Katalog / Alltägliche Büroautomatisierung / AUTO-018

KI-geschriebene Python- und PowerShell-Skripte für Datei- und Datenroutinen

Büro-Beschäftigte und IT-Generalisten beschreiben eine Datei- oder Datenroutine in normaler Sprache, und ein KI-Assistent schreibt, erklärt und debuggt ein kleines Python- oder PowerShell-Skript, das sie erledigt.

Schneller Erfolg: bewährt, überschaubarer Aufwand, erste Ergebnisse nach Wochen, geringes regulatorisches Risiko.

Bausteine für den EigenbetriebProgrammierassistentSprachmodell

Jedes Büro kennt Routineaufgaben, die für ein Projekt zu klein und für Menschen zu mühsam sind: 400 Scans umbenennen, zwölf monatliche CSV-Exporte zusammenführen, ein 200-seitiges PDF je Kunde teilen, alte Word-Dateien konvertieren, Dateien nach Datum verschieben. Ein KI-Assistent kann das Skript schreiben, jede Zeile erklären und die Fehlermeldung beheben, sodass jemand ohne Entwicklungserfahrung in einer Stunde ein funktionierendes Werkzeug erhält statt eines Tickets, das wochenlang wartet. Die KI hilft beim Schreiben des Skripts; das Skript selbst läuft danach lokal und deterministisch, ohne KI.

Problem & Nutzen

  • Heute: Beschäftigte wiederholen diese Aufgaben von Hand oder fragen die eine Kollegin bzw. den einen Kollegen, die oder der „ein bisschen Skripting kann"; IT-Tickets haben geringe Priorität.
  • KI-Nutzen: Der Assistent macht aus einer Beschreibung lauffähigen Code, ergänzt Kommentare, Protokollierung und einen Probelaufmodus und erklärt Fehler. Die Skriptqualität ist nicht mehr der Engpass; das Prüfen ist es.
  • Kernpunkt: Die KI wird einmal beim Bau eingesetzt, nicht pro Datei: Kosten nahe null, reproduzierbare Ergebnisse, keine personenbezogenen Daten im KI-Dienst, wenn Sie nur erfundene Beispiele weitergeben.
  • Nutzenzahlen: Uns liegt keine verlässliche, unabhängige Zahl zur eingesparten Zeit bei solchen Aufgaben vor; messen Sie selbst (Minuten pro Lauf mal Läufe pro Monat).

Varianten

  • Büro-Beschäftigte: Python oder PowerShell, vom Arbeitsplatzrechner aus gestartet, mit einem von der IT freigegebenen Interpreter.
  • IT-Generalisten: zeitgesteuertes PowerShell für das Aufräumen von Dateifreigaben und Massenverschiebungen (Administrationsaufgaben: AUTO-020).
  • Datenaufbereitung für KI: Sammeln, Duplikate entfernen, Konvertieren (DOCX/XLSX in PDF oder Text), Dateinamen vereinheitlichen und große PDFs teilen, bevor sie in ein DMS, eine Suche oder ein RAG-System geladen werden. Das ist oft der größte versteckte Kostenblock anderer KI-Projekte.

So funktioniert es

  1. Routineaufgabe beschreiben + erfundenes Beispiel
  2. KI entwirft Skript
  3. Mensch liest Erklärung
  4. Probelauf an einer Datenkopie (nur Protokoll)
  5. Ergebnis prüfen
  6. echter Lauf
  7. Skript in gemeinsamem Ordner/Git ablegen
  • Mensch-in-der-Schleife (Human-in-the-Loop): Erklärung lesen, Probelauf durchführen, mit einigen von Hand geprüften Dateien vergleichen; vor allem, was löscht oder überschreibt, ein Backup anlegen.
  • Prompt-Muster: Betriebssystem und Versionen nennen (Windows 11, PowerShell 7 oder Python 3.12), Eingabestruktur, gewünschte Ausgabe, „nie löschen oder überschreiben, ein Protokoll schreiben, einen Schalter --dry-run ergänzen".
  • Typische Bibliotheken: Python pathlib, shutil, pandas, pypdf [3], openpyxl; PowerShell Get-ChildItem, Rename-Item, Import-Csv.

Datenaufbereitung

Welche Daten: die Dateien, die das Skript berührt, plus ein kleines erfundenes oder anonymisiertes Beispiel für den KI-Prompt.

Wo sie liegen: Dateifreigaben, SharePoint/OneDrive, Nextcloud, Download-Ordner, Scanner-Ausgabe.

Typische Lücken: Umlaute in Dateinamen, gemischte CSV-Trennzeichen und Zeichenkodierungen (UTF-8 vs. Windows-1252), Duplikate, uneinheitliche Datumsangaben, lange Pfade, passwortgeschützte PDFs.

