Um im Wettbewerb einen Vorteil zu haben, sollen Geschäftsprozesse in Versicherungen möglichst automatisiert ablaufen, d. h. dunkel verarbeitet werden. Zur Steuerung dieser dunkel ablaufenden Prozesse sind sachverhaltsbezogene Daten und Informationen erforderlich. Wenn diese nicht strukturiert, konsistent und vollständig vorliegen bzw. im Rahmen des Posteingangsprozesses erfasst werden, sind folgende Situationen Alltag:

  • Unpräzise getrennte und klassifizierte Dokumente „vermüllen“ die Akten und erhöhen den Aufwand bis relevante Daten gefunden werden. 
  • Sachbearbeiter tippen Daten aus Dokumenten manuell ab, bspw. um zu ermitteln, ob es einen Geschäftspartner schon gibt. Falls nicht, wird geprüft, ob die angegebenen Daten im Dokument überhaupt korrekt sind: Existiert die Straße? Stimmt die Postleitzahl? Und so weiter. Das erhöht den Aufwand.
  • Unpräzise Prüfungen (teilweise aus Zeitgründen) führen zu Doppelungen im Datenbestand. Diese unsauberen Datenbestände behindern die künftige Automatisierung zusätzlich.  
  • Die Bearbeitung erfolgt oft fokussiert auf einen Vorgang und hängt erheblich vom Erfahrungsschatz des einzelnen Sachbearbeiters ab. Doppelabrechnungen, Abrechnungsfehler, Kürzungspotenziale bei Ansprüchen oder Anomalien in den Vorgängen sind mitunter schwer zu erkennen. Dadurch besteht nur eine hohe Abhängigkeit von Spezialisten – in Schadensfällen werden teilweise mehr Ausgaben getätigt als notwendig.

Regelwerke im Inputmanagement limitieren die weitere Automatisierung

Trotz aller Bemühungen, dass Versicherungsnehmer oder Geschädigte ihre Daten strukturiert in Portale eintragen oder Apps benutzen, kommen immer noch täglich viele Dokumente per E-Mail, Brief und sogar Telefax in Versicherungen an.

Anschließend setzt eine lange Verarbeitungskette ein: Die eingegangenen Briefe müssen eingescannt bzw. digitale Dokumente (E-Mails und Faxe) geeignet konvertiert werden. Dann werden sie klassifiziert und mittels automatisierter Prüfmechanismen indiziert. Aus definierten Dokumententypen werden Daten extrahiert und zusammen mit den Dokumenten in Geschäftsprozesse übergeben.

Für die genannten Funktionen werden häufig Standardsysteme verwendet, die auf Schlagworten, Wenn-Dann-Beziehungen und Layout basieren. Ein fachkundiger Sachbearbeiter erklärt einem Business Analyst, was die Software erkennen soll. Dieser übersetzt die fachlichen Anforderungen in technische Vorgaben, die als Regel programmiert werden. Solche Regelwerke sind oft über Jahre gewachsen und entsprechend komplex. Sie berücksichtigen häufig alle fachlichen Folgeprozesse, nicht nur einen abgegrenzten Bereich. Oft haben daher kleinste Änderungen zur Automatisierung von Teilbereichen große Auswirkungen auf alle anderen Bereiche. Diese Komplexität führt dazu, dass Anpassungen zur weiteren Automatisierung teuer sind und die Umsetzung lange dauert.

In der Folge liefern viele Inputmanagement-Systeme nicht alle benötigten, aber tatsächlich in den Dokumenten vorhandenen Fachdaten. Die Konsequenz: Automatisierung und Dunkelverarbeitung stagnieren und bleiben hinter den Erwartungen der Fachbereiche zurück. 

Dunkelverarbeitung in Versicherungen mit KI: Lassen Sie Maschinen den Prozess lernen!

Künstliche Intelligenz und Machine Learning können die gesamte Verarbeitung eingehender Dokumente in kurzer Zeit mit wenigen Beispielen lernen und auf neue Dokumente anwenden. Ausgangspunkt ist ein Paradigmenwechsel im Vergleich zur bisherigen Arbeitsweise:

  • Trainieren statt Programmieren: Statt Regeln zu programmieren, lernen intelligente Systeme die Verarbeitungsschritte von einem fachlichen Experten oder Trainer anhand weniger Beispiele. So lässt sich schnelle Umsetzung mit hoher Flexibilität kombinieren.   
  • Human in the loop: Anhand ihrer Sicherheit (Konfidenz) schlägt die KI im Training Beispiele vor und sondert in der Dunkelverarbeitung Fälle aus. So entsteht ein kontinuierlicher Verbesserungsprozess mit minimierten Aufwand und der Mensch behält die Kontrolle über den Prozess und dessen Qualität.
Dunkelverarbeitung in Versicherungen mit KI

Intelligente Automatisierung im Inputmanagement

Sie sind am Inputmanagement-Prozess in einer Versicherung beteiligt, betreuen Innovations- oder Business Development Prozesse? Dann erwarten Sie in diesem kostenfreien Web-Seminar neue Erkenntnisse. Wir zeigen Ihnen anhand von Praxisbeispielen, wie KI im Einsatz aussieht.

KI im Inputmanagement: Mit weniger Aufwand mehr erreichen

Moderne KI-Plattformen wenden die genannten Grundsätze an und ergänzen die Informationsextraktion um Machine Vision-Verfahren, also der visuellen Verarbeitung der Dokumente:

Damit können z.B. Störungen automatisch kompensiert werden, bspw. störende Hintergründe bei Fahrzeugscheinen oder anderen behördlichen Dokumenten entfernen, um Texterkennung und Extraktion zu verbessern. Außerdem können KI Bausteine ohne menschliches Zutun Dokumente bereits nach visuellen und textlichen Merkmalen gruppieren, um den weiteren Verarbeitungsprozess zielgerichtet zu steuern. Damit werden kritische Geschäftsprozesse priorisiert und zielgerichtet mit einer hohen Automatisierungsquote verarbeitet. Die Erkennungsqualität lässt sich dank automatischer Abläufe bei sinkendem Aufwand nachweislich um mehrere Prozentpunkte erhöhen.

Nur mit wenigen Beispielen zur Dunkelverarbeitung in Versicherungen mit KI 

Anhand von Mustern erlernen KI-Systeme eingehende Dokumente automatisch zu trennen und die Einzeldokumente automatisch zu klassifizieren. So wird das „Zumüllen“ der Akten nachhaltig verhindert und die ordentliche Ablagestruktur verringert den Rechercheaufwand erheblich. 

Ebenfalls anhand von Beispielen erlernen KI-Systeme bereits anhand weniger Beispiele relevante Fachdaten zu erkennen. Wie mit einem Textmarker, mit dem wichtige Stellen im Dokument markiert werden, wird dem System gezeigt, welche Informationen wichtig sind. Es wird kein Programmierer zur „Übersetzung“ benötigt, sondern das System lernt direkt vom Fachexperten. Der Lernprozess ist so robust, dass das System die Veränderungen lernt und sich entsprechend anpasst. Durch diese „Selbstheilungskräfte“ lernender Systeme werden die Fachdaten in deutlich besserer Qualität zur Verfügung gestellt als mit herkömmlichen Verfahren.

Im Laufe der Verarbeitung können darüber hinaus spezielle KI Bausteine (Predictive Analytics) zudem Handlungsempfehlungen in Bezug auf den Inhalt eines Dokuments erlernen und aussprechen. Ein beispielhafter Einsatzbereich ist die Betrugserkennung:

  • Eine Werkstatt rechnet ihre Arbeitsstunden gegenüber einer Versicherung teurer ab als gegenüber Privatpersonen.
  • Das System lernt die typischen Verrechnungssätze von Werkstätten und gibt dem Sachbearbeiter einen Hinweis, dass eine Anomalie vorliegt.
  • Dieser kann die Stundensätze bzw. die Abrechnung entsprechend kürzen und der Versicherung Kosten sparen.

Fazit: Automatisierung und Dunkelverarbeitung in Versicherungen mit KI bei gleichzeitig niedrigeren Kosten

Durch den kombinierten Einsatz mehrerer KI- bzw. Machine Learning-Methoden kann mit weniger Aufwand mehr Qualität in der Fachdatenextraktion erreicht werden. In Summe verbessern sich in den versicherungstechnischen Prozessen nachhaltig Automatisierung und Dunkelverarbeitung bei gleichzeitig niedrigeren Kosten.

Die Einführung und Nutzung solcher Lösungen erfordert kein mehrjähriges Projekt und nur vergleichsweise geringe Investitionen. Mit leistungsfähigen, service-orientierten Architekturen wie der inserve-Plattform lassen sich fachliche Prozesse in wenigen Wochen automatisieren.

Fragen oder Anmerkungen? Wir freuen uns auf Ihr Feedback zum Artikel und einen persönlichen Austausch.

Gerne stehen wir Ihnen bei Fragen rund um den Einsatz von KI zur Erhöhung der Dunkelverarbeitung zur Verfügung.