Heute, am 9.11.2026, geht es an der TU Berlin um eine Entwicklung, die in der Versicherungsbranche längst angekommen ist: Künstliche Intelligenz soll Betrug erkennen, bevor eine Schadenregulierung durchgewunken wird. In Deutschland verursacht Versicherungsbetrug schätzungsweise mehr als 6 Milliarden Euro Schaden pro Jahr. In etwa jedem zehnten Schadenfall der Schaden- und Unfallversicherung gibt es Ungereimtheiten.

Andere Schätzungen setzen den jährlichen Schaden für die Versicherungsbranche bei rund 5 Milliarden Euro an. Etwa jede zehnte Schadenmeldung gilt demnach als betrügerisch, aufgedeckt wird aber nur ein kleiner Teil. Das Problem wächst, weil Agentic AI digitale Manipulationen schneller, einfacher und in größerem Umfang ermöglicht.

Wenn der Couchtisch plötzlich einen Riss hat

Mit frei verfügbaren Werkzeugen wie ChatGPT oder Gemini lassen sich ohne besondere Vorkenntnisse realistisch wirkende Schäden in Alltagsfotos einbauen. Ein digital erzeugter Riss im Couchtisch etwa. Ein künstlich platzierter Kaffeefleck auf einem Sessel. Oder ein echtes Auto, aus dessen Bild Passanten entfernt, dessen Kennzeichen verändert und in dessen Windschutzscheibe ein Schaden eingefügt wurde.

Solche Bilder wirken nicht automatisch verdächtig. Werden sie in eine Schadenforderung eingebettet, sind die Manipulationen oft schwer zu erkennen. Anfang 2025 stiegen Deepfake-Angriffe auf Versicherungen in Deutschland laut dem genannten Artikel um mehr als 1.100 Prozent. Gefälschte Schadenfotos gehören dazu, ebenso synthetische Identitäten und KI-generierte Gutachten.

Eine Umfrage der Association of Certified Fraud Examiners (ACFE) und SAS zeigt, wie groß die Lücke zwischen Angriff und Abwehr ist: 93 Prozent der Befragten halten ihre Organisation höchstens für mäßig darauf vorbereitet, KI-gestützten Betrug zu erkennen. In der Versicherungsbranche bewertete kein Befragter den Vorbereitungsstand höher.

Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

KI-Agenten sollen deshalb Beweisfotos auf Anomalien und Manipulationen untersuchen. Versicherungsermittler können so echte, veränderte und synthetisch erzeugte Bilder auseinanderhalten, bevor Geld fließt. Die agentenbasierte Prüfung verbindet Computer Vision, Optical Character Recognition (OCR) und das von Large Language Models gelieferte Reasoning.

Vom Einzelbild zum Risikoscore

Eine solche KI-gestützte Pipeline prüft Dokumente und Bilder automatisch auf Hinweise. OCR, semantische Analyse und forensische Bildprüfung liefern mehrere Signale gleichzeitig. Zusätzlich fließen frühere Schadenmeldungen, der zeitliche Abstand zum Vertragsabschluss sowie regionale und zeitliche Häufungen ein.

Abgeglichen wird auch, ob Formularangaben, Fotos und beschriebenes Schadensbild zusammenpassen. Widersprüche zwischen Dokumenten können auffallen. Das System sucht nach Verbindungen zwischen Versicherungsnehmern, Werkstätten, Gutachtern und Kanzleien – und nach manipulierten, wiederverwendeten oder KI-generierten Bildern und Videos.

Für jede Schadenmeldung entsteht ein kalibrierter Risiko-Score. Niedrigrisiko-Fälle können automatisch bearbeitet werden. Hochrisiko-Fälle wandern mit einer KI-Begründung an spezialisierte Sachbearbeiter. Je nach Einstufung ist auch eine automatische Freigabe, die Weiterleitung an einen Sachbearbeiter oder eine Ablehnung vorgesehen.

Visuelle Overlays markieren auffällige Bildbereiche und erklären, warum ein Fall so eingestuft wurde. Dashboards überwachen Modellverhalten, Risikotrends und Entscheidungen. Das klingt nach Kontrollraum statt Schadenschreibtisch, soll aber gerade in der Dunkelverarbeitung funktionieren: direkt integriert in Kernsysteme und Core-Workflow, ohne Medienbrüche.

Klassische regelbasierte Systeme erkennen dagegen nur Muster, die zuvor manuell festgelegt wurden – zum Beispiel hohe Schäden kurz nach Vertragsabschluss. Organisierte Netzwerke aus Versicherungsnehmern, Werkstätten, Gutachtern und Anwälten stimmen Schadenmeldungen so ab, dass sie solche Prüfungen passieren.

