Schadentriage automatisieren und Betrug at scale erkennen

# Schadentriage automatisieren und Betrug at scale erkennen

Eine Fahrerin fotografiert auf einem Parkplatz einen verbeulten Kotflügel und lädt das Bild über die App ihres Versicherers hoch. Neunzig Sekunden später zeigt die App geschätzte Reparaturkosten, ein grünes „Fast-Track“-Badge und eine Nachricht: „Ihr Schaden ist zur Direktzahlung freigegeben.“ Kein Sachverständiger hat je zum Telefon gegriffen.

Hinter diesen neunzig Sekunden steckt eine KI-PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen →, die drei Aufgaben gleichzeitig erledigt: den Schaden lesen, die Reparatur bepreisen und den Fall im Hintergrund auf Betrug scoren. Verfolgen wir dieses Foto durch das System.

Das Problem der Schadentriage

Triage bedeutet in der Versicherung, eingehende Schäden nach Komplexität und Risiko zu sortieren, damit jeder Fall bei der richtigen Ressource landet. Ein leichter Kratzer am Stoßfänger und eine vermutete gestellte Kollision dürfen nicht denselben Weg nehmen.

Historisch prüfte ein menschlicher Sachverständiger (die Person, die Schäden untersucht und reguliert) nahezu alles. Das ist langsam und teuer. Die meisten Schäden sind einfach und legitim. Ziel der KI-Triage ist es, diese einfachen Fälle direkt durchzuleiten, damit Sachverständige sich auf die komplexe oder verdächtige Minderheit konzentrieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Versicherer beschreiben diese Trennung mit einem Begriff, den Sie häufig hören werden: Straight-Through Processing (STP), also ein Schaden, der von Anfang bis Ende ohne menschliches Eingreifen reguliert wird.

Stufe 1: Das Foto lesen

Das hochgeladene Bild trifft zuerst auf ein Computer-Vision-Modell, eine KI, die darauf trainiert ist, Objekte und Muster in Bildern zu erkennen.

Das Modell erledigt mehrere Dinge:

• Fahrzeug- und Teileerkennung. Es lokalisiert das Auto und segmentiert es in Teile: Frontstoßfänger, Fahrertür, Scheinwerfereinheit.
• Schadensklassifikation. Für jedes Teil wird die Schadensart (Kratzer, Delle, Riss, Verformung) und die Schwere gelabelt.
• Qualitäts- und Betrugsprüfungen am Bild selbst. Ist das Foto unscharf? Passen die Metadaten zum angegebenen Unfalldatum? Wurde es bearbeitet?

Der letzte Punkt ist wichtig. Eine Reverse Image Search kann ein Foto entlarven, das aus einer Gebrauchtwagenanzeige oder einem früheren Schadenfall stammt. Doppelte oder recycelte Bilder gehören zu den ältesten Tricks im Schadenbetrug.

Stufe 2: Reparaturkosten schätzen

Sobald der Schaden klassifiziert ist, mappt das System ihn auf eine Reparaturschätzung.

Das Modell rät dabei keinen Betrag aus der Luft. Es greift auf strukturierte Teile- und Lohndatenbanken zu (die gleichen Kataloge, die Werkstätten nutzen), um eine Positionsschätzung aufzubauen: Teilekosten, Lack, Arbeitsstunden nach Region.

Eine vereinfachte Version der Logik sieht so aus:

def estimate_repair(damaged_parts, region):
    total = 0
    for part in damaged_parts:
        part_cost = parts_db.lookup(part.name, part.severity)
        labor_hours = labor_db.hours(part.name, part.severity)
        labor_rate = region_rates[region]
        total += part_cost + (labor_hours * labor_rate)
    return total

Die KI liefert die Inputs (welche Teile, wie schwer). Die Bepreisung selbst bleibt regelbasiert und auditierbar, was Aufsicht und Rückversicherer schätzen. Wenn die Entscheidung einer Maschine eine Auszahlung beeinflusst, müssen Versicherer erklären kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, wie der Betrag entstanden ist.

Stufe 3: Die Triage-Entscheidung

Jetzt hat das System eine Schadensbewertung, eine Schätzung und erste Integritätssignale. Daraus kombiniert es eine Routing-Entscheidung.

