KI in der Schadenbearbeitung 2026: Use Cases und die Tool-Landschaft

Ein Kfz-Schaden geht um neun Uhr morgens ein: eine gesprungene Windschutzscheibe, ein Fahrzeug, volle Kaskodeckung, ein Kostenvoranschlag über 380 Euro, keine Verletzung, kein Streit, keine Betrugshistorie. Ein Sachbearbeiter öffnet ihn, prüft die Police, liest den Kostenvoranschlag, bestätigt die Deckung, tippt eine Freigabe und stößt die Zahlung an. Die Arbeit dauert zwölf Minuten und braucht überhaupt kein Urteil. Derselbe Sachbearbeiter hat vierzig komplexe Schäden in der Warteschlange - einen strittigen Haftungsfall, einen Personenschaden, einen mutmaßlich gestellten Unfall -, die wirklich einen erfahrenen Menschen brauchen, und jeder Scheibenschaden in der Warteschlange ist gestohlene Zeit für sie.

Das ist das reale Kostenproblem in der Schadenbearbeitung. Es ist nicht, dass Schäden schwer sind; es ist, dass erfahrene, teure Sachbearbeiter den Großteil ihres Tages mit routinemäßigen, eindeutigen Schäden verbringen, die eine Maschine erledigen könnte, während die Schäden, die sie brauchen, warten. Gleichzeitig geht die Sachbearbeiter-Belegschaft in Rente, erfahrenes Schaden-Personal ist knapp, und das Wissen, das einen Grenzfall entscheidet - welchen Werkstätten man vertraut, wann eine Kulanzzahlung einen Streit schlägt, wie euer Versicherer eine Grauzonen-Haftungsfrage liest -, lebt in einer Handvoll Köpfe.

Das ist eine ehrliche Karte davon, wo KI 2026 in der versichererseitigen Schadenbearbeitung tatsächlich funktioniert - die Use Cases entlang des Schadenlebenszyklus, die realen Tools und Anbieter, die jeden bedienen, und der Rahmen aus EU AI Act, BaFin und DSGVO, in dem ihr arbeiten müsst. Kein Tool gewinnt jede Zeile. Und es gibt eine Sache, die fast keines davon bewahrt, und das ist der Unterschied zwischen Software, die euren Schadenprozess fährt, und einem System, das sich erinnert, wie euer Versicherer tatsächlich entscheidet.

Wo ein Versicherer in der Schadenbearbeitung Zeit und Wissen verliert

Ein Versicherer läuft auf Schäden und auf den Menschen, die wissen, wie man sie entscheidet. Das Kostenproblem ist nicht, dass Schäden komplex sind; es ist, dass erfahrene Sachbearbeiter den Großteil ihres Tages mit routinemäßigen, geringwertigen Schäden verbringen, und das Wissen, das die harten Fälle richtig macht, in wenigen erfahrenen Köpfen lebt.

• Routineschäden fressen Sachbearbeiter-Zeit - einfache Kfz-, Reise- und kleinere Sachschäden mit klarer Deckung und ohne Streit machen den Großteil des Volumens und fast kein Urteil aus, sitzen aber in derselben Warteschlange wie die harten.
• Die Erfassung ist langsam und manuell - der First Notice of Loss kommt per Telefon, E-Mail, Portal und PDF, und jemand tippt ihn ins Coretech-System, bevor der Schaden überhaupt triagiert werden kann.
• Dokumente werden per Hand gelesen - Kostenvoranschläge, Rechnungen, Polizeiberichte und ärztliche Befunde werden manuell extrahiert und gegen die Police abgeglichen, immer wieder.
• Die Sachbearbeiter gehen in Rente - die erfahrenen Schaden-Kräfte, die einen Grenzfall lesen können, altern aus, und der Ersatz ist knapp und langsam einzuarbeiten.
• Wissen lebt in Menschen, nicht in Systemen - welche Werkstätten aufblähen, wann eine Kulanzzahlung mehr wert ist als ein Streit, wie euer Versicherer eine Grauzonen-Haftungsfrage liest - nichts davon ist aufgeschrieben.
• Betrug versteckt sich im Volumen - die gestellten Unfälle und aufgeblähten Schäden liegen im Routinefluss begraben, und sie per Hand zu fangen ist langsam und uneinheitlich.
• Die Systeme reden nicht miteinander - der Schaden ist in der Coretech-Plattform, die Police in einem anderen System, die Dokumente in einem Speicher und der Kontext in einem Postfach, also werden die Sachbearbeiter zur Integrationsschicht.

