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

Admiral bearbeitet weltweit jedes Jahr Millionen von Kundeninteraktionen in mehreren Sprachen, unter anderem in Großbritannien, 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 schaffen 

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

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

Das Ziel ist, dass jedes Anliegen jedes Kunden über jeden Kanal und in jedem entscheidenden Moment sofort gelöst oder an einen Menschen übergeben wird, der den Kunden, den Kontext und das zu lösende Problem kennt.

Ihre wichtigste Kennzahl war eine Lösungsquote beim Erstkontakt von 90 %. Außerdem maßen sie die Verfügbarkeit des Services rund um die Uhr, prägnante Interaktionen und einen deutlich höheren NPS. 

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

Die Problemlösung blieb jedoch ihr Maßstab. Admiral misst separat, ob Kunden tatsächlich erhalten haben, wofür sie angerufen haben, und ob ein Anruf eskaliert wurde. Eine bewusste Übergabe an einen Menschen zählt daher nie als Misserfolg.

Wie „gut“ in einer regulierten Branche aussehen muss

Admiral setzt die Messlatte für den Produktiveinsatz hoch. Bevor ihre agentische Lösung live geht, soll sie mindestens so gut sein wie ihre menschlichen Mitarbeitenden – oder besser.

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

In der Praxis zog das Team bewusst Grenzen beim Umfang. Fälle zu besonderer Schutzbedürftigkeit und Zahlungsrückständen werden beispielsweise weiterhin an Menschen weitergeleitet, während das Team mehr Sonderfälle für den Anwendungsfall untersucht.

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

Akzeptanz entsteht nicht durch eine Anweisung

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

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

1) Menschen unterstützen, was sie mitgestalten

Admirals Antwort auf Skepsis war, Skeptikern das Tool direkt vorzuführen.

Das Team veranstaltete im gesamten Unternehmen Demos und Schulungen – auch mit den 50 wichtigsten Führungskräften des Konzerns –, um agentische 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 baute. Mit Doms Worten: Sie „hatten tatsächlich … Spaß daran“.

2) Es geht nie nur um die Technologie

Die Vision betrifft Veränderungen bei P&L, Kundenerlebnis und Mitarbeitererlebnis.

Sobald sich alle über das Ergebnis einig sind, lassen sich die Technologieoptionen klären. Doms Rat: Nicht mit der Technologie anfangen.

3) Governance früh aufbauen

Die richtigen Kontaktpunkte, die richtigen KPIs und die richtigen Daten von Anfang an erleichtern Entscheidungen erheblich. Das Anti-Pattern besteht laut ihr darin, 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 dann überall sonst.

Zunächst folgen schnelle Nachahmungen, danach der vollständige Rollout. Nicht ein Anwendungsfall in einem Bereich – was sie laut Dom massiv ausgebremst hätte –, 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 benötigt lediglich den Ablösebetrag.

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

Dan Clark, Group Head of Generative AI bei Admiral, zeigte, was das Team aufgebaut 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 berechtigt ist, mit dem KI-Agenten zu sprechen. Besonders schutzbedürftige Kunden und Kunden mit Zahlungsrückständen werden in eine Prioritätswarteschlange mit einem Menschen weitergeleitet, während das Team weitere Sonderfälle untersucht. 
• Der Agent erfasst Antworten vorausschauend und arbeitet API-gesteuert, statt auf Legacy-Bildschirme zu warten. Derselbe Vorgang, der mit einem Menschen rund fünf Minuten dauert, benötigt mit dem Agenten etwa zweieinhalb Minuten.
• Erfolg wird daran gemessen, ob sich der Kunde authentifiziert und seinen Ablösebetrag erhalten hat – getrennt von einer Eskalation.
• Am Ende des Anrufs 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-gesteuerten statt bildschirmgesteuerten Workflow, nicht einfach dadurch, dass KI statt eines Menschen antwortet. Mit 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 gesetzt hat – nicht das Versagen des Agenten, zu helfen.

