Ein mittelgroßer deutscher Versicherer verarbeitet pro Jahr zwischen 200.000 und 800.000 Schadenfälle. Jeder Fall durchläuft im Schnitt sieben bis zwölf Bearbeitungsschritte, von der Schadensmeldung bis zur Auszahlung. Die durchschnittliche Durchlaufzeit liegt bei 18 bis 24 Tagen, bei komplexen Fällen deutlich darüber.
KI in der Schadenbearbeitung ändert diese Zahlen grundlegend. Aviva hat mit einem Plattform-Ansatz die durchschnittliche Bearbeitungszeit komplexer Fälle um 23 Tage reduziert, die Kundenbeschwerden um 65 Prozent gesenkt und den Net Promoter Score um das Siebenfache gesteigert. Diese Werte sind kein Einzelfall. Sie zeigen, was möglich ist, wenn KI nicht als Einzeltool, sondern als durchgängige Automatisierung gedacht wird.
Die fünf Phasen des Schadenprozesses und wo KI ansetzt
Phase 1: Erstmeldung (First Notice of Loss, FNOL). Der Versicherte meldet einen Schaden, klassisch per Telefon, heute zunehmend per App oder Web-Formular. KI übernimmt hier zwei Aufgaben: die strukturierte Aufnahme der Schadensschilderung über einen Sprach- oder Chat-Agent und die sofortige Vorprüfung auf Plausibilität, eingereichte Dokumente und Vollständigkeit.
Phase 2: Triage und Klassifizierung. Jeder Schadenfall wird in eine Bearbeitungskategorie sortiert: einfach (automatisierbar), mittel (KI-unterstützt), komplex (Sachbearbeiter mit KI-Vorbereitung). Klassische Versicherer treffen diese Entscheidung manuell, KI macht sie in Sekunden auf Basis von hunderten Merkmalen.
Phase 3: Dokumentenprüfung. Schadenfotos, Gutachten, Arztberichte und Rechnungen werden gelesen, klassifiziert, auf Echtheit geprüft und in die richtigen Datenfelder übertragen. Hier greifen mehrere KI-Bausteine ineinander: OCR, NLP, Deepfake-Detection, Plausibilitätsprüfung.
Phase 4: Schadenbewertung. Die KI vergleicht den gemeldeten Schaden mit historischen Daten, prüft auf Auffälligkeiten und schlägt eine Regulierungssumme vor. Bei Standardfällen ohne Auffälligkeiten kann sie eigenständig regulieren, bei Auffälligkeiten eskaliert sie an einen Sachbearbeiter.
Phase 5: Entscheidung und Auszahlung. Die finale Entscheidung trifft die KI bei vollständig automatisierten Fällen oder ein Sachbearbeiter, der eine vollständige KI-Vorbereitung vor sich hat. Auszahlung läuft anschließend automatisiert über die Zahlsysteme.
Wie KI-Agenten den Schadenprozess durchgängig automatisieren
Der Unterschied zwischen einer KI-Einzelanwendung und einer KI-Agenten-Architektur liegt in der Orchestrierung. Eine Einzelanwendung erkennt zum Beispiel manipulierte Schadenfotos und liefert ein Risiko-Flag. Ein Agent erkennt das Foto, prüft Konsistenz mit dem Gutachten, schlägt automatisch eine zweite Begutachtung vor, terminiert sie, dokumentiert das Ergebnis und übergibt anschließend mit kompletter Akte an den Sachbearbeiter.
In der Praxis bedeutet das.
- Der Agent kennt den vollständigen Fall, nicht nur einen Datenpunkt
- Er folgt einem definierten Geschäftsprozess, nicht einem starren Regelwerk
- Er kommuniziert mit anderen Systemen über strukturierte Schnittstellen, mit Menschen über natürliche Sprache
- Er protokolliert jede Entscheidung mit Begründung, Audit-fähig
Versicherer, die diesen Ansatz in den vergangenen achtzehn Monaten produktiv eingeführt haben, berichten von Automatisierungsraten zwischen 30 und 55 Prozent bei einfachen Schäden, von einer Reduktion der Durchlaufzeit um 40 bis 60 Prozent in diesen Fällen und von einer Entlastung der Sachbearbeiter um 25 bis 35 Prozent.
30 % schnellere Softwareentwicklung mit KI-Agenten in der Versicherungsbranche
In einem groß angelegten Projekt mit ursprünglich 500 Personentagen zeigte sich bereits nach dem ersten Monat, dass der Aufwand höher als geplant sein würde. Der Umstieg auf KI-gestützte Softwareentwicklung hat das Blatt gewendet: Nach einer einmonatigen Vorbereitungsphase wurde das Projekt mit nur 350 Personentagen in fünf Monaten erfolgreich abgeschlossen – und lagen damit nicht nur einen Monat vor dem ursprünglichen Endtermin, sondern auch rund 30 % unter dem geplanten Aufwand.
