{"id":77,"date":"2025-08-18T09:20:31","date_gmt":"2025-08-18T09:20:31","guid":{"rendered":"https:\/\/slategrey-woodpecker-305632.hostingersite.com\/?p=77"},"modified":"2026-02-25T13:04:36","modified_gmt":"2026-02-25T13:04:36","slug":"integrating-ai-into-an-existing-process-for-a-finance-advisory-office-to-reduce-workload-on-advisors-and-staff","status":"publish","type":"post","link":"https:\/\/braynex.ai\/de\/integrating-ai-into-an-existing-process-for-a-finance-advisory-office-to-reduce-workload-on-advisors-and-staff\/","title":{"rendered":"KI in einen bestehenden Prozess eines Finanzberatungsb\u00fcros integrieren, um die Arbeitslast von Beratern und Mitarbeitern zu reduzieren"},"content":{"rendered":"

Kunden\u00fcbersicht<\/strong><\/h2>\n\n\n\n

Branche: Finanzen<\/p>\n\n\n\n

Unternehmensgr\u00f6\u00dfe: 50-100 Mitarbeiter<\/p>\n\n\n\n

Hauptangebot\/Produkt: Finanzberatungsdienstleistungen<\/p>\n\n\n\n

Ausgangssituation & Herausforderungen<\/strong><\/h2>\n\n\n\n

Ausgangspunkt: Die Berater f\u00fchrten nach Bedarf Gespr\u00e4che mit ihren Kunden. Im Anschluss an diese Anrufe mussten sie die Besprechungen im ausgew\u00e4hlten CRM-System dokumentieren. Dieser Dokumentationsprozess nahm f\u00fcr die Berater sehr viel Zeit in Anspruch und erwies sich als Hindernis bei der Erreichung ihrer Produktivit\u00e4tsziele. Erschwerend kam hinzu, dass das Unternehmen zus\u00e4tzliches Personal einstellte, um ROAs (Record of Advice \/ Beratungsprotokolle) und SOAs (Statement of Advice \/ Beratungsdokumentationen) zu entwerfen, mit dem Ziel, die Arbeitsbelastung der Berater bei solchen Aufgaben zu senken.<\/p>\n\n\n\n

Zentrale Problempunkte (Key Pain Points):<\/strong><\/p>\n\n\n\n

Um die Arbeitslast der Berater zu verringern, musste das Unternehmen Prozesse f\u00fcr Rekrutierung, Einarbeitung und Management von Mitarbeitern durchlaufen, die f\u00fcr die Erstellung von ROAs und SOAs eingestellt wurden. Dies f\u00fchrte zu zus\u00e4tzlichen Kosten und erh\u00f6hte die Arbeitsbelastung der F\u00fchrungskr\u00e4fte \/ der f\u00fcr die Schulung verantwortlichen Mitarbeiter.<\/p>\n\n\n\n

Die Dokumentation der Besprechungen kostete zus\u00e4tzliche Zeit und musste \u00e4u\u00dferst gr\u00fcndlich sein, damit das Zusatzpersonal, das an den ROAs und SOAs arbeitete, \u00fcber alle notwendigen Informationen verf\u00fcgte. Dies resultierte in einer zus\u00e4tzlichen Arbeitsbelastung f\u00fcr die Berater und in Mehrkosten f\u00fcr das Unternehmen.<\/p>\n\n\n\n

Unser Ansatz & Ergriffene Ma\u00dfnahmen<\/strong><\/h2>\n\n\n\n

Analyse & Einblicke:<\/strong><\/p>\n\n\n\n

Wir baten darum, uns beispielhafte Aktennotizen (interne Dokumentationsdateien), ROAs und SOAs sowie die Vorlagen f\u00fcr diese Dokumente zur Verf\u00fcgung zu stellen (darunter mehr als 10 verschiedene ROA-Vorlagen).<\/p>\n\n\n\n

Nachdem wir uns mit dem Material und der Komplexit\u00e4t dieser Dokumente vertraut gemacht hatten, baten wir darum, an einer Schulungssitzung f\u00fcr die neuen Mitarbeiter teilzunehmen, die f\u00fcr die Erstellung von ROAs und SOAs zust\u00e4ndig sein w\u00fcrden. So wollten wir vollst\u00e4ndig verstehen, welche relevanten Informationen bei der Erstellung von ROAs und SOAs ber\u00fccksichtigt werden m\u00fcssen. Unser Partner stellte uns Aufzeichnungen von Schulungen fr\u00fcherer Teammitglieder zur Verf\u00fcgung, die alle von uns gew\u00fcnschten Punkte abdeckten.<\/p>\n\n\n\n