Die Frage ist also nicht, ob KI auf die Schäden angesetzt wird. Es ist, welche Schäden man automatisiert, welches Tool welche Aufgabe bedient, und ob das Tool nur den Prozess fährt oder tatsächlich das Urteil bewahrt, das eure besten Sachbearbeiter tragen.

Warum 2026 für die Schadenbearbeitung anders ist

Versicherer bewerten Schäden seit Jahren auf Betrug und leiten sie nach Regeln. Was sich geändert hat: Sprachmodelle können jetzt die unstrukturierten Dokumente lesen, aus denen ein Schaden besteht, Agenten können über die Schadensysteme hinweg handeln statt in einem Chatfenster zu antworten, und die Aufsicht hat einen klaren Rahmen gesetzt, also kamen die Technologie und die Regeln zusammen.

1. Sprachmodelle bewältigen die Dokumente - FNOL-Text, Kostenvoranschläge, Rechnungen und Berichte sind unstrukturiert, und KI kann sie jetzt lesen, extrahieren und gegen die Police abgleichen, wo der Großteil der manuellen Schadenlast sitzt¹.
2. Agentische KI ging vom Chat zur Handlung - Agenten erledigen jetzt einen Routineschaden end-to-end, bearbeiten die E-Mail, verifizieren die Details, bewerten gegen die Richtlinien und bereiten die Antwort vor, statt nur eine Frage zu beantworten⁸.
3. Die Aufsicht setzte den Rahmen - der EU AI Act nennt die Risikobepreisung in Leben und Kranken ab August 2026 hochriskant, und das deutsche KI-MIG-Gesetz versetzte die BaFin in die Lage, KI-Missbrauch zu sanktionieren, also sind die Regeln konkret statt ausstehend^15,18.
4. Die Einführung skaliert, sie pilotiert nicht mehr - rund 65 Prozent der Versicherer planen 2026 skalierte KI-Agenten für Schäden und bewegen die Kategorie vom Experiment zum Betrieb⁵.
5. Die Personalklippe ist da - erfahrene Sachbearbeiter gehen in Rente, also ist es jetzt dringend, das Routineband mit KI zu erledigen und ihr Urteil zu bewahren, nicht aspirativ.
6. Die ehrliche Einschränkung - der Wert konzentriert sich auf ein enges Band einfacher Schäden, und ein Versicherer, der KI ohne Menschen auf komplexe, strittige oder Personenschäden richtet, erzeugt Risiko, nicht Ersparnis, also automatisieren die Gewinner das Einfache und behalten den Menschen beim Harten.

Mit dieser Linse hier der ehrliche Blick darauf, wo KI entlang des Schadens funktioniert.

KI-Use-Cases entlang des Schadenlebenszyklus

KI kommt nicht als ein Projekt; sie kommt Schritt für Schritt entlang des Schadens. Hier verdient sie ihren Platz vom First Notice of Loss bis zur Regulierung, mit dem ehrlichen Hinweis, was menschlich bleibt.

First Notice of Loss und Erfassung

• Omnichannel-Erfassung - den Schaden aus Telefon, E-Mail, Portal und PDF lesen und ins Coretech-System strukturieren, sodass die Erfassung kein manuelles Tippen mehr ist.
• Sofortige Bestätigung - dem Kunden den Schaden bestätigen und die fehlenden Dokumente automatisch anfordern, was den Ton für das ganze Erlebnis setzt.
• FNOL bis Triage in Minuten - KI beim First Notice of Loss verdichtet Erfassung, Triage und Routing von einem früher mehrtägigen Prozess auf Minuten³.

