Erweiterung einer bestehenden Input Management Lösung mit modernen KI-Services – Teil 1

Phase 1: Die Anforderungserhebung: Blick aus verschiedenen Dimensionen

  • KI-Potentialanalyse
  • Die Online-Potentialanalyse
  • Potentialanalyse Anliegenmanagement
  • Analyse Dunkelverarbeitung

Phase 2: Die Konzeption: In klaren Stufen zum Go-live

  • Anlassbezogene Fachdatenextraktion

Phase 3: Die Produktauswahl

  • KI ist nicht gleich KI
  • Vortrainiert vs. untrainiert
  • Cloud vs. On-Premise
  • Anpassen ohne externe Hilfe
  • Der Markt

Phase 4: Die Implementierung

  • Was versteht Pentadoc unter nachhaltiger Einführung?
  • PentAI - Technologie
  • PentaLAB – das Co-Creation-LAB der Pentadoc Gruppe zum Thema KI
  • Internalisierung
  • Mitarbeiter

Glossar

Abstract:  Die Integration von Künstlicher Intelligenz (KI) in das Input Management bietet Unternehmen und ihren Kunden weitreichende Vorteile. Doch wie können Unternehmen die richtige Integrationsstrategie entwickeln, wenn bereits eine Input-Management-Lösung im Einsatz ist? 

Teil 4 der Artikelserie zum Thema Anliegenmanagement befasste sich mit der Entwicklung des Input Managements und zeigte, wie KI den Lösungsraum zukünftig verändern wird.  Dieser Artikel beleuchtet die notwendigen Maßnahmen, um eine bestehende Input Management Lösung mit modernen KI-Services zu erweitern. ^

 Die notwendigen Schritte und Aufgaben zur Einführung von KI-Services im Input Management unterscheiden sich nicht von den Vorarbeiten zur Einführung einer beliebigen Software im Unternehmen. Mein Kollege Christoph Tylla hat in seinem Blogartikel „Einführung eines DMS: Ein Leitfaden im Kontext der Digitalisierung im Mittelstand“ vier zentrale Projektphasen aus seiner Projekterfahrung als Orientierung abgeleitet: 

  • Phase 1 – Die Anforderungserhebung: Blick aus verschiedenen Dimensionen 
  • Phase 2 – Die Konzeption: In klaren Stufen zum Go-live 
  • Phase 3 – Die Produktauswahl: Mit Unabhängigkeit das Beste des Marktes 
  • Phase 4 – Die Implementierung: Engagement bis zum Go-live 

Phase 1 – Die Anforderungserhebung: Blick aus verschiedenen Dimensionen 

Bei der Anforderungserhebung für die Erweiterung bestehender Input Management Plattformen um KI-Services ist es wichtig, einen detaillierten Blick auf das aktuelle Input Management zu werfen. Die sogenannte IST-Analyse ist ein enorm wichtiger Schritt, da sie vereinfacht gesagt festlegt, welche Komponenten „wiederverwendet“ und wie die neuen KI-Services in die bestehende Plattform integriert werden können. 

Neben der Technik sollten in der IST-Analyse auch die fachlich relevanten Prozesse im Input Management betrachtet werden. Wie hoch ist aktuell die „Fertigungstiefe“ und welche Nutzenfaktoren konnten dadurch bereits in den Fachbereichen gehoben werden. 

KI-Services und insbesondere KI-Services im Input Management müssen Nutzen stiften, nur dann lohnt sich die Investition in entsprechende Technologien.  Doch wie lässt sich dieser Nutzen identifizieren? 

Pentadoc bietet hierzu u.a. die Online-Potentialanalyse an, die auf langwierige Interview-Workshops verzichtet und stattdessen die Mitarbeiter mit einer Online-Befragung einbezieht.

 

KI-Potentialanalyse 

KI-Technologien tragen nur dann zum Unternehmenserfolg bei, wenn sie im richtigen Kontext eingesetzt werden. Der erste Schritt zur erfolgreichen Einführung von KI ist daher die Identifikation strategischer Anwendungsfälle. 

Die KI-Potenzialanalyse nutzt 3 erprobte Ansätze, um die Potenziale in einem Unternehmen zu analysieren: 

  1. Online-Potentialanalyse – Thesenbasierte Onlinebefragung 
  2. Potentialanalyse Anliegenmanagement – Analyse der KI-Potenziale anhand der zu optimierenden Anliegen 
  3. Analyse Dunkelverarbeitung – Analyse der KI-Potentiale anhand der Ausstiegsgründe in der Dunkelverarbeitung 

Die Online-Potentialanalyse 

Die Online-Potentialanalyse ist ein von Pentadoc eigenentwickeltes Werkzeug und einzigartig in der Branche. Es dient zur gezielten und schnellen Ermittlung von Potentialen für den Einsatz von KI. Das auf einer Onlinebefragung basierende Verfahren liefert strukturierte Daten zu folgenden Fragestellungen:  

  • in welchen Fachbereichen und Anwendungsgebieten, 
  • in welchen Prozessschritten, 
  • nach welchen Aspekten der Mitarbeiter  

bestehen Optimierungspotentiale, die durch KI behoben werden können? 

