Schadenbewertung anhand von Fotos (Fahrzeug- und Sachschäden)

Schadenbearbeiter und Reparaturbetriebe brauchen traditionell einen Gutachtertermin oder einen Stapel Fotos und eine manuelle Kalkulation, bevor ein Kfz- oder Sachschaden vorankommt. Computer Vision und Bild-Sprach-Modelle lesen Smartphone-Fotos, lokalisieren beschädigte Teile, bewerten den Schweregrad und schlagen binnen Minuten Reparaturpositionen oder eine Kostenspanne vor. Versicherer regulieren damit einfache Schäden schneller und leiten komplexe an Experten weiter; die Entscheidung über die Auszahlung bleibt bei Menschen oder bei transparenten, anfechtbaren Regeln.

Problem & Nutzen

• Heute: Ein Kunde meldet einen Schaden, ein Sachbearbeiter oder Gutachter besichtigt (oder prüft Fotos manuell), eine Werkstatt erstellt einen Kostenvoranschlag, und der Versicherer prüft ihn. Wartezeiten, Reisekosten für Besichtigungen, uneinheitliche Schätzungen und Leckage (Über- und Unterzahlung) sind die Schmerzpunkte. Nach Katastrophenereignissen (Hagel, Hochwasser, Sturm) ist die Kapazität der Engpass.
• KI-Nutzen: geführte Fotoaufnahme bei der Schadenmeldung (FNOL), sofortige Triage, einheitliche Schadenbewertung, schnellere Regulierung bei Schäden mit geringem Wert, Expertenkapazität für komplexe Fälle, dazu eine Fotodokumentation für Betrugsprüfung und Regress.
• Belege: Anbieter veröffentlichen Fallstudien (Durchlaufzeit, Quoten ohne Bearbeitereingriff), doch die Zahlen hängen von Bestand und Definitionen ab; behandeln Sie sie als Werbung, bis sie an eigenen Schadenfällen reproduziert sind. Nutzen Sie einen Pilot im Schattenmodus, um eigene Zahlen zu gewinnen.

Varianten

• Kfz-Versicherung, Schadenmeldung und Begutachtung: Außenschäden, Teile- und Reparaturmethodenvorschlag, Vorprüfung auf Totalschaden.
• Kalkulation in Werkstatt / Karosseriebetrieb: Foto-zu-Kalkulation im Reparaturablauf, verknüpft mit Teilekatalogen und Arbeitszeiten.
• Flotte, Leasing und Vermietung: Zustandsberichte bei Rückgabe/Übernahme, Schadenzuordnung zwischen Mietern (Durchfahrts-Scanner oder Handy-Aufnahme); zur Zustandsbewertung von Artikeln im Re-Commerce siehe VIS-037.
• Sachschäden (Wohngebäude, Gewerbe): Dach-, Fassaden-, Wasser- und Sturmschäden aus Bodenfotos, Drohnenbildern (VIS-003) oder Luftbildern; Hausratschäden über Fotolisten.
• Katastropheneinsatz: Triage auf Gebietsebene aus Satelliten- und Luftbilddaten, siehe VIS-058.
• Private Nutzung: Ein Versicherungsnehmer fotografiert einen Schaden für die Meldung, oder ein Gebrauchtwagenkäufer dokumentiert den Zustand; üblicherweise über die App des Versicherers oder der Plattform.

So funktioniert es

1. guided capture (app/web link: angles, distance, lighting checks, VIN/plate photo)
2. quality & integrity checks (blur, duplicates, reuse, metadata, edited/AI-generated image signals)
3. vehicle/building identification and part or element segmentation
4. damage detection & severity grading (scratch, dent, crack, missing part; water, roof, impact)
5. repair logic: repair/replace, parts, labour (catalogue-linked), cost range; total-loss screen
6. triage rules + confidence
7. straight-through | adjuster review | expert/garage visit
8. human decision, communication to customer, audit log

