Ihre Schaden-KI kann echten Schaden nicht von gefälschtem unterscheiden. Ihre Sachbearbeiter auch nicht.

Wie erkennen Sie Deepfake-Schadensfotos in Versicherungsschäden?

Wir betreiben eine mehrschichtige Authentifizierungspipeline, bevor irgendeine Schadensbewertung beginnt. Die erste Schicht ist die PRNU-Analyse (Photo Response Non-Uniformity), die prüft, ob das Sensorrauschmuster im eingereichten Bild zu dem Gerät passt, von dem es angeblich stammt. Jeder Kamerasensor hat einen einzigartigen Rausch-Fingerabdruck, ähnlich einer ballistischen Signatur auf einem Geschoss. GAN-generierten und Diffusionsmodell-Bildern fehlt dieser Fingerabdruck vollständig, weil sie nie von einem physischen Sensor erfasst wurden.

Die zweite Schicht ist die Metadaten-Konsistenzprüfung. Wir verifizieren EXIF-Daten, GPS-Koordinaten und Zeitstempel gegen den Schadensdatensatz. KI-generierte Bilder haben oft bereinigte oder intern widersprüchliche Metadaten. Die dritte Schicht ist die Erkennung struktureller Artefakte. Aktuelle Diffusionsmodelle hinterlassen subtile Signaturen: Anomalien im Frequenzbereich, inkonsistente Rauschverteilungen über Farbkanäle hinweg und geometrische Inkonsistenzen in Reflexionen. Wir trainieren Erkennungsmodelle speziell auf versicherungsrelevanten Bildtypen (Fahrzeugschäden, Sachschäden, medizinische Dokumente), statt allgemeine Deepfake-Detektoren zu verwenden, die für Face-Swap-Videos gebaut sind.

Die vierte Schicht ist der perzeptive Hash-Abgleich mit der historischen Schadensdatenbank des Versicherers, der recycelte oder nahezu identische Bilder aus früheren Schäden erfasst. Wenn unsere Pipeline ein Bild markiert, erzeugt sie einen forensischen Bericht mit Wahrscheinlichkeitswerten, hervorgehobenen Anomaliebereichen und einer menschenlesbaren Erklärung, die zur SIU-Weiterleitung geeignet ist. Die Erkennung erfolgt in unter 3 Sekunden pro Bild und integriert sich direkt in den FNOL-Workflow, sodass verdächtige Schäden markiert werden, bevor sie in die Bewertungspipeline gelangen.

Wie schneidet Ihre KI-Schadensbewertung im Vergleich zu Tractable oder CCC Intelligent Solutions ab?

Tractable und CCC sind starke Plattformen, und viele Versicherer sollten sie nutzen. Die Frage ist, ob eine Plattform zu Ihrer spezifischen Situation passt. Tractable liefert eine Schweregrad-Bewertung (1–5) und eine Reparieren/Ersetzen-Empfehlung, legt aber die zugrunde liegende Segmentierungsmaske Ihren Sachbearbeitern nicht offen. Wenn ein Anspruchsteller die Bewertung der KI bestreitet, kann Ihr Sachbearbeiter ihm nicht genau zeigen, welche Pixel das Modell als Schaden identifiziert hat, was eine Erklärbarkeitslücke schafft, die unter den NAIC-Anforderungen von Bedeutung ist. CCCs Estimate-STP erzeugt vollständige Reparaturkostenvoranschläge in Sekunden mithilfe ihrer proprietären Teile- und Arbeitsdatenbank, was für eindeutige Außenschäden wirklich beeindruckend ist. Aber CCCs KI läuft auf ihrer gemeinsamen Infrastruktur, trainiert auf ihrem aggregierten Datensatz. Sie besitzen die Modellgewichte nicht, können nicht On-Premise bereitstellen und nicht für Ihren spezifischen Flottenmix oder Ihre Schadensmuster feinabstimmen.

Wir bauen etwas anderes: maßgeschneiderte Segmentierungsmodelle, trainiert auf Ihren Schadensdaten, die Sie besitzen. Die Ausgabe ist eine pixelgenaue Schadensmaske, die Ihre Sachbearbeiter ein- und ausschalten können, mit auf OEM-Bauteilabmessungen kalibrierten Oberflächenflächenberechnungen und Tiefenschätzung zur Schweregrad-Bewertung. Wir umhüllen außerdem jede Analyse mit einer forensischen Beweismittelkette (SHA-256-Hash, Sidecar-Metadaten, Audit-Trail), die Tractable und CCC nicht bieten, weil ihr Fokus auf Verarbeitungsgeschwindigkeit liegt, nicht auf gerichtlicher Belastbarkeit. Für Versicherer, die jährlich über 50.000 Kfz-Schäden verarbeiten und über mehrere Bundesstaaten hinweg ein regulatorisches Risiko tragen, zählen die Vorteile bei Eigentum und Erklärbarkeit. Für einen kleineren Versicherer, der eine schnelle Time-to-Value wünscht, sind Tractable oder CCC wahrscheinlich die richtige Wahl.

