Ihre Schaden-KI erkennt jeden Schaden perfekt – ob er echt ist, ahnt sie nicht.
Ich hatte zwei Fotos derselben silbernen Limousine auf einem Bildschirm geöffnet. Das linke zeigte eine echte Delle im hinteren Seitenteil von einem Parkplatzrempler. Das rechte war nie in einen Unfall verwickelt gewesen – jemand hatte ein sauberes Foto in ein Diffusionsmodell eingespeist und es gebeten, Schaden hinzuzufügen. Die Falte, der Schatten unter der Kante, die Art, wie das Licht auf dem Lack spielte: alles generiert, nichts davon physisch.
Ich ließ beide durch das Schadensbewertungsmodell laufen, das wir gerade erprobten. Beide wurden als echter Schaden zurückgemeldet. Beide erhielten einen Schweregrad. Beide erhielten einen Reparaturkostenvoranschlag. Das gefälschte erhielt, wenn überhaupt, eine etwas sauberere Einstufung, weil der generierte Schaden ordentlicher war als das reale Durcheinander.
An diesem Morgen wurde mir klar, dass KI für die Schadensbearbeitung und Deepfake-Erkennung zwei völlig verschiedene Probleme sind und dass fast jeder am Markt das erste löst und dabei stillschweigend annimmt, es decke auch das zweite ab. Das tut es nicht. Ein Schadensbewertungsmodell fragt: Wie sieht das aus? Es fragt nicht: War das echt? Und 2026 ist genau diese Lücke die Stelle, an der das Geld verloren geht.
Ihre Schadensbewertungs-KI beurteilt Inhalte. Betrug liegt in der Authentizität. Das sind nicht dieselben Dimensionen, und Genauigkeit auf der einen bringt Ihnen bei der anderen nichts.
Das Bedrohungsmodell hat sich klammheimlich verändert – die Werkzeuge nicht
Die meisten Schadensbearbeitungs-KIs wurden in einer Zeit entwickelt, in der das Schlimmste, was passieren konnte, eine falsche Zahl war – eine Schätzung, die um 400 $ zu hoch oder zu niedrig ausfiel. Das war die gesamte Risikofläche: die Genauigkeit der Schätzung. Anbieter konkurrierten darum, Beschaffungsteams bewerteten sie, und alle wurden darin besser.
Dann wurden die Eingaben angreifbar. Jeder mit einem Smartphone kann heute ein Foto eines unbeschädigten Autos aufnehmen und ein frei verfügbares Modell bitten, eine zerbeulte Stoßstange einzufügen – samt plausibler Beleuchtung und Reflexionen. Das Ausmaß davon ist nicht theoretisch. Deepfake-Betrugsversuche stiegen um 2.137 % in drei Jahren und machen inzwischen 6,5 % aller erkannten Identitätsbetrugsfälle in der Finanz- und Zahlungswelt aus. Speziell im Versicherungswesen stiegen KI-gestützte Betrugsfälle in den USA von unter 20.000 im Jahr 2022 auf mehr als 80.000 im Jahr 2025.
Die konkreteste Zahl, die ich gesehen habe, stammt aus Großbritannien. Im April 2025 gaben dortige Kfz-Versicherer bekannt, dass Betrüger mit Diffusionsmodellen Kratzer und Risse in harmlose Fotos einfügten und die durchschnittlichen Auszahlungen um rund 13.000 £ pro Fall aufblähten. Das ist kein Rundungsfehler in einem Versicherungsbestand. Das ist ein strukturelles Leck.
Und die Verbraucher wehren sich nicht gerade dagegen. Verisks Betrugsstudie vom März 2026 ergab, dass 36 % der Verbraucher erwägen würden, ein Schadensbild zu manipulieren und unter der Gen Z steigt dieser Wert auf 55 %. Zugleich berichten inzwischen 98 % der Versicherer von einer Zunahme manipulierter Medien im Zusammenhang mit KI-Werkzeugen. Das Angebot an Werkzeugen ist unendlich, das moralische Risiko ist inzwischen weit verbreitet, und das Bewertungsmodell am anderen Ende liest Inhalte als Wahrheit.