• Erkennung und Segmentierung: Instanzsegmentierungsmodelle (im Stil von YOLO oder Mask R-CNN/DETR, SAM-Familie) lokalisieren Teile und Schäden; Klassifikatoren bewerten den Schweregrad. Bild-Sprach-Modelle ergänzen flexible Beschreibung, Plausibilitätsprüfungen gegen die Schilderung des Kunden und den Umgang mit ungewöhnlichen Schäden.
• Kostenschätzung: Der verlässliche Ansatz ordnet erkannte Schäden über Katalog- und Arbeitszeitdaten (z. B. Systeme im Stil von Audatex/DAT/GT Motive) Reparaturvorgängen und Teilen zu, statt ein Modell eine Zahl raten zu lassen.
• Foto-Integrität: Da generative Bildbearbeitung gefälschte Schadenfotos billig macht, sind Aufnahme innerhalb der App (Live-Kamera, Metadaten, Echtheit der Szene) und Manipulationserkennung inzwischen Standardbestandteile der Pipeline; Verbindung zu ANOM-003.
• Mensch-in-der-Schleife (Human-in-the-Loop): Fälle mit geringer Konfidenz, hohem Wert, Personenschaden, Streit oder untypischem Verlauf gehen an einen Sachbearbeiter; der Kunde kann jederzeit eine menschliche Prüfung verlangen; Ablehnungen werden nie vollständig automatisiert.

Datenaufbereitung

Benötigte Daten: Schadenfotos mit Schadennummer, Fahrzeug- oder Objektdaten, Reparaturkalkulationen und Rechnungen sowie endgültige Regulierungsentscheidungen. Im Mittelstand (Werkstatt, Flotte, Hausverwaltung) liegen sie in der Werkstatt- oder Flottensoftware, im ERP, in E-Mail-Anhängen, Handy-Galerien und Messenger-Chats; bei Versicherern im Schadenkernsystem und im DMS.

Typische Lücken: uneinheitliche Aufnahmewinkel und Bildqualität, Fotos ohne Schadenbezug, fehlende Labels (welcher Schaden tatsächlich repariert wurde), Duplikate, eingescannte handschriftliche Berichte sowie Fotos mit Personen, Kennzeichen oder Adressen.

Aufbereitungsschritte: 1. Fotos und Schadendaten über Exporte oder Konnektoren sammeln (PREP-005). 2. Fotos mit Schadennummern und Reparaturergebnissen verknüpfen und Labels aus vorhandenen Rechnungen gewinnen (PREP-020). 3. Schadenkategorien vor jeder Klassifikation festlegen (PREP-019). 4. Mit Experten einen Testsatz geprüfter Schadenfälle aufbauen (PREP-018). 5. Kennzeichen und Gesichter unkenntlich machen oder Exporte pseudonymisieren (PREP-022). 6. Die Fotoaufnahme mit einer geführten App standardisieren, damit künftige Bilder nutzbar sind (PREP-008).

Aufwand: rund 30 bis 40 Prozent beim Training oder Tuning; deutlich geringer bei einem gekauften Produkt mit eigenen Modellen, wo die Hauptarbeit in der standardisierten Fotoaufnahme und sauberen Schadendaten liegt.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg B, weil die Schadenbearbeitung der Kernprozess eines Versicherers ist, das Volumen die Lizenzkosten pro Arbeitsplatz hoch treibt und die Foto-KI sich in das eigene Schadensystem integrieren muss.
• KMU: Weg A, weil Werkstätten und Flotten ausgereifte, in der EU verfügbare Kalkulationswerkzeuge mit Fotoaufnahme zu KMU-Preisen erhalten und der Prozess Standard ist.
• Entwickler: Weg B, da Bild-Sprach-APIs in EU-Regionen schnelle Prototypen für Integratoren erlauben; Selbstbetrieb lohnt sich erst bei hohem Volumen.

