Auf dieser Seite
- Wie KI-Systeme zur Betrugserkennung aufgebaut sind
- Schicht 1: Dokumenteneingang und Extraktion
- Schicht 2: Anomaliebewertung
- Schicht 3: Netzwerkanalyse
- Schicht 4: Priorisierung der menschlichen Prüfung
- Die Datenanforderungen: Was Versicherer tatsächlich brauchen
- Compliance und Datenschutz
- Verwandte Artikel
Der Einsatz von KI zur Betrugserkennung in der Versicherungsbranche zeigt erhebliches Potenzial, wie ein Projekt mit einer deutschen privaten Krankenversicherung (PKV) belegt. Dabei wurde KI eingesetzt, um betrügerische Muster in Abrechnungen für physiotherapeutische Behandlungen automatisch zu erkennen. Das Ergebnis war ein funktionierendes System zur Identifikation von Betrugsfällen, das ein gravierendes Problem im Versicherungssektor adressiert.
Versicherungsbetrug verursacht erhebliche finanzielle Schäden. Die Mehrheit der PKV und fast die Hälfte aller gesetzlichen Krankenversicherungen (GKV) berichten von jährlichen betrugsbedingten Verlusten über 500.000 Euro.
Versicherer stehen vor der Herausforderung, verdächtige Betrugsfälle früh zu erkennen, bevor Folgekosten entstehen. Auch das Investitionsvolumen in digitale Betrugserkennung ist angesichts laufender Digitalisierungsinitiativen ein zentrales Thema in der Branche.
Trotz der Vorteile digitaler Betrugserkennung haben viele deutsche Versicherer diese Technologien noch nicht vollständig eingeführt. Nur 37 Prozent der GKV-Unternehmen nutzen fortschrittliche Datenanalytik zur Betrugserkennung. Die COVID-19-Pandemie hat den Druck erhöht, digitale Kapazitäten auszubauen, da gleichzeitig der finanzielle Druck auf Betrüger gestiegen ist.
Laut dem Gesamtverband der Deutschen Versicherungswirtschaft (GDV) könnten potenzielle Einsparungen bei der Abrechnung, ein Teil davon betrügerisch, über 10 Prozent der gesamten Schadenzahlungen in Deutschland ausmachen. Experten schätzen den tatsächlichen Wert deutlich höher.
Die Herausforderung liegt darin, den Aufwand für die Betrugssuche gegen den potenziellen Nutzen abzuwägen, unter Berücksichtigung der Erfolgswahrscheinlichkeit. Bei kleineren Einzelforderungen übersteigen die Suchkosten häufig die möglichen Einsparungen.
Neue Machine-Learning-Technologien wie Natural Language Processing (NLP) und Computer Vision erweisen sich als wirksam bei der Betrugserkennung. Sie ermöglichen eine bessere Vorsortierung für die menschliche Prüfung gemeldeter Schäden und reduzieren die Zahl fälschlicherweise geprüfter Fälle. Bayerische Versicherer berichten von über 30 Prozent Einsparungen durch KI im Vergleich zu regelbasierten Systemen.
KI in der Dokumentenverarbeitung spart Zeit durch automatische Klassifikation und Extraktion von Informationen aus Dokumenten. Die Technologie kombiniert klassische OCR-Fähigkeiten (Optical Character Recognition) mit KI, erkennt Handschriften und extrahiert Daten aus Dokumenten mit unbekannten Layouts oder ungewöhnlichen Formulierungen. Wie das in der Praxis funktioniert, zeigt unsere Fallstudie zur Schadenbearbeitung, bei der KI-gestützte Automatisierung die Effizienz der Anspruchsbearbeitung deutlich verbessert hat.
Bei der Betrugserkennung ist KI-Software besonders nützlich für die automatische Strukturierung von Daten, die in der Regel den zeitaufwendigsten Schritt im Prozess darstellt. Diese Daten lassen sich einfach in Entwicklungsumgebungen (IDE) für die Analyse mit neuronalen Netzen integrieren. Experten können Daten vorab beschriften, oder Unternehmen nutzen APIs und Python SDKs, um ihre Modelle zu trainieren und anzupassen.
Sowohl PKV als auch GKV können durch KI erhebliche Einsparungen erzielen und die Kundenzufriedenheit steigern. Klassische regelbasierte Systeme haben Grenzen: Sie führen zu langen, aufwendigen Prozessen. Medizinisches Personal prüft Abrechnungen manuell, was erhebliche Kosten verursacht, da regelbasierte Systeme mehr Rechnungen kennzeichnen als notwendig. Diese markierten Rechnungen müssen einzeln von Experten geprüft werden.