Triage, Routing und Segmentierung

• Erkennung des einfachen Bandes - die routinemäßigen, eindeutigen Schäden identifizieren - klare Deckung, zwei Parteien, keine Betrugssignale, unter einer Schwelle -, die dunkel durchlaufen können⁹.
• Komplexitäts-Routing - strittige, Personen-, Haftungs- und hochwertige Schäden mit bereits zusammengestelltem Kontext an den richtigen erfahrenen Sachbearbeiter senden.
• Smart Handover - eine saubere Eskalation an einen Menschen in dem Moment, in dem ein Schaden das automatisierbare Band verlässt, was Druid AI von Haus aus in den Workflow einbaut⁹.

Dokumentenextraktion und Validierung

• Den Kostenvoranschlag lesen - Positionen, Beträge und Daten aus Reparaturkostenvoranschlägen, Rechnungen und Berichten ziehen, ohne dass ein Mensch sie abtippt, der Kern versicherungstrainierter Tools wie Roots Automation¹⁰.
• Policen-Abgleich - das, was die Dokumente sagen, gegen die Deckungsbedingungen abgleichen und die Abweichungen markieren.
• Schadenbewertung - Fotos von Fahrzeug- oder Sachschäden bewerten, um eine erste Wertermittlung zu stützen, wobei ein Mensch alles Wesentliche bestätigt.

Betrugserkennung und Scoring

• Muster- und Anomalie-Scoring - die Schäden markieren, die von normalen Mustern und der Historie abweichen, damit Ermittler ihre Zeit dort einsetzen, wo sie zählt, die Kategorie, die Shift Technology anführt¹¹.
• Multimodale Beweispakete - Dokument-, Bild- und Textsignale zu einer Widerspruchskarte kombinieren, nicht nur zu einer Zahl, sodass der Ermittler strukturierte Beweise bekommt¹².
• Der Mensch entscheidet weiterhin - die KI entscheidet, was einen Blick verdient; ein qualifizierter Ermittler entscheidet, was tatsächlich Betrug ist.

Regulierung, Zahlungen und Kommunikation

• Dunkelregulierung - den einfachen, verifizierten Schaden innerhalb der Schwelle automatisch auszahlen, wo die Dunkelverarbeitung aus einem mehrtägigen Zyklus Stunden macht⁴.
• Das Entscheidungsschreiben entwerfen - das Regulierungs- oder Nachforderungsschreiben in eurem Format und Ton produzieren, prüfbereit.
• Status und Updates - routinemäßige Fragen von Anspruchstellern beantworten und Status-Updates schicken, mit Eskalation an einen Menschen bei allem Sensiblen oder Strittigen.

Die KI-Tool-Landschaft für die Schadenbearbeitung 2026

Hier der ehrliche Blick auf die Kategorien, die für die versichererseitige Schadenbearbeitung zählen, gruppiert nach der Aufgabe, die jede am besten erledigt, was sie wirklich gut kann und wo sie aufhört. Die Preise sind bei fast allen nur auf Anfrage, weil sie nach Modulen, Volumen und Sparten verkauft werden.

Claims-native KI-Plattformen

1. Five Sigma

• Was es ist - Eine KI-native Schadenmanagement-Plattform mit Clive, einem KI-Sachbearbeiter, der FNOL, Triage, Betrugssignale und Dokumentation in einem modernen Schadensystem automatisiert⁷.
• Am besten für - Versicherer und MGAs, die eine schaden-erste Plattform wollen, die um KI herum gebaut ist statt KI auf einen alten Kern geschraubt.
• Wo es aufhört - Es fährt den Schaden-Workflow; das komplexe Haftungs- und Personenschaden-Urteil sitzt weiterhin bei euren Sachbearbeitern.

2. Sprout.ai

• Was es ist - Eine Schadenautomatisierungsplattform, die vom First Notice of Loss bis zur Regulierung läuft, stark im Dokumentenverständnis, und berichtet 80 Prozent oder mehr Dunkelverarbeitung bei geeigneten Schäden⁶.
• Am besten für - Europäische Versicherer und Lloyd’s-Syndikate mit hochfrequenten Privatkunden-Schäden in Kranken, Kfz, Reise und einfacher Sache.
• Wo es aufhört - Es automatisiert die geeigneten Schäden; zu definieren und zu steuern, was als geeignet gilt, bleibt bei euch.