Neue Betrugsmuster werden bei diesen Verfahren oft erst nach hohen Schäden sichtbar. Echte Fälle können fälschlich als Betrug markiert werden, organisierter Betrug bleibt teilweise unentdeckt. KI-basierte Systeme versprechen hier einen breiteren Blick, aber eben keinen Zaubertrick.

Die Maschine entscheidet nicht allein

Für die Einführung braucht es zunächst saubere Daten. Unvollständige oder widersprüchliche historische Schadendaten müssen bereinigt werden. Ebenso wichtig ist die Erklärbarkeit: Entscheidungen müssen nach BaFin- und EU-AI-Act-Anforderungen nachvollziehbar und dokumentiert sein.

Die menschliche Kontrolle bleibt dabei ausdrücklich vorgesehen. Die KI identifiziert, priorisiert und begründet Verdachtsfälle; die endgültige Entscheidung trifft ein Mensch. Für Versicherer heißt das: weniger blindes Abarbeiten, aber nicht das Ende der Verantwortung am Schreibtisch.

Gut kalibrierte Systeme können laut dem genannten Artikel die Erkennungsrate um 15 bis 20 Prozent steigern und Fehlalarme um bis zu 50 Prozent reduzieren. Eine Deloitte-Studie von 2025 ergab, dass 92 Prozent der Versicherer bereits Erfahrungen mit KI-gestütztem Betrug gemacht hatten. Zehn Prozent verzeichneten dadurch Verluste von mehr als einer Million US-Dollar.

Deutsche Versicherer gelten als Vorreiter. Die Allianz setzt KI zur Bild- und Videoanalyse von Schadenmeldungen ein und erklärt, ohne KI könnten nicht alle Schäden auf möglichen Betrug geprüft werden. Laut einer von SAS auf Basis von IDC-Daten veröffentlichten Studie setzen 54 Prozent der Versicherungen KI bereits operativ funktionsübergreifend oder im gesamten Unternehmen ein.

Wie schnell solche Systeme entwickelt werden können, zeigt ein im Artikel beschriebenes KI-Agenten-Projekt zur Softwareentwicklung. Nach einer einmonatigen Vorbereitungsphase wurde es mit 350 statt der geplanten 500 Personentage in fünf Monaten abgeschlossen. Das Projekt endete einen Monat früher als geplant und lag rund 30 Prozent unter dem vorgesehenen Aufwand.

Im Kfz-Bereich zählt jede Minute

Die Kfz-Versicherung weist besonders viele Betrugsfälle auf. Das liegt am hohen Transaktionsvolumen, an der hohen Schadenfrequenz und an der starken Abhängigkeit von Kostenvoranschlägen Dritter. Dazu kommen physische Nachweise, die vergleichsweise leicht manipuliert werden können.

Weichteilverletzungen sind besonders schwer nachzuweisen. Reparaturkalkulationen lassen sich nur mit erheblichem Aufwand unabhängig überprüfen. Gleichzeitig erzeugt das Kfz-Geschäft hohen Bearbeitungsdruck: Schäden sollen schnell reguliert werden, Rückstände wachsen sonst, die Kundenzufriedenheit leidet und regulatorische Anforderungen laufen weiter.

Sach- und Haftpflichtversicherungen machten 16 Prozent der Betrugsfälle aus, auf gewerbliche Versicherungssparten entfielen 11 Prozent. Gerade die Konzentration des Betrugs im Kfz-Bereich macht Investitionen in Erkennung und Prävention dort wirtschaftlich interessant. Erwartet werden schnelle, messbare Ergebnisse – ausgerechnet in der Sparte, in der die operative Belastung am höchsten ist.

Ohne KI-gestützte Systeme zur Triage und Priorisierung müssen Versicherer zwischen Bearbeitungsgeschwindigkeit und Kontrolltiefe abwägen. In der Praxis gewinnt häufig das Tempo, damit Akten nicht liegen bleiben. Diese Lücke können erfahrene Betrüger ausnutzen. Multimodale KI kann den Zielkonflikt zumindest verkleinern, indem sie verdächtige Fälle herausfiltert, während unauffällige Vorgänge weiterlaufen.

Für Versicherer ist die Kfz-Sparte damit ein naheliegender Anwendungsbereich, um den wirtschaftlichen Nutzen von KI zu zeigen. Die weitere Herausforderung bleibt, intelligente Technologien gegen immer raffiniertere Betrugsversuche zu skalieren. Die Erkennung synthetischer Bilder soll Versicherungsverluste senken, die Prüfgenauigkeit erhöhen und ehrliche Versicherte vor zusätzlichen Kosten schützen.

Ohne saubere Daten, eine regulatorisch sichere Architektur und eine klare Aufgabenverteilung zwischen Mensch und Maschine wird daraus allerdings nichts. Und irgendwo muss trotzdem noch jemand auf den Kaffeefleck schauen.

Quelle 1: IT Finanzmagazin
Quelle 2: SDA
Quelle 3: FRISS