Diese Case Study verdeutlicht, wie eine Krankenkasse in Trier nach einem Inhouse-Seminar KI-Anwendungen sicher, datenschutzbewusst und schrittweise in Service, Wissensmanagement und interner Kommunikation einführte.

Krankenkassen arbeiten täglich mit sensiblen Informationen, komplexen Anliegen und hohem Kommunikationsaufwand. Versicherte erwarten verständliche Antworten, Mitarbeitende benötigen schnelle Orientierung in Regelungen und internen Prozessen, Führungskräfte müssen Datenschutz, Servicequalität und Effizienz zusammenbringen. Genau deshalb kann Künstliche Intelligenz für Krankenkassen hilfreich sein – aber nur, wenn sie nicht unkontrolliert, nicht mit Sozialdaten und nicht ohne klare fachliche Prüfung eingesetzt wird.

Diese praxisnahe Case Study beschreibt ein Inhouse-Projekt der Bildungsakademie am Rosental mit einer Krankenkasse in Trier. Ziel war nicht die automatisierte Bearbeitung sensibler Versichertenfälle. Ziel war ein sicherer Einstieg in geeignete KI-Anwendungen: Textentwürfe, interne Wissensstrukturierung, FAQ-Arbeit, Recherchevorbereitung, Servicekommunikation und die Entwicklung erster Leitplanken für Teams.

Der Projektbericht ergänzt den Themenbereich KI Inhouse Schulungen für Unternehmen und Organisationen und zeigt exemplarisch, wie Organisationen mit hoher Datenverantwortung KI nicht überstürzt, sondern kontrolliert und lernorientiert einführen können.

 

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

 
 

 

Ausgangslage: Hoher Serviceaufwand, sensible Daten und wachsendes Interesse an KI

Die Krankenkasse in Trier bearbeitet täglich zahlreiche Anfragen von Versicherten, Arbeitgebern, Leistungserbringern und internen Fachbereichen. Typische Themen sind Mitgliedschaft, Bescheinigungen, Leistungen, Prävention, Pflege, Arbeitsunfähigkeit, Erstattungsfragen, Bonusprogramme, Fristen, Formulare, interne Zuständigkeiten und die verständliche Erklärung komplexer Sachverhalte.

Im Vorgespräch mit der Bildungsakademie am Rosental wurde deutlich, dass die Organisation nicht bei null begann. Einzelne Mitarbeitende hatten KI-Tools bereits privat oder informell ausprobiert. Andere waren zurückhaltend, weil Krankenkassen mit besonders schützenswerten Sozial- und Gesundheitsdaten arbeiten. Die Leitung wollte deshalb verhindern, dass KI zufällig, uneinheitlich oder ohne gemeinsame Regeln genutzt wird.

Die zentrale Frage lautete nicht: „Wie können wir möglichst schnell möglichst viel automatisieren?“ Die zentrale Frage lautete: „Welche KI-Anwendungen können uns im Arbeitsalltag unterstützen, ohne Datenschutz, Fachlichkeit, Vertrauen und Verantwortung zu gefährden?“

Deshalb wurde ein internes Seminar geplant, das technische Grundlagen, AI Literacy, Datenschutzsensibilisierung, Prompt-Methodik, Aufgabenanalyse und Transfer miteinander verbindet. Besonders passend waren die Schulungen AI Literacy als Einstieg in das KI-Thema und EU AI Act und Unternehmenspflichten.

 

Warum Krankenkassen KI besonders vorsichtig einführen müssen

Krankenkassen müssen KI besonders vorsichtig einführen, weil Servicekommunikation, Sozialdaten, Gesundheitsbezug, interne Fachprüfung und öffentliche Verantwortung eng miteinander verbunden sind.

KI kann in Krankenkassen viele Aufgaben erleichtern: Texte verständlicher machen, interne FAQ strukturieren, Besprechungen vorbereiten, Wissensbausteine ordnen, Serviceantworten entwerfen oder Recherchefragen formulieren. Gleichzeitig entstehen besondere Risiken, wenn personenbezogene Daten, Gesundheitsinformationen, Leistungsfälle oder vertrauliche Vorgänge unbedacht in KI-Systeme gelangen.

Die Bildungsakademie am Rosental strukturierte das Seminar deshalb nicht als Tool-Show, sondern als Entscheidungs- und Anwendungstraining. Die Teilnehmenden sollten lernen, geeignete, prüfpflichtige und ausgeschlossene Aufgaben zu unterscheiden. Entscheidend war die Fähigkeit, KI nicht nur zu bedienen, sondern im eigenen Arbeitskontext sicher einzuordnen.

