KI in der Sachbearbeitung: Was bleibt, was verschwindet

47 Vorgänge stehen im Posteingang, als Petra an einem Montagmorgen ihren Rechner hochfährt. Kostenübernahmen, Widersprüche, Bestandsprüfungen, alles bei einer gesetzlichen Krankenkasse. Sie nimmt den ersten Fall, trinkt ihren Kaffee, arbeitet sich durch. Die Frage ist nicht, ob Petra in fünf Jahren noch dort sitzt. Wahrscheinlich tut sie das. Die Frage ist, ob sie ihren Job dann noch wiedererkennt.

// 01 / 07Wie Sachbearbeitung bisher funktioniert

Verwaltungs- und Sachbearbeitungsberufe teilen eine gemeinsame DNA, ob in Versicherungen, Krankenkassen, Behörden oder Bankfilialen. Ein großer Teil ihrer Arbeit ist das, was Ökonomen regelbasierte Mustererkennung nennen. Ein Antrag kommt herein. Er wird gegen ein Regelwerk geprüft. Er passt oder er passt nicht. Eine Entscheidung fällt, Daten werden eingetragen, ein Brief geht raus.

Dieser Kernprozess ist repetitiv, regelgebunden und dokumentenbasiert, also eine Kombination, die aus Sicht der KI-Automatisierung beinahe idealtypisch ist. Das US-amerikanische Bureau of Labor Statistics rechnet damit, dass in den USA bis 2029 rund eine Million Stellen im Bereich Office and Administrative Support wegfallen, als direkte Folge von Automatisierung durch Technologie und KI. Das sind keine hypothetischen Modelle, sondern Projektionen auf Basis aktueller Einführungsraten.

Schaut man auf einen typischen Arbeitstag, lassen sich die meisten Tätigkeiten in drei Gruppen sortieren. Dokumentenprüfung und Datenabgleich, also eingegangene Formulare gegen Stammdaten, Gesetzestexte und interne Richtlinien halten. Standardentscheidungen, also Anträge genehmigen oder ablehnen, wenn die Kriterien klar erfüllt oder klar verfehlt sind. Und Standardkorrespondenz, also Bestätigungen, Ablehnungsbescheide und Nachforderungen nach Vorlage. Diese drei Gruppen machen in vielen Verwaltungsberufen 60 bis 80 Prozent der täglichen Arbeit aus, und genau dafür sind heutige KI-Systeme leistungsfähig genug.

// 02 / 07Wenn der Agent die Akte übernimmt

Die Entwicklung, die Sachbearbeitung am stärksten unter Druck setzt, heißt Agentic Process Automation, kurz APA. Sie ist der Sprung über das klassische Robotic Process Automation hinaus.

Klassisches RPA, bekannt aus Tools wie UiPath oder Blue Prism, funktioniert wie ein sehr präzises Makro. Es folgt starren Regeln, führt wiederkehrende Klick- und Eingabesequenzen aus und scheitert sofort, sobald etwas vom erwarteten Muster abweicht. Agentic Process Automation mit LLM-Agenten geht einen entscheidenden Schritt weiter. Statt starrer Regeln verarbeitet das System natürliche Sprache, unstrukturierte Dokumente und komplexe Regelwerke. Es kann Ausnahmen erkennen, Kontext berücksichtigen und aus Grenzfällen lernen.

Was das in der Praxis bedeutet, zeigt eine dokumentierte Fallstudie zur Automatisierung von Unternehmensfinanzprozessen. Dort prüft ein System aus generativer KI und Intelligent Document Processing eingehende Belege per OCR, gleicht sie gegen interne Richtlinien ab, bewertet Grenzfälle per LLM-Analyse und leitet nur echte Ausnahmen an Menschen weiter. Das Resultat war eine Reduktion der Bearbeitungszeit um über 80 Prozent, bei gleichzeitig sinkender Fehlerquote und steigender Compliance.

