KI-Intake-Agent für einen Teleradiologie-Patientenservice

Wir haben den Agenten als individuelle agentenbasierte Anwendung auf unserer wiederverwendbaren Multi-Tenant-Intake-Engine gebaut: Derselbe Kern betreibt 8 konfigurierbare Branchenlösungen, von Fracht, Luftfahrt und Immigration über Versicherungen und Reisen bis jetzt zur Radiologie. Der Agent erkennt, ob der Patient Ukrainisch, Russisch oder Englisch schreibt, berät auf Basis einer Wissensdatenbank, bewertet den Lead von 0 bis 100, liefert einen Bestelllink mit UTM-Parametern und schickt die Anfrage samt Summary per Telegram-Alert an einen Manager. Das Web-Widget wird mit einer Zeile Code eingebunden; Telegram (inklusive Sprachnachrichten) und E-Mail sind umgesetzt.

Die eigentliche Herausforderung: ein LLM im medizinischen Kontext verlässlich zu machen. Unser Prinzip lautet: Das Modell führt das Gespräch, der Code trifft die Entscheidungen. Validierung, Status und Übermittlung sind deterministisch. Anfragedaten ändert das Modell ausschließlich über Tool Calls, und jeder Wert speichert seine Quelle. Das Modell schätzt das Risiko aus den Worten des Patienten ein, das URGENT-Flag setzt jedoch nur eine deterministische Regel, und solche Fälle gehen immer an einen Menschen.

Ein einziges Pydantic-Schema ist die Single Source of Truth: Tool-Schema, fehlende Felder, Fortschrittsbalken und UI-Metadaten werden daraus abgeleitet, sodass Backend, Modell und Oberfläche synchron bleiben. Deshalb ließ sich ein reiner Beratungsmodus allein per Konfiguration ergänzen, ohne den Kern anzufassen. Die LLM-Schicht ist anbieterunabhängig, Modelle von Anthropic Claude und OpenAI GPT sind umschaltbar. Das Admin-Panel bietet dem Team:

• eine Inbox mit Übernahme laufender Dialoge durch einen Operator
• Prompt-Versionierung und ein vollständiges Log aller LLM-Aufrufe
• eine Wissensdatenbank, die aus den Antworten der Manager auf eskalierte Fragen wächst

Abgestimmt haben wir den Agenten an 50 Referenzdialogen und ihn wie jede andere produktive Software getestet: Ein Red-Team-Test auf einer Testumgebung hat 23 von 23 Provokationen zu medizinischen Grenzen ohne Sicherheitsverstoß abgewehrt, die QA des Kunden hat 15 von 15 Szenarien bestanden, und die Codebasis umfasst rund 2.700 automatisierte Tests. So verstehen wir KI-Softwareentwicklung: das Modell dort, wo Sprache zählt, Code dort, wo Korrektheit zählt.