Als externe Orientierung wurden unter anderem die BfDI-Handreichung „Datenschutz von Anfang an mitdenken“, die KI-Informationen des Bundesamts für Sicherheit in der Informationstechnik, das NIST AI Risk Management Framework sowie die EU-Hinweise zu AI Literacy einbezogen.

 

Projektziel: Keine KI-Automatisierung um jeden Preis, sondern sichere Pilotanwendungen

Die Krankenkasse wollte nach dem Seminar keine sofortige Vollautomatisierung starten. Das Projektziel war bewusst vorsichtiger und realistischer formuliert: Mitarbeitende sollten verstehen, welche KI-Anwendungen für ihren Arbeitsalltag geeignet sind, welche Daten tabu bleiben, wie Ergebnisse geprüft werden und wie aus ersten Übungen kontrollierte Pilotanwendungen entstehen können.

Das Inhouse-Seminar konzentrierte sich auf fünf Ergebnisziele:

• Gemeinsames Grundverständnis: Alle Teilnehmenden sollten verstehen, wie generative KI arbeitet und warum Ergebnisse geprüft werden müssen.
• Datenschutzsicherheit: Sozialdaten, Gesundheitsdaten, Versicherteninformationen und Einzelfälle sollten klar ausgeschlossen werden.
• Geeignete Anwendungen: Das Team sollte sichere Aufgaben für Textentwürfe, interne Strukturierung und Wissensarbeit identifizieren.
• Prüfprozesse: KI-Ergebnisse sollten niemals ungeprüft in Servicekommunikation oder interne Fachtexte übernommen werden.
• Schrittweise Einführung: Aus dem Seminar sollten kleine Pilotprozesse entstehen, keine unkontrollierte Tool-Nutzung.

Diese Zielsetzung passte zur Arbeitsweise der Bildungsakademie am Rosental: Inhouse-Schulungen werden nicht als einmalige Inspiration verstanden, sondern als Startpunkt für praxistaugliche Regeln, Transferaufgaben und interne Anschlussentscheidungen.

 

Vorbereitung: Welche Aufgaben für das Inhouse-Seminar ausgewählt wurden

Vor dem Seminartag sammelte die Krankenkasse typische Aufgaben aus Service, interner Kommunikation, Wissensmanagement, Teamkoordination und fachlicher Orientierung. Wichtig war: Es wurden keine echten Versichertendaten, keine Gesundheitsinformationen, keine Vorgangsnummern, keine konkreten Leistungsfälle und keine vertraulichen internen Originalfälle verwendet.

Stattdessen wurden Aufgaben abstrahiert. Aus einem konkreten Versichertenanliegen wurde eine allgemeine Servicefrage. Aus einem internen Prozess wurde eine neutrale Ablaufbeschreibung. Aus einem komplexen Fachthema wurde eine Übung zur verständlichen Erklärung ohne Einzelfallbezug.

 

Arbeitsfeld	Beispielhafte Aufgabe	KI-Eignung im Seminar	Wichtige Grenze
Servicekommunikation	allgemeiner Antwortentwurf zu benötigten Unterlagen	gut geeignet	keine Versichertendaten
Interne FAQ	Struktur für wiederkehrende Fragen aus dem Service	gut geeignet	fachliche Freigabe erforderlich
Wissensmanagement	Gliederung interner Prozessinformationen	gut geeignet	keine vertraulichen Originaldokumente
Recherchevorbereitung	Fragenkatalog zu einem allgemeinen Organisationsthema	prüfpflichtig	Quellenprüfung zwingend
Fachtexte	verständliche Umformulierung neutraler Informationen	bedingt geeignet	Prüfung durch Fachbereich
Leistungsfall	konkreter Fall mit Gesundheits- oder Sozialdaten	nicht geeignet	Nicht-Nutzungsregel

Diese Vorbereitung machte das Seminar konkret, ohne sensible Informationen zu gefährden. Genau diese Balance war für die Akzeptanz im Team entscheidend.

 

Seminaraufbau: Von AI Literacy zur sicheren Anwendung im Krankenkassen-Alltag

Das Inhouse-Seminar wurde als eintägiger Workshop mit 14 Teilnehmenden durchgeführt. Vertreten waren Kundenservice, Teamleitung, interne Kommunikation, Wissensmanagement, Fachkoordination und ein datenschutznaher Verantwortungsbereich. Diese Zusammensetzung war wichtig, weil KI-Anwendungen in einer Krankenkasse mehrere Schnittstellen berühren.

• Der Vormittag begann mit AI Literacy: Wie funktionieren generative KI-Systeme? Warum klingen Antworten oft überzeugend, obwohl sie Fehler enthalten können? Was sind Halluzinationen? Welche Rolle spielen Prompts, Kontext, Ausgabeformate und Prüfschritte? Welche Anforderungen ergeben sich aus Datenschutz, Informationssicherheit und organisatorischer Verantwortung?

