Schadenfotos im großen Maßstab prüfen: Signale, keine Urteile

Schadenfotos im großen Maßstab zu prüfen bedeutet, KI verwertbare Signale liefern zu lassen — Metadaten-Unstimmigkeiten, doppelte Bilder, Generierungsartefakte —, die ein geschulter Sachbearbeiter vor jeder Entscheidung validiert, statt ein Modell allein ein Urteil über Annahme oder Ablehnung fällen zu lassen. Diese Unterscheidung prägt, wie deutsche Versicherer ihre Fotoprüfung heute organisieren, da mobile Schadenmelde-Apps die Anzahl der Fotos pro Vorgang weit über das hinaus vervielfacht haben, was manuelle Teams vor wenigen Jahren bewältigen konnten. Bei Portfolios mit hohem Volumen verkürzt dieses Betriebsmodell die Bearbeitungszeit, ohne die Entschädigungsentscheidung an einen Algorithmus zu übertragen.

Was "Signale, keine Urteile" tatsächlich bedeutet

Eine signalbasierte Prüfung bewertet jedes Schadenfoto anhand objektiver Kriterien — Metadatenkonsistenz, Auflösung, verräterische Bearbeitungsartefakte —, ohne dass diese Bewertung allein eine Auszahlung oder Ablehnung auslöst. Die Bewertung speist eine Priorisierungswarteschlange; der Sachbearbeiter entscheidet.

Das steht im direkten Gegensatz zu einem vollständig automatisierten Urteil, bei dem ein System einen Vorgang ohne dokumentierten menschlichen Schritt annimmt oder ablehnt. Der ACFE 2024 Report to the Nations beziffert die Aufdeckungsrate bei ausschließlich manuellen Kontrollen auf 37 %, bei einer durchschnittlichen Aufdeckungsverzögerung von 87 Tagen — eine Lücke, die erklärt, warum Versicherer die Triage beschleunigen wollen, ohne bei den wirklich relevanten Fällen auf die menschliche Prüfung zu verzichten.

Ein Signal ist niemals für sich genommen ein Fraudbeweis. Ein Foto, das in Innenräumen bei Kunstlicht aufgenommen wurde, kann eine Schatteninkonsistenz zeigen, ohne dass eine Manipulation stattgefunden hat; ein generalüberholtes Smartphone kann EXIF-Metadaten aus rein technischen Gründen fehlen lassen. Die signalbasierte Prüfung geht von diesem Grundsatz aus: Jede Auffälligkeit muss von einem geschulten Menschen interpretiert werden, nicht automatisch als Ablehnung bestätigt.

Warum das Fotovolumen die manuelle Prüfkapazität übersteigt

Die Schadenbearbeitung stellt für die meisten Versicherer den größten operativen Kostenblock dar, und mobile Schadenmelde-Apps haben die Anzahl der Fotos pro Vorgang vervielfacht — Versicherer verlangen inzwischen systematisch mehrere Blickwinkel pro Schaden, um Betrug einzudämmen, was das zu prüfende Volumen mechanisch erhöht (Orchestra Intelligence, 2026). Ein Sachbearbeiter, der manuell 15 bis 20 Fotovorgänge pro Tag prüfte, steht heute vor einer Warteschlange, die sich ohne proportionale Personalaufstockung verdoppelt oder verdreifacht hat.

Der Gesamtverband der Deutschen Versicherungswirtschaft (GDV) schätzt, dass Versicherungsbetrug die deutsche Versicherungsbranche jährlich mehr als 4 Milliarden Euro kostet. Dieser Kontext drängt Schadenabteilungen dazu, die Triage zu industrialisieren, ohne die Erkennungsqualität zu verschlechtern. Die Versuchung besteht darin, alles zu automatisieren. Genau dieses Fehlermuster vermeidet die signalbasierte Prüfung: Sie absorbiert Volumen auf der Triage-Ebene, nicht auf der Entscheidungsebene.

Welche Signale KI auf einem Schadenfoto tatsächlich erkennen kann

Eine verlässliche Fotoprüfungs-Engine kombiniert mehrere Signalebenen mit jeweils unterschiedlichem Konfidenzniveau — keine ist für sich allein ausreichend.

