Kurz gesagt: Ich nutze KI nach einem Unfall für eine erste Sichtprüfung – nicht für ein fertiges Gutachten. Aus Fotos erkennt das System meist Kratzer, Dellen, Risse und Verformungen, markiert die Stelle am Fahrzeug und schätzt den Schweregrad. Das klappt oft in wenigen Sekunden, aber nur bei guten Bildern.

Für mich heißt das vor allem:

  • KI sieht nur sichtbare Schäden
  • verdeckte Schäden bleiben außen vor
  • Licht, Winkel und Schärfe steuern das Ergebnis stark
  • unter etwa 70 % bis 80 % Sicherheit folgt meist eine manuelle Prüfung
  • ein Sachverständiger bleibt für die Endbewertung nötig

Ich nehme aus dem Beitrag mit: KI ordnet Fotos, erkennt Muster auf der Oberfläche und gibt einen klaren Erstbefund aus. Mehr aber auch nicht. Wer nach einem Unfall nur ein paar schlechte Handyfotos hochlädt, bekommt oft kein sauberes Ergebnis. Wer dagegen Übersichts- und Detailfotos bei Tageslicht liefert, gibt dem System eine viel bessere Basis.

Das Wichtigste auf einen Blick:

Punkt Was ich wissen muss
Was KI erkennt Sichtbare Schäden wie Kratzer, Dellen, Risse, Verformungen
Was KI nicht erkennt Rahmen-, Fahrwerks-, Elektronik- und andere verdeckte Schäden
Welche Fotos nötig sind Front, Heck, beide Seiten plus Nahaufnahmen der betroffenen Stelle
Wichtige Bildfaktoren Licht, Perspektive, Schärfe, trockene Oberfläche
Typische Ausgabe Schadensart, Fahrzeugzone, Schweregrad, Konfidenzwert
Nächster Schritt Prüfung durch Kfz-Sachverständige

Mein Fazit: KI ist ein Filter am Anfang des Prozesses. Sie hilft mir, sichtbare Schäden schneller einzuordnen und Fälle besser vorzubereiten. Die rechtlich belastbare Bewertung kommt weiter vom Menschen.

Welche Bilddaten ein KI-System zur Schadenserkennung braucht

Für eine digitale Schadensbewertung braucht die KI mehr als ein paar Einzelbilder. Nötig sind vollständige Fahrzeugfotos mit Front, Heck und beiden Seiten. Dazu kommen Nahaufnahmen der betroffenen Stellen. Erst diese Mischung gibt dem System genug Kontext, um den Schaden halbwegs sauber einzuordnen. Geführte Fotostrecken helfen dabei spürbar, weil sie die Bilder besser auswertbar machen. Am Ende zählen vor allem drei Dinge: Blickwinkel, Licht und Schärfe.

Anforderungen an Qualität, Winkel und Beleuchtung

Am besten funktioniert gleichmäßiges Tageslicht. Dabei lassen sich Oberflächenfehler wie Kratzer oder flache Dellen oft klarer sehen. Starkes Gegenlicht, harte Schatten, nasse Flächen oder Spiegelungen machen dagegen schnell Probleme. Dann wird ein echter Schaden verdeckt, oder es entstehen Lichtreflexe, die auf dem Foto wie ein Defekt wirken.

Auch der Aufnahmewinkel ist kein Detail am Rand. Ist ein Foto zu steil oder zu flach aufgenommen, wirkt die Form von Karosserieteilen verzerrt. Eine Delle kann dadurch auf dem Bild kleiner aussehen, als sie in Wirklichkeit ist. Gut funktioniert daher eine Kombination aus einer Übersichtsaufnahme und mehreren Detailfotos aus leicht verschiedenen Winkeln für jede betroffene Stelle. In Datensätzen aus der Praxis haben sich Bilder mit rund 1.280 × 960 Pixeln als passend erwiesen, um auch feine Schadensmerkmale sichtbar zu machen.

