Kundenassistent für Banken und Versicherungen (transaktional)

Banken und Versicherer bearbeiten riesige Mengen wiederkehrender Anliegen: verlorene Karte, Dauerauftrag, Adressänderung, Schadenstand, Versicherungsbescheinigung. Ein transaktionaler Assistent verbindet eine LLM-Dialogschicht mit authentifiziertem Zugriff auf Kernsysteme, sodass der Kunde die Aufgabe im Gespräch abschließt. Anders als ein FAQ-Bot (CONV-001) handelt er über Geld und Verträge und braucht deshalb deterministische Transaktionskontrollen, starke Kundenauthentifizierung und eine klare Übergabe an Menschen.

Problem & Nutzen

• Heute: Kunden nutzen App-Menüs, Hotlines und Filialen. Kontaktzentren sind teuer, bei Kartenverlust, Schäden und Vertragsänderungen bilden sich Warteschlangen, und regelbasierte Bots aus den Jahren 2016-2022 scheitern an freier Sprache.
• KI-Nutzen: Zugang in natürlicher Sprache zu den vorhandenen Self-Service-Funktionen, Verfügbarkeit rund um die Uhr, kürzere Bearbeitung einfacher Anliegen, Entlastung der Mitarbeiter, die vorstrukturierte Fälle erhalten, und ein dialogbasierter Einstieg für die Erstmeldung von Schäden (First Notice of Loss, FNOL).
• Belege für die Größenordnung: Die Bank of America berichtet, dass ihr Assistent Erica fast 50 Millionen Nutzer bedient und 3 Milliarden Interaktionen überschritten hat und dass eine interne Erica-Version die Anrufe beim IT-Service-Desk halbiert hat [1]. Das ist ein US-System aus überwiegend vorgenerativer KI-Zeit; werten Sie es als Beleg für die Akzeptanz, nicht als EU-Maßstab. Erwarten Sie keine übertragbaren prozentualen Einsparungen ohne einen Pilot in Ihren eigenen Kanälen.

Varianten

• Privatkundengeschäft (Retail Banking): Kontostände, Transaktionssuche („Was war die Abbuchung über 80 EUR am Freitag?"), Kartensperre/Limit, SEPA-Überweisungsentwürfe, Daueraufträge, Ausgabenübersichten.
• Versicherung: FNOL für Kfz/Hausrat/Reise, Schadenstand, Dokumenten-Upload, Vertragsänderungen, Anforderung von Bescheinigungen und Rechnungen, Assistent für Makler. Die fotobasierte Schadenbewertung ist ein eigener Baustein (VIS-023); die vollständige Schadenautomatisierung ist AGENT-014.
• Sprachkanal: derselbe Agent hinter einer Telefonleitung (CONV-002) mit sprachbasierten Alternativen zur Authentifizierung.
• Hier nicht enthalten: Kreditentscheidungen und risikobasierte Versicherungstarifierung (PRED-009, PRED-010), die Anwendungen mit hohem Risiko sind.

So funktioniert es

Kundennachricht (App / Web / WhatsApp / Sprache)
  -> Guardrails (PII-Maskierung, Filter gegen Prompt-Injection und Themenabweichung)
  -> Intent- + Slot-Routing (kleiner Klassifikator / LLM)
  -> Lesepfad: RAG über Produktbedingungen und FAQ  |  Kontodaten-Werkzeuge (schreibgeschützte APIs)
  -> Schreibpfad: vorgeschlagene Aktion -> starke Kundenauthentifizierung (SCA) -> explizite Bestätigungskarte
       -> deterministische Transaktions-API (Limits, Vier-Augen-Regeln, Idempotenz)
  -> Antworterzeugung mit Quellenangaben; Compliance-Formulierungen aus Vorlagen
  -> Übergabe an Menschen mit Zusammenfassung, authentifiziertem Kontext und Transkript
  -> Audit-Log (Prompt, Werkzeugaufrufe, Bestätigungen)