Entsprechend der weiteren Einführungsziele werden aus den Ergebnissen bereits erste Handlungsempfehlungen abgeleitet bzw. darauf aufbauend weitere Untersuchungsschritte geplant.  

Die Durchführung der Online-Potentialanalyse kann durch erprobte Verfahren schnell und mit geringem Aufwand für den Kunden durchgeführt werde.  Das von Pentadoc angebotene Umsetzungsszenario umfasst dabei folgende Leistungen:   

  • Anpassung der von Pentadoc gelieferten Thesen zur Online-Potentialanalyse (Kategorien/Thesen und Eingabemöglichkeiten in Abstimmung mit Pentadoc, inkl. Nachbearbeitung)  
  • Vorbereitung und Test der Online-Befragungsplattform von Pentadoc mit persönlichen Mail-Token (Einbindung der Namens-/Orga-Liste des Kunden) oder als anonyme Umfrage  
  • Durchführung der Befragung inkl. Administration und Erfolgskontrolle  
  • Auswertung der Ergebnisse durch Pentadoc pro Organisationseinheit mit grafischer Darstellung in Farbskalen (kleines bis großes Potenzial)  
  •  Überführung der Daten in eine Power-BI-Ergebnisübersicht, die zusätzlich nach verschiedenen Dimensionen auswertbar ist. 

 Potentialanalyse Anliegenmanagement 

Wie im Artikel „„Intelligentes“ Anliegenmanagement in der Praxis – ein Beispiel aus der Versicherungswirtschaft“ anhand eines Beispiels beschrieben, wählt das Vorgehen der Potentialanalyse Anliegenmanagement einen eher fachlich fokussierten Ansatz zur Ermittlung von KI-Potenzialen im Unternehmen: Gemeinsam mit den Fachbereichen des Unternehmens werden die Potentiale für die Einbettung von KI in das Inputmanagement ermittelt. 

 

 

ABER VORSICHT! Fragen Sie den Fachbereich nicht nach technischen Optimierungsmöglichkeiten durch den Einsatz von KI, sondern gehen Sie wie im Artikel beschrieben vor und hinterfragen Sie die aktuellen Optimierungsansätze in der Anliegenbearbeitung. Nur durch die Potentialanalyse entlang der Fachprozesse kann vermieden werden, dass technische Use Cases entwickelt werden, die später keinen fachlichen Nutzen generieren.

Um KI-Potentiale gemeinsam mit den Fachbereichen eines Unternehmens in der täglichen Anliegenbearbeitung zu analysieren und dabei auch übergreifende Vorteile zu realisieren, empfiehlt sich das im Artikel aufgezeigte Vorgehen. 
 

Analyse Dunkelverarbeitung 

Die dritte Möglichkeit, KI-Potentiale in der Anliegenbearbeitung zu identifizieren ist, die Ausstiegsgründe von Dunkelverarbeitungsprozessen zu analysieren. 

Dunkelverarbeitung wird bereits in vielen Unternehmen in der Anliegenbearbeitung eingesetzt. Bei führenden Versicherungsunternehmen werden z.B. in der Krankenversicherung über 50 % der Standardanliegen dunkel verarbeitet.  

Die klassischen Ansätze der Dunkelverarbeitung basieren historisch bedingt noch auf umfangreichen Regelwerken, die eine automatisierte Verarbeitung auf Basis strukturierter Daten aus dem Input Management, von Dienstleistungspartnern oder den Fachapplikationen anstreben. Die Verfahren haben in vielen Prozessen einen hohen Reifegrad erreicht, es zeigt sich aber zunehmend, dass mit solchen konventionellen Verfahren nur noch sehr begrenzte Steigerungen möglich sein werden.   

KI-Modelle hingegen werden das Potenzial noch einmal deutlich erhöhen. Insbesondere die Verarbeitung großer Datenmengen sowie unstrukturierter Daten geht weit über die derzeitigen Möglichkeiten hinaus und ermöglicht umfangreichere Dunkelverarbeitungsprozesse.  Damit können auch vermehrt Prozesse, die bisher aus der Dunkelverarbeitung in die manuelle Sachbearbeitung ausgelagert wurden, durch KI-Modelle in Form einer maschinellen Sachbearbeitung wieder aufgenommen werden. 

