Insight

KI im Schadenmanagement: Vom Piloten zum Produktiveinsatz

KI-Piloten im Schaden laufen, die Skalierung stockt. Integration, Rolle der Sachbearbeitung und Governance entscheiden, ob KI in den Regelbetrieb kommt.

Prozesse und Effizienz

7 min Lesezeit

Kernaussage

Ein gelungener Pilot beweist Können, nicht Reife. Ohne geklärte Zuständigkeiten, angebundene Prozesse und gepflegte Datenbasis bleibt KI im Schaden ein Showcase statt Regelbetrieb.

Titelbild zum Beitrag „KI im Schadenmanagement: Wie der Weg vom Piloten zum Produktiveinsatz wirklich aussieht“

Die wichtigsten Erkenntnisse

Pilot läuft gut, Skalierung stockt

Integration ist der unsichtbare Großteil des Aufwands

Die KI bereitet vor, der Mensch entscheidet

Der Pilot läuft gut. Und dann?

Schadenabteilungen deutscher Versicherer haben in den vergangenen zwei Jahren intensiv mit KI experimentiert: automatisierte Schadenanlage, Betrugserkennung, Dokumentenprüfung, Erstreaktion auf Kundenmeldungen. Die Piloten laufen oft besser als erwartet. Die Skalierung dagegen stockt.

Ein gelungener Pilot beweist, dass die Technik funktioniert, nicht, dass die Organisation sie tragen kann: Für den Produktivbetrieb braucht KI im Schaden drei Bausteine, die im Pilot fast nie gebaut werden, nämlich die Integration in das führende Bestandssystem, eine neue Rolle für die Sachbearbeitung und eine Governance, die jede vorbereitete Entscheidung nachvollziehbar macht. Wer diese drei Bausteine von Anfang an mitplant, bringt einen Anwendungsfall in den Regelbetrieb und gewinnt damit die Vorgehensweise für alle weiteren.

Wie weit sind Versicherer beim KI-Einsatz wirklich?

Breit gestartet, selten skaliert. Nach einer Befragung der europäischen Versicherungsaufsicht EIOPA unter 347 Versicherungsunternehmen aus 25 Ländern, veröffentlicht im Februar 2026, nutzen fast zwei Drittel generative KI bereits aktiv; 64 Prozent der Anwendungen sind interne Produktivitäts-Tools, etwa die Extraktion von Daten aus Rechnungen, Gesprächsaufzeichnungen und medizinischen Berichten. Der InsurTech Hub Munich fasst im Whitepaper „Auf dem Weg zum KI-nativen Versicherer“ (März 2026) zusammen, dass mehr als die Hälfte der Versicherungsunternehmen KI nutzt, aber nur punktuell.

Die Skalierung bleibt der Engpass. Im „World Property and Casualty Insurance Report 2026“ des Capgemini Research Institute, für den international 344 Führungskräfte von Sach- und Unfallversicherern befragt wurden, haben nur rund 10 Prozent KI erfolgreich skaliert; 60 Prozent befinden sich noch in Erkundung oder Proof of Concept, 42 Prozent messen keine KI-Kennzahlen.

Kennzahlen zu Sach- und Unfallversicherern: rund 10 Prozent haben KI erfolgreich skaliert, 60 Prozent sind noch in Erkundung oder Proof of Concept, 42 Prozent messen keine KI-Kennzahlen, 12 Prozent berichten eine sehr hohe Datenreife. Quelle: Capgemini Research Institute, World Property and Casualty Insurance Report 2026.

Woran scheitert der Übergang vom Pilot in den Betrieb?

An drei strukturellen Bremsen, die im Schaden besonders ausgeprägt sind: Systeme, Nachvollziehbarkeit und Daten.

Erstens die Systeme. Ein Pilot greift auf einen sauberen Datenexport zu. Der Produktivbetrieb muss in das Bestandssystem hinein, in dem Schäden tatsächlich angelegt, reguliert und ausgezahlt werden. Diese Integration ist der unsichtbare Großteil des Aufwands. Eine KI, die ihre Ergebnisse nicht in das führende System zurückschreibt, erzeugt eine zweite Wahrheit neben der ersten.

Zweitens die Nachvollziehbarkeit. Eine KI, die einen Schaden vorprüft, bereitet Entscheidungen mit finanzieller und rechtlicher Wirkung vor. Wer darf widersprechen? Wie wird dokumentiert, auf welcher Grundlage der Vorschlag entstand? Die EIOPA hat im August 2025 eine Stellungnahme zu Governance und Risikomanagement beim KI-Einsatz veröffentlicht, die einen risikobasierten und verhältnismäßigen Ansatz beschreibt. Für die interne Revision zählt dasselbe: Ohne belastbare Antworten bleibt das System im Pilotstatus.

