Betrugserkennung bei Versicherungsschäden

Betrügerische und überhöhte Schadenmeldungen treiben die Prämien für alle Versicherten in die Höhe, doch die meisten Schäden sind ehrlich und sollten schnell bezahlt werden. KI bewertet jeden Schaden bei der Erstmeldung und erneut, sobald Dokumente eintreffen, verbindet tabellarische Modelle, Netzwerkanalyse und Dokumentenforensik und übergibt nur den kleinen verdächtigen Anteil mit einer Erklärung an geschulte Ermittler. Das Ziel ist zweifach: mehr Betrug je Ermittlerstunde aufdecken und ehrliche Kunden nicht wie Verdächtige behandeln.

Problem & Nutzen

• Heute: Regelwerke („Schaden innerhalb von 30 Tagen nach Vertragsbeginn“, „bekannte Werkstatt“) plus Bauchgefühl der Sachbearbeiter und eine Sonderermittlungseinheit (SIU, Special Investigations Unit / Betrugsabwehr), die einige wenige weitergeleitete Fälle bearbeitet. Regeln erzeugen viele Fehlalarme und übersehen organisierte Machenschaften mit mehreren Beteiligten (gestellte Unfälle, Betrug durch Dienstleister, „Geister“-Geschädigte, überhöhte Reparaturrechnungen).
• KI-Nutzen: (1) bessere Priorisierung der SIU-Zeit, (2) Erkennung verknüpfter Schäden über Personen/Fahrzeuge/Adressen/Dienstleister hinweg, (3) Erkennung manipulierter Beweismittel, die generative KI billig gemacht hat, (4) durchgängig automatisierte Bearbeitung für die klar ehrliche Mehrheit.
• Belegte Angaben der Anbieter (nicht unabhängig): FRISS gibt an, seine Claims Analytics liefere 75 % weniger Fehlalarme und 90 % der ehrlichen Schäden würden beschleunigt bearbeitet (ohne Angabe einer Vergleichsbasis), und verweist auf UNIQA, die in den ersten zwei Jahren im Produktivbetrieb rund 21 Mio. USD Betrugseinsparungen meldet, wobei die Einsparung je Ermittler von 550.000 USD auf 2 Mio. USD gestiegen sei [1]. Shift Technology nennt über 120 Kunden in mehr als 30 Ländern und über 4 Mrd. analysierte Policen, Schäden und Dokumente [2]. Behandeln Sie das als Werbeaussagen; messen Sie Ihre eigene Ausgangslage.
• Abgrenzung: Dieser Eintrag behandelt Schäden in Sach-, Kfz-, Haus-, Reise- sowie Lebens-/Unfallversicherung bei Versicherern. Abrechnungsbetrug von Leistungserbringern in der Krankenversicherung ist ANOM-007; gefälschte Belege allgemein ANOM-017; APP-Betrug und Mule-Konten ANOM-022.

Varianten

• Kfz-Schäden: gestellte und provozierte Unfälle, überhöhte Reparaturrechnungen, Betrug mit Fahrzeugidentitäten, fingierter Diebstahl; Fotoforensik plus Netzwerkanalyse von Werkstätten und Gutachtern.
• Sach- und Hausrat: überhöhte Inventarlisten, Doppelmeldungen bei mehreren Versicherern, Brandstiftungsindikatoren, gefälschte Rechnungen.
• Personenschäden / Haftpflicht: wiederholt auftretende Anspruchsteller, Netzwerke organisierter Schadenmeldung, Muster in ärztlichen Berichten.
• Antragsbetrug („Underwriting“) und Prämienverlust: dieselbe Bewertung bei Angebot/Verlängerung (FRISS vermarktet einen Score über Angebot, Verlängerung und Schaden hinweg [1]).
• Branchendatenpools: Schadenhistorien-Austausch (z. B. nationale Versicherer-Datenbanken wie das deutsche HIS der informa HIS, US-amerikanisches Verisk ClaimSearch) als zusätzliche Signale; der Zugriff ist rechtlich beschränkt.
• Private Nutzung: als Anwendungsfall keine; Verbraucher begegnen ihm nur als Betroffene (siehe Risiken).