Ich habe die erste Phase damit verbracht, das Falsche zu bauen
Jetzt kommt der Teil, auf den ich nicht stolz bin. Als wir anfingen, positionierte ich das Produkt als besseres Schadensbewertungsmodell. Die Marktführer waren die Messlatte, also wollte ich sie überspringen. Tractable, das 185 Mio. $ eingesammelt hat und Schäden im Wert von über einer Milliarde Dollar verarbeitet, wirbt mit rund 95 % Genauigkeit. CCC Intelligent Solutions betreibt eine Pipeline von der Schätzung bis zur Auszahlung über mehr als 125 Versicherer hinweg und hat beim Umsatz die Milliardengrenze überschritten. Der naheliegende Schritt war, eine Spur genauer zu sein als das und über diesen Unterschied zu verkaufen.
Ich brachte diese Positionierung in ein Gespräch mit einem Schadenleiter bei einem mittelgroßen Versicherer ein, und die Antwort war eine höfliche Variante von So etwas haben wir schon. Und es war die richtige Antwort. Ein weiterer Prozentpunkt Schadensbewertungsgenauigkeit war ein Vitamin, kein Schmerzmittel. Was dieses Team beunruhigte, war nicht, ob ihre Schätzungen zu 94 % statt zu 96 % genau waren. Es war, wie viele der Fotos, die in diese Schätzungen einflossen, überhaupt echt waren.
Dieses Gespräch kostete mich etwa einen Monat an Überzeugung. Wir hatten vollständig auf die falsche Dimension hin gebaut. Die Erkenntnis, die alles Folgende rechtfertigte, war einfach und ein wenig demütigend: Ein genaueres Inhaltsmodell macht das Betrugsproblem schlimmer, nicht besser, weil es einem gefälschten Bild einen selbstbewussteren Stempel aufdrückt. Je besser Ihr Modell darin ist, Schäden zu erkennen, desto reibungsloser die Auszahlung auf die Fälschung.
Also hörten wir auf, über Genauigkeit zu konkurrieren, und begannen, für Authentizität zu bauen. Das bedeutete, jedes Schadensfoto nicht als zu bewertende Daten zu behandeln, sondern als zu authentifizierende Beweise – gemessen und bewahrt.
Warum funktioniert "Fügen Sie einfach einen Deepfake-Detektor hinzu" nicht?
Der erste Instinkt, den jeder hat – auch wir –, ist, einen Deepfake-Detektor vorne an die Pipeline zu schrauben. Es gibt eine bekannte forensische Technik namens PRNU, kurz für Photo-Response Non-Uniformity. Jeder Kamerasensor besitzt einen schwachen, einzigartigen Rausch-Fingerabdruck, und wenn ein Bild synthetisiert statt aufgenommen wurde, fehlt dieser Fingerabdruck oder ist falsch. Im Labor ist das elegant.
In einer echten Schadenpipeline zerfällt PRNU für sich genommen. Smartphone-Fotos werden komprimiert, neu gespeichert, durch die Messaging-App geschleust, mit der der Versicherungsnehmer sie verschickt hat, und nachbearbeitet, bevor sie Sie überhaupt erreichen. All das verschmiert den Sensor-Fingerabdruck, und obendrein ist die Technik rechnerisch aufwendig. Für sich allein ist sie schlicht nicht konkurrenzfähig gegenüber moderner Generierung. Die Versicherer wissen, dass das schwierig ist, weshalb nur 32 % der Versicherer angeben, sich beim Erkennen von Deepfakes sehr sicher zu fühlen und 76 % berichten, dass die manipulierten Einreichungen, die sie sehen, immer raffinierter werden.