Drittens die Daten. Freitextfelder, gescannte Dokumente unterschiedlicher Qualität, historisch gewachsene Schlüsselsysteme: Ein Modell, das auf kuratierten Beispielen glänzt, scheitert im Alltag an genau den Ausnahmen, die einen großen Teil des realen Aufkommens ausmachen. Nur 12 Prozent der von Capgemini befragten Versicherer berichten eine sehr hohe Datenreife.

Warum entscheidet die Organisation über die Skalierung?

Weil die Technik meist budgetiert ist, der Wandel nicht. Nach dem Capgemini-Bericht fließen 72 Prozent der KI-Ausgaben von Versicherern in Technologie und Infrastruktur, 28 Prozent in Veränderungsmanagement und Schulung. 47 Prozent der Beschäftigten mit KI-Tools sagen, dass sich ihr Arbeitstag nach 18 Monaten nicht verändert hat.

Im Schaden heißt das: die Sachbearbeitung früh einbeziehen, statt ihr ein fertiges System vorzusetzen. Erfahrene Regulierer haben ein feines Gespür dafür, wo ein Vorgang nicht stimmt. Wird KI als Ersatz dieser Erfahrung angekündigt, entsteht Widerstand. Nimmt sie Routine ab und lenkt den Blick auf die kniffligen Fälle, entsteht Akzeptanz.

Dazu gehört eine ehrliche Klärung der Verantwortung. Bereitet ein KI-Agent einen Vorgang vor, muss feststehen, wer das Ergebnis trägt. Solange diese Frage offen ist, wird jede Führungskraft die KI im Zweifel umgehen, weil das Risiko persönlich bei ihr liegt.

Mit welchem Anwendungsfall sollte ein Versicherer starten?

Mit der Neuschadenanlage. Sie ist strukturiert, dokumentenlastig und gut messbar. Eine Schadenmeldung trifft per Formular, E-Mail oder Anhang ein; das System erkennt den Vertrag, ordnet die Sparte zu, liest die Angaben aus, gleicht sie mit dem Vertrag ab und legt den Vorgang strukturiert in der Schadenakte an. Die Sachbearbeitung erhält einen vorbereiteten Fall statt eines leeren Formulars.

In einem vergleichbaren Projekt bei einer großen Versicherungsgruppe sank auf diesem Weg die Bearbeitungszeit für Standardschäden mit KI-Agenten von über sechs auf rund drei Tage, die manuelle Dateneingabe um rund 80 Prozent, eingebettet in die vorhandenen Systeme. Entscheidend ist, was das System nicht tut: Es zahlt nicht selbsttätig aus, lehnt nicht selbsttätig ab und trifft keine Bewertung mit rechtlicher Wirkung, ohne dass ein Mensch sie verantwortet.

Auf diesem Fundament folgen die weiteren Fälle in einer Reihenfolge, die aufeinander aufbaut: Posteingangssteuerung, dann Betrugserkennung, die ein verlässliches Datenfundament voraussetzt, und schließlich die echte Dunkelverarbeitung klar abgegrenzter Schadenarten, wie sie der Beitrag zur Dunkelverarbeitung im Schaden beschreibt. Wer mit der vollautomatischen Auszahlung beginnt, riskiert einen frühen, sichtbaren Fehlschlag. Wie die Betrugserkennung in diese Kette passt, zeigt der Beitrag zur KI-Betrugserkennung in der Versicherung.

Prozesskette in vier Schritten: Neuschadenanlage, Posteingangssteuerung, Betrugserkennung, Dunkelverarbeitung klar abgegrenzter Schadenarten. Darstellung: Sotica.

Welche Kennzahlen zeigen, ob KI im Schaden trägt?

Drei Kennzahlen gehen über die Demo hinaus. Die Durchlaufzeit vom Eingang der Meldung bis zur ersten qualifizierten Reaktion zeigt, ob der Prozess schneller wird. Die Quote der Vorgänge, die ohne manuelle Nacharbeit korrekt vorbereitet werden, zeigt, ob das System im Alltag trägt. Die Zufriedenheit der Sachbearbeitung zeigt, ob es als Entlastung erlebt und damit genutzt wird.

Eingesparte Bearbeitungsstunden sind ein legitimes Ergebnis, aber nicht der einzige Maßstab. Eine schnellere, verlässlichere Regulierung bindet Kundinnen und Kunden und vermeidet teure Eskalationen. Die Datenbasis bleibt dabei eine Daueraufgabe: Neue Schadenarten, geänderte Formulare und neue Eingangskanäle verändern die Datenlage fortlaufend. Ohne eine verantwortliche Rolle für Datenqualität und ein Monitoring, das Abweichungen früh sichtbar macht, verliert ein gut gestartetes Modell schleichend an Treffsicherheit.

