Die manuelle Datenerfassung als Flaschenhals in der Schadenabteilung
In deutschen Versicherungskonzernen mit über 2.000 Mitarbeitern staut sich die Arbeit in der Schadenabteilung. Mitarbeiter verbringen 40 bis 60 Prozent ihrer Zeit mit manueller Datenerfassung: Sie kopieren Informationen aus E-Mails, PDFs und Anrufen in das CRM oder das ERP-System. Die Bearbeitungszeit pro Ticket liegt bei 15 bis 25 Minuten, die Fehlerquote bei 3 bis 5 Prozent. Diese Fehler führen zu Regressforderungen, Verzögerungen bei der Auszahlung und unzufriedenen Kunden. Die betroffenen Rollen sind Sachbearbeiter in der Schadenabteilung, die unter Zeitdruck stehen und gleichzeitig die Qualität der Daten sicherstellen müssen. Das Problem ist nicht mangelnde Motivation, sondern die Struktur der Arbeit: Die Daten liegen in unstrukturierten Formaten vor, während die Systeme strukturierte Eingaben erwarten. Diese Diskrepanz erzeugt einen manuellen Übersetzungsschritt, der weder skalierbar noch fehlerfrei ist.
Warum klassische Automatisierungsansätze in der Versicherung scheitern
Viele Unternehmen greifen zu klassischen RPA-Tools (Robotic Process Automation), die auf regelbasierten Logiken basieren. Diese Tools scheitern an der Variabilität der Eingaben: Eine E-Mail kann in 50 verschiedenen Formulierungen denselben Sachverhalt beschreiben. RPA kann nur exakte Muster erkennen, nicht den semantischen Inhalt. Andere Ansätze setzen auf generative KI ohne Kontext: Die KI extrahiert Daten, aber ohne Bezug zu den historischen Tickets oder den internen Richtlinien. Das Ergebnis ist eine hohe Genauigkeit bei einfachen Fällen, aber eine hohe Fehlerquote bei komplexen Sachverhalten. Ein dritter Ansatz ist die vollständige Automatisierung ohne menschliche Kontrolle. Das verstößt gegen die Anforderungen des EU AI Act und die internen Compliance-Vorgaben, insbesondere bei Gesundheitsdaten oder Regressforderungen. Die Kombination aus mangelnder Kontextualisierung und fehlender menschlicher Aufsicht macht diese Ansätze für den produktiven Einsatz in der Versicherung ungeeignet.
Der Forfis-Ansatz: KI-gestützte Triage mit menschlicher Aufsicht
Forfis setzt auf eine Integration, die die bestehenden Systeme nicht ersetzt, sondern ergänzt. Der Ansatz beginnt mit einem Prozess-Audit, das die Workflows identifiziert, die sich für die Automatisierung eignen. Im Zentrum steht die Ticket-Triage: Ein LLM analysiert den Inhalt des Tickets, klassifiziert den Schadenfall und schlägt eine Routing-Entscheidung vor. Die Architektur nutzt pgvector für die semantische Suche in den historischen Tickets und den internen Richtlinien. Das System ist modell-agnostisch: OpenAI oder Anthropic APIs für die Qualität, Open-Weight-Modelle auf eigener Hardware für regulierte Daten. Die Integration erfolgt über die Microsoft Teams API: Ein Bot informiert die Mitarbeiter über neue Tickets, schlägt die Routing-Entscheidung vor und protokolliert die Interaktion. Die menschliche Aufsicht bleibt erhalten: Der Mitarbeiter bestätigt oder korrigiert die Vorschlag mit einem Klick. Diese Human-in-the-Loop-Architektur gewährleistet die Compliance und die Akzeptanz bei den Mitarbeitern.
Vier Schritte zur produktiven Implementierung in 4 Wochen
Die Implementierung erfolgt in einem 4-Wochen-Sprint. Woche 1: Prozess-Audit und Datenanalyse. Die bestehenden Tickets werden analysiert, um die häufigsten Kategorien und die typischen Fehlerquellen zu identifizieren. Woche 2: Setup der Infrastruktur. pgvector wird in die bestehende PostgreSQL-Datenbank integriert, die APIs zu Microsoft Teams und dem CRM werden eingerichtet. Woche 3: Modell-Training und Prompt-Engineering. Das LLM wird mit den historischen Tickets trainiert, die Prompts werden für die spezifischen Anforderungen der Versicherung optimiert. Woche 4: Integration in Microsoft Teams und UAT. Der Bot wird in den relevanten Channels aktiviert, die Mitarbeiter testen das System im Parallelbetrieb. Die Ergebnisse werden gemessen: Bearbeitungszeit, Fehlerquote, Akzeptanz bei den Mitarbeitern. Bei Erfolg erfolgt der Go-Live, bei Problemen das Feintuning. Dieser strukturierte Ansatz minimiert das Risiko und gewährleistet eine schnelle Amortisation.
Stolpersteine und wie man sie vermeidet
Die häufigsten Stolpersteine sind die mangelnde Datenqualität und der Widerstand der Mitarbeiter. Wenn die historischen Tickets unvollständig oder inkonsistent sind, kann das Modell keine zuverlässigen Vorschläge machen. Ein Prozess-Audit ist daher der erste Schritt, um die Datenqualität zu verbessern. Der Widerstand der Mitarbeiter entsteht durch die Angst vor Jobverlust. Die Kommunikation muss klarstellen, dass die KI die manuelle Datenerfassung übernimmt, nicht die Mitarbeiter. Die Mitarbeiter werden zu Kontrolleuren und Auszahlern, nicht zu Datenerfassern. Ein weiterer Stolperstein ist die fehlende Monitoring-Strategie. Das Modellverhalten kann sich mit der Zeit ändern (Drift). Ein Dashboard, das die Genauigkeit und die Akzeptanz der Vorschläge überwacht, ist daher zwingend. Bei Abweichungen wird das Modell neu trainiert oder die Prompts angepasst. Diese kontinuierliche Verbesserung gewährleistet die langfristige Zuverlässigkeit des Systems.
Leave a Reply