Wenn ich ein Kfz-Gutachten digital aufbauen will, reicht ein KI-Modell nicht aus. Ich brauche meist 6 Modellklassen, weil Bildprüfung, Text, Plausibilitätscheck und Kostenschätzung verschiedene Aufgaben sind.

Kurz gesagt:

  • YOLO passt für die erste Schadenmarkierung auf Fotos
  • Mask R-CNN passt für genaue Schadengrenzen auf Pixelebene
  • Allgemeine LLMs passen nur für Textentwürfe
  • Regelgebundene deutsche Reporting-LLMs passen für prüfbare Berichtstexte
  • Baumbasierte Modelle passen für Plausibilitätsprüfung, Betrugshinweise und Kostenkorridore
  • Multimodale Regressionsmodelle passen für spätere Kostenvorschläge aus Bild-, Text- und Stammdaten

Ich sehe dabei einen klaren Punkt: Die beste KI gibt es hier nicht. Stattdessen zählt, welches Modell an welcher Stelle im Ablauf sitzt. Für viele Teams ist ein Start mit YOLO + deutschem Reporting-LLM + Baummodell oft der einfachste Weg.

Ein paar Zahlen aus dem Überblick:

  • YOLO-Varianten erreichen teils über 0,95 Präzision
  • Segmentierungsmodelle kommen auf etwa 85,7 % mAP und 82,3 % mIoU
  • Kostenmodelle liegen oft bei etwa 10 bis 20 % MAPE
  • Ein multimodaler Ansatz wurde mit 11,4 % MAPE gegenüber Werkstattangeboten genannt

Worauf ich immer achten würde:

  • Nachvollziehbarkeit
  • menschliche Freigabe
  • DSGVO-konforme Bildverarbeitung
  • Dokumentation nach EU-AI-Act, falls der Einsatz darunter fällt
KI-Modelle für Kfz-Gutachten: 6 Modellklassen im Überblick

KI-Modelle für Kfz-Gutachten: 6 Modellklassen im Überblick

Quick Comparison

Modellklasse Hauptaufgabe Gut geeignet für Hauptgrenze
YOLO Ersterkennung auf Fotos Ersttriage, mobile Aufnahme feine Schäden, schlechtes Licht
Mask R-CNN genaue Segmentierung Flächen, Konturen, mehrere Schäden mehr Aufwand bei Daten und Prüfung
Allgemeine LLMs Textentwurf Formulierung aus bestätigten Daten Halluzinationen
Regelgebundene Reporting-LLMs Bericht mit festen Regeln deutsche Gutachtentexte Sonderfälle brauchen Fachurteil
Baummodelle Plausibilität und Kostenkorridor strukturierte Gutachtendaten schwächer bei neuen Mustern ohne Update
Multimodale Modelle Kostenvorschlag aus mehreren Datenarten spätere Schätzstufe schwerer zu erklären

Wenn ich den Artikel auf einen Satz kürze, dann diesen: Für Kfz-Gutachten passt kein Alleskönner, sondern eine Kette aus Bildmodell, Textmodell und Prüfmodell - mit dem Sachverständigen als letzter Instanz.

1. YOLO-basierte Objekterkennungsmodelle

Auf standardisierten Fahrzeugfotos übernimmt YOLO den ersten Schritt der Schadenlokalisierung. YOLO (You Only Look Once) ist ein Echtzeit-Verfahren zur Objekterkennung, das in nur einem Durchlauf Bounding Boxes und Klassenlabels für mehrere Objekte in einem Bild vorhersagt. Im Kfz-Gutachten heißt das ganz praktisch: Beschädigte Teile werden zügig markiert und als strukturierte Befunde an die nächsten Module weitergegeben.

Detailgenauigkeit bei Schäden

Aktuelle YOLO-Varianten für Fahrzeugschäden liefern in spezialisierten Datensätzen teils starke Werte. Für YOLOv8 und YOLOv8x werden Präzisionswerte von über 0,95 und F1-Scores von rund 0,93 genannt. Dadurch lassen sich Schäden im Gutachten auf Bauteilebene zuordnen, zum Beispiel an der linken Vordertür, der Stoßstange oder dem Scheinwerfer. Genau diese Einordnung ist später für die Kostenschätzung nützlich.

Ganz ohne Schwächen läuft das aber nicht. Kleine Schäden oder schlechte Lichtverhältnisse drücken die Erkennungsqualität. YOLO ist also ein sehr nützliches Werkzeug, aber kein System, das immer richtig liegt.