Im Versicherungsbereich fallen die Zahlen noch deutlicher aus. Systeme, die RPA und KI kombinieren, drücken die Bearbeitung von Standardanträgen von typischerweise 72 Stunden auf unter fünf Minuten, bei einer Genauigkeit von rund 99 Prozent auf Standardformularen. Die Betriebskosten von Claims-Abteilungen sinken um 40 bis 70 Prozent. Für die Interpretation komplexer Regelwerke, also genau das, was Sachbearbeiter in Behörden und Krankenkassen täglich tun, wurden zudem RAG-basierte Systeme entwickelt, die Gesetzestexte und Satzungen lesen, einordnen und korrekte Entscheidungen ableiten. In Tests erreichen sie bei Standardfragen eine Entscheidungsqualität auf dem Niveau menschlicher Fachleute.

Konkret heißt das: Ein KI-Agent liest einen 40-seitigen Widerspruch, vergleicht ihn mit der aktuellen Krankenkassensatzung, ordnet ihn rechtlich ein und gibt binnen Sekunden eine begründete Empfehlung aus. Was früher 90 Minuten Sachbearbeitung kostete, dauert dann 45 Sekunden.

// 03 / 07Wo Menschen gewinnen

KI-Systeme stoßen an eine klare Grenze. Sie sind sehr gut darin, klare Regeln auf klare Fälle anzuwenden. Sie scheitern verlässlich an einem Typus, der in der Praxis ständig auftaucht, dem Härtefall.

Ein Härtefall ist kein ungewöhnlicher Datensatz, sondern eine menschliche Situation. Die 68-jährige Rentnerin, deren Antrag formal nicht den Richtlinien entspricht, deren persönliche Lage aber eine Ausnahme rechtfertigen würde. Der Selbstständige in einer Lebenskrise, der ein Gespräch braucht und kein PDF. Der schwer erkrankte Patient, der zum ersten Mal mit dem Kassensystem konfrontiert und schlicht überfordert ist.

Forschung zur kognitiven Automation bestätigt, dass nicht-lineare, empathieabhängige Entscheidungen die robustesten Verbleibebereiche menschlicher Arbeit sind. Also genau die Situationen, in denen Erfahrungsurteil über reine Regelanwendung hinausgeht. Eine KI kann Faktoren abwägen. Verantwortung übernehmen kann sie nicht, echten Trost spenden auch nicht, und gelebte Erfahrung bringt sie ohnehin nicht ein.

// 04 / 07Ein Tag im Job: heute und in fünf Jahren

Heute beginnt Petras Morgen um halb neun mit 47 offenen Vorgängen. Der erste ist ein Antrag auf Kostenübernahme für eine Reha. Sie prüft von Hand: Liegt ein ärztliches Attest vor, stimmen die Diagnose-Codes, ist die Leistung im Katalog, wurde die Wartezeit eingehalten? Nach 25 Minuten steht die Genehmigung, der Brief wird erzeugt. Der nächste Fall ist ein Widerspruch gegen abgelehnte Krankengymnastik. Sie recherchiert im Satzungswerk, gleicht mit dem Schreiben ab, hält Rücksprache mit der Fachabteilung. 45 Minuten, am Ende teilweise stattgegeben. Am Abend sind elf Fälle erledigt, 36 bleiben offen.

In der Version von 2030 sieht der Morgen anders aus. Das KI-System hat über Nacht 38 der 47 Vorgänge automatisch abgeschlossen, mit begründeten Entscheidungen, Aktenvermerken und versandten Bescheiden, bei einer Fehlerquote unter einem Prozent auf Standardfällen. Petras Queue zeigt neun Fälle, alle als Ausnahmen markiert. Grenzfälle, bei denen das System unsicher ist, oder Situationen mit hohem Bedarf an Fingerspitzengefühl. Der erste Fall: ein 72-jähriger Mann, dessen Antrag formal abgelehnt wurde, dessen begleitende soziale Indikatoren das System aber als hohe Vulnerabilität einstuft. Petra führt ein 20-minütiges Gespräch, erkennt den eigentlichen Beratungsbedarf und leitet ihn an den Sozialdienst weiter. Am Abend sind es neun komplexe Fälle, tiefgehend, menschlich, mit echter Wirkung. Kein Bescheid-Generator mehr, sondern eine Entscheiderin in realen Lebenslagen.

// 05 / 07Drei Schritte, um sich unverzichtbar zu machen

Die Transformation passiert nicht über Nacht, und sie verlangt keine Umschulung zur Data Scientist. Sie verlangt eine gezielte Verschiebung des eigenen Wertbeitrags, und die ist machbar.