• LLM als Orchestrator, nicht als Autorität: Das Modell wählt Werkzeuge und füllt Parameter; Beträge, Limits, Anspruchsberechtigung und der Wortlaut verbindlicher Aussagen kommen aus deterministischen Diensten und freigegebenen Vorlagen. Ein Modell bewegt nie Geld allein aufgrund seiner Textausgabe.
• Authentifizierung: Die Sitzung ist an den angemeldeten App-Nutzer gebunden; zahlungsrelevante Aktionen lösen den bestehenden SCA-Ablauf der Bank (PSD2) in der App aus, außerhalb des Chats. Geben Sie Zugangsdaten oder vollständige Kartennummern niemals durch den LLM-Kontext.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eskalation bei geringer Sicherheit, Beschwerden, Hinweisen auf Schutzbedürftigkeit (Todesfall, finanzielle Notlage, Betrugsverdacht), Beratungsanfragen und jedem regulierten Beratungs- oder Kreditthema.

Datenaufbereitung

Der Assistent braucht zwei Arten von Daten. Erstens Wissen: Produktbedingungen, Tarife, FAQ und Beschreibungen der Schadenprozesse, die typischerweise in einem DMS, auf Intranetseiten, in PDFs und in den Köpfen der Servicemitarbeiter liegen. Zweitens Transaktionszugriff: Kunden-, Konten-, Vertrags- und Schadendaten in Kernsystemen, die nur über authentifizierte APIs erreicht werden, niemals durch Kopieren von Daten in das Modell.

Typische Lücken: veraltete oder widersprüchliche Tarifdokumente, eingescannte ältere Bedingungen, mehrere Versionen derselben FAQ, kein klarer Verantwortlicher je Produkt und Kernsysteme ohne saubere APIs. Kundendaten dürfen nicht indexiert werden; angezeigt wird nur das sitzungsbezogene API-Ergebnis.

Schritte der Aufbereitung: Quellen erfassen und Verantwortliche zuweisen (PREP-001, PREP-004), eine maßgebliche Wissensbasis mit Prüfzyklen aufbauen (PREP-013, PREP-017), mit Servicefachleuten einen Testdatensatz aus echten, anonymisierten Kundenanfragen erstellen (PREP-018, PREP-022), Anliegen (Intents) und Übergabekategorien festlegen (PREP-019) und Kernfunktionen als schmale, geprüfte API-Werkzeuge bereitstellen (PREP-005). Prüfen Sie außerdem die Rechtsgrundlage für die Weiterverwendung von Chatprotokollen (PREP-025). Werkzeuge: Dokumentkonverter und OCR, eine Vektordatenbank, API-Gateway, Pseudonymisierung von Protokollen. Grober Anteil am Aufwand: etwa 30 bis 40 Prozent, überwiegend für die API-Anbindung und die Pflege der Wissensbasis.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Banken, Versicherer): Weg B, weil der Assistent Kernbanken- oder Bestandssysteme über eigene APIs mit starker Authentifizierung und Prüfspur aufrufen muss und eine gemeinsame interne KI-Plattform die Transaktionskontrollen unter Ihrer eigenen Steuerung hält.
• Entwickler (Integratoren, Fintech-/Insurtech-Anbieter): Weg B, weil Cloud-KI-Dienste in EU-Regionen den schnellen Aufbau der Dialog- und Werkzeugschicht erlauben, während die deterministische Transaktionslogik in Ihrem eigenen Code bleibt.

Weg A — Kaufen (Standardsoftware)