Schritte der Aufbereitung: 1. 3–5 Regeln für die Routineaufgabe aufschreiben (Namensschema, Zielordner, was als Duplikat gilt). 2. 10–20 repräsentative Dateien in einen Testordner kopieren und Namen, Beträge und personenbezogene Daten ersetzen. 3. Randfälle einbauen (leere Dateien, ungewöhnliche Kodierungen). 4. Vor dem ersten echten Lauf ein Backup oder einen Snapshot des echten Ordners anlegen.

Grober Aufwandsanteil: gering; die meiste Zeit geht in Regeln und Testordner. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

  • KMU - Weg A: Ein Chat-Assistent, der bereits in der Microsoft-365- oder Google-Workspace-Lizenz enthalten ist (oder ein EU-Chat-Werkzeug), schreibt das Skript; der Ablauf ist Standard und braucht über einen Ordner hinaus keine Integration.
  • Großunternehmen - Weg B: Nutzen Sie das freigegebene KI-Gateway oder die API des Unternehmens mit Protokollierung und Richtlinie, dazu ein gemeinsames Skript-Repository mit Prüfung; Assistenten sind Teil der Entwickler- bzw. IT-Plattform.
  • Entwickler - Weg C: Lokale Modelle über Ollama oder LM Studio für Code, den Sie nicht herausgeben dürfen, mit einem IDE-Plugin; die Qualität reicht für Skripte in Routinegröße.

Weg A — Kaufen (Standardsoftware) (empfohlen für die meisten KMU)

  • Chat-Assistenten: Microsoft 365 Copilot Chat, Gemini in Google Workspace, ChatGPT Business/Team, Claude Team, Le Chat von Mistral (EU-Anbieter, Frankreich). Microsoft bietet für M365-Dienste eine EU Data Boundary; prüfen Sie AVV und Datenresidenz-Bedingungen jedes Produkts.
  • Im Editor: GitHub Copilot, VS Code mit einer Chat-Erweiterung.
  • A wählen, wenn: die Beschäftigten keine Entwickler sind, die Aufgabe Standard ist und Beispieldaten anonymisiert werden können.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Codefähige Modelle per API mit EU-Regionen oder EU-Anbietern (Azure OpenAI in EU-Regionen, Mistral API, Google Vertex AI EU, Amazon Bedrock Frankfurt).
  • Ein n8n-Ablauf oder Teams-Bot, der die Prompt-Vorlage kapselt und erzeugte Skripte zur Prüfung ablegt.
  • B wählen, wenn: Sie Protokollierung, zentrale Richtlinien und eine Skriptbibliothek brauchen.

Weg C — Selbst betreiben (Open Source)

  • Modelle: offene Code-Modelle wie Qwen2.5-Coder (über Ollama in Größen von 0,5B bis 32B verfügbar [2]) sowie neuere offene Code-Modelle ähnlicher Größe; bereitgestellt über Ollama, LM Studio oder llama.cpp.
  • Hardware: HW1 bewältigt ein 7B-Modell für einfache Skripte; HW2 (16–32 GB VRAM) betreibt quantisierte 14B–32B-Modelle mit besseren Ergebnissen.
  • C wählen, wenn: Code oder Dateinamen vertraulich sind oder der Assistent offline arbeiten soll.

Weg D — Eigenes Training

Nicht sinnvoll.

Stand der Technik (2026)

  • Spitzenmodelle und offene Code-Modelle schreiben für Aufgaben dieser Größe meist korrekte Skripte und können sie erklären und umbauen.
  • Fehlerbilder: erfundene Bibliotheksfunktionen oder Parameter, falsche Annahmen über Zeichenkodierungen, Skripte, die Dateien stillschweigend überschreiben, zu breit greifende reguläre Ausdrücke und Code, der bei 10 Dateien funktioniert, aber nicht bei 10.000. Probelauf, Protokolle und Backups begegnen dem.
  • Fallstricke der Umgebung: Die PowerShell-Ausführungsrichtlinie steht auf Windows-Clients standardmäßig auf Restricted, und Gruppenrichtlinien können lokale Einstellungen überschreiben [1]: Die IT sollte einen freigegebenen Weg zum Ausführen von Skripten bereitstellen, statt dass Nutzer die Richtlinie abschalten.

Gemeinsame Bausteine & Kombinationen

  • Gleiche Code-Modell-Fähigkeit wie CODE-001, AUTO-017 (Makros), AUTO-019 (Power Query), AUTO-021 (reguläre Ausdrücke).
  • Skripte speisen AUTO-006, AUTO-007 und Pipelines der DOC-Familie oder folgen ihnen; eine gemeinsame Prompt-Vorlage und ein gemeinsamer Skriptordner bedienen alle.

