Webinar-Rückblick: Wie Admiral Versicherungsgespräche mit KI-Agenten bearbeitet

Admiral bearbeitet weltweit Millionen von Kundeninteraktionen pro Jahr in mehreren Sprachen, unter anderem im Vereinigten Königreich, in Italien, Frankreich und Spanien.

In unserem neuesten Webinar Behind the Agent: Wie Admiral Versicherungsgespräche mit KI-Agenten bearbeitet erläuterte Dominika Kampa, Group Head of Generative AI bei Admiral, wie ihr Team die KI-Ebene für dieses Volumen aufbaut – einschließlich Architektur, Teststandards und der organisatorischen Arbeit dahinter.

Admirals Leitstern: das vertrauenswürdigste Kundenerlebnis in der Versicherungsbranche

Admirals Ziel war es, eine neue Kategorie von Kundenerlebnis zu schaffen.

Es ist einfach, einen Agenten zu entwickeln, der ein Gespräch schnell beendet, ohne das Problem des Kunden tatsächlich zu lösen.

Das Ziel ist, dass jeder Kunde, jeder Kanal und jeder entscheidende Moment direkt gelöst oder an einen Mitarbeitenden übergeben wird, der den Kunden, den Kontext und das zu lösende Anliegen kennt.

Die zentrale Kennzahl war eine Erstlösungsquote von 90 %. Außerdem maßen sie einen rund um die Uhr verfügbaren Service, kurze Interaktionen und einen deutlich höheren NPS.

Die Containment-Rate war eine sekundäre Kennzahl. Beim ersten Voice-Anwendungsfall verbesserte das Team sie erheblich, als Kunden merkten, dass der Agent schneller war.

Die Lösungsquote blieb jedoch der Anker. Admiral misst separat, ob der Kunde tatsächlich das erhalten hat, weshalb er angerufen hat, und ob der Anruf eskaliert wurde. Eine bewusste Übergabe an einen Mitarbeitenden wird daher nie als Misserfolg gewertet.

Wie „gut“ in einer regulierten Branche aussehen muss

Admiral legt die Messlatte für den Produktiveinsatz hoch. Bevor die agentenbasierte Lösung live geht, soll sie mindestens genauso gut wie die Mitarbeitenden sein – oder besser.

Wissen über Sonderfälle, das früher in der Intuition der erfahrensten Mitarbeitenden steckte, muss jetzt für jeden Anwendungsfall explizit getestet werden.

In der Praxis setzte das Team zudem bewusst Grenzen für den Umfang. Fälle zu Vulnerabilität und Zahlungsrückständen werden beispielsweise weiterhin an Mitarbeitende geleitet, während das Team weitere Sonderfälle zum Anwendungsfall untersucht.

Da die meisten Versicherungsvorschriften ergebnisorientiert sind, ist Doms Sicht pragmatisch: Das „Wie“ ist flexibel, solange das Ergebnis für Kunden und Unternehmen genau dem Gewollten entspricht.

Akzeptanz entsteht nicht durch Anweisung

Eine regulierte Organisation führt KI nicht ein, nur weil man es ihr sagt.

Dom arbeitete vor ihrem Wechsel zu Admiral mehrere Jahre bei McKinsey an Change-Management-Programmen. Auf die Frage, was sie einem Kollegen raten würde, der sich heute für agentenbasierte KI einsetzt, nannte sie drei Prinzipien direkt aus diesem Playbook.

1) Menschen unterstützen, was sie mitgestalten

Admirals Antwort auf Skepsis war, das Tool direkt den Skeptikern vorzustellen.

Das Team veranstaltete Demos und Schulungen in der gesamten Organisation – auch mit den 50 wichtigsten Führungskräften der Gruppe –, um agentenbasierte KI verständlicher zu machen. ElevenLabs und Dom führten einen Schulungstag durch, an dem das Führungsteam, einschließlich Group CEO Milena Mondini de Focatiis, Agenten von Grund auf entwickelte. In Doms Worten: Sie „hatten tatsächlich … Spaß dabei“.

2) Es geht nie nur um die Technologie

Die Vision betrifft Veränderungen bei Gewinn und Verlust, beim Kundenerlebnis und beim Mitarbeitererlebnis.

Sobald sich alle auf das Ergebnis verständigt haben, finden sich die Technologieoptionen. Doms Rat: Nicht mit der Technologie anfangen.

3) Governance früh aufbauen

Die richtigen Touchpoints, KPIs und Daten von Anfang an erleichtern Entscheidungen erheblich. Das Anti-Pattern ist laut ihr, sich auf das Bauchgefühl zu verlassen und bei „einem sehr schönen Artefakt“ zu landen, das niemand nutzt und keine relevante Kennzahl verbessert.

Auch das Rollout-Modell war wichtig. Admiral wählte einen Teil der Gruppe aus, um ein Thema intensiv zu erproben, und übertrug die Erkenntnisse anschließend überall sonst.