Das Erkennungsproblem lautet nicht "Haben wir ein Deepfake-Modell?". Es besteht darin, dass die Erkennung in einem anderen Produkt sitzt als die Bewertung, sodass die Authentizitätsprüfung und die Schadensprüfung nie wirklich miteinander sprechen.
Das ist die strukturelle Lücke, auf die ich jeden Versicherer hinweisen würde, und es ist der Grund, warum wir forensische Computer Vision für die gesamte Schadenbeweis-Pipeline gebaut haben statt eines eigenständigen Detektors. Verisk veröffentlicht hervorragende Betrugsforschung und betreibt starke Analytik, doch seine Erkennung ist nachgelagert – sie greift nach der Einreichung, getrennt vom Schadenwerkzeug. VAARHAFT betreibt eigens entwickeltes Bildbetrugs-Scoring mit Metadatenanalyse und Heatmaps für Sachbearbeiter, führt aber keine Schadensbewertung durch, sodass Sie zwei Anbieter betreiben, die sich kein Modell teilen. Tractable und CCC erledigen die Bewertung hervorragend und liefern überhaupt keine Deepfake-Erkennung. Der Versicherer flickt am Ende Authentizität und Bewertung über verschiedene Anbieter hinweg zusammen, und die Naht zwischen ihnen ist genau die Stelle, an der ein gefälschtes Bild überlebt.
Die ehrliche Antwort ist nicht ein Detektor. Es ist ein Ensemble – Forensik auf Sensorebene, dazu Segmentierung, die abwägt, ob der Schaden physikalisch konsistent ist (die Art von Prüfung, bei der ein Tiefenschätzungsdurchlauf eine Delle markiert, deren Geometrie die Beleuchtung nicht erklären kann – genau dort verrät sich eine saubere Diffusionsfälschung), dazu eine echte Beweiskette – alles innerhalb desselben Systems, das die Schätzung erzeugt.
Die Bedrohung, die ich nicht kommen sah, waren wir
Eine Zeit lang dachte ich, das ganze Problem sei extern – Betrüger draußen, unsere Pipeline drinnen, eine Mauer dazwischen. Dann ertappten wir uns selbst dabei, den Schaden anzurichten.
Ein Versicherungsnehmer hatte über eine mobile App ein Foto einer eingedellten hinteren Seitenwand hochgeladen. Unsere Bildpipeline führte, wie viele Pipelines, vor der Bewertung einen "Verbesserungs"-Durchlauf durch, um das Rauschen der Handykamera zu bereinigen. Der Upscaler, darauf trainiert, Bilder besser aussehen zu lassen, interpretierte die Delle als Rauschen und glättete einen Teil davon weg. Der Sachbearbeiter sah ein saubereres, weniger beschädigtes Auto, als der Versicherungsnehmer tatsächlich fotografiert hatte. Wir waren nicht angegriffen worden. Wir hatten die Beweise selbst klammheimlich verändert.
Da wurde mir die rechtliche Dimension bewusst, und mit dieser Expertise eröffne ich heute jedes Gespräch mit Versicherern. Nach US-Recht ist die Veränderung von Beweisen, die für ein Gerichtsverfahren relevant sind, eine Beweisvereitelung (Spoliation), und Vorsatz rettet Sie nicht. Der Maßstab ist nicht "Meinten Sie es gut, als Sie das Foto verbesserten?". Der Maßstab ist, ob synthetische Pixel – Pixel, die der Kamerasensor nie erfasst hat – eingeführt wurden, bevor irgendjemand das Original sicherte. Wenn ein abgelehnter Anspruch vor Gericht geht und Ihr Workflow das Original mit einer KI-veränderten Version überschrieben hat, drohen Ihnen nachteilige Beweiswürdigungsanweisungen (adverse inference), Sanktionen oder ein summarisches Urteil (summary judgment).
