Compliance-sichere AI-Support-Automatisierung im österreichischen Fintech

Hintergrund: Ein österreichisches Fintech im Übergang zu AI

Dieser Fall ist ein Komposit aus beobachteten Mustern in der Praxis. Wir benennen keine realen Kunden, um die Vertraulichkeit zu wahren. Die beschriebene Firma ist ein österreichisches Fintech-Unternehmen mit 120 Mitarbeitern, das Zahlungsdienstleistungen für den B2B-Handel anbietet. Der Stack besteht aus einem spezialisierten Payment-Backend, einem CRM (HubSpot) und Slack als primärem internem Kommunikationskanal. Das Unternehmen befand sich in der Phase ‘Running Isolated Pilots’: Es hatte bereits einzelne Automatisierungen getestet, aber noch keinen durchgängigen, messbaren AI-Einsatz im Kundensupport. Die Region ist Österreich, was spezifische Datenschutzanforderungen (DSGVO) und einen hohen Qualitätsanspruch an den deutschen Sprachgebrauch mit sich bringt. Die Zielgruppe der Kunden ist international, mit einem starken Fokus auf DACH und zunehmend auf osteuropäische Märkte.

Herausforderung: Multilingualer Support unter PCI-DSS-Bedingungen

Der Kundensupport war der Engpass. 40 % der eingehenden Anfragen betrafen einfache Statusanfragen: ‘Wo ist meine Bestellung?’ oder ‘Wann wird die Zahlung gutgeschrieben?’. Diese Anfragen erforderten manuelle Abfragen im ERP und im Payment-Backend, was zu einer durchschnittlichen Antwortzeit von 45 Minuten führte. Gleichzeitig wuchs der Bedarf an mehrsprachiger Unterstützung (Deutsch, Englisch, Ungarisch), da der Kundenstamm diverser wurde. Die Compliance-Abteilung blockierte jedoch die Einführung von generischen Chatbots, da PCI-DSS und DSGVO strenge Anforderungen an die Verarbeitung von Zahlungsdaten und personenbezogenen Daten stellen. Es gab keine klare Strategie, wie man AI einsetzen konnte, ohne die Compliance zu gefährden oder die Datenhoheit zu verlieren. Der Druck kam von der Geschäftsführung: Die Skalierung des Supports musste ohne lineares Wachstum der Headcount erfolgen.

Ansatz: Isolierte Piloten mit Human-in-the-Loop

Forfis startete mit einem Prozess-Audit (Woche 1-2). Ziel war es, die Workflows zu identifizieren, die für die Automatisierung geeignet sind und gleichzeitig das Compliance-Risiko minimieren. Der gewählte Pilot-Scope: Order and Shipment Status Updates via Conversational Agent. Die Architektur ist model-agnostic, aber für diesen Piloten wurde die OpenAI API (GPT-4o) gewählt, da die Qualität der deutschen und englischen Antworten entscheidend war. Wichtig: Der Agent greift nicht direkt auf Rohdaten im Payment-Backend zu. Stattdessen liest er über eine Middleware nur bereinigte Status-Codes und anonymisierte Metadaten aus dem ERP. Die Integration erfolgt über Slack, wo der Agent als Bot installiert ist. Das Delivery-Modell ist Managed AI Operations: Forfis übernimmt die Wartung, das Monitoring und die kontinuierliche Optimierung der Prompts. Ein Human-in-the-Loop-Mechanismus ist standardmäßig aktiv: Bei Unsicherheit oder bei Anfragen, die über den Status hinausgehen, eskaliert der Agent an einen Mitarbeiter. Der Pilot lief über 8 Wochen.

Ergebnis: Messbare Effizienzsteigerung in 8 Wochen

Nach 8 Wochen zeigte der Pilot messbare Ergebnisse. Die Durchlaufzeit für Statusanfragen sank von 45 Minuten auf unter 2 Minuten. Die Fehlerquote (falsche Statusinformation) lag bei < 1 %, da der Agent nur auf validierte Daten aus dem ERP zugreift. Die Eskalationsrate betrug 15 %, was bedeutet, dass 85 % der Statusanfragen vollständig automatisiert abgewickelt wurden. Die Kundenzufriedenheit (CSAT) für die automatisierten Antworten lag bei 4,6/5, leicht über dem manuellen Durchschnitt (4,4/5). Die Mitarbeiter im Support konnten sich auf komplexe Fälle konzentrieren, was die Arbeitszufriedenheit erhöhte. Die Compliance-Abteilung bestätigte, dass keine PCI-DSS-Verstöße auftraten, da keine sensiblen Zahlungsdaten an die LLM-API übergeben wurden. Der Pilot lieferte die Grundlage für eine Ausweitung auf weitere Use Cases, z. B. Retourenabwicklung.

Lessons Learned: Was ähnliche Teams beachten sollten

1. Scope eng halten: Der Pilot auf einen einzigen Use Case (Statusanfragen) zu beschränken, war entscheidend für den Erfolg. Eine breitere Automatisierung hätte das Compliance-Risiko erhöht und die Messung unklar gemacht. 2. Datenbereinigung vor der KI: Die Middleware, die nur bereinigte Daten an den Agent weitergibt, ist der Schlüssel zur Compliance. Nicht die KI selbst ist das Risiko, sondern der Datenfluss. 3. Human-in-the-Loop ist kein Nachteil: Die Eskalation an Menschen bei Unsicherheit schützt vor Fehlinformationen und baut Vertrauen bei den Mitarbeitern auf. 4. Managed Operations sind Pflicht: Ein AI-Agent ist kein ‘Set-and-Forget’-Produkt. Die kontinuierliche Optimierung der Prompts und das Monitoring der Fehlerquoten erfordern laufende Betreuung. 5. Slack/Teams als Einstieg: Die Integration in bestehende Tools wie Slack reduziert die Reibung bei der Adoption. Die Mitarbeiter müssen kein neues System lernen, sondern arbeiten im gewohnten Kanal.