Wie verifizierte Bilder Versicherungsbetrug mit Fotos stoppen

Versicherungsansprüche stützen sich seit jeher auf Fotografien. Ein Versicherungsnehmer meldet einen Wasserschaden, einen Autounfall oder ein defektes Gerät, und der Nachweis besteht aus einer Reihe von Bildern. Über weite Teile der Branchengeschichte wurden diese Fotos von Sachverständigen aufgenommen, die das Objekt persönlich in Augenschein nahmen. Dieses Modell hat sich verschoben. Die digitale Schadenbearbeitung, getrieben von Bequemlichkeit und Kosteneffizienz, führt heute dazu, dass Versicherungsnehmer ihre Fotos routinemäßig selbst über Apps und Webportale einreichen. Der Versicherer erhält die Bilder, bewertet sie und entscheidet über die Auszahlung, oft ohne dass jemand den Schaden physisch begutachtet.

Diese Verschiebung birgt ein klares Risiko. Wenn die Fotos das primäre Beweismittel sind und zugleich selbst eingereicht werden, hängt die Integrität des Anspruchs davon ab, ob man diesen Bildern vertrauen kann.

Das Problem mit der Schadenfotografie

Versicherungsbetrug ist nichts Neues. Was sich geändert hat, sind die Werkzeuge, mit denen er begangen wird. Eine Studie von Signicat aus dem Jahr 2024 ergab, dass Deepfake-bezogene Betrugsversuche gegen Finanzinstitute innerhalb von drei Jahren um über 2.000 % zunahmen, und der SONAR-Bericht 2025 von Swiss Re stufte Deepfake-Betrug als eines der wichtigsten aufkommenden Risiken für die Versicherungsbranche ein. Debevoise & Plimpton veröffentlichte im Januar 2026 eine Analyse, die zeigt, wie KI-generierte Bilder genutzt werden könnten, um Schäden für Versicherungsansprüche vorzutäuschen, und erstellte dafür realistische synthetische Beispiele fingierter Sachschäden, um die Bedrohung zu verdeutlichen. Das FBI schätzt, dass rund 5 bis 10 Prozent aller Versicherungsansprüche außerhalb der Krankenversicherung betrugsbehaftet sind, und da generative Werkzeuge das Fälschen erleichtern, wächst der Anteil mit manipuliertem Bildmaterial.

Das Grundmuster ist alt. Ein Anspruchsteller muss einen Schaden belegen, der entweder gar nicht eingetreten ist, weniger schwer ausfiel als behauptet oder zu einer anderen Zeit oder an einem anderen Ort entstand als angegeben. Fotos sind das Beweismittel, das dies ermöglicht, und wenn sich diese Fotos überzeugend fälschen oder verändern lassen, wird der Anspruch schwer anfechtbar.

Wie betrügerische Bilder entstehen

Die Methoden reichen von einfach bis ausgefeilt. Am einfachen Ende werden bereits vorhandene Schadensfotos (aus dem Internet oder aus früheren Schadensfällen) als Nachweis für einen neuen Anspruch eingereicht. Das ist seit Jahren möglich, doch die umgekehrte Bildersuche machte es in vielen Fällen erkennbar.

Die mittlere Stufe umfasst Bildbearbeitung. Echte Fotos werden verändert, um Schäden zu übertreiben, nicht vorhandene Schäden hinzuzufügen oder Zeitstempel und Standortdaten in den EXIF-Metadaten zu manipulieren. Werkzeuge für solche Manipulationen sind weit verbreitet und erfordern keine besonderen Kenntnisse.

Die besorgniserregendste Entwicklung sind vollständig synthetische Bilder. Aktuelle generative Modelle können fotorealistische Darstellungen von Sachschäden, Fahrzeugkollisionen und Bauschäden erzeugen. Diese Bilder haben keine rückverfolgbare Originalquelle, keine Signatur eines Kamerasensors und keine echten Metadaten, weil sie von Grund auf erfunden sind. Für einen Sachbearbeiter, der Fotos am Bildschirm prüft, wird die Unterscheidung zwischen einem synthetischen und einem echten Schadensfoto zunehmend unzuverlässig.