Datenmarkierung und Vorverarbeitung vor der Analyse

Bevor ein Modell trainiert wird, müssen die Bilder sauber vorbereitet werden. Jedes Schadensbild bekommt eine Schadensklasse, zum Beispiel Delle, Kratzer, Riss, Glasbruch oder Verformung. Dazu wird die betroffene Stelle mit einer Bounding Box oder einer genauen Markierung versehen. So lernt das Modell nicht nur, was beschädigt ist, sondern auch, wo der Schaden sitzt.

Neue Fotos laufen danach durch eine feste Vorverarbeitung. Unbrauchbare Aufnahmen fliegen raus. Die übrigen Bilder werden auf eine einheitliche Eingabegröße skaliert, meist 224 × 224 oder 416 × 416 Pixel. Danach werden Helligkeit und Farbwerte normalisiert.

Für das Training werden die Daten außerdem per Data Augmentation erweitert. Dazu gehören unter anderem:

  • leichte Rotationen
  • Spiegelungen
  • Anpassungen bei der Helligkeit
  • simulierte Wetterbedingungen

Der Punkt dahinter ist simpel: Das Modell soll auch dann noch gut erkennen, wenn Fotos unter anderen Bedingungen aufgenommen wurden. Auf diese Weise werden aus normalen Bildern strukturierte Eingaben für Schadenstyp, Lage und Ausmaß. Erst damit kann das Modell Kratzer, Dellen, Risse und Verformungen sauber voneinander trennen.

Wie KI-Algorithmen Kratzer, Dellen, Risse und Verformungen erkennen

Nach der Vorverarbeitung geht es ans Eingemachte: Die KI erkennt den Schaden, ordnet ihn einer Kategorie zu und bestimmt, wo er sitzt. Fortgeschrittene Modelle markieren die betroffenen Stellen sogar pixelgenau. Aus der Bildanalyse wird so die Basis für eine erste, strukturierte Schadenbewertung.

Visuelle Signale, aus denen das Modell lernt

Das Modell lernt aus klaren optischen Hinweisen. Kratzer zeigen sich oft als feine, langgezogene Linien, bei denen sich Farbe oder Textur ändern. Dellen fallen durch veränderte Schatten und Reflexionen auf der Blechoberfläche auf. Risse bilden schmale Bruchkanten mit starkem Helligkeitswechsel. Verformungen erkennt das System daran, dass ein Karosserieteil nicht mehr seine normale Form hat.

Kurz gesagt: Die KI sucht nach Abweichungen von typischen Fahrzeugformen und Oberflächenmustern. Daraus leitet sie nicht nur die Schadensart ab, sondern auch die genaue Position am Fahrzeug.

Von der Klassifikation zur Lokalisierung und Segmentierung

Im nächsten Schritt trennt das Modell die Schadensarten voneinander und ordnet sie räumlich zu. Bounding Boxes und Segmentierung machen aus einer bloßen Erkennung eine genaue Lokalisierung.

Der Ablauf ist meist einfach: Erst klassifiziert das System den Schaden, danach lokalisiert es ihn per Bounding Box oder Segmentierung. So entstehen nicht nur Angaben zu Schadenstyp und Position, sondern auch genauere Werte zur betroffenen Fläche oder Länge.

Transfer Learning und Modelltraining in der Praxis

Damit diese Erkennung verlässlich klappt, werden die Modelle gezielt auf Fahrzeugdaten angepasst. Die meisten Systeme greifen auf vortrainierte Bildmodelle zurück und trainieren sie für Fahrzeugschäden nach. Statt Hunderttausender Unfallfotos reichen dafür oft schon einige Zehntausend sauber beschriftete Bilder, um ein leistungsstarkes System zu trainieren.

Auf dieser Grundlage kann das System dann Schadenstyp, Lage und Schweregrad ausgeben.