Was erfordert die NAIC-KI-Compliance für die Schadensverarbeitung?

Das NAIC Model Bulletin zur Nutzung von KI durch Versicherer, im Dezember 2023 verabschiedet und nun von 24 Bundesstaaten umgesetzt, verlangt drei Dinge, die die Schaden-KI direkt betreffen. Erstens ein dokumentiertes AIS Program: ein schriftlicher Governance-Rahmen, der die Entwicklung, Bereitstellung und Überwachung jedes in Schadensentscheidungen verwendeten KI-Systems abdeckt. Dies umfasst Werkzeuge von Drittanbietern. Wenn Sie Tractable oder CCC nutzen, benötigen Sie eine dokumentierte Due Diligence zu deren Datenherkunft, Modellarchitektur und Validierungstests. Das Bulletin stellt ausdrücklich fest, dass das Auslagern von KI die Haftung nicht auslagert.

Zweitens Erklärbarkeit: Wird ein Schaden auf Basis einer KI-Analyse abgelehnt oder angepasst, müssen Sie die Entscheidung in Begriffen erklären können, die ein Versicherungsnehmer und ein Regulierer verstehen. Eine Schweregrad-Bewertung von 3 von 5 ist keine Erklärung. Eine Segmentierungsmaske, die genau zeigt, welche Bereiche das Modell als beschädigt identifiziert hat, mit gemessener Oberflächenfläche und Tiefe, ist es.

Drittens fortlaufende Überwachung: Sie müssen die Modellleistung über die Zeit verfolgen, einschließlich Genauigkeitsverschlechterung, Verzerrungen in den Ergebnissen über demografische Gruppen hinweg und Drift in den Arten der verarbeiteten Schäden. Wir bauen Compliance in die Systemarchitektur ein, statt sie nachträglich anzuschrauben. Jede Analyse erzeugt einen strukturierten Audit-Datensatz, der direkt die NAIC-Dokumentationsanforderungen abbildet. Das System protokolliert Modellversion, Eingabe-Bild-Hash, Verarbeitungsschritte, Konfidenzwerte und die endgültige Entscheidung des Sachbearbeiters und schafft so eine vollständige Kette von der Fotoeinreichung bis zur Schadensregulierung.

Lässt sich dies in unsere bestehende Guidewire-ClaimCenter- oder Duck-Creek-Einrichtung integrieren?

Ja, und die Integrationsarchitektur ist der Punkt, an dem die meisten Schaden-KI-Projekte entweder gelingen oder ins Stocken geraten. Wir haben Integrationen mit sowohl Guidewire ClaimCenter als auch Duck Creek Claims gebaut. Für Guidewire nutzen wir die Cloud API (REST), um strukturierte Analyseergebnisse direkt in die Schadensakte zu übertragen. Die Ausgabe ist eine JSON-Nutzlast, die das Schadensinventar (identifizierte Teile, Schadenstyp pro Teil), Schweregrad-Bewertungen, Reparieren/Ersetzen-Empfehlungen und Verknüpfungen zu den Sidecar-Dateien (Segmentierungsmasken, Tiefenkarten, forensische Berichte) enthält. Diese Nutzlast bildet die Exposure- und Activity-Modelle von ClaimCenter ab, sodass Sachbearbeiter unsere Analyse neben ihrem bestehenden Workflow sehen. Für Duck Creek integrieren wir über deren API-Gateway mit ähnlicher strukturierter Ausgabe.

Die Integration dauert typischerweise 4 bis 6 Wochen für eine standardmäßige ClaimCenter-Cloud-Bereitstellung. On-Premise-Guidewire-Installationen dauern länger, üblicherweise 8 bis 10 Wochen, aufgrund umgebungsspezifischer Konfiguration und Sicherheitsprüfung. Die entscheidende Designentscheidung ist, wo die KI relativ zu Ihrer Schadensplattform läuft. Wir unterstützen drei Bereitstellungsmodelle: unsere verwaltete Cloud (am schnellsten bereitzustellen, Daten verlassen Ihren Perimeter), Ihr VPC (Sie kontrollieren die Infrastruktur, wir verwalten die Modelle) oder vollständig On-Premise (Sie kontrollieren alles, längster Bereitstellungszeitrahmen). Die meisten Versicherer mit regulatorischer Sensibilität wählen das VPC-Modell, weil es Sicherheit mit betrieblicher Einfachheit ausbalanciert.

Wie genau ist die KI-Schadensbewertung anhand von Handyfotos, und was ist mit Bildern minderer Qualität?

