KI-Vertragsprüfung in der Schweiz: 7 Schritte für Versicherungen

1. Standardisierte Risikobewertung statt Bauchgefühl

Manuelle Vertragsprüfung bindet in Schweizer Versicherungen mit 51 bis 200 Mitarbeitern durchschnittlich 12 Stunden pro Woche pro Compliance-Officer. Das Problem ist nicht die Geschwindigkeit, sondern die Inkonsistenz: Je nach Ermüdungsgrad des Prüfers variieren die Toleranzen bei Klausel-Abweichungen um bis zu 15 Prozent. Ein Predictive Scoring-Modell, das auf historischen Freigaben trainiert ist, liefert hier eine standardisierte Risikobewertung. Es markiert Klauseln, die von der internen Richtlinie abweichen, und berechnet einen Score von 0 bis 100. Das Compliance-Team prüft nur noch die Verträge mit einem Score über 70. Die restlichen 80 Prozent laufen durch, ohne dass ein Mensch jede Zeile liest. Die Integration in Google Workspace erfolgt über die Gmail- und Drive-APIs, sodass Verträge direkt im Posteingang angereichert werden.

2. Modellagnostische Architektur für sensible Daten

Die Architektur ist bewusst modellagnostisch. Für die Vertragsprüfung, bei der sensible Kundendaten und Vertragsinhalte verarbeitet werden, laufen Open-Weight-Modelle auf der eigenen Hardware des Kunden. Die Daten verlassen das Gebäude nicht, was die Anforderungen der ISO 27001 und des Schweizer Datenschutzgesetzes (DSG) erfüllt. Für weniger sensible Aufgaben wie die Triage von Support-Tickets oder die Kategorisierung von E-Mails wird die Anthropic Claude API genutzt, weil sie bei komplexen Sprachaufgaben eine höhere Präzision liefert und die Latenz unter 200 ms bleibt. Diese Hybrid-Ansatz reduziert die Betriebskosten um 40 Prozent im Vergleich zu einer rein kommerziellen Lösung, da die rechenintensive Vertragsprüfung lokal läuft und nur die leichten Aufgaben die API-Kosten verursachen.

3. Acht-Wochen-Pilot mit messbarer Baseline

Der Pilot läuft über 8 Wochen mit festem Scope. Woche 1 bis 2: Prozess-Audit und Datenanalyse. Das Team identifiziert die 20 Prozent der Vertragsklauseln, die 80 Prozent des Prüfaufwands verursachen. Woche 3 bis 5: Entwicklung der RAG-Pipeline und des Scoring-Modells. Die Pipeline durchsucht den Vektor-Datenbank-Index der Unternehmensdokumente und übergibt die relevanten Passagen dem LLM als Kontext. Woche 6 bis 7: User Acceptance Testing mit dem Compliance-Team. Jede Entscheidung des Modells wird mit der menschlichen Freigabe abgeglichen. Woche 8: Go-Live und Übergabe an den Betrieb. Die Baseline vor dem Start: 45 Minuten pro Vertrag, 3 Prozent Fehlerquote. Nach dem Pilot: 12 Minuten pro Vertrag, 0,8 Prozent Fehlerquote.

4. RAG-Pipeline für kontextuelle Vertragsanalyse

Die RAG-Pipeline (Retrieval-Augmented Generation) ist das Herzstück. Sie durchsucht den Vektor-Datenbank-Index der Unternehmensdokumente, holt die relevanten Passagen und übergibt sie dem LLM als Kontext. Das LLM vergleicht dann die Vertragsklauseln mit den internen Richtlinien und dem Schweizer Recht. Der Predictive Score wird aus der Häufigkeit von Abweichungen in historischen Daten berechnet, nicht aus dem LLM-Output allein. Das System nutzt eine Kombination aus semantischer Suche und regelbasierten Checks. Wenn eine Klausel den Score übersteigt, wird sie im Google Docs-Dokument markiert und ein Kommentar mit der Begründung eingefügt. Der Anwalt sieht sofort, warum die Klausel problematisch ist, und kann die Änderung direkt im Dokument vornehmen.

5. ISO 27001-konforme Datenhaltung und Audit-Logs

Die ISO 27001-Zertifizierung des Anbieters ist nur ein Teil. Entscheidend ist die technische Umsetzung: Verschlüsselung in Ruhe und im Transport (TLS 1.3), strikte Zugriffskontrollen (RBAC), Audit-Logs für jede KI-Entscheidung und die Möglichkeit, Daten auf Wunsch vollständig zu löschen. Der Kunde muss sicherstellen, dass keine Trainingsdaten an Drittanbieter-LLMs abfließen, wenn sensible Vertragsinhalte verarbeitet werden. Die Audit-Logs protokollieren jede Anfrage, den verwendeten Kontext und die generierte Antwort. Diese Logs werden für 12 Monate aufbewahrt und stehen dem Compliance-Team für interne und externe Audits zur Verfügung. Die Datenhaltung erfolgt in der Schweiz, was die Anforderungen des DSG erfüllt.

6. Nahtlose Integration in Google Workspace und CRM

Die Integration in Google Workspace erfolgt über die Gmail- und Drive-APIs. Verträge, die per E-Mail eingehen, werden automatisch in den Drive-Ordner „Verträge“ abgelegt und von der RAG-Pipeline verarbeitet. Das Ergebnis erscheint als Kommentar im Google Docs-Dokument. Der Compliance-Officer sieht die markierten Klauseln, den Score und die Begründung direkt im Dokument. Wenn er die Freigabe erteilt, wird der Vertrag im CRM als „geprüft“ markiert und der nächste Schritt im Workflow ausgelöst. Die Integration in das CRM (z. B. Salesforce oder HubSpot) erfolgt über die REST-APIs. Die Datenflüsse sind bidirektional: Das CRM liefert die Vertragsmetadaten, die KI-Lösung liefert die Prüfungsergebnisse. Das reduziert die manuelle Datenerfassung um 90 Prozent.

7. Stolperfallen und wie man sie vermeidet

Die häufigsten Fehler sind: Zu viele Workflows gleichzeitig automatisieren statt eines fokussierten Pilots. Keine messbare Baseline (Cycle Time, Fehlerquote) vor dem Start definieren. Die Integration in bestehende Tools wie Google Workspace oder das CRM zu spät in den Projektplan zu setzen. Das Compliance-Team erst nach der Entwicklung einzubinden statt von Woche 1 an. Die Lösung: Ein dediziertes AI-Team, das von Woche 1 an mit dem Compliance-Team zusammenarbeitet. Das Team besteht aus einem Technischen Lead, einem Data Engineer und einem Product Designer. Es arbeitet nach dem Prinzip „Human-in-the-Loop“: Das Modell entwirft oder klassifiziert, ein Mensch genehmigt alles, was Geld, Gesundheitsdaten oder Verträge betrifft. Jeder Pilot wird mit einer gemessenen Vorher/Nachher-Baseline zu Zykluszeit und Fehlerquote ausgeliefert.