KI-Wissens- & Automatisierungsplattform für Versicherungen

Von interner Wissensabfrage zu intelligenter Prozessautomatisierung

Überblick / Herausforderung

Versicherungsorganisationen verwalten große Mengen verteilten Wissens über Systeme wie Confluence, Jira und interne Dokumentationen hinweg.

 

Mitarbeitende haben häufig Schwierigkeiten dabei:

  • schnell präzise und aktuelle Informationen zu finden
  • fragmentierte Wissensquellen zu durchsuchen
  • Konsistenz über Dokumentationen und Prozesse hinweg sicherzustellen

Gleichzeitig schränken strenge Datenschutz- und regulatorische Anforderungen den Einsatz cloudbasierter KI-Lösungen ein.

Die Herausforderung bestand darin, ein sicheres und skalierbares KI-System zu konzipieren, das den internen Wissenszugriff verbessert und gleichzeitig die Grundlage für zukünftige Automatisierung schafft.

Unser Ansatz

ArtifiCraft entwickelte eine mehrphasige KI-Transformationsstrategie – von einem System zur Wissensabfrage hin zu einer intelligenten Automatisierungsschicht.

 

Die Lösung kombiniert:

  • RAG-basierte Architekturen
  • On-Premise-LLM-Bereitstellung
  • Strukturierte Datenintegration
  • Schrittweise Entwicklung von KI-Fähigkeiten

Dadurch entsteht unmittelbarer Mehrwert durch einen MVP, während gleichzeitig langfristige Skalierbarkeit ermöglicht wird.

Lösungsarchitektur in 3 Phasen

Phase 1 – Interner Wissens-Chatbot auf RAG-Basis

Ziel: Schnellen und zuverlässigen Zugriff auf internes Wissen ermöglichen

  • Integration mit Confluence und interner Dokumentation
  • Semantische Suche mithilfe von Vektordatenbanken
  • Natürlichsprachliche Abfragen mit kontextuellem Verständnis
  • Transparente Antworten mit Quellenangaben
  • Feedback- und Validierungsmechanismen

Zentrale Wirkung:
Reduziert den Zeitaufwand für die Informationssuche und verbessert den Zugriff auf internes Wissen.

Phase 2 – Integration generativer KI

Ziel: Erweiterung des Systems um intelligente Inhaltserstellung

  • Automatisierte Formatierung und Strukturierung von Meeting-Notizen
  • Erstellung von Workshop-Agenden und internen Dokumenten
  • Integration mit Systemen wie Jira für strukturierte Abfragen
  • On-Premise-LLM-Bereitstellung zur Einhaltung von Datenschutzanforderungen

Zentrale Wirkung:
Entwickelt die Plattform von passiver Wissensabfrage hin zu aktiver Wissensunterstützung.

Phase 3 – Prozessautomatisierung & Reasoning Layer (Vision)

Ziel: Unterstützung von Analysten, Entwicklern und Projektmanagern

  • Strukturierte User Stories aus Rohinformationen generieren
  • Testfälle erstellen und fehlende Abhängigkeiten identifizieren
  • Projektplanung und Dokumentation unterstützen
  • Kontrollierte Code-Vorschläge bereitstellen

Zentrale Wirkung:
Entwickelt sich in Richtung KI-gestützter Workflows und intelligenter Prozessautomatisierung.

Entwickelte Kernfähigkeiten

  1. RAG-basierte Wissensabfrage
    Sicherer und skalierbarer Zugriff auf interne Dokumentation
  2. Datenstrukturierung & Integration
    Confluence, Jira und semi-strukturierte Datenpipelines
  3. On-Premise-KI-Bereitstellung
    Sicherstellung der Einhaltung von Datenschutzanforderungen
  4. Schrittweise KI-Evolutionsstrategie
    Von Retrieval → Generierung → Reasoning

Technologiestrategie

  • LangChain-basierte Architektur
  • Vektordatenbanken, z. B. Weaviate, FAISS
  • Open-Source-LLMs für On-Premise-Bereitstellung
  • API-basierte Integrationen, z. B. Confluence und Jira
  • Prompt Engineering und semi-supervised Learning-Ansatz

Responsible AI & Compliance

Das System wurde mit Datenschutz und Governance im Kern konzipiert:

  • On-Premise-Modellhosting ohne externe Datenexposition
  • Rollenbasierte Zugriffskontrolle
  • Strategien zur Datenanonymisierung und Filterung
  • Vollständige Rückverfolgbarkeit von KI-Ergebnissen
  • Human-in-the-Loop-Validierungsmechanismen

Dadurch wird die Ausrichtung an Enterprise-Compliance und regulatorischen Anforderungen sichergestellt.

Wirkung & strategischer Mehrwert

  • Schnellerer Zugriff auf internes Wissen
  • Reduzierung operativer Ineffizienzen
  • Verbesserte Dokumentationsqualität
  • Grundlage für KI-gestützte Automatisierung
  • Skalierbare Architektur für zukünftige KI-Fähigkeiten