Das ist längst keine Theorie mehr. Im Mai 2026 berechnete ein Lyft-Fahrer einem Fahrgast in Florida eine Reinigungsgebühr von 75 Dollar, gestützt auf ein KI-generiertes Foto einer Verschmutzung, die es nie gegeben hatte. Rückgängig gemacht wurde die Gebühr nur, weil die jugendliche Tochter des Fahrgasts das Gemini-Wasserzeichen auf dem Bild bemerkte, woraufhin Lyft die Gebühr erstattete und den Fahrer entfernte. Der Betrag war gering, doch der Mechanismus ist in jeder Größenordnung derselbe, und sich darauf zu verlassen, dass ein Anspruchsteller ein Wasserzeichen erkennt, ist keine Kontrolle, auf die ein Versicherer einen Prozess bauen kann.

Warum die herkömmliche Prüfung versagt

Die manuelle Sichtprüfung war nie dafür gedacht, synthetische Bilder zu erkennen. Sachbearbeiter sind darin geschult, Schäden zu bewerten, nicht aber, Bildforensik zu betreiben. Die Anzeichen, die manipulierte Fotos früher erkennbar machten (inkonsistente Beleuchtung, sichtbares Klonen von Bildbereichen, unstimmige Perspektiven), fehlen bei Bildern moderner generativer Werkzeuge weitgehend.

Die Prüfung der Metadaten bietet einen gewissen Schutz. Zeigen die EXIF-Daten eines Bildes, dass es von einem bekannten Kameramodell zu einer plausiblen Zeit und an einem plausiblen Ort erstellt wurde, erhöht das die Glaubwürdigkeit. Doch EXIF-Daten lassen sich mühelos bearbeiten. Jedes Metadatenfeld kann mit frei verfügbarer Software überschrieben werden, sodass ein synthetisches Bild genau das EXIF-Profil tragen kann, das ein Schadensystem erwartet.

Einige Versicherer setzen KI-Erkennungswerkzeuge ein, die eingereichte Bilder als echt oder synthetisch einzustufen versuchen. Diese Werkzeuge bieten eine Teillösung, teilen aber die Grenzen, die wir in unserem Vergleich von Erkennungsansätzen ausführlich beschreiben: Sie liefern Wahrscheinlichkeitswerte statt eindeutiger Bewertungen, sie sind anfällig für einfache Umgehungstechniken, und ihre Genauigkeit nimmt ab, je besser generative Modelle werden. Ein Konfidenzwert von 90 % reicht nicht aus, um einen Anspruch abzulehnen, und ein falsch positives Ergebnis (bei dem die echten Fotos eines berechtigten Anspruchstellers als synthetisch markiert werden) schafft eigene rechtliche und kundenbezogene Probleme.

Forensische Verifizierung in der Schadenbearbeitung

Ein robusterer Ansatz behandelt die Fotoverifizierung als forensischen Prozess statt als Klassifizierungsaufgabe. Das System schätzt nicht ab, ob ein Bild echt aussieht. Es fragt, ob sich die Herkunft des Bildes nachweisen lässt.

Bei der Schadenfotografie in der Versicherung funktioniert das je nach Arbeitsablauf auf zwei Arten.

Im ersten Szenario verlangt der Versicherer, dass Anspruchsteller oder Sachverständige Schadensfotos mit einer verifizierten Aufnahme-App erstellen. Die App Lumethic Capture etwa fotografiert die Szene über den Kamerasensor des Geräts und führt unmittelbar forensische Prüfungen der aufgenommenen Daten durch: Sie verifiziert, dass das Bild von einem echten Sensor stammt, dass keine Recapture-Artefakte vorliegen (also keine Abfotografien von Bildschirmen oder Ausdrucken) und dass die Aufnahme-Metadaten in sich stimmig sind. Das verifizierte Bild wird anschließend mit einem C2PA-Manifest signiert, das die Geräteidentität, den Aufnahmezeitpunkt, die GPS-Koordinaten und die Ergebnisse der forensischen Verifizierung festhält.