Schlie\u00dflich forderten wir die Aufzeichnungen von Beratungsgespr\u00e4chen sowie die dazugeh\u00f6rigen Aktennotizen und ROAs an, um die Beziehung zwischen dem Input aus dem Meeting und dem von unserem Partner erwarteten Output vollst\u00e4ndig zu erfassen.<\/p>\n\n\n\n

Anforderungen und Erwartungen:<\/h2>\n\n\n\n

Nach Beratungen wurde beschlossen, diesen Prozess vollst\u00e4ndig zu automatisieren, wobei der Workflow direkt nach Beendigung des Beratungsgespr\u00e4chs beginnen sollte.<\/p>\n\n\n\n

Bevor der Prozess vollst\u00e4ndig automatisiert wurde, schlug das Braynex-Team vor, eine UI-App (Benutzeroberfl\u00e4che) zu entwickeln. Diese sollte es den Mitarbeitern erm\u00f6glichen, das Tool \u00fcber einen l\u00e4ngeren Zeitraum produktiv zu nutzen, um m\u00f6gliche Randf\u00e4lle (Edge Cases) aufzudecken, die auftreten k\u00f6nnten.<\/p>\n\n\n\n

Der Prozess sollte den automatischen E-Mail-Versand des ROA an den Kunden beinhalten. Diese Anforderung sollte hinzugef\u00fcgt werden, nachdem die L\u00f6sung die UI-Integrationsphase abgeschlossen hatte.<\/p>\n\n\n\n

Wie sind wir diese L\u00f6sung angegangen (Architektur & Erkenntnisse):<\/strong><\/h2>\n\n\n\n

Aus der Schulungssitzung wurde deutlich, dass der erste Schritt vor dem Entwurf eines ROA (Record of Advice) oder SOA (Statement of Advice) immer darin bestand, die Aktennotiz (File Note) fertigzustellen (die vom Berater ausgef\u00fcllt w\u00fcrde). Daher entschieden wir uns ebenfalls, die Erstellung von ROA\/SOA auf die Aktennotiz selbst zu st\u00fctzen, anstatt auf das Transkript des Meetings. Somit war klar, dass unser Ausgangspunkt darin bestand, eine Aktennotiz aus dem Transkript des Anrufs zu erstellen und diese Aktennotiz anschlie\u00dfend zur Erstellung des ROA\/SOA zu verwenden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  1. 1. Erstellung einer Aktennotiz aus dem Transkript<\/li>\n<\/ol>\n\n\n\n

    Die wichtigsten Punkte, die hier ber\u00fccksichtigt werden mussten, waren sicherzustellen, dass keine Informationen \u00fcbersehen werden, die generierten Dokumente konsistent und zuverl\u00e4ssig sind und dass keine Halluzinationen auftreten. Um diese Probleme anzugehen, entschieden wir uns, Extraktionsaufgaben zu vermeiden (bei denen wir einen Agenten auffordern, Informationen aus einem Textabschnitt zu extrahieren) und stattdessen eine Zusammenfassungslogik (Summarize Logic) zu w\u00e4hlen.\u00a0<\/p>\n\n\n\n

    Nachdem das Transkript in kleinere Textabschnitte (Chunks) unterteilt wurde, auf die eine \u00dcberlagerungslogik (Overlay Logic) angewendet wurde, setzten wir den \"Klassifizierungs-Agenten\" ein (dies war eigentlich ein Wrapper\/eine Instanz, aber wir nannten sie Agenten, um sie als KI-Objekte besser erkennbar zu machen).<\/p>\n\n\n\n

    Aber was sollte der Klassifizierungs-Agent klassifizieren? \u2013 Wir wollten die KI-Systemarchitektur um die Aktennotiz-Vorlage herum aufbauen. Der Grund daf\u00fcr war, dass die Aktennotiz nur eine Standardvorlage hatte. Da wir uns an den gesch\u00e4ftlichen Anforderungen orientieren mussten, entschieden wir uns, dies als Ausgangspunkt zu nehmen, indem wir jeden Abschnitt dieser Aktennotiz als eine Eigenschaft in unserem KI-System behandelten und f\u00fcr jeden Abschnitt relevante Agenten erstellten.<\/p>\n\n\n\n

    Der Klassifizierungs-Agent geht also einen Textabschnitt aus dem Transkript durch und entscheidet, welcher Abschnitt der Aktennotiz am besten zu dieser Diskussion passt, aus einem Pool von 14 Optionen (standardm\u00e4\u00dfig wurde fast jeder der Abschnitte in einem Beratungsgespr\u00e4ch besprochen).<\/p>\n\n\n\n

