Hintergrund: NordRisk und die manuelle Vertragsprüfung
Die vorliegende Fallstudie ist ein Composite, basierend auf Mustern, die in der Praxis bei mittelständischen Versicherern in Deutschland beobachtet wurden. Es werden keine realen Kundennamen genannt, um die Vertraulichkeit zu wahren. Die beschriebene Firma, nennen wir sie „NordRisk“, ist ein fiktiver Vertreter eines typischen Insurtech-Unternehmens mit 120 Mitarbeitern, das sich auf Sachversicherungen spezialisiert hat. NordRisk nutzt ein bestehendes ERP-System und verwaltet seine internen Richtlinien in Confluence. Die Herausforderung war nicht die Einführung von KI an sich, sondern die Integration in einen hochregulierten, manuell geprägten Prozess, der unter Zeitdruck stand. Die folgende Analyse zeigt, wie ein dediziertes AI-Team in drei Monaten einen messbaren Wandel im Backoffice herbeiführte, ohne die bestehende IT-Landschaft zu ersetzen.
Herausforderung: Fehlerquote und Zeitdruck im Backoffice
NordRisk litt unter einer steigenden Fehlerquote bei der Prüfung von Neugeschäftsverträgen. Manuelle Sachbearbeiter mussten Klauseln gegen interne Richtlinien prüfen, die in Confluence-Dokumenten verstreut waren. Die Durchlaufzeit betrug im Schnitt 48 Stunden pro Vertrag, mit einer Fehlerquote von 12 Prozent, die zu Nachträgen und Kundenbeschwerden führte. Der operative Druck kam von zwei Seiten: Erstens drohte ein Verlust von Marktanteilen an schnellere Wettbewerber, zweitens war das Team überlastet, da die Vertragsvolumina um 20 Prozent gestiegen waren. Es gab keine Compliance-Hürden im Sinne von Gesundheitsdaten, aber die DSGVO erforderte eine saubere Datenhaltung. Das Ziel war klar: Die Fehlerquote auf unter 5 Prozent senken und die Durchlaufzeit halbieren, ohne zusätzliche Headcount zu stellen.
Ansatz: Dediziertes Team und LangGraph-Architektur
Forfis stellte ein dediziertes AI-Team zusammen, bestehend aus einem Tech Lead, einem ML-Engineer und einem Product Manager. Die Architektur basierte auf LangChain und LangGraph, um den Workflow als Zustandsmaschine zu modellieren. Der Agent holte sich die relevanten Policy-Dokumente aus Confluence über die API, chunkte sie und speicherte sie in einer Vektordatenbank. Bei der Prüfung eines neuen Vertrags führte der Agent eine Retrieval-Augmented Generation (RAG) durch, um die ähnlichsten Richtlinien zu finden. LangGraph steuerte den Flow: Wenn der Agent eine Klausel als riskant einstufte, wechselte er in einen Warteknoten und eskalierte an einen menschlichen Sachbearbeiter. Dieser bestätigte oder korrigierte die Einschätzung. Die menschliche Entscheidung wurde als Feedback in das System zurückgespielt, um die Genauigkeit zu verbessern. Die Integration erfolgte über die bestehenden APIs des ERP-Systems, ohne dass dieses ersetzt wurde.
Ergebnis: Messbare Reduktion der Fehlerquote
Nach drei Monaten Pilotbetrieb zeigte sich ein deutlicher Effekt. Die Fehlerquote sank von 12 Prozent auf 4,2 Prozent, was einer Reduktion von über 60 Prozent entspricht. Die Durchlaufzeit pro Vertrag fiel von 48 Stunden auf 18 Stunden, da der Agent die ersten 80 Prozent der Prüfung automatisierte und nur noch die kritischen 20 Prozent an den Menschen eskalierte. Der Automatisierungsgrad lag bei 65 Prozent, was bedeutet, dass 65 Prozent der Verträge ohne menschliche Korrektur durchliefen. Die Zufriedenheit der Sachbearbeiter stieg, da sie sich auf komplexe Fälle konzentrieren konnten, statt Routineklauseln zu prüfen. Die Investition in das dedizierte Team amortisierte sich nach sechs Monaten durch die eingesparten personellen Kosten und die vermiedenen Nachträge.
Erkenntnisse: Skalierung und Lessons Learned
Die Skalierung auf weitere Abteilungen gelang durch die Modularisierung der Workflows. Da die Architektur auf LangGraph basiert, lassen sich neue Vertragsarten einfach als neue Zustandsmaschinen hinzufügen, ohne den Kern zu ändern. Das dedizierte Team dokumentierte die Prompts und die Logik so, dass interne Teams nach dem Piloten kleinere Anpassungen selbst vornehmen können. Wichtig ist, dass die Integration in bestehende Systeme über stabile APIs erfolgt, nicht über manuelle Exporte. Ein häufiger Fehler ist, die KI als Blackbox zu behandeln. Stattdessen sollte der Prozess transparent bleiben, damit menschliche Sachbearbeiter die Entscheidungen nachvollziehen können. Die Kombination aus technischer Präzision und menschlicher Kontrolle ist der Schlüssel zur erfolgreichen Skalierung in regulierten Branchen.
Leave a Reply