Im zweiten Szenario bearbeitet der Versicherer Ansprüche mit gewöhnlichen Fotos ohne spezielle Aufnahme-App. Hier kann die Lumethic API eingereichte Bilder gegen ihre RAW-Quelldateien (sofern vorhanden) prüfen oder Recapture-Erkennung, Sensoranalyse und Konsistenzprüfungen der Metadaten an den eingereichten JPEGs durchführen. Bilder, die die Verifizierung nicht bestehen, werden zur manuellen Prüfung markiert, bevor eine Auszahlung freigegeben wird.

Beide Ansätze liefern dokumentierte, prüfbare Beweise statt Wahrscheinlichkeitswerte. Ein C2PA-signiertes Bild trägt einen manipulationssicheren Nachweis darüber, wann und wo es aufgenommen wurde, welches Gerät verwendet wurde und welche Prüfungen es bestanden hat. Wird ein Anspruch später bestritten, liefert dieser Nachweis konkrete Belege dafür, dass der Versicherer seine Sorgfaltspflicht erfüllt hat.

Integration in Schadenbearbeitungsprozesse

Damit Verifizierung im Maßstab eines Versicherers praktikabel ist, muss sie sich in bestehende Systeme einfügen, ohne Engpässe zu schaffen. Genau dafür ist die Lumethic API ausgelegt. Die Schadenmanagement-Plattform eines Versicherers (ob auf Guidewire, Duck Creek oder einem eigenen System aufgebaut) kann die API beim Einreichen von Bildern aufrufen, innerhalb von Sekunden Verifizierungsergebnisse erhalten und markierte Einreichungen zur Prüfung weiterleiten.

Der Ablauf ist einfach. Lädt ein Anspruchsteller Schadensfotos über das Portal des Versicherers hoch, werden die Bilder an die Lumethic API gesendet, bevor sie in der Warteschlange des Sachbearbeiters landen. Die API gibt für jedes Bild einen Verifizierungsstatus zurück. Bilder, die die Prüfung bestehen, durchlaufen den Prozess normal. Bilder, die durchfallen oder Auffälligkeiten zeigen (erkanntes Recapture, inkonsistente Sensoranalyse, Metadaten-Abweichungen), werden mit den konkreten Befunden an eine Warteschlange für die Betrugsermittlung weitergeleitet.

Das ergänzt das menschliche Urteil, statt es zu ersetzen. Ein Sachbearbeiter, der ein markiertes Bild mit dem Hinweis erhält, dass Recapture-Artefakte erkannt wurden (was nahelegt, dass das „Schadensfoto“ in Wahrheit die Abfotografie eines Bildschirms ist, auf dem ein Schadensfoto angezeigt wird), hat einen konkreten, dokumentierten Anlass für weitere Nachforschungen. Das verschafft ihm einen weit besseren Ausgangspunkt als ein Bauchgefühl oder einen vagen KI-Erkennungswert.

Der betriebswirtschaftliche Nutzen

Die Wirtschaftlichkeit der Fotoverifizierung spricht für eine Einführung. Das FBI schätzt, dass Betrug 5 bis 10 Prozent der Versicherungsansprüche außerhalb der Krankenversicherung ausmacht. Untersuchungen von Verisk zur Bildforensik in der Schadenbearbeitung haben gezeigt, dass die Bildanalyse betrügerische Einreichungen erkennen kann, die eine manuelle Prüfung sonst passieren würden, darunter eine Studie, die über 1.900 doppelte Bilder in 768.000 Schadensfällen fand, die mit Auszahlungen von 5,3 Millionen US-Dollar verknüpft waren.

