Wie Eingangspost strukturiert wird, ohne fachliche Verantwortung an ein Modell abzugeben
Eine E-Mail kann gleichzeitig eine Vertragsänderung, eine Rückfrage und einen Anhang mit sensiblen Informationen enthalten. Betreffzeilen sind unklar, Kundennummern fehlen und ein PDF kann wichtiger sein als der Nachrichtentext. Wer hier lediglich „E-Mails automatisch verteilen“ will, unterschätzt den Prozess.
Für kleine Maklerbüros liegt ein realistischer KI-Nutzen zunächst in der Vorbereitung: Inhalte erkennen, Dokumentarten vorschlagen, mögliche Zuordnung anzeigen und fehlende Angaben markieren. Die fachliche Bewertung, Kundenkommunikation und verbindliche Entscheidung bleiben dort, wo Kontext, Verantwortung oder erhebliche Auswirkungen betroffen sind, beim qualifizierten Menschen.
Automatisches Routing kann den falschen Vorgang nur schneller verstecken
- Eine Nachricht enthält mehrere Anliegen, wird aber nur einer Kategorie zugeordnet.
- Das Modell bewertet den E-Mail-Text, obwohl die entscheidende Information im Anhang steht.
- Unsichere Vorschläge werden wie sichere Ergebnisse behandelt.
- Dubletten, Weiterleitungen und bereits bestehende Vorgänge erzeugen parallele Bearbeitung.
- Personenbezogene oder besondere Daten werden ohne geklärte Freigabe in ungeeignete Werkzeuge übertragen.
Ein risikoarmer Pilot in sechs Schritten
EIOPA betont für KI im Versicherungssektor unter anderem Daten-Governance, Dokumentation, Fairness, Cybersecurity, Erklärbarkeit und menschliche Aufsicht. Der EU AI Act und die DSGVO können je nach konkretem Einsatz zusätzliche Anforderungen auslösen. Eine verbindliche rechtliche Einordnung muss use-case-bezogen erfolgen.
- Problem messen: Erfassen Sie Eingangskanäle, Anliegenarten, Liegezeiten, Fehlleitungen, Rückfragen und besonders folgenreiche Fehler.
- Anwendungsgrenze definieren: Starten Sie mit Vorschlägen für Dokumentart, Vorgangsbezug, Prioritätshinweis und fehlende Pflichtangaben – nicht mit automatischer Leistungs- oder Deckungsentscheidung.
- Prüfregeln festlegen: Definieren Sie, welche Vorschläge immer durch Menschen bestätigt werden und ab welcher Unsicherheit der Standardweg abgebrochen wird.
- Datenfluss klären: Prüfen Sie Datenkategorien, Anbieter, Speicherorte, Löschung, Protokollierung, Zugriffsrechte und zulässige Nutzung vor dem Test.
- Im Schattenmodus testen: Lassen Sie das System zunächst parallel vorschlagen, ohne produktiv zu verteilen. Vergleichen Sie Vorschlag und menschliche Referenz.
- Wirtschaftlichkeit bewerten: Stellen Sie gesparte Sortierzeit den Prüfzeiten, Korrekturen, Betriebskosten und Risiken gegenüber. Nur ein beherrschbarer Gesamtprozess verdient Automatisierung.
| Aufgabe | Geeignete KI-Rolle | Verbindliche Kontrolle |
|---|---|---|
| Dokumentart erkennen | Vorschlag mit Konfidenz und Fundstelle | Stichprobe und Regeln für unsichere Fälle |
| Vorgang zuordnen | Mögliche Treffer anzeigen | Mensch bestätigt vor Ablage oder Weiterleitung |
| Fehlende Angaben finden | Hinweis auf erwartete Felder | Fachliche Prüfung der Relevanz |
| Fachentscheidung treffen | Keine autonome Entscheidung im Pilot | Qualifizierte verantwortliche Person |
Ein fiktives Praxisbeispiel
Ein fiktives Maklerbüro testet zunächst 200 bereits abgeschlossene, datenschutzgerecht vorbereitete Eingangsfälle. Die KI schlägt nur Dokumentart, möglichen Bestandsbezug und fehlende Zuordnungsmerkmale vor. Fehlvorschläge werden nach Ursache ausgewertet: unklare Anhänge, mehrere Anliegen, fehlender Kontext oder falsche Referenzdaten. Erst wenn die Fehlerarten verstanden und Kontrollwege belastbar sind, folgt ein begrenzter Live-Pilot mit menschlicher Bestätigung.