Im folgenden Artikel zum Thema KI im Input Management geben wir konkrete Hinweise, was in der Konzeptionsphase unbedingt zu beachten ist und wie moderne Architekturen im Input Management entwickelt werden können. 

Hier finden Sie die Begriffsdefinitionen der Fachbegriffe aus der Artikelserie.
Begriff                                                   Definition
Active Learning Active Learning ist eine Variante des maschinellen Lernens bei der sich Algorithmen selbstständig optimieren und Vorschläge liefern können, welche weiteren Datenannotationen den größten Mehrwehrt für die Verbesserung des Modells in der bestimmten Problemstellung bringen.
Artificial Intelligence (AI) engl. für Künstliche Intelligenz (KI)
Blatt Physikalisches Blatt, in beliebigem Format das aus zwei Seiten besteht, die nicht zwingend bedruckt sind.
Computer Vision Computer Vision ist ein Feld innerhalb der KI, die aussagefähige Informationen aus digitalen Bildern, Videos und anderen Visuellen Eingaben gewinnen kann.
Deep Learning Deep Learning ist ein Teilbereich des maschinellen Lernens und der Bereich, der das Thema KI in den kommenden Jahren am stärksten beflügeln wird. Bei Deep Learning handelt es sich um eine Lernmethode bei dieser mittels neuronaler Netze die Maschine in die Lage versetzt wird, Strukturen zu erkennen, diese Erkennung zu überprüfen und sich in mehreren vorwärts wie rückwärts gerichteten Durchläufen selbständig zu verbessern.
Dokument Hierbei handelt es sich im Inputmangement um Schriftstücke, die per Post, Fax oder E-Mail eintreffen mit Aufforderungen, bestimmte Handlungen (= Geschäftsvorfälle) vorzunehmen. Auch die Objekte, die per App eingereicht oder über Portale hochgeladen werden, beinhalten Dokumente. Dokumente sind grundsätzlich unstrukturierte Aufträge. Bei ihnen ist der beauftragte Geschäftsvorfall aus dem Layout und dem Inhalt des Dokumentes herauszufinden. Eine Sendung kann aus mehreren Dokumenten bestehen. Ein Dokument kann mehrere Geschäftsvorfälle beinhalten.