• Plattformen für Dialog-KI mit Referenzen im Finanzsektor: Kore.ai, Cognigy (NiCE), Parloa (EU, Schwerpunkt Sprache), Sprinklr, Salesforce Agentforce for Financial Services, Microsoft Copilot Studio mit Dynamics, Google Customer Engagement Suite, Amazon Connect mit Bedrock-Agenten. Aus der EU oder in der EU betreibbar: Cognigy (DE), Parloa (DE), Rasa (DE/US, On-Premises möglich).
• Wählen Sie A, wenn: Sie kein eigenes Dialog-Team haben und vorgefertigte Konnektoren, Prüfprotokolle, Auswertungen und Anbindung an den Agenten-Arbeitsplatz brauchen. Prüfen Sie Datenspeicherung in der EU, Unterauftragsverarbeiter und ob der Anbieter Prompts für Trainingszwecke protokolliert.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Mistral (EU) über La Plateforme oder private Bereitstellung; Anthropic Claude, OpenAI GPT und Google Gemini über Angebote in EU-Regionen (Azure OpenAI EU Data Zone, Vertex AI EU, AWS Bedrock Frankfurt/Paris/Irland). Nutzen Sie Tool Calling mit strikten JSON-Schemata.
• Orchestrierung: LangGraph, Semantic Kernel oder ein einfacher Zustandsautomat; MCP-Werkzeuge nur hinter einem API-Gateway mit eng begrenzten Tokens.
• Schutzmechanismen (Guardrails): Azure Prompt Shields, Klassifikatoren der Llama-Guard-Klasse, Presidio für personenbezogene Daten.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight-Modelle wie Mistral Small/Medium-Klasse, Llama, Qwen3 oder gpt-oss-Familien, betrieben mit vLLM; Embeddings wie BGE-M3 oder multilingual-e5; Reranker aus der BGE-Familie.
• Stack: Rasa (Open-Source-Framework mit deterministischen Abläufen plus LLM-Verständnis), Haystack oder LlamaIndex für die Suche, Presidio für personenbezogene Daten, Keycloak für Identitäten, Langfuse für das Tracing.
• Hardware: HW3 für ein Modell der Klasse ~70-120B mit paralleler Nutzung; kleinere Routing-Modelle laufen auf HW2. Viele Institute wählen dies aus Gründen der Datenhoheit und des DORA-Drittparteienrisikos.

Weg D — Eigenes Training

Ein kleines Modell für die Intent-Klassifikation und Bankfachsprache mit mehreren tausend anonymisierten, annotierten Gesprächen feintunen. Nicht für Fakten; nutzen Sie Suche und Werkzeuge.

Stand der Technik (2026)

• Agentische Werkzeugnutzung mit schemabeschränkten Aufrufen ist produktionsreif; das schwierige Problem hat sich auf den sicheren Entwurf von Aktionen verlagert: Bestätigungsschritte, idempotente APIs, Limits und Schutz vor Wiederholung.
• Hybrider Entwurf (deterministische Transaktionsabläufe, LLM für Verständnis und Formulierung) ist das, was Risikoteams akzeptieren; freie Agenten mit Schreibzugriff bleiben selten.
• Grenzen und Fehlerbilder: erfundene Produktbedingungen oder Deckungsaussagen (ein Risiko verbindlicher Aussagen, besonders in der Versicherung), falscher Konto- oder Schadenkontext, Prompt Injection über Schadenanhänge, uneinheitliche Antworten in verschiedenen Sprachen, übermäßig selbstsicherer Umgang mit schutzbedürftigen Kunden und Latenz bei Aufrufen von Kernsystemen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack wie CONV-001 (RAG, Guardrails, Kanal-Gateway), CONV-002 (Sprache), CONV-007 (Agentenunterstützung teilt Wissensbasis und Fallzusammenfassung), CONV-026 (eingebetteter Copilot in der Banking-App) und KNOW-002.
• Nachgelagert und benachbart: DOC-003 (Schaden- und Kreditformulare), AGENT-014 (Schadenworkflow), AGENT-015 (KYC), VIS-023 (Schadenbewertung per Foto), ANOM-009 (Betrugssignale, die eine zusätzliche Authentifizierung oder eine Sperre auslösen sollten).
• Nicht ohne gesonderte Bewertung zu mischen: PRED-009 und PRED-010. Sammelt der Assistent Daten, die für Kredit-Scoring oder die Tarifierung in Lebens-/Krankenversicherung verwendet werden, wird diese Komponente zu einem eigenen Hochrisiko-System.