Selbst bauen oder einkaufen?

Die Diskussion konzentriert sich oft auf das Modell, doch Modelle sind heute weitgehend verfügbar. Aufwand und Risiko liegen in der Integration in die gewachsene Systemlandschaft, in der Governance und in der Einbindung der Sachbearbeitung. Diese drei Dinge sind spezifisch für jedes Unternehmen. Wichtiger als die Wahl des Anbieters ist deshalb, dass die Verantwortung für Integration und organisatorischen Übergang über Konzept und Umsetzung hinweg in einer Hand bleibt. Wie KI-Vorreiter unter den Versicherern das organisieren, beschreibt der Beitrag zu KI-Vorreitern unter Versicherern; zur Governance generativer KI lohnt der Blick auf die Zurückhaltung im Compliance-Einsatz.

Was das Management jetzt entscheiden sollte

  1. Einen Anwendungsfall vollständig in Betrieb bringen, statt weitere Piloten zu starten; die Neuschadenanlage ist meist der beste Kandidat.

  2. Die Integration in das Bestandssystem von Beginn an planen und budgetieren, nicht nach dem Pilot.

  3. Verantwortung für vorbereitete Entscheidungen festlegen und die Dokumentation der Entscheidungsgrundlage verbindlich machen.

  4. Veränderungsmanagement eigenständig budgetieren und die Sachbearbeitung in die Gestaltung einbinden.

  5. Drei Kennzahlen vor dem Start messen: Durchlaufzeit, Quote ohne Nacharbeit, Zufriedenheit der Sachbearbeitung.

Häufige Fragen

Warum skalieren KI-Piloten im Schaden so selten?
Weil Integration in das Bestandssystem, die neue Rolle der Sachbearbeitung und die Governance im Pilot fehlen. Der Pilot beweist das Modell, nicht die Betriebsfähigkeit.

Trifft die KI im Schaden selbst Entscheidungen?
In einem gut geschnittenen Prozess bereitet sie vor, und ein Mensch verantwortet Zahlung, Ablehnung und jede Bewertung mit rechtlicher Wirkung. Vollautomatische Entscheidungen bleiben klar abgegrenzten, risikoarmen Schadenarten vorbehalten.

Wie lange dauert der Weg vom Pilot in den Betrieb?
Das hängt weniger vom Modell ab als von der Integration und vom Zuschnitt. Je enger der Anwendungsfall geschnitten und je früher die Anbindung an das Bestandssystem geplant ist, desto kürzer der Weg.

Weitere Beiträge zu Schadenprozessen, Underwriting und Betrugserkennung bündelt das Dossier Underwriting & Schaden.

Wie viele KI-Piloten im eigenen Schadenbereich laufen und wie viele davon tatsächlich in das Bestandssystem schreiben, ist eine aufschlussreiche Zählung. Über ein erstes Gespräch zu diesem Thema freuen wir uns.

Sotica Insights

Redaktion · Beiträge aus der Beratungspraxis

Ein Thema, das gerade beschäftigt?

Gemeinsam einordnen, was daraus folgt.

Titelbild zum Beitrag „KI im Schadenmanagement: Wie der Weg vom Piloten zum Produktiveinsatz wirklich aussieht“

Die wichtigsten Erkenntnisse

Pilot läuft gut, Skalierung stockt

Integration ist der unsichtbare Großteil des Aufwands

Die KI bereitet vor, der Mensch entscheidet

Der Pilot läuft gut. Und dann?

Schadenabteilungen deutscher Versicherer haben in den vergangenen zwei Jahren intensiv mit KI experimentiert: automatisierte Schadenanlage, Betrugserkennung, Dokumentenprüfung, Erstreaktion auf Kundenmeldungen. Die Piloten laufen oft besser als erwartet. Die Skalierung dagegen stockt.

Ein gelungener Pilot beweist, dass die Technik funktioniert, nicht, dass die Organisation sie tragen kann: Für den Produktivbetrieb braucht KI im Schaden drei Bausteine, die im Pilot fast nie gebaut werden, nämlich die Integration in das führende Bestandssystem, eine neue Rolle für die Sachbearbeitung und eine Governance, die jede vorbereitete Entscheidung nachvollziehbar macht. Wer diese drei Bausteine von Anfang an mitplant, bringt einen Anwendungsfall in den Regelbetrieb und gewinnt damit die Vorgehensweise für alle weiteren.

Wie weit sind Versicherer beim KI-Einsatz wirklich?