Was Versicherer von Aviva lernen können
Aviva hat 2024 und 2025 nicht eine einzelne KI-Anwendung eingeführt, sondern eine zentrale Plattform aufgebaut, auf der alle KI-Use-Cases gemeinsam laufen: Underwriting, Schadenbearbeitung, Kundenservice, Betrugserkennung. Der Mehrwert dieser Architektur ist nicht das einzelne Modell, sondern die Tatsache, dass alle Modelle auf der gleichen Datenbasis arbeiten und Kontext austauschen.
Drei strategische Entscheidungen waren entscheidend.
Plattform statt Insellösung. Aviva hat sich gegen Best-of-Breed-Tools entschieden und für eine integrierte Plattform mit dezidierten Partnern, etwa hyperexponential im Underwriting. Vorteil: Daten und Modelle teilen sich, Entwicklungszyklen werden kürzer, Compliance-Last sinkt durchgängig.
Human-in-the-Loop als Designprinzip. Statt KI durchlaufen zu lassen und nachträglich Aufsicht einzubauen, war menschliche Aufsicht von Anfang an Teil der Architektur. Das hat die Compliance-Kosten gesenkt, weil die Aufsicht nicht aufgesetzt war.
Iterative Skalierung. Aviva ist nicht mit einem Big-Bang-Rollout gestartet, sondern hat mit einer Schadenart begonnen, die Ergebnisse gemessen, dann ausgeweitet. Pilot, Skalierung, nächste Sparte. Dieser Rhythmus hat das Vertrauen der Sachbearbeiter und der Aufsicht gleichzeitig aufgebaut.
Roadmap zur produktiven Schadenbearbeitung mit KI
Eine pragmatische Einführung gelingt in vier Stufen.
Stufe 1: Bestandsaufnahme und Use-Case-Auswahl (Wochen 1 bis 4). Welche Schadenarten haben die höchste Frequenz, die einfachste Datenstruktur, das beste Verhältnis aus Aufwand und Einsparung? Klassische Kandidaten: Kfz-Glasbruch, kleine Sachschäden, Haftpflicht unter einer definierten Schadenhöhe.
Stufe 2: Plattform-Entscheidung und Architektur (Wochen 5 bis 12). On-premises oder zertifizierte Cloud. LLM-Auswahl. Integration ins Kernsystem, das bei deutschen Versicherern meist auf Mainframe-Basis läuft. Die Integration zwischen moderner KI-Plattform und Legacy-Kernsystem ist erfahrungsgemäß der zeitkritische Pfad.
Stufe 3: Pilot in einer Schadenart (Wochen 13 bis 24). Live-Betrieb mit definierten KPIs: Automatisierungsrate, Bearbeitungszeit, Kundenzufriedenheit, Fehler-Rate. Wöchentliche Reviews mit den Sachbearbeitern, damit die KI an die tatsächliche Arbeitsrealität angepasst wird.
Stufe 4: Skalierung und Generalisierung (ab Woche 25). Übernahme der Pilot-Architektur in weitere Sparten. Aufbau eines KI-Centers-of-Excellence, das Modellpflege und Compliance zentral verantwortet.
Wo der Engpass meist liegt
Drei Themen halten Versicherer in der Praxis am meisten auf.
Datenqualität. Schadendaten sind in deutschen Versicherungen oft in zehn bis fünfzehn Systemen verteilt, mit inkonsistenten Schlüsseln, lückenhafter Historie, gebrochenen Codes. Vor der KI-Einführung steht meist eine Daten-Konsolidierung, die selbst Monate dauern kann.
Legacy-Anbindung. Die Mainframe-basierten Kernsysteme erlauben oft keine direkten API-Zugriffe. Eine moderne KI-Plattform muss diese Lücke überbrücken, in der Regel über eine Abstraktionsschicht, die mit IMS-Transaktionen und klassischen Bildschirmmasken kommuniziert.
Akzeptanz im Team. Sachbearbeiter sind verständlich skeptisch, wenn sie zum ersten Mal Vorschläge von einer KI bekommen. Erfolgreiche Einführungen investieren früh in Schulung und in das Design der KI-Empfehlungen, damit sie nicht als Anweisung wirken, sondern als Vorbereitung.
Wie können wir Ihnen helfen?
Beschreiben Sie kurz, wobei wir Sie unterstützen dürfen. Wir melden uns zeitnah und individuell.