Aufwand, Kosten & Kennzahlen

• Weg A: 2-4 Monate für einen ersten Umfang (3-10 Intents) einschließlich Kernsystem-Konnektor und Sicherheitsprüfung; die Lizenz richtet sich üblicherweise nach Gespräch oder Lösung.
• Weg B: 4-9 Monate für einen produktionsreifen transaktionalen Bot inklusive SCA-Integration, Tests und Compliance-Freigabe; die Betriebskosten werden von Integration und Betrieb bestimmt, Modell-Tokens sind nachrangig.
• Weg C: 6-12 Monate und ein Plattformteam.
• Kennzahlen: Abschluss-/Lösungsquote je Intent (abgeschlossen, nicht bloß beantwortet), Qualität der Übergabe (keine wiederholten Fragen), Kundenzufriedenheit (CSAT), Lösung im Erstkontakt, Quote falscher Aktionen (Ziel nahe null), Eskalationsquote bei schutzbedürftigen Kunden, Beschwerdequote, Vollständigkeit der FNOL und Kosten je gelöstem Kontakt.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung, der Abteilungsleitung für Kundenservice und der IT, und beziehen Sie dann IT-Sicherheit, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und Recht/Compliance ein, bevor ein Entwurf festgeschrieben wird, denn Transaktionen, starke Kundenauthentifizierung und Branchenregeln (z. B. Vorgaben der BaFin) prägen die Architektur. Eine Datenschutz-Folgenabschätzung (DSFA) ist sehr wahrscheinlich (Kundendaten in großem Umfang, neue Technologie), und jeder Anbieter braucht einen Auftragsverarbeitungsvertrag (AVV) (Art. 28 DSGVO).

Betriebsrat: abhängig vom Einzelfall. Erhalten Servicemitarbeiter Übergabefälle, Qualitätsbewertungen oder Gesprächsauswertungen, ist das System objektiv zur Leistungsüberwachung geeignet; damit greift die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG, § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsabläufe, und § 80 Abs. 3 erlaubt die Hinzuziehung eines Sachverständigen. Vereinbaren Sie früh eine Betriebsvereinbarung zu den Auswertungen.

KI-Kompetenz: Unterstützen Sie Mitarbeiter und Agenten mit Schulungen (KI-Verordnung (AI Act) Art. 4; siehe GUIDE-006). Kommunizieren Sie offen, dass der Assistent wiederkehrende Aufgaben abnimmt und die Mitarbeiter komplexe und emotionale Fälle übernehmen. Starten Sie den Pilot mit einer Produktlinie und einer Gruppe freiwilliger Agenten, mit einer sichtbaren Option „Mit einem Menschen sprechen". Typische Sorge: Arbeitsplatzverlust und falsche Transaktionen; begegnen Sie dem mit Bestätigungsschritten, Limits je Transaktion und menschlicher Freigabe bei riskanten Aktionen. Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Ein kundennaher Assistent hat überwiegend begrenztes Risiko (Art. 50: Nutzer müssen informiert werden, dass sie mit einer KI sprechen, sofern das nicht offensichtlich ist). Er wird zum Hochrisiko-System, wenn er die Kreditwürdigkeitsprüfung natürlicher Personen oder die Risikobewertung und Tarifierung in der Lebens- und Krankenversicherung ausführt oder wesentlich speist (Anhang III) [2]. Betrugserkennung ist von der Kategorie Kredit-Scoring ausgenommen. Für die normale Servicenutzung gilt kein Verbot nach Art. 5, vermeiden Sie aber Emotionserkennung zur Manipulation von Kunden, das Ausnutzen von Schutzbedürftigkeit oder unterschwelliges Drängen zu Produkten. Die KI-Kompetenz (Art. 4) gilt für Mitarbeiter. Die Zuordnung der EBA von 2025 ergab geringe Reibung zwischen der KI-Verordnung und dem Bankenrecht, und die Stellungnahme der EIOPA vom August 2025 wendet die bestehende Governance nach Solvency II und IDD auf KI in der Versicherung an [3][4].
• DSGVO: Verarbeitung von Konto- und Schadendaten (Gesundheitsdaten in Schadenfällen fallen unter Art. 9); Rechtsgrundlage, DSFA, Aufbewahrung, Betroffenenrechte an Protokollen. Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung dürfen nicht ohne Schutzmaßnahmen ausschließlich automatisiert ergehen (Art. 22) [5]; Ablehnungen von Schäden oder Produktänderungen brauchen daher eine menschliche Prüfung.
• Finanzregulierung: PSD2-SCA für Zahlungsaktionen, MiFID-II-/IDD-Regeln (der Bot darf keine ungeeignete Beratung geben und keinen unlauteren Verkaufsdruck ausüben), Beschwerdebearbeitung, Aufzeichnungspflichten. DORA verlangt Risikomanagement für IKT-Drittparteien, Meldung von Vorfällen und Ausstiegspläne für LLM-Anbieter [6]. Nationale Aufsichtsbehörden (BaFin, ACPR, DNB, FMA) erwarten Governance und Kontrolle der Auslagerung.
• Typische Risiken und Gegenmaßnahmen: falsche verbindliche Aussagen (nur aus versionierten, freigegebenen Inhalten antworten, Quelle zeigen); Kontoübernahme (SCA außerhalb des Chats, zusätzliche Authentifizierung bei Auffälligkeiten); Prompt Injection (Begrenzung der Werkzeugberechtigungen, Uploads als nicht vertrauenswürdig behandeln); Datenabfluss an Anbieter (EU-Region, Vertragsklauseln ohne Training, Maskierung).

