KI-generierte Schadensfotos erkennen: So entlarven Versicherer Deepfakes im Schadenmanagement
Ein kurzer Textprompt, ein paar Sekunden Rechenzeit – und aus dem unversehrten Kotflügel wird ein Totalschaden. Was früher Bildbearbeitungs-Know-how und viel Zeit erforderte, erledigen frei verfügbare KI-Tools heute nebenbei. Für Schadenabteilungen ist das längst keine Zukunftsmusik mehr. Auch Branchenmedien betonen: Manipulierte Schadenbilder sind nicht neu – neu ist, wie leicht sich Manipulationswerkzeuge heute bedienen lassen.
Die stille Gefahr: KI-gefälschte Schadensbilder
Die Datenlage ist eindeutig: Das Problem wächst, und die Branche weiß es.
Anstieg in Großbritannien: Allianz UK meldete einen Anstieg KI-bezogener Betrugsfälle um 300 Prozent. Die Versicherer sprechen von „Shallowfakes“ – Fotos, die mit einfachen KI-Mitteln so verändert werden, dass Schäden größer oder erst entstanden wirken.
Branchenweite Befragung 2026: In einer Studie stimmten 98 Prozent der Versicherer zu, dass KI-Bearbeitungstools digitalen Betrug antreiben; 99 Prozent sind bereits auf manipulierte oder KI-veränderte Unterlagen gestoßen.
Immer raffinierter: 76 Prozent der Versicherer sagen, dass manipulierte Einreichungen im letzten Jahr ausgefeilter geworden sind. Unter Verbrauchern, die KI-Tools zur Bearbeitung von Foto, Video oder Dokument genutzt haben, beschreiben 44 Prozent das Ergebnis als „sehr realistisch“.
Niedrige Hemmschwelle: 36 Prozent der befragten Verbraucher würden erwägen, ein Schadenbild oder Dokument digital zu verändern – selbst wenn das gegen die Regeln des Versicherers verstößt.
Ausgangslage in Deutschland: Der GDV schätzt den jährlichen Schaden durch Versicherungsbetrug in der Schaden- und Unfallversicherung auf rund fünf Milliarden Euro; bei etwa jedem zehnten Schaden gibt es Auffälligkeiten oder Ungereimtheiten.
Menschliches Auge überfordert: Laut einer Bitkom-Umfrage vom Juni 2026 trauen sich nur 34 Prozent der Deutschen zu, einen Deepfake zuverlässig zu erkennen.
Warum reichen klassische Kontrollen nicht mehr aus?
In vielen Häusern läuft die Bildprüfung zweistufig: Die Sachbearbeitung wirft einen Blick auf hochgeladene Fotos, bei hohen Schadensummen schauen Spezialisten genauer hin. Das funktionierte, solange Fälschungen an Klonstempel-Spuren und unsauberen Kanten zu erkennen waren. Heute scheitert dieses Modell an drei Punkten:
Qualität: Generative Modelle liefern hochaufgelöste, stimmig beleuchtete Bilder. Auffällige Artefakte, an denen das Auge hängen bleibt, werden seltener.
Volumen: Digitale Schadenmeldung bedeutet Tausende Uploads pro Woche. Nicht jedes Bild kann manuell geprüft werden.
Schwellenwerte: Eine Tiefenprüfung ist oft erst ab einer bestimmten Schadenshöhe vorgesehen. Genau das schafft einen Blindfleck bei kleinen und mittleren Schäden. Stephen Voss von Neodigital warnte bereits, Kriminelle könnten viele kleinere Fälle einreichen, die unter der Wahrnehmungsgrenze bleiben.
Wie entsteht ein manipuliertes Schadensfoto?
Wer den Weg einer Fälschung kennt, kann die Kontrollpunkte im Prozess richtig setzen. Typischerweise läuft es in drei Phasen ab:
1. Erzeugung oder Manipulation. Ausgangspunkt ist meist ein echtes Foto, in das per KI-Inpainting oder generativer Füllung Dellen, Kratzer, gesplitterte Scheiben oder Wasserflecken eingefügt werden. Alternativ entsteht das Bild komplett synthetisch. Zu den gängigen Techniken zählen Copy-Paste-Manipulationen, Retusche, das Kombinieren mehrerer Bildquellen und vollständig KI-generierte Inhalte.