Auditierbarkeit

Für Gutachtenumgebungen ist ein Punkt besonders wichtig: YOLO gibt seine Resultate visuell aus. Bounding Boxes lassen sich direkt in die Dokumentation übernehmen. Dazu kommen Verfahren wie Grad-CAM für YOLOv5, mit denen sich Heatmaps erzeugen lassen. Sie zeigen, welche Bildbereiche die Entscheidung beeinflusst haben.

Wenn zusätzlich Logs zu Bauteil, Schadenstyp, Konfidenz, Modellversion und Zeitstempel gespeichert werden, entsteht ein klarer Prüfpfad. Das ist im Alltag Gold wert, weil man später nicht im Nebel stochern muss.

Workflow-Integration

In der Praxis folgt die Einbindung meist einem festen Ablauf: standardisierte Bildaufnahme, Vorverarbeitung, YOLO-Inferenz, Nachverarbeitung und dann die Übergabe an Kostenschätzung und Berichtsgenerierung.

Auf optimierter Hardware sind bis zu rund 190 Bilder pro Sekunde drin. Ein typischer Fotosatz mit 20 bis 30 Aufnahmen lässt sich damit in wenigen Sekunden auswerten. Das spart Zeit, vor allem dann, wenn viele Fälle nacheinander bearbeitet werden.

Regulatorische Eignung

Für den Einsatz in deutschen Gutachtentools stehen Datenschutz und menschliche Kontrolle im Mittelpunkt. Bilder können Kennzeichen oder Gesichter enthalten. Diese Daten müssen vor der Verarbeitung anonymisiert werden.

Unter dem EU AI Act können solche Systeme als hochriskant eingestuft werden. Dann greifen Vorgaben zu Dokumentation, Risikomanagement und menschlicher Aufsicht. In diesem Rahmen markiert YOLO Schäden, die abschließende Bewertung durch Mensch oder KI bleibt aber beim zertifizierten Sachverständigen.

Wo Bounding Boxes nicht ausreichen, folgt im nächsten Abschnitt die präzisere Segmentierung mit Mask R-CNN.

2. Mask R-CNN und Segmentierungsmodelle

Mask R-CNN

Während YOLO eher grobe Bounding Boxes liefert, geht Mask R-CNN deutlich feiner vor: Schäden werden auf Pixelebene abgegrenzt. Bei digitalen KFZ-Gutachten-Tools ist das ein großer Unterschied, weil damit die genaue Kontur für Lackierung, Instandsetzung oder Austausch sichtbar wird.

Detailgenauigkeit bei Schäden

Mask R-CNN erstellt für jeden erkannten Schaden eine eigene Maske. Das ist besonders nützlich, wenn auf einem Bild mehrere Schäden zu sehen sind, zum Beispiel ein Kratzer an der Fahrertür und eine Delle am Kotflügel. Beide werden getrennt erfasst und lassen sich einzeln bewerten. Bei Hagelschäden ist das noch wichtiger: Das Modell kann viele kleine Beulen separat zählen und sauber für die Kalkulation trennen.

Die Weiterentwicklung DamageNet baut auf Mask R-CNN auf und nutzt eine Architektur mit Dilated Convolution Feature Pyramid Network. Auf dem VehiDE-Datensatz mit 5.200 Bildern erreicht das Modell eine mAP von 85,7 % sowie eine mIoU von 82,3 %. Damit liegt es um 6,2 Punkte bei der mAP und um 7,8 Punkte bei der mIoU vor der Basisversion. Für die Praxis heißt das: Flächen und Schadensgrenzen lassen sich deutlich genauer in die Kalkulation übernehmen. Genau dort beginnt dann auch die spätere Kostenlogik.

Auditierbarkeit

Damit solche Ergebnisse im Gutachten standhalten, reicht die Maske allein nicht aus. Pro Bild müssen Modellversion, Trainingsdaten, Konfidenz, mAP, IoU und manuelle Korrekturen festgehalten werden. Als Beispiel dient CarDD mit mehr als 9.000 annotierten Schadensinstanzen.

Dazu gehört auch eine visuelle Darstellung der Masken. So kann bei Rückfragen von Versicherern oder Gerichten sauber nachvollzogen werden, wie die automatische Schadenslokalisierung zustande kam. Anders gesagt: Nicht nur das Resultat zählt, sondern auch der Weg dorthin.

Workflow-Integration

Im Alltag werden die Masken als strukturierte Daten an nachgelagerte Kalkulationssysteme übergeben, zum Beispiel als JSON mit Pixelkoordinaten, Bauteil-IDs und Konfidenzwerten. Der Sachverständige sieht diese Masken als Overlay auf dem Originalbild und kann sie akzeptieren, anpassen oder ablehnen. Die Anzeige erfolgt mit deutschen Bauteilbezeichnungen wie „Kotflügel vorne links" oder „Heckklappe".