Weg A — Kaufen (für Werkstätten und Flotten empfohlen; Versicherer kombinieren es oft mit Weg B)

• Spezialisierte Anbieter von Schaden-KI: Tractable (UK/USA; Kfz und Sach), CCC Intelligent Solutions (USA), Solera/Audatex (Kalkulation mit KI-Fotoaufnahme), Ravin AI (Fahrzeuginspektion), Motionscloud (München, Deutschland; Foto-Abläufe für Schäden), DEKRA digitale Begutachtung (EU). Sach: Cape Analytics (Moody's), Nearmap, Verisk.
• Schadenkernsysteme (Guidewire, Duck Creek, Sapiens, Solera) liefern zunehmend Foto-KI-Module aus oder kooperieren dafür.
• Prüfen: Datenspeicherung in der EU, Preis pro Schaden, Genauigkeit bei Ihrem Schadenmix (mit Ihren Sachbearbeitern vergleichen), Integration in Schadenmeldung und Kalkulationswerkzeug, Erklärbarkeit bei Streitfällen.
• A wählen, wenn: Sie bewährte Abläufe und vom Anbieter gepflegte Modelle wollen und das Volumen kein ML-Team rechtfertigt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Multimodale Spitzen-APIs (Claude, Gemini, GPT, Mistral Pixtral/Mistral Medium Vision) mit strukturierter JSON-Ausgabe für Schadenbeschreibung, Plausibilitätsprüfungen und Rückmeldung zur Fotoqualität; Cloud-Bilddienste (Azure AI Vision / Custom Vision, Google Vertex AI, AWS Rekognition Custom Labels, Region Frankfurt/EU) für trainierte Detektoren.
• Mit der Schadenplattform orchestrieren (ereignisgesteuert), Aufnahme-SDK in der eigenen App, Regelwerk für die Triage. Allgemeine VLMs sind gut bei Beschreibung und Stimmigkeit der Schilderung, aber schwach bei präziser Lokalisierung auf Teileebene und bei der Kalkulation; kombinieren Sie sie mit einem trainierten Detektor und einer katalogbasierten Kalkulation.

Weg C — Selbst betreiben (Open Source)

• Modelle: Ultralytics YOLO (AGPL, Lizenz prüfen), RT-DETR, Mask2Former, SAM 2 / SAM 3 für Segmentierung, offene VLMs wie die Qwen-VL-Familie oder InternVL zur Beschreibung, über vLLM.
• Daten: öffentliche Benchmarks wie CarDD (Erkennung von Fahrzeugschäden) und COCO-basierte Datensätze für Fahrzeugschäden zum Einstieg; der echte Wert liegt in den eigenen beschrifteten Schadenfotos.
• Hardware: HW2 genügt für die Inferenz von Detektoren plus einem VLM mit 7-8 Mrd. Parametern bei Schadenvolumen; auch das Training der Detektoren passt auf eine GPU.

Weg D — Eigenes Training

Lohnt sich bei einem großen Schadenarchiv mit Fotos, endgültigen Reparaturrechnungen und regulierten Beträgen: Erkennung/Segmentierung für die Fahrzeuge Ihres Marktes feintunen und Kostenregressionsmodelle auf tatsächlichen Rechnungen trainieren. Benötigt Tausende annotierte Schadenfälle, Regeln für konsistente Labels (Schadentaxonomie) und Überwachung auf Drift (neue Modelle, Jahreszeiten, Kameratypen). Reparaturrechnungen sind eine naheliegende, aber verrauschte Label-Quelle.

Stand der Technik (2026)