So funktioniert es

1. FNOL / claim intake (portal, app, phone transcript, broker)
2. ingestion + identity/entity resolution (person, vehicle, address, IBAN, provider)
3. document & media forensics (OCR, metadata, edit/AI-generation detection, duplicate-image search)
4. feature building (claim, policy, history, text-derived signals, external data)
5. scoring: supervised model (gradient boosting) + anomaly detection + rules
6. network analysis (entity graph, community detection, shared-attribute links)
7. LLM layer: summarise file, explain reasons, draft investigation plan
8. routing: fast-track | standard | SIU referral (human decision)
9. investigation outcome fed back as labels (confirmed fraud / cleared)

• Tabellarische Modelle: Gradient-Boosted Trees bleiben das Arbeitspferd; Labels sind knapp und verzerrt (nur untersuchte Schäden haben ein Ergebnis), daher ergänzen halbüberwachte und Anomalieverfahren sie.
• Graphanalyse: Schäden, Personen, Telefonnummern, IBANs, Werkstätten und Gutachter bilden einen Graphen; gemeinsame Merkmale und dichte Cluster zeigen Ringe, die die Bewertung einzelner Schäden nicht sieht.
• Dokumenten- und Bildforensik: erkennt bearbeitete PDFs, wiederverwendete oder KI-erzeugte Schadenfotos; VLMs gleichen Foto, Kostenvoranschlag und Schilderung auf Stimmigkeit ab (siehe VIS-023, ANOM-017).
• LLM-/Agentenschicht: fasst lange Akten zusammen, erklärt den Score in verständlicher Sprache und schlägt nächste Ermittlungsschritte vor. Sie unterstützt die Ermittlerin bzw. den Ermittler und darf nicht entscheiden.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ein Score allein führt nie zur Ablehnung. Eine qualifizierte Sachbearbeiterin bzw. ein SIU-Ermittler prüft die Belege, und der Versicherungsnehmer kann widersprechen (siehe Risiken).

Datenaufbereitung

Benötigte Daten: Schadendaten (Erstschadenmeldung, Zahlungen, Notizen der Sachbearbeiter), Policendaten, Historie von Geschädigten und Dienstleistern, angehängte Fotos, Rechnungen und Berichte sowie Untersuchungsergebnisse als Labels. Sie liegen im Schadenkernsystem, in einem DMS, in E-Mail-Postfächern und bei externen Gutachtern oder Werkstätten. Typische Lücken: Labels für bestätigten Betrug sind spärlich und verzerrt zugunsten des Untersuchten, Notizen der Sachbearbeiter sind Freitext wechselnder Qualität, Anhänge sind Scans oder Fotos ohne Metadaten, dieselbe Partei erscheint unter mehreren IDs, und Gesundheitsdaten erfordern strenge Zugriffsrechte.

Aufbereitungsschritte: Partei- und Schadenkennungen vereinheitlichen (PREP-005, PREP-011), Labels aus abgeschlossenen Untersuchungen gewinnen (PREP-020), Betrugskategorien festlegen (PREP-019), Dokumentenanhänge per OCR erfassen und indexieren (PREP-006; siehe DOC-014), einen von Fachleuten geprüften Testdatensatz aufbauen (PREP-018) und Trainingsauszüge pseudonymisieren (PREP-022). Zugriffsrechte bereinigen, bevor ein Assistent Schadenakten berührt (PREP-023). Siehe DATA-003.

Grober Aufwandsanteil: 50–60 Prozent des Projekts.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg B, weil Schadenbetrug zur Kernwirtschaftlichkeit der Versicherung gehört und die Daten sensibel sind (Gesundheit, Haftpflicht); die Kombination einer Spezialplattform mit eigenen Modellen und APIs auf den Schadendaten hält das Know-how im Haus. Reiner Kauf (Weg A) bleibt für Versicherer ohne Data-Science-Personal gültig.
• Entwickler: Weg C, weil quelloffenes tabellarisches und Graph-ML sowie selbst betriebene Dokumentenanalyse die Daten der Geschädigten in Ihrer Infrastruktur halten.