Die annotierten Bilder gehen direkt in die Gutachtenakte ein und bleiben auch für Nachbegutachtungen verfügbar. Das spart Umwege und hält den Bearbeitungsstand sauber zusammen. Danach folgt der nächste logische Schritt: die automatische Texterstellung auf Basis dieser Befunde.

Regulatorische Eignung

Für den Einsatz im regulierten Umfeld braucht die Segmentierung mehr als nur gute Erkennungswerte. Nötig sind auch verschlüsselte Speicherung, Zugriffsbeschränkungen und eine technische Dokumentation auf Deutsch. Zudem müssen Kennzeichen und die Umgebung datenschutzrechtlich beachtet werden.

Für den Berichtstext selbst rücken danach Sprachmodelle in den Fokus.

3. Allgemeine LLMs für die Berichtserstellung

Allgemeine LLMs formulieren aus geprüften Befunden den Gutachtentext. Ihr Pluspunkt: Sie können aus bereits bestätigten Angaben saubere und einheitliche Texte bauen. Genau darin liegt ihr Einsatzgebiet. Das Risiko ist aber genauso klar: erfundene Details.

Schadensbeschreibung und Detailgenauigkeit

LLMs können Schadensbeschreibungen vereinheitlichen, zum Beispiel mit Formulierungen wie „Frontstoßfänger mit Rissbildung, Verformung linksseitig". Das hilft, wenn Berichte sprachlich gleichmäßig und sauber aufgebaut sein sollen.

Der Knackpunkt ist dabei simpel: Das Modell darf nur mit geprüften, strukturierten Eingaben arbeiten. Gemeint sind also Ausgaben aus KI-Modellen zur Schadenerkennung oder manuell bestätigte Felder.

Das größte Risiko sind Halluzinationen. Ein Modell kann Aussagen erzeugen, die plausibel klingen, aber falsch sind. Für Gutachten ist das nicht hinnehmbar. Deshalb muss jede Aussage vor der Freigabe durch einen menschlichen Sachverständigen geprüft werden.

Auditierbarkeit

LLM-Texte müssen als Entwürfe mit lückenloser Protokollspur laufen. Festzuhalten sind Prompt, Eingabequellen, Modellversion, Zwischenentwürfe und Freigabeprotokoll.

Ohne enge Grenzen bei den Eingaben klappt das in der Praxis kaum. Je klarer der Rahmen, desto besser lässt sich später nachvollziehen, wie ein Text entstanden ist.

Workflow-Integration

Ein Beispiel ist das Framework YUNet_LLMClaimReport: Bildanalyse plus LLM erzeugt den Berichtsentwurf aus strukturierten Befunden.

Wenn die Eingaben sauber strukturiert sind, liefern LLMs brauchbare Rohfassungen. Bei komplexen Fällen sinkt die Verlässlichkeit. Der eigentliche Mehrwert liegt daher in der sprachlichen Verdichtung nach der Bildanalyse, nicht in einer eigenen Schadensbewertung durch das Modell.

Regulatorische Eignung

LLMs dürfen keine eigenständigen Entscheidungen zu Deckung oder Preisgestaltung treffen. Genau hier braucht es eine klare Trennung der Rollen.

Digitale Gutachten-Workflows wie bei CUBEE Sachverständigen AG trennen KI-Entwurf und Sachverständigenfreigabe klar. Noch stabiler wird die Texterstellung mit regelgebundenen, deutschsprachigen Fachmodellen.

4. Domänenspezifische Reporting-LLMs mit Regelbindung

Spezialisierte Reporting-LLMs nutzen Fachbegriffe wie „Instandsetzung", „Austausch" oder „Wertminderung" nur dann, wenn geprüfte Eingaben genau das vorgeben. Sie werden auf deutsche Schadendaten und Gutachten feinabgestimmt, damit die Fachsprache durchgängig gleich bleibt. Diese Modellklasse bewertet nicht selbst – sie formuliert nach festen Regeln. Nach der Sprachlogik folgt damit direkt die nächste Frage: Wie lassen sich solche Texte prüffest an Befunde binden?

Schadendetailgenauigkeit

Regelgebundene Systeme koppeln den Textgenerator eng an bereits erfasste Schadenteil-IDs, Kostensätze und Foto-Metadaten. Das Modell formuliert also nicht frei, sondern setzt geprüfte Eingaben in vordefinierte Vorlagenabschnitte ein. Feste Schwellenwerte und Pflichtfelder lassen sich dabei direkt als harte Constraints hinterlegen.