Breit gestartet, selten skaliert. Nach einer Befragung der europäischen Versicherungsaufsicht EIOPA unter 347 Versicherungsunternehmen aus 25 Ländern, veröffentlicht im Februar 2026, nutzen fast zwei Drittel generative KI bereits aktiv; 64 Prozent der Anwendungen sind interne Produktivitäts-Tools, etwa die Extraktion von Daten aus Rechnungen, Gesprächsaufzeichnungen und medizinischen Berichten. Der InsurTech Hub Munich fasst im Whitepaper „Auf dem Weg zum KI-nativen Versicherer“ (März 2026) zusammen, dass mehr als die Hälfte der Versicherungsunternehmen KI nutzt, aber nur punktuell.

Die Skalierung bleibt der Engpass. Im „World Property and Casualty Insurance Report 2026“ des Capgemini Research Institute, für den international 344 Führungskräfte von Sach- und Unfallversicherern befragt wurden, haben nur rund 10 Prozent KI erfolgreich skaliert; 60 Prozent befinden sich noch in Erkundung oder Proof of Concept, 42 Prozent messen keine KI-Kennzahlen.

Kennzahlen zu Sach- und Unfallversicherern: rund 10 Prozent haben KI erfolgreich skaliert, 60 Prozent sind noch in Erkundung oder Proof of Concept, 42 Prozent messen keine KI-Kennzahlen, 12 Prozent berichten eine sehr hohe Datenreife. Quelle: Capgemini Research Institute, World Property and Casualty Insurance Report 2026.

Woran scheitert der Übergang vom Pilot in den Betrieb?

An drei strukturellen Bremsen, die im Schaden besonders ausgeprägt sind: Systeme, Nachvollziehbarkeit und Daten.

Erstens die Systeme. Ein Pilot greift auf einen sauberen Datenexport zu. Der Produktivbetrieb muss in das Bestandssystem hinein, in dem Schäden tatsächlich angelegt, reguliert und ausgezahlt werden. Diese Integration ist der unsichtbare Großteil des Aufwands. Eine KI, die ihre Ergebnisse nicht in das führende System zurückschreibt, erzeugt eine zweite Wahrheit neben der ersten.

Zweitens die Nachvollziehbarkeit. Eine KI, die einen Schaden vorprüft, bereitet Entscheidungen mit finanzieller und rechtlicher Wirkung vor. Wer darf widersprechen? Wie wird dokumentiert, auf welcher Grundlage der Vorschlag entstand? Die EIOPA hat im August 2025 eine Stellungnahme zu Governance und Risikomanagement beim KI-Einsatz veröffentlicht, die einen risikobasierten und verhältnismäßigen Ansatz beschreibt. Für die interne Revision zählt dasselbe: Ohne belastbare Antworten bleibt das System im Pilotstatus.

Drittens die Daten. Freitextfelder, gescannte Dokumente unterschiedlicher Qualität, historisch gewachsene Schlüsselsysteme: Ein Modell, das auf kuratierten Beispielen glänzt, scheitert im Alltag an genau den Ausnahmen, die einen großen Teil des realen Aufkommens ausmachen. Nur 12 Prozent der von Capgemini befragten Versicherer berichten eine sehr hohe Datenreife.

Warum entscheidet die Organisation über die Skalierung?

Weil die Technik meist budgetiert ist, der Wandel nicht. Nach dem Capgemini-Bericht fließen 72 Prozent der KI-Ausgaben von Versicherern in Technologie und Infrastruktur, 28 Prozent in Veränderungsmanagement und Schulung. 47 Prozent der Beschäftigten mit KI-Tools sagen, dass sich ihr Arbeitstag nach 18 Monaten nicht verändert hat.

Im Schaden heißt das: die Sachbearbeitung früh einbeziehen, statt ihr ein fertiges System vorzusetzen. Erfahrene Regulierer haben ein feines Gespür dafür, wo ein Vorgang nicht stimmt. Wird KI als Ersatz dieser Erfahrung angekündigt, entsteht Widerstand. Nimmt sie Routine ab und lenkt den Blick auf die kniffligen Fälle, entsteht Akzeptanz.

Dazu gehört eine ehrliche Klärung der Verantwortung. Bereitet ein KI-Agent einen Vorgang vor, muss feststehen, wer das Ergebnis trägt. Solange diese Frage offen ist, wird jede Führungskraft die KI im Zweifel umgehen, weil das Risiko persönlich bei ihr liegt.

Mit welchem Anwendungsfall sollte ein Versicherer starten?