Was das System bei einer ersten Schadenbewertung ausgibt

Das Ergebnis liegt als strukturierter Datensatz vor. Gemeint ist also kein fertiges Gutachten, sondern ein direkt nutzbarer Erstbefund. Aus Bilddaten wird so eine erste, klar lesbare Einschätzung, mit der die weitere Bearbeitung sofort starten kann.

Schadensart, Ort und Schweregrad in einem Ergebnis

Ein typischer KI-Output enthält mehrere sauber abgegrenzte Felder: die Schadensart wie etwa Kratzer, Delle, Riss oder Verformung, die betroffene Fahrzeugzone wie „Kotflügel vorne links“ oder „Heckstoßfänger“, dazu einen Schweregrad von leicht, mittel oder schwer sowie einen Sicherheitswert in Prozent. Zusätzlich zeigt das System den Schaden im Bild an, meist über Bounding-Boxen oder Segmentierungsmasken.

Für Fahrzeughalter sieht das oft ganz schlicht aus: Mittlere Delle am Kotflügel vorne links, 92 % Konfidenz, Expertenprüfung empfohlen. Im Hintergrund gehen diese Angaben direkt in die weitere Gutachtenbearbeitung.

Schadensart KI-Ausgabe (Beispiel)
Kratzer Klasse: scratch; linienförmige Region; Schweregrad: leicht–mittel; Konfidenz z. B. 90 %
Delle Klasse: dent; flächige Vertiefung; Schweregrad: leicht–schwer je nach Größe; Konfidenz z. B. 88 %
Riss Klasse: crack; mehrere Liniensegmente; Schweregrad: mittel–schwer; oft als sicherheitsrelevant markiert; Konfidenz z. B. 93 %
Verformung Klasse: deformation; ausgedehnte Region über mehrere Bauteile; Schweregrad: oft schwer; häufig mit Hinweis: möglicher Strukturschaden – Expertenprüfung; Konfidenz z. B. 85 %

Der Schweregrad stützt sich auf Fläche, Lage und sichtbare Bildhinweise. Er bleibt aber eine Schätzung.

Genau diese feste Struktur macht digitale Schadendokumentation so nützlich: Daten liegen nicht nur vor, sie lassen sich auch direkt weiterverarbeiten.

Wo die KI endet und die Sachverständigenprüfung beginnt

Bildbasierte KI sieht nur das, was außen sichtbar ist. Verdeckte Strukturschäden erkennt sie nicht. Dazu zählen zum Beispiel ein verzogener Rahmen, beschädigte Knautschzonen hinter äußerlich intakten Blechen oder Schäden an Fahrwerk und Elektronik.

Auch die Bildqualität spielt stark hinein. Spiegelungen auf Hochglanzlack, schlechtes Licht oder ein schräger Kamerawinkel können den Sicherheitswert klar nach unten ziehen. Fällt er unter einen festgelegten Schwellenwert, meist zwischen 70 % und 80 %, markiert das System den Fall automatisch für eine manuelle Prüfung.

An diesem Punkt übernimmt der Sachverständige. Verdeckte oder strukturelle Schäden bleiben seine Aufgabe. Nur er kann ein rechtlich belastbares Gutachten erstellen und die merkantile Wertminderung festlegen.

Die KI liefert also den Erstbefund. Die digitale Dokumentation sorgt dafür, dass dieser Befund ohne Umwege in die nächsten Schritte übergeht.

Wie KI-gestützte Bildanalyse in einen digitalen Gutachtenprozess passt

KI-Schadenserkennung: Von Foto bis Gutachten

KI-Schadenserkennung: Von Foto bis Gutachten

Von hochgeladenen Fotos zur strukturierten Schadendokumentation

Auf den Erstbefund folgt der digitale Prüfprozess. Er startet mit der Bildaufnahme – per Smartphone, Webformular oder App. Danach checkt das System automatisch, ob die Fotos überhaupt taugen: Auflösung, Schärfe, Belichtung und die Abdeckung der betroffenen Fahrzeugbereiche werden geprüft. Unbrauchbare Aufnahmen sortiert das System direkt aus.

