Der Einsatz von Microsoft Copilot zur Unterstützung des Entschädigungsprozesses - ein Pilot beim Schweizerischen Nationalfonds

Die Integration generativer Künstlicher Intelligenz in betriebliche Prozesse ist aktuell ein zentrales Thema für viele Organisationen. Insbesondere KI‑basierte Assistenzsysteme wie Microsoft Copilot versprechen, Mitarbeitende bei komplexen, wissensintensiven Aufgaben gezielt zu unterstützen. Gleichzeitig stellt sich die Frage, unter welchen Bedingungen solche Systeme in regulierten und stark regelbasierten Kontexten tatsächlich einen Mehrwert liefern können.

Kontext

Der Schweizerische Nationalfonds (SNF) hat im Rahmen eines grossen Statutenrevisionsprojektes seine Organisationsstruktur sowie die zugrunde liegenden Rechtsgrundlagen angepasst. Für Organe und Milizgremien wurden per 2025 neue Entschädigungsreglemente und interne Richtlinien eingeführt, die den Entschädigungsprozess massgeblich prägen. Die Bearbeitung von Entschädigungsfällen erfolgt seitdem auf Basis dieser erweiterten Regelwerke und erfordert eine sorgfältige Interpretation unterschiedlicher Vorschriften sowie deren konsistente Anwendung im Einzelfall. Gleichzeitig ist der Prozess durch eine Vielzahl von Sonderfällen und Abhängigkeiten gekennzeichnet, was den Aufwand für Abklärungen erhöht und die Anfälligkeit für Inkonsistenzen verstärkt.

Parallel dazu wurde Microsoft Copilot als KI‑basiertes Assistenzsystem im SNF eingeführt. Obwohl erste Anwendungsfälle bereits bestehen, ist bislang unklar, inwieweit generative KI auch in einem stark regelbasierten und organisationsspezifischen Kontext wie dem Entschädigungsprozess sinnvoll eingesetzt werden kann.

Diese Bachelorarbeit greift diese Fragestellung auf.

Ziel

Ziel der Bachelorarbeit ist es, die Einsatzmöglichkeiten und Grenzen eines Copilot‑basierten KI‑Agenten im Entschädigungsprozess systematisch zu untersuchen. Im Zentrum stehen dabei drei Forschungsfragen. Erstens wird analysiert, bei welchen Aufgaben im Prozess ein KI‑Agent sinnvoll unterstützen kann. Zweitens wird untersucht, anhand welcher Kriterien und Metriken ein solcher Agent im Anwendungskontext evaluiert werden kann. Drittens wird untersucht, wie zuverlässig der entwickelte Prototyp im Pilotbetrieb funktioniert.

Im Fokus steht die Entwicklung und Evaluation eines Copilot‑basierten KI‑Agenten für den Entschädigungsprozess sowie die Analyse seiner Einsatzmöglichkeiten und Grenzen innerhalb des SNFs.

Methode

Die Arbeit basiert auf dem Design‑Science‑Research‑Ansatz und folgt einem iterativen Vorgehen. Nach einer Analyse des Prozesses und der Definition eines Anforderungskatalogs wurde ein erster Prototyp eines deklarativen, wissensbasierten Agents entwickelt.

In einer ersten Iteration wurde der Agent anhand eines strukturierten Anforderungskatalogs getestet. Basierend auf den Ergebnissen wurde der Prototyp in einer zweiten Iteration durch optimierte Anweisungen und eine präzisere Wissensbasis weiterentwickelt. Die Evaluation erfolgte mittels funktionaler Tests, szenarienbasierter Anwendungsfälle sowie ergänzendem Nutzerfeedback.

Ergebnisse

Die Ergebnisse zeigen, dass ein domänenspezifischer Copilot‑Agent insbesondere bei standardisierten und regelbasierten Aufgaben einen klaren Mehrwert bietet. Dazu zählen vor allem das Nachschlagen von Reglementen, die strukturierte Aufbereitung von Informationen sowie die fachliche Einordnung von Entschädigungsfällen.

Die Bewertung erfolgte anhand mehrerer Kriterien, darunter insbesondere die fachliche Korrektheit, die Konsistenz der Antworten, der Quellenbezug sowie nutzerzentrierte Aspekte wie Verständlichkeit und wahrgenommener Nutzen. In diesen Bereichen konnte der Agent insbesondere nach der zweiten Iteration deutliche Verbesserungen erzielen.

Die Leistungsfähigkeit ist jedoch stark kontextabhängig. Während der Agent bei klar definierten Fragestellungen zuverlässig arbeitet, zeigen sich Einschränkungen bei komplexeren oder mehrdeutigen Fällen. In solchen Situationen bleibt eine fachliche Überprüfung durch Mitarbeitende notwendig. Das ergänzende Nutzerfeedback bestätigt den praktischen Nutzen des Agents zur Orientierung in komplexen Regelwerken, zeigt jedoch auch, dass das Vertrauen in die Antworten stark vom jeweiligen Anwendungsfall abhängt.

Insgesamt zeigt sich, dass der grösste Mehrwert des Agenten in der Unterstützung und Strukturierung von Wissen liegt, nicht jedoch in der eigenständigen Entscheidungsfindung.