Konfidenz ersetzt keine Verantwortung: Eine hohe Modellwahrscheinlichkeit sagt nichts über die wirtschaftliche oder rechtliche Folge eines Fehlers. Prüfintensität muss sich deshalb am Schadenspotenzial und am Kontext orientieren – nicht nur an einem Prozentwert.
Woran Fortschritt erkennbar wird
- Anteil korrekt vorgeschlagener Dokumentarten und Vorgangsbezüge
- Fehlleitungen mit möglicher Frist-, Kunden- oder Datenschutzwirkung
- Prüf- und Korrekturzeit je Eingang
- Anteil der Fälle, die bewusst in den manuellen Standardweg gehen
- Gesamtkosten je bearbeitetem Eingang einschließlich Kontrolle
Kennzahlen sind Steuerungshilfen, keine Ergebnisgarantie. Definition, Datenqualität und betrieblicher Kontext müssen vor einem Vergleich geklärt werden.
Typische Fehlstarts
- Mit einem Chatbot starten, bevor Eingangstypen und Referenzdaten verstanden sind.
- Nur Trefferquote messen und die Folgen seltener Fehlzuordnungen ausblenden.
- Menschliche Prüfung als formalen Klick gestalten, ohne Kontext und Eingriffsmöglichkeit.
Fazit
KI kann den Innendienst entlasten, wenn sie Informationen vorbereitet und Unsicherheit sichtbar macht. Der wirtschaftliche Nutzen entsteht nicht durch maximale Automatisierung, sondern durch einen sauberen Datenfluss, klare Grenzen und wirksame menschliche Kontrolle.
FAQ
Darf KI Kundennachrichten automatisch beantworten?
Das hängt von Inhalt, Daten, Wirkung und konkreter Ausgestaltung ab. Für fachlich oder rechtlich relevante Aussagen ist eine use-case-bezogene Prüfung notwendig.
Welche Trefferquote ist ausreichend?
Eine pauschale Schwelle wäre unseriös. Entscheidend sind Fehlerart, Schadenspotenzial, Kontrollweg und wirtschaftlicher Gesamtnutzen.
Ist Vorsortierung automatisch ein Hochrisiko-System?
Das lässt sich nicht allein aus dem Begriff Vorsortierung ableiten. Zweck, tatsächliche Funktion, betroffene Entscheidungen und geltende Regeln müssen fachkundig eingeordnet werden.
Nächster sinnvoller Schritt
Ziehen Sie eine Stichprobe von 100 bis 200 abgeschlossenen Eingängen. Ordnen Sie Anliegen, Dokumentarten, fehlende Angaben, Bearbeitungszeit und Folgen einer Fehlzuordnung. Erst daraus lässt sich ein sinnvoll begrenzter KI-Pilot formulieren.
Quellen und fachliche Grundlage
- EIOPA – Opinion on AI Governance and Risk Management
- EU AI Act – Verordnung (EU) 2024/1689
- EU-Datenschutz-Grundverordnung – Verordnung (EU) 2016/679
- NIST – Artificial Intelligence Risk Management Framework 1.0
Redaktioneller Hinweis: Der Beitrag bietet fachliche Orientierung. Fiktive Beispiele und mögliche Kennzahlen sind keine Ergebnisgarantie. Rechtliche, normative oder fachliche Anforderungen sind für den konkreten Betrieb aktuell und fachkundig zu prüfen.
