Unstrukturierte Daten auswerten mit KI: Einstieg für den Mittelstand

In den meisten mittelständischen Betrieben steckt das operative Wissen nicht in der Warenwirtschaft oder der Kundendatenbank, sondern in E-Mails, Notizen, Support-Tickets und Dokumenten. Niemand hat die Zeit, diese Informationen systematisch auszuwerten — und so bleiben Muster, Häufungen und Handlungsbedarf unsichtbar. Dieser Artikel zeigt, was eine KI-gestützte Auswertung heute realistisch leisten kann, welchen Aufwand sie verursacht und wie ein erster, messbarer Schritt aussieht.

Kurz beantwortet

Unstrukturierte Daten mit KI auswerten bedeutet, dass Sprachmodelle und Textverarbeitungssysteme E-Mails, Notizen oder Tickets automatisch lesen, klassifizieren und die relevanten Informationen in strukturierter Form bereitstellen. Aus eingehenden Support-Mails werden zum Beispiel Kategorie, Dringlichkeit und betroffenes Produkt extrahiert und als Datensatz an das Ticketsystem übergeben. Der Einstieg gelingt am besten mit einem einzelnen, klar abgegrenzten Prozess, der sich innerhalb weniger Wochen umsetzen und dessen Wirkung sich direkt messen lässt.

Was sind unstrukturierte Daten — und warum sind sie ein Problem?

Unstrukturierte Daten sind alle Informationen, die nicht in festen Tabellenfeldern oder Datenbanken liegen: E-Mails, Freitext-Notizen, Chat-Nachrichten, PDFs, Support-Tickets, Gesprächsprotokolle. Schätzungen zufolge liegen 80 bis 90 Prozent aller Unternehmensdaten in solchen Formaten vor. Rund 95 Prozent der Unternehmen berichten von Schwierigkeiten bei der Verwaltung dieser Daten, schlicht weil ein einheitliches Format fehlt.

Für die Geschäftsführung hat das drei konkrete Folgen:

1. Informationen sind nicht auffindbar. Wissen über Kunden, Reklamationen oder Lieferprobleme liegt verstreut in Postfächern einzelner Mitarbeitender. Wenn jemand das Unternehmen verlässt oder krank wird, geht dieses Wissen mit.
2. Auswertung ist manuell oder findet nicht statt. Niemand liest systematisch 500 Support-Mails pro Monat, um zu erkennen, dass ein bestimmtes Produkt überdurchschnittlich viele Rückfragen erzeugt.
3. Das Volumen wächst schneller als die Kapazität. Unstrukturierte Daten wachsen nach Branchenerhebungen rund dreimal schneller als strukturierte Daten. Was heute mit manuellem Aufwand gerade noch funktioniert, skaliert nicht.

Strukturiert und unstrukturiert im Vergleich

Systeme können Aufgaben wie Klassifizierung, Vorhersage oder Zuordnung nur auf strukturierten Daten ausführen. Jede Auswertung unstrukturierter Daten zielt deshalb darauf ab, relevante Informationen in eine definierte Struktur zu überführen: „Dieses Ticket betrifft Produkt X, Kategorie Reklamation, Dringlichkeit hoch."

Welche Technologien kommen zum Einsatz?

Zwei Verfahren bilden die Grundlage dafür, aus Freitext verwertbare Daten zu gewinnen: natürliche Sprachverarbeitung und maschinelles Lernen.

NLP — Natürliche Sprachverarbeitung

NLP (Natural Language Processing, also die maschinelle Verarbeitung menschlicher Sprache) ist der Oberbegriff für Verfahren, mit denen ein System Freitext liest und interpretiert. Konkret: Ein System liest eine E-Mail und erkennt, ob es sich um eine Beschwerde, eine Bestellung oder eine Informationsanfrage handelt. Moderne NLP-Systeme basieren häufig auf großen Sprachmodellen, sogenannten LLMs (Large Language Models), die Freitext mit hoher Genauigkeit interpretieren können.

Machine Learning zur Klassifizierung

Machine Learning (ML, also maschinelles Lernen) nutzt trainierte Modelle, um Daten zu sortieren, zu kategorisieren oder Muster zu erkennen. Voraussetzung: Die gewünschte Ausgabestruktur muss vorab klar definiert sein. Welche Kategorien, Felder oder Bewertungen soll das System liefern? Ohne diese Festlegung produziert es zwar Ergebnisse, aber keine verwertbaren.

Wann reicht regelbasierte Automatisierung?

Nicht jede Auswertung braucht KI. Wenn die Struktur der Eingabe vorhersehbar ist — etwa ein Bestellformular mit immer gleichen Feldern oder E-Mails, die einem festen Muster folgen —, genügen regelbasierte Filter oder einfache Parsing-Logik. KI lohnt sich dort, wo der Freitext variiert, wo Kontext wichtig ist oder wo die Zahl der Varianten zu groß für manuelle Regelpflege wird.