• Am Nachmittag arbeitete das Team mit abstrahierten Praxisfällen. Eine Gruppe entwickelte sichere Antwortentwürfe für allgemeine Servicefragen. Eine zweite Gruppe strukturierte interne FAQ-Bausteine. Eine dritte Gruppe prüfte, wie KI bei der Vorbereitung interner Recherchen helfen kann, ohne Quellenprüfung zu ersetzen. Ergänzend wurden Inhalte aus dem Einführungskurs zu ChatGPT und weiteren KI-Tools eingeordnet.

Besonders wirksam war eine Übung mit drei Prompt-Versionen. Die erste Version enthielt zu viel Einzelfallnähe und wurde verworfen. Die zweite Version war zu allgemein und lieferte unbrauchbare Ergebnisse. Die dritte Version arbeitete mit neutralem Kontext, klarer Aufgabe, gewünschtem Ton, Ausgabeformat, Prüffragen und dem ausdrücklichen Hinweis, keine personenbezogenen Daten zu verwenden. Diese Version wurde zur Grundlage für spätere interne Prompt-Vorlagen.

 

Die entwickelte KI-Ampel für Krankenkassen-Aufgaben

Nach dem Seminar arbeitete die Krankenkasse mit einer KI-Ampel: grüne Aufgaben für sichere Entwürfe, gelbe Aufgaben mit Fachprüfung und rote Aufgaben mit Sozial-, Gesundheits- oder Einzelfalldaten.

Damit die Ergebnisse im Arbeitsalltag verständlich bleiben, entwickelte das Team eine einfache Ampellogik. Sie sollte keine juristische Einzelfallprüfung ersetzen, aber Mitarbeitenden eine schnelle Orientierung geben.

1. Grüne Aufgaben waren Aufgaben ohne personenbezogene Daten, ohne Gesundheitsbezug und ohne Einzelfallentscheidung. Dazu gehörten allgemeine Textentwürfe, interne Checklisten, Gliederungen, neutrale FAQ-Strukturen, Formulierungshilfen und Zusammenfassungen nicht vertraulicher Informationen.

2. Gelbe Aufgaben waren Aufgaben, bei denen KI unterstützen kann, aber eine fachliche Prüfung zwingend erforderlich ist. Dazu gehörten allgemeine Leistungsinformationen, interne Wissensbausteine, Recherchevorbereitung, Prozessbeschreibungen und Textentwürfe mit fachlicher Nähe.

3. Rote Aufgaben wurden ausgeschlossen. Dazu gehörten Sozialdaten, Gesundheitsdaten, Versichertennamen, Geburtsdaten, Versicherungsnummern, Diagnosen, Leistungsfälle, Arbeitsunfähigkeitsinformationen, Pflegegrade, Krankengeldvorgänge, Beschwerden mit Personenbezug und vertrauliche interne Bewertungen.

Diese Ampellogik war für das Team besonders hilfreich, weil sie die Diskussion versachlichte. KI wurde weder pauschal abgelehnt noch unkritisch gefeiert. Stattdessen entstand eine gemeinsame Arbeitslogik: vorbereiten ja, strukturieren ja, formulieren ja – aber keine sensiblen Daten, keine Einzelfallentscheidung und keine ungeprüfte Übernahme.

 

Stimme aus dem Projekt: Warum die schrittweise Einführung Vertrauen schuf

Obwohl die Krankenkasse anonymisiert bleibt, wurde für diese Case Study ein wörtliches Feedback freigegeben. Es zeigt, warum die Schulung intern Vertrauen aufgebaut hat: Nicht durch große Versprechen, sondern durch klare Grenzen und konkrete Anwendungsschritte.

„Für unser Team war wichtig, dass KI nicht als schnelle Automatisierung verkauft wurde. Nach dem Seminar wussten wir genauer, welche Aufgaben wir testen können, welche Daten tabu bleiben und warum jede KI-Antwort fachlich geprüft werden muss. Dadurch wurde aus Unsicherheit ein kontrollierter Startpunkt.“
Projektverantwortliche, Krankenkasse in Trier

Das Zitat beschreibt einen zentralen Erfolgsfaktor des Projekts. Die Teilnehmenden mussten nicht überzeugt werden, KI blind zu nutzen. Sie brauchten Sicherheit, Kriterien und Beispiele. Genau daraus entstand die Bereitschaft, erste Pilotanwendungen zu testen.

