Der Pilot läuft gut. Und dann?

Schadenabteilungen in deutschen Versicherern haben in den letzten zwei Jahren intensiv mit KI experimentiert: automatisierte Schadenanlage, Betrugserkennung, Dokumentenprüfung, Erstreaktion auf Kundenmeldungen. Die Piloten laufen oft besser als erwartet. Die Skalierung dagegen stockt.

Das ist kein Einzelfall, es ist ein Muster. Und es ist teuer. Branchenübergreifend kursiert für KI-Vorhaben eine Scheiterquote von rund 80 Prozent, und das Whitepaper "Auf dem Weg zum KI-nativen Versicherer" von InsurTech Hub Munich und QAware benennt den Grund präzise: Mehr als die Hälfte der Versicherer nutzt KI bereits, aber nur punktuell. Projekte versprechen als Showcase viel und scheitern am Übergang vom Piloten in die Skalierung. Das eigentliche Problem ist organisatorischer und strategischer Natur, nicht technischer.

Wer das verstanden hat, hört auf, immer neue Piloten zu starten, und fängt an, einen einzigen vollständig in den Betrieb zu bringen. Dieser Artikel zeigt, woran die Skalierung wirklich hängt und wie der Weg vom Showcase zum produktiven System aussieht.

Warum Piloten nicht skalieren

Piloten werden in kontrollierten Umgebungen gebaut: ausgewählte Daten, dediziertes Team, klare Erfolgskriterien, direkter Vorstandssupport. Das sind ideale Bedingungen. Die Realität einer Schadenabteilung mit mehreren hundert Mitarbeitern, gewachsenen IT-Systemen und tausenden Prozessausnahmen sieht anders aus.

Der Übergang vom Pilot zum Produktiveinsatz erfordert drei Dinge, die im Pilot meist nicht gebaut werden: eine Integration in die bestehenden Systeme, ein Konzept für die Mitarbeiter, deren Arbeit sich verändert, und ein klares Governance-Modell für Entscheidungen, die die KI trifft oder vorbereitet. Wer diese drei Bausteine erst nach dem erfolgreichen Pilot angeht, hat den schwierigsten Teil noch vor sich, oft ohne dass es jemandem bewusst ist. Der Pilot beweist, dass das Modell funktioniert. Er beweist nicht, dass die Organisation es tragen kann.

Die drei strukturellen Bremsen

Die Hürden, an denen die Skalierung hängenbleibt, sind in der Branche gut beschrieben. Pegasystems fasst sie für 2026 zusammen: gewachsene Legacy-Systeme, komplexe regulatorische Vorgaben und heterogene Datenlandschaften bremsen die schnelle Umsetzung ambitionierter KI-Projekte. Alle drei sind im Schaden besonders ausgeprägt.

Erstens die Systeme. Ein Pilot greift auf einen sauberen Datenexport zu. Der Produktivbetrieb muss in das Bestandssystem hinein, in dem Schäden tatsächlich angelegt, reguliert und ausgezahlt werden. Genau diese Integration ist die unsichtbare Mehrheit des Aufwands. Sie taucht in keiner Pilotrechnung auf und entscheidet trotzdem über Erfolg oder Stillstand. Eine KI, die ihre Ergebnisse nicht zurück in das führende System schreibt, erzeugt eine zweite Wahrheit neben der ersten, und niemand weiß mehr, welche gilt.

Zweitens die Regulatorik. Eine KI, die einen Schaden vorprüft, trifft Entscheidungen mit finanzieller und rechtlicher Wirkung. Wer darf widersprechen? Wie wird nachvollziehbar dokumentiert, auf welcher Grundlage die KI zu ihrem Vorschlag kam? Ohne belastbare Antworten kommt das System durch keine interne Revision und durch keine Aufsichtsprüfung. Die BaFin hat KI-Governance und Schaden als Prüfschwerpunkte benannt, das ist kein theoretisches Risiko, sondern ein konkreter Prüfgegenstand der nächsten Jahre.

Drittens die Daten. Schadendaten sind selten so sauber, wie der Pilot es nahelegt. Freitextfelder, gescannte Dokumente in unterschiedlicher Qualität, historisch gewachsene Schlüsselsysteme. Ein Modell, das auf kuratierten Beispielen brilliert, kann im Alltag an genau den Ausnahmen scheitern, die einen großen Teil des realen Aufkommens ausmachen. Die Datenarbeit ist deshalb kein Vorlauf, den man überspringen kann, sondern ein dauerhafter Teil des Betriebs.