Weg A — Kaufen (Standardsoftware)

• Spezialisierte Betrugsplattformen: Shift Technology (Paris, in der EU gegründet; Produkte u. a. Fraud & Risk, Insurance Data Network; genannte Kunden u. a. AXA, Assurant, Markerstudy) [2]; FRISS (Trust Automation: Claims Analytics, Investigations, Media Check für manipulierte und KI-erzeugte Bilder/PDFs; über 300 Versicherer in mehr als 45 Ländern; Sitz in den Niederlanden, EU) [1]; Verisk ClaimSearch und Analytik (USA, Schadenhistorien-Datenbank); SAS Fraud Management, FICO und Zusatzprodukte im Guidewire-Umfeld für größere Versicherer.
• Zusatzmodule für Kernsysteme: viele Policen-/Schadensuiten (Guidewire, Duck Creek, Sapiens, Majesco) bieten Anbindungen an die genannten Plattformen.
• Wählen Sie A, wenn: Sie Versicherer oder MGA ohne Data-Science-Team sind, bewährte Modelle plus gebündelte kundenübergreifende Erkenntnisse brauchen und den Auftragsverarbeitungsvertrag eines Anbieters akzeptieren können (prüfen Sie EU-Hosting, Unterauftragsverarbeiter, Modelltransparenz und Ihr Recht auf Erklärungen).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: verwaltetes AutoML / Gradient Boosting (z. B. Azure ML, Vertex AI, SageMaker in EU-Regionen) zur Bewertung; Graphdatenbank-Dienste; LLMs (Claude, Gemini, GPT oder der EU-Anbieter Mistral) über Endpunkte in EU-Regionen für Aktenzusammenfassungen, Stimmigkeitsprüfungen der Schilderung und Erklärungen der Begründungscodes; Dokumenten-KI (Azure Document Intelligence, Google Document AI) für die Extraktion.
• Orchestrierung: ereignisgesteuerte Pipeline am Schadensystem (Warteschlange, Bewertungsdienst, Anbindung der Fallbearbeitung), n8n/Camunda für Weiterleitungs-Workflows.
• Wählen Sie B, wenn: Sie eigene Entwickler haben, individuelle Logik auf Ihren Schadendaten wollen und aus der Cloud nur die LLM-/Forensik-Teile brauchen, während die Bewertung im Haus bleibt.

Weg C — Selbst betreiben (Open Source)

• Bewertung: scikit-learn, XGBoost/LightGBM, PyOD zur Anomalieerkennung, SHAP für Begründungscodes; MLflow für die Modell-Governance.
• Graph: Neo4j Community, Memgraph oder Apache AGE (PostgreSQL) mit NetworkX/PyTorch Geometric oder Graph-Data-Science-Bibliotheken zur Community-Erkennung.
• Dokumente/Bilder: Docling oder PaddleOCR zum Parsen; offene VLMs (Qwen-VL-Familie) über vLLM für Stimmigkeitsprüfungen; C2PA-Werkzeuge (c2patool) zum Auslesen von Herkunftsnachweisen; Perceptual Hashing für die Suche nach doppelten Bildern.
• Hardware: HW2 deckt das Schadenvolumen eines mittelgroßen Versicherers ab; die tabellarischen und Graph-Teile laufen auf CPU-Servern. HW3 nur, wenn größere VLMs bei hohem Dokumentenvolumen laufen.
• Warum selbst betreiben: Schadenakten enthalten Gesundheits-, Finanz- und Standortdaten; On-Premises hält sie unter der Kontrolle des Versicherers.

Weg D — Eigenes Training

Lohnt sich für mittlere bis große Versicherer mit mehrjährigen gelabelten SIU-Ergebnissen: unternehmensspezifische Gradient-Boosting-Modelle und Graph Neural Networks auf den eigenen Betrugsmustern trainieren und Bildforensik-Modelle auf die eigenen Schadenfoto-Typen feintunen. Es braucht Tausende bestätigter Betrugsfälle plus geklärte Negativfälle; beachten Sie die Label-Verzerrung (nur weitergeleitete Schäden sind gelabelt) und nutzen Sie Active Learning oder zufällige Prüfungen, um unverzerrte Stichproben zu erhalten. Das Feintuning von LLMs ist selten nötig.