Das hat einen klaren Vorteil: Der Inhalt folgt einer sauberen Struktur und bleibt nah an den vorhandenen Daten. Gerade im Gutachten zählt das, denn schon kleine Abweichungen in Begriffen oder Zuordnungen können später Ärger machen.

Auditierbarkeit

Jede erzeugte Aussage bleibt mit ihrer Quelle verknüpft. Spezialisierte Reporting-Plattformen ordnen jeden Satz der zugrunde liegenden Kennzahl oder Datenquelle zu, damit die Dokumentation prüffest bleibt. Erfasst werden Modell, Version, Prompt, Eingabedaten und die Freigabe durch den Sachverständigen. Deutsche Leitfäden für öffentlich bestellte Sachverständige empfehlen zudem, im Gutachtenanhang die eingesetzten KI-Tools, Prompts und die eigene Nachkontrolle offenzulegen.

Anders gesagt: Man sieht nicht nur was im Bericht steht, sondern auch, woher es kommt. Genau das ist in regulierten Abläufen oft der Knackpunkt.

Workflow-Integration

Diktier-zu-Bericht-Workflows laufen bereits produktiv: Der Sachverständige diktiert seine Befunde vor Ort, und das Modell ordnet sie automatisch den Bereichen Schadenbeschreibung, Ursache, Umfang und Bewertung zu. Das spart Tipparbeit und senkt das Risiko von Rekonstruktionsfehlern.

Bei einem digitalisierten Prozess wie dem von CUBEE Sachverständigen AG – mit strukturierter Datenerfassung an Containerstandorten oder durch mobile Gutachter – kann ein regelgebundenes Reporting-LLM aus diesen Eingaben direkt einen gegliederten Berichtsentwurf in deutscher Fachsprache erzeugen. Die fachliche Verantwortung und die Freigabe bleiben dabei beim Sachverständigen. So entsteht früh ein nutzbarer Berichtsentwurf, noch bevor Prüf- und Schätzmodelle die Plausibilisierung übernehmen.

Regulatorische Eignung

Regulierte Gutachtenumgebungen verlangen Nachvollziehbarkeit, Erklärbarkeit und Human-in-the-Loop-Prozesse. Regelgebundene Reporting-LLMs passen zu diesen Anforderungen besser als freie Generatoren, weil sie keine eigenen fachlichen Schlussfolgerungen ziehen. Ein deutscher Fachverband für Gutachter betont, dass KI derzeit kein Gutachten im rechtlichen Sinne erstellt, sondern allenfalls eine strukturierte Vorlage. Beweiswürdigung und Schlussfolgerung bleiben Aufgabe des Sachverständigen.

Für Plausibilitätsprüfung und Kostenschätzung braucht es danach zusätzlich baumbasierte ML-Modelle.

5. Baumbasierte ML-Modelle für Betrugserkennung und Kostenschätzung

Während regelgebundene Reporting-LLMs Texte in Form bringen, übernehmen baumbasierte Modelle die Plausibilitätsprüfung und Kostenschätzung. Dazu zählen Random Forest, XGBoost und LightGBM. Sie arbeiten mit tabellarischen Gutachtendaten wie Fahrzeugtyp, Kilometerstand, Schadensart, betroffenen Bauteilen, Lohnkosten, Reparaturhistorie und Werkstatttyp.

Genau dafür sind sie stark: bei Plausibilitätschecks, der Bewertung von Betrugsrisiken und der Vorhersage von Kosten in strukturierten Gutachten-Workflows. Anders gesagt: Die Plausibilisierung startet dort, wo Bildmodelle Schäden schon in eine geordnete Form gebracht haben.

Schätzgenauigkeit

Für die Kostenschätzung liefern Gradient-Boosting-Modelle im Alltag meist MAPE-Werte von etwa 10 bis 20 % im Vergleich zu tatsächlichen Werkstattangeboten. Bei häufigen Schadenstypen liegt der MAPE oft in diesem Bereich. Bei seltenen Teilen wird die Streuung aber spürbar größer.

Darum sollten Kostenschätzungen nicht als fester Einzelwert ausgegeben werden. Sinnvoller ist eine Bandbreite mit Konfidenzangabe. Das passt besser zur Praxis und macht sofort klar, wie sicher oder unsicher eine Schätzung ist.

Auditierbarkeit

Einzelne Entscheidungsbäume lassen sich direkt nachvollziehen. Jede Verzweigung kann geprüft werden. Bei Ensembles wie Random Forest oder XGBoost reicht das allein aber nicht mehr aus.