 

Praxisbeispiel 1: Serviceantworten verständlicher vorbereiten

Ein erster Schwerpunkt lag auf der Servicekommunikation. Krankenkassen müssen komplexe Sachverhalte häufig verständlich erklären: Welche Unterlagen werden benötigt? Was ist der nächste Schritt? Wo finden Versicherte weitere Informationen? Welche Stelle ist zuständig? Solche Antworten müssen klar sein, dürfen aber keine individuelle Leistungsentscheidung vortäuschen.

Im Seminar wurde deshalb mit neutralen Servicefragen gearbeitet. Ein Beispiel lautete: „Erstelle eine verständliche Antwortvorlage für eine allgemeine Anfrage zu benötigten Unterlagen. Verwende keine personenbezogenen Daten, keine Gesundheitsinformationen und keine konkrete Fallentscheidung. Formuliere freundlich, sachlich und mit Hinweis auf fachliche Prüfung.“

Die KI lieferte brauchbare Textvarianten, die anschließend gemeinsam überarbeitet wurden. Das Team passte Tonalität, Länge, Reihenfolge und interne Hinweise an. Besonders hilfreich war, dass KI mehrere Varianten erzeugen konnte: kurz, ausführlicher, besonders verständlich oder besonders formal. Die finale Verantwortung blieb jedoch immer beim Menschen.

 

Praxisbeispiel 2: Internes Wissen besser strukturieren

Der zweite Schwerpunkt lag auf internem Wissensmanagement. Viele Krankenkassen verfügen über umfangreiche Informationen, aber nicht immer über eine leicht zugängliche Struktur. Mitarbeitende suchen in internen Dokumenten, fragen Kolleginnen und Kollegen oder nutzen gewachsene Ablagen. Das kostet Zeit und erschwert die Einarbeitung neuer Teammitglieder.

Im Seminar wurde KI genutzt, um neutrale Prozessinformationen in FAQ-Strukturen, Checklisten und Wissensbausteine zu überführen. Die Aufgaben enthielten keine vertraulichen Originaldokumente, sondern abstrahierte Prozessbeschreibungen. Daraus entstanden Kategorien wie Mitgliedschaft, Bescheinigungen, Fristen, Formulare, allgemeine Leistungsinformationen, interne Zuständigkeiten und Prüfschritte.

Das Ergebnis war kein fertiges Wissenssystem. Aber es entstand ein klarer Anfang: Welche Fragen tauchen häufig auf? Welche Informationen fehlen? Welche Antworten brauchen fachliche Freigabe? Welche Inhalte eignen sich für interne Standardbausteine? Dadurch wurde KI zu einem Werkzeug für Ordnung und Orientierung, nicht zu einem Ersatz für Fachwissen.

 

Praxisbeispiel 3: Interne Recherche vorbereiten, aber Quellenprüfung beibehalten

Ein dritter Schwerpunkt war Recherche. Im Arbeitsalltag entstehen immer wieder Fragen, bei denen Mitarbeitende zunächst Orientierung benötigen: Welche Aspekte müssen geprüft werden? Welche Begriffe sind relevant? Welche internen Stellen sollten einbezogen werden? Welche Fragen müssen vor einer Entscheidung geklärt sein?

KI wurde dafür nicht als endgültige Quelle verwendet. Stattdessen übte das Team, KI für Recherchevorbereitung zu nutzen: Fragenkataloge, Suchbegriffe, Gliederungen, Vergleichskriterien und Prüflisten. Die eigentlichen Informationen wurden anschließend mit vertrauenswürdigen internen oder externen Quellen abgeglichen.

Diese Arbeitsweise war für die Krankenkasse besonders wichtig. Gerade bei sozial- oder gesundheitsbezogenen Themen darf eine KI-Ausgabe keine Grundlage für Entscheidungen sein, wenn sie nicht geprüft wurde. Das Seminar machte daher deutlich: KI kann Denkarbeit strukturieren, aber sie ersetzt keine Fachquelle, keine Rechtsprüfung und keine interne Zuständigkeit.

 

Ergebnisse nach sechs Wochen: Erste Pilotanwendungen statt großer Systemwechsel

Sechs Wochen nach dem Seminar hatte die Krankenkasse drei sichere Pilotanwendungen gestartet: Service-Textentwürfe, interne FAQ-Strukturen und Recherchevorbereitungen mit verpflichtender Fachprüfung.

Sechs Wochen nach dem Inhouse-Seminar berichtete das Projektteam von mehreren konkreten Ergebnissen. Die Organisation hatte keine breite KI-Automatisierung eingeführt. Stattdessen wurden kontrollierte Pilotanwendungen gestartet, die zur Ampellogik passten.