Jede Pipeline, in der generative KI ein Schadensbild berührt – Upscaling, Entrauschen, "Verbesserung" –, trägt dieses Risiko, und die meisten Versicherer haben es nie überprüft. Die Lösung in unserem System wurde zu einer Regel, die wir nicht brechen: Das originale, vom Sensor aufgenommene Bild wird bewahrt, gehasht und niemals überschrieben; jede Transformation geschieht an einer Kopie mit protokolliertem Herkunftsnachweis. Die Verbesserung kann weiterhin stattfinden. Sie darf nur nicht an der einzigen Kopie stattfinden, nach der ein Gericht jemals fragen wird.
Die Aufsichtsbehörden akzeptieren "Die Blackbox des Anbieters war schuld" nicht mehr
Die beiden Bedrohungen – synthetischer Betrug, der hereinkommt, und Beweisvereitelung, die im Inneren geschieht – prallen auf ein Compliance-Umfeld, das schnell Zähne bekommen hat.
Das NAIC Model Bulletin, das inzwischen von 24 Bundesstaaten übernommen wurde, verlangt dokumentierte KI-Governance, erklärbare Schadenentscheidungen und laufende Modellüberwachung. Colorados AI Act tritt am 30. Juni 2026 in Kraft, und ein Verstoß wird als unlautere oder irreführende Geschäftspraktik behandelt. Der EU AI Act stuft Versicherungs-KI als hochriskant ein, mit einer Durchsetzungsfrist im August 2026 und Strafen von bis zu 35 Millionen € oder 7 % des weltweiten Umsatzes. Und es wird erwartet, dass die NAIC in diesem Jahr ein Mustergesetz zur Aufsicht über Drittanbieter einführt.
Das Letzte ist das leise Erdbeben. Ein Versicherer haftet für die Ergebnisse einer KI von Drittanbietern – "Das Modell unseres SaaS-Anbieters hat das entschieden" ist keine Verteidigung, die eine Aufsichtsbehörde oder ein Gericht akzeptiert. Ein Versicherer, der einen Blackbox-Score verwendet, um einen Anspruch abzulehnen, kann die Erklärung nicht liefern, die die Aufsichtsbehörden inzwischen verlangen. Ein Versicherer, dessen Pipeline die Beweise verändert hat, kann das Original nicht liefern, das ein Gericht verlangt. Beides ist dasselbe Versagen in zwei Kostümen: Sie kontrollieren nicht, können nicht erklären und haben nicht bewahrt.
Das ist auch der Grund, warum ich der Variante skeptisch gegenüberstehe, bei der ein großer Systemintegrator das Ganze übernimmt. Die großen Firmen sind wirklich gut in der Integration von Guidewire und Duck Creek und im Verfassen von Risikorahmenwerken. Aber sie empfehlen und integrieren Plattformanbieter; sie bauen keine maßgeschneiderte forensische Computer Vision. Ihre KI-Arbeit ist LLM-zentriert – Copilots und agentische Triage – und ein Projekt kostet 500.000 bis 5 Mio. $ mit einer Vorlaufzeit von sechs bis achtzehn Monaten, bevor überhaupt ein Modell einen echten Anspruch berührt. Sie können ein Jahr und ein siebenstelliges Budget ausgeben und halten am Ende immer noch eine Blackbox in Händen, die Sie Colorado nicht erklären können.
"Aber verlangsamt das nicht das Straight-Through-Processing?"
Das ist der Einwand, den ich am häufigsten höre, und er ist berechtigt. Die gesamte Branche drängt zum Straight-Through-Processing – führende Kfz-Versicherer streben 70–90 % STP bei einfachen Kfz-Schäden von Privatkunden an, und IDC prognostiziert für dieses Jahr eine STP-Quote von 65 % über Kfz- und Wohngebäudeversicherungen hinweg. Sachbearbeiter sind teuer; der Sinn der KI ist es, Menschen von den Routineschäden fernzuhalten.