Mit der Neuschadenanlage. Sie ist strukturiert, dokumentenlastig und gut messbar. Eine Schadenmeldung trifft per Formular, E-Mail oder Anhang ein; das System erkennt den Vertrag, ordnet die Sparte zu, liest die Angaben aus, gleicht sie mit dem Vertrag ab und legt den Vorgang strukturiert in der Schadenakte an. Die Sachbearbeitung erhält einen vorbereiteten Fall statt eines leeren Formulars.

In einem vergleichbaren Projekt bei einer großen Versicherungsgruppe sank auf diesem Weg die Bearbeitungszeit für Standardschäden mit KI-Agenten von über sechs auf rund drei Tage, die manuelle Dateneingabe um rund 80 Prozent, eingebettet in die vorhandenen Systeme. Entscheidend ist, was das System nicht tut: Es zahlt nicht selbsttätig aus, lehnt nicht selbsttätig ab und trifft keine Bewertung mit rechtlicher Wirkung, ohne dass ein Mensch sie verantwortet.

Auf diesem Fundament folgen die weiteren Fälle in einer Reihenfolge, die aufeinander aufbaut: Posteingangssteuerung, dann Betrugserkennung, die ein verlässliches Datenfundament voraussetzt, und schließlich die echte Dunkelverarbeitung klar abgegrenzter Schadenarten, wie sie der Beitrag zur Dunkelverarbeitung im Schaden beschreibt. Wer mit der vollautomatischen Auszahlung beginnt, riskiert einen frühen, sichtbaren Fehlschlag. Wie die Betrugserkennung in diese Kette passt, zeigt der Beitrag zur KI-Betrugserkennung in der Versicherung.

Prozesskette in vier Schritten: Neuschadenanlage, Posteingangssteuerung, Betrugserkennung, Dunkelverarbeitung klar abgegrenzter Schadenarten. Darstellung: Sotica.

Welche Kennzahlen zeigen, ob KI im Schaden trägt?

Drei Kennzahlen gehen über die Demo hinaus. Die Durchlaufzeit vom Eingang der Meldung bis zur ersten qualifizierten Reaktion zeigt, ob der Prozess schneller wird. Die Quote der Vorgänge, die ohne manuelle Nacharbeit korrekt vorbereitet werden, zeigt, ob das System im Alltag trägt. Die Zufriedenheit der Sachbearbeitung zeigt, ob es als Entlastung erlebt und damit genutzt wird.

Eingesparte Bearbeitungsstunden sind ein legitimes Ergebnis, aber nicht der einzige Maßstab. Eine schnellere, verlässlichere Regulierung bindet Kundinnen und Kunden und vermeidet teure Eskalationen. Die Datenbasis bleibt dabei eine Daueraufgabe: Neue Schadenarten, geänderte Formulare und neue Eingangskanäle verändern die Datenlage fortlaufend. Ohne eine verantwortliche Rolle für Datenqualität und ein Monitoring, das Abweichungen früh sichtbar macht, verliert ein gut gestartetes Modell schleichend an Treffsicherheit.

Selbst bauen oder einkaufen?

Die Diskussion konzentriert sich oft auf das Modell, doch Modelle sind heute weitgehend verfügbar. Aufwand und Risiko liegen in der Integration in die gewachsene Systemlandschaft, in der Governance und in der Einbindung der Sachbearbeitung. Diese drei Dinge sind spezifisch für jedes Unternehmen. Wichtiger als die Wahl des Anbieters ist deshalb, dass die Verantwortung für Integration und organisatorischen Übergang über Konzept und Umsetzung hinweg in einer Hand bleibt. Wie KI-Vorreiter unter den Versicherern das organisieren, beschreibt der Beitrag zu KI-Vorreitern unter Versicherern; zur Governance generativer KI lohnt der Blick auf die Zurückhaltung im Compliance-Einsatz.

Was das Management jetzt entscheiden sollte

  1. Einen Anwendungsfall vollständig in Betrieb bringen, statt weitere Piloten zu starten; die Neuschadenanlage ist meist der beste Kandidat.

  2. Die Integration in das Bestandssystem von Beginn an planen und budgetieren, nicht nach dem Pilot.

  3. Verantwortung für vorbereitete Entscheidungen festlegen und die Dokumentation der Entscheidungsgrundlage verbindlich machen.

  4. Veränderungsmanagement eigenständig budgetieren und die Sachbearbeitung in die Gestaltung einbinden.

  5. Drei Kennzahlen vor dem Start messen: Durchlaufzeit, Quote ohne Nacharbeit, Zufriedenheit der Sachbearbeitung.

Häufige Fragen

Warum skalieren KI-Piloten im Schaden so selten?
Weil Integration in das Bestandssystem, die neue Rolle der Sachbearbeitung und die Governance im Pilot fehlen. Der Pilot beweist das Modell, nicht die Betriebsfähigkeit.