Eine typische Logik:

• Niedrige Schätzung, saubere Signale, Vertrag in Ordnung: Straight-Through, automatische Freigabe.
• Mittlere Schätzung oder kleinere Inkonsistenzen: Weiterleitung an einen Standard-Sachverständigen.
• Hohe Schätzung, geltend gemachte Personenschäden oder Betrugs-Flags: Weiterleitung an einen Senior-Sachverständigen oder die Special Investigations Unit (SIU), das Team für Betrugsverdachtsfälle.

Der zentrale Punkt: Bei Triage geht es um *Routing*, nicht nur um Freigaben. Ein gut gebautes System schickt bei Unsicherheit mehr Fälle an Menschen, nicht weniger.

Wie Betrugs-Scoring tatsächlich funktioniert

Beim Betrugserkennen verdient KI ihr Geld, und hier steckt die interessante Mathematik.

Versicherungsbetrug fällt grob in zwei Kategorien:

1. Gelegenheitsbetrug: eine Person übertreibt einen echten Schaden (bläht den Schaden auf, nimmt eine vorhandene Delle mit).

2. Organisierter Betrug: Banden, die Unfälle stellen, Scheininsassen rekrutieren und koordinierte Schäden bei mehreren Versicherern melden.

Dafür greifen unterschiedliche Techniken.

Anomalieerkennung für einzelne Schäden

Anomaly Detection flaggt Schäden, die von normalen Mustern abweichen. Das Modell lernt über tausende Variablen hinweg, wie typische Schäden aussehen (Reparaturkosten im Verhältnis zum Fahrzeugalter, Zeit zwischen Vertragsbeginn und erstem Schaden, Entfernung zwischen Wohnort des Versicherungsnehmers und Unfallort) und scort, wie ungewöhnlich jeder neue Fall ist.

Ein Schaden, der elf Tage nach Vertragsbeginn gemeldet wird, für eine Luxusreparatur, hunderte Kilometer von zuhause, um 3 Uhr morgens, ist kein Beweis für Betrug. Aber es ist ein Outlier, und der Score steigt.

Entscheidend: Ein hoher Anomalie-Score lehnt den Schaden nicht ab. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → leitet den Fall zur menschlichen Prüfung. Diese Unterscheidung schützt legitime Kunden, die zufällig ungewöhnliche, aber echte Umstände haben.

Graph Analytics für Betrugsringe

Banden mit gestellten Unfällen sind Schaden für Schaden schwer zu fassen. Jeder einzelne Fall kann gewöhnlich aussehen. Das Muster zeigt sich erst, wenn man sie verbindet.

Hier kommt Graph Analytics ins Spiel. Stellen Sie sich ein Netzwerkdiagramm vor: Knoten sind Personen, Telefonnummern, Fahrzeuge, Werkstätten und Bankkonten. Kanten sind die Beziehungen dazwischen.

Eine einzelne Werkstatt, die in dutzenden ansonsten unverbundenen Schäden auftaucht, ist eine Verbindung. Ebenso eine Telefonnummer, die drei „Fremde“ in getrennten Unfällen teilen. Ebenso derselbe Beifahrer, der in mehreren Kollisionen erscheint.

Graph-Algorithmen bringen diese dichten Cluster automatisch nach oben. Ermittler sehen dann ein Bild: nicht einen verdächtigen Schaden, sondern einen Ring aus vierzig Schäden, verbunden über fünf Telefonnummern und eine Werkstatt.

Die National Association of Insurance Commissioners veröffentlicht zugängliche Übersichten zu Kategorien von Versicherungsbetrug und zum Vorgehen der Aufsicht, nützlicher Hintergrund, wenn Sie den regulatorischen Kontext wollen.

Menschen und Aufsicht im Loop halten

Zwei Randbedingungen prägen jedes reale Deployment.

Erklärbarkeit. In vielen Jurisdiktionen muss ein Versicherer erklären kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, wenn ein automatisiertes System zu einer nachteiligen Entscheidung beiträgt (Ablehnung oder reduzierte Auszahlung). Ein blankes „das Modell sagte nein“ genügt nicht. Deshalb lösen Betrugs-Scores eine menschliche Prüfung aus statt einer automatischen Ablehnung, und deshalb bleibt die Preislogik transparent.