Erstens entstand eine interne Prompt-Sammlung für grüne Aufgaben. Zweitens wurden wiederkehrende Servicefragen in eine neue FAQ-Struktur überführt. Drittens entwickelte das Team eine Checkliste für KI-gestützte Recherchevorbereitung. Viertens wurde eine kurze Nicht-Nutzungsregel formuliert, die sensible Daten und konkrete Leistungsfälle ausdrücklich ausschließt. Fünftens wurde ein Freigabeprozess für gelbe Aufgaben definiert.

Besonders wertvoll war die neue Entscheidungssicherheit. Vor dem Seminar gab es sehr unterschiedliche Haltungen: Neugier, Skepsis, Ablehnung, Experimentierfreude. Nach dem Seminar konnte das Team differenzierter sprechen: Diese Aufgabe ist geeignet. Diese Aufgabe braucht Prüfung. Diese Aufgabe bleibt ausgeschlossen. Dadurch wurde KI als kontrollierbares Arbeitsthema greifbar.

 

Grenzen: Welche KI-Anwendungen bewusst ausgeschlossen wurden

Ausgeschlossen wurden alle KI-Anwendungen mit Sozialdaten, Gesundheitsinformationen, Versichertennummern, konkreten Leistungsfällen, Diagnosen, Pflegeangaben oder vertraulichen internen Bewertungen.

Ein wichtiger Teil des Projekts war die klare Begrenzung. Die Bildungsakademie am Rosental legte Wert darauf, nicht nur Möglichkeiten zu zeigen, sondern rote Linien deutlich zu benennen. Gerade in einer Krankenkasse kann ein scheinbar harmloser Vorgang sehr sensible Informationen enthalten.

Das Team definierte deshalb mehrere Nicht-Nutzungsregeln. Keine echten Versichertendaten. Keine Diagnosen. Keine Versicherungsnummern. Keine konkreten Leistungsentscheidungen. Keine Arbeitsunfähigkeitsdetails. Keine Pflegegradinformationen. Keine personenbezogenen Beschwerden. Keine internen Bewertungen einzelner Vorgänge. Keine ungeprüfte Übernahme von KI-Ergebnissen in Servicekommunikation oder Fachtexte.

Diese Grenzen wurden nicht als Innovationsbremse erlebt. Im Gegenteil: Sie machten den Einstieg überhaupt erst möglich. Mitarbeitende fühlten sich sicherer, weil sie wussten, wo KI genutzt werden darf und wo nicht.

 

Interne Verlinkung im KI-Cluster der Bildungsakademie

Diese Case Study gehört zum KI-Cluster der Bildungsakademie am Rosental. Der strategische Einstieg erfolgt über den Themenhub Künstliche Intelligenz im Unternehmen – Inhouse Schulungen. Dort werden Nutzen, Risiken, Zielgruppen, Ablauf und Transfer von KI-Inhouse-Schulungen eingeordnet.

Für Organisationen mit besonderer Datenverantwortung sind vor allem die KI-Kurse und KI-Seminare relevant. Besonders nah an dieser Case Study liegen AI Literacy als Einstieg, EU AI Act und Unternehmenspflichten, ChatGPT und weitere KI-Tools sowie Texte mit KI für Artikel, Social Media und Blogs.

Viele Grundsatzfragen beantworten die FAQ-Artikel zu KI, AI und GEO. Weitere Praxisbeispiele finden sich in den Case Studies der Bildungsakademie. Das Magazin der Bildungsakademie ergänzt diese Projektberichte mit Hintergrundwissen zu Kommunikation, Führung, Organisation, Digitalisierung und beruflicher Weiterbildung.

 

Durchführende Person im Projekt

Haupttrainerin für AI Literacy, sichere KI-Anwendung und organisationsbezogene Leitlinien

Die Schulung wurde von einer erfahrenen Haupttrainerin der Bildungsakademie am Rosental durchgeführt, die auf KI-Kompetenz, sichere Anwendung, digitale Kommunikation und organisationsbezogene Lernprozesse spezialisiert ist.

Ihr Trainingsansatz verbindet verständliche KI-Grundlagen mit konkreten Aufgaben aus Service, Verwaltung, Wissensmanagement und sensibler Kommunikation.

Im Mittelpunkt stehen nicht technische Effekte, sondern sichere Anwendungsmuster, Prompt-Qualität, Risikoeinschätzung, fachliche Prüfung und Transfer in den Arbeitsalltag. Zu ihren Schwerpunkten gehören AI Literacy, Datenschutzsensibilisierung, KI-gestützte Textarbeit, interne Leitlinien und die Einführung kontrollierter Pilotprozesse.