Agentische Automatisierungsplattformen

3. Beam AI

• Was es ist - Eine agentische Automatisierungsplattform, deren Schaden-Agent E-Mails bearbeitet, Schadendetails verifiziert, gegen Richtlinien bewertet und Antworten entwirft, und die durch Feedbackschleifen 98 Prozent Genauigkeit über die Flows berichtet⁸.
• Am besten für - Versicherer, die Agenten wollen, die über den Schadenprozess hinweg handeln statt eines Einzelaufgaben-Tools.
• Wo es aufhört - Es arbeitet innerhalb der Richtlinien, die ihr setzt; das Urteil, wo die Richtlinien enden, gehört euch.

4. Druid AI

• Was es ist - Eine konversationelle und agentische Plattform für Makler und Versicherer, die einfache, volumenstarke Schäden in Minuten reguliert und in jeden Workflow einen Smart Handover an einen Menschen einbaut⁹.
• Am besten für - Versicherer, die eine starke kundenseitige konversationelle Schicht mit agentischem Nachfassen wollen.
• Wo es aufhört - Ein kundenseitiger Chatbot trägt EU-AI-Act-Transparenzpflichten, also liegen Offenlegung und Aufsicht bei euch¹⁶.

Dokumentenextraktion und Betrug

5. Roots Automation

• Was es ist - Versicherungstrainierte Digital Coworkers und Dokumentenverständnis, die die Kostenvoranschläge, Rechnungen und Formulare lesen, aus denen ein Schaden besteht, eigens für Versicherungsinhalte gebaut¹⁰.
• Am besten für - Versicherer, wo der Engpass die dokumentenlastige Erfassung und Dateneingabe über den Schaden ist.
• Wo es aufhört - Es liest und strukturiert die Dokumente; die Schadenentscheidung, die folgt, braucht weiterhin einen Workflow und einen Verantwortlichen.

6. Shift Technology und Betrugs-Spezialisten

• Was sie sind - KI-Decisioning-Spezialisten für Betrugserkennung und Schadenautomatisierung, die Schäden gegen Muster bewerten und die hervorheben, die einen Ermittler brauchen¹¹.
• Am besten für - Versicherer, wo Betrugsleckage die Priorität ist; Deloitte beziffert das Sach- und Unfall-Betrugs-Sparpotenzial bis 2032 auf 80 bis 160 Milliarden Dollar¹².
• Wo sie aufhören - Sie bewerten und heben Risiko hervor; die Betrugsfeststellung und die SIU-Entscheidung bleiben in menschlicher Hand.

Coretech-Plattformen und allgemeine Tools

7. EIS, Guidewire und Duck Creek

• Was sie sind - Kern-Versicherungsplattformen und Coretech-Systeme-of-Record, die zunehmend KI-Funktionen in den Schaden einbinden, innerhalb der Plattform, die Versicherer schon fahren¹³.
• Am besten für - Versicherer, die KI in ihrem bestehenden Kern erweitern statt ein separates Schaden-Tool hinzuzufügen.
• Wo sie aufhören - Die KI ist durch die Plattform begrenzt; sie erreicht nicht die E-Mail, die vergangenen Fälle und das stille Wissen außerhalb.

8. Allgemeine Assistenten und Automatisierung (ChatGPT, Microsoft Copilot, UiPath) als Basislinie

• Was sie sind - Allzweck-Assistenten und Automatisierungsplattformen, die Text entwerfen, ein Dokument zusammenfassen oder Daten zwischen Systemen bewegen.
• Am besten für - Einmaliges Entwerfen und einfache Aufgabenautomatisierung neben den echten Schadensystemen.
• Wo sie aufhören - Sie sind kein Schadensystem. Sie halten eure Schäden nicht, kennen eure Deckungsregeln nicht, und ohne Governance genutzt erzeugen sie ein Schatten-KI- und DSGVO-Problem. Nutzt sie als Co-Pilot, nicht als das System.

Was jedes Schaden-Tool übersieht

Stellt die obigen Tools nebeneinander, und ein Muster erscheint. Sie unterscheiden sich im Preis, in der Sparten-Passung und darin, wie viel sie automatisieren. In einem blinden Fleck sind sie sich einig: Jedes ist eine Prozessmaschine für einen Teil des Schadens, und keines bewahrt die Begründung, die eine Entscheidung richtig macht, wenn der Sachbearbeiter, der sie hielt, in Rente geht.