Man nimmt an, forensische Authentifizierung sei Reibung, die das STP wieder nach unten zieht. Es ist das Gegenteil. Der schnellste Weg, ein Straight-Through-Programm abzuwürgen, ist ein einziger öffentlich gewordener Betrugsring oder eine einzige Sanktion wegen Beweisvereitelung – danach erhält jeder Anspruch "sicherheitshalber" einen zweiten menschlichen Blick, und Ihre Automatisierungsquote bricht ein. Authentifizierung ist das, was Ihnen erlaubt, das Tor offen zu halten. Wenn das System bescheinigen kann, dass ein Bild echt, unverändert und herkunftsprotokolliert ist, ist genau das der Anspruch, den Sie gefahrlos automatisch genehmigen können. Sie fügen keinen Kontrollpunkt hinzu; Sie erwerben das Recht, einen zu überspringen.
Ein Anspruch, dessen Echtheit Sie beweisen können, ist ein Anspruch, den Sie gefahrlos auszahlen können, ohne dass je ein Mensch ihn anfasst.
Und die Wirtschaftlichkeit ist nicht subtil. Kfz-Betrug erhöht die Prämie jedes Versicherungsnehmers bereits um rund 900 $ pro Jahr, und richtig umgesetzte Computer Vision soll die Schadenbearbeitungskosten um 12 Milliarden $ jährlich senken. Nichts davon wird Realität, wenn die eingehenden Bilder gefälscht und die ausgehenden Originale verändert sind.
Worauf sollte ein Schadenleiter tatsächlich prüfen?
Eine Schaden-VP führte mich einmal durch ihr Raster zur Anbieterbewertung – eine ordentliche Scorecard aus Genauigkeit, Integration, Bereitstellung, Preis. Die Spalte "Deepfake-Erkennung" war bei jedem in die engere Wahl gekommenen Anbieter leer. Nicht niedrig bewertet. Leer. Niemand hatte es gebaut, also wurde niemand darauf benotet, also fiel es ganz aus der Bewertung heraus. Das ist die Falle: Man kann eine rigorose Beschaffung durchführen und nicht ein einziges Mal auf die Bedrohung prüfen, die tatsächlich wächst.
Die Spalte, die ich hinzufügen würde, fragt also etwas, das der Genauigkeitswert nicht kann: Kann das Werkzeug Ihnen sagen, ob ein Bild authentisch ist, nicht nur, was es abbildet? Von da an geht es bei den Fragen nicht mehr um Leistung, sondern um Beweise. Legt es seine Argumentation offen – die Segmentierungsmaske, die forensischen Signale – oder reicht es Ihnen nur eine Zahl, der Sie vertrauen sollen? Das originale Sensorbild muss mit einem Herkunftsnachweis überdauern, den Sie einem Richter vorlegen könnten. Und unter all dem sitzt die Eigentumsfrage: Betreiben Sie Ihr eigenes Modell und Ihre eigenen Daten, oder mieten Sie ein geteiltes, nicht feinabgestimmtes Modell, das Sie weder auf Ihren Bestand abstimmen noch Ihrer Aufsichtsbehörde erklären können?
Die Versicherer, die durch die nächsten zwei Jahre kommen, werden nicht diejenigen mit den genauesten Schadensschätzungen sein. Es werden diejenigen sein, die vor einer Aufsichtsbehörde, einem Sachbearbeiter und schließlich einem Richter bestehen und beweisen können, dass das Pixel, auf das sie ausgezahlt haben, echt war, als der Auslöser betätigt wurde – und dass sie es danach nie angerührt haben. Wenn Sie sehen möchten, wie wir forensische Computer Vision für genau das gebaut haben, ist alles da.
Ich behalte diese beiden Fotos der silbernen Limousine auf meinem Desktop. Eines war ein echter Unfall. Eines ist nie passiert. Das Modell konnte sie nicht auseinanderhalten, und für den Großteil der Branche kann es das immer noch nicht. Die ganze Aufgabe, so stellt sich heraus, bestand nie darin, den Schaden besser zu sehen. Sie bestand darin, mit Beweisen sagen zu können, welches der beiden wahr war.
