Ausgangslage
Der Mandant ist ein 1894 gegründeter Regionalversicherer mit Schwerpunkt Sach-/Kfz und einem Beitragsvolumen von rund 1,1 Mrd € pro Jahr. Im Kfz-Schadenbereich gehen rund 24.000 Meldungen pro Jahr ein, davon etwa 62 % Bagatell-Schäden bis 5.000 €. Die durchschnittliche Durchlaufzeit lag Anfang 2025 bei 9,2 Tagen — ein Wettbewerbsnachteil gegenüber Direktversicherern, die im Schnitt unter 4 Tage liefern.
Gleichzeitig kämpfte die Schadenabteilung mit einem demografischen Problem: 18 % der Sachbearbeiter standen innerhalb von fünf Jahren vor dem Renteneintritt, der Bewerbungs-Markt für klassische Schaden-Sachbearbeiter war faktisch leer. Die Frage lautete nicht „wie skalieren wir?“, sondern „wie schaffen wir gleiches Volumen mit weniger Personal — bei gleichem oder höherem Service-Level?“.
Ziele & KPIs
- Reduktion Durchlaufzeit Bagatell-Schäden auf ≤ 5 Tage innerhalb 9 Monaten Live-Betrieb.
- Dunkelverarbeitungs-Quote ≥ 30 % der Bagatell-Schäden nach 12 Monaten.
- Kunden-Beschwerdequote ≤ Vorjahres-Niveau (max. +0,2 Prozentpunkte toleriert).
- BaFin-Audit-Bereitschaft als zwingende Vorbedingung — kein KI-Einsatz ohne vollständige Doku.
Die Lösung
Wir haben drei Komponenten gebaut, die als Pipeline zusammenarbeiten und einzeln deaktivierbar sind:
Komponente 1: Schaden-Triage-Klassifikator
Auf Basis der eingehenden Schadenmeldung (Kundenportal, E-Mail, Telefonat-Transkript) klassifiziert das System: Bagatell vs. komplex, Glasbruch / Parkrempler / Wildunfall / Sonstiges, geschätzte Schadenhöhe, Konfidenz-Score. Modell: Multi-Label-Klassifikator (XGBoost-Ensemble + DistilBERT-Embedding-Features).
Komponente 2: Dokument-Verständnis
LLM-basierte Extraktion strukturierter Daten aus Schaden-Belegen (Werkstatt-Kostenvoranschläge, Fotos mit OCR, Polizei-Berichten). Output: strukturierter JSON-Datensatz, der direkt in das Schaden-System (Adcubum Syrius) übernommen werden kann.
Komponente 3: Regelbasierte Dunkelverarbeitung
Wenn Triage-Konfidenz ≥ 0,9 UND Schadenhöhe ≤ 1.500 € UND Versicherungsverhältnis sauber UND keine Auffälligkeiten in der historischen Schadenhistorie: vollständig automatische Regulierung mit Auszahlung innerhalb 24 h. Alles andere: KI-vorbereitete Hellverarbeitung durch Sachbearbeiter.
Architektur & BaFin-Anforderungen
Vier Schichten: (1) Eingangs-Schicht mit Anbindung an Kundenportal, E-Mail-Postfach und Telefonie-Transkription. (2) ML-/LLM-Schicht on-prem im OBS-Rechenzentrum Dortmund mit zwei GPU-Servern (Llama 3.1 70B Quantized + Mixtral 8x7B als Fallback). (3) Decision-Schichtmit deterministischer Regel-Engine, die jede KI-Entscheidung mit Eingabe-Snapshot, Modell-Version und Confidence-Score in einer unveränderlichen Audit-DB ablegt. (4) Eskalations-Schichtmit klar definierten Pfaden zu Sachbearbeiter, Schadenleiter und Compliance-Officer.
BaFin-Konformität wurde in zwei Workshops mit dem Compliance-Officer und der Internen Revision entwickelt. Kernprinzip: keine KI-Entscheidung ohne nachvollziehbare Begründung, Modell-Versionsstand in jedem Log-Eintrag, vierteljährliches Drift-Review mit dokumentiertem Sign-off.
Vorgehen & Zeitplan
Vom Kick-off bis zum Live-Betrieb
- 1Woche 1–2
Kick-off & BaFin-Setup
Use-Case-Schärfung, Compliance-Workshop, Audit-Konzept.
- →Audit-Konzept
- →DSFA
- →Modell-Governance
- 2Woche 3–10
Pilot Triage + Doku
Triage-Klassifikator + Doku-Extraktion auf 1.200 historischen Schäden, Eval-Set 200 Fälle.
- →Triage-Modell v1
- →Doku-Extraktion v1
- →Eval-Bericht
- 3Woche 11–24
Roll-out + Dunkelverarbeitung
Skalierung auf alle Bagatell-Schäden, schrittweise Dunkelverarbeitungs-Aktivierung.
- →Vollständige Implementation
- →Sachbearbeiter-Schulung
- →Hyper-Care 8 Wochen
Ergebnisse nach 13 Monaten Live-Betrieb
Gemessen über 13 Monate Live-Betrieb, Vergleich zum Vorjahresdurchschnitt
Die durchschnittliche Durchlaufzeit für Bagatell-Schäden ist von 9,2 auf 3,8 Tage gefallen. 41 % aller Bagatell-Schäden werden vollständig automatisch reguliert; weitere 38 % mit KI-Unterstützung in Hellverarbeitung. Die Beschwerdequote ist nicht gestiegen, sondern um 0,1 Prozentpunkte gefallen — vermutlich Effekt der schnelleren Bearbeitung.
„Wir haben am Anfang lange diskutiert, ob KI-Entscheidungen bei Schaden-Auszahlungen überhaupt vereinbar sind mit unserem Selbstverständnis. Heute sehe ich es nüchterner: für Bagatell-Schäden bekommt der Kunde eine schnellere und gleich gute Bearbeitung. Bei allem Komplexen entscheiden weiter Menschen.“
— Vorstand Schaden, April 2026
Wirtschaftlichkeit
Investition Jahr 1: Pilot 49 k €, Implementation 295 k €, Hardware 142 k €, Managed Service 138 k €, interne Aufwände rund 80 k € — Total Cost of Ownership ca. 590 k €. Realisierte Einsparung 920 k € (Personalkosten-Vermeidung 540 k € + Reduktion Doppelbearbeitung 230 k € + Reduktion Beschwerde-Bearbeitung 85 k € + Vermeidung Druck-/Versand-Kosten 65 k €). Net Benefit Jahr 1: 330 k €. Ab Jahr 2 ohne Implementation/Hardware-Kosten: ca. 740 k € Net Benefit p. a.
Lessons Learned
- BaFin-Konformität früh verankern — Audit-Konzept vor Modell-Bau, nicht danach.
- Dunkelverarbeitung schrittweise hochfahren — wir starteten bei 5 % Quote und steigerten konservativ.
- On-Prem-LLM ist Aufwand wert, wenn die Daten-Sensibilität BaFin-relevant ist.
- Sachbearbeiter werden zu KI-Reviewern: Rollen-Profil hat sich geändert, nicht abgebaut.
Mehr: Erstgespräch buchen oder 30-Tage-Pilot.