KI-Wissensassistent für Schweizer Versicherungen: RAG mit LangGraph in 2 Wochen

Prozess-Audit vor der Automatisierung

Der erste Schritt ist die Identifikation des Engpasses. In der Versicherungsbranche geht es selten um die komplette Automatisierung der Kundenkommunikation, sondern um die interne Effizienz. Ein typischer Fall: Ein Team von 20 Mitarbeitern verbringt täglich 2 Stunden damit, in PDF-Policen und internen Richtlinien nach relevanten Klauseln zu suchen. Ein RAG-Assistant, der auf diese Dokumente zugreift, reduziert diese Zeit auf 10 Minuten. Die Auswahl des Prozesses erfolgt über ein kurzes Audit: Welche Dokumente werden am häufigsten abgefragt? Wo entstehen die meisten Fehler durch veraltete Informationen? Dieser Fokus auf einen einzigen, messbaren Prozess ist der Schlüssel zum Erfolg im 2-Wochen-Fenster.

LangGraph als Steuerungsebene

Die Architektur basiert auf LangGraph, da die monatliche Berichterstattung einen deterministischen Ablauf erfordert. LangChain allein reicht für einfache Chains aus, aber für die Aggregation von Daten aus CRM, Dokumentenverwaltung und Excel-Tabellen braucht man die Zustandskontrolle von LangGraph. Das System ruft über REST-APIs die aktuellen Kundendaten ab, indiziert neue Dokumente über Webhooks und übergibt die relevanten Abschnitte an das LLM. Die Vektor-Datenbank (z. B. Weaviate oder Qdrant) läuft lokal, um die Datenhoheit zu wahren. Diese Modell-agnostische Herangehensweise erlaubt es, später auf offene Modelle umzusteigen, falls die Kosten oder die Compliance-Anforderungen es erfordern.

Human-in-the-Loop als Standard

Die Integration erfolgt nicht durch den Austausch bestehender Systeme, sondern durch deren Anreicherung. Die REST-APIs des CRM und der Dokumentenverwaltung werden in LangGraph als Tool-Nodes definiert. Webhooks lösen bei neuen Dokumenten automatisch die Indizierung aus. Das LLM erhält die relevanten Abschnitte als Kontext und formuliert die Antwort. Für die monatliche Berichterstattung aggregiert das System die Daten und generiert einen Entwurf. Ein Mitarbeiter prüft die Zahlen und die narrative Zusammenfassung, bevor der Bericht versendet wird. Dieser Human-in-the-Loop-Ansatz stellt sicher, dass keine fehlerhaften Daten in die Berichterstattung einfließen, ohne dass ein Mensch sie geprüft hat.

2-Wochen-Timeline: Realistisch oder Wunschdenken?

Die 14 Tage sind nur realistisch, wenn der Scope eng gefasst ist. Tag 1-2: Audit und Datenbereinigung. Tag 3-5: Setup der Infrastruktur und Entwicklung der LangGraph-Logik. Tag 6-10: Integration der APIs und Webhooks, Erstellung der Prompts. Tag 11-14: Testing und Übergabe. Voraussetzung ist, dass die Datenquellen bereits API-fähig sind und die Dokumentation strukturiert vorliegt. Ein dediziertes AI-Team übernimmt die gesamte Wertschöpfungskette, von der Planung bis zum Betrieb. Das reduziert das Risiko von Vendor-Lock-in und stellt sicher, dass das System mit dem Unternehmen mitwächst. Die Kosten liegen bei einem Pilot in dieser Größenordnung bei 15.000-25.000 CHF, je nach Komplexität der Integration.

Vom Pilot zum Betrieb

Der Pilot endet nicht mit der Übergabe des Codes. Das dedizierte Team bleibt für die kontinuierliche Optimierung verantwortlich. Die Prompts werden an neue Geschäftsprozesse angepasst, die Vektor-Datenbank wird gepflegt, und die Fehlerquoten werden monatlich gemessen. Die monatliche Berichterstattung wird als KPI definiert: Wie viel Zeit spart der Assistant? Wie hoch ist die Genauigkeit der Antworten? Diese Metriken bilden die Grundlage für die Entscheidung, ob der Assistant auf weitere Prozesse ausgedehnt wird. In der Versicherungsbranche, wo Fehler in der Kundenkommunikation teuer werden, ist diese kontinuierliche Validierung entscheidend für den langfristigen Erfolg.