Hier helfen SHAP-Werte (SHapley Additive Explanations). Damit lässt sich für jeden einzelnen Fall zeigen, welche Merkmale einen Fraud-Score oder eine Kostenschätzung beeinflusst haben. Dazu kommen Berichte zur Merkmalswichtigkeit und eine saubere Versionierung, damit das Modell für interne Audits und externe Prüfungen nachvollziehbar dokumentiert bleibt.

So werden Tree-Modelle zur Prüf- und Schätzstufe im digitalen Gutachten, nicht zur eigentlichen Quelle des Befunds.

Workflow-Integration

Baumbasierte Modelle passen gut als zweite Stufe nach der Bildanalyse. Erst markieren YOLO- oder Segmentierungsmodelle den Schaden. Danach prüft ein Tree-Modell die Plausibilität anhand strukturierter Merkmale.

In digitalisierten Gutachten-Workflows laufen diese Modelle im Hintergrund und liefern in Echtzeit Kostenbandbreiten oder Hinweise auf auffällige Fälle. Das ist oft genau der Punkt, an dem aus reiner Schadenserkennung ein brauchbarer Prüfprozess wird.

Regulatorische Eignung

Bei der Betrugserkennung ist Accuracy allein kein guter Maßstab, weil echte Betrugsfälle selten sind. Eine Studie zeigt das ziemlich klar: Ein Random Forest kam zwar auf 0,83 Recall für Betrugsfälle, aber nur auf 0,08 Precision. Das heißt: Weniger als 10 % der als Betrug markierten Fälle waren am Ende auch tatsächlich Betrug.

Für den Einsatz im Betrieb ist es daher meist klüger, nur die riskantesten 5 bis 15 % für eine manuelle Prüfung zu markieren, statt Fälle automatisch zu sperren. So bleibt der Prozess prüfbar und Fehlmarkierungen richten weniger Schaden an.

Versionierung, Feature-Logs und Audit-Trails decken dabei die üblichen Anforderungen an Transparenz und Nachvollziehbarkeit ab. Für feinere Schätzungen, die Bild- und Textsignale enger zusammenführen, braucht es danach andere Modellklassen.

6. Neuronale Regression und multimodale Schätzmodelle

Nach der Plausibilitätsprüfung mit Tree-Modellen kommt die letzte Schätzstufe: Modelle, die Bild-, Text- und Stammdaten direkt zusammenziehen. Neuronale Regressions- und Multimodalmodelle schätzen Kosten direkter, weil sie diese Datenquellen in einem Schritt verarbeiten. Anders als Tree-Modelle arbeiten sie nicht mit getrennten Sichtweisen auf den Fall, sondern mit einer gemeinsamen Schätzung. Ihr Pluspunkt liegt also nicht darin, jeden einzelnen Schaden separat zu verorten, sondern das Gesamtbild in einen belastbaren Kostenwert zu übersetzen.

Schadendetailgenauigkeit

Multimodale Systeme verbinden bildbasierte Schadenslokalisierung mit Reparaturkostentabellen. So lassen sich einzelnen Bauteilen wie Stoßfänger, Kotflügel oder Scheinwerfer typische Reparaturkosten zuordnen. Das ist im Alltag ziemlich naheliegend: Ein Kratzer am Kotflügel ist eben etwas anderes als ein beschädigter Scheinwerfer.

Durch die Verbindung von visueller und struktureller Schadensanalyse steigt die Genauigkeit der Schweregrad-Klassifikation um rund 15 % gegenüber rein bildbasierten Ansätzen. Ein greifbares Beispiel: Ein KI-System mit YOLOv8 zur Schadensdetektion und anschließender Kostenschätzung erreicht einen MAPE von 11,4 % im Vergleich zu Werkstattangeboten.

Ganz ohne Haken ist das aber nicht. Bei seltenen Schadensmustern, etwa Rahmenverzug, Oldtimer-Sonderteilen oder stark verdeckten Schäden, kommen diese Modelle an Grenzen. Genau dort zeigt sich, dass gute Bilder allein nicht alles lösen.

Auditierbarkeit

Für den Einsatz in zertifizierten Gutachtenumgebungen müssen Logs sauber festhalten, welche Bilder, Textnotizen und Stammdaten in die Schätzung eingeflossen sind. Nur so kann ein Sachverständiger später nachvollziehen, wie ein bestimmter €-Betrag zustande kam.