Stand der Technik (2026)

• Netzwerkzentrierte Erkennung (Entitätsauflösung plus Graphanalyse) ist der wichtigste Schritt über Regeln hinaus; Anbieter vermarkten „verborgene Betrugsnetzwerke“ als Kernfähigkeit [1].
• Beweismittelbetrug mit generativer KI (bearbeitete Belege, KI-erzeugte Schadenfotos) hat Anbieter dazu gebracht, Module zur Medienforensik auszuliefern (z. B. FRISS Media Check [1]). Die Erkennung ist ein Wettlauf: Detektoren verallgemeinern schlecht auf neue Generatoren, daher zählen Herkunftsnachweise (C2PA) und Stimmigkeitsprüfungen über Dokumente hinweg sowie Metadaten- und Kanalkontrollen mehr als ein einzelner „KI oder nicht“-Klassifikator.
• Agentische Untersuchungsunterstützung: Anbietermaterial beschreibt KI-Agenten, die Betrug einschätzen, Fälle zuweisen und Untersuchungen anleiten [2]. In der Praxis entwerfen sie Zusammenfassungen und Pläne für einen menschlichen Ermittler.
• Erklärbarkeit von Anfang an: Begründungscodes und Transparenz der Scores werden inzwischen von Aufsichtsbehörden und Regulierern erwartet.
• Grenzen und Fehlerbilder: Label-Knappheit und Auswahlverzerrung; Konzeptdrift, wenn Betrüger sich anpassen; Fehlalarme, die ehrliche Schäden verzögern und Kunden schaden; Diskriminierung über Stellvertretermerkmale (Postleitzahl, Name, mit Nationalität korrelierte Merkmale); Modell-Scores, die wie Anschuldigungen behandelt werden. Veröffentlichte Prozentzahlen der Anbieter kommen ohne unabhängige Vergleichswerte; einen öffentlichen Benchmark für Schadenbetrug gibt es nicht, weil die Daten vertraulich sind.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + anomaly-detection + graph-ml): ANOM-001 (Zahlungsbetrug), ANOM-002 (Geldwäsche), ANOM-007 (Abrechnungsbetrug im Gesundheitswesen), ANOM-009 (Spesen-/Beschaffungsbetrug) teilen Feature Stores, Graphdatenbank, Werkzeuge der Modell-Governance und Fallbearbeitung; eine einzige Graphplattform kann mehrere Betrugsbereiche bedienen.
• Dokumenten-Stack (ocr-docparse + vlm): ANOM-017 (Dokumentenmanipulation), ANOM-014 (Ausweisdokumente), DOC-001 (Rechnungsverarbeitung, da Reparaturrechnungen beide speisen) und VIS-023 (Schadenbewertung anhand von Fotos, der natürliche vorgelagerte Baustein, der Kostenschätzungen und Echtheitsprüfungen von Bildern liefert).
• Prozessnachbarn: AGENT-014 (durchgängige Schadenbearbeitung) ist der Ort, an dem Scores die beschleunigte Bearbeitung oder Weiterleitung auslösen; PRED-010 (Underwriting und Preisgestaltung) nutzt dieselbe Historie und teilt Signale zu Antragsbetrug; ANOM-022 deckt Mule-Konten auf der Auszahlungsseite ab.
• Hardware: CPU-Cluster für Bewertung und Graph, eine HW2-GPU gemeinsam mit anderen Dokumenten-/VLM-Anwendungsfällen.