Erste Schritte

1. Wählen Sie aus den Daten des Kontaktzentrums 3-5 Anliegen mit hohem Volumen und geringem Risiko (Kartensperre, Schadenstand, Adressänderung).
2. Ordnen Sie jedes einer vorhandenen API und ihrer Authentifizierungsanforderung zu; entwerfen Sie Bestätigungsschritte und Limits, bevor Sie Prompts schreiben.
3. Bauen Sie einen Testdatensatz mit 200-500 Fällen aus anonymisierten echten Gesprächen, einschließlich Angriffen und Fällen mit schutzbedürftigen Kunden.
4. Führen Sie einen Pilot im Schattenmodus durch (der Bot schlägt vor, der Agent entscheidet), danach eine Beta mit internen Mitarbeitern, dann eine kleine Kundengruppe.
5. Schließen Sie vor dem Start DSFA, Vermerk zur Einstufung nach der KI-Verordnung, DORA-Auslagerungsbewertung und ein SLA für die Übergabe an Menschen ab.

Quellen

1. Bank of America - Erica surpasses 3 billion interactions (Aug 2025) - https://newsroom.bankofamerica.com/content/newsroom/press-releases/2025/08/a-decade-of-ai-innovation--bofa-s-virtual-assistant-erica-surpas.html
2. Regulation (EU) 2024/1689 (AI Act), Art. 50 and Annex III - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. EBA - Chair letter on outcome of the AI Act mapping exercise (Nov 2025) - https://www.eba.europa.eu/sites/default/files/2025-11/2019d1b5-59f8-4149-ad3b-23cfcd4388a1/EBA%20Chair%20letter%20to%20Mr%20Berrigan%20and%20Mr%20Viola%20on%20outcome%20of%20EBA%E2%80%99s%20AI%20Act%20mapping%20exercise.pdf
4. EIOPA - Opinion on AI governance and risk management (6 Aug 2025) - https://www.eiopa.europa.eu/publications/opinion-artificial-intelligence-governance-and-risk-management_en
5. Regulation (EU) 2016/679 (GDPR), Art. 9 and 22 - https://eur-lex.europa.eu/eli/reg/2016/679/oj
6. Regulation (EU) 2022/2554 (DORA) - https://eur-lex.europa.eu/eli/reg/2022/2554/oj
7. Rasa open-source conversational AI framework - https://github.com/RasaHQ/rasa
8. Microsoft Presidio (PII detection) - https://github.com/microsoft/presidio