Im Contact Center eines Versicherers wartet der Kunde in der Leitung, während die Mitarbeiterin sich durch Versicherungsbedingungen, Tarife, Prozeduren und mehrere Systeme gräbt. Die Antwort existiert irgendwo, sie ist nur schwer schnell zu finden und sicher als aktuell zu erkennen. Für eine Leitung Kundenservice heißt das eines: Das Wissen ist da, aber es erreicht das Gespräch nicht rechtzeitig. Genau diese Lücke schließt ein AI-Assistent in der Versicherung, gebaut aus RAG in Verbindung mit einem Sprachmodell.
Aus unserer Erfahrung liegt das Schwierige nicht darin, ein Modell aufzusetzen, sondern darin, es in den realen Serviceprozess und in die Quellen der Wahrheit des Unternehmens einzubetten. Für UNIQA, einen der größten Versicherer in Polen, haben wir einen AI-Assistenten für das Contact Center auf dem PLLuM-Modell gebaut, der den Mitarbeitenden fertige Antworten vorschlägt und Notizen in nutzenorientierte Sprache umschreibt - betrieben on premises.
Warum verlieren Mitarbeitende Zeit mit der Suche nach Antworten?
Das Problem liegt selten bei den Menschen. Wissen in der Versicherung ist verstreut, umfangreich und veränderlich: Bedingungen unterscheiden sich je nach Produkt und Jahrgang, Tarife werden aktualisiert, und Prozeduren leben in eigenen Dokumenten. Statt mit dem Kunden zu sprechen, springt die Mitarbeiterin zwischen Tabs und setzt eine Antwort aus mehreren Stellen zugleich zusammen.
Die Folgen kennt jeder, der einen Servicebetrieb führt: Die Bearbeitungszeit wächst, das Risiko widersprüchlicher Antworten steigt, und neue Mitarbeitende brauchen lange, bis sie tragfähig sind. Derselbe Fall kann unterschiedlich enden, je nachdem, wer ihn bearbeitet hat. Das ist kein Motivationsproblem, sondern eines des Wissenszugriffs im Moment des Gesprächs.
Was ist ein AI-Assistent (RAG + LLM) in der Versicherung?
Es ist eine Lösung, die den Abruf aus den eigenen Dokumenten des Unternehmens (RAG) mit der Antworterzeugung durch ein Sprachmodell (LLM) verbindet. Ein LLM allein schreibt gut, kennt aber Ihre Versicherungsbedingungen nicht und kann sich Dinge ausdenken. RAG behebt das, indem es dem Modell konkrete Ausschnitte echter Dokumente als Grundlage gibt.
In der Praxis löst die Frage einer Mitarbeiterin (oder der Inhalt eines Kundenfalls) eine Suche nach den passendsten Ausschnitten in der Basis aus Bedingungen, Tarifen und Prozeduren aus, und das Modell formuliert eine Antwort, die in diesen Quellen verankert ist. Die Mitarbeiterin bekommt also kein allgemeines Gerede, sondern eine Antwort mit einem Dokument dahinter, auf das sie zeigen kann. Für UNIQA haben wir das auf dem Modell PLLuM gebaut, das zur polnischen Sprache des Versicherungsservice passt.
Wie funktioniert der quellenverankerte Abruf aus Bedingungen und Tarifen?
Damit der Assistent vertrauenswürdig ist, zählt die Qualität der Abrufschicht, nicht das Modell allein. Die Dokumente müssen so aufbereitet sein, dass das Modell den richtigen Ausschnitt erreicht:
- Zerlegung der Dokumente in sinnvolle Ausschnitte (Bedingungen, Tarife, Prozeduren), die den Kontext bewahren,
- Vektorindizierung, die Inhalte nach Bedeutung findet und nicht nach Stichwort,
- Verankerung der Antworten in Quellen, mit Verknüpfung des erzeugten Inhalts zu einem konkreten Dokument,
- Aktualisierung der Wissensbasis, wenn sich Tarife oder Bedingungen ändern, ohne alles neu aufzubauen.
Dadurch antwortet der Assistent aus der aktuellen Dokumentation, und das Team weiß, woher jede Antwort stammt. Diese Schicht entscheidet, ob die Lösung eine Demo ist oder ein produktives Werkzeug.
Wie verbinden Sie den Assistenten mit CRM und Servicekanälen (Omnichannel)?
Der Assistent gewinnt erst Wert, wenn er dort lebt, wo die Mitarbeiterin arbeitet, und nicht in einem separaten Fenster. Deshalb entwerfen wir ihn als Teil der bestehenden Serviceumgebung:
- ein AI Suggestions Panel mit fertigen Antworten direkt in der Oberfläche der Mitarbeitenden,
- automatische Zusammenfassungen von Notizen in nutzenorientierter Sprache, die der Kunde versteht,
- Integration mit CRM und Call Center, damit der Assistent den Kontext des Falls sieht,
- eine einzige „Quelle der Wahrheit” im Omnichannel-Modell, konsistent unabhängig vom Kontaktkanal.
Im UNIQA-Projekt haben wir den Assistenten in das CRM und das Call-Center-System eingebunden, sodass er zum gemeinsamen Bezugspunkt über die Kanäle hinweg wurde. Die Mitarbeiterin jagt Antworten nicht mehr an mehreren Stellen, sondern erhält eine im Kontext des Falls.
Wie gehen Sie mit Datensicherheit und Umgebung um (on premises / Private Cloud)?