 

Was andere Krankenkassen aus dieser Case Study lernen können

Die wichtigste Lehre lautet: Krankenkassen sollten KI nicht über große Versprechen einführen, sondern über sichere, kleine und überprüfbare Anwendungsschritte. Gerade Organisationen mit sensiblen Daten brauchen zuerst gemeinsame Regeln, nicht zuerst neue Tools.

Für andere Krankenkassen, Sozialversicherungsträger und Gesundheitsorganisationen lassen sich fünf Empfehlungen ableiten:

• Beginnen Sie mit AI Literacy. Mitarbeitende brauchen ein gemeinsames Grundverständnis, bevor Anwendungen getestet werden.
• Definieren Sie rote Linien. Sozialdaten, Gesundheitsdaten und konkrete Einzelfälle gehören nicht in offene KI-Systeme.
• Starten Sie mit grünen Aufgaben. Textentwürfe, interne FAQ und neutrale Wissensbausteine eignen sich besser als sensible Fälle.
• Verankern Sie Fachprüfung. KI-Ergebnisse bleiben Entwürfe und brauchen menschliche Kontrolle.
• Führen Sie KI schrittweise ein. Kleine Pilotanwendungen sind sicherer als ein schneller, breiter Rollout.

 

FAQ zur Case Study: KI-Einführung bei einer Krankenkasse in Trier

Warum entschied sich die Krankenkasse in Trier für ein Inhouse-Seminar?

Die Krankenkasse entschied sich für ein Inhouse-Seminar, weil KI sicher, einheitlich und datenschutzbewusst im eigenen Arbeitskontext verstanden werden sollte.

Im Projekt zeigte sich, dass informelle Einzeltests mit KI nicht ausreichen, wenn Servicekommunikation, Sozialdaten und Fachprüfung zusammenkommen.

Ein internes Format ermöglichte, typische Aufgaben der Organisation zu bearbeiten, ohne echte Versichertendaten zu verwenden. Die Teilnehmenden konnten eigene Arbeitsfelder einbringen und gemeinsame Regeln entwickeln. Dadurch entstand nicht nur Toolwissen, sondern ein gemeinsamer Rahmen für sichere Anwendung, klare Grenzen und kontrollierte Pilotprozesse.

Welche KI-Anwendungen wurden als geeignet eingestuft?

Geeignet waren allgemeine Textentwürfe, interne FAQ-Strukturen, Checklisten, Wissensbausteine und Recherchevorbereitungen ohne personenbezogene Daten.

Diese Aufgaben wurden als grüne oder gelbe Anwendungen eingeordnet, je nachdem ob eine zusätzliche Fachprüfung notwendig war.

Besonders hilfreich waren Aufgaben, bei denen KI strukturieren, formulieren oder Varianten erzeugen konnte. Dazu gehörten neutrale Serviceantworten, interne Wissenskategorien oder Fragenkataloge für Recherchen. Nicht geeignet waren konkrete Leistungsfälle, Gesundheitsdaten, Sozialdaten oder vertrauliche interne Bewertungen.

Welche Daten durften nicht in KI-Systeme eingegeben werden?

Nicht eingegeben werden durften Sozialdaten, Gesundheitsdaten, Versichertennummern, Diagnosen, Leistungsfälle, Pflegeangaben und personenbezogene Beschwerden.

Diese rote Linie war einer der wichtigsten Bestandteile des Seminars, weil sie den Mitarbeitenden sofortige Orientierung gab.

Die Teilnehmenden lernten, dass auch scheinbar harmlose Einzelfälle sensible Informationen enthalten können. Deshalb wurde ein vorsichtiger Grundsatz festgelegt: Wenn ein Vorgang personenbezogen, gesundheitsbezogen, vertraulich oder einzelfallbezogen ist, wird er nicht in offene KI-Systeme eingegeben. Diese Regel erhöhte die Sicherheit im Team deutlich.

Wie half KI bei der Servicekommunikation?

KI half bei der Servicekommunikation vor allem durch erste Antwortentwürfe, verständlichere Formulierungen und verschiedene Tonalitätsvarianten.

Die Krankenkasse nutzte KI nicht für automatische Antworten, sondern für vorbereitende Entwürfe mit anschließender Prüfung.

Beispiele waren allgemeine Hinweise zu benötigten Unterlagen, neutrale Zwischenantworten oder verständliche Erklärungen von Abläufen. Die Ergebnisse wurden immer angepasst und fachlich geprüft. Dadurch konnte das Team sprachliche Entlastung testen, ohne Verantwortung an KI abzugeben.

Welche Rolle spielte internes Wissensmanagement?

Internes Wissensmanagement spielte eine zentrale Rolle, weil viele Informationen vorhanden waren, aber nicht immer schnell gefunden oder einheitlich genutzt wurden.