Der erste Schritt ist eine ehrliche Bestandsaufnahme. Welche Aufgaben im eigenen Arbeitstag sind repetitiv, regelbasiert und dokumentengetrieben, und welche verlangen Urteil, Empathie oder kontextuelles Wissen? Die erste Gruppe geht mittelfristig an KI, die zweite ist das Wachstumsfeld. Diese Ehrlichkeit ist kein Selbstangriff, sondern strategische Klarheit.

Der zweite Schritt ist KI-Literacy als Basiskompetenz. Niemand muss programmieren lernen. Aber man muss verstehen, wie KI-gestützte Systeme im eigenen Bereich arbeiten, welche Entscheidungen sie eigenständig treffen dürfen und wo man als Prüfer oder Eskalationspunkt eingreift. Wer die Logik des Systems versteht, ist wertvoller als wer nur Formulare ausfüllt. Viele Kassen und Unternehmen bieten interne AI-Literacy-Programme an, die man aktiv nutzen sollte.

Der dritte Schritt ist, komplexe Fälle zur Kernkompetenz zu machen. Das Wertvollste, was eine Sachbearbeiterin tun kann, ist sich bewusst auf die Fälle zuzubewegen, die Maschinen nicht lösen: Widersprüche mit emotionalem Hintergrund, Härtefälle mit Ermessensspielraum, Eskalationen mit Fingerspitzengefühl. Diese Fälle werden nicht weniger, sondern relativ wichtiger, weil alles andere automatisiert wird. Wer sich hier als Expertin positioniert, wird zum Flaschenhals des Systems, und zwar im guten Sinn.

// 06 / 07Endstation oder Wendepunkt

Die Sachbearbeitung in ihrer heutigen Form hat ein Ablaufdatum. Nicht weil Menschen dort schlechte Arbeit leisten, sondern weil ein Großteil dieser Arbeit strukturell für Automatisierung gemacht ist. Das ist eine ehrliche Feststellung, keine Provokation.

Nur ist das nicht das Ende der Geschichte. In dem Moment, in dem KI den Papierkram übernimmt, wird etwas frei: Zeit, Kapazität und Aufmerksamkeit für die Fälle, die wirklich zählen. Für Menschen in Lebenskrisen, für Situationen, die kein Regelwerk abbildet, für echte Beratung statt maschineller Abfertigung. Der Job verschwindet nicht, er wird besser. Allerdings nur für die, die jetzt den nächsten Schritt gehen.

Diese Reihe ordnet die größere Bewegung ein: warum KI zuerst die Bürojobs trifft, welche Berufe sicher bleiben, welche menschlichen Fähigkeiten zur neuen Hard Skill werden und wie man KI im Alltag orchestriert.

// 07 / 07Quellen

• The Future of Office and Administrative Support Occupations in the Era of AI: A Bibliometric Analysis (arXiv)
• The Future of Office and Administrative Support Occupations in the Era of AI (Elsevier)
• Stairway to Heaven or Highway to Hell: A Model for Assessing Cognitive Automation Use Cases
• ProAgent: From Robotic Process Automation to Agentic Process Automation
• E2E Process Automation Leveraging Generative AI and IDP-Based Automation Agent
• The Basics of Robotic Process Automation in Insurance Claims
• Towards Intelligent Tax Systems: Evaluating NLP Approaches for Pakistan's Fiscal Needs
• Engineering Trustworthy Retrieval-Augmented Generation for EU Electricity Market Regulation
• Automation and the Changing Nature of Work
• Artificial Intelligence and the Future of Job Security: A Narrative Review

Quellen und Methodik: Dieser Artikel stützt sich auf empirische Fallstudien zur End-to-End-Prozessautomatisierung (IEEE/OJS 2025), Industrieberichte zu RPA in Versicherungen (IJFMR 2024), Projektionen des U.S. Bureau of Labor Statistics sowie akademische Forschung zu agentischen LLM-Workflows (arXiv 2023 bis 2025) und zur kognitiven Automatisierung von Verwaltungsaufgaben. Alle quantitativen Aussagen sind mit Primärquellen belegt.