MedTech · Compliance und Prozessautomatisierung
Sicherheitsfragebögen beantwortet in einer Woche statt in einem Monat
Jedes Krankenhaus, das die medizinische AR-Plattform von apoQlar einführen wollte, verlangte zuerst einen ausgefüllten Sicherheitsfragebogen, mit Dutzenden oder Hunderten Fragen zu Datenschutz, Compliance und technischer Sicherheit. Einer davon kostete einen Monat und acht bis zehn Personen. Ein GenAI-Assistent schafft das jetzt in unter einer Woche mit einem kleinen Prüfteam.
Ergebnisse
Kunde: apoQlar
Ein MedTech-Unternehmen aus Hamburg, das Mixed-Reality- und KI-Lösungen für das Gesundheitswesen entwickelt. Seine Plattform bringt holografische Bildgebung in den Operationssaal.
- Branche
- MedTech
- Anwendungsfall
- Automatisierung von Sicherheitsfragebögen
- KI-Ansatz
- RAG und LLM auf Azure
- Datenquelle
- Richtlinien als PDF, Confluence
- Ergebnis
- Antworten mit Quellenangabe
- Produkt
- Zippy (theBlue.ai)
Kurz gefasst
Ein Monat Gremienarbeit, ersetzt durch eine Person, die prüft
- Jeder Krankenhauskunde verlangte einen Sicherheitsfragebogen mit Dutzenden oder Hunderten Fragen, bevor er die Plattform von apoQlar einführte.
- Einer davon kostete einen Monat und acht bis zehn Personen aus IT, Recht, Compliance und Produkt, obwohl die Antworten längst in internen Dokumenten standen.
- Ein Retrieval-Assistent auf Azure entwirft jetzt jede Antwort mit Dokumentname und Seite, aus der sie stammt, sodass eine Person prüft, statt dass zehn suchen.
- Die Bearbeitung sank auf unter eine Woche, die Kundeneinführung von sechs auf zwei Wochen, und die Ersparnis liegt bei rund 90.000 Dollar im Jahr.
Die Ausgangslage
Die Aufgabe
Jeder neue Krankenhauskunde brauchte einen ausgefüllten Sicherheitsfragebogen, der einen Monat und acht bis zehn Personen band, obwohl die meisten Antworten irgendwo in der eigenen Dokumentation schon vorhanden waren.
Bevor ein Krankenhaus ein MedTech-Produkt einführen kann, muss der Anbieter strenge Sicherheits- und Datenschutzstandards nachweisen. In der Praxis heißt das: Fragebögen mit Dutzenden oder Hunderten Fragen zu Verschlüsselung, Zugriffskontrollen, Incident Response, Schwachstellenmanagement und internen Richtlinien.
Bei apoQlar brauchte jeder Fragebogen Beiträge von acht bis zehn Personen aus IT, Recht, Compliance und Produkt. Jemand musste das richtige Richtliniendokument finden, den passenden Abschnitt suchen, eine Antwort formulieren und sie prüfen lassen. Weil jeder nach eigenem Zeitplan arbeitet, dauerte ein Fragebogen rund einen Monat.
Bei etwa 15 neuen Krankenhauseinführungen pro Jahr war das eine dauerhafte Belastung für das Team und der größte Engpass im Vertriebszyklus.
Der Bau
Was wir gebaut haben
Wir haben Zippy gebaut, einen GenAI-Assistenten, der Sicherheitsfragebögen aus der eigenen Dokumentation von apoQlar beantwortet. Statt dass acht bis zehn Personen Richtlinien und Confluence durchsuchen, lässt eine Person den Fragebogen durch Zippy laufen und prüft das Ergebnis.
Retrieval über die eigenen Dokumente
Das System verbindet ein Sprachmodell mit der gesamten Dokumentenbasis von apoQlar: Sicherheitsrichtlinien als PDF und technische Dokumentation aus Confluence. Azure OpenAI Services betreiben das Modell, ChromaDB dient als Vektordatenbank. Die gesamte Verarbeitung bleibt in Microsoft Azure, wie es Enterprise-Sicherheit verlangt.