2. Verschleierung. Danach wird nachgearbeitet: Auflösung und Bildrauschen werden angepasst, Beleuchtung angeglichen, Metadaten gelöscht oder verändert. Manche Täter fotografieren das fertige Bild vom Bildschirm ab, um Spuren zu verwischen.
3. Einreichung und Wiederverwendung. Das Bild wird eingereicht – und nicht selten mehrfach verwendet: in verschiedenen Vorgängen, unter anderem Namen oder bei mehreren Versicherern. Wurde der erste Fall schnell reguliert, steigt die Verlockung, dasselbe Bild erneut zu nutzen.
Die Pain Points im Schadenprozess
Kundinnen und Kunden erwarten schnelle, digitale Entscheidungen – oft innerhalb von Stunden. Betrugsnetzwerke nutzen genau dieses Tempo. Gleichzeitig darf die Prüfung ehrliche Versicherte nicht ausbremsen oder unter Generalverdacht stellen. Das gelingt nur mit zwei Fähigkeiten:
Automatisierte Triage: Jedes eingehende Bild wird bewertet; nur auffällige Fälle landen in der manuellen Prüfung.
Nachvollziehbare Ergebnisse: Prüferinnen und Prüfer sehen, warum ein Bild auffällt – und können Kunden sachlich darauf ansprechen.
Wichtig ist auch die Kommunikation: 53 Prozent der Versicherer vermuten, dass mindestens die Hälfte der Versicherten, die Schadenmedien verändern, gar nicht wissen, dass das Betrug sein kann. Klare Hinweise im Meldeprozess wirken deshalb präventiv.
5 Schritte zur Erkennung KI-generierter Schadensfotos
Schritt 1: Automatische Bildprüfung beim Eingang.
Jedes Foto wird beim Upload forensisch analysiert – auf Unregelmäßigkeiten in Licht, Schatten und Texturen, unnatürliche Details sowie Abweichungen bei Auflösung, Rauschverhalten und Bildaufbau. Auffällige Bilder wandern in eine Prüfqueue, statt den Vorgang zu blockieren.
Schritt 2: Metadaten-Analyse.
Zeitstempel, Kameradaten, Software-Hinweise und Geodaten werden mit den Angaben im Schadenhergang abgeglichen. Fehlende oder widersprüchliche Felder sind ein Signal für die Tiefenprüfung.
Schritt 3: Doubletten-Check über Vorgänge hinweg.
Erkennt, ob ein Bild – auch zugeschnitten, skaliert oder in anderem Format – schon in einem früheren Vorgang eingereicht wurde. Mehr dazu in unserem Beitrag Mit fraudify doppelte Bilder finden.
Schritt 4: Rückwärtssuche im Internet.
Betrüger greifen gern auf Bilder zurück, die bereits kursieren: Stockfotos, Pressebilder, Aufnahmen aus sozialen Netzwerken. Eine automatisierte Rückwärtssuche zeigt, ob ein Foto schon anderswo existiert.
Schritt 5: Erklärbare Ergebnisse, steuerbare Regeln und menschliche Entscheidung.
Die Technik liefert eine Einschätzung samt Begründung; ein definiertes Regelwerk legt fest, ab wann eskaliert wird. Die Entscheidung bleibt beim Menschen.
So unterstützt die fraudify Bildforensik Deinen Prüfprozess
Die fraudify Bildforensik von FIDA bildet diese Schritte in einer Lösung ab:
Manipulations-Erkennung: Copy-Paste, Retusche und Weichzeichnung, kombinierte Bildquellen und KI-Manipulationen.
Deepfake Detection: Prüfung auf typische Merkmale generativer KI in Licht, Schatten, Texturen, Details und Dateistruktur.