• Ausgereift bei üblichen Außenschäden an Kfz: Erkennung auf Teileebene, Schweregradbewertung und Triage sind als Produkte verfügbar; führende Anbieter berichten vom Produktiveinsatz bei vielen Versicherern. Direktregulierung beschränkt sich auf Schäden mit geringem Wert und klarer Lage.
• Schwachstellen: verdeckte Struktur-, Unterboden- und ADAS-/Sensorschäden (Kalibrierung), Schäden an EV-Batterien, Spiegelungen, Schmutz und schlechtes Licht, Altschäden gegenüber neuen, Beurteilung von Lackreparaturen und ungewöhnliche Fahrzeuge. Sachschäden (Dach, Wasser) sind schwieriger als Fahrzeuge, weil Ursache und Ausmaß auf wenigen Fotos nicht sichtbar sind.
• Trends: geführte Aufnahme mit Echtzeit-Rückmeldung, VLMs für die Stimmigkeit der Schilderung, 3D-/Video-Scans (Photogrammetrie, Durchfahrtsportale) für Zustandsberichte, Manipulation von Bildern mit generativer KI als wachsender Betrugsvektor sowie agentische Schadenabläufe (AGENT-014), die das Schadenmodell als ein Werkzeug aufrufen.
• Grenzen: Modelle nennen plausible, aber falsche Kosten; die Genauigkeit schwankt je Fahrzeuggruppe und Lichtverhältnis; zeigen Sie stets den Beleg (annotiertes Foto) und einen Konfidenzwert.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie VIS-001 (Fehlererkennung), VIS-037 (Zustandsbewertung von Artikeln), VIS-003 (Drohneninspektion), VIS-058 (Kartierung von Katastrophenschäden): Trainings-Pipeline für Detektor/Segmentierer, Annotationswerkzeuge, GPU-Inferenzserver (HW2).
• Kombinierbar mit: AGENT-014 (durchgängige Schadenbearbeitung), ANOM-003 (Betrugserkennung einschließlich Fotomanipulation), PRED-037 (Vorhersage von Schadenhöhe und Reserven), DOC-003 (Schadenformulare und Reparaturrechnungen), VIS-030 (Gesichter und Kennzeichen in Fotos vor der Weitergabe unkenntlich machen).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Integration in Schadenmeldung und Schadensystem); Gebühren pro Schaden oder im Abonnement.
• Weg B: 3-6 Monate für eine Produktiv-Pipeline einschließlich Aufnahme-UX und Kalkulationsanbindung.
• Weg C/D: 6-12 Monate einschließlich Datenlabeling; laufendes MLOps.
• Kostentreiber: Labeling, Lizenzen für Kalkulationskataloge, Integration, Modellüberwachung.
• Kennzahlen: Direktregulierungsquote, Durchlaufzeit von der Schadenmeldung bis zur Regulierung, Abweichung der Schätzung von der Schlussrechnung, Leckage, Korrekturquote der Gutachter, Quote erneut angeforderter Fotos, Kundenzufriedenheit (NPS), Beschwerde-/Streitquote, Trefferquote bei Betrug.

Menschen & Veränderung

Wer und wann: Die Geschäftsleitung und die Leitung von Schaden oder Werkstatt entscheiden über Umfang und Haftungsgrenzen; Recht und Compliance prüfen die Pflichten gegenüber Versicherungsnehmern; die IT integriert; die/der Datenschutzbeauftragte wird von Anfang an einbezogen, weil Fotos Personen, Kennzeichen und Wohnhäuser zeigen; der Betriebsrat wird vor dem Pilot informiert. Binden Sie Sachbearbeiter und Werkstattpersonal als Endnutzer in den Test ein und planen Sie die Kundenkommunikation, da Kunden vom Ergebnis betroffen sind.

Betriebsrat: Kommt darauf an. Protokolliert und vergleicht das System den Durchsatz der Sachbearbeiter oder misst deren Abweichungen von KI-Schätzungen, gilt §87 Abs. 1 Nr. 6 BetrVG (die objektive Eignung zur Überwachung genügt); §90 Abs. 1 Nr. 3 verlangt frühzeitige Information über KI-gestützte Prozesse, und §80 Abs. 3 erlaubt einen KI-Sachverständigen. Wo ein gewählter Betriebsrat besteht, vereinbaren Sie eine Betriebsvereinbarung (GUIDE-004).

Datenschutz: Eine DSFA ist wahrscheinlich, wenn Schadenfotos und Entscheidungen viele Personen in großem Umfang betreffen, dazu ein AVV mit jedem Auftragsverarbeiter (GUIDE-005).

KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit Schulungen zu Fehlermustern wie Spiegelungen und Altschäden (Art. 4 KI-Verordnung, GUIDE-006).