KI kann diese Prozesse deutlich verkürzen, indem sie nicht verfolgenswerte Fälle früh ausscheidet. Das entlastet die Mitarbeitenden und erlaubt ihnen, sich auf ihre Kernaufgaben zu konzentrieren.
Für Versicherungsunternehmen, die die Betrugserkennung ohne großen Aufwand oder externe Beratung automatisieren möchten, bieten unsere KI-Agenten einen direkten Einstieg. Wenige Beispieldokumente genügen für erste beeindruckende Automatisierungsergebnisse. Support-Teams begleiten die ersten Schritte und das Training des ersten KI-Modells. Die bereitgestellte Infrastruktur versetzt Unternehmen in die Lage, eigenständig zu Document-AI-Experten zu werden und eigene Modelle weiterzuentwickeln. Data Scientists können Dienste über APIs und Python SDKs nahtlos integrieren, anpassen und Scoring-Modelle zur Betrugserkennung für spezifische Anwendungsfälle implementieren.
Wie KI-Systeme zur Betrugserkennung aufgebaut sind
Moderne KI-Betrugserkennung in der Versicherung funktioniert nicht als einzelnes Modell mit einer binären Entscheidung. Es ist ein geschichtetes System aus spezialisierten Komponenten, die jeweils einen anderen Aspekt des Erkennungsproblems adressieren.
Schicht 1: Dokumenteneingang und Extraktion
Alle Ansprüche beginnen mit Dokumenten: Behandlungsunterlagen, Rechnungen, Belege und Arztberichte. Bevor Betrugserkennungslogik greift, müssen diese Dokumente digitalisiert, klassifiziert und strukturiert werden. KI-gestützte OCR und Dokumentenverarbeitungssysteme übernehmen diesen Schritt. Sie extrahieren Schlüsselfelder wie Behandlungscodes, Daten, Beträge und Anbieterkennungen aus Dokumenten in verschiedenen Formaten und Layouts, einschließlich handschriftlicher Notizen und eingescannter Formulare.
Die Extraktionsqualität in dieser Schicht bestimmt direkt die Qualität der nachgelagerten Betrugserkennung. Versicherer, die beim Dokumenteneingang auf manuelle Dateneingabe setzen, verursachen Verzögerungen und Übertragungsfehler, die die Erkennungsgenauigkeit verschlechtern. Automatisierte Extraktion eliminiert beide Probleme und senkt die Verarbeitungskosten pro Schadensfall in dokumentierten Einsätzen um 40 bis 60 Prozent.
Schicht 2: Anomaliebewertung
Mit strukturierten Anspruchsdaten können ML-Modelle statistische Anomalieerkennung anwenden. Diese Modelle lernen die Verteilung legitimer Ansprüche entlang Dimensionen wie Behandlungsart, Anbieterfachrichtung, Anspruchshäufigkeit, geografischer Lage und Abrechnungsbetrag. Ansprüche, die erheblich von historischen Mustern abweichen, erhalten erhöhte Anomalie-Scores.
Hier stoßen regelbasierte Systeme an ihre Grenzen. Eine Regel könnte jeden Physiotherapie-Rechnungsbetrag über 150 Euro pro Sitzung kennzeichnen. Ein ML-Modell lernt, dass angemessene Schwellenwerte je nach Standort des Anbieters, Patientendiagnose, Sitzungsdauer und regionalen Marktpreisen variieren. Das führt zu deutlich weniger Fehlalarmen und erfasst gleichzeitig ungewöhnliche Abrechnungsmuster, die pauschale Regeln vollständig übersehen.
Schicht 3: Netzwerkanalyse
Individuelle Anomaliesignale sind ein Indikator. Muster im Anbieternetzwerk sind ein weiterer. Betrügerische Abrechnungsschemata involvieren häufig Netzwerke aus Anbietern, Vermittlern und Patienten, die koordiniert handeln. Graphbasierte ML-Modelle, die Beziehungen zwischen Anspruchsbeteiligten abbilden, können diese Netzwerke erkennen, selbst wenn einzelne Ansprüche für sich betrachtet legitim erscheinen.
Diese Fähigkeit, koordinierte Betrugsnetzwerke zu identifizieren, ist regelbasierten Systemen nicht zugänglich. Sie erfordert die Modellierung von Beziehungen über die gesamte Anspruchsdatenbank hinweg, nicht nur die Bewertung einzelner Fälle.
Schicht 4: Priorisierung der menschlichen Prüfung
KI ersetzt keine menschlichen Prüfer bei der Betrugserkennung. Sie macht sie deutlich effektiver, indem sie sicherstellt, dass eine menschliche Untersuchung tatsächlich gerechtfertigt ist. Bayesianische Risikomodelle, die Anomalie-Scores, Netzwerksignale und historische Betrugsraten kombinieren, können den Anteil gekennzeichneter Ansprüche, der einer vollständigen menschlichen Prüfung bedarf, um 60 bis 70 Prozent reduzieren und gleichzeitig den Anteil geprüfter Ansprüche mit bestätigtem Betrug erhöhen.