Metadaten-Check: Zeitstempel-Manipulationen, unplausible Kameradaten, Software-Hinweise und Geodaten.
Internetrückwärtssuche: Stockfotos, Pressebilder, Mehrfachverwendungen und manipulierte Varianten.
Doublettencheck: Auch zugeschnittene, skalierte oder anders formatierte Varianten desselben Bildes.
Drei Eigenschaften machen fraudify im Alltag der Schadenabteilung besonders praxistauglich:
Explainable AI: Die Bewertungen sind nachvollziehbar. Du kannst Prüfergebnisse jederzeit erklären – gegenüber Kunden, Revision und Aufsicht – und vermeidest Blackbox-Effekte.
Hybrid und multimodal: fraudify kombiniert KI-gestützte Verfahren mit klassischen forensischen Techniken und wertet verschiedene Bildinformationen gemeinsam aus.
Steuerbare Regeln und flexible Integration: Prüfparameter lassen sich an Deine Anforderungen anpassen. Der Betrieb ist in der Cloud oder On-Premises möglich, die Anbindung erfolgt über Schnittstellen (APIs) in bestehende Prüf- und Schadenprozesse.
Für die Entwicklung erhielt fraudify 2024 den Innovationspreis der Assekuranz in der Kategorie Kundenerlebnis. Wie das Zusammenspiel in der Praxis aussieht, beschreiben wir auch in unseren Beiträgen zu Gefahren durch Bildmanipulation und zu manipulierten MRT- und Röntgenbildern.
Ausblick: Die Kosten des Nichtstuns
Generative Modelle werden weiter besser. Bildfehler, die heute noch verraten, dass ein Bild künstlich ist, verschwinden mit jeder Modellgeneration. Verisk zufolge erwarten 48 Prozent der Versicherer mehr Regulierung und höhere Technologie-Adoption, 45 Prozent strengere Dokumentations- und Nachweispflichten in den nächsten drei bis fünf Jahren. Wer jetzt automatisierte Bildforensik in den Schadenprozess integriert, sammelt Erfahrung, Daten und Regelwerke, bevor der Druck weiter steigt.
Die Rechnung ist einfach: Bei geschätzt rund fünf Milliarden Euro jährlichem Betrugsschaden in der deutschen Schaden- und Unfallversicherung genügt schon ein kleiner Anteil KI-gestützter Fälschungen, damit sich eine automatisierte Prüfung rechnet.
Wer automatische Bildprüfung, Metadaten-Analyse, Doubletten-Check, Rückwärtssuche und erklärbare Ergebnisse kombiniert, erkennt Fälschungen früher – und hält den Prozess für ehrliche Kundinnen und Kunden schnell. Möchtest Du sehen, wie das mit Deinen eigenen Bildern funktioniert? Dann fordere jetzt Deine kostenlose fraudify Live-Demo an.
FAQ: Häufige Fragen zu KI-generierten Schadensfotos
Zuverlässig nur mit automatisierter Bildforensik. Sie prüft Licht, Schatten, Texturen, Rauschverhalten, Dateistruktur und Metadaten – Dinge, die das menschliche Auge übersieht. Sichtprüfung allein reicht nicht.
Keine Methode ist unfehlbar. Deshalb kombiniert fraudify KI-Verfahren mit klassischer Forensik, Metadaten-Check, Rückwärtssuche und Doublettencheck und liefert nachvollziehbare Ergebnisse, auf deren Basis Menschen entscheiden.
Nein. Metadaten lassen sich löschen oder fälschen. Sie sind ein wichtiger Baustein, aber nur im Zusammenspiel mit der Analyse des Bildinhalts aussagekräftig.
Durch Triage: Unauffällige Bilder laufen automatisiert durch, nur auffällige gehen in die manuelle Prüfung. Erklärbare Ergebnisse helfen, Rückfragen sachlich und fair zu stellen.
Ja. fraudify bietet moderne Schnittstellen (APIs) und lässt sich in der Cloud oder On-Premises betreiben.