• Sie fahren den Prozess, nicht das Urteil - die Betrugs-Engine markiert einen Schaden. Sie weiß nicht, dass dieses Muster, für diese Werkstatt, dasselbe ist, das euer bester Ermittler letztes Quartal als legitim freigab, und warum.
• Der Kontext geht zur Tür hinaus - wenn ein erfahrener Sachbearbeiter in Rente geht, behält die Plattform die Schadenakten, verliert aber das Gespür dafür, welche Werkstätten aufblähen, welchen Anspruchstellern zu vertrauen ist und wie euer Versicherer eine Grauzonen-Haftungsfrage liest. Der nächste Neue lernt es neu.
• Jedes Tool sieht nur seine eigene Box - die Coretech-Plattform, die Betrugs-Engine, das Dokumenten-Tool und das CRM halten je einen Ausschnitt, also hat kein einzelnes Tool den Voll-Schaden-Blick, den eine echte Entscheidung braucht.
• Automatisierung ist nicht Entscheiden - ein in Sekunden regulierter Schaden braucht immer noch das Vertrauen, dass er ins einfache Band gehörte, und eine Aufsicht erwartet für die, die es nicht taten, einen verantwortlichen Menschen.
• Die Reichweite endet an der Systemgrenze - der Grund, warum ein Schaden gezahlt, bestritten oder eskaliert werden sollte, lebt oft in einer E-Mail, einer vergangenen Fallnotiz oder einem Gespräch, das das Tool nie sieht.
• Governance bleibt euch überlassen - die EU-AI-Act-, BaFin- und DSGVO-Pflichten rund um ein Schadenmodell trägt der Versicherer, und ein Punkt-Tool gibt euch selten die Protokollierung und die Kontrollen für menschliche Aufsicht über alles hinweg.

Das ist die Lücke, die ein Company Brain plus KI-Mitarbeiter schließen soll.

Der Company-Brain-Ansatz

Ein Company Brain ist Unternehmensgedächtnis: das Menschen-Wissen, die Prozesse und die Entscheidungen, die euren Schadenbetrieb funktionieren lassen, erfasst, sodass sie Fluktuation überleben und darauf gehandelt werden kann. Es ist die Schicht über euren Schaden-Tools, und es ist das, was eine Prozessmaschine in einen KI-Mitarbeiter verwandelt, der den Schaden erledigt und die Fragen beantwortet - innerhalb eures Compliance-Rahmens, nicht darum herum.

Was es bewahrt

• Wie euer Versicherer wirklich entscheidet - die Art, wie euer bester Sachbearbeiter eine Grenzfall-Haftungsfrage liest, die Werkstätten, denen ihr vertraut, und die Schadenarten, die ihr genau prüft, sodass Triage und Regulierung eure Regeln widerspiegeln, nicht ein generisches Modell.
• Welche Schäden wirklich einfach sind - die genaue Grenze des automatisierbaren Bandes für euren Bestand, sodass die Dunkelverarbeitung sicher bleibt, während Deckung, Betrugsmuster und Sparten sich ändern.
• Die Kulanzregeln - wann eine kleine Zahlung einen guten Kunden hält und wann ein Schaden angefochten werden sollte, das Urteil, das nie in ein Policendokument kam.
• Warum ihr entschieden habt - die Begründung hinter vergangenen Schadenentscheidungen, bewahrt und protokolliert, sodass der nächste Schaden aus dem letzten lernt und gegenüber der Aufsicht verteidigbar ist.
• Feedback, während es passiert - das Company Brain lernt jeden Tag aus den Korrekturen eurer Sachbearbeiter, sodass es genau bleibt, während Betrugstaktiken, Reparaturkosten und Kunden sich ändern, statt zu veralten.

Die KI-Mitarbeiter obendrauf

Verankert in diesem Gedächtnis erledigen KI-Mitarbeiter die Routineschäden end-to-end und bleiben mit den Systemen verbunden, in denen eure Schäden und ihr Kontext tatsächlich leben - die Coretech-Plattform, der Dokumentenspeicher, E-Mail, Teams und das CRM.