Hilfreich sind dabei vor allem zwei Dinge:

  • Zusammenfassungen zur Merkmalswichtigkeit
  • Aufgeschlüsselte Kostenpositionen pro Bauteil

Beides macht die Schätzung für interne und externe Prüfer leichter nachvollziehbar. Dazu kommt die technische Dokumentation nach EU-AI-Act. Die ist Pflicht.

Workflow-Integration

Im digitalen Gutachtenworkflow liefert das Modell einen Vorschlagswert, mehr nicht. Die Freigabe bleibt beim Sachverständigen. In einem digitalisierten Prozess wie bei CUBEE Sachverständigen AG lässt sich ein neuronales Schätzmodul per API einbinden. Der Sachverständige kann den maschinell erzeugten Wert dann prüfen, anpassen oder komplett überschreiben.

Das ist am Ende auch der vernünftige Weg: Die Maschine macht Tempo, der Mensch behält die Kontrolle. Korrekturen durch Experten fließen später wieder ins Training ein und verbessern das Modell mit der Zeit.

Regulatorische Eignung

KI-Systeme in der Schadensregulierung können unter den Hochrisikobereich des EU-AI-Acts fallen. Dann gelten klare Vorgaben. Dazu zählen Risikomanagement-Dokumentation, Datenschutz-Folgenabschätzungen nach DSGVO und nachweisbare menschliche Aufsicht.

Das Modell darf also Vorschläge liefern. Die letzte Entscheidung zu Reparaturkosten und Fahrzeugwert trifft aber der geschulte Sachverständige, nicht eine eigenständig handelnde Instanz.

Damit ist die Schätzstufe beschrieben; im nächsten Schritt geht es um die Einordnung dieser Modellklasse im zertifizierten Gesamtworkflow.

Wie jede Modellklasse in zertifizierte KFZ-Gutachtenumgebungen passt

Hier geht es nicht mehr um die reine Modellbeschreibung, sondern um die Frage: Wo passt welches Modell im zertifizierten Gutachtenprozess am besten hinein? Also von der Aufnahme über die Auswertung bis zur Freigabe. Bewertet wird nach Auditierbarkeit, Schadendetail-Präzision, Workflow-Integration und regulatorischer Eignung.

Computer-Vision-Modelle im Vergleich

Kriterium YOLO-basierte Detektion Mask R-CNN / Segmentierung
Auditierbarkeit Einfach zu protokollieren, geringer Speicher- und Dokumentationsaufwand Höhere Nachvollziehbarkeit, aber mehr Speicher- und Visualisierungsaufwand
Schadendetail-Präzision Robust bei größeren Bauteilen wie Stoßfängern, Türen oder Scheinwerfern; feine Schäden können bei schlechtem Licht nicht erkannt werden Bessere Quantifizierung der Schadensfläche und klare Trennung überlappender Schäden, etwa Kratzer über einer Delle
Workflow-Integration Besonders geeignet für mobile Begutachtungen mit schneller Erstzuordnung Besonders geeignet für Container-Standorte mit fixer Kameraposition, definiertem Abstand und kontrolliertem Licht
Regulatorische Eignung DSGVO-konform bei getrennter Bild- und Personendatenverarbeitung; Segmentierung erzeugt höheren Auditaufwand DSGVO-konform bei getrennter Bild- und Personendatenverarbeitung; Segmentierung erzeugt höheren Auditaufwand

In der Praxis heißt das: YOLO übernimmt die mobile Ersterkennung, wenn es schnell gehen muss. Die Segmentierung kommt dann ins Spiel, wenn Schäden sauber und nachvollziehbar dokumentiert werden sollen, etwa an den Container-Standorten.

Nach der Bildauswertung wechselt der Schwerpunkt. Dann zählt, ob die Textebene sauber strukturiert ist, ob sie freigegeben werden kann und ob sie in bestehende Systeme passt.

Textgenerierungsmodelle im Vergleich

Kriterium Allgemeine LLMs Domänenspezifische deutsche Reporting-LLMs
Auditierbarkeit Freie Formulierungen erschweren die Rückverfolgung einzelner Sätze zu den Eingabefeldern Jeder Textabschnitt ist klar strukturierten Eingaben zugeordnet; Vorlagen sind versioniert
Schadendetail-Präzision Nur als Entwurfsmodell geeignet Standardterminologie wie „Wiederbeschaffungswert", „Restwert" und „wirtschaftlicher Totalschaden" ist fest verankert
Workflow-Integration Nützlich für interne Entwürfe Strukturierter Export in CSV, XML oder JSON erleichtert die Anbindung an Versichererschnittstellen
Regulatorische Eignung Höheres Risiko unzulässiger Aussagen ohne Regelwerk Pflichtfelder und Standardhinweise zu Messunsicherheiten oder verdeckten Schäden lassen sich template-gebunden erzwingen

Der Unterschied ist ziemlich klar: Allgemeine LLMs helfen beim Formulieren von Entwürfen, aber nicht bei der sauberen Nachverfolgung. Domänenspezifische deutsche Reporting-LLMs sind dafür gebaut, dass jeder Abschnitt auf feste Eingaben zurückgeht. Genau das ist in einem Gutachtenprozess oft der Punkt, an dem sich Alltagstauglichkeit entscheidet.