Aufwand, Kosten & Kennzahlen

• Weg A: 3–9 Monate vom Vertrag bis zum Produktivbetrieb bei einem mittelgroßen Versicherer (die Datenintegration in das Schadensystem ist der Hauptaufwand); die Lizenz richtet sich typischerweise nach dem Schadenvolumen.
• Weg B: 6–12 Monate mit einem kleinen Daten-/Engineering-Team; die Cloud-Kosten sind moderat, die Personalkosten überwiegen.
• Weg C/D: 9–18 Monate einschließlich Datenengineering, Labeling-Prozess, Modellvalidierung und SIU-Workflow; laufendes MLOps-Personal.
• Kostentreiber: Datenintegration, Labeling/Rückmeldeschleife, Ermittlerkapazität, aufsichtsrechtliche Validierung.
• Kennzahlen: Trefferquote bestätigten Betrugs bei Weiterleitungen (Precision), vermiedene oder zurückgeholte Betrugsbeträge in Euro je Ermittler, Fehlalarmrate bei ehrlichen Schäden, Anteil durchgängig automatisiert bearbeiteter Schäden, Regulierungsdauer ehrlicher Schäden, Kundenbeschwerden über Verzögerungen, Drift- und Fairnesskennzahlen über geschützte Gruppen hinweg.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für die Betrugsstrategie und Abwägungen zur Kundenerfahrung ein, die Leitung der Schadenabteilung und die Sonderermittlungseinheit als Prozessverantwortliche, Sachbearbeiter als tägliche Nutzer, die IT, die/den Datenschutzbeauftragte(n), Recht und Compliance sowie den Betriebsrat ab der Konzeptphase.

Betriebsrat: ja. Warteschlangen der Sachbearbeiter, Scores je Sachbearbeiter und Auswertungen zur Fallbearbeitung machen das System zur Leistungsüberwachung geeignet (§ 87 Abs. 1 Nr. 6 BetrVG); § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-basierte Arbeitsabläufe, § 80 Abs. 3 erlaubt einen KI-Sachverständigen, und eine Betriebsvereinbarung zum KI-Einsatz ist ratsam. Öffentliche Versicherer beteiligen den Personalrat.

Datenschutz: Gesundheitsdaten und andere besondere Kategorien sowie das Profiling von Geschädigten machen eine DSFA sehr wahrscheinlich (Art. 35 DSGVO); die automatisierte Ablehnung von Schäden muss bei einem Menschen bleiben (Art. 22 DSGVO). AVV mit jedem Anbieter. KI-Kompetenz: Unterstützen Sie Sachbearbeiter mit Schulungen zu Scores, Verzerrungen und Grenzen (Art. 4 KI-Verordnung). Pilotieren Sie in einer Sparte, mit Bewertung im Hintergrund ohne Änderung der Entscheidungen, und vergleichen Sie dann mit den Befunden der Ermittler. Typische Sorgen: falscher Verdacht gegen ehrliche Kunden und Überwachung der Sachbearbeiter; begegnen Sie ihnen mit der Nutzung nur zur Weiterleitung (der Score lehnt nie einen Schaden ab), mit Erklärungen und der Prüfung der Ergebnisse. Siehe GUIDE-004, GUIDE-005 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Schadenbetrugserkennung ist für sich genommen nicht als Hochrisiko aufgeführt. Anhang III Nr. 5 Buchst. c nennt KI zur Risikobewertung und Preisbildung bei natürlichen Personen in der Lebens- und Krankenversicherung, und Nr. 5 Buchst. b nennt das Kreditwürdigkeits-Scoring, nimmt aber KI zur Aufdeckung von Finanzbetrug ausdrücklich aus [3]. Betrugserkennung bei Schäden in der Nichtleben-Versicherung ist daher normalerweise ein minimales Risiko, doch die Einstufung hängt vom Einzelfall ab: Fließt das Ergebnis eines Systems in die Risikobewertung oder Preisbildung in der Lebens-/Krankenversicherung ein oder wird es zur faktischen Grundlage für die Ablehnung von Leistungen, behandeln Sie es als Hochrisiko und wenden Sie Art. 9–15 und die Betreiberpflichten an (menschliche Aufsicht, Protokollierung, Folgenabschätzung). Lassen Sie die Einstufung je System rechtlich bestätigen.
• Verbotene Praktiken: Art. 5 Abs. 1 Buchst. d verbietet die Beurteilung, ob eine Person eine Straftat begehen wird, allein auf Grundlage von Profiling oder Persönlichkeitsmerkmalen; er erlaubt Werkzeuge, die die menschliche Beurteilung auf Basis objektiver, überprüfbarer, mit der Tätigkeit verknüpfter Tatsachen unterstützen [4]. Gestalten Sie Scores um schadenspezifische Tatsachen, nicht um Persönlichkeits- oder Sozialverhaltensprofile; Social Scoring nach Art. 5 Abs. 1 Buchst. c (nachteilige Behandlung in einem sachfremden Zusammenhang) ist zu vermeiden, z. B. indem keine Verhaltens-Scores aus sozialen Medien übernommen werden.
• DSGVO: Art. 22 beschränkt Entscheidungen, die ausschließlich auf automatisierter Verarbeitung beruhen und rechtliche oder ähnlich erhebliche Wirkung haben, mit Ausnahmen für Vertragserfüllung, Gesetz oder ausdrückliche Einwilligung, und verlangt stets Schutzmaßnahmen einschließlich menschlichen Eingreifens und des Rechts auf Anfechtung [5]. Behalten Sie bei jeder Ablehnung oder Betrugsbeschuldigung eine menschliche Entscheidung bei. Weiter: Rechtsgrundlage (berechtigtes Interesse an Betrugsprävention, Art. 6 Abs. 1 Buchst. f; Gesundheitsdaten brauchen eine Grundlage nach Art. 9), DSFA, Zweckbindung bei gemeinsamen Branchendatenbanken, Transparenz und Auskunftsrecht der betroffenen Personen zu Scores, soweit anwendbar, Löschfristen.
• Branchenrecht: deutsches VVG (Pflichten des Versicherungsnehmers, Beweislast), VAIT/BaFin-Aufsichtserwartungen an IT und Auslagerung, DORA für IKT-Risiko und Drittanbieter (Anbieterregister), EIOPA-Leitlinien zur KI-Governance für Versicherer (Fairness, Erklärbarkeit, menschliche Aufsicht) und Solvency-II-Governance. Betrugsvorwürfe bergen Risiken von Verleumdung und treuwidriger Schadenbearbeitung.
• Gegenmaßnahmen: Begründungscodes für jede Weiterleitung; zufällige Prüfstichprobe, um die tatsächliche Precision und Recall zu messen; Tests auf Verzerrung bei geschützten Merkmalen und Stellvertretermerkmalen; Untersuchung von der Entscheidung über die Schadenzahlung trennen; Red-Teaming der Bildforensik-Schicht; Anbieterprüfung zu Datenpooling und Modelltransparenz.

