Die vorliegende Fallstudie ist ein Composite, basierend auf Mustern, die in der Praxis bei mittelst\u00e4ndischen Versicherern in Deutschland beobachtet wurden. Es werden keine realen Kundennamen genannt, um die Vertraulichkeit zu wahren. Die beschriebene Firma, nennen wir sie \u201eNordRisk\u201c, 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 Einf\u00fchrung von KI an sich, sondern die Integration in einen hochregulierten, manuell gepr\u00e4gten Prozess, der unter Zeitdruck stand. Die folgende Analyse zeigt, wie ein dediziertes AI-Team in drei Monaten einen messbaren Wandel im Backoffice herbeif\u00fchrte, ohne die bestehende IT-Landschaft zu ersetzen.<\/p>\n
NordRisk litt unter einer steigenden Fehlerquote bei der Pr\u00fcfung von Neugesch\u00e4ftsvertr\u00e4gen. Manuelle Sachbearbeiter mussten Klauseln gegen interne Richtlinien pr\u00fcfen, die in Confluence-Dokumenten verstreut waren. Die Durchlaufzeit betrug im Schnitt 48 Stunden pro Vertrag, mit einer Fehlerquote von 12 Prozent, die zu Nachtr\u00e4gen und Kundenbeschwerden f\u00fchrte. Der operative Druck kam von zwei Seiten: Erstens drohte ein Verlust von Marktanteilen an schnellere Wettbewerber, zweitens war das Team \u00fcberlastet, da die Vertragsvolumina um 20 Prozent gestiegen waren. Es gab keine Compliance-H\u00fcrden 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 zus\u00e4tzliche Headcount zu stellen.<\/p>\n
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 \u00fcber die API, chunkte sie und speicherte sie in einer Vektordatenbank. Bei der Pr\u00fcfung eines neuen Vertrags f\u00fchrte der Agent eine Retrieval-Augmented Generation (RAG) durch, um die \u00e4hnlichsten 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 best\u00e4tigte oder korrigierte die Einsch\u00e4tzung. Die menschliche Entscheidung wurde als Feedback in das System zur\u00fcckgespielt, um die Genauigkeit zu verbessern. Die Integration erfolgte \u00fcber die bestehenden APIs des ERP-Systems, ohne dass dieses ersetzt wurde.<\/p>\n
Nach drei Monaten Pilotbetrieb zeigte sich ein deutlicher Effekt. Die Fehlerquote sank von 12 Prozent auf 4,2 Prozent, was einer Reduktion von \u00fcber 60 Prozent entspricht. Die Durchlaufzeit pro Vertrag fiel von 48 Stunden auf 18 Stunden, da der Agent die ersten 80 Prozent der Pr\u00fcfung automatisierte und nur noch die kritischen 20 Prozent an den Menschen eskalierte. Der Automatisierungsgrad lag bei 65 Prozent, was bedeutet, dass 65 Prozent der Vertr\u00e4ge ohne menschliche Korrektur durchliefen. Die Zufriedenheit der Sachbearbeiter stieg, da sie sich auf komplexe F\u00e4lle konzentrieren konnten, statt Routineklauseln zu pr\u00fcfen. Die Investition in das dedizierte Team amortisierte sich nach sechs Monaten durch die eingesparten personellen Kosten und die vermiedenen Nachtr\u00e4ge.<\/p>\n
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 hinzuf\u00fcgen, ohne den Kern zu \u00e4ndern. Das dedizierte Team dokumentierte die Prompts und die Logik so, dass interne Teams nach dem Piloten kleinere Anpassungen selbst vornehmen k\u00f6nnen. Wichtig ist, dass die Integration in bestehende Systeme \u00fcber stabile APIs erfolgt, nicht \u00fcber manuelle Exporte. Ein h\u00e4ufiger Fehler ist, die KI als Blackbox zu behandeln. Stattdessen sollte der Prozess transparent bleiben, damit menschliche Sachbearbeiter die Entscheidungen nachvollziehen k\u00f6nnen. Die Kombination aus technischer Pr\u00e4zision und menschlicher Kontrolle ist der Schl\u00fcssel zur erfolgreichen Skalierung in regulierten Branchen.<\/p>\n","protected":false},"excerpt":{"rendered":"
