Frühjahrsputz im Output-Management-System

Sie stapeln sich nur allzu gerne in der Speisekammer: Dosen mit passierten Tomaten, Gläser mit eingelegten Früchten. Erst beim nächsten Frühjahrsputz fällt auf, wie viele von ihnen sich im Laufe des Jahres doppelt oder gar dreifach angesammelt haben. Ganz ähnlich gestaltet sich das in den Output-Management-Systemen der Versicherer. Über die Jahre sammeln sich dort eine Vielzahl an Textbausteinen an.

Herausforderungen im Dokumentenbestand

Damit wird es für Fachexperten immer schwieriger bis unmöglich, den Dokumentenbestand in über Jahre oder gar Jahrzehnte gewachsenen Systemen effizient zu orchestrieren. Sollen im Rahmen neuer Tarife oder Produkte neue Schriftstücke bereitgestellt oder bestehende Passagen wie beispielsweise zentrale AGBs aktualisiert werden, stehen die Fachexperten häufig vor der Frage:

• Gibt es schon einen ähnlichen Baustein?
• Sind alle Vorgaben berücksichtigt?
• Welche Stellen muss ich aktualisieren?

Fachexperten, die tagtäglich mit Dokumenten arbeiten, teilen übereinstimmend die Einschätzung, dass sich im Dokumenten- und Textbausteinbestand zahlreiche Dubletten und damit einhergehend Optimierungspotential finden lassen. Um diese allerdings zu identifizieren, bleibt bisher in den meisten Output-Management-Systemen nichts anderes übrig, als die bestehenden Bausteine unter enormen Zeitaufwand manuell zu durchforsten und zu konsolidieren

Künstliche Intelligenz im Output-Management

Künstliche Intelligenz kann hier signifikante Mehrwerte bieten. Insbesondere die Möglichkeiten rund um Natural Language Processing haben erhebliches Potential, Arbeitsschritte deutlich effizienter zu gestalten oder überhaupt erst zu ermöglichen.

Die Credit Life AG setzt deshalb auf den „Document Center Cleaner“. Das KI-Sprachmodell ist speziell auf die Versicherungssprache vortrainiert. Es erlaubt Nutzern, auf Knopfdruck in Echtzeit den Dokumentenbestand zu sichten und erkennt zuverlässig:

• Rechtschreibfehler
• Unterschiede in Formatierung und Interpunktion
• Unterschiedliche Sprachstile
• Identische Passagen (Copy & Paste)
• Semantische Ähnlichkeiten

Hierzu zerlegt, analysiert und vergleicht die KI alle Textbausteine und gruppiert diese nach Ähnlichkeit. Der Nutzer kann sich Dubletten anzeigen lassen, aber auch Unterschiede in Formulierung und Interpunktion, die sich im Sinne einer einheitlichen Corporate Language vereinheitlichen lassen. Ebenso spürt das Sprachmodell Passagen auf, die zwar unterschiedlich formuliert, aber in ihrer Bedeutung und Aussage ähnlich sind. Auch diese können im Rahmen einer Konsolidierung oftmals zusammengefasst werden, wenn sie denn eben gefunden werden.

Welches Optimierungspotenzial hier schlummert, zeigen mehrere Messungen: Im Schnitt identifizierte das KI-Sprachmodell im produktiven Dokumenten- und Textbausteinbestand rund 30% redundante Texte und über 10% ähnliche Passagen, die im Rahmen einer Konsolidierung zusammengefasst werden können.