• Erledigen die Erfassung - den FNOL aus jedem Kanal erfassen, strukturieren und die fehlenden Dokumente automatisch anfordern.
• Lesen die Dokumente - den Kostenvoranschlag, die Rechnung und den Bericht extrahieren und gegen die Deckung abgleichen.
• Räumen das einfache Band ab - den klaren, geringwertigen, betrugsfreien Schaden innerhalb eurer Schwelle regulieren und alles andere an den richtigen Sachbearbeiter leiten.
• Stellen die Ausnahme zusammen - den komplexen Schaden mit bereits gesammeltem Kontext an einen Menschen übergeben, sodass der Sachbearbeiter bereit startet.
• Verbessern sich täglich - jede Korrektur und jeder abgeschlossene Schaden fließt zurück ins Company Brain, sodass ihr mehr Output ohne mehr Personal bekommt.

Ein Company Brain ersetzt nicht eure Coretech-Plattform oder eure Betrugs-Engine. Es sitzt über ihnen und bewahrt das, was sie nie erfasst haben: wie euer Versicherer tatsächlich entscheidet, und wer das Nachfassen erledigt.

Build vs. Buy vs. Layer: Das Urteil

Der Instinkt bei Schaden-KI ist, sie als Build gegen Buy zu rahmen. Das ist die falsche Frage. Der richtige Rahmen hat drei Teile, und für die meisten Versicherer ist die Antwort alle drei, in dieser Reihenfolge.

1. Kauft die Schaden-Tools - Coretech-Plattformen, Betrugs-Engines und Dokumentenextraktion sind gelöste Probleme, gebaut von Anbietern mit jahrelangen Versicherungsdaten. Selbst zu bauen ist eine Milchmädchenrechnung; wählt die Tools, die zu euren Sparten passen, und bindet sie an.
2. Baut die Plattform nicht selbst - ein hausgemachter Schadenkern oder eine Betrugs-Engine konkurriert mit Spezialisten und trägt die Wartungs- und Compliance-Last allein. Ihr gebt mehr aus und seht weniger.
3. Legt Gedächtnis und Handlung obendrauf - der Teil, den kein Schaden-Tool euch gibt, das bewahrte Schaden-Urteil und die KI-Mitarbeiter, die das Routineband über euer Coretech, eure Dokumente und euer CRM abräumen, ist der Ort, an dem sich eine eigene Schicht verdient, weil sie spezifisch dafür ist, wie euer Versicherer entscheidet.

Das 90-Tage-Schaden-KI-Playbook

Die meisten Schaden-KI-Projekte stocken, weil sie alles automatisieren wollen oder weil sie KI auf komplexe Schäden richten und Entscheidungsrisiko übernehmen. Ein fokussierter 90-Tage-Plan bringt ein einfaches, volumenstarkes Schadenband von der Baseline zu einer funktionierenden, messbaren Dunkelschleife, mit einem Menschen bei jeder Ausnahme, und erweitert dann. Hier die Form.

Phase 1: Baseline und Erfassung (Woche 1-4)

1. Woche 1: Ein einfaches Band wählen - einfache Kfz-Scheibe, Reiseverspätung oder kleiner Sachschaden, nicht Personen- oder Haftungsschaden, sodass ihr zuerst Wert ohne Entscheidungsrisiko bekommt.
2. Woche 2: Die Zahlen baselinen - Bearbeitungszeit, Kosten pro Schaden, Anfassquote und den aktuellen Dunkelanteil für dieses Band messen. Das ist euer Vorher-Bild.
3. Woche 3: Die Begründung erfassen - mit eurem besten Sachbearbeiter zusammensitzen und genau dokumentieren, was einen Schaden in diesem Band einfach macht und wo er eskalieren muss. Das speist das Company Brain.
4. Woche 4: Die Leitplanken setzen - die Schwelle definieren, bis zu der die KI regulieren darf, was immer an einen Menschen geht, und die Protokollierung, die BaFin und DSGVO erwarten.

