Schadenagent

Wie ein Versicherer KI einsetzte, um Schadensfälle mit geringer Komplexität zu optimieren – und den Schadensregulierern die Möglichkeit gab, sich auf das Wesentliche zu konzentrieren

Scrollen

Herausforderung

Zu viele Ansprüche, zu wenig Zeit

Ein mittelgroßer Schaden- und Unfallversicherer bearbeitete Hunderttausende Schadensfälle pro Jahr. Die meisten Fälle waren von geringer Komplexität – verlorenes Gepäck, gesprungene Windschutzscheiben, kleinere Wasserschäden –, erforderten aber dennoch jeweils eine manuelle Aufnahme, Triage und Genehmigung. Da die Arbeitskosten stiegen und die Erwartungen der Kunden an Geschwindigkeit zunahmen, war die Schadensbearbeitung zu einem Engpass geworden. Die Führung brauchte eine Möglichkeit zur Skalierung, ohne die Mitarbeiterzahl proportional zu erhöhen.

Die Sachverständigen waren überfordert. 70 % der Ansprüche waren einfach, erforderten aber dennoch eine manuelle Erfassung, Weiterleitung und Genehmigung. Die Lösungszeiten stiegen. Die Kunden waren frustriert. Das galt auch für die Mitarbeiter.

Menschliche Engpässe

Jeder Anspruch begann auf die gleiche Art und Weise – online eingereicht, per E-Mail verschickt oder angerufen. Ein Mensch musste die Angelegenheit selektieren, Details überprüfen, Dokumente anfordern und den Antrag durchsetzen. Einfache Ansprüche standen in derselben Warteschlange wie komplexe. Das Ergebnis: überall Ineffizienz.

Was wäre, wenn ein Bot damit umgehen könnte?

Die Idee: Einen digitalen Schadensregulierer schaffen – einen, der risikoarme, regelbasierte Schadensfälle ohne menschliche Verzögerung sofort bearbeiten und nur diejenigen eskalieren kann, die einer Überprüfung bedürfen.

Ansatz

Also haben wir einen KI-Anpasser gebaut

Wir haben mit Claims Ops, IT und Legal zusammengearbeitet, um ein Modell zur Schadensautomatisierung zu entwickeln. Es überprüfte die Art des Anspruchs, den Betrag, die Kundenhistorie und die beigefügten Unterlagen und traf dann sofort eine Entscheidung mit integrierter Überprüfbarkeit.

Lösung

Wir haben es anhand von 3 Jahren Geschichte trainiert

Das Modell wurde anhand von 2,1 Millionen historischen Ansprüchen trainiert. Es erfuhr, welche Fälle sicher automatisch genehmigt werden konnten, welche eine Validierung erforderten und welche immer an einen Menschen weitergeleitet werden sollten. Dokumentenscans, Metadaten, Richtlinienmarkierungen – alles war Teil des Entscheidungsbaums.

Methodik

Wir haben eine abgestufte Methodik verwendet: (1) Berechtigungsregeln und Eskalationskriterien mit Claims Ops und Legal definieren; (2) historische Schadensdaten für Schulungen extrahieren, bereinigen und kennzeichnen; (3) Trainieren und Validieren des Klassifizierungs- und Genehmigungsmodells mit Holdout-Sets und menschlicher Überprüfung von Randfällen; (4) Integrieren Sie das Modell über eine API mit Audit-Protokollierung und Überschreibungskontrollen in die Anspruchsplattform. (5) Führen Sie vor der vollständigen Einführung einen kontrollierten Pilotversuch nach Produktlinie durch.

Datenquellen

Historische Schadensaufzeichnungen (2,1 Mio.), einschließlich Anspruchsart, Betrag, Versicherungsdetails und Ausgang. Dokumentanhänge und extrahierte Felder (Fotos, Kostenvoranschläge, Rechnungen). CRM- und Richtliniendaten für Kundenhistorie und Risikokennzeichnungen. Alle Daten wurden für das Modelltraining anonymisiert oder aggregiert; Die Produktionsinferenz nutzte Live-Anspruchs- und Versicherungsdaten innerhalb des bestehenden Sicherheitsbereichs.

Wir haben es in der Produktion eingesetzt

Der KI-Gutachter läuft jetzt im Hintergrund und prüft und genehmigt monatlich über 38.000 Schadensfälle. Es markiert Anomalien, prüft das Betrugsrisiko und lässt sich nahtlos in die bestehende Schadensplattform integrieren. Schadensregulierer sind immer noch für komplexe Fälle zuständig – aber jetzt sind sie nicht mehr in Routinefällen versunken.

„Wir haben die Menschen nicht ersetzt. Wir haben den Abfall beseitigt – damit sich die Menschen auf ihr Urteilsvermögen und nicht auf geschäftige Arbeit konzentrieren können.“

— Direktor für Schadensautomatisierung

Wir haben die Auswirkungen gemessen

Die Bearbeitungszeit für berechtigte Ansprüche sank von 5,4 Tagen auf 1,2 Tage. Der NPS für die automatisch aufgelöste Gruppe stieg um 18 Punkte. Und die Sachbearbeiter haben jährlich über 7.000 Stunden zurückgewonnen, die sie für die Bearbeitung komplexer, anspruchsvoller Fälle aufwenden können, bei denen sie tatsächlich benötigt werden. Visuals umfasste ein Betriebs-Dashboard, das automatische und menschliche Lösungsraten, die durchschnittliche Lösungszeit nach Anspruchsart und NPS-Trends anzeigt; Plus Audit-Ansichten für jeden automatisch genehmigten Anspruch, damit die Compliance-Abteilung Proben überprüfen kann.

Zeitplan für die Umsetzung

Wochen 1–6: Anforderungen, Datenextraktion und Teilnahmebedingungen. Wochen 7–14: Modellentwicklung, Backtesting und Integrationsaufbau. Wochen 15–18: Pilotprojekt für eine Produktlinie (z. B. Mieter) mit paralleler menschlicher Überprüfung. Wochen 19–22: Optimierung und Erweiterung um zusätzliche Linien. In Woche 24 war die vollständige Produktionseinführung abgeschlossen und die Bearbeitungsrate von über 38.000 Schadensfällen/Monat wurde erreicht.

Machen Sie den nächsten Schritt

Erfahren Sie, wie Intellimark Ihnen dabei helfen kann, einen skalierbaren Schadensregulierer aufzubauen, ohne dabei die menschliche Note zu verlieren.

Kontaktieren Sie uns

Ergebnis

Der Versicherer automatisierte die Routine und konzentrierte die menschliche Arbeit wieder auf Schadensfälle mit Mehrwert:

Metriken/Ergebnisse

38,000+ Automatisch bearbeitete Ansprüche pro Monat

1,2 Tage durchschnittliche Lösungszeit (vs. 5,4 Tage)

+18 NPS-Punkte für automatisierte Gruppe

Über 7.000 Stunden jährlich an die Sachverständigen zurückgegeben

Flosse.

Manche Behauptungen erfordern Empathie. Manche brauchen einfach Effizienz. Jetzt konnten sie beides liefern.

Entdecken Sie mehr

Forschung · Analytik

Nabe · Erfahrung mit Wirkung