure OpenAI EU, Google Vertex EU, AWS Bedrock Frankfurt); ein VLM für Dokumente und Fotos.
• Frameworks: LangGraph, Microsoft Agent Framework oder die SDKs der Anbieter; MCP für den Werkzeugzugriff; eine Regelengine oder BPMN-Engine (Camunda) für das deterministische Prozessgerüst.
• Integration: APIs des Schadenkerns, DMS, Zahlungssystem, ein Vektorindex über Vertragswortlaute und Richtlinien.
• B wählen, wenn: Sie eine eigene, differenzierende Logik wollen, ein Plattformteam haben und das System selbst dokumentieren können.

Weg C — Selbst betreiben (Open Source)

• Modelle: Sprachmodelle mit offenen Gewichten wie Mistral, Qwen, Llama oder Modelle der gpt-oss-Klasse; Qwen-VL für Dokumente und Fotos; Docling zum Parsen; betrieben über vLLM.
• Stack: Camunda oder Temporal, LangGraph, Postgres mit pgvector, Langfuse fürs Tracing.
• Hardware: HW3 für ein Modell mit 30-120 Mrd. Parametern, das ein Team von Sachbearbeitenden bedient; HW4 für Spitzenlasten oder Feintuning.
• C wählen, wenn: Gesundheits- oder Lebensdaten, nationale Datensouveränitätsregeln oder Konzernvorgaben externe APIs verbieten.

Weg D — Eigenes Training

Lohnt sich für das Betrugs-/Triage-Modell und für ein feingetuntes Modell zur Schadenschätzung, trainiert auf den eigenen historischen Schäden des Versicherers (Tausende bis Millionen gelabelter Ergebnisse). Ein Feintuning des Sprach- modells ist selten nötig; Retrieval über Klauseln und Richtlinien genügt meist.

Stand der Technik (2026)

• Agentische Schadenbearbeitung im Produktivbetrieb ist real, aber eng begrenzt: führende Versicherer automatisieren Sparten mit niedrigem Wert und hoher Häufigkeit und lassen den Rest von Menschen bearbeiten [1]. Anbieter von Kernsystemen liefern inzwischen native Agenten-Frameworks aus [3].
• Muster, das funktioniert: viele schmale Agenten mit deterministischen Prüfungen schlagen einen allgemeinen Agenten; jede Ausgabe eines Agenten enthält einen Verweis auf die Vertragsklausel oder das Dokument, auf das sie sich stützt.
• Evaluierung: Spielen Sie historische abgeschlossene Schäden durch den Agenten ein und vergleichen Sie Deckungsurteile und Beträge vor dem Produktivstart mit den Ergebnissen der Sachbearbeitenden (Schattenmodus).
• Grenzen und Fehlerbilder: falsche Deckungsauslegung bei mehrdeutigem Wortlaut, halluzinierte Beträge, Prompt-Injection über hochgeladene Dokumente oder Kunden-E-Mails, manipulierte oder KI-erzeugte Fotos und Dokumente (siehe ANOM-017), Ungleichbehandlung schutzbedürftiger Kunden und Automatisierungsverzerrung bei Sachbearbeitenden, die einfach auf „Freigeben“ klicken.

Gemeinsame Bausteine & Kombinationen

• Dokumenten-Stack: DOC-003 (Schadenformulare), DOC-024 (Einreichungen), gemeinsamer VLM-Server.
• Schaden und Betrug: VIS-023 (fotobasierte Schadenbewertung), ANOM-003 (Schadenbetrug), ANOM-017 (gefälschte Dokumente).
• Prognose: PRED-037 (Schadenhöhe, Rechtsstreit, Reservierung), PRED-010 (Rückkopplung für die Preisgestaltung aus Schadendaten).
• Eingangstür und Plattform: CONV-013 (Kundenassistent), AGENT-001 (E-Mail-Sortierung), AGENT-013 (Multiagenten- Muster), AGENT-025 (Agenten-Governance und Evaluierung), AGENT-026 (vergleichbare Fallbearbeitung in der öffentlichen Verwaltung).

Aufwand, Kosten & Kennzahlen

• Weg A: 3-9 Monate inkl. Kernsystem-Integration und Veränderungsmanagement; Lizenz plus Gebühren je Schaden.
• Weg B: 6-12 Monate für die erste Sparte; Kosten entstehen durch Integration, Evaluierung und Compliance-Dokumentation statt durch Tokens.
• Weg C/D: 9-18 Monate; GPU-Betrieb und MLOps-Team.
• Kennzahlen: Quote vollautomatischer Bearbeitung (Straight-Through-Processing), Durchlaufzeit von Schadenmeldung bis Zahlung, Schadenregulierungskosten je Schaden, Leakage bei Entschädigungen, Anteil der umgestoßenen Agentenvorschläge, Beschwerde- und Wiedereröffnungsquote, Betrugstrefferquote, Kundenzufriedenheit (NPS) und Fairness-Kennzahlen über Kundengruppen hinweg.

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsleitung und die Leitung der Schadenabteilung ein, dann die Sachbearbeitenden (Anwender) als Mitgestaltende; IT und IT-Sicherheit für Kernsystem-Integration und Protokollierung; die oder den Datenschutzbeauftragte(n) früh, weil Schäden oft Gesundheitsdaten (besondere Kategorien) enthalten - eine Datenschutz-Folgenabschätzung (DSFA) ist sehr wahrscheinlich, dazu ein Auftragsverarbeitungsvertrag (AVV) mit jedem Auftragsverarbeiter; den Betriebsrat vor Pilotbeginn.