Wie ein mittelst\u00e4ndischer Versicherer in Deutschland mit LangGraph und einem dedizierten AI-Team die Fehlerquote im Backoffice senkt. Eine Fallstudie zur automatisierten Vertragspr\u00fcfung.<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"rank_math_title":"AI-Vertragspr\u00fcfung im Versicherungsbetrieb: Fallstudie NordRisk","rank_math_description":"Wie ein mittelst\u00e4ndischer Versicherer in Deutschland mit LangGraph und einem dedizierten AI-Team die Fehlerquote im Backoffice senkt. Eine Fallstudie zur automatisierten Vertragspr\u00fcfung.","rank_math_focus_keyword":"reduce error rate in the back office contract review","_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-vertragspruefung-versicherung-nordrisk-fallstudie\/#article\",\"@type\":\"Article\",\"author\":{\"@id\":\"https:\/\/blog.forfis.com#org\"},\"dateModified\":\"2026-10-05T23:45:36.362934134+00:00\",\"datePublished\":\"2026-10-05T23:45:36.362934134+00:00\",\"description\":\"Wie ein mittelst\u00e4ndischer Versicherer in Deutschland mit LangGraph und einem dedizierten AI-Team die Fehlerquote im Backoffice senkt. Eine Fallstudie zur automatisierten Vertragspr\u00fcfung.\",\"headline\":\"AI-Vertragspr\u00fcfung im Versicherungsbetrieb: Fallstudie NordRisk\",\"inLanguage\":\"en\",\"keywords\":[\"Scaling Across Departments\",\"LangChain and LangGraph\",\"Predictive Scoring\",\"Finance and Accounting\",\"51-200\",\"None\",\"Dedicated AI Team\",\"Insurance and Insurtech\",\"Notion or Confluence\",\"German\",\"Reduce Error Rate in the Back Office\",\"Germany\",\"3 months\",\"Contract Review\"],\"mainEntityOfPage\":\"https:\/\/blog.forfis.com\/blog\/ai-vertragspruefung-versicherung-nordrisk-fallstudie\/\",\"publisher\":{\"@id\":\"https:\/\/blog.forfis.com#org\"}},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ai-vertragspruefung-versicherung-nordrisk-fallstudie\/#faq\",\"@type\":\"FAQPage\",\"mainEntity\":[{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ein dediziertes Team besteht aus einem Tech Lead, einem ML-Engineer und einem Product Manager, die ausschlie\u00dflich f\u00fcr den Kunden arbeiten. Im Gegensatz zu einer Agentur, die Projekte parallel abwickelt, bleibt das Team \u00fcber den gesamten Zeitraum (hier 3 Monate) konstant. Das reduziert Onboarding-Zeit und sichert Kontinuit\u00e4t bei der Feinabstimmung der Modelle. F\u00fcr Unternehmen mit 51 bis 200 Mitarbeitern ist dieses Modell oft wirtschaftlicher als die Rekrutierung einer kompletten internen AI-Abteilung, da die Kosten fix und planbar sind.\"},\"name\":\"Was versteht man unter einem dedizierten AI-Team im Vergleich zu einer klassischen Agentur?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"LangGraph erlaubt die Definition von Zustandsmaschinen, in denen der Agent zwischen verschiedenen Knoten (z. B. 'Dokument lesen', 'Regel pr\u00fcfen', 'Mensch fragen') wechselt. F\u00fcr die Vertragspr\u00fcfung ist das essenziell, weil der Prozess nicht linear ist: Der Agent muss bei Unsicherheiten in einen Warteknoten wechseln, auf die menschliche Freigabe warten und dann den Prozess fortsetzen. LangChain dient dabei als Abstraktionsschicht f\u00fcr die Anbindung an die LLM-APIs und die Vektordatenbank.\"},\"name\":\"Warum ist LangGraph f\u00fcr komplexe Vertragspr\u00fcfungen besser geeignet als einfache Prompt-Ketten?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Integration erfolgt \u00fcber die REST-APIs von Notion oder Confluence. Der Agent ruft die relevanten Policy-Dokumente ab, chunkt sie und speichert sie in einer Vektordatenbank. Bei der Pr\u00fcfung eines neuen Vertrags wird ein Retrieval-Step ausgef\u00fchrt, der die \u00e4hnlichsten Policy-Aussagen findet. Diese werden als Kontext in den Prompt des LLMs injiziert. So pr\u00fcft der Agent den Vertrag nicht gegen generisches Wissen, sondern gegen die spezifischen, aktuellen Regeln des Versicherers.\"},\"name\":\"Wie werden interne Wissensdatenbanken wie Notion oder Confluence in den AI-Workflow integriert?