Erste Schritte

1. Ausgangslage: 2–3 Jahre Schäden mit SIU-Ergebnissen ziehen; aktuelle Precision der Weiterleitungen, Betrugsverlust, Verzögerung ehrlicher Schäden und Kosten der Fehlalarme messen.
2. Eine Prüfung der Datenreife bei den Entitätsschlüsseln (Person, Fahrzeug, IBAN, Adresse, Dienstleister) durchführen, denn der Nutzen des Graphen hängt von sauberer Entitätsauflösung ab.
3. In einer Sparte pilotieren (z. B. Kfz): drei Monate Bewertung im Schattenmodus neben den aktuellen Regeln, Weiterleitungen mit der SIU prüfen und die Precision je Ermittlerstunde vergleichen.
4. Dokumenten-/Bildforensik in derselben Sparte ergänzen – zuerst Herkunftsprüfungen, an zweiter Stelle ML-Detektoren.
5. DSFA, Vermerk zur Einstufung nach KI-Verordnung und das Verfahren zur menschlichen Prüfung nach Art. 22 abschließen, bevor Scores in die Live-Weiterleitung geschaltet werden.

Quellen

1. FRISS, Trust Automation platform and Claims Analytics (product claims, UNIQA case, customer-reported figures): https://friss.com/
2. Shift Technology, insurance AI platform (products, customers, scale figures): https://www.shift-technology.com/
3. EU AI Act, Annex III (high-risk systems, point 5 insurance and fraud-detection exception): https://artificialintelligenceact.eu/annex/3/
4. EU AI Act, Article 5 (prohibited practices, incl. 5(1)(c) and 5(1)(d)): https://artificialintelligenceact.eu/article/5/
5. GDPR Article 22 (automated individual decision-making): https://gdpr-info.eu/art-22-gdpr/