Die Entscheidung zwischen diesen Ansätzen hängt nicht von der Unternehmensgröße ab, sondern von der Varianz der Eingabedaten. Ein Betrieb mit 30 Mitarbeitenden, der täglich 200 inhaltlich unterschiedliche Kunden-E-Mails erhält, profitiert von KI mehr als ein Konzern mit standardisierten Formulareingaben.

Wo lohnt sich der Einstieg?

Drei Anwendungsfälle eignen sich besonders für den Anfang, weil sie häufig vorkommen, klar abgrenzbar sind und sich schnell messen lassen.

E-Mail-Klassifizierung und -Weiterleitung

Eingehende E-Mails werden automatisch nach Thema, Absender-Typ und Dringlichkeit sortiert und an die richtige Abteilung oder das passende Ticketsystem übergeben. Das Potenzial: weniger manuelle Sichtungszeit, schnellere Reaktion auf dringende Anfragen, keine verlorenen Nachrichten im Sammelpostfach.

Informationsextraktion aus Dokumenten

Aus PDFs, Lieferscheinen oder Verträgen werden definierte Felder ausgelesen — Beträge, Fristen, Artikelnummern — und als strukturierte Daten im ERP (der zentralen Unternehmenssoftware für Warenwirtschaft und Buchhaltung) oder CRM (dem System zur Kundenverwaltung) abgelegt. Das reduziert Abtipp-Fehler und spart die Zeit, die heute für die manuelle Übertragung aufgewendet wird.

Auswertung von Support-Tickets oder Kundenfeedback

Über einen definierten Zeitraum gesammelte Tickets oder Rückmeldungen werden automatisch nach Häufigkeit, Thema und Stimmungslage ausgewertet. Das Ergebnis ist eine Entscheidungsgrundlage: Welches Produkt verursacht die meisten Rückfragen? Welcher Prozessschritt führt regelmäßig zu Beschwerden? Solche Muster bleiben bei manueller Bearbeitung in aller Regel unsichtbar.

Was das im Arbeitsalltag bedeutet

Das Problem heute

In vielen Betrieben liest eine Person — oft mit anderen Aufgaben ausgelastet — eingehende Mails, Tickets oder Dokumente, bewertet sie nach Erfahrung und leitet sie weiter oder überträgt Informationen in ein anderes System. Dieser Vorgang ist fehleranfällig, nicht skalierbar und an einzelne Köpfe gebunden. Steigt das Volumen oder fällt jemand aus, entstehen Rückstaus und blinde Flecken.

Gleichzeitig erzeugen laufende Geschäftsprozesse fortlaufend neue unstrukturierte Daten: Kundenkommunikation per E-Mail und Chat, interne Notizen, Betriebsdaten aus Anlagen. Der Anteil wird weiter steigen.

Was der Einstieg bringen kann

Ein erster automatisierter Prozess — etwa die Klassifizierung eingehender E-Mails — hat folgendes Potenzial:

• Weniger manuelle Sichtungszeit pro Tag (der konkrete Umfang hängt vom Mailvolumen und der bisherigen Bearbeitungsdauer ab und ist im eigenen Betrieb zu ermitteln)
• Schnellere Reaktion auf dringende Anfragen, weil die Priorisierung automatisch erfolgt
• Nachvollziehbarkeit: Jede Klassifizierung ist dokumentiert und nicht nur im Kopf einer Person
• Eine erste Datenbasis für weitergehende Auswertungen, etwa häufigste Anfragekategorien pro Monat

Was passiert, wenn nichts geschieht

Die manuellen Aufwände bleiben bestehen und wachsen mit dem Datenvolumen. Informationen, die in E-Mails und Tickets stecken, fließen weiterhin nicht in Entscheidungen ein.

Das ist kein akutes Risiko, aber ein schleichender Nachteil: Betriebe, die ihre Daten systematisch auswerten, erkennen Muster früher und reagieren schneller — ob bei Produktproblemen, Kundenabwanderung oder internen Engpässen. Die Lücke wächst mit jedem Monat, in dem die Datenmengen steigen und die manuelle Kapazität gleich bleibt.

Welche Entscheidungen jetzt anstehen

1. Einen Prozess identifizieren, bei dem unstrukturierte Daten heute manuell gesichtet oder übertragen werden — und der ein messbares Volumen hat (z. B. Anzahl E-Mails oder Tickets pro Woche).
2. Die gewünschte Ausgabestruktur klären: Welche Felder, Kategorien oder Bewertungen soll das System liefern? Ohne diese Definition bringt kein Werkzeug brauchbare Ergebnisse.
3. Datenschutz und Hosting festlegen: Werden personenbezogene Daten verarbeitet, muss die Verarbeitung DSGVO-konform (also nach der Datenschutz-Grundverordnung der EU) erfolgen — idealerweise auf Infrastruktur innerhalb der EU. Diese Anforderung gehört in jede Anbieterauswahl.
4. Intern oder extern entscheiden: Ein erster Pilot lässt sich mit externem Know-how oft schneller und risikoärmer umsetzen. Die Frage danach ist, ob interne Kompetenz für Wartung und Weiterentwicklung aufgebaut werden soll.

