En AI-agent der læser, forstår og skriver udkast — så mennesker kan fokusere på at beslutte.

Hver indkommende mail rammer agentens pipeline. Den klassificerer mailen efter type (forespørgsel, skade, ændringsanmodning, klage), trækker nøgleinformationer ud (medlems-ID, policenummer, hvad de spørger om), henter relevante data fra backendsystemer og genererer et svarudkast. Udkastet lander i kundeservicemedarbejderens kø, klar til gennemsyn, redigering hvis nødvendigt, og afsendelse.

Agenten sender ikke mails på egen hånd — som udgangspunkt gennemser et menneske hvert udkast før det sendes. Det er ikke en begrænsning, det er et bevidst valg. Inden for finansielle services kan et forkert svar have reelle konsekvenser. Agenten klarer det tunge arbejde (læsning, kategorisering, dataopslag, udkast), og mennesket klarer vurderingen. Over tid, efterhånden som tilliden vokser, kan bestemte svartyper godkendes til automatisk afsendelse.

Bygget med Claude og AWS Bedrock som LLM-lag, integreret i Camunda-workflows til orkestrering. Agenten bruger strukturerede prompts med medlemskontekst injiceret fra backendsystemer. Den hallucinerer ikke svar om pensionssaldi — den henter rigtige data og indarbejder dem i svaret. Hele flowet er en BPMN-proces, hvilket betyder at det har audit trails, fejlhåndtering og retry-logik indbygget.

Hver interaktion genererer data: antal behandlede mails, godkendelsesrate på udkast, gennemsnitlig redigeringsafstand mellem udkast og sendt version, forbedring af svartid. De her statistikker fødes tilbage i systemet — hvis en bestemt mailtype konsekvent redigeres kraftigt, er det et signal om at forbedre prompten eller tilføje mere kontekst. Agenten bliver bedre over tid, ikke kun fra modelopdateringer, men fra strukturerede feedbackloops.