Der erste Schritt ist die Identifikation des Engpasses. In der Versicherungsbranche geht es selten um die komplette Automatisierung der Kundenkommunikation, sondern um die interne Effizienz. Ein typischer Fall: Ein Team von 20 Mitarbeitern verbringt t\u00e4glich 2 Stunden damit, in PDF-Policen und internen Richtlinien nach relevanten Klauseln zu suchen. Ein RAG-Assistant, der auf diese Dokumente zugreift, reduziert diese Zeit auf 10 Minuten. Die Auswahl des Prozesses erfolgt \u00fcber ein kurzes Audit: Welche Dokumente werden am h\u00e4ufigsten abgefragt? Wo entstehen die meisten Fehler durch veraltete Informationen? Dieser Fokus auf einen einzigen, messbaren Prozess ist der Schl\u00fcssel zum Erfolg im 2-Wochen-Fenster.<\/p>\n
Die Architektur basiert auf LangGraph, da die monatliche Berichterstattung einen deterministischen Ablauf erfordert. LangChain allein reicht f\u00fcr einfache Chains aus, aber f\u00fcr die Aggregation von Daten aus CRM, Dokumentenverwaltung und Excel-Tabellen braucht man die Zustandskontrolle von LangGraph. Das System ruft \u00fcber REST-APIs die aktuellen Kundendaten ab, indiziert neue Dokumente \u00fcber Webhooks und \u00fcbergibt die relevanten Abschnitte an das LLM. Die Vektor-Datenbank (z. B. Weaviate oder Qdrant) l\u00e4uft lokal, um die Datenhoheit zu wahren. Diese Modell-agnostische Herangehensweise erlaubt es, sp\u00e4ter auf offene Modelle umzusteigen, falls die Kosten oder die Compliance-Anforderungen es erfordern.<\/p>\n
Die Integration erfolgt nicht durch den Austausch bestehender Systeme, sondern durch deren Anreicherung. Die REST-APIs des CRM und der Dokumentenverwaltung werden in LangGraph als Tool-Nodes definiert. Webhooks l\u00f6sen bei neuen Dokumenten automatisch die Indizierung aus. Das LLM erh\u00e4lt die relevanten Abschnitte als Kontext und formuliert die Antwort. F\u00fcr die monatliche Berichterstattung aggregiert das System die Daten und generiert einen Entwurf. Ein Mitarbeiter pr\u00fcft die Zahlen und die narrative Zusammenfassung, bevor der Bericht versendet wird. Dieser Human-in-the-Loop-Ansatz stellt sicher, dass keine fehlerhaften Daten in die Berichterstattung einflie\u00dfen, ohne dass ein Mensch sie gepr\u00fcft hat.<\/p>\n
Die 14 Tage sind nur realistisch, wenn der Scope eng gefasst ist. Tag 1-2: Audit und Datenbereinigung. Tag 3-5: Setup der Infrastruktur und Entwicklung der LangGraph-Logik. Tag 6-10: Integration der APIs und Webhooks, Erstellung der Prompts. Tag 11-14: Testing und \u00dcbergabe. Voraussetzung ist, dass die Datenquellen bereits API-f\u00e4hig sind und die Dokumentation strukturiert vorliegt. Ein dediziertes AI-Team \u00fcbernimmt die gesamte Wertsch\u00f6pfungskette, von der Planung bis zum Betrieb. Das reduziert das Risiko von Vendor-Lock-in und stellt sicher, dass das System mit dem Unternehmen mitw\u00e4chst. Die Kosten liegen bei einem Pilot in dieser Gr\u00f6\u00dfenordnung bei 15.000-25.000 CHF, je nach Komplexit\u00e4t der Integration.<\/p>\n
Der Pilot endet nicht mit der \u00dcbergabe des Codes. Das dedizierte Team bleibt f\u00fcr die kontinuierliche Optimierung verantwortlich. Die Prompts werden an neue Gesch\u00e4ftsprozesse angepasst, die Vektor-Datenbank wird gepflegt, und die Fehlerquoten werden monatlich gemessen. Die monatliche Berichterstattung wird als KPI definiert: Wie viel Zeit spart der Assistant? Wie hoch ist die Genauigkeit der Antworten? Diese Metriken bilden die Grundlage f\u00fcr die Entscheidung, ob der Assistant auf weitere Prozesse ausgedehnt wird. In der Versicherungsbranche, wo Fehler in der Kundenkommunikation teuer werden, ist diese kontinuierliche Validierung entscheidend f\u00fcr den langfristigen Erfolg.<\/p>\n","protected":false},"excerpt":{"rendered":"