• EXIF-Metadatenkonsistenz: Zeitstempel, GPS-Koordinaten und Gerätemodell im Abgleich mit der Schadenschilderung. Unser Beitrag zur EXIF-Metadatenanalyse beschreibt die Fälle, in denen diese Daten legitim fehlen.
• Duplikat- und Wiederverwendungserkennung: perzeptuelles Hashing, um ein Foto zu erkennen, das bereits in einem anderen Vorgang verwendet oder online gefunden wurde.
• Kompressions- und Bearbeitungsartefakte: Spuren von Zuschnitt, Klonstempel-Bearbeitung oder mehrfacher Neukomprimierung, die mit einer direkten Kameraaufnahme unvereinbar sind.
• Signale synthetischer Generierung: Texturmuster, die für Diffusionsmodelle (Midjourney, DALL-E, Stable Diffusion) typisch sind, unnatürlich glatte Objektkanten, physikalisch unplausible Schatten oder Reflexionen.
• Konsistenz zwischen Dokumenten: Übereinstimmung zwischen Foto, Unfallbericht und beigefügtem Reparaturkostenvoranschlag.

CheckFile setzt eine zusätzliche Ebene von KI-Generierungssignalen ein, die neben bestehenden strukturellen Kontrollen betrieben wird, abgestimmt auf das branchenspezifische Risikoniveau — diese Signale ergänzen die Metadaten- und Konsistenzprüfungen, sie ersetzen sie nicht.

Warum ein vollständig automatisiertes Urteil riskant ist

Eine Schadenablehnung ist eine rechtlich bedeutsame Entscheidung: Sie muss begründet und für den Versicherungsnehmer anfechtbar sein. Die KI-Verordnung (EU) 2024/1689 verlangt in Artikel 14 eine wirksame menschliche Aufsicht für Hochrisiko-KI-Systeme und stuft in Anhang III explizit Systeme zur Risikobewertung und Tarifierung in der Lebens- und Krankenversicherung als hochriskant ein. Die automatisierte Verarbeitung von Sachschadenfotos fällt nicht automatisch in diesen strengen Anwendungsbereich, doch die Logik von Nachvollziehbarkeit und Anfechtbarkeit, die die Verordnung festlegt, greift in der Praxis, sobald eine Entscheidung die Entschädigung eines Versicherungsnehmers betrifft.

Das Versicherungsaufsichtsgesetz (VAG), § 26, verpflichtet Versicherungsunternehmen zur Implementierung eines wirksamen internen Kontrollsystems, das angemessene Betrugserkennungsmaßnahmen einschließt. Die BaFin hat in ihren Mindestanforderungen an die Compliance-Funktion (MaComp) explizit auf die Notwendigkeit von Dokumentenauthentizitätskontrollen hingewiesen und 2025 mehrere Bußgelder für Unzulänglichkeiten in Betrugsbekämpfungsprozessen verhängt, mit Beträgen von bis zu 2 Millionen Euro pro Fall. Eine Ablehnung, die ausschließlich auf einem algorithmischen Score beruht, ohne dokumentierte menschliche Prüfung, setzt den Versicherer einer Beschwerde beim Versicherungsombudsmann und bei einer Prüfung einer BaFin-Beanstandung der Algorithmus-Governance aus.

Einen dreistufigen Triage-Ablauf aufbauen

Die robusteste Methode bei Versicherern, die monatlich mehrere Tausend Fotovorgänge bearbeiten, beruht auf drei expliziten, dokumentierten Eskalationsstufen.

Diese Aufteilung vermeidet zwei gegensätzliche Fehlerbilder: Sachbearbeiter mit Vorgängen ohne reales Risiko zu überlasten und Vorgänge mit starken Signalen aus Zeitmangel durchrutschen zu lassen. Teams, die die Bearbeitungszeit verkürzen wollen, ohne auf diese Absicherung zu verzichten, finden in unserem Beitrag zur Beschleunigung der Schadenbearbeitung mit KI die gemessenen Zeitgewinne bei risikoarmen Vorgängen.

Was Sachbearbeiter tatsächlich fragen

Gespräche mit Fachleuten der Branche — in Fachforen und im Kundenfeedback von CheckFile — bringen wiederkehrende Fragen zutage, die konkreter sind als das übliche Verkaufsargument.

"Ersetzt das den Sachbearbeiter?" Nein — in einer Signalarchitektur entscheidet das Werkzeug niemals allein über den Ausgang eines Vorgangs. Es ordnet die Arbeitswarteschlange neu und dokumentiert, warum ein Vorgang eine genauere Prüfung verdient, aber die Entscheidung über Zahlung oder Ablehnung bleibt vollständig menschlich.

"Wie hoch ist die Falsch-Positiv-Rate bei legitimen Fotos?" Das ist die häufigste und berechtigtste Frage: Ein System, das zu viele saubere Vorgänge eskaliert, überlastet das Team genauso wie das Volumen, das es eigentlich absorbieren sollte. Die praktische Lösung besteht darin, Schwellenwerte nach Produktlinie zu kalibrieren — Kfz, Wohngebäude, Kranken — statt einen einheitlichen Schwellenwert anzuwenden, da sich legitime Fotoprofile je nach Schadenart stark unterscheiden.