Ein Dokument besteht aus mindestens einem Blatt.
Dokumentenart Genau eine fachliche Klassifizierung eines Dokuments. Eine Dokumentenart kann mehrere Dokumentenklassen beinhalten. Beispiel: Dokumentenart Rechnung.
Dokumentenklasse Fachliche Klassifizierung eines Dokuments. Mehrere Dokumentenklassen können auf eine Dokumentenart verweisen.
Dokumentenklassifikation Zuordnung einer Dokumentenklasse und einer Dokart zu einem Dokument
Dunkelverarbeitung Von Dunkelverarbeitung ist die Rede, wenn Anliegen vollständig automatisiert und ohne menschliches Eingreifen im Hintergrund ablaufen. 
End-to-End (E2E) Von End-to-end-Bearbeitung bzw. End-to-end-Prozess ist die Rede, wenn eine zeitlich-logische Abfolge von Tätigkeiten/Prozessen ausgeführt wird, um eine konkretes Kundenanliegens zu erfüllen. End-to-end soll verdeutlichen, dass sich die Bearbeitung, der Prozess vom Bedarf des Kunden bis zur Leistungserbringung erstreckt und in der Regel abteilungsübergreifend ist.
Extraktion Unter Extraktion wird im Input Management die Erkennung von Fachdaten (z.B. Versichertenname und –nummer) von einem Dokument verstanden. 
Fachdatenextraktion Die Fachdatenextraktion geht über die reine Indizierung zum Routing hinaus. Bei der Fachdatenextraktion werden weitere Dokumentinhalte extrahiert, um so eine manuelle Erfassung in der Sachbearbeitung zu vermeiden.
Generative KI Generative KI ist in der Lage, mithilfe generativer Modelle Texte, Bilder oder andere Daten zu generieren. 
Hellverarbeitung Von Hellverarbeitung ist die Rede, wenn Geschäftsprozesse nicht- oder nur teilautomatisiert ablaufen, d.h. nur mit menschlichem Eingreifen fallabschließend bearbeitet werden können.
Indizierung Von Indizierung wird im Input Management gesprochen, wenn die durch die Klassifizierung erkannte Dokumentenklasse und der durch Extraktion ausgelesene Ordnungsbegriff (z.B. Versicherungsnummer, Schadennummer) für die automatische Verteilung der Dokumente an die fachlich zuständigen Mitarbeiter verwendet wird.
Input Management (IPM) Unter Input Management versteht man die Herangehensweise zur digitalen Erfassung von geschäftsrelevanten Daten aus verschiedenen Kommunikationskanälen und Kommunikationsformaten (z.B. Papierdokumente) und die Übergabe der Informationen an nachfolgende Geschäftsanwendungen.
Intelligent Document Processing (IDP) Intelligent Document Processing (IDP) beschreibt die nächste Generation der Input Management Lösungen, welche unstrukturierte Daten mittels KI-Technologien in verwertbare Daten umwandelt, welche dann die Basis für die Automatisierungsinitiativen und die Optimierung des Anliegenmanagement in Unternehmen darstellen.
Klassifikation Maschinelle Zuordnung einer Dokumtenklasse zu einem Dokument im Input Management. Anhand der Dokumentklassifikation kann in einem Folgeschritt die Zuordnung der eingehenden Kommunikation zu einem oder mehreren Anliegen erfolgen.
Künstliche Intelligenz (KI) Im Allgemeinen bezeichnet Künstliche Intelligenz den Versuch, bestimmte Entscheidungsstrukturen des Menschen nachzubilden, indem z. B. ein Computer so gebaut und programmiert wird, dass er relativ eigenständig Probleme bearbeiten kann.
Schaut man bei Künstliche Intelligenz einmal eine Ebene tiefer so ist häufig von „Deep Learning”, maschinellem Lernen, neuronalen Netzen und „Natural Language Processing” die Rede.
Large Language Models (LLMs) LLMs sind fortschrittliche KI-Modelle, die sich durch die Fähigkeit Sprache zu verstehen, zu generieren und darauf zu reagieren auszeichnet. LLMs können Textverarbeitungsaufgaben durchführen, Fragen beantworten, Konversationen führen, Texte generieren und vieles mehr. Große Sprachmodelle erlangen diese Fähigkeiten durch die Verwendung großer Datenmengen. Große Sprachmodelle sind im weiteren Sinne künstliche neuronale Netze und werden entweder durch selbstüberwachtes Lernen oder halbüberwachte Lernmethoden trainiert.
Monitoring Monitoring steht synonym für die technische Überwachung der Verarbeitung von Sendungen im Input Management. Hier tritt insbesondere die Einhaltung der vorgesehenen SLAs in den Vordergrund. Damit ist die Kontrolle der Durchlaufzeiten des Posteingangs durch die Erfassung gemeint. Um den Grundstein einer schnellen Bearbeitung des Posteingangs beim Sachbearbeiter zu legen, muss in vielen Unternehmen eine tag-gleiche Verarbeitung des Posteingangs sichergestellt werden. Um diese überwachen und bei Störfällen schnell an der richtigen Stelle eingreifen zu können, ist das technische Monitoring der Input Management-Lösungen von Bedeutung.
OCR Abk. für Optical Character Recognition engl. für Optische Zeichenerkennung 
Optische Zeichenerkennung Optische Zeichenerkennung ist eine Methode zur Umwandlung von Texten, die nicht in Form von maschinenlesbaren Zeichen, sondern im Bildformat vorliegen, in eine kodierte, vom Rechner verarbeitbare Zeichenfolge (kodierte Information). 
Pre-Processing engl. für Vorverarbeitung 
Reporting Vorgangsbezogene Auswertungen bzw. Statistiken lassen sich mit Hilfe von Reporting-Komponenten im Input Management erstellen. So können im Reporting z. B. die durchschnittliche Prozesslaufzeit oder die maschinelle Erkennungsrate dargestellt werden.
Sendung Inhalt eines Kuverts oder einer Email, der aus mehreren Dokumenten eines oder auch unterschiedlicher Kunden bestehen kann.
Supervised Learning Supervised Learning ist eine Variante des maschinellen Lernens. Dabei werden für das Trainieren des Systems gegebene Paare von Ein- und Ausgabedaten herangezogen. Das Lernen erfolgt durch die Bereitstellung des korrekten Ausgabewerts, der zu einer Eingabe gehört. 
Validierung Zur Überprüfung von erkannten Dokumentinhalten und Validierung mit Daten aus Fachsystemen werden Validierungswerkzeuge oder -Regeln eingesetzt. So kann z.B. geprüft werden, ob die erkannte Schadennummer mit einem bereits gemeldeten Schaden übereinstimmt.
Vorgang Der Begriff Vorgang wird häufig in Input Management-Lösungen synonym zum Begriff Sendung verwendet. 
Vorverarbeitung In der Vorverarbeitung werden papierbasierte Eingangsdokumente, E-Mails, Faxe, Fotos von mobilen Endgeräten, elektronische Dateien oder Inhalte aus dem Internet zur weiteren Bearbeitung importiert, konvertiert, qualitativ optimiert und entsprechend des Eingangskanals vorbereitet. Dazu zählt auch der Schritt der OCR-Erkennung.