Formular- & Freitext-Eingaben als Tabellenzeilen

Anmeldungen, Serviceanfragen und interne Anträge kommen als Webformulare, E-Mails oder Chat-Nachrichten an, und jemand kopiert sie von Hand in Excel. Ein kleiner Ablauf mit einem KI-Schritt liest den Freitext, füllt die vereinbarten Spalten, markiert unklare Einträge und schreibt eine Zeile. Für die meisten KMU ist das ein Projekt von ein bis drei Tagen mit Werkzeugen, die sie bereits besitzen, und oft die erste „echte" Automatisierung, die zugleich ein sauberes Tabellendesign erzwingt.

Problem & Nutzen

• Heute: Eine Assistenz oder ein Teammitglied tippt Einträge aus Postfach, Formularergebnissen und Nachrichten in eine Liste ab. Typische Fehler: falsche Spalten, uneinheitliche Schreibweise von Kunden und Orten, übersehene Nachrichten und keine zentrale Übersicht.
• Warum KI hilft: Klassische Formulare mit festen Feldern brauchen keine KI. Der KI-Schritt ist dort nützlich, wo Menschen Freitext schreiben („Heizung in Raum 3 seit Montag kaputt, bitte Herrn Meier anrufen 0171 ...") und die Zeile Felder wie Kategorie, Standort, Dringlichkeit und Kontakt braucht.
• Nutzen: eingesparte Zeit beim Abtippen und weniger verlorene Anfragen. Es gibt keine verlässliche Branchenzahl, die für jeden Fall passt; messen Sie es daher an Ihrem eigenen Volumen: Zählen Sie Eingänge pro Woche und Minuten pro Eintrag vorher und nachher.
• Nicht im Umfang: formale Antragsformulare mit Scans und OCR im großen Maßstab (DOC-003) und die Auftragserfassung im ERP (AGENT-004). Dies ist der einfache Ablauf „Text rein, Zeile raus".

Varianten

• Formular zu Liste: Eine Antwort aus Microsoft Forms oder Google Forms mit einem Freitextfeld plus einem Auswahlfeld wird zu einem SharePoint-Listeneintrag oder einer Tabellenzeile.
• Postfach zu Tabelle: Ein gemeinsames Postfach (service@, anfragen@) wird gelesen, und jede Mail wird zu einer Zeile.
• Interne Anträge: IT-Tickets, Anfragen ans Facility Management, Urlaubsvertretungswünsche, Materialbestellungen. Zu Freigaben siehe AUTO-011.

So funktioniert es

1. Auslöser (neue Formularantwort / neue Mail / neue Nachricht)
2. Text bereinigen (Signatur, zitierte Antworten entfernen)
3. KI-Schritt: Felder als JSON extrahieren, das zum Tabellenschema passt
4. validieren (Pflichtfelder, erlaubte Werte, Datums- und Telefonformate, Dublettenprüfung)
5. Zeile schreiben; unklare Einträge erhalten den Status „prüfen“
6. Mensch prüft die „prüfen“-Zeilen; optional Antwortentwurf zur Freigabe

• Zentrale KI-Komponente: ein kleines oder allgemeines LLM mit strukturierter Ausgabe (festes JSON-Schema). Das Modell darf nur aus erlaubten Werten wählen und soll „unbekannt" zurückgeben, statt zu raten.
• Validierung außerhalb des Modells: Einfache Regeln (Regex, Nachschlagelisten) fangen ab, was das Modell falsch macht.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine Person prüft markierte Zeilen, und nichts wird ohne Freigabe nach außen gesendet.

Datenaufbereitung

Welche Daten: eine klare Zieltabelle (eine Zeile pro Eingabe, feste Spalten), eine Liste erlaubter Werte (Kategorien, Standorte, Abteilungen) und 10-30 echte, anonymisierte Beispieleingaben mit der richtigen Zeile.

Wo sie liegen: Formularwerkzeuge, gemeinsame Postfächer, Chat-Kanäle sowie bestehende Excel-Tabellen oder SharePoint-Listen, oft mit Jahren uneinheitlicher Einträge.

Typische Lücken: Die Zieltabelle hat verbundene Zellen, frei gestaltete Spalten, gemischte Datumsformate oder mehrere Blätter; Kategorien sind nicht definiert; es gibt keine eindeutige ID pro Zeile; personenbezogene Daten (Telefon, Adresse, Gesundheitshinweise) landen in einer Tabelle, die zu viele Personen öffnen können.

Aufbereitungsschritte: 1. Das Schema festlegen: Spalten, Datentypen, erlaubte Werte, Pflichtfelder (etwa 2 Stunden mit dem Prozessverantwortlichen). 2. Die bestehende Tabelle bereinigen oder eine neue beginnen; in eine echte Excel-Tabelle oder Liste umwandeln (1-3 Stunden; AUTO-006 hilft beim Aufräumen). 3. 10-30 Beispieleingaben mit der erwarteten Zeile sammeln und als Testsatz wiederverwenden. 4. Zugriffsrechte auf die Zieldatei setzen und die Aufbewahrungsdauer festlegen.