Die Verifizierungskosten pro Bild sind im Vergleich zu den Kosten einer einzigen betrügerischen Auszahlung verschwindend gering. Bearbeitet ein Versicherer jährlich Zehntausende Ansprüche, amortisiert schon ein kleiner Anteil aufgedeckter Betrugsfälle, jeder Tausende bis Hunderttausende Dollar wert, die Investition in die Verifizierung um ein Vielfaches.

Hinzu kommt eine regulatorische Dimension. Der EU AI Act erlegt KI-generierten Inhalten in Artikel 50 Transparenzpflichten auf und verlangt, dass synthetische Medien in einem maschinenlesbaren Format gekennzeichnet werden. Für Versicherer, die Ansprüche auf Grundlage fotografischer Beweise bearbeiten, entsteht daraus ein Interesse daran, zu verifizieren, dass eingereichte Bilder echt und nicht synthetisch sind. Nachzuweisen, dass die eigene Schadenbearbeitung eine forensische Fotoverifizierung umfasst, ist eine belastbare Compliance-Position. Zugleich beginnen gängige Cyberversicherungspolicen, Schäden aus Deepfake-Betrug auszuschließen, sodass Versicherer selbst ein nicht abgedecktes Risiko tragen, wenn sie keine Gegenmaßnahmen umsetzen.

Über die Betrugsprävention hinaus erhöht eine verifizierte Schadenfotografie Tempo und Sicherheit bei der Bearbeitung berechtigter Ansprüche. Sieht ein Sachbearbeiter, dass ein Foto C2PA-Credentials trägt, die seine Herkunft bestätigen, kann er Auszahlungen für echte Ansprüche schneller freigeben. Dieselben Prüfungen, die Betrug aufdecken, verringern auch die Reibung für ehrliche Versicherungsnehmer.

Häufig gestellte Fragen

Kann die Lumethic API die Bearbeitung großer Schadenmengen bewältigen? Ja. Die API ist für Enterprise-Workloads ausgelegt und unterstützt Stapelverarbeitung mit Webhook-Benachrichtigungen für Verifizierungsergebnisse. Die Integration in bestehende Schadenplattformen erfolgt unkompliziert über REST-Endpunkte.

Was passiert, wenn ein Anspruchsteller Fotos ohne RAW-Datei einreicht? Die API kann auch an eigenständigen JPEGs eine wertvolle Analyse durchführen, darunter Recapture-Erkennung (das Aufspüren von Abfotografien von Bildschirmen oder Ausdrucken), Sensorkonsistenzprüfungen und Metadatenvalidierung. Die stärkste Verifizierung erfordert eine RAW-Quelldatei, doch auch aus JPEGs allein lassen sich aussagekräftige Betrugssignale gewinnen.

Verlangsamt die Verifizierung die Schadenbearbeitung? Die Verifizierung ist in Sekunden pro Bild abgeschlossen. Bei den meisten Ansprüchen verlängert das den gesamten Bearbeitungszyklus nur unwesentlich. Bei markierten Bildern ist der Zeitaufwand für die Prüfung weit geringer als die Kosten einer betrügerischen Auszahlung.

In welchem Verhältnis steht das zum EU AI Act? Die Transparenzvorgaben des EU AI Act nach Artikel 50 verlangen, dass KI-generierte Inhalte in einem maschinenlesbaren Format gekennzeichnet werden. Versicherer, die Ansprüche auf Grundlage fotografischer Beweise bearbeiten, haben ein Compliance-Interesse daran, dass diese Beweise echt sind. Die forensische Verifizierung weist die Erfüllung der Sorgfaltspflicht nach diesen Vorgaben nach.

Erste Schritte

Möchten Sie die Fotoverifizierung in Ihren Schadenbearbeitungsprozess integrieren? Entdecken Sie die Lumethic API oder kontaktieren Sie uns, um über eine Enterprise-Integration zu sprechen.