Zunächst folgen schnelle Übernahmen, dann der vollständige Rollout. Nicht ein Anwendungsfall in einem Bereich – das hätte sie laut Dom massiv ausgebremst –, sondern die bewusste Disziplin, das Rad nicht zehnmal neu zu erfinden.

Demo 1: Ablösebeträge (Admiral Money)

Szenario: Eine Kundin möchte ihren Kredit vorzeitig ablösen. Sie braucht nur den Ablösebetrag.

Traditionell musste sie sich dafür durch ein IVR-Menü klicken, ihre Identität bei einem Mitarbeitenden bestätigen, warten, bis ein Backend-System die Berechnung ausführte und Bildschirme geladen waren, und dann auf ein PDF in ihrem Posteingang warten. Fünf Minuten Prozess für eine Frage mit einer Antwort.

Dan Clark, Group Head of Generative AI bei Admiral, stellte vor, was das Team entwickelt hat.

Gezeigt wurde:

• Die Authentifizierung läuft zu Beginn des Workflows als eigener Sub-Agent, bevor etwas anderes ausgeführt wird.
• Der Sentry-Sub-Agent prüft, ob der Anrufer mit dem KI-Agenten sprechen darf. Vulnerable Kunden und Kunden mit Zahlungsrückständen werden an eine priorisierte Warteschlange mit einem Mitarbeitenden weitergeleitet, während das Team weitere Sonderfälle untersucht.
• Der Agent erfragt Antworten vorausschauend zu Beginn und arbeitet API-basiert, statt auf Legacy-Bildschirme zu warten. Derselbe Ablauf, der mit einem Mitarbeitenden etwa fünf Minuten dauert, braucht mit dem Agenten rund zweieinhalb Minuten.
• Der Erfolg wird daran gemessen, ob sich der Kunde authentifiziert hat und seinen Ablösebetrag erhalten hat – getrennt von Eskalationen.
• Am Ende des Gesprächs bittet ein Feedback-Agent Kunden, das Erlebnis auf einer Skala von eins bis fünf zu bewerten. Nicht eskalierte Anrufe werden fast ausschließlich mit vier oder fünf bewertet.

Warum das wichtig ist: Die Zeitersparnis entsteht durch den API-basierten statt bildschirmbasierten Workflow – nicht allein dadurch, dass KI statt eines Menschen antwortet. Nach Dans Worten geht es vor allem um kürzere Gesprächszeiten und dadurch ein besseres Kundenerlebnis. Die aktuellen Eskalationen spiegeln Grenzen wider, die das Team während des Lernens bewusst setzt, und nicht, dass der Agent nicht helfen konnte.

Demo 2: Olivia (L’Olivier)

Szenario: Eine Kundin in Frankreich hat eine Frage zu ihrer Police. Sie öffnet den Chat auf der Website und erhält Ollie Bot, ein klassisches baumbasiertes Tool („Drücken Sie A hierfür, B dafür“). Ihre Frage ist weder Option A noch Option B, also geht sie ohne Antwort.

Dieses Erlebnis wollte L’Olivier ersetzen. Das Team entwickelte Olivia, einen Wissensdatenbank-Agenten auf ElevenLabs, der heute live auf der Website ist.

Gezeigt wurde:

• Der System-Prompt, die erste Nachricht, Workflows und der Sub-Agent wurden direkt auf Französisch geschrieben, nicht aus dem Englischen übersetzt. Dan verweist auf Forschungsergebnisse, wonach Prompting in der Sprache des Kunden das Modell anders anspricht. Das Team erzielte damit deutlich bessere Ergebnisse. Olivia erkennt automatisch, wenn Englisch benötigt wird, und antwortet auf Englisch.
• Echte Kundengespräche werden mit der Wissensdatenbank abgeglichen, um Lücken zu erkennen. Korrekturen sind meist innerhalb von ein bis zwei Stunden im Live-Agenten verfügbar.
• Änderungen werden in einem Branch mit schrittweiser Traffic-Aufteilung ausgerollt – 1 %, 2 %, 5 %, 10 %, 25 %, 50 % und dann 100 % – mit Simulationstests und manueller Vorschau, bevor etwas den Live-Traffic erreicht. Stützen die Daten die Änderung nicht, geht der Traffic sofort auf null zurück. Es gibt nichts zurückzurollen.
• Ein vollständiger Branch-Zyklus dauert von Anfang bis Ende zwischen einigen Stunden und einem Tag. Keine zweiwöchigen Sprints und zweiwöchigen Deployments mehr.

Warum das wichtig ist: Der Release-Zyklus schrumpft von Wochen auf Stunden – das ist schon für sich bemerkenswert. Die wichtigere Erkenntnis lautet jedoch: Sprache ist möglicherweise nicht nur ein Lokalisierungsdetail, sondern verändert, wie das Modell schlussfolgert.