Bias und Fairness. Modelle, die auf historischen Daten trainiert sind, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen historische Verzerrungen aufnehmen. Wenn frühere Ermittlungen bestimmte Stadtteile überproportional ins Visier nahmen, lernt ein naives Modell dasselbe. Versicherer testen Betrugsmodelle heute auf Disparate Impact über geschützte Gruppen hinweg, und Aufsichtsbehörden erwarten zunehmend eine Dokumentation dieser Tests. Das Model Bulletin der NAIC zu KI-Frameworks spiegelt diese wachsende Aufmerksamkeit.

Das praktische Designprinzip: KI verengt den Funnel, Menschen treffen die folgenreichen Entscheidungen.

Was das fürs Geschäft bedeutet

Die Ökonomie ist einfach.

Geschwindigkeit senkt Kosten und hebt die Zufriedenheit. Straight-Through Processing reguliert einfache Schäden in Minuten statt Tagen. Schnellere Zahlung ist durchgängig einer der größten Treiber der Kundenzufriedenheit im Schadenfall. Zudem sinken die Personalkosten pro Fall.

Bessere Triage konzentriert teure Expertise. Senior-Sachverständige und SIU-Ermittler sind knapp. Ihnen nur die Fälle zu schicken, die menschliches Urteil brauchen, erhöht den Return auf diese Expertise.

Bei Betrugserkennung geht es um echtes Geld. Branchenverbände schätzen, dass Versicherungsbetrug Verbraucher allein in den USA zweistellige Milliardenbeträge pro Jahr kostet (die Zahlen variieren je nach Quelle und Methodik, behandeln Sie jede einzelne Zahl also als Schätzung). Selbst moderate Verbesserungen in der Erkennung summieren sich über Millionen Schäden.

Es gibt aber Fallen.

Risiko der Überautomatisierung. Zu viele Fälle ins Straight-Through Processing zu drücken, um Kosten zu senken, lässt Betrug durch und zehrt an den Reserven. Die STP-Quote ist ein Regler zum Justieren, nicht zum Maximieren.

Adversarialer Druck. Betrugsringe passen sich an. Sobald sie lernen, dass Fotos auf Wiederverwendung geprüft werden, machen sie frische Fotos von gestellten Unfällen. Betrugsmodelle brauchen ständiges Retraining, ähnlich wie Spamfilter.

Die Kosten von False Positives. Jeder legitime Kunde, der fälschlich geflaggt wird, ist ein frustrierter Versicherungsnehmer und eine verschwendete Ermittlung. Die Precision des Modells ist nicht nur eine technische Metrik, sie ist eine Kundenerfahrungs- und Kostenmetrik.

Zusammengeführt

Zurück zum Foto des Kotflügels. In weniger als zwei Minuten durchlief es die Bildanalyse, eine regelbasierte Pricing-Engine, einen Anomalie-Score und einen Graph-Check gegen bekannte Netzwerke und wurde dann auf den schnellsten sicheren Pfad geleitet. Die Kundin sah eine einfache Freigabe. Der Versicherer führte unsichtbar ein mehrschichtiges Risk Assessment durch.

So sieht moderne Schadenbearbeitung aus: Automatisierung für die vielen, menschliches Urteil für die wenigen, und eine Scoring-Schicht, die entscheidet, was was ist.

Key Takeaways

• Triage ist Routing, nicht nur Freigabe. Gute KI-Systeme schicken unsichere oder risikoreiche Fälle an Menschen und leiten nur die klar einfachen per Fast-Track durch.
• Die Reparaturbepreisung sollte auditierbar bleiben. KI identifiziert den Schaden; regelbasierte Kataloge setzen den Betrag, damit Entscheidungen gegenüber der Aufsicht erklärbar bleiben.
• Zwei Betrugstechniken, zwei Probleme. Anomaly Detection fängt ungewöhnliche Einzelfälle; Graph Analytics deckt organisierte Ringe auf, indem sie gemeinsame Personen, Telefone und Werkstätten verbindet.
• Betrugs-Scores flaggen, sie lehnen nicht ab. Erklärbarkeits- und Fairnessregeln bedeuten, dass Menschen die folgenreichen Entscheidungen treffen, was legitime Kunden mit ungewöhnlichen Umständen schützt.
• Die Straight-Through-Quote ist ein Regler zum Justieren. Überautomatisierung senkt Kosten, lässt aber Betrug durch; die richtige Balance wägt Geschwindigkeit, Genauigkeit und den Schaden durch False Positives ab.