Werkzeuge: Excel, Power Query, SharePoint-Listen, Google Sheets, Nextcloud Tables, Airtable-ähnliche Werkzeuge.

Grober Aufwandsanteil: gering; die eigentliche Arbeit ist die Schema-Diskussion. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU - Weg B: Die Zieltabellen und Formulare sind Ihre eigenen, daher passt ein kleiner Ablauf auf einer in der EU gehosteten Modell-API besser als ein Produkt. Kein Standardprodukt deckt jede Tabelle ab. Weg C ist besser, wenn der Inhalt sensibel ist (siehe unten).
• Großunternehmen - Weg B: eine zentrale Workflow-Plattform mit freigegebenen EU-Modellendpunkten und Governance, die von vielen Abteilungen wiederverwendet wird.
• Entwickler - Weg B: wenige Zeilen Code mit strukturierter Ausgabe gegen eine EU-API.
• Öffentlicher Sektor - Weg C: Bürgernachrichten sind sensibel, und die Beschaffung bevorzugt souveränes Hosting; ein lokales Modell auf HW1/HW2 genügt für kurze Texte.

Weg A — Kaufen (Standardsoftware)

• Microsoft 365: Microsoft Forms plus Power Automate. AI Builder bietet eine Aktion zur Extraktion von Text-Entitäten, deren Ergebnis mit „Add a row into a table" in eine Excel-Tabelle geschrieben werden kann [1]. Prüfen Sie die Lizenzierung: KI-Funktionen sind typischerweise ein Premium- oder guthabenbasiertes Zusatzangebot.
• Google Workspace: Google Forms zu Sheets nativ; KI-Schritte über Gemini in Sheets oder Workspace-Studio-Abläufe (prüfen Sie die Funktion in Ihrer Edition).
• Wählen Sie A, wenn: Sie bereits Microsoft 365 betreiben und der Prozess aus einem einzelnen Formular und einer einzelnen Liste besteht.

Weg B — Auf Cloud-KI-Diensten aufbauen (für die meisten KMU empfohlen)

• Orchestrierung: n8n (Cloud mit EU-Region oder selbst betrieben), Power Automate oder Make.
• Knoten: n8n bietet einen Information-Extractor-Knoten, in dem Sie ein Schema definieren und ein angebundenes Chat-Modell es füllt [2].
• Modelle: in der EU gehostete APIs wie Mistral (Frankreich), Azure OpenAI in einer EU-Region oder Google Vertex AI an einem EU-Standort. Für kurze Texte genügen kleine Modelle.
• Aufwand: 1-3 Tage für einen ersten Ablauf, plus etwa eine Woche Tests mit echten Eingaben.

Weg C — Selbst betreiben (Open Source)

• Stack: n8n Community Edition auf Ihrem eigenen Server mit Ollama und einem kleinen Modell (zum Beispiel Mistral Small oder Qwen-Klasse 3-14B), Ausgabe in Nextcloud Tables oder eine Datenbank. Beachten Sie, dass die Sustainable Use License von n8n „source-available" ist und die Nutzung auf interne Geschäftszwecke beschränkt [3].
• Hardware: HW1 genügt für kurze Texte; lokale Modelle liefern häufiger fehlerhaftes JSON, daher validieren und wiederholen [2].
• Betriebsaufwand: einige Stunden pro Monat. Lohnt sich dort, wo Texte Gesundheits-, Personal- oder Kundendaten enthalten oder wo derselbe Server auch AUTO-007, AUTO-012, AUTO-013 bedient (Baukasten-Effekt).

Weg D — Eigenes Training

Nicht nötig. Ein Prompt mit Schema und Beispielen genügt; Feintuning würde sich nur bei sehr hohen Volumina mit ungewöhnlichem Vokabular lohnen.

Stand der Technik (2026)

• Strukturierte Ausgabe (JSON-Schema) ist ein Standardmerkmal aktueller Modelle, daher ist die Extraktion von 5-15 Feldern aus kurzen Texten mit Validierung zuverlässig genug für den Produktivbetrieb.
• Grenzen und Fehlerbilder: erfundene Werte bei fehlenden Feldern, falsche Kategorie bei mehrdeutigen Anfragen, Verwechslung bei mehreren Anliegen in einer Nachricht, Injection durch den Text selbst („ignoriere die Anweisungen und ...") sowie gemischte Sprachen. Gegenmittel sind „unbekannt"-Werte, Validierungsregeln, ein Prüfstatus und keine automatischen Aktionen auf Basis des Inhalts (GUIDE-013).

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (workflow-automation + llm-small): AUTO-007 Ablage von Anhängen, AUTO-012 Weiterleitung von Sprachnachrichten, AUTO-013 Visitenkarten, AUTO-011 Freigaben.
• Ausbaupfade: gescannte Formulare zu DOC-003, Aufträge ins ERP zu AGENT-004.