So automatisieren Schweizer Versicherungsmakler mit LangGraph und RAG ihre interne Wissenssuche und monatliche Berichte. Ein 2-Wochen-Pilot f\u00fcr Teams mit 11-50 Mitarbeitern.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"KI-Wissensassistent f\u00fcr Schweizer Versicherungen: RAG mit LangGraph in 2 Wochen","rank_math_description":"So automatisieren Schweizer Versicherungsmakler mit LangGraph und RAG ihre interne Wissenssuche und monatliche Berichte. Ein 2-Wochen-Pilot f\u00fcr Teams mit 11-50 Mitarbeitern.","rank_math_focus_keyword":"automate monthly reporting internal knowledge search","_yoast_wpseo_title":"","_yoast_wpseo_metadesc":"","_yoast_wpseo_focuskw":"","pll_lang":"de","geo_jsonld":"{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ai-knowledge-assistant-versicherung-schweiz-langgraph-rag\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:49:12.008437151+00:00\",\"datePublished\":\"2026-10-05T23:49:12.008437151+00:00\",\"description\":\"So automatisieren Schweizer Versicherungsmakler mit LangGraph und RAG ihre interne Wissenssuche und monatliche Berichte. Ein 2-Wochen-Pilot f\u00fcr Teams mit 11-50 Mitarbeitern.\",\"headline\":\"KI-Wissensassistent f\u00fcr Schweizer Versicherungen: RAG mit LangGraph in 2 Wochen\",\"inLanguage\":\"en\",\"keywords\":[\"One Process Automated\",\"LangChain and LangGraph\",\"Retrieval-Augmented Knowledge Assistant\",\"Customer Support\",\"11-50\",\"None\",\"Dedicated AI Team\",\"Insurance and Insurtech\",\"Custom REST API and Webhooks\",\"German\",\"Automate Monthly Reporting\",\"Switzerland\",\"2 weeks\",\"Internal Knowledge Search\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/ai-knowledge-assistant-versicherung-schweiz-langgraph-rag\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ai-knowledge-assistant-versicherung-schweiz-langgraph-rag\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein RAG-System (Retrieval-Augmented Generation) erweitert ein Sprachmodell um eine externe Wissensbasis. Statt auf dem Trainingsdatensatz zu antworten, durchsucht das System zun\u00e4chst die eigenen Dokumente (z. B. Policen, FAQs) und \u00fcbergibt die relevanten Abschnitte als Kontext an das LLM. Das reduziert Halluzinationen und h\u00e4lt die Antworten auf dem aktuellen Stand der internen Dokumentation.\"},\"name\":\"Was ist ein Retrieval-Augmented Knowledge Assistant?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"In der Schweiz unterliegen Versicherungen der VIG (Versicherungs\u00fcberwachung) und der FMA (Finanzmarktaufsicht). Auch wenn keine explizite KI-Regelung existiert, gelten die Grunds\u00e4tze der Datenverarbeitung nach DSG (Datenschutzgesetz) und der VVG (Versicherungsvertragsgesetz). Bei der Verarbeitung von Kundendaten muss die Zweckbindung gewahrt bleiben. Ein interner Knowledge Assistant, der keine PII (Personenbezogene Daten) verarbeitet, unterliegt weniger strengen Auflagen als ein System, das direkt mit Kundendaten interagiert.\"},\"name\":\"Welche Compliance-Vorgaben gelten f\u00fcr KI in der Schweizer Versicherung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"LangChain ist ein Framework zur Kette von LLM-Operationen, w\u00e4hrend LangGraph die Ausf\u00fchrung als Zustandsgraph modelliert. F\u00fcr komplexe Workflows wie die monatliche Berichterstattung, bei der mehrere Datenquellen abgefragt, aggregiert und validiert werden m\u00fcssen, bietet LangGraph mehr Kontrolle \u00fcber die Zustands\u00fcberg\u00e4nge und Fehlerbehandlung. Es erlaubt deterministische Pfade und menschliche Interventionspunkte, was f\u00fcr die Qualit\u00e4tssicherung in der Versicherungsbranche entscheidend ist.\"},\"name\":\"Warum LangGraph statt nur LangChain f\u00fcr die Berichterstattung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Integration erfolgt \u00fcber die bestehenden REST-APIs des CRM und der Dokumentenverwaltung. Webhooks werden genutzt, um bei neuen Dokumenten oder ge\u00e4nderten Statuswerten automatisch die Indizierung im RAG-System auszul\u00f6sen. So bleibt die Wissensbasis aktuell, ohne dass manuelle Synchronisationsschritte n\u00f6tig sind. Die API-Endpunkte werden in LangGraph als Tool-Nodes definiert, die das LLM bei Bedarf aufrufen kann.