Schritt für Schritt

1. Bestandsaufnahme durchführen. Welche Prozesse erzeugen oder verarbeiten heute unstrukturierte Daten? Wo wird manuell gelesen, sortiert oder übertragen? Ein bis zwei Gespräche mit den betroffenen Abteilungen genügen, um die wichtigsten Kandidaten zu identifizieren.
2. Einen Pilotprozess auswählen. Den Prozess wählen, der das größte Verhältnis von Volumen zu Komplexität hat — also viele gleichartige Vorgänge mit überschaubarer Varianz. E-Mail-Klassifizierung oder Dokumentenextraktion eignen sich häufig als Einstieg.
3. Zielstruktur definieren. Festlegen, welche Felder, Kategorien oder Bewertungen das System aus dem Freitext extrahieren soll. Beispiel: Ticketkategorie (Reklamation, Frage, Bestellung), betroffenes Produkt, Dringlichkeit.
4. Datenlage prüfen. Existieren historische Daten — etwa bereits manuell klassifizierte E-Mails —, die als Trainings- oder Testgrundlage dienen können? Falls ja, Umfang und Qualität prüfen. Falls nein, eine manuelle Stichprobe als Referenz erstellen.
5. Technischen Ansatz festlegen. Regelbasiert, KI-gestützt oder hybrid — abhängig von der Varianz der Eingabedaten und dem gewünschten Genauigkeitsgrad. Hier lohnt sich eine kurze fachliche Einschätzung, bevor Werkzeuge beschafft werden.
6. Piloten umsetzen und messen. Den Piloten auf eine begrenzte Datenmenge anwenden. Ergebnisse gegen die manuelle Referenz prüfen. Messgrößen vorab festlegen: Genauigkeit der Klassifizierung, eingesparte Bearbeitungszeit, Fehlerquote.
7. Mensch-in-der-Schleife einplanen. Im Piloten und in der Anfangsphase prüft eine Person die Ergebnisse stichprobenartig. Das schafft Vertrauen in die Ergebnisse und liefert Daten zur Verbesserung des Modells.
8. Über den Ausbau entscheiden. Auf Basis der Pilot-Ergebnisse entscheiden, ob der Prozess in den Regelbetrieb überführt wird und welcher nächste Prozess folgt.

Checkliste: Unstrukturierte Daten auswerten

• Ich weiß, in welchen Prozessen meines Unternehmens heute unstrukturierte Daten manuell gesichtet oder übertragen werden.
• Ich kann für mindestens einen dieser Prozesse das monatliche Volumen beziffern (z. B. Anzahl E-Mails, Tickets oder Dokumente).
• Die gewünschte Zielstruktur (Kategorien, Felder, Bewertungen) für diesen Prozess ist definiert oder lässt sich in einem Gespräch festlegen.
• Ich habe geprüft, ob historische Daten als Trainings- oder Referenzgrundlage vorhanden sind.
• Die Datenschutz-Anforderungen sind geklärt: Werden personenbezogene Daten verarbeitet, und wo müssen sie gehostet werden?
• Es ist entschieden, ob der Pilot intern oder mit externer Unterstützung umgesetzt wird.
• Messgrößen für den Piloten sind festgelegt (z. B. Genauigkeit, Zeitersparnis, Fehlerrate).
• Eine Person ist benannt, die im Piloten die Ergebnisse prüft (Mensch-in-der-Schleife).

Fazit

Unstrukturierte Daten mit KI auszuwerten ist kein Großprojekt und kein Technologie-Experiment. Es ist eine pragmatische Antwort auf ein konkretes Problem: Wissen, das im Unternehmen vorhanden ist, aber in Postfächern und Dokumenten feststeckt, wird nutzbar gemacht. Der Schlüssel liegt nicht in der Technologie, sondern in der Vorarbeit — den richtigen Prozess auswählen, die Zielstruktur definieren, klein anfangen und messen. Wer das mit einem einzigen Pilotprozess tut, hat nach wenigen Wochen eine belastbare Grundlage für die Entscheidung, ob und wie es weitergeht.

Wer einen konkreten Ablauf im eigenen Betrieb besprechen möchte, kann das in einem Gespräch tun: etabits.de/kontakt.

---

Dieser Beitrag ist eine fachliche Orientierung und ersetzt keine Rechtsberatung im Einzelfall.