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Der Agent klassifiziert den Vertrag anhand von Risiko-Scores. Bei niedrigen Risikoprofilen (z. B. Standard-Tarife ohne Sonderklauseln) kann der Agent eine automatische Freigabe vorschlagen, die nur noch stichprobenartig gepr\u00fcft wird. Bei hohen Risikoprofilen oder fehlenden Daten wird der Vertrag an einen menschlichen Sachbearbeiter eskaliert. Die menschliche Entscheidung wird als Feedback-Schleife in das System zur\u00fcckgespielt, um die Genauigkeit der zuk\u00fcnftigen Klassifikationen zu verbessern.\"},\"name\":\"Wie funktioniert der Human-in-the-Loop-Prozess bei der Vertragspr\u00fcfung?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die wichtigsten Metriken sind die Fehlerquote (False Positives und False Negatives bei der Klausel-Erkennung), die Durchlaufzeit (Cycle Time) pro Vertrag und der Automatisierungsgrad (Anteil der Vertr\u00e4ge, die ohne menschliche Korrektur durchlaufen). Zus\u00e4tzlich wird die Zeit bis zur ersten Antwort gemessen, um die Effizienz der Kundenkommunikation zu bewerten. Diese Metriken werden vor dem Piloten als Baseline erfasst und nach 3 Monaten erneut gemessen, um den ROI zu belegen.\"},\"name\":\"Welche KPIs sind f\u00fcr die Erfolgsmessung einer AI-gest\u00fctzten Vertragspr\u00fcfung relevant?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Ja, aber nur f\u00fcr die Daten, die den Kunden betreffen. Da keine Gesundheitsdaten oder besonders sch\u00fctzenswerten Daten im engeren Sinne (wie biometrische Daten) verarbeitet werden, ist die H\u00fcrde niedriger. Dennoch muss die DSGVO beachtet werden: Die Verarbeitung von Vertragsdaten (Name, Anschrift, Vertragsnummer) erfordert eine Rechtsgrundlage (Art. 6 Abs. 1 lit. b DSGVO \u2013 Vertragserf\u00fcllung). Die Datenhaltung muss in der EU erfolgen, und es muss sichergestellt sein, dass keine Daten an Dritte au\u00dferhalb der EU weitergegeben werden, sofern keine Angemessenheitsbeschl\u00fcsse vorliegen.\"},\"name\":\"Gibt es Compliance-H\u00fcrden bei der Verarbeitung von Versicherungsdaten in Deutschland?\"},{\"@type\":\"Question\",\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"Die Skalierung gelingt durch die Modularisierung der Workflows. Da die Architektur auf LangGraph basiert, lassen sich neue Vertragsarten oder Abteilungen einfach als neue Zustandsmaschinen hinzuf\u00fcgen, ohne den Kern zu \u00e4ndern. Das dedizierte Team dokumentiert die Prompts und die Logik so, dass interne Teams nach dem Piloten kleinere Anpassungen selbst vornehmen k\u00f6nnen. Wichtig ist, dass die Integration in bestehende Systeme (CRM, ERP) \u00fcber stabile APIs erfolgt, nicht \u00fcber manuelle Exporte.\"},\"name\":\"Wie l\u00e4sst sich der AI-Workflow auf weitere Abteilungen oder Vertragsarten skalieren?\"}]},{\"@id\":\"https:\/\/blog.forfis.com\/blog\/ai-vertragspruefung-versicherung-nordrisk-fallstudie\/#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-vertragspruefung-versicherung-nordrisk-fallstudie\/\",\"name\":\"AI-Vertragspr\u00fcfung im Versicherungsbetrieb: Fallstudie NordRisk\",\"position\":3}]},{\"@id\":\"https:\/\/blog.forfis.com#org\",\"@type\":\"Organization\",\"name\":\"Forfis\",\"url\":\"https:\/\/blog.forfis.com\"}]}","geo_content_hash":"176ea22fce267dea042dab9566f59f64736ff144cb0e2e4d68c01891d894bd0b","footnotes":""},"categories":[57],"tags":[31,27,49],"class_list":["post-68","post","type-post","status-publish","format-standard","hentry","category-insurance-and-insurtech","tag-contract-review","tag-germany","tag-reduce-error-rate-in-the-back-office"],"_links":{"self":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/68","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=68"}],"version-history":[{"count":0,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/posts\/68\/revisions"}],"wp:attachment":[{"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/media?parent=68"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/categories?post=68"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.forfis.com\/blog\/wp-json\/wp\/v2\/tags?post=68"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}