Im nächsten Schritt werden die Bilder in strukturierte Schadendaten überführt. Das System wertet die Fotos aus, ordnet die Schadensart zu, lokalisiert den Schaden und schätzt den Schweregrad. Das ist der Punkt, an dem aus einzelnen Bildern ein sauber vorbereiteter Fall wird. Systeme mit geführter Fotoaufnahme helfen dabei, fehlende Perspektiven zu vermeiden und die Bilddaten einheitlicher zu halten.

Erst danach kommt die menschliche Prüfung. Der Sachverständige arbeitet dann nicht mehr mit unsortierten Bildordnern, sondern mit einem vorbearbeiteten Fall: markierte Schadensbereiche, eine erste Einschätzung und eine klarere Grundlage für die weitere Prüfung. So geht der Fall vorbereitet in den nächsten Schritt.

Wie CUBEE Sachverständigen AG den nächsten Schritt unterstützt

Auf dieser digitalen Vorarbeit setzt die fachliche Begutachtung auf. CUBEE Sachverständigen AG ergänzt den digitalen Erstbefund um die fachliche Begutachtung. CUBEE bietet professionelle KFZ-Gutachten über ein Netzwerk von Container-Standorten in Deutschland und Europa an. Wenn das Fahrzeug nicht fahrbereit ist, kommt ein mobiler Gutachter direkt zum Fahrzeug.

Kurz gesagt:

KI macht die Erstbewertung sichtbarer Schäden schneller und strukturierter. Die abschließende Bewertung bleibt beim Sachverständigen.

FAQs

Wie viele Fotos sollte ich hochladen?

Für eine genaue Schadendokumentation sollten Sie 20 bis 30 Fotos aus verschiedenen Blickwinkeln hochladen.

Dazu zählen mindestens vier Gesamtaufnahmen: von vorn, von hinten und von beiden Fahrzeugseiten. Außerdem brauchen Sie Detailfotos von allen sichtbaren Schäden, zum Beispiel von Kratzern oder Dellen.

Foto-Vorlagen oder Overlays in der App helfen Ihnen dabei, die Bilder Schritt für Schritt und ohne Lücken aufzunehmen. So wird der Schaden sauber und systematisch erfasst.

Warum erkennt KI verdeckte Schäden nicht?

KI erkennt Schäden in erster Linie über visuelle Bilddaten. Das heißt: Sie sieht, was auf der Oberfläche sichtbar ist – zum Beispiel Kratzer, Dellen oder andere äußere Spuren.

Was sie nicht sehen kann, sind interne Schäden oder Mängel, die unter Verkleidungen liegen. Genau da liegt die Grenze des Systems.

Für solche Fälle braucht es die fachliche Prüfung durch einen Sachverständigen. Deshalb werden die KI-Analysen bei der CUBEE Sachverständigen AG zusätzlich von erfahrenen Experten geprüft.

Wann reicht die KI-Bewertung nicht aus?

Die KI-Bewertung stößt an ihre Grenzen, wenn Schäden auf Fotos nicht direkt zu sehen sind. Das gilt zum Beispiel für verdeckte oder strukturelle Schäden hinter Verkleidungen. Auch die Bildqualität spielt eine große Rolle: schlechtes Licht, Reflexionen, Unschärfe oder eine ungünstige Perspektive können die Genauigkeit spürbar senken.

Gerade bei komplizierten Fällen reicht ein Blick aufs Bild oft nicht aus. Das zeigt sich etwa bei Rechtsstreitigkeiten, bei der genauen Abgrenzung von Verschleiß oder bei seltenen Schadensmustern. In solchen Situationen bleibt die menschliche Expertise der CUBEE Sachverständigen AG unverzichtbar.

Verwandte Blogbeiträge