Die organisatorische Hälfte, die niemand budgetiert

Die Empfehlung des InsurTech-Hub-Whitepapers ist ungewohnt konkret: pro Euro Entwicklungskosten ein weiterer Euro in Change Management. Im Schaden bedeutet das, die Sachbearbeitung früh einzubeziehen, statt ihr ein fertiges System vorzusetzen.

Mitarbeiter, die seit Jahren Schäden regulieren, haben ein feines Gespür dafür, wo ein Vorgang nicht stimmt. Wenn die KI diese Erfahrung ersetzen soll, entsteht Widerstand, zu Recht. Wenn sie die Erfahrung verstärkt, indem sie Routine abnimmt und den Blick auf die kniffligen Fälle lenkt, entsteht Akzeptanz. Der Unterschied liegt nicht im Modell, sondern in der Rolle, die man den Menschen im neuen Prozess gibt. Eine KI, die als Werkzeug der Sachbearbeitung eingeführt wird, skaliert. Eine KI, die als Ersatz angekündigt wird, sammelt Gegner, und Gegner finden in einer komplexen Schadenwelt unendlich viele Gründe, warum das System im Einzelfall nicht passt.

Dazu gehört auch eine ehrliche Klärung der Verantwortung. Wenn ein Agent einen Vorgang vorentscheidet, wer trägt das Ergebnis? Solange diese Frage offen ist, wird jede Führungskraft die KI im Zweifel umgehen, weil das Risiko persönlich bei ihr liegt. Geklärte Verantwortung ist keine Formalie, sie ist die Voraussetzung dafür, dass das System überhaupt genutzt wird. Wer Verantwortung klärt, nimmt der Sachbearbeitung die Angst und der Führungskraft das Risiko.

Was beim Schadenmanagement wirklich funktioniert

Der Bereich Neuschadenanlage ist einer der reifsten KI-Anwendungsfälle im Versicherungsbereich. Die Strukturiertheit des Prozesses, die hohe Dokumentenmenge und der klare Qualitätsmaßstab machen ihn zum idealen Einstieg. Eine eingehende Schadenmeldung wird automatisch erfasst, den richtigen Feldern zugeordnet, mit dem Vertrag abgeglichen und für die Sachbearbeitung vorbereitet. Der Mensch prüft und entscheidet, statt zu tippen.

Der Hebel ist doppelt. Die Durchlaufzeit sinkt, weil die zeitraubende Ersterfassung wegfällt. Und die Qualität steigt, weil die Sachbearbeitung ihre Zeit dort einsetzt, wo Urteilsvermögen zählt, bei der Bewertung, der Kommunikation mit dem Kunden und den Fällen, die aus dem Raster fallen. Genau das ist der Punkt, an dem Effizienz in Kundenzufriedenheit übergeht: Eine schnellere, verlässlichere Schadenregulierung ist das stärkste Loyalitätsargument, das ein Versicherer hat, denn der Schaden ist der Moment, in dem sich der Wert einer Police für den Kunden zum ersten Mal real zeigt.

Wichtig ist die Reihenfolge. Wer mit einem klar abgegrenzten, gut messbaren Anwendungsfall startet, ihn vollständig in das Kernsystem integriert, die Sachbearbeitung einbezieht und die Governance vorab klärt, baut nicht nur einen funktionierenden Use Case. Er baut die Fähigkeit, den nächsten schneller produktiv zu bekommen. Betrugserkennung, Posteingangssteuerung und Dunkelverarbeitung folgen dann auf einem Fundament, das den ersten Übergang vom Pilot zum Betrieb bereits überstanden hat. Genau diese Wiederholbarkeit ist der eigentliche Gewinn, nicht der einzelne Use Case.

Wie man Erfolg im Schaden misst

Damit aus einem Pilot ein Produktivsystem wird, braucht es Kennzahlen, die über die Demo hinausgehen. Drei sind entscheidend. Die Durchlaufzeit vom Eingang der Meldung bis zur ersten qualifizierten Reaktion zeigt, ob der Prozess wirklich schneller wird. Die Quote der Vorgänge, die ohne manuelle Nacharbeit korrekt vorbereitet werden, zeigt, ob das System im Alltag trägt und nicht nur in der ausgewählten Stichprobe. Und die Zufriedenheit der Sachbearbeitung zeigt, ob das System als Entlastung oder als Belastung erlebt wird, was über die tatsächliche Nutzung entscheidet.

