Ticket-Triage in der Schadenabwicklung: KI-Pilot in 4 Wochen

Das Problem: Manuelle Ticket-Triage in der Schadenabwicklung

In der Schadenabwicklung eines Schweizer Versicherers mit über 2000 Mitarbeitern landen täglich 1500 bis 3000 Tickets im Helpdesk. Die manuelle Triage – also die Zuordnung an den richtigen Fachbereich (Kfz, Hausrat, Kranken, Betriebshaftpflicht) – dauert im Durchschnitt 45 Minuten pro Ticket und erzeugt eine Fehlerquote von 8 %. Das bedeutet: 120 bis 240 Tickets pro Tag werden falsch zugeordnet, müssen manuell umgeleitet werden und verzögern die Regulierung. Die Folge: höhere Bearbeitungskosten, unzufriedene Kunden und ein erhöhtes Risiko, dass die FINMA bei einer Prüfung die Nachvollziehbarkeit der Zuordnung bemängelt. Die Lösung ist eine KI-gestützte Triage, die die Tickets klassifiziert, eine Routing-Entscheidung vorschlägt und nur bei Unsicherheit an einen Menschen übergibt. Der Pilot läuft in 4 Wochen, nutzt LangGraph für den Workflow und integriert sich in den bestehenden SAP- oder Microsoft Dynamics-ERP.

Voraussetzungen vor dem Start

Bevor du mit Schritt 1 beginnst, brauchst du folgende Voraussetzungen: Ein dokumentierter Prozess-Audit der Ticket-Triage, der die aktuellen Kategorien, Routing-Regeln und Fehlerquellen beschreibt. Zugang zu den APIs des Helpdesk-Systems (z. B. Jira Service Management, Salesforce Service Cloud oder ServiceNow) und des ERP-Systems (SAP S/4HANA oder Microsoft Dynamics 365 Finance & Operations). Eine Datenklassifikation, die festlegt, welche Ticket-Texte regulierte Daten (z. B. Gesundheitsdaten) enthalten und welche nicht. Ein dediziertes AI-Team mit mindestens einem Data Engineer, einem ML-Engineer und einem Produktmanager, das für die 4 Wochen verfügbar ist. Ein klar definiertes Erfolgskriterium: Zyklenzeit unter 3 Minuten, Fehlerquote unter 2 %.

Die 6 Schritte zum Piloten

1. Prozess-Audit und Baseline-Messung: Du dokumentierst den aktuellen Triage-Prozess und misst die Zyklenzeit und Fehlerquote über 2 Wochen. Du exportierst 5000 historische Tickets aus dem Helpdesk und kennzeichnest sie manuell mit der korrekten Kategorie. Diese Daten bilden die Testmenge für den Piloten. 2. LangGraph-Workflow aufbauen: Du definierst den Zustandsgraphen in LangGraph. Die Knoten sind: ‘Ticket-Eingang’, ‘Klassifikation’ (LLM-Aufruf), ‘Konfidenz-Check’, ‘Routing-Entscheidung’, ‘Menschliche Freigabe’ (optional), ‘SAP-Update’. Die Kanten steuern den Übergang: Wenn die Konfidenz unter 0.85 liegt, geht es zum ‘Menschliche Freigabe’-Knoten. 3. LLM-Integration: Du wählst das Modell. Für reguläre Tickets: OpenAI GPT-4o oder Anthropic Claude 3.5 Sonnet über API. Für Tickets mit Gesundheitsdaten: Llama 3 70B auf eigener Hardware. Du implementierst die API-Aufrufe in LangChain und verbindest sie mit dem LangGraph-Knoten ‘Klassifikation’. 4. SAP-Integration: Du verbindest den LangGraph-Workflow mit der SAP-API. Die Routing-Entscheidung wird als Feld im SAP-Objekt (z. B. ‘Zuordnung’ im Schadenfall) aktualisiert. Du nutzt die SAP BTP-API oder die Microsoft Dynamics 365-API, je nach ERP-System. 5. Pilotbetrieb starten: Du schaltest den Workflow im Helpdesk ein. Alle neuen Tickets laufen durch die KI-Triage. Die menschliche Freigabe ist aktiv: Jeder Routing-Vorschlag wird von einem Mitarbeiter bestätigt oder korrigiert. Du misst wöchentlich die Zyklenzeit und Fehlerquote. 6. Auswertung und Rollout-Entscheidung: Nach 4 Wochen vergleichst du die Piloten-Zahlen mit der Baseline. Wenn die Fehlerquote unter 2 % und die Zyklenzeit unter 3 Minuten liegt, startest du den Rollout auf weitere Abteilungen.

Häufige Stolperfallen und wie du sie erkennst

• Konfidenz-Schwelle zu niedrig: Wenn du die Schwelle auf 0.70 setzt, werden zu viele Tickets an den Menschen übergeben, und der manuelle Aufwand sinkt nicht. Du erkennst das, wenn die Quote der ‘Menschliche Freigabe’-Übergänge über 30 % liegt. Lösung: Schwelle auf 0.85 erhöhen und die Prompt-Engineerung optimieren. – SAP-API-Latenz: Wenn die SAP-API über 2 Sekunden antwortet, verzögert sich der gesamte Workflow. Du erkennst das an der Zyklenzeit, die über 5 Minuten steigt. Lösung: Asynchrone Verarbeitung über eine Message Queue (z. B. RabbitMQ oder Kafka) einbauen. – Halluzinationen bei seltenen Kategorien: Wenn die KI eine Kategorie vorschlägt, die im Prompt nicht definiert ist, ist das eine Halluzination. Du erkennst das an der Fehlerquote, die bei bestimmten Ticket-Typen über 5 % liegt. Lösung: Den Prompt mit expliziten Kategorien und Beispielen erweitern und die Testmenge um diese Fälle ergänzen. – Datenlecks bei Gesundheitsdaten: Wenn ein Ticket mit Gesundheitsdaten an ein Cloud-LLM gesendet wird, verstößt das gegen die DSGVO und die FINMA-Vorgaben. Du erkennst das im Logging, wenn die Datenklassifikation ‘reguliert’ ist, aber der LLM-Aufruf an eine externe API geht. Lösung: Die Datenklassifikation im LangGraph-Workflow als Gate nutzen und bei ‘reguliert’ automatisch auf das lokale Modell umschalten.

Nächster Schritt: Skalierung auf weitere Abteilungen

Der Pilot ist abgeschlossen, wenn die Fehlerquote unter 2 % und die Zyklenzeit unter 3 Minuten liegt. Der nächste Schritt ist die Skalierung auf weitere Abteilungen: Prävention, Vertragsmanagement, Reklamationen. Der LangGraph-Workflow wird adaptiert, die SAP-Integration bleibt gleich, die menschliche Freigabe bleibt bei allen Abteilungen, die mit Geld, Gesundheitsdaten oder Verträgen arbeiten. Das dedizierte AI-Team dokumentiert die Änderungen im Repository und misst die Fehlerquote pro Abteilung separat. Die EU AI Act-konforme Dokumentation (Risikobewertung, Logging, menschliche Aufsicht) wird für jede neue Abteilung aktualisiert. Der Rollout dauert pro Abteilung 2 bis 3 Wochen, da der Workflow adaptiert und getestet werden muss.