Jede Antwort nennt ihre Quelle
Jede Antwort enthält den genauen Dokumentnamen und die Seitenzahl, aus der sie stammt. Für Compliance-Arbeit zählt das: Wer prüft, sieht sofort, woher eine Antwort kommt, statt einer undurchsichtigen Ausgabe zu vertrauen. Und die Prüfung geht deutlich schneller.
Dokumentverarbeitung für jedes Format
Richtlinien-PDFs und Confluence-Seiten kommen in sehr unterschiedlicher Form. Wir haben für jede Quelle eigene Extraktions- und Chunking-Strategien entwickelt, die Struktur und Metadaten erhalten, sodass die Suche nicht nur den passenden Text findet, sondern den genauen Abschnitt und die Seite im Original.
Feedback, das auch die Dokumentation besser macht
Nutzer markieren ungenaue Antworten direkt in der Oberfläche. LangFuse erfasst dieses Feedback zusammen mit Prompt-Versionen, Kosten und Latenz. Wo Zippy schlecht antwortet, zeigt es eine Lücke in der Dokumentation, und das gibt den Teams einen Grund, ihre Richtlinien aktuell zu halten.
Was sich geändert hat
Das Ergebnis
Vorher
Rund ein Monat pro Fragebogen. Acht bis zehn Personen aus IT, Recht, Compliance und Produkt durchsuchten Richtlinien und Confluence von Hand, und jede neue Krankenhauseinführung wartete auf sie.
Nachher
Unter einer Woche pro Fragebogen. Eine Person lässt ihn durch Zippy laufen, ein kleines Team prüft, und jede Antwort trägt Dokument und Seite, aus der sie stammt. Die Kundeneinführung sank von sechs auf zwei Wochen.
Die Bearbeitungszeit sank um 75 Prozent, die Zahl der Beteiligten fiel von acht bis zehn auf ein kleines Prüfteam, und die geschätzte Ersparnis bei rund 15 Fragebögen im Jahr liegt bei etwa 90.000 Dollar allein an Arbeitszeit.
Die kommerzielle Wirkung ist größer als die Einsparung. Die Kundeneinführung ging von sechs auf zwei Wochen, und das beschleunigt direkt, wie schnell apoQlar seine Lösung in Krankenhäuser bringt.
Die Feedback-Schleife brachte etwas, das niemand geplant hatte. Weil Zippy zeigt, welche Fragen es nicht gut beantworten kann, sieht apoQlar jetzt, wo die Dokumentation lückenhaft ist, und das verbessert die Richtlinien unabhängig von jedem Fragebogen.
Das Ausfüllen von Sicherheitsfragebögen ist kein logistischer Albtraum mehr. Das neue System lässt sich leicht handhaben und sorgt dafür, dass unsere Antworten genau und vollständig sind.
Fragen zu diesem Projekt
Automatisierung von Sicherheitsfragebögen. Jeder neue Krankenhauskunde brauchte einen ausgefüllten Sicherheitsfragebogen, der einen Monat und acht bis zehn Personen band, obwohl die meisten Antworten irgendwo in der eigenen Dokumentation schon vorhanden waren.
Bearbeitungszeit, von rund einem Monat auf unter eine Woche: –75 %. Geschätzte Ersparnis pro Jahr bei rund 15 Fragebögen: 90.000 $. Kundeneinführung um zwei Drittel verkürzt: 6 → 2 Wo.. Beteiligte Personen, von acht bis zehn auf ein Prüfteam: 8 → 2.
RAG und LLM auf Azure. Eingesetzte Technik: RAG-Architektur, Azure OpenAI Services, ChromaDB, LangChain, LangFuse, Streamlit, Python, Confluence-Integration, PDF-Verarbeitung.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
MedTech · Interne Prozessautomatisierung
Hunderte Produktdokumente, beantwortet in Sekunden, mit Quelle
Mehr lesen
Gesundheitswesen · Krankenhausbetrieb
Patientendaten automatisch anonymisiert, auf den Servern der Klinik
Mehr lesen
Dienstleistungen · Datenschutz und DSGVO