Angewandte KI Mai 2026 · 5 Min. Lesezeit

70 % der Unternehmensdaten sind unstrukturiert. Klassische Automatisierung stößt hier an ihre Grenzen.

TL;DR

Bis zu 70 % der Unternehmensdaten sind unstrukturiert – E-Mails, PDFs, Sprachaufzeichnungen, handschriftliche Notizen – und klassische Automatisierung kann diese nicht verarbeiten.
Das ist kein technisches Problem, sondern ein unternehmerisches: Entscheidungen werden auf Basis eines Bruchteils der verfügbaren Informationen getroffen.
KI, die Freitext lesen kann, macht unsichtbare Daten nutzbar – ohne die Prozesse zu verändern, die bereits funktionieren.

Die meisten Automatisierungssysteme, die heute in Unternehmen laufen, machen eine Sache gut: Sie lesen Felder aus Formularen aus. Eine strukturierte Rechnung, die richtige Zahl an der richtigen Stelle – das System verarbeitet sie schnell, zuverlässig und kostengünstig.

Das Problem: So sieht nur ein Teil der Unternehmensdaten aus.

Wo Unternehmenswissen wirklich lebt

Eine E-Mail vom Inkassounternehmen mit ungewöhnlicher Formulierung. Eine buchhalterische Notiz zu einer Forderung, die vor drei Jahren geschrieben wurde. Ein Workshop-Transkript mit Anforderungen für ein neues ERP-System. Ein Beipackzettel mit Dosierungsangaben, unterteilt in sechs Altersgruppen.

Das sind unstrukturierte Daten. Texte, in denen die wichtige Information vorhanden ist – nur nicht in dem Feld, das das System erwartet.

Nach langfristigen Schätzungen von IDC und Gartner machen unstrukturierte Inhalte 70–90 % aller neuen Unternehmensdaten aus. Der Rest – strukturierte Datensätze, Datenbanken, Tabellen – ist der kleinere Teil.

Klassische Automatisierung, RPA, regelbasierte Systeme: Sie sind für diesen kleineren Teil konzipiert. Für die 70 % haben sie keine Antwort.

Was das in der Praxis bedeutet

Das ist kein abstraktes Problem der Datenarchitektur. Es ist etwas, dem fast jedes Back-Office-Team täglich begegnet.

Bei Dôvera, einer der drei slowakischen Krankenversicherungen, bearbeiteten Mitarbeiter manuell Hunderte von Dokumenten von Vollstreckungsbeauftragten. Jedes Dokument anders formuliert, jeder Beauftragte mit einem leicht unterschiedlichen Stil. Das System konnte sie nicht lesen. Menschen schon – was jedoch täglich Stunden an manueller Arbeit kostete.

Das ist keine Ausnahme. Es ist die Regel in Branchen, in denen Dokumente von Regulierungsbehörden, Gerichten, Partnern oder Kunden eingehen. Jedes ein bisschen anders. Kein einheitliches Format. Und hinter jedem steckt eine Entscheidung, die jemand treffen muss.

Warum „in eine Tabelle packen" nicht funktioniert

Die naheliegende Reaktion darauf: Eingaben standardisieren. Formulare, Vorlagen, Pflichtfelder einführen. Mitarbeiter und Partner zwingen, Daten in einem einheitlichen Format zu senden.

Das funktioniert, wo man den Absender kontrolliert. Bei eigenen Mitarbeitern, bei internen Prozessen.

Es funktioniert nicht, wo die Datenquellen außerhalb der eigenen Kontrolle liegen – Vollstreckungsbeauftragte, Gerichte, Lieferanten, Kunden. Oder wo der Wert genau in der Nuance des Textes liegt: im Kommentar zu einer Forderung, in der Begründung einer Entscheidung, im Ton einer Kundenbewertung.

Die Strukturierung des Inputs beseitigt das Problem nicht. Sie verschiebt nur den Ort, an dem der Schmerz entsteht.

Was KI anders macht

Sprachmodelle warten nicht auf Struktur. Sie lesen Freitext – und extrahieren, was gebraucht wird.

Nicht universell. Nicht kostenlos. Aber wenn die Aufgabe klar ist – „aus jedem Dokument brauche ich X, Y und Z" – lässt sich eine Lösung bauen, die das zuverlässig und in großem Maßstab leistet.

Bei Dôvera haben wir eine Pipeline eingeführt, die eingehende Vollstreckungsdokumente liest, relevante Daten extrahiert und in interne Systeme schreibt. Das Ergebnis: 60 % weniger Back-Office-Aufwand, 100 % der korrekt formatierten Dokumente automatisiert verarbeitet.

Für Vestberry haben wir die KPI-Extraktion aus Portfolio-Berichten automatisiert – jedes Unternehmen liefert sie in einem anderen Format, in einer anderen Sprache. Über 100 KPIs, jedes Format, jede Sprache. Stunden manueller Arbeit wurden auf Minuten reduziert.

Die Logik ist in beiden Fällen dieselbe: Freitext hat Struktur – nur keine sichtbare. KI liest sie.

Wo die Grenzen liegen

Nicht jedes Dokument eignet sich als KI-Input. Wenn der Text zu kurz oder zu inkonsistent ist, oder wenn der Wert in etwas anderem als dem Textinhalt liegt, ergibt eine Lösung möglicherweise keinen Sinn.

Es geht nicht darum, ein LLM auf alles anzuwenden. Es geht darum, die Prozesse zu identifizieren, bei denen:

Der Input aus Texten oder Dokumenten besteht, deren Format man nicht kontrolliert.

Der Output wiederkehrende Entscheidungen oder die Extraktion spezifischer Daten ist.

Das Volumen groß genug ist, dass manuelle Arbeit zum echten Problem wird.

Wo das zutrifft, deckt klassische Automatisierung einen Teil ab. KI, die unstrukturierten Text lesen kann, übernimmt den Rest.

Was jetzt zu tun ist

Der richtige erste Schritt ist keine Technologie. Es ist eine Prozesskarte – wo im Unternehmen fließen unstrukturierte Daten ein? Wo führen sie zu manuellem Abtippen, Entscheidungen, Eskalationen?

Das sind die Kandidaten. Nicht jeder davon rechtfertigt eine Lösung – aber ohne die Karte sieht man sie nicht.

Bei INSYNAPS beginnen wir jedes Projekt mit einem AI Workshop, und genau diese Karte ist das Ergebnis. Keine Demo, kein Pitch. Ein klarer Blick auf die Prozesse und eine ehrliche Einschätzung, wo KI wirklich hilft – und wo nicht.

Wenn Ihr Team Stunden mit Dokumenten verbringt, die das System nicht lesen kann, lohnt sich ein Gespräch.

Verwandt

Eine ähnliche Herausforderung in Ihrem Unternehmen?

Erzählen Sie uns von Ihrem Workflow. Wir sagen Ihnen ehrlich, ob KI sinnvoll ist – auch dann, wenn die Antwort „Nein“ lautet.