Trifft die KI im Schaden selbst Entscheidungen?
In einem gut geschnittenen Prozess bereitet sie vor, und ein Mensch verantwortet Zahlung, Ablehnung und jede Bewertung mit rechtlicher Wirkung. Vollautomatische Entscheidungen bleiben klar abgegrenzten, risikoarmen Schadenarten vorbehalten.

Wie lange dauert der Weg vom Pilot in den Betrieb?
Das hängt weniger vom Modell ab als von der Integration und vom Zuschnitt. Je enger der Anwendungsfall geschnitten und je früher die Anbindung an das Bestandssystem geplant ist, desto kürzer der Weg.

Weitere Beiträge zu Schadenprozessen, Underwriting und Betrugserkennung bündelt das Dossier Underwriting & Schaden.

Wie viele KI-Piloten im eigenen Schadenbereich laufen und wie viele davon tatsächlich in das Bestandssystem schreiben, ist eine aufschlussreiche Zählung. Über ein erstes Gespräch zu diesem Thema freuen wir uns.

Sotica Insights

Redaktion · Beiträge aus der Beratungspraxis

Ein Thema, das gerade beschäftigt?

Gemeinsam einordnen, was daraus folgt.

Titelbild zum Beitrag „KI im Schadenmanagement: Wie der Weg vom Piloten zum Produktiveinsatz wirklich aussieht“

Die wichtigsten Erkenntnisse

Pilot läuft gut, Skalierung stockt

Integration ist der unsichtbare Großteil des Aufwands

Die KI bereitet vor, der Mensch entscheidet

Der Pilot läuft gut. Und dann?

Schadenabteilungen deutscher Versicherer haben in den vergangenen zwei Jahren intensiv mit KI experimentiert: automatisierte Schadenanlage, Betrugserkennung, Dokumentenprüfung, Erstreaktion auf Kundenmeldungen. Die Piloten laufen oft besser als erwartet. Die Skalierung dagegen stockt.

Ein gelungener Pilot beweist, dass die Technik funktioniert, nicht, dass die Organisation sie tragen kann: Für den Produktivbetrieb braucht KI im Schaden drei Bausteine, die im Pilot fast nie gebaut werden, nämlich die Integration in das führende Bestandssystem, eine neue Rolle für die Sachbearbeitung und eine Governance, die jede vorbereitete Entscheidung nachvollziehbar macht. Wer diese drei Bausteine von Anfang an mitplant, bringt einen Anwendungsfall in den Regelbetrieb und gewinnt damit die Vorgehensweise für alle weiteren.

Wie weit sind Versicherer beim KI-Einsatz wirklich?

Breit gestartet, selten skaliert. Nach einer Befragung der europäischen Versicherungsaufsicht EIOPA unter 347 Versicherungsunternehmen aus 25 Ländern, veröffentlicht im Februar 2026, nutzen fast zwei Drittel generative KI bereits aktiv; 64 Prozent der Anwendungen sind interne Produktivitäts-Tools, etwa die Extraktion von Daten aus Rechnungen, Gesprächsaufzeichnungen und medizinischen Berichten. Der InsurTech Hub Munich fasst im Whitepaper „Auf dem Weg zum KI-nativen Versicherer“ (März 2026) zusammen, dass mehr als die Hälfte der Versicherungsunternehmen KI nutzt, aber nur punktuell.

Die Skalierung bleibt der Engpass. Im „World Property and Casualty Insurance Report 2026“ des Capgemini Research Institute, für den international 344 Führungskräfte von Sach- und Unfallversicherern befragt wurden, haben nur rund 10 Prozent KI erfolgreich skaliert; 60 Prozent befinden sich noch in Erkundung oder Proof of Concept, 42 Prozent messen keine KI-Kennzahlen.

Kennzahlen zu Sach- und Unfallversicherern: rund 10 Prozent haben KI erfolgreich skaliert, 60 Prozent sind noch in Erkundung oder Proof of Concept, 42 Prozent messen keine KI-Kennzahlen, 12 Prozent berichten eine sehr hohe Datenreife. Quelle: Capgemini Research Institute, World Property and Casualty Insurance Report 2026.

Woran scheitert der Übergang vom Pilot in den Betrieb?

An drei strukturellen Bremsen, die im Schaden besonders ausgeprägt sind: Systeme, Nachvollziehbarkeit und Daten.

Erstens die Systeme. Ein Pilot greift auf einen sauberen Datenexport zu. Der Produktivbetrieb muss in das Bestandssystem hinein, in dem Schäden tatsächlich angelegt, reguliert und ausgezahlt werden. Diese Integration ist der unsichtbare Großteil des Aufwands. Eine KI, die ihre Ergebnisse nicht in das führende System zurückschreibt, erzeugt eine zweite Wahrheit neben der ersten.