Phase 2: Bauen und testen (Woche 5-8)

5. Woche 5-6: Anbinden und verankern - den KI-Mitarbeiter an Coretech, Dokumentenspeicher und CRM anschließen und in den erfassten Regeln verankern. Er läuft neben dem Team, noch nicht auf Live-Zahlungen.
6. Woche 7: Schattenmodus - die KI triagiert und entwirft Regulierungen auf echten Schäden, und eure Sachbearbeiter prüfen und korrigieren. Jede Korrektur speist das Company Brain.
7. Woche 8: Verfeinern - die Bandgrenze justieren, die Eskalationspunkte finalisieren, den Audit-Trail bestätigen und den Go-Live-Umfang festlegen.

Phase 3: Betreiben und messen (Woche 9-12)

9. Woche 9: Soft Launch - die KI das einfache Band für ein Team innerhalb der Schwelle regulieren lassen, mit einem Menschen, der jede Ausnahme verantwortet, und dem Log, das jeden Schritt erfasst.
10. Woche 10-11: Voller Rollout - auf die breitere Funktion ausweiten und erst dann das nächste Band mit bereits bewiesener Governance planen.
11. Woche 12: Messen und erweitern - Bearbeitungszeit, Kosten pro Schaden und Dunkelanteil gegen die Baseline aus Woche 1 vergleichen, den Audit-Trail prüfen, dann das nächste Band wählen.

Wie Superkind passt

Superkind baut KI-Mitarbeiter, verankert in einem Company Brain. In einem Versicherer heißt das KI-Mitarbeiter, die die routinemäßigen, geringwertigen Schäden end-to-end abräumen - Erfassung, Triage, Dokumentenarbeit und einfache Regulierung -, verbunden mit den Systemen, die ihr schon nutzt, und ein Unternehmensgedächtnis, das bewahrt, wie euer Versicherer entscheidet, auch wenn Sachbearbeiter in Rente gehen.

• Arbeitet auf euren Schaden-Tools - es sitzt neben eurer Coretech-Plattform, eurer Betrugs-Engine und eurem Dokumentenspeicher, kein Rip-and-Replace der Systeme, die ihr schon fahrt.
• Räumt das einfache Band ab, leitet den Rest - es reguliert den klaren, geringwertigen, betrugsfreien Schaden innerhalb eurer Schwelle und übergibt jede Ausnahme mit zusammengestelltem Kontext an den richtigen Sachbearbeiter.
• Verankert in eurem Company Brain - Triage und Regulierung spiegeln eure echten Regeln, eure vertrauten Werkstätten und eure Kulanzlogik wider, nicht ein generisches Modell.
• Mit euren echten Systemen verbunden - es handelt über die Coretech-Plattform, den Dokumentenspeicher, das CRM, E-Mail und Teams über API-Anbindungen, sodass es dort arbeitet, wo der Schaden und sein Kontext leben.
• Erledigt den Schaden, nicht nur einen Chat - es erfasst den FNOL, liest die Dokumente, reguliert den einfachen Schaden und stellt die Ausnahme zusammen, mit einem Menschen, der jede Entscheidung mit Risiko verantwortet.
• Für den Compliance-Rahmen gebaut - Human-in-the-Loop von Haus aus, protokollierte Aktionen, EU-Datenresidenz und Kontrollen, die zu EU AI Act, BaFin und DSGVO passen, kein angeschraubter Consumer-Chatbot.
• Bewahrt das Wissen - das Schaden-Urteil und die Kulanzregeln, die eure Sachbearbeiter halten, werden erfasst, während die Arbeit passiert, sodass sie Renteneintritte und Fluktuation überleben.
• Live in Wochen - ein erstes einfaches Band erreicht typischerweise in 8 bis 12 Wochen den beaufsichtigten Betrieb und fährt ein Schadenband, bevor es erweitert.

Der Rahmen aus EU AI Act, BaFin und DSGVO

Für einen Versicherer ist Compliance die erste Zeile der Schaden-KI-Shortlist, nicht die letzte. Die gute Nachricht ist, dass die meiste routinemäßige Schadenautomatisierung risikoärmer ist, aber die Risikobepreisung in Leben und Kranken ist hochriskant, Kunden-Chatbots tragen Transparenzpflichten, und personen- und gesundheitsbezogene Daten fallen unter die DSGVO, also muss der Rahmen Teil des Designs sein.

