KI-Agenten im Schadenmanagement

Bernd Lohmeyer (Insurance Transformation Strategist Enterprise Transformation, Materna) |

Schadenmanagement entscheidet über Vertrauen. Nur wer Schäden schnell, nachvollziehbar und konsistent bearbeitet, stärkt die Kundenbeziehung. KI-Agenten können hier einen echten Unterschied machen. Sie handeln selbstständig und treffen kontextbasierte Entscheidungen in Echtzeit.

Kunden melden Schäden per App, Web, Telefon, E-Mail oder Post. Doch jeder Kanal bringt eigene Datenformate, Medienbrüche und Prüfwege mit sich. Doch die Zahl der Kanäle darf nicht über Wohl und Wehe des Schadenmanagements entscheiden. Jeder Schaden muss dasselbe Vorgangsmodell durchlaufen. Datenaufnahme, Deckungsprüfung, Betrugsprüfung, Dokumentation und Kommunikation müssen auf derselben Prozesslogik beruhen.

Regelbasierte Systeme scheitern hier, sobald ein Fall vom Standard abweicht. Agenten nicht. Denn sie kennen das Ziel, nicht nur den Ablauf.

Zwei Rollen, eine Grenze

KI-Agenten und KI-Assistenten erfüllen im Schadenmanagement unterschiedliche Aufgaben.

KI-Assistenten reagieren. Sie liefern Entscheidungsgrundlagen, fassen Fallhistorien zusammen, zeigen ähnliche Fälle, finden relevante Vertragsklauseln und strukturieren Gutachten. Ihre Ausgabe ist immer eine Empfehlung. Der Mensch löst aus. Der Mensch entscheidet.

KI-Agenten handeln autonom. Sie erhalten ein Ziel und erreichen es selbstständig. Sie sind auf einzelne Aufgaben spezialisiert und erkennen etwa eingehende Schadenmeldungen, lesen Daten aus unterschiedlichsten Quellen aus und prüfen die Angaben auf Vollständigkeit. Sie analysieren Schadenhistorie, Bildmaterial und Kommunikationsmuster auf Auffälligkeiten und entscheiden, ob ein Fall automatisch weiterläuft oder an Sachbearbeiter geht.

Ein Orchestrierungstool koordiniert all diese Agenten und steuert den Gesamtprozess.

Was Agenten von Automatisierung unterscheidet

Klassische Automatisierung tut nur, was vorher programmiert wurde. Agenten können sich fehlende Expertise selbstständig aneignen. Ein Agent, der auf eine unbekannte Vertragsklausel stößt, kann gezielt externe Wissensquellen einbinden oder Regelwerke dynamisch nachladen.

Das bringt mehr Qualität – und eine Konsequenz: Ein Agent, der seinen eigenen Kompetenzbereich erweitern kann, muss genau wissen, wo seine Grenzen sind. Autonomie ohne definierten Rahmen ist kein Vorteil – sie ist ein unkontrolliertes System. Ein normativer Rahmen ist Pflicht.

Ein neues Verständnis von Spezifikation

Wer KI-Agenten einführt, muss nicht anders denken, aber anders priorisieren. In traditionellen IT-Projekten steht der normative Rahmen selten im Vordergrund. Menschen wissen aus Erfahrung, was angemessen ist, wo Grenzen liegen und wann eine Situation eskaliert werden muss.

Agentic AI wirkt zwar durch Autonomie: schnellere Regulierung, weniger manuelle Nacharbeit, konsistentere Entscheidungen. In Großschadenlagen klassifizieren, prüfen und priorisieren Agenten viele Meldungen parallel. Aber Agenten haben keinen gesunden Menschenverstand. Was Menschen selbstverständlich ist, muss das Projektteam für Agenten explizit definieren.

• Welche Fälle darf ein Agent vollständig und ohne Rückfrage bearbeiten?
• Ab welchem Schwellenwert muss ein Mensch eingreifen?
• Welche Daten darf das System nutzen und welche nicht?
• Wie erklärt der Agent seine Entscheidung?
• Wer überwacht Fehler?
• Wer stoppt einen Agenten im Zweifel ?
• Dieser normative Rahmen ist – das Warum – die eigentliche Spezifikationsarbeit.

Mit EU AI Act, DORA und branchenspezifischer Aufsicht wird dieser Rahmen zur formellen Pflicht. Wer ihn nicht definiert, darf nicht automatisieren. Besonders gilt das für die Betrugserkennung. KI kann manipulierte Bilder, widersprüchliche Angaben und ungewöhnliche Schadenmuster zuverlässig markieren. Das ist wirtschaftlich relevant. Aber Verdacht ist kein Urteil. Fachleute müssen Verdachtsfälle prüfen und entscheiden.

Groß denken. Klein anfangen

Agentic AI verändert das Schadenmanagement grundlegend. Das Zielbild darf deshalb groß sein: kanalübergreifende Automatisierung, autonome Erstprüfung, skalierbare Fraud-Erkennung. Der richtige Einstieg ist ein abgegrenztes Leuchtturmprojekt: eine Schadenart, hohes Volumen, überschaubare Komplexität. Dabei stellt sich bald heraus: Welche Daten sind wirklich verfügbar? Wo entstehen Reibungen im Prozess? Welche Agentenrollen funktionieren, welche brauchen Korrektur?

Diese Erkenntnisse sind das eigentliche Ergebnis des ersten Projekts. Sie fließen direkt in die nächste Ausbaustufe. Wer klein anfängt und dabei konsequent misst, baut ein wachsendes, auf belegbaren Erkenntnissen fußendes System.