Kein Playbook übersteht den Kontakt mit einem neuen Markt

Konventionen beim Sprecherwechsel, die Toleranz gegenüber Unterbrechungen und das, was als normaler Gesprächsrhythmus gilt, unterscheiden sich je nach Markt stark.

Es gibt keine Patentlösung. Laut Dom funktioniert es, einen Engineer, der Prompting und Architektur kennt, mit einem Business Owner der lokalen Einheit zusammenzubringen, der den Marktkontext einbringt – und diese Kombination als Einheit für den Rollout zu behandeln.

Der Aufbau selbst unterscheidet sich von Markt zu Markt nicht so sehr. Die Akzeptanz schon. Und nach Doms Ansicht gilt das für jeden KI-Rollout, nicht nur für Kundenprozesse.

Deshalb erwartet das Team, mehr Zeit für Kundenaufklärung aufzuwenden – etwa für Willkommensnachrichten, Positionierung und IVR-Ansagen – als für das zugrunde liegende Modell.

Faire Behandlung über Märkte hinweg

In der Versicherungsbranche ist die Erkennung von Vulnerabilität ein Standard, der in jedem Markt, jeder Sprache und jedem Kanal gelten muss.

Admiral verfolgt mehrere Wege zur Erkennung. Speziell bei Vulnerabilität setzt das Team bewusst etablierte Machine-Learning-Modelle neben generativer KI ein, statt sich nur auf eines von beiden zu verlassen. So werden vulnerable Kunden in jeder Phase erkannt – unabhängig davon, welches Signal zuerst auslöst – und richtig betreut.

Dieser Standard gilt schon, bevor der Technologie ein Fall anvertraut wird. Beim Agenten für Ablösebeträge prüft ein Sentry-Sub-Agent jeden Anrufer. Vulnerable Kunden oder Kunden mit Zahlungsrückständen gelangen direkt in eine priorisierte Warteschlange mit einem Mitarbeitenden – eine bewusst gesetzte Grenze, während das Team weitere Sonderfälle untersucht.

Da Kunden unvorhersehbar sind – beispielsweise fragte jemand Olivia, wie man Zwiebelsuppe kocht –, kombiniert das Team Guardrails mit proaktiver Kennzeichnung von Unerwartetem. So weiß es stets, wer wie mit den Tools interagiert.

Das Team hinter den Agenten

Admiral arbeitet nach einem Hub-and-Spoke-Modell: Die gruppenweite Expertise sitzt im „Hub“, lokale Experten in den „Spokes“ kennen Markt, Kunden und Mitarbeitende.

Das Center of Excellence gliedert sich in zwei Bereiche. Erstens: Value Capture mit Verantwortung für Strategie, Roadmaps, Produktdesign und Ergebnistests einschließlich A/B-Tests. Zweitens: ein technischer Bereich aus Engineers, Architekten und Delivery-Kollegen, der sicherstellt, dass alles Entwickelte Standards erfüllt und sich in die übrige Systemlandschaft integriert.

Nach Doms Ansicht geht es bei KI-Engineers der Zukunft weit weniger ums Programmieren, sondern viel mehr darum, zu verstehen, wie generative KI funktioniert, Ideen richtig zu strukturieren und agentenbasiertes Coding für die Umsetzung zu nutzen.

Um das Kernteam herum werden Prozessexperten und Business Owner gemeinsam mit Produkt- und Tech-Talenten in kleinen Pods gebündelt. In ihren Worten: Man „sperrt sie in einen Raum“, damit sie gemeinsam entwickeln und testen, und lässt dann echte Kunden die Lösung auf die Probe stellen.

Wie Admiral die Roadmap priorisiert

Auch hier leistet das Hub-and-Spoke-Modell die Arbeit. Die Gruppe setzt nicht verhandelbare Prioritäten für die großen Projekte – dort sind Risiko und Wert höher, die Machbarkeit aber etwas geringer, sodass zentrale Unterstützung Engpässe lösen kann. Die Spokes erhalten Raum für Bottom-up-Innovation, solange sie die Kapazität haben und innerhalb der Top-down-Leitlinien bleiben.

Die zukünftige Roadmap des Teams konzentriert sich auf das Ziel, dass Kunden sich nie wiederholen müssen – unabhängig davon, ob sie über IVR, Voice-Agent, Mitarbeitende oder andere Kanäle kommunizieren. Signale zu Anliegen, Stimmung und Vulnerabilität sollen bei jeder Übergabe mitgegeben werden, nicht nur das Transkript.

Vollständige Session ansehen

Admiral hat die Messlatte für Validierung, die Akzeptanz in der Organisation und den Tech-Stack gemeinsam neu aufgebaut, um seinem Ziel eines bestmöglichen Kundenerlebnisses in der Versicherungsbranche näherzukommen.

Sehen Sie sich das vollständige Webinar hier an.