Was hier bewusst nicht zuerst steht, ist die eingesparte Stelle. Wer die Schadenautomatisierung allein über Personalabbau rechtfertigt, verliert die Akzeptanz, die er für die Skalierung braucht, und verschenkt den größeren Hebel: eine schnellere, bessere Regulierung, die Kunden bindet und teure Eskalationen vermeidet.

Ein konkreter Ablauf der Neuschadenanlage

Wie sieht ein produktiver Anwendungsfall im Detail aus? Eine Schadenmeldung trifft ein, ob per Formular, E-Mail oder als Anhang. Das System erkennt den Vertrag, ordnet die Meldung der richtigen Sparte zu und liest die relevanten Angaben aus, auch aus angehängten Dokumenten unterschiedlicher Qualität. Es gleicht die Angaben mit dem Vertrag ab, prüft auf offensichtliche Unstimmigkeiten und legt den Vorgang strukturiert in der Schadenakte des Bestandssystems an. Was die Sachbearbeitung erhält, ist kein leeres Formular, sondern ein vorbereiteter Fall mit allen Informationen an der richtigen Stelle.

Entscheidend ist, was das System nicht tut. Es zahlt nicht selbsttätig aus, es lehnt nicht selbsttätig ab, und es trifft keine Bewertung, die rechtliche Wirkung entfaltet, ohne dass ein Mensch sie verantwortet. Die KI bereitet vor, der Mensch entscheidet. Genau diese Arbeitsteilung macht den Use Case prüfungsfest und gleichzeitig wirksam, weil sie die zeitraubende Erfassung abnimmt, ohne die Verantwortung zu verschieben.

Die richtige Reihenfolge der Use Cases

Versicherer, die im Schaden vorankommen, gehen die Anwendungsfälle nicht gleichzeitig an, sondern in einer Reihenfolge, die aufeinander aufbaut. Am Anfang steht die Neuschadenanlage, weil sie strukturiert, dokumentenlastig und gut messbar ist und weil ihr Erfolg sofort spürbar wird. Auf dem dabei entstandenen Fundament folgt die intelligente Posteingangssteuerung, die eingehende Nachrichten dem richtigen Vorgang und der richtigen Priorität zuordnet. Erst danach kommen die anspruchsvolleren Fälle: Betrugserkennung, die ein verlässliches Datenfundament voraussetzt, und schließlich die echte Dunkelverarbeitung klar abgegrenzter, risikoarmer Schadenarten.

Diese Reihenfolge ist kein Dogma, aber sie folgt einer Logik. Jeder Schritt nutzt die Integration, die Governance und die Akzeptanz, die der vorige aufgebaut hat. Wer mit dem schwierigsten Fall beginnt, etwa der vollautomatischen Auszahlung, riskiert einen frühen, sichtbaren Fehlschlag, der die gesamte Initiative diskreditiert. Wer mit dem reifsten Fall beginnt, sammelt früh Erfolge, die das nächste Vorhaben tragen.

Warum der Mensch im Loop bleibt

Die Vorstellung, KI werde die Schadenregulierung vollständig übernehmen, geht an der Realität vorbei und ist auch nicht das Ziel. Ein großer Teil der Schäden enthält Mehrdeutigkeiten, Kulanzfragen oder Kommunikationsbedarf, der menschliches Urteil verlangt. Der Wert der KI liegt nicht darin, den Menschen zu ersetzen, sondern darin, ihm die Fälle aufzubereiten und die Routine abzunehmen, damit er sich auf das konzentriert, wofür er da ist. Eine Schadenmeldung ist für den Kunden oft ein belastender Moment. Genau dort entscheidet die menschliche Qualität der Bearbeitung über die Bindung, und genau dort sollte die gewonnene Zeit ankommen.

Das ist auch regulatorisch der sichere Weg. Solange ein Mensch die wirkungsvollen Entscheidungen verantwortet und das System nachvollziehbar dokumentiert, auf welcher Grundlage es seinen Vorschlag gemacht hat, bleibt der Betrieb prüfungsfest. Wer diese Grenze verwischt, gewinnt kurzfristig etwas Tempo und handelt sich langfristig ein Aufsichtsproblem ein.