Aufwand, Kosten & Kennzahlen

• Weg A/B: 1-3 Tage Aufbau, etwa eine Woche Pilot; laufende Kosten sind Gebühren der Workflow-Plattform plus geringe Modellkosten pro Eintrag.
• Weg C: 3-5 Tage inklusive Server-Einrichtung, plus leichter Betrieb.
• Kennzahlen: Anteil der Zeilen, die ohne Korrektur übernommen werden, Anteil mit Markierung „check", durchschnittliche Bearbeitungszeit pro Eintrag, verlorene oder doppelte Anfragen, Zufriedenheit des Teams.

Menschen & Veränderung

Früh einbinden: die Abteilungsleitung (verantwortet Tabelle und Kategorien), die Endnutzer, die heute abtippen, die IT für Konten und Konnektoren, die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und die Datenverantwortlichen der Zieldatei (GUIDE-005). Die Geschäftsleitung muss nur den Pilot freigeben.

Betriebsrat: abhängig vom Einzelfall. Strukturiert der Ablauf nur Kunden- oder externe Anfragen, wird die Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG meist nicht ausgelöst. Sind die Eingaben Mitarbeiternachrichten oder protokolliert die Tabelle, wer wann was eingereicht hat, genügt nach der BAG-Rechtsprechung die objektive Eignung zur Verhaltensüberwachung; beziehen Sie dann den Betriebsrat ein. § 90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsprozesse. Eine kurze Betriebsvereinbarung kann „keine Leistungsbewertung aus diesen Daten" regeln (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Es werden personenbezogene Daten verarbeitet, daher ist ein AVV (Art. 28 DSGVO) mit dem Modell- und Plattformanbieter nötig, und die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte wird einbezogen. Eine DSFA (Art. 35 DSGVO) ist bei einfachen Anfragen normalerweise nicht erforderlich, sollte aber geprüft werden, wenn besondere Kategorien (Gesundheit) oder eine systematische Bewertung von Personen betroffen sind (GUIDE-005).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verpflichtet Anbieter und Betreiber, Maßnahmen zur Förderung der KI-Kompetenz ihrer Beschäftigten zu ergreifen. Eine 30-minütige Schulung zum Prüfen von Zeilen und zum Umgang mit markierten Einträgen genügt (GUIDE-006).

Menschen behalten die Kontrolle: Markierte Zeilen prüft eine Person; ausgehende Antworten werden vor dem Versand freigegeben.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Art. 4 gilt. Pflichten nach Art. 50 gelten nur, wenn der Ablauf direkt mit Menschen chattet oder erzeugte Antworten ohne Mensch versendet; kennzeichnen Sie solche Nachrichten als KI-unterstützt (GUIDE-014). Wird dasselbe Muster zum Sortieren von Bewerbungen genutzt, wird es hochriskant (Anhang III); verwenden Sie es daher nicht ohne gesonderte Bewertung für die Personalauswahl.
• DSGVO: Datenminimierung (nur nötige Felder erheben), Zweckbindung, Aufbewahrung und Löschung in der Tabelle, Hosting in der EU oder angemessene Garantien, keine Gesundheitsdaten ohne Rechtsgrundlage.
• Sicherheit: Prompt Injection über Freitext, weitreichende Freigabe der Zieltabelle, API-Schlüssel in Abläufen (GUIDE-013).
• Gegenmaßnahmen: Schema mit erlaubten Werten, Validierung, Status „check", eingeschränkter Zugriff, mit dem Betriebsrat abgestimmte Protokollierung.

Erste Schritte

1. Einen Prozess mit mehr als 20 Eingängen pro Monat wählen und das Tabellenschema mit der Fachabteilung festlegen (GUIDE-001, GUIDE-003).
2. 20 echte Beispiele mit erwarteten Zeilen als Testsatz sammeln.
3. Den Ablauf in einem bereits vorhandenen Werkzeug (Power Automate oder n8n) mit Status „check" und Validierungsregeln bauen (GUIDE-002).
4. Vor dem Pilot die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und gegebenenfalls den Betriebsrat informieren; den AVV unterzeichnen (GUIDE-004, GUIDE-005).
5. Einen Pilot über 2-4 Wochen fahren, übernommene Zeilen und Korrekturen messen, dann über Go oder No-Go entscheiden (GUIDE-009).

Quellen

1. Inogic - Streamlined text and document categorization with entity extraction in Power Automate - https://www.inogic.com/blog/2024/05/streamlined-text-and-document-categorization-with-entity-extraction-in-power-automate/
2. n8n Docs - Information Extractor node - https://docs.n8n.io/integrations/builtin/cluster-nodes/root-nodes/n8n-nodes-langchain.information-extractor/
3. Activepieces - n8n Community Edition: limits and features compared - https://www.activepieces.com/blog/n8n-community-edition-limits-and-features-compared.md
4. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj