LEARNING HUB
Service-TransformationKI-AdoptionChange & Leadership
#05·Versicherung·30. September 2025

LLM im Erstkontakt: Wie aus 4-Minuten-Antworten 40-Sekunden-Dialoge wurden

„Wir haben den Mitarbeitern nicht ein Tool gegeben — wir haben ihnen ihre Aufmerksamkeit zurückgegeben.“
FÜR WEN

Für Service-Leitungen, COOs und Customer-Experience-Verantwortliche, die KI im direkten Kundenkontakt einsetzen wollen — ohne Auto-Reply-Reflex.

Beitrag
8 Min. lesen
● VERFÜGBAR
Podcast
28 Min. hören
○ GEPLANT
Großkonzern Krankenversicherung
Kundenservice Kranken · DE
IMPACT
−74 %
durchschnittliche Erstantwortzeit pro Anfrage
FLOW2IMPACT
Wirksam
SCHLAGWORTE
KI-TransformationCustomer ServiceAdoption
00

Was Sie aus diesem Case mitnehmen

  1. 01

    Warum Mitarbeiter nicht skeptisch gegenüber KI sind, sondern gegenüber Kontrollverlust

  2. 02

    Wie Datenschutz von Tag 1 am Ende Wochen spart

  3. 03

    Warum bewusste Reibung im Workflow Qualitätssicherung ist

  4. 04

    Wie Sie Vertrauen in komplexere Use Cases aufbauen, ohne Mitarbeiter zu überfordern

01

Problemstellung

Im Kundenservice Kranken kamen pro Tag rund 1.800 schriftliche Anfragen. Die Erstbearbeitung dauerte im Schnitt 4 Minuten — davon entfielen 2,5 Minuten auf das Suchen der passenden Bausteine in einem 600-Vorlagen-System. Mitarbeiter fühlten sich als „Vorlagen-Sucher“, nicht als Kommunikatoren.

02

Lösungsmöglichkeit

Drei Optionen: (1) Vollautomatische Antworten für Standardfälle, (2) Vorlagen-System ablösen mit semantischer Suche, (3) LLM-gestützte Vorschläge im bestehenden System. Entschieden wurde Variante 3 — weil die Mitarbeiter weiterhin Entscheider bleiben sollten.

03

Wie wir vorgegangen sind

  1. 1
    Sprint 1 · Mitarbeiter-Workshops

    Drei zweistündige Sessions mit jeweils 8 Mitarbeitern. Ergebnis: Sie wollten Vorschläge, keine Auto-Antworten. Diese Klarheit hat das Projektscoping definiert.

  2. 2
    Sprint 2 · Datenschutz-Klärung

    Datenschutzbeauftragte saß ab Tag 1 mit am Tisch. Genehmigung war in 5 Wochen da — keine Nachverhandlung später.

  3. 3
    Sprint 3 · MVP

    LLM-Sidebar im bestehenden Bearbeitungssystem. 3-Klick-Annahme-Flow: Vorschlag prüfen, anpassen, senden.

  4. 4
    Sprint 4–6 · Iteration

    Wöchentliche Mitarbeiter-Reviews. Vorschlag-Qualität in 6 Wochen von 64 % auf 89 % „direkt brauchbar“ gesteigert.

04

Stolpersteine

  • Erste Vorschläge waren zu generisch — fachliche Tiefe fehlte. Wir mussten 3 Wochen nur an den Prompt-Templates arbeiten.

  • Manche Mitarbeiter haben Vorschläge ungeprüft übernommen. Wir mussten ein bewusstes Reibungs-Element einbauen (Pflicht-Check eines Feldes).

  • IT-Sicherheit wollte initial keine externen LLM-Aufrufe. Lösung: Modell in eigener Cloud-Umgebung gehostet.

05

Learnings

  • Mitarbeiter waren nicht skeptisch gegenüber KI — sie waren skeptisch gegenüber Kontrollverlust. Das ist ein anderer Hebel.

  • Datenschutz von Tag 1 spart Wochen am Ende.

  • Bewusste Reibung im Workflow (z. B. Pflicht-Check) ist kein Hindernis, sondern Qualitätssicherung.

06

Workaround — Change-Kollaps vermeiden

Iterativ statt Big Bang

Wir haben das System nicht für alle 1.800 Anfragen aktiviert, sondern zuerst nur für drei Anfrage-Typen mit klarer Faktenlage (Adressänderung, Beitragsfragen, Bescheinigungen). Erst nach 8 Wochen Wirkungs-Nachweis haben wir komplexere Themen (Leistungs-Anfragen) aktiviert. So konnten Mitarbeiter Vertrauen aufbauen, ohne in der Tiefe überfordert zu werden.

07

Finale Lösung & Maßnahme

LLM-Sidebar produktiv im gesamten Service-Center. Erstantwortzeit von 4:00 auf 1:02 Min (−74 %). Mitarbeiter-Zufriedenheit (NPS intern) +18 Punkte. Vorschlag-Akzeptanz bei 89 %. Nächste Stufe: Erweiterung auf Telefonkanal mit Echtzeit-Vorschlägen.

−74 %
durchschnittliche Erstantwortzeit pro Anfrage
Wirksam
Flow2Impact-Phase
DE
Standort
CASE DURCH

Möchten Sie diesen Lerninhalt vertiefen?

Weitere Cases erscheinen demnächst auch als Podcast. Bis dahin: 30 Minuten direktes Gespräch sind oft schneller.