KI half dabei, neutrale Prozessinformationen in FAQ-Strukturen, Checklisten und Wissensbausteine zu überführen.

Die Krankenkasse nutzte KI, um interne Fragen besser zu sortieren und wiederkehrende Themen sichtbar zu machen. Fachbereiche prüften anschließend, welche Inhalte korrekt, aktuell und nutzbar waren. So entstand kein automatisches Wissenssystem, sondern ein strukturierter Startpunkt für bessere interne Orientierung.

Wie viele Personen nahmen am Seminar teil?

Am Inhouse-Seminar nahmen 14 Personen aus Kundenservice, Teamleitung, Kommunikation, Wissensmanagement, Fachkoordination und Datenschutzumfeld teil.

Diese Zusammensetzung war wichtig, weil KI-Anwendungen in einer Krankenkasse mehrere Schnittstellen betreffen.

Der Kundenservice brachte typische Anfragen ein, Wissensmanagement und Fachkoordination achteten auf Struktur und Richtigkeit, die Leitung auf Transferfähigkeit und der datenschutznahe Bereich auf sensible Grenzen. Dadurch entstand ein gemeinsames Verständnis, das über einzelne Abteilungen hinausging.

Was war das wichtigste Ergebnis der Schulung?

Das wichtigste Ergebnis war eine KI-Ampel mit geeigneten, prüfpflichtigen und ausgeschlossenen Aufgaben.

Zusätzlich entstanden erste Prompt-Vorlagen, eine Nicht-Nutzungsregel und drei sichere Pilotanwendungen.

Die Krankenkasse gewann vor allem Entscheidungssicherheit. Mitarbeitende konnten nach dem Seminar klarer unterscheiden, welche Aufgaben KI unterstützen darf und welche nicht. Diese Klarheit war wichtiger als ein schneller Rollout. Sie bildete die Grundlage für kontrollierte Anwendungsschritte im Alltag.

Warum wurde KI nur schrittweise eingeführt?

KI wurde schrittweise eingeführt, weil Krankenkassen mit sensiblen Daten arbeiten und sichere Pilotprozesse wichtiger sind als schnelle Automatisierung.

Der vorsichtige Einstieg reduzierte Risiken und erhöhte gleichzeitig die Akzeptanz im Team.

Statt sofort viele Anwendungen freizuschalten, startete die Organisation mit Service-Textentwürfen, internen FAQ-Strukturen und Recherchevorbereitungen. Diese Aufgaben waren überschaubar, nützlich und kontrollierbar. Dadurch konnten Erfahrungen gesammelt werden, bevor weitere Schritte entschieden wurden.

Welche externen Quellen waren für die Einordnung wichtig?

Wichtige externe Bezugspunkte waren BfDI, BSI, NIST und EU-Kommission, weil sie Datenschutz, KI-Sicherheit, Risikomanagement und AI Literacy abdecken.

Diese Quellen halfen, das Seminar nicht als reine Tool-Schulung, sondern als verantwortungsbewussten Organisationsprozess einzuordnen.

Die BfDI-Handreichung betont Datenschutz von Anfang an, das BSI liefert Orientierung zu KI-Sicherheit, NIST bietet einen Rahmen für KI-Risikomanagement und die EU-Kommission ordnet AI Literacy als Kompetenzthema ein. Für die Krankenkasse waren diese Quellen fachliche Leitplanken, keine juristische Einzelfallberatung.

Welche Grenzen wurden besonders betont?

Besonders betont wurden Grenzen bei Sozialdaten, Gesundheitsinformationen, konkreten Leistungsfällen, Diagnosen, Pflegeangaben und ungeprüften Fachinformationen.

Diese Grenzen wurden nicht nur theoretisch genannt, sondern anhand typischer Arbeitssituationen geübt.

Die Teilnehmenden lernten, sensible Informationen aus Aufgabenstellungen zu entfernen und mit neutralen Prompts zu arbeiten. Außerdem wurde festgelegt, dass KI-Ergebnisse keine Fachprüfung ersetzen. Gerade bei gesundheits- und sozialbezogenen Themen blieb menschliche Verantwortung ausdrücklich zentral.

Für welche Organisationen ist dieser Ansatz übertragbar?

Der Ansatz ist übertragbar auf Krankenkassen, Sozialversicherungsträger, Gesundheitsorganisationen, Verwaltungen und andere Einrichtungen mit sensiblen Daten.

Besonders geeignet ist er, wenn Mitarbeitende KI bereits testen, aber noch keine gemeinsamen Regeln existieren.

