KI im Schaden: Warum die Dunkelverarbeitungsquote nicht die wichtigste Kennzahl ist

Die Schadenquote steht gerade bei jedem Kfz-Versicherer ganz oben auf der Agenda. Nach drei Verlustjahren in Folge hat sich das Bild 2025 leicht aufgehellt, hauptsächlich weil Elementarereigbnisse ausgeblieben sind. Eine Erleichterung, aber keine Entwarnung. Der KH-Schadendurchschnitt ist seit 2021 im Schnitt um 9 Prozent pro Jahr gestiegen, getrieben durch Ersatzteilpreise und Werkstattlöhne, die weiter anziehen (Quellen: HUK-COBURG, Gen Re).

Kurz: Die Profitabilität bleibt fragil. Und in diesem Umfeld entscheidet aktives Schadenquotenmanagement darüber, ob das Jahr solide endet — oder nicht.

Wenn Versicherer in dieser Lage über KI im Schaden sprechen, fällt fast immer dasselbe Wort: Dunkelverarbeitung. Wie viele Fälle laufen vollautomatisch durch — ohne menschliches Zutun? Diese Zahl ist zur Leitkennzahl geworden. Das Problem: Sie misst Geschwindigkeit. Nicht Qualität. Und wer nur auf Dunkelverarbeitung optimiert, riskiert genau das, was KI eigentlich verhindern soll: stille Kostentreiber in der Schadenquote.

Dunkelverarbeitung ist kein Ziel — sie ist ein Mittel

Dass viele Fälle vollautomatisch bearbeitet werden können, ist gut. Es spart Zeit, entlastet Mitarbeiter, und bei einfachen Fällen gibt es keinen Grund, warum ein Mensch jeden Schritt anfassen muss. Aber der Fehler entsteht, wenn Dunkelverarbeitungsquote zum primären Erfolgskriterium wird.

Dann setzt ein Fehlanreiz ein: Um die Quote zu steigern, wird Prüftiefe reduziert. Systeme werden so kalibriert, dass sie möglichst selten aussteigen. Deckungsfragen werden oberflächlich bewertet. Regresschancen bleiben ungenutzt. Betrugsmuster, die mehrere Einzelsignale erfordern, bleiben unsichtbar. Jeder einzelne Fall geht schnell durch — aber die Schadenquote leidet still.

KI kann beides — wenn sie richtig ausgerichtet ist

Der Gegenentwurf ist nicht weniger Automation. Es ist Automation mit dem richtigen Ziel.

KI, die auf Dunkelverarbeitungsquote optimiert, trifft schnelle Entscheidungen. KI, die auf Schadenquote optimiert, stellt die richtigen Fragen — systematisch, bei jedem Fall, ohne Abkürzungen.

Bei inca heißt das: 140+ spezialisierte KI-Agenten prüfen jeden Schadensfall, bevor ein Mitarbeiter ihn sieht. Nicht als Einzelprüfungen, sondern als Gesamtschadenbetrachtung — alle Fallinhalte werden zueinander in Beziehung gesetzt. Das Ergebnis ist keine binäre Ja/Nein-Entscheidung, sondern eine strukturierte Grundlage für die Regulierung.

Konkret passiert das in drei Einsatzbereichen.

Die drei Einsatzgebiete der KI-Schadenquotenoptimierung

1. Intelligente Fallanreicherung — direkt nach Schadenmeldung

Bereits kurz nach Eingang einer Schadenmeldung lohnt es sich, aktiv zu werden. Nicht um zu regulieren, sondern um den Fall zu verstehen: Gibt es Widersprüche in der Meldung? Fehlen Angaben, die später teuer werden? Lassen sich externe Daten — Wetterereignisse, Verkehrslage — zur Validierung des Hergangs heranziehen?

Dieser Schritt fällt in der klassischen Bearbeitung oft dem Zeitdruck zum Opfer. KI erledigt ihn automatisch, konsistent und ohne Mehraufwand. Das Ergebnis ist ein angereicherter Fall, der echte Klärungsbedarfe sichtbar macht, bevor die Akte weiterläuft.

2. KI-Schadenvalidierung — 140+ Prüfungen vor der Regulierung

Der intensivste Prüfschritt findet vor der finalen Regulierungsentscheidung statt. Vier spezialisierte Module arbeiten dabei zusammen:

• Deckungs- & Haftungsvalidierung (13 KI-Agenten): Prüft Ausschlüsse, Haftungsquoten, Meldefristen und Deckungsebenen vollständig — anhand von AKB, Tarifbedingungen und Einzelvertrag, nicht nach Bauchgefühl.

• Betrugserkennung (50 KI-Agenten): Analysiert Hergangsplausibilität, validiert Bilder und Dokumente forensisch, erkennt Muster wie reaktivierte Verträge, bekannte Gutachter-Werkstatt-Kombinationen oder widersprüchliche Fahrerangaben.

• Gutachten- und Rechnungsvalidierung (55 KI-Agenten): Vergleicht Rechnungspositionen mit Schadenbildern und -beschreibungen, prüft Arbeitswerte, Teilewahl, Abrechnungsart und rechnerische Konsistenz.

• Regresserkennung (29 KI-Agenten): Identifiziert Regresschancen, prüft die Beweislage und bewertet die wirtschaftliche Sinnhaftigkeit einer Verfolgung.

Was diese Prüfung von klassischer Einzelfallprüfung unterscheidet: Es werden keine isolierten Checks durchgeführt. Alle Agenten sehen alle Fallinhalte — und erkennen Muster, die nur im Zusammenspiel sichtbar werden.

3. Durchsetzungsoptimierung — damit Prüfqualität auch wirkt

Eine gründliche Prüfung bringt wenig, wenn das Ergebnis nicht durchgesetzt werden kann. Für Fälle mit Kürzungs- oder Ablehnungspotenzial liefert inca deshalb einen Optimierungsbericht: Einsparpotenzial, Argumentation, Indizien und — wo nötig — die rechtliche Grundlage. Ergänzend stehen individualisierte Kommunikationsvorschläge zur Verfügung, die für die Durchsetzung der Entscheidung optimiert sind.

Das klingt nach einem Zusatzaufwand. Es ist das Gegenteil: Ein gut aufbereiteter Fallbericht macht die Entscheidung schneller, nicht langsamer.

Was das in der Praxis bedeutet

Versicherer, die diesen Ansatz einsetzen, erzielen eine Verbesserung der Schadenquote um 2 bis 4 Prozentpunkte. Das ist der messbare Effekt aus konsequenter Prüftiefe, Betrugserkennung und Regressverfolgung — die durch KI erstmals in der Breite wirtschaftlich umsetzbar werden.

Der entscheidende Unterschied zum klassischen Automatisierungsansatz: Die Dunkelverarbeitungsquote steigt nicht auf Kosten der Qualität. Sie steigt, weil jeder Fall gründlicher geprüft wird — und gerechtfertigte Abschlüsse schneller erfolgen.

Wenn Sie wissen möchten, was eine KI-basierte Schadenquotenoptimierung für Ihr Portfolio bedeutet, sprechen Sie uns an.

Geben Sie inca 1.000 Fälle — und messen Sie die Ergebnisse selbst.