Die Fotoqualität ist die einzige größte Variable bei der Genauigkeit der KI-Schadensbewertung, und die meisten Anbieter spielen dieses Problem herunter. Unter kontrollierten Bedingungen mit guter Beleuchtung und passenden Winkeln erreichen semantische Segmentierungsmodelle eine Genauigkeit von über 90 % bei der Identifizierung oberflächlicher Schäden (Kratzer, Dellen, Risse). Unter realen Bedingungen mit kundeneingereichten Handyfotos sind 30 bis 40 Prozent der Ersteinreichungen unbrauchbar: falscher Winkel, zu weit weg, starke Blendung, Finger über der Linse oder nachts mit Blitz aufgenommen, der Glanzlichter erzeugt, die Schäden verdecken.

Deshalb investieren wir stark in die geführte Aufnahmeerfahrung. Unser mobiles SDK leitet den Versicherungsnehmer in Echtzeit an: Es erkennt das Fahrzeug im Bild, führt durch einen Rundgang aus 4 Winkeln, prüft auf Unschärfe und Blendung, bevor es jedes Foto akzeptiert, und weist Bilder zurück, die eine unzuverlässige Analyse erzeugen würden. Dies reduziert die Rate unbrauchbarer Einreichungen von 30–40 % auf unter 10 %.

Für die Bilder, die die Qualitätsprüfungen bestehen, erzeugen unsere Segmentierungsmodelle pixelgenaue Schadensmasken. Wir kalibrieren Oberflächenflächenberechnungen gegen bekannte OEM-Bauteilabmessungen (eine hintere Stoßstangenverkleidung eines 2024 Toyota Camry ist 1.820 mm breit, was uns ein Pixel-zu-Millimeter-Verhältnis liefert). Die Tiefenschätzung aus monokularen Bildern hat inhärente Grenzen. Wir sind dabei ehrlich: Auf flachen Bauteilen sind unsere Tiefenschätzungen zuverlässig genug, um PDR-reparierbare Dellen (flacher Gradient) von Schäden mit Austauschschweregrad (scharfe Falte) zu unterscheiden. Auf komplexen gekrümmten Oberflächen wie Radkästen sinkt die Tiefengenauigkeit und wir markieren diese zur Sachbearbeiterprüfung, statt eine irreführende automatisierte Empfehlung zu erzeugen.

Wie sieht ein typisches Projekt aus, und was kostet es?

Ein typisches Projekt läuft in drei Phasen über 5 bis 8 Monate. Phase 1 ist eine 4- bis 6-wöchige Bewertung, in der wir Ihren aktuellen Schaden-KI-Stack prüfen, Ihre Integrationsarchitektur abbilden (Guidewire, Duck Creek oder proprietär), eine Stichprobe von 5.000 historischen Schadensfotos analysieren, um die Basisqualität und Schadensverteilung zu ermitteln, und Ihr Automatisierungsziel mit dem höchsten Wert identifizieren. Diese Phase kostet je nach Komplexität zwischen 60.000 und 90.000 $.

Phase 2 ist der Aufbau, typischerweise 3 bis 4 Monate. Wir trainieren maßgeschneiderte Segmentierungsmodelle auf Ihren gelabelten Schadensdaten (wir handhaben die Labeling-Pipeline mit einer Kombination aus unseren Annotationswerkzeugen und dem Fachwissen Ihrer Sachbearbeiter). Wir bauen die Integrationsebene, stellen die Deepfake-Erkennungspipeline bereit und richten das Sachbearbeiter-Dashboard ein. Diese Phase kostet 250.000 bis 400.000 $, abhängig vom Bereitstellungsmodell (Cloud vs. VPC vs. On-Premise) und der Anzahl der im Umfang enthaltenen Schadenstypen. Phase 3 ist ein begleiteter Pilot auf Live-Schäden, üblicherweise 4 bis 8 Wochen. Wir lassen die KI parallel zu Ihrem bestehenden Prozess laufen, vergleichen Ausgaben, messen die Genauigkeit gegenüber Sachbearbeiterentscheidungen und stimmen die Modelle vor der vollständigen Produktionsumstellung ab. Die Pilotkosten sind in Phase 2 enthalten.

Laufende Modellwartung und -überwachung kosten 8.000 bis 15.000 $ pro Monat. Zur Einordnung: Ein einzelner bestrittener Schaden, der vor Gericht gelangt, kostet einen Versicherer 30.000 bis 75.000 $ an Rechts- und Vergleichskosten. Ein Versicherer, der jährlich 50.000 Kfz-Schäden mit auch nur einer Streitquote von 2 % verarbeitet, bei der bessere Beweise eine Eskalation hätten verhindern können, blickt auf 300.000 bis 750.000 $ an vermeidbaren Kosten pro Jahr.