EU AI Act

• Leben- und Kranken-Bepreisung ist hochriskant - Anhang III nennt die Risikobewertung und Bepreisung in der Lebens- und Krankenversicherung als hochriskant, wobei die vollen Pflichten ab dem 2. August 2026 gelten: Risikomanagement, Daten-Governance, Dokumentation, Protokollierung, menschliche Aufsicht und eine Konformitätsbewertung^15,16.
• Sach- und Unfall-Schadenbearbeitung ist meist risikoärmer - die Schadenbearbeitung in der Sach- und Unfallversicherung ist nicht ausdrücklich als hochriskant genannt, also fällt viel routinemäßige Schadenautomatisierung in die Kategorie begrenzt oder minimal¹⁷.
• Chatbots tragen Transparenzpflichten - ein kundenseitiger Schaden-Chatbot muss klarmachen, dass die Person mit KI zu tun hat, also legt es in Nachrichten an Anspruchsteller offen¹⁶.
• Die Klassifizierung kommt zuerst - ein Scoring- oder Bepreisungsmodell trägt Pflichten, die ein dokumentenlesender Assistent nicht hat, also klassifiziert jeden Use Case vor dem Einsatz, nicht danach.

BaFin und der deutsche Rahmen

• Die BaFin kann KI-Missbrauch jetzt sanktionieren - das KI-MIG-Gesetz trat am 29. Juli 2026 in Kraft und gibt der BaFin die Befugnis, Versicherer für den Missbrauch von KI in Bereichen wie Bepreisung und Kunden-Chatbots zu sanktionieren, wobei die Chatbot-Offenlegung zu den Pflichten gehört, die sie beaufsichtigt¹⁸.
• Menschliche Aufsicht und Protokollierung - behaltet einen qualifizierten Menschen bei jeder Schadenentscheidung mit Risiko und protokolliert, was die KI tut, was die Aufsicht zufriedenstellt und schlicht gute Schaden-Governance ist.
• Verbotene Praktiken - vermeidet KI, die sensible personenbezogene Daten so analysiert, dass Einzelne unfair benachteiligt werden, eine Linie, die die BaFin jetzt ausdrücklich überwacht¹⁸.
• Sektor-Passung - ein Tool, das nicht in eurer Coretech-Plattform arbeiten kann oder deutsche Schadenkonventionen ignoriert, passt nicht zu einem deutschen Versicherer, so gut seine KI auch ist.

DSGVO und praktische Haltung

• Schadendaten sind personenbezogen, oft Gesundheitsdaten - Anspruchsteller-, Medizin- und Vorfalldaten sind von der DSGVO gedeckt, also verarbeitet sie rechtmäßig, minimal und mit klarem Zweck und Rechtsgrundlage.
• Haltet die Daten in der EU - bevorzugt Tools, die innerhalb eurer Infrastruktur oder einer konformen EU-Grenze verarbeiten, ein Punkt, den die Souveränitätsdebatte um US-Cloud-Anbieter geschärft hat.
• Betriebsrats-Einbindung - wo KI ändert, wie Mitarbeiter arbeiten, ist der Betriebsrat in deutschen Versicherern typischerweise einzubinden. Holt ihn früh dazu, nicht nach dem Piloten.
• Vertrauen als Rahmen - EIOPA hat klargemacht, dass KI in der Versicherung mit menschlicher Aufsicht und Verbrauchervertrauen skalieren muss, nicht darum herum, was genau das Human-in-the-Loop-Design ist, das ein Versicherer ohnehin wollen sollte^19,20.

Häufige Fragen

Verwandte Artikel

• Der KI-Mitarbeiter für Garantie- und After-Sales-Schäden
• KI bei Banken und Finanzdienstleistern
• KI-Dokumentenverarbeitung für das Back-Office
• Der EU AI Act für den Mittelstand
• KI-Agenten für den Mittelstand

Henri Jung

Mitgründer von Superkind, wo er SMEs und Unternehmen dabei hilft, individuelle KI-Mitarbeiter einzusetzen, die tatsächlich dazu passen, wie ihre Teams arbeiten. Henri liegt es am Herzen, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schließen. Er glaubt, dass der Mittelstand alles hat, was er braucht, um bei KI zu führen - er braucht nur den richtigen Ansatz.