Pilot und Bedenken: Führen Sie einen Pilot mit einfachen Schäden von geringem Wert durch (GUIDE-009). Mitarbeitende fürchten Kompetenzverlust und Kunden eine unfaire Ablehnung: Die KI schlägt nur vor, und ein Mensch entscheidet über jede Auszahlung oder Ablehnung (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Schadenbewertung von Sachen ist in der Regel minimales Risiko. Hochrisiko nach Anhang III gilt für KI zur Risikobewertung und Preisbildung in der Lebens- und Krankenversicherung (Anhang III, Nr. 5 Buchst. c) und für die Kreditwürdigkeitsprüfung; ein reines Werkzeug für Schaden und Reparaturkosten bei Kfz- oder Sachschäden ist nicht aufgeführt, doch der Kontext zählt: Fließen Ergebnisse in Entscheidungen über Personen ein (z. B. automatische Schadenablehnung, Betrugsbewertung Einzelner, gesundheitsbezogene Schäden), ist neu zu bewerten. Erkennung von Fotomanipulation und Betrugswerte sind gesondert zu beurteilen. Die Pflicht zur KI-Kompetenz (Art. 4) gilt. Nichts hiervon berührt nach Art. 5 verbotene Praktiken, sofern keine Emotionserkennung oder biometrische Kategorisierung hinzugefügt wird.
• DSGVO: Fotos enthalten personenbezogene Daten (Personen, Kennzeichen, Häuser, Orte, EXIF-GPS); Rechtsgrundlage ist Vertrag/Schadenbearbeitung; Datenminimierung (Umstehende unkenntlich machen, nicht benötigte Metadaten entfernen); Art. 22 begrenzt ausschließlich automatisierte Entscheidungen mit erheblicher Wirkung, sehen Sie daher eine menschliche Prüfung und die Möglichkeit zum Widerspruch vor; Aufbewahrung nach Schadenrecht; Auftragsverarbeitungsverträge und Hosting in der EU.
• Branche: Versicherungsaufsicht (Solvency-II-Governance, EIOPA-Stellungnahme zu KI-Governance und Risikomanagement), IDD-Grundsatz der fairen Behandlung, nationale Regeln zur Bewertung von Reparaturkosten und zum Totalschaden.
• Risiken und Gegenmaßnahmen: verzerrte oder falsche Schätzungen (Schattenmodus, Stichprobenprüfungen), Kundenvertrauen (transparente Erklärungen, menschlicher Rückfall), Betrug mit bearbeiteten oder KI-generierten Fotos (Aufnahme in der App, Forensik), Anbieterbindung (die beschrifteten Daten selbst besitzen), Modelldrift (vierteljährliche Genauigkeitsprüfungen).

Erste Schritte

1. Den Umfang festlegen: Schadenarten, Wertgrenzen und welche Entscheidungen automatisiert oder nur beratend sind.
2. 500-1.000 historische Schadenfälle mit Fotos, Kalkulationen und Schlussrechnungen als Testsatz sammeln.
3. 2-3 Anbieter für Weg A im Schattenmodus laufen lassen und auf diesem Satz mit Gutachtern vergleichen.
4. Die geführte Aufnahme und das Recht des Kunden auf menschliche Prüfung gestalten; die DSFA mit der/dem Datenschutzbeauftragten abstimmen.
5. Zuerst für Schäden mit geringem Wert starten, Abweichungen und Korrekturen monatlich überwachen.

Quellen

1. Regulation (EU) 2024/1689 (AI Act), incl. Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. EIOPA — Opinion on AI governance and risk management — https://www.eiopa.europa.eu/publications/opinion-artificial-intelligence-governance-and-risk-management_en
3. Tractable — AI for claims — https://tractable.ai
4. CarDD: A New Dataset for Vision-based Car Damage Detection (arXiv 2211.00945) — https://arxiv.org/abs/2211.00945
5. Segment Anything (SAM) project — https://github.com/facebookresearch/sam2
6. Ultralytics YOLO documentation — https://docs.ultralytics.com
7. GDPR Art. 22 — https://gdpr-info.eu/art-22-gdpr/
8. Azure AI Vision documentation — https://learn.microsoft.com/azure/ai-services/computer-vision/