KI-gestützte Power-Query- und Datenimport-Transformationen

Jeden Monat lädt jemand denselben Export aus ERP, Shop oder Bank herunter, löscht Kopfzeilen, korrigiert Datums- und Zahlenformate, verknüpft eine Preisliste und fügt das Ergebnis in einen Bericht ein. Power Query (Excel, Power BI) und Google-Sheets-Importe zeichnen diese Schritte einmal auf und spielen sie per Klick erneut ab. Die KI nimmt Nicht-Programmierern den schwierigsten Teil ab: den M-Code oder die Formel hinter den Schritten zu schreiben und zu verstehen. Typischer Nutzen: Aus einer wiederkehrenden Pflichtaufgabe wird ein Aktualisieren-Knopf.

Problem & Nutzen

• Heute: Ein Controller oder Sachbearbeiter wiederholt wöchentlich oder monatlich dieselbe Bereinigung. Die Schritte stecken in einem Kopf oder in einem fragilen Makro; ändert sich das Exportlayout, bricht der Bericht, und niemand sonst kann ihn reparieren.
• KI-Nutzen: Beschreiben Sie das Ziel („eine Zeile pro Rechnungsposition, Dezimalkomma umgewandelt, Kundengruppe aus der zweiten Datei zugeordnet") und erhalten Sie funktionierende Schritte; fügen Sie eine geerbte Abfrage ein und erhalten Sie eine Erklärung; fügen Sie eine Fehlermeldung ein und erhalten Sie eine Korrektur. Kenntnisse der Sprache M sind keine Voraussetzung mehr.
• Abgrenzung: Einmaliges Aufräumen ist AUTO-006, dialogorientierte BI über Datenbanken ist DATA-001, konstruierte ETL-Strecken sind CODE-022.
• Nutzenzahlen: Wir haben keine unabhängige Studie mit belastbaren Zeitersparnissen für diese Aufgabe gefunden; messen Sie die Minuten pro Aktualisierung vorher und nachher.

Varianten

• Excel / Power BI: Power-Query-Editor mit Copilot oder einem Chat-Assistenten, der M-Code schreibt.
• Google Workspace: Sheets mit IMPORTDATA, IMPORTRANGE und QUERY, Apps Script für geplante Importe, Gemini als Hilfe [4].
• DATEV- und Bankexporte: CSV mit Semikolon, deutsches Zahlenformat, Kodierung ISO-8859-1; ein klassisches erstes Ziel.
• Private Nutzung: Bank-CSVs und Jahresübersichten für die Steuer.

So funktioniert es

Exportdatei (CSV/XLSX) in einem festen Ordner
  -> Power Query verbindet sich mit dem Ordner
  -> KI schlägt Schritte vor (Zeilen entfernen, Spalten mit Gebietsschema typisieren, teilen, entpivotieren, Nachschlagetabelle verknüpfen)
  -> Anwender prüft die Vorschau nach jedem Schritt
  -> Abfrage wird gespeichert, in eine Tabelle oder ein Datenmodell geladen
  -> nächster Monat: Datei ersetzen, auf „Alle aktualisieren" klicken

• Rolle der KI: Ein Chat-Modell macht aus der Beschreibung M-Code, den der Anwender in den erweiterten Editor einfügt; Copilot kann einige Schritte direkt anwenden [3]. Senden Sie nur Spaltenüberschriften und wenige pseudonymisierte Zeilen.
• Deterministischer Kern: Die gespeicherte Abfrage läuft bei jeder Aktualisierung ohne KI. Die KI wird einmal zum