    Nachdem die gesamten Abschnitte des Transkripts klassifiziert und dem richtigen Abschnitts-Agenten zugeordnet waren, wurde jeder Abschnitts-Agent mit einer Zusammenfassungsaufgabe ausgel\u00f6st. Dabei nahm er alle f\u00fcr diesen Abschnitt klassifizierten Textteile als Input und gab eine detaillierte Zusammenfassung dieser Teile aus.<\/p>\n\n\n\n

    Am Ende wurde die Aktennotiz erstellt, indem alle nicht-leeren Abschnitte per Code zusammengesetzt wurden (hier wurde keine KI eingesetzt, um eine h\u00f6here Konsistenz und Zuverl\u00e4ssigkeit zu gew\u00e4hrleisten).<\/p>\n\n\n\n

    Wir f\u00fcgten einen zus\u00e4tzlichen \"Abschnitts-Agenten\" namens \"GeneralPurposeAgent\" hinzu, der in der eigentlichen Aktennotiz-Vorlage nicht existierte. Wir f\u00fcgten diesen Agenten hinzu, um alle Randf\u00e4lle abzufangen, die vielleicht nicht genau in einen Abschnitt passen, obwohl diese F\u00e4lle recht selten waren.<\/p>\n\n\n\n

    2. Erstellung von ROAs\/SOAs aus der Aktennotiz<\/p>\n\n\n\n

    Diese Funktion war einfach zu implementieren, nachdem wir konsistente, zuverl\u00e4ssige Aktennotizen aus dem Transkript erhalten hatten, da die ROAs und SOAs von einem Agenten generiert wurden, der die Aktennotiz selbst als Input nahm und nicht das Transkript. Es gab \u00fcber 7 Vorlagen f\u00fcr diese Dokumente, und das Ergebnis dieser Implementierung waren ebenfalls konsistente, zuverl\u00e4ssige Dokumente.<\/p>\n\n\n\n

    L\u00f6sungsdetails:<\/strong><\/h2>\n\n\n\n

    Verwendete Tools\/Technologien:<\/p>\n\n\n\n

      \n
    • Azure OpenAI Service<\/li>\n\n\n\n
    • LangChain<\/li>\n\n\n\n
    • Python, SQL, React + Vite<\/li>\n\n\n\n
    • Azure Graph API
      <\/li>\n<\/ul>\n\n\n\n

      <\/p>\n\n\n\n

      Einzigartige Anpassungen f\u00fcr den Kunden:<\/p>\n\n\n\n

        \n
      • Hinzuf\u00fcgen einer einfachen CRM-Funktion innerhalb der App f\u00fcr die Testphase<\/li>\n<\/ul>\n\n\n\n

        Wichtigste Erkenntnisse (Key Takeaways)<\/strong>:<\/h2>\n\n\n\n

        Die Arbeit mit dem Azure OpenAI Service und der Einsatz von mehr als 14 Agenten erm\u00f6glichten eine sehr schnelle Verarbeitung der Transkripte. Durch die Nutzung von Parallelisierung konnten wir alle Agenten gleichzeitig ausl\u00f6sen und schnelle Ergebnisse erzielen.<\/p>\n\n\n\n

        Was wirklich gut funktionierte, war die Gestaltung der Architektur der Zusammenfassungs-\/Abschnitts-Agenten basierend auf der Aktennotiz-Vorlage. Dieser Teil der Architektur tr\u00e4gt die Verantwortung daf\u00fcr, alle erforderlichen Informationen aus dem Transkript in die Dokumente zu \u00fcbertragen. Wenn die Ergebnisse hier unzureichend gewesen w\u00e4ren, h\u00e4tte dies den gesamten Prozess beeintr\u00e4chtigt. Wir m\u00fcssen jedoch hinzuf\u00fcgen, dass diese Architektur aufgrund der klar definierten Abschnitte der Aktennotiz-Vorlage m\u00f6glich war, die sich sehr deutlich voneinander unterschieden.<\/p>\n\n\n\n

        <\/p>","protected":false},"excerpt":{"rendered":"

        Integrating an AI backend application to automate language tasks in a Finance Advisory Office.
        \nChallenges overview, and our approach to solve them.<\/p>","protected":false},"author":1,"featured_media":3037,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-77","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/posts\/77","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/comments?post=77"}],"version-history":[{"count":14,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/posts\/77\/revisions"}],"predecessor-version":[{"id":3447,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/posts\/77\/revisions\/3447"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/media\/3037"}],"wp:attachment":[{"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/media?parent=77"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/categories?post=77"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/braynex.ai\/de\/wp-json\/wp\/v2\/tags?post=77"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}