Demo 2: Olivia (L’Olivier)

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

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

Gezeigt wurde:

• System-Prompt, erste Nachricht, Workflows und Sub-Agent wurden direkt auf Französisch geschrieben, nicht aus dem Englischen übersetzt. Dan verweist auf Forschung, wonach Prompts in der Sprache des Kunden das Modell anders ansprechen. Das Team erzielte damit deutlich bessere Ergebnisse. Olivia erkennt Englisch automatisch und antwortet bei Bedarf auf Englisch. 
• Echte Kundengespräche werden mit der Wissensdatenbank abgeglichen, um Lücken zu erkennen. Korrekturen sind beim Live-Agenten meist innerhalb von ein bis zwei Stunden sichtbar.
• Änderungen werden auf einem Branch mit schrittweiser Traffic-Aufteilung bereitgestellt – 1 %, 2 %, 5 %, 10 %, 25 %, 50 % und dann 100 % – mit Simulationstests und manueller Vorschau, bevor etwas in den Live-Traffic gelangt. Wenn die Daten die Änderung nicht stützen, wird der Traffic sofort auf null zurückgesetzt. Es gibt nichts zurückzunehmen. 
• 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: Dass sich der Release-Zyklus von Wochen auf Stunden verkürzt, ist bereits bemerkenswert. Die größere Erkenntnis ist jedoch: Sprache ist möglicherweise nicht nur ein Lokalisierungsdetail – sie kann beeinflussen, wie das Modell schlussfolgert. 

Kein Playbook übersteht den Kontakt mit einem neuen Markt

Regeln für Sprecherwechsel, die Toleranz gegenüber Unterbrechungen und das, was als normaler Gesprächsrhythmus gilt, unterscheiden sich stark zwischen Märkten. 

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

Der Aufbau selbst unterscheidet sich von Markt zu Markt nicht wesentlich. Die Akzeptanz schon. Und laut Dom gilt das für jeden KI-Rollout, nicht nur für den Kundenservice.

Deshalb erwartet das Team, mehr Zeit in die Kundenaufklärung zu investieren – etwa in Willkommensnachrichten, Positionierung und IVR-Messaging – als in das zugrunde liegende Modell.

Faire Behandlung über alle Märkte hinweg

In der Versicherungsbranche ist die Erkennung besonderer Schutzbedürftigkeit ein Mindeststandard, der über jeden Markt, jede Sprache und jeden Kanal hinweg gelten muss.

Admiral setzt bei der Erkennung auf mehrere Wege. Speziell bei besonderer Schutzbedürftigkeit nutzt das Team bewusst etablierte Machine-Learning-Modelle parallel zu generativer KI, statt sich allein auf eines davon zu verlassen. So werden schutzbedürftige Kunden in jeder Phase erkannt, unabhängig davon, welches Signal zuerst auslöst, und angemessen betreut.

Dieser Standard gilt, noch bevor die Technologie mit dem Fall betraut wird. Beim Agenten für Ablösebeträge prüft ein Sentry-Sub-Agent jeden Anrufer. Besonders schutzbedürftige Kunden oder Kunden mit Zahlungsrückständen gelangen direkt in eine Prioritätswarteschlange mit einem Menschen – eine bewusste Grenze, während das Team weitere Sonderfälle untersucht.

Da Kunden unvorhersehbar sind – etwa fragte jemand Olivia, wie man Zwiebelsuppe zubereitet –, kombiniert das Team Guardrails mit proaktiver Kennzeichnung von Unerwartetem. So wissen sie immer, wer wie mit ihren Tools interagiert.

Das Team hinter den Agenten 

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

Das Center of Excellence gliedert sich in zwei Bereiche. Der erste Bereich für Wertschöpfung verantwortet Strategie, Roadmaps, Produktdesign und Ergebnistests einschließlich A/B-Tests. Der zweite, technische Bereich aus Engineers, Architekten und Delivery-Kollegen stellt sicher, dass alles Gebaute Standards erfüllt und sich in die übrige Systemlandschaft integriert.

Für Dom geht es bei KI-Engineers der Zukunft viel weniger ums Programmieren, sondern vielmehr darum, generative KI zu verstehen, Ideen richtig zu strukturieren und agentisches Coding für die Umsetzung zu nutzen.

Um das Kernteam herum werden Prozessexperten und Business Owner mit Produkt- und Tech-Talenten in kleinen Pods zusammengebracht. Mit ihren Worten: „Sie im Raum einschließen“, damit sie gemeinsam bauen und testen, und es dann echten Kunden geben, die es auf die Probe stellen.

Wie Admiral die Roadmap priorisiert 

Auch hier leistet das Hub-and-Spoke-Modell die Arbeit. Die Gruppe setzt für die großen Projekte nicht verhandelbare Prioritäten – dort sind Risiko und Wert höher, die Machbarkeit etwas geringer, sodass zentrale Unterstützung Engpässe lösen kann. Die Spokes haben Raum für Bottom-up-Innovation, sofern 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, einen Menschen oder einen Kanal wechseln. Bei jeder Übergabe werden Signale zu Anliegen, Stimmung und besonderer Schutzbedürftigkeit mitgegeben, nicht nur das Transkript. 

Die vollständige Session ansehen

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

Sehen Sie sich das vollständige Webinar hier an.