"Wie begründen wir eine Ablehnung auf Basis eines KI-Signals, wenn der Versicherungsnehmer widerspricht?" Die Ablehnung darf niemals den algorithmischen Score als Grund anführen: Sie muss auf der menschlichen Prüfung beruhen, die das Signal untersucht und die Auffälligkeit bestätigt hat, mit den entsprechenden Sachverhaltsdetails. Diese dokumentierte Nachvollziehbarkeit — nicht der Score — hält einer Beschwerde beim Ombudsmann stand.

Für einen vertieften Vergleich zwischen In-App-Fotoaufnahme und externem Datei-Upload — ein Faktor, der die Zuverlässigkeit der verfügbaren Metadaten direkt beeinflusst — lesen Sie unseren Vergleich In-App-Kameraaufnahme vs. Datei-Upload.

Kennzahlen zur Steuerung der Prüfung im großen Maßstab

Drei Kennzahlen zeigen, ob eine Triage-Struktur tatsächlich funktioniert, jenseits des reinen Durchsatzvolumens:

1. Durchschnittliches Alter des Rückstands (Backlog) bei eskalierten Vorgängen — ein steigender Trend signalisiert eine unterdimensionierte Untersuchungsstufe.
2. Eskalationsrate nach Produktlinie — eine ungewöhnlich hohe Rate bei einer Linie deutet meist auf einen falsch kalibrierten Schwellenwert hin, nicht auf einen realen Betrugsanstieg.
3. Menschliche Bestätigungsrate starker Signale — eine niedrige Rate bedeutet, dass die Erkennungskriterien zu viele Falsch-Positive erzeugen und neu kalibriert werden müssen.

Lesen Sie unseren Leitfaden zur Dokumentenprüfung für einen breiteren Überblick über Dokumentenkontrollmethoden, die über Schadenfotos hinausgehen.

Die Dokumentenprüfung von CheckFile lässt sich über eine dedizierte Lösung für Versicherer in diesen Workflow integrieren, gestützt auf ein dokumentiertes Sicherheitskonzept für BaFin-Prüfungen. Für Versicherer, die einen Anstieg KI-generierter Inhalte in ihren Schadenvorgängen feststellen, erläutert unsere Seite zur Erkennung von Deepfakes und KI-generierten Inhalten, wie sich diese Generierungssignale neben Ihren bestehenden Kontrollen einfügen, ohne den Anspruch zu erheben, allein jede mögliche Fälschung zu erkennen.

Häufig gestellte Fragen

Muss ein von der KI markiertes Schadenfoto automatisch abgelehnt werden?

Nein. Ein Signal weist auf eine zu prüfende Auffälligkeit hin, nicht auf bestätigten Betrug. Die Ablehnungsentscheidung bleibt menschlich und muss auf dokumentierter Analyse beruhen, insbesondere um vor einer Beschwerde beim Ombudsmann Bestand zu haben.

Wie viele Signale rechtfertigen eine umfassende Untersuchung?

Es gibt keinen universellen Schwellenwert: Die gängige Praxis kombiniert zwei konvergierende Signale — etwa inkonsistente Metadaten plus ein erkanntes Duplikat — vor der Weiterleitung an die Betrugsermittlungsstelle, statt auf ein einzelnes isoliertes Signal zu reagieren.

Verlangsamt die signalbasierte Prüfung die Bearbeitung sauberer Vorgänge?

Nein, im Gegenteil: Vorgänge ohne erkannte Auffälligkeit werden schneller abgeschlossen als bei vollständig manueller Prüfung, was Sachbearbeiterzeit für die Vorgänge freisetzt, die tatsächlich Risiko tragen.

Schränkt die DSGVO den Einsatz von KI-Signalen bei Schadenfotos ein?

Ja. Artikel 22 der DSGVO regelt automatisierte Einzelentscheidungen mit rechtlicher Wirkung. Solange die endgültige Entscheidung menschlich und dokumentiert bleibt, fällt ein Signal-Workflow nicht in den strengen Anwendungsbereich dieses Artikels, die Nachvollziehbarkeit muss jedoch erhalten bleiben.

Braucht man unterschiedliche Werkzeuge für Kfz und Wohngebäude?

Nicht zwingend ein anderes Werkzeug, aber unterschiedliche Kalibrierungsschwellen: Legitime Fotoprofile — Blickwinkel, Lichtverhältnisse, Kontext — unterscheiden sich zwischen einem Kfz-Schaden und einem Wohngebäudeschaden erheblich.