KI-Automatisierung von Garantieanträgen

Die Herausforderung

Ein führender globaler Hersteller von schweren Lkw und Bussen betrieb einen Garantieantragsprozess, der erheblichen manuellen Aufwand verursachte und zugleich inkonsistente Ergebnisse lieferte. Garantie- und Serviceansprüche wurden manuell geprüft, und die Priorisierungslogik war weitgehend intuitiv. Die falschen Ansprüche wurden zur Prüfung markiert, und ein hoher Anteil der manuell geprüften Ansprüche wurde dennoch genehmigt — der investierte Aufwand schlug sich also nicht in einer wirksamen Risikokontrolle nieder. Fehlerhafte Ansprüche passierten die Prüfung, trieben die Garantiekosten in die Höhe und belasteten die Margen.

Gleichzeitig wurde die Serviceanspruchsprüfung lokal in den einzelnen National Sales Companies weltweit durchgeführt. Es gab keine zentrale Aufsicht, keine einheitliche Methodik und keinen skalierbaren Weg zur Qualitätsverbesserung über das gesamte Netzwerk.

Als die Organisation ein umfassendes Transformationsprogramm zur Steigerung von Effizienz und Kundenorientierung startete, wurde die Automatisierung von Garantieansprüchen zu einem der strategisch bedeutsamsten Arbeitsstränge. Das Ziel war nicht nur die Reduzierung des manuellen Aufwands, sondern die grundlegende Verbesserung der Qualität der im großen Maßstab getroffenen Entscheidungen — in 20 Ländern.

Der Ansatz

Das Machine-Learning-Fundament aufbauen

Ein Machine-Learning-Modell wurde entwickelt und anhand historischer Anspruchsdaten trainiert, mit Variablen wie Anspruchstyp, Fahrzeugmodell und -alter sowie Servicehistorie. Das Modell war nicht als binäres Entscheidungswerkzeug konzipiert, sondern als stufiges Automatisierungssystem. In der ersten Stufe identifizierte es Risikoniveaus bei eingehenden Ansprüchen. In späteren Stufen würde es Genehmigungsempfehlungen ausgeben und schließlich — bei Ansprüchen, bei denen das Modell definierte Schwellenwerte überschritt — autonome Entscheidungen ohne menschliche Prüfung treffen.

Als change2target eingebunden wurde, existierte bereits ein Proof of Concept für die erste Stufe. Die Herausforderung bestand darin, die Architektur und Anforderungen für den Fortschritt von der Risikokennzeichnung zur autonomen Entscheidungsfindung zu definieren. Mit Expertise sowohl in der Machine-Learning-Implementierung als auch in After-Sales-Prozessanforderungen begleitete change2target den Kunden durch jede Stufe dieser Entwicklung und koordinierte zwischen den Fachbereichen und dem IT-Team, das für die Integration der Modelle in die bestehende Technologielandschaft zuständig war.

Serviceanspruchsprüfung zentralisieren

Während Garantieansprüche bereits von einem zentralen Team geprüft wurden, blieben Serviceansprüche dezentralisiert — lokal von National Sales Companies mit jeweils eigenen Prozessen, Expertise und Standards geprüft. Die Zentralisierung dieser Funktion erforderte mehr als eine strukturelle Entscheidung. Das in lokalen Teams angesammelte Wissen musste systematisch auf eine zentrale Organisation übertragen werden, die in ihrer neuen Form noch nicht existierte.

Durch strukturierte Workshops und Arbeitssitzungen mit Beteiligten aus mehreren Ländern wurden Rollen und Verantwortlichkeiten neu definiert, Kompetenzanforderungen festgelegt und die prozessualen Änderungen vereinbart und umgesetzt, die die Zentralisierung in der Praxis funktionsfähig machten. Dazu gehörte die Vorbereitung sowohl des zentralen Teams als auch der National Sales Companies auf eine grundlegend andere Art der Zusammenarbeit.

Den menschlichen Aspekt der Automatisierung managen

Die Einführung von KI in eine etablierte Organisation bringt immer dieselben grundlegenden Fragen an die Oberfläche, auch wenn sie unausgesprochen bleiben: Was passiert mit meiner Rolle, komme ich damit zurecht, und wird meine Erfahrung noch von Bedeutung sein? Dieses Projekt war nicht anders. Anspruchsprüfer, die über Jahre Expertise aufgebaut hatten, wurden nun gebeten, zu Auditoren eines Machine-Learning-Modells zu werden — eine grundlegend andere Qualifikation, die eine grundlegend andere Denkweise erfordert.