Strukturierte Daten- und Musteranalysemodelle im Vergleich

Kriterium Baumbasierte Modelle (Random Forest, XGBoost) Neuronale Regression / Multimodale Modelle
Auditierbarkeit Feature-Importance und SHAP-basierte Erklärungen lassen sich gut dokumentieren und mit Versicherern oder vor Gericht diskutieren Erklärungen sind meist nur über nachgelagerte Attribution oder Attention Maps möglich und dadurch schwerer zu verteidigen
Schadendetail-Präzision Stark bei strukturierten Kosten-, Tarif- und Katalogdaten Verbindet Bild-, Text- und Stammdaten und kann dadurch komplexe Muster besser nutzen
Workflow-Integration Bewährte Basis für Plausibilitätsprüfungen und Warnhinweise bei Kostenabweichungen Geeignet als Vorschlagsmodul über eine API; die Freigabe bleibt beim Sachverständigen
Regulatorische Eignung Gut für dokumentierbare Plausibilitätsprüfungen Bei strittigen oder ablehnenden Fällen bleibt die menschliche Letztentscheidung erforderlich

Bei strukturierten Daten zeigt sich ein anderes Bild. Baumbasierte Modelle punkten dort, wo Kosten, Tarife und Katalogdaten geprüft werden müssen und eine Begründung später noch standhalten soll. Multimodale Modelle gehen einen Schritt weiter: Sie verknüpfen Bild-, Text- und Stammdaten und erkennen damit auch schwerer fassbare Muster. Der Haken liegt in der Begründung. Wenn ein Fall strittig wird, zählt nicht nur das Ergebnis, sondern auch, wie gut es sich erklären lässt.

Die Stärken und Grenzen im End-to-End-Workflow folgen im nächsten Abschnitt.

Stärken und Grenzen jeder Modellklasse im End-to-End-Gutachtenprozess

Nach der Detailanalyse zeigt sich die eigentliche Frage erst im Workflow: Welche Modellklasse übernimmt welchen Schritt? Genau dort werden die Unterschiede praktisch spürbar.

Die folgende Übersicht zeigt, wo die einzelnen Ansätze im Prozess am besten passen - und an welcher Stelle ein Mensch weiter prüfen muss.

Modellklasse Hauptstärken Zentrale Risiken Idealer Einsatzpunkt Menschliche Prüfung nötig bei
YOLO-basierte Detektion Schnell, robust, hoher Durchsatz Grob, Schwächen bei feinen Schäden und schlechtem Licht Foto-Upload und Ersttriage Grenzfällen, Sonderfällen, finaler Freigabe
Mask R-CNN / Segmentierung Pixelgenaue Lokalisierung; Mehrwert gegenüber YOLO bei überlappenden Schäden und Flächenquantifizierung Über- oder Untersegmentierung bei Reflexionen und dunklen Fahrzeugen Schadenlokalisierung und Teilezuordnung an festen Standorten Maskenkorrektur und Validierung vor der Kostenschätzung
Allgemeine LLMs Für Entwürfe geeignet, nicht für Freigaben Halluzinationsrisiko Interne Entwürfe und Textzusammenfassungen Jedem Abschnitt vor Freigabe
Domänenspezifische Reporting-LLMs Standardisierte Berichte mit Pflichtfeldern; nahe an den Referenzempfehlungen Sonderfälle wie Oldtimer oder Vorschäden erfordern Urteilsvermögen Standardisierte Berichtserstellung Ursachenzuschreibung, Oldtimer, Sonderumbauten, finaler Unterzeichnung
Baumbasierte Modelle Plausibilitätsprüfung, interpretierbar; Vergleichsvorteil gegenüber multimodalen Modellen bei strukturierten Kosten- und Katalogdaten Konzeptdrift bei neuen Fahrzeugtechnologien oder Preisentwicklungen Betrugserkennung, Kostenschätzung als Richtwert Hochrisikofällen und vor jeder automatisierten Ablehnung
Neuronale Regression / Multimodal Kombination aus Bild-, Text- und Stammdaten; erkennt komplexe Muster Geringe Erklärbarkeit, Übervertrauen in präzise Zahlenwerte Wert- und Kostenschätzung als Vorschlagsmodul Allen Fällen mit rechtlicher Relevanz oder Sondermerkmalen

Im digitalisierten Gutachtenprozess laufen diese Rollen nacheinander, nicht parallel. Das ist ein wichtiger Punkt. Es geht nicht darum, ein einzelnes Modell alles machen zu lassen. Eher funktioniert der Ablauf wie eine Staffel: Ein Modell übergibt an das nächste.