Diese Kennzahl bestimmt den Geschäftswert: nicht wie viele Ansprüche das System kennzeichnet, sondern wie produktiv menschliche Ermittler mit ihrer investierten Zeit umgehen.
Die Datenanforderungen: Was Versicherer tatsächlich brauchen
Ein verbreitetes Missverständnis ist, dass KI-Betrugserkennung massive beschriftete Betrugsdatensätze erfordert, bevor sie funktionieren kann. In der Praxis sind die Anforderungen zugänglicher.
Historische Anspruchsdaten über 12 bis 18 Monate, die eine repräsentative Stichprobe bezahlter und strittiger Ansprüche abdecken. Vorab beschriftete Betrugsfälle sind nicht erforderlich. Unüberwachte Anomalieerkennung kann Ausreißer ohne explizite Betrugslabels identifizieren.
Referenzdaten der Anbieter, die Abrechnungseinheiten mit Lizenzinformationen, Fachrichtungsklassifikationen und Standortdaten verknüpfen. Dieser Kontext verbessert die Genauigkeit der Anomaliebewertung erheblich.
Eine kleine Menge bestätigter Betrugsfälle (50 bis 200 sind für die initiale Modellkalibrierung ausreichend). Diese dienen dazu, zu validieren, dass Anomaliesignale mit tatsächlichen Betrugsmuster korrelieren. Quellen können frühere Ermittlungen oder regulatorische Meldungen sein.
Die praktische Einstiegshürde ist niedriger als die meisten Versicherer erwarten. Der begrenzende Faktor ist typischerweise nicht die Datenverfügbarkeit, sondern der Datenzugang. Die eigentliche Herausforderung liegt darin, die richtigen internen Stakeholder dazu zu bringen, den Aufbau abteilungsübergreifender Datenpipelines für ein Betrugsanalysesystem zu genehmigen.
Compliance und Datenschutz
KI-Betrugserkennung operiert in einem strengen regulatorischen Umfeld. Die DSGVO gilt für alle personenbezogenen Daten, die bei der Anspruchsanalyse verarbeitet werden. Der EU AI Act klassifiziert einige Anwendungen zur Betrugserkennung als Hochrisiko-KI-Systeme und verlangt Konformitätsbewertungen, Transparenzdokumentation und Mechanismen zur menschlichen Aufsicht.
Versicherer, die KI-Betrugserkennung einsetzen, sollten frühzeitig mit ihren Compliance- und Rechtsabteilungen zusammenarbeiten, nicht erst in einer abschließenden Prüfungsphase. Zentrale Anforderungen umfassen:
- Datensparsamkeit: Nur die personenbezogenen Datenfelder erheben und verarbeiten, die für das Erkennungsmodell tatsächlich benötigt werden.
- Erklärbarkeit: Betrugskennzeichnungen, die zur Verzögerung oder Ablehnung von Ansprüchen führen, müssen gegenüber Aufsichtsbehörden und auf Anfrage gegenüber Anspruchstellern nachvollziehbar begründet werden.
- Menschliche Aufsicht: Automatisierte Betrugskennzeichnungen sollten keine Anspruchsablehnung auslösen, ohne dass eine menschliche Prüfung erfolgt. Diese Anforderung ist unabhängig von regulatorischen Vorgaben auch fachlich geboten.
Glossar API = Application Programming Interface (Programmierschnittstelle) GDV = Gesamtverband der Deutschen Versicherungswirtschaft GKV = Gesetzliche Krankenversicherung IDE = Integrated Development Environment (Entwicklungsumgebung) KI = Künstliche Intelligenz NLP = Natural Language Processing (Verarbeitung natürlicher Sprache) OCR = Optical Character Recognition (Optische Zeichenerkennung) PKV = Private Krankenversicherung SDK = Software Development Kit
Quellen zu Abrechnungsbetrug im Gesundheitswesen und der Versicherungsbranche [1] "Bayern sagt Betrug im Gesundheitswesen den Kampf an," Deutsches Ärzteblatt, 27. März 2018. [2] "Abrechnungsbetrug im Gesundheitswesen," PwC Deutschland, Feb. 2021. [3] "PwC-Umfrage: Mehr Abrechnungsbetrug im Gesundheitswesen," AssCompact, 1. Feb. 2021. [4] "Sorge der Versicherer: Corona gibt Betrügern Auftrieb," GDV.de News, 27. Aug. 2020. [5] "Künstliche Intelligenz: Use Cases in der Assekuranz (Teil 1)," msg life, 9. Feb. 2021.