Zweitens die Nachvollziehbarkeit. Eine KI, die einen Schaden vorprüft, bereitet Entscheidungen mit finanzieller und rechtlicher Wirkung vor. Wer darf widersprechen? Wie wird dokumentiert, auf welcher Grundlage der Vorschlag entstand? Die EIOPA hat im August 2025 eine Stellungnahme zu Governance und Risikomanagement beim KI-Einsatz veröffentlicht, die einen risikobasierten und verhältnismäßigen Ansatz beschreibt. Für die interne Revision zählt dasselbe: Ohne belastbare Antworten bleibt das System im Pilotstatus.

Drittens die Daten. Freitextfelder, gescannte Dokumente unterschiedlicher Qualität, historisch gewachsene Schlüsselsysteme: Ein Modell, das auf kuratierten Beispielen glänzt, scheitert im Alltag an genau den Ausnahmen, die einen großen Teil des realen Aufkommens ausmachen. Nur 12 Prozent der von Capgemini befragten Versicherer berichten eine sehr hohe Datenreife.

Warum entscheidet die Organisation über die Skalierung?

Weil die Technik meist budgetiert ist, der Wandel nicht. Nach dem Capgemini-Bericht fließen 72 Prozent der KI-Ausgaben von Versicherern in Technologie und Infrastruktur, 28 Prozent in Veränderungsmanagement und Schulung. 47 Prozent der Beschäftigten mit KI-Tools sagen, dass sich ihr Arbeitstag nach 18 Monaten nicht verändert hat.

Im Schaden heißt das: die Sachbearbeitung früh einbeziehen, statt ihr ein fertiges System vorzusetzen. Erfahrene Regulierer haben ein feines Gespür dafür, wo ein Vorgang nicht stimmt. Wird KI als Ersatz dieser Erfahrung angekündigt, entsteht Widerstand. Nimmt sie Routine ab und lenkt den Blick auf die kniffligen Fälle, entsteht Akzeptanz.

Dazu gehört eine ehrliche Klärung der Verantwortung. Bereitet ein KI-Agent einen Vorgang vor, muss feststehen, wer das Ergebnis trägt. Solange diese Frage offen ist, wird jede Führungskraft die KI im Zweifel umgehen, weil das Risiko persönlich bei ihr liegt.

Mit welchem Anwendungsfall sollte ein Versicherer starten?

Mit der Neuschadenanlage. Sie ist strukturiert, dokumentenlastig und gut messbar. Eine Schadenmeldung trifft per Formular, E-Mail oder Anhang ein; das System erkennt den Vertrag, ordnet die Sparte zu, liest die Angaben aus, gleicht sie mit dem Vertrag ab und legt den Vorgang strukturiert in der Schadenakte an. Die Sachbearbeitung erhält einen vorbereiteten Fall statt eines leeren Formulars.

In einem vergleichbaren Projekt bei einer großen Versicherungsgruppe sank auf diesem Weg die Bearbeitungszeit für Standardschäden mit KI-Agenten von über sechs auf rund drei Tage, die manuelle Dateneingabe um rund 80 Prozent, eingebettet in die vorhandenen Systeme. Entscheidend ist, was das System nicht tut: Es zahlt nicht selbsttätig aus, lehnt nicht selbsttätig ab und trifft keine Bewertung mit rechtlicher Wirkung, ohne dass ein Mensch sie verantwortet.

Auf diesem Fundament folgen die weiteren Fälle in einer Reihenfolge, die aufeinander aufbaut: Posteingangssteuerung, dann Betrugserkennung, die ein verlässliches Datenfundament voraussetzt, und schließlich die echte Dunkelverarbeitung klar abgegrenzter Schadenarten, wie sie der Beitrag zur Dunkelverarbeitung im Schaden beschreibt. Wer mit der vollautomatischen Auszahlung beginnt, riskiert einen frühen, sichtbaren Fehlschlag. Wie die Betrugserkennung in diese Kette passt, zeigt der Beitrag zur KI-Betrugserkennung in der Versicherung.

Prozesskette in vier Schritten: Neuschadenanlage, Posteingangssteuerung, Betrugserkennung, Dunkelverarbeitung klar abgegrenzter Schadenarten. Darstellung: Sotica.

Welche Kennzahlen zeigen, ob KI im Schaden trägt?

Drei Kennzahlen gehen über die Demo hinaus. Die Durchlaufzeit vom Eingang der Meldung bis zur ersten qualifizierten Reaktion zeigt, ob der Prozess schneller wird. Die Quote der Vorgänge, die ohne manuelle Nacharbeit korrekt vorbereitet werden, zeigt, ob das System im Alltag trägt. Die Zufriedenheit der Sachbearbeitung zeigt, ob es als Entlastung erlebt und damit genutzt wird.