Bei digitalisierten Prozessen wie bei CUBEE greifen die Rollen genau so ineinander: YOLO triagiert Fotos, Segmentierung präzisiert Schäden, Reporting-LLMs standardisieren Texte, Tree-Modelle prüfen Plausibilität, multimodale Modelle ergänzen die Schätzung. Die Freigabe liegt beim Sachverständigen.

Damit ist die operative Einordnung klar; im Fazit folgt die knappe Auswahlregel für den Einsatz im Gutachtenalltag.

Fazit

Der Vergleich zeigt eine klare Regel: Kein einzelnes Modell deckt den gesamten Kfz-Gutachtenprozess ab. Sinnvoll ist daher ein modularer Aufbau: YOLO für die Ersttriage, Mask R-CNN für die Detailsegmentierung, regelgebundene deutsche LLMs für den Bericht und baumbasierte Modelle für Plausibilitäts- und Betrugsprüfungen.

Für den Einstieg bietet sich ein schlanker, gut prüfbarer Systemaufbau an: YOLO, ein regelgebundenes deutsches LLM und ein Baummodell. Darauf lässt sich dann Schritt für Schritt aufbauen. Im nächsten Ausbau folgen Segmentierung und multimodale Schätzer. Ein Pilotbetrieb vor der flächendeckenden Einführung senkt das Risiko und macht Schwachstellen früh sichtbar.

Die Freigabe bleibt beim Sachverständigen, vor allem in strittigen Fällen. Genau dort zeigt sich, worauf es ankommt: Tempo allein reicht nicht. Erst das Zusammenspiel aus Geschwindigkeit, Erklärbarkeit und sauberer Dokumentation macht aus einzelnen Modellen ein KI-gestütztes Gutachten-Tool, das in der Praxis, bei Versicherern und vor Gericht bestehen kann.

FAQs

Welche KI sollte ich zuerst einführen?

Führen Sie KI im Gutachtenprozess Schritt für Schritt ein. Beginnen Sie am besten mit einfachen Routineaufgaben. Komplexere Abläufe können später dazukommen. Das nimmt Druck aus der Umstellung, senkt interne Vorbehalte und hilft dabei, dass Mitarbeitende der neuen Technik nach und nach mehr zutrauen.

Ein guter Einstieg ist die Standardisierung der Bildaufnahme. Geführte Fotomasken oder feste Vorlagen sorgen für gleichmäßige, hochwertige Bilder. Genau diese saubere Datengrundlage braucht es, damit die spätere KI-gestützte Schadensanalyse sauber arbeiten kann.

Wann reicht YOLO und wann brauche ich Segmentierung?

YOLO reicht aus, um Fahrzeugteile schnell zu erkennen und klar einzuordnen. Auch gut sichtbare Schäden wie Kratzer oder Dellen lassen sich damit zügig erfassen.

Segmentierung kommt ins Spiel, wenn es genauer werden muss. Sie grenzt das Schadensausmaß und die betroffenen Flächen sauber ab. Das ist wichtig, wenn ein Tool genauere Reparaturvorschläge und belastbare Kostenschätzungen für zertifizierte Gutachten liefern soll.

Wie bleiben KI-Gutachten prüfbar und DSGVO-konform?

Durch technische und organisatorische Maßnahmen wie Ende-zu-Ende-Verschlüsselung, rollenbasierte Zugriffe und die Verarbeitung auf Servern in Deutschland lässt sich der Schutz sensibler Daten sauber absichern. Für die Prüfbarkeit sorgen eine revisionssichere Archivierung über mindestens zehn Jahre sowie detaillierte Prozessprotokolle.

Für die DSGVO zählen außerdem Anonymisierung, Pseudonymisierung und Datensparsamkeit. Dazu kommen die Einhaltung der ab Februar 2025 verbindlichen VDI 5900 Blatt 2, regelmäßige Audits und die abschließende Prüfung durch den Sachverständigen.

Verwandte Blogbeiträge