Die Datenbasis ist eine Daueraufgabe

Ein verbreiteter Irrtum lautet, die Datenarbeit sei ein einmaliger Vorlauf, den man hinter sich bringt, bevor das eigentliche Projekt beginnt. Im Schaden ist sie das Gegenteil: eine Daueraufgabe. Neue Schadenarten, geänderte Formulare, neue Anbindungen und sich wandelnde Kundenkommunikation sorgen dafür, dass sich die Datenlage fortlaufend verändert. Ein Modell, das einmal sauber trainiert wurde, verliert ohne Pflege an Treffsicherheit. Wer das nicht einplant, erlebt nach einem guten Start einen schleichenden Qualitätsverfall, der schwer zu diagnostizieren ist, weil er nicht plötzlich, sondern allmählich eintritt.

Deshalb gehört zur Skalierung von Anfang an eine Rolle, die für die Datenqualität verantwortlich ist, und ein Monitoring, das Abweichungen früh sichtbar macht. Das ist kein Luxus, sondern die Voraussetzung dafür, dass der Use Case über Jahre trägt und nicht nur im ersten Quartal glänzt.

Make or buy: die Integration ist die eigentliche Arbeit

Bei der Frage, ob man eine Lösung selbst baut oder einkauft, konzentriert sich die Diskussion meist auf das Modell. Das ist der falsche Fokus. Modelle sind heute weitgehend verfügbar, ob als zugekaufte Lösung oder als Standardbaustein. Der Aufwand und das Risiko liegen nicht im Modell, sondern in der Integration in die gewachsene Systemlandschaft, in der Governance und in der Einbindung der Sachbearbeitung. Genau diese drei Dinge lassen sich nicht von der Stange kaufen, weil sie spezifisch für das jeweilige Haus sind.

Die nüchterne Konsequenz: Die Auswahl des Anbieters entscheidet weniger über den Erfolg als die Frage, wer die Integration und den organisatorischen Übergang verantwortet und ob diese Verantwortung über Strategie und Umsetzung hinweg in einer Hand bleibt. Wo Konzept und Umsetzung auf verschiedene Parteien verteilt sind, geht genau an dieser Naht die meiste Zeit und das meiste Geld verloren.

Der Pilot beweist das Können, nicht die Reife

Am Ende läuft alles auf eine Unterscheidung hinaus, die viele Häuser zu spät treffen. Ein erfolgreicher Pilot beweist, dass die Technik funktioniert. Er beweist nicht, dass die Organisation bereit ist, ihn zu tragen. Diese beiden Fragen werden regelmäßig verwechselt, und genau aus dieser Verwechslung entsteht die hohe Scheiterquote beim Übergang in die Skalierung. Wer den Unterschied ernst nimmt, investiert nicht in den nächsten beeindruckenden Showcase, sondern in die drei unspektakulären Bausteine, die einen Showcase in ein System verwandeln: die Integration in das führende System, die Einbindung und Verantwortung der Menschen und eine Governance, die auch eine Aufsichtsprüfung übersteht. Das ist weniger vorzeigbar als eine neue Demo, aber es ist der einzige Weg, auf dem aus einem Versprechen ein Betrieb wird.

Vom Showcase zum System

Die Versicherer, die 2026 vorn liegen, sind nicht die mit den meisten Piloten. Es sind die, die einen Anwendungsfall vollständig in den Betrieb gebracht und daraus eine wiederholbare Vorgehensweise abgeleitet haben. Pilot ist nicht Transformation. Der Unterschied liegt in den drei Bausteinen, die im Showcase fehlen: Integration, Mensch und Governance. Genau diese drei sind keine technischen Detailfragen, sie sind die Transformation selbst.

Mehr zum Thema: Generative KI in der Compliance: Warum die BaFin Zurückhaltung sieht und was dahintersteckt. und 21 Prozent mehr Umsatzwachstum: Was KI-Vorreiter unter Versicherern anders machen.

Wir bringen KI im Schadenmanagement nicht bis zum überzeugenden Pilot, sondern bis in den produktiven Betrieb, mit Integration in Ihr Bestandssystem, einem Konzept für die betroffenen Teams und einer prüfungsfesten Governance. Aus der Branche, für die Branche, Strategie und Umsetzung aus einer Hand. Beginnen Sie mit einem Workshop, in dem wir Ihren reifsten Anwendungsfall identifizieren und den Weg vom Pilot zum System konkret planen.