\"},\"name\":\"Wie funktioniert die Integration mit bestehenden Systemen via REST und Webhooks?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein dediziertes AI-Team \u00fcbernimmt die gesamte Wertsch\u00f6pfungskette: von der Prozessanalyse \u00fcber die Architektur-Entscheidung bis zum Betrieb. Im Gegensatz zu einer Agentur, die nur Code liefert, bleibt das Team f\u00fcr die kontinuierliche Optimierung der Prompts, die Pflege der Vektor-Datenbank und die Anpassung an neue Gesch\u00e4ftsprozesse verantwortlich. Das reduziert das Risiko von Vendor-Lock-in und stellt sicher, dass das System mit dem Unternehmen mitw\u00e4chst.\"},\"name\":\"Was bedeutet ein dediziertes AI-Team f\u00fcr die Implementierung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die 14 Tage sind realistisch, wenn der Scope auf einen einzelnen Prozess beschr\u00e4nkt ist. Tag 1-2: Prozess-Audit und Datenbereinigung. Tag 3-5: Setup der Infrastruktur (Vektor-DB, LLM-Anbindung) und Entwicklung der LangGraph-Logik. Tag 6-10: Integration der REST-APIs und Webhooks, sowie die Erstellung der ersten Prompts. Tag 11-14: Testing, Validierung der Berichte und \u00dcbergabe an das interne Team. Voraussetzung ist, dass die Datenquellen bereits API-f\u00e4hig sind und die Dokumentation strukturiert vorliegt.\"},\"name\":\"Ist ein 2-Wochen-Timeline f\u00fcr ein RAG-System realistisch?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Der Assistant ersetzt keine menschliche Entscheidung, sondern beschleunigt die Informationssuche. Ein Mitarbeiter fragt: 'Welche Klauseln gelten f\u00fcr die Teilkasko-Versicherung bei Naturkatastrophen?' Der Assistant liefert die relevanten Abschnitte aus dem Policy-Dokument mit Quellenangabe. Der Mitarbeiter pr\u00fcft die Antwort und nutzt sie f\u00fcr die Kundenkommunikation. Das spart 15-20 Minuten pro Anfrage und reduziert die Fehlerquote bei der Zitation interner Richtlinien.\"},\"name\":\"Wie sieht der typische Use Case f\u00fcr interne Wissenssuche aus?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die monatliche Berichterstattung wird automatisiert, indem LangGraph die relevanten Daten aus dem CRM und der Dokumentenverwaltung abruft, sie aggregiert und in ein standardisiertes Format bringt. Das LLM formuliert die narrative Zusammenfassung, w\u00e4hrend die Zahlen direkt aus den Datenquellen \u00fcbernommen werden. Der Bericht wird als Entwurf generiert, den ein Mitarbeiter pr\u00fcft und freigibt. Das reduziert die manuelle Arbeitszeit von 4 Stunden auf 30 Minuten pro Monat.\"},\"name\":\"Wie wird die monatliche Berichterstattung automatisiert?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ai-knowledge-assistant-versicherung-schweiz-langgraph-rag\/#breadcrumbs\",\"@type\":\"BreadcrumbList\",\"itemListElement\":[{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\",\"name\":\"Home\",\"position\":1},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/\",\"name\":\"Blog\",\"position\":2},{\"@type\":\"ListItem\",\"item\":\"https:\/\/blog.forfis.com\/blog\/ai-knowledge-assistant-versicherung-schweiz-langgraph-rag\/\",\"name\":\"KI-Wissensassistent f\u00fcr Schweizer Versicherungen: RAG mit LangGraph in 2 Wochen\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"4b1f283354c93d02cac819b6e46a7664dccb7d03780f415f2635aaa038788507","footnotes":""},"categories":[57],"tags":[69,47,43],"class_list":["post-173","post","type-post","status-publish","format-standard","hentry","category-insurance-and-insurtech","tag-automate-monthly-reporting","tag-internal-knowledge-search","tag-switzerland"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/173","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/comments?post=173"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/173\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=173"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=173"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=173"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}