Ein erheblicher Teil des Projekts war darauf ausgerichtet, diesen Übergang zu gestalten. Kommunikation wurde strukturiert und konsequent aufrechterhalten. Rollen wurden klar neu definiert, mit Transparenz darüber, was sich ändern würde und was nicht. Coaching wurde angeboten, um Einzelpersonen und Teams dabei zu helfen, Vertrauen in das neue System aufzubauen und die Auditierungskompetenzen zu entwickeln, die das neue Modell erforderte. Widerstand wurde direkt adressiert statt umgangen.

Operativen Fokus aufrechterhalten

Während der gesamten Transformation wurde ein durchgehender Fokus auf die Erreichung der im ursprünglichen Business Case definierten operativen Ergebnisse aufrechterhalten. Key Performance Indicators wurden zu Beginn festgelegt, kontinuierlich verfolgt und zur Entscheidungssteuerung genutzt. Wo Anpassungen erforderlich waren, wurden sie zeitnah vorgenommen. Die Programmmanagementstruktur, die change2target über alle Arbeitsstränge hinweg verantwortete, stellte sicher, dass die technischen, organisationalen und operativen Dimensionen des Programms miteinander und mit den strategischen Zielen des Kunden abgestimmt blieben.

Die Ergebnisse

Alle im Business Case definierten operativen Ziele wurden erreicht. Das Machine-Learning-Modell ermöglichte es dem Garantieteam, seine Aufmerksamkeit auf hochriskante Ansprüche mit echter Wahrscheinlichkeit zur Ablehnung zu konzentrieren, statt eine breite und undifferenzierte Warteschlange abzuarbeiten. Der manuelle Aufwand bei der Anspruchsprüfung wurde deutlich reduziert. Die Konsistenz der Prüfqualität verbesserte sich wesentlich. Die Risikominderung bei der Behandlung kritischer Ansprüche wurde gestärkt. Und die Gesamtgarantiekosten wurden infolge der genaueren Identifizierung und Ablehnung fehlerhafter Ansprüche reduziert.

Das Programm wurde in 20 Ländern und National Sales Companies weltweit ausgerollt und führte einen zuvor fragmentierten Serviceanspruchsprozess erstmals unter einem einheitlichen, zentralisierten Betriebsmodell zusammen.

Jenseits der messbaren Ergebnisse verfügte die Organisation nach Abschluss des Projekts über deutlich erweiterte interne Kompetenzen. Data Scientists wurden in der Methodik geschult, die zum Aufbau und zur kontinuierlichen Verbesserung von Machine-Learning-Modellen erforderlich ist. Die Auditorenrolle wurde neu definiert und operativ verankert. Eine Governance-Struktur für das laufende Modellmanagement wurde etabliert. Der Kunde hat nicht nur ein Werkzeug implementiert — er hat die organisationale Kapazität aufgebaut, es zu besitzen und weiterzuentwickeln.

Zentrale Erkenntnis

Die Automatisierung eines hochriskanten Prozesses wie der Garantieantragsprüfung ist primär keine technische Herausforderung. Das Modell ist der Ausgangspunkt. Die schwierigere Arbeit besteht in der Gestaltung der stufigen Automatisierungslogik, der Zentralisierung der Prozesse, die zentralisiert werden müssen, der Übertragung des institutionellen Wissens, das sich in lokalen Teams angesammelt hat, und der Vorbereitung von Menschen auf Rollen, die es im Jahr davor noch nicht gab.

Für Führungskräfte in der Fertigung, die KI-gestützte Automatisierung im After-Sales-Bereich oder im Anspruchsmanagement in Betracht ziehen, ist die Lektion konsistent: Organisationen, die die menschlichen und organisationalen Dimensionen der Implementierung mit derselben Sorgfalt behandeln wie die technischen, sind jene, die nachhaltige Ergebnisse erzielen. Die Technologie entfaltet ihr Potenzial erst dann vollständig, wenn das Betriebsmodell um sie herum entsprechend neu gestaltet wurde.