Betriebsrat: ja. Schadensysteme erfassen Entscheidungen, Übersteuerungen und Bearbeitungszeiten einzelner Sachbearbeitender und sind damit objektiv zur Überwachung geeignet (§ 87 Abs. 1 Nr. 6 BetrVG, BAG-Rechtsprechung); § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Unterrichtung über KI-gestützte Arbeitsverfahren, § 80 Abs. 3 erlaubt einen KI-Sachverständigen, und eine Betriebsvereinbarung zum KI-Einsatz ohne individuelle Leistungsbewertung schafft Vertrauen. Öffentliche Versicherer beteiligen den Personalrat.

Ergreifen Sie Maßnahmen zur Förderung der KI-Kompetenz (KI-Verordnung Art. 4): Schulen Sie Sachbearbeitende darin, Agentenvorschläge zu lesen, halluzinierte Deckungsaussagen zu erkennen und Übersteuerungen zu dokumentieren. Beginnen Sie mit einer einfachen Sparte (z. B. Glas- oder Reiseschäden) und einer Pilotgruppe erfahrener Sachbearbeitender; kommunizieren Sie, dass der Agent vorbereitet und die Sachbearbeitenden bei strittigen Fällen und allen Ablehnungen entscheiden. Typische Sorgen sind Kompetenzverlust und Fairness gegenüber Kunden - begegnen Sie ihnen mit menschlichen Entscheidungsrechten, Stichprobenprüfungen und einem Beschwerdeweg. Leitfäden: GUIDE-004, GUIDE-005, GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Umfang ab. Anhang III Nr. 5 Buchst. c nennt Risikobewertung und Preisbildung für Lebens- und Krankenversicherungen als Hochrisiko [4]; die reine Schadenbearbeitung in Sach/Kfz ist im Allgemeinen nicht aufgeführt, kann aber zu Hochrisiko werden, wenn sie über den Zugang zu wesentlichen Leistungen oder Krankenversicherungs- leistungen entscheidet; bewerten Sie daher jede Sparte. Das Digital-Omnibus-Paket (Verordnung (EU) 2026/1744) verschob den Anwendungstermin für Anhang-III- Hochrisiko auf den 2. Dezember 2027 [5]. Kein Verbot nach Art. 5 greift, doch Emotionserkennung bei Anrufern oder Videoanzeigenden sollte vermieden werden (Art. 5 verbietet sie am Arbeitsplatz und in der Schule, anderswo ist sie Hochrisiko). Art. 4 KI-Kompetenz und Art. 50 Transparenz (Kunden müssen wissen, dass sie mit einer KI sprechen) gelten schon jetzt.
• EIOPA: Die Stellungnahme von 2025 zu KI-Governance und Risikomanagement wendet das Versicherungsaufsichtsrecht (Solvency II, IDD) auf KI ohne Hochrisiko an: verhältnismäßige Governance, Datenqualität, menschliche Aufsicht, Erklärbarkeit und Dokumentation [6].
• DSGVO: Schadenakten enthalten personenbezogene und oft Gesundheitsdaten (Art. 9). Nötig sind eine Rechtsgrundlage (Vertrag, Art. 9 Abs. 2 Buchst. f Rechtsansprüche), eine DSFA, Auftragsverarbeitungsverträge und Hosting in der EU. Art. 22 begrenzt ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung: Sorgen Sie bei Ablehnungen für eine sinnvolle menschliche Prüfung [7].
• Sonstiges: DORA für Risiken durch IKT-Drittanbieter, nationale Verhaltensregeln zur Schadenbearbeitung (z. B. deutsches VVG, BaFin MaRisk VA/VAIT), Produkthaftungsrichtlinie für Software.
• Gegenmaßnahmen: Autonomieschwellen, Schattenmodus, Stichprobenprüfungen durch Qualitätsteams, Bias-Tests, Schutz vor Dokumenten-Injection, vollständige Entscheidungsprotokolle und ein dokumentierter Weg für Kunden zu einem Menschen.

Erste Schritte

1. Wählen Sie eine Sparte mit einfachen Schäden in hohem Volumen (z. B. Glas, Reise, Hausrat); dokumentieren Sie die Ausgangskennzahlen.
2. Bilden Sie den Prozess ab und schreiben Sie die deterministischen Regeln auf; entscheiden Sie, welche Entscheidungen ein Agent treffen darf und welche er nur vorbereitet.
3. Bauen Sie einen Referenzdatensatz aus 300-500 abgeschlossenen Schäden mit den Ergebnissen der Sachbearbeitenden auf und lassen Sie den Agenten im Schattenmodus laufen.
4. Ergänzen Sie Quellenverweise, Protokollierung und eine Prüfansicht für Sachbearbeitende; legen Sie Schwellen fest und pilotieren Sie dann mit echten Kunden für ein Produkt.
5. Schließen Sie Einstufung nach KI-Verordnung, DSFA und Governance-Dokumentation ab, bevor Sie auf weitere Sparten ausweiten.

Quellen

1. Allianz — "When the storm clears, so should the claim queue" (Project Nemo) — https://www.allianz.com/en/mediacenter/news/articles/251103-when-the-storm-clears-so-should-the-claim-queue.html
2. Shift Technology — insurance claims automation — https://www.shift-technology.com/
3. Duck Creek Technologies — Agentic AI Platform — https://www.duckcreek.com/
4. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Digital Omnibus on AI, Regulation (EU) 2026/1744 — summary: https://www.orrick.com/en/Insights/2026/07/EU-AI-Act-Update-Digital-Omnibus-Finalizes-8-Compliance-Changes
6. EIOPA — Opinion on AI governance and risk management (6 Aug 2025) — https://www.eiopa.europa.eu/eiopa-publishes-opinion-ai-governance-and-risk-management-2025-08-06_en
7. Regulation (EU) 2016/679 (GDPR), Art. 9 and 22 — https://eur-lex.europa.eu/eli/reg/2016/679/oj