In der Versicherung sind die Daten sensibel und die regulatorische Messlatte hoch, also muss die Architektur das vom ersten Tag an berücksichtigen. Wir betreiben den Assistenten dort, wo die Daten des Unternehmens unter dessen Kontrolle bleiben: on premises oder in einer Private Cloud, ohne Fallinhalte an öffentliche Modell-APIs zu senden.
Das bringt der Organisation zwei Dinge zugleich: Kundendaten verlassen die kontrollierte Umgebung nie, was die Gespräche mit Security und Compliance vereinfacht, und das Unternehmen behält die Kontrolle über Modell und Wissensbasis. Für UNIQA haben wir den Assistenten genau in einem On-premises-/Private-Cloud-Modell betrieben, was Bedingung für den Produktivgang war.
Warum ist der Mensch in der Schleife unverzichtbar?
Weil das Ziel nicht ist, die Mitarbeiterin zu ersetzen, sondern sie vom mühsamen Suchen zu befreien. Der Assistent entwirft eine Antwort und fasst den Fall zusammen, aber der Mensch entscheidet, was an den Kunden geht, und verbindet so die Geschwindigkeit der Maschine mit Urteilskraft und Empathie.
Für eine Leitung Service hat das auch eine praktische Seite: Der Mensch in der Schleife schützt vor Fehlern und baut das Vertrauen des Teams in das Werkzeug auf. Mitarbeitende nehmen es schneller an, wenn sie sehen, dass es ihre Entscheidungen stützt statt sie zu verdrängen, und das Wissen der besten Mitarbeitenden wird dem ganzen Team zugänglich, statt in wenigen Köpfen zu bleiben.
Wie messen Sie die Wirkung (AHT, Konsistenz)?
Die Einführung eines AI-Assistenten ist ein Geschäftsprojekt, also messen wir sie in Zahlen. Die Hauptrichtungen, die wir gemeinsam mit dem Serviceteam verfolgen:
- AHT (durchschnittliche Bearbeitungszeit) als wichtigste Effizienzkennzahl,
- Kosten pro bearbeitetem Fall, die sinken, weil Fälle schneller geschlossen werden,
- Konsistenz der Antworten, also dieselbe, korrekte Antwort unabhängig von der Person,
- Einarbeitungszeit neuer Mitarbeitender, weil Wissen ab dem ersten Tag verfügbar ist.
Ziel der UNIQA-Einführung war, AHT und Servicekosten zu senken und dabei die Qualität zu halten - deshalb haben wir die Kennzahlen zu Beginn gesetzt und nicht am Ende angeflanscht. So lässt sich der Return on Investment den Entscheidern am einfachsten zeigen.
Welche Kompetenzen stellen wir für ein AI-Projekt in der Versicherung?
Eine solche Einführung braucht ein Team, das Modell, Servicebetrieb und Integrationen zugleich versteht. Wir schneiden es auf den konkreten Umfang zu, nicht „für alle Fälle”:
- LLM/RAG-Engineers, verantwortlich für Modell, Abrufschicht und Antwortqualität,
- MLOps-Spezialisten, die die Lösung in Produktion halten (Deployments, Monitoring, Updates),
- Integrationsingenieure, die den Assistenten mit CRM, Call Center und Dokumentenbasis verbinden,
- Daten- und Sicherheitsarchitekten, die sich um die On-premises-/Private-Cloud-Umgebung kümmern.
Unsere AI/Data-Kompetenz ist real, und wir liefern GenAI-, RAG- und LLM-Projekte in Produktion, nicht nur als Demo. Das ist der Unterschied zwischen einem Schaustück und einer Lösung, die jeden Tag echte Kundengespräche stützt.
Wie machen wir das bei RITS?
Wir machen es als Partner, der AI bis in die Produktion bringt, und nicht als einer, der beim Proof of Concept stehen bleibt. Unser Projekt für einen der größten Versicherer in Polen zeigt das:
- für UNIQA haben wir einen AI-Assistenten für das Contact Center auf dem PLLuM-Modell (RAG + LLM) gebaut, mit einem AI Suggestions Panel in der Oberfläche der Mitarbeitenden,
- wir haben automatische Zusammenfassungen von Notizen in nutzenorientierter Sprache ergänzt und alles zu einer Omnichannel-„Quelle der Wahrheit” verbunden, integriert mit CRM und Call Center,
- wir haben die Lösung on premises / in einer Private Cloud betrieben, damit Kundendaten unter der Kontrolle des Unternehmens blieben,
- wir sind vom Pilot in 8 Wochen auf die Skala der ganzen Organisation gegangen, mit dem Ziel, AHT und Servicekosten zu senken.
Meistens ist das eine AI-Einführung, die bestehende Serviceprozesse unterstützt, und wo Kompetenzen schnell aufzufüllen sind, ergänzen wir unser Team in einem gewählten Kooperationsmodell.
Wo beginnen Sie mit der Einführung eines AI-Assistenten?
Beginnen Sie mit einem konkreten Serviceszenario (zum Beispiel den häufigsten Fragen zum Deckungsumfang) und mit der Frage, welche Dokumente die Wissensbasis speisen müssen. Das definiert den Pilotumfang, die Anforderungen an die Umgebung und die Kennzahlen, die die Wirkung zeigen, bevor Sie in Skalierung investieren. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Sie wollen einen AI-Assistenten (RAG + LLM) in Ihrem Contact Center einführen? Sprechen wir darüber - wir stellen Pilotumfang und Architektur passend zu Ihrer Organisation zusammen.