Die konkrete Ausgestaltung muss je nach Organisation angepasst werden. Das Grundprinzip bleibt jedoch ähnlich: AI Literacy aufbauen, sensible Daten ausschließen, geeignete Aufgaben definieren, Ergebnisse prüfen und kleine Pilotprozesse starten. So entsteht ein sicherer Einstieg ohne unkontrollierte Automatisierung.

Was unterscheidet diese Case Study von einer allgemeinen KI-Schulung?

Der Unterschied liegt im starken Bezug zu Krankenkassen, Sozialdaten, Servicekommunikation, Wissensmanagement und schrittweiser Einführung.

Die Schulung arbeitete nicht mit beliebigen Beispielen, sondern mit typischen Aufgaben einer Krankenkasse.

Dadurch konnten die Teilnehmenden KI direkt auf ihren Arbeitsalltag übertragen. Statt allgemeiner Tool-Tipps entstanden konkrete Regeln, Pilotideen, Prompt-Vorlagen und Grenzen. Genau dieser Praxisbezug macht Inhouse-Schulungen besonders wirksam.

 

Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist

Diese Case Study ist exemplarisch für die Arbeit der Bildungsakademie am Rosental, weil sie zeigt, wie KI-Schulungen aus realen Organisationsfragen heraus entwickelt werden. Die Krankenkasse in Trier brauchte keinen allgemeinen Zukunftsvortrag, sondern eine sichere Methodik für KI-Anwendungen in Service, Wissensmanagement und interner Kommunikation.

Die Bildungsakademie verbindet in solchen Projekten verständliche Grundlagen, praktische Übungen, branchenspezifische Anwendung und Transfer in bestehende Arbeitsprozesse. Gerade in Organisationen mit sensiblen Daten ist diese Verbindung entscheidend. KI kann nur dann sinnvoll eingeführt werden, wenn Datenschutz, Fachprüfung, Führung und Mitarbeitende gemeinsam handeln.

Der Projektbericht zeigt außerdem, warum die Case Studies der Bildungsakademie ein wichtiger Bestandteil des KI-Clusters sind. Sie machen sichtbar, wie aus allgemeinen Themen wie AI Literacy, KI-Anwendung und Datenschutz konkrete Lernprozesse in Organisationen entstehen.

 

Zusammenfassung: Sichere KI-Einführung gelingt mit klaren Grenzen und kleinen Pilotprozessen

Die Case Study zeigt, dass eine Krankenkasse in Trier KI sicher einführen konnte, weil sie mit AI Literacy, Datenschutzgrenzen, Fachprüfung und kontrollierten Pilotanwendungen begann.

Der Erfolg entstand nicht durch schnelle Automatisierung, sondern durch gemeinsame Orientierung. Das Team entwickelte eine KI-Ampel, sichere Prompt-Vorlagen, eine Nicht-Nutzungsregel und erste Pilotanwendungen für Service-Textentwürfe, interne FAQ und Recherchevorbereitung. Sensible Daten, konkrete Leistungsfälle und gesundheitsbezogene Informationen blieben ausgeschlossen.

Für Krankenkassen, Sozialversicherungsträger und Gesundheitsorganisationen ist dieser Ansatz besonders wertvoll, weil er Entlastung und Verantwortung verbindet. Eine praxisnahe KI-Inhouse-Schulung kann helfen, diese Balance systematisch aufzubauen.

 

English Summary

How a health insurance organization in Trier introduced AI safely and step by step

This anonymized case study describes how a health insurance organization in Trier introduced AI applications safely after an in-house seminar.

The project focused on AI literacy, data protection, service drafts, internal FAQ structures, knowledge management and controlled pilot use cases.

The organization did not automate sensitive insurance cases. Instead, it developed a traffic-light model for suitable, review-required and excluded AI tasks. Six weeks after the workshop, three pilot applications were in use: service text drafts, internal FAQ structures and research preparation with mandatory expert review. The case shows that responsible AI adoption in sensitive organizations starts with clear boundaries, human responsibility and step-by-step implementation.

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

Ähnliche Artikel:

• Case Study: Maschinenbauer in Siegen führte nach Schulung KI ohne eigene IT-Abteilung ein
• Case Study: Welche Aufgaben ein Handelsunternehmen in Celle nach unserem KI-Seminar automatisierte
• Case Study: Von Inhouse-Kurs zur Praxis – wie ein Bauunternehmen in Ulm in Projekten die KI etablierte
• Case Study: So steigerte eine Bank in Jena nach unserem GEO-Seminar ihre Sichtbarkeit
• Case Study: Wie ein Klinikteam sichere Regeln für KI, Dokumentation und interne Recherche entwickelte
• Case Study: Ablauf eines KI-Trainings in Mainz – vom Bedarfsgespräch über den Workshop-Tag bis zur Transferphase