Eingesparte Bearbeitungsstunden sind ein legitimes Ergebnis, aber nicht der einzige Maßstab. Eine schnellere, verlässlichere Regulierung bindet Kundinnen und Kunden und vermeidet teure Eskalationen. Die Datenbasis bleibt dabei eine Daueraufgabe: Neue Schadenarten, geänderte Formulare und neue Eingangskanäle verändern die Datenlage fortlaufend. Ohne eine verantwortliche Rolle für Datenqualität und ein Monitoring, das Abweichungen früh sichtbar macht, verliert ein gut gestartetes Modell schleichend an Treffsicherheit.

Selbst bauen oder einkaufen?

Die Diskussion konzentriert sich oft auf das Modell, doch Modelle sind heute weitgehend verfügbar. Aufwand und Risiko liegen in der Integration in die gewachsene Systemlandschaft, in der Governance und in der Einbindung der Sachbearbeitung. Diese drei Dinge sind spezifisch für jedes Unternehmen. Wichtiger als die Wahl des Anbieters ist deshalb, dass die Verantwortung für Integration und organisatorischen Übergang über Konzept und Umsetzung hinweg in einer Hand bleibt. Wie KI-Vorreiter unter den Versicherern das organisieren, beschreibt der Beitrag zu KI-Vorreitern unter Versicherern; zur Governance generativer KI lohnt der Blick auf die Zurückhaltung im Compliance-Einsatz.

Was das Management jetzt entscheiden sollte

  1. Einen Anwendungsfall vollständig in Betrieb bringen, statt weitere Piloten zu starten; die Neuschadenanlage ist meist der beste Kandidat.

  2. Die Integration in das Bestandssystem von Beginn an planen und budgetieren, nicht nach dem Pilot.

  3. Verantwortung für vorbereitete Entscheidungen festlegen und die Dokumentation der Entscheidungsgrundlage verbindlich machen.

  4. Veränderungsmanagement eigenständig budgetieren und die Sachbearbeitung in die Gestaltung einbinden.

  5. Drei Kennzahlen vor dem Start messen: Durchlaufzeit, Quote ohne Nacharbeit, Zufriedenheit der Sachbearbeitung.

Häufige Fragen

Warum skalieren KI-Piloten im Schaden so selten?
Weil Integration in das Bestandssystem, die neue Rolle der Sachbearbeitung und die Governance im Pilot fehlen. Der Pilot beweist das Modell, nicht die Betriebsfähigkeit.

Trifft die KI im Schaden selbst Entscheidungen?
In einem gut geschnittenen Prozess bereitet sie vor, und ein Mensch verantwortet Zahlung, Ablehnung und jede Bewertung mit rechtlicher Wirkung. Vollautomatische Entscheidungen bleiben klar abgegrenzten, risikoarmen Schadenarten vorbehalten.

Wie lange dauert der Weg vom Pilot in den Betrieb?
Das hängt weniger vom Modell ab als von der Integration und vom Zuschnitt. Je enger der Anwendungsfall geschnitten und je früher die Anbindung an das Bestandssystem geplant ist, desto kürzer der Weg.

Weitere Beiträge zu Schadenprozessen, Underwriting und Betrugserkennung bündelt das Dossier Underwriting & Schaden.

Wie viele KI-Piloten im eigenen Schadenbereich laufen und wie viele davon tatsächlich in das Bestandssystem schreiben, ist eine aufschlussreiche Zählung. Über ein erstes Gespräch zu diesem Thema freuen wir uns.

Sotica Insights

Redaktion · Beiträge aus der Beratungspraxis

Ein Thema, das gerade beschäftigt?

Gemeinsam einordnen, was daraus folgt.

Sotica ist eine Unternehmensberatung mit Sitz in München. Für alle Aufträge gelten unsere AGB. Die Inhalte dieser Website dienen der allgemeinen Information. Sotica ist eine eingetragene Marke. © 2026 Sotica GmbH. Alle Rechte vorbehalten.

Sotica ist eine Unternehmensberatung mit Sitz in München. Für alle Aufträge gelten unsere AGB. Die Inhalte dieser Website dienen der allgemeinen Information. Sotica ist eine eingetragene Marke. © 2026 Sotica GmbH. Alle Rechte vorbehalten.

Sotica ist eine Unternehmensberatung mit Sitz in München. Für alle Aufträge gelten unsere AGB. Die Inhalte dieser Website dienen der allgemeinen Information. Sotica ist eine eingetragene Marke. © 2026 Sotica GmbH. Alle Rechte vorbehalten.