Aufwand, Kosten & Kennzahlen

  • Weg A: etwa 1–4 Stunden pro Routineaufgabe einschließlich Test; die Lizenz für den Assistenten ist oft schon bezahlt. Einrichtung eines gemeinsamen Skriptordners und von Ausführungsregeln: einmalig 1–2 Tage.
  • Weg B: 3–8 Tage für Gateway und Vorlage; die Kosten pro Token sind gering.
  • Weg C: 1–2 Tage für Ollama/LM Studio auf einem vorhandenen Rechner.
  • Kennzahlen: automatisierte Routineaufgaben, eingesparte Minuten pro Monat, fehlgeschlagene oder zurückgerollte Läufe, Anzahl der Skripte mit Verantwortlichen und README.

Menschen & Veränderung

Einbeziehen: die Abteilungsleitung (welche Routineaufgaben), Endanwender (sie testen), die IT (Interpreter, Ausführungsrichtlinie, Zeitplanung) und die IT-Sicherheit (Codeprüfung für Skripte, die Freigaben oder Zugangsdaten berühren). Die oder der Datenschutzbeauftragte wird einbezogen, wenn Skripte personenbezogene Daten wie Personal- oder Kundendateien verarbeiten; eine DSFA ist für das Skripting selbst normalerweise nicht erforderlich, wohl aber ein AVV (Art. 28 DSGVO) mit dem KI-Anbieter (GUIDE-005, GUIDE-010).

Betriebsrat: für die Skripte selbst in der Regel nein. Chat-Werkzeuge von Anbietern können Nutzeraktivitäten protokollieren, und das BAG hält die objektive Eignung zur Überwachung nach § 87 Abs. 1 Nr. 6 BetrVG für ausreichend; daher greift die Mitbestimmung, wenn der unternehmensweite Assistent eingeführt wird; § 90 Abs. 1 Nr. 3 verlangt rechtzeitige Information über KI-gestützte Arbeit (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

KI-Kompetenz: Seit dem 27.07.2026 verlangt Art. 4 der KI-Verordnung (AI Act) von Anbietern und Betreibern Maßnahmen, die den Aufbau von KI-Kompetenz der Beschäftigten fördern (kein garantiertes Niveau). Ein 2-stündiger Workshop zu sicheren Prompts, Code lesen und Probeläufen ist ein sinnvoller Anfang (GUIDE-006).

Kommunikation und Pilot: Stellen Sie es dar als „Ihre lästige Routineaufgabe, von Ihnen selbst gelöst". Pilotieren Sie mit 3–5 Freiwilligen und 5 Routineaufgaben; benennen Sie eine KI-Fürsprecherin oder einen KI-Fürsprecher (Champion), die oder der die Skriptbibliothek verantwortet (GUIDE-008, GUIDE-009). Regel: kein Lauf auf Produktivdaten ohne Probelauf und ein zweites Paar Augen (GUIDE-007).

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): minimales Risiko; die Maßnahmen zur KI-Kompetenz nach Art. 4 gelten. Keine Nutzung nach Anhang III.
  • DSGVO: Fügen Sie keine echten personenbezogenen Daten in Prompts ein; nutzen Sie erfundene Beispiele. Müssen echte Daten weitergegeben werden, verlangen Sie einen AVV, Hosting in der EU und eine Einstellung ohne Training. Das fertige Skript läuft lokal und sendet selbst keine Daten nach außen – prüfen Sie, dass es keine externen Dienste aufruft.
  • Sicherheit: Erzeugte Skripte können schädliche Befehle enthalten oder ungeprüfte Pakete nachladen; prüfen Sie sie, legen Sie Paketversionen fest, speichern Sie nie Passwörter in Skripten und führen Sie sie mit minimalen Rechten aus (GUIDE-013).
  • Betrieb: Skripte ohne Verantwortliche verrotten; GoBD-relevante Dateien dürfen von Skripten nicht ohne Verfahrensdokumentation verändert oder gelöscht werden.

Erste Schritte

  1. Sammeln Sie 5 wiederkehrende Routineaufgaben und wählen Sie eine mit klaren Regeln und geringem Risiko (kopieren, umbenennen, zusammenführen).
  2. Bauen Sie einen erfundenen Beispielordner und schreiben Sie den Prompt nach dem obigen Muster.
  3. Bitten Sie den Assistenten, das Skript Zeile für Zeile zu erklären und einen Probelauf sowie eine Protokolldatei zu ergänzen.
  4. Führen Sie es an einer Kopie aus, vergleichen Sie mit einem von Hand geprüften Ergebnis, legen Sie dann ein Backup an und starten Sie den echten Lauf.
  5. Legen Sie Skript, Prompt und README in einem gemeinsamen Ordner oder in Git ab und tragen Sie es in das Skriptregister ein.

Quellen

  1. Microsoft Learn - about Execution Policies (PowerShell) - https://learn.microsoft.com/powershell/module/microsoft.powershell.core/about/about_execution_policies
  2. Ollama - Qwen2.5-Coder model library (sizes 0.5b-32b) - https://ollama.com/library/qwen2.5-coder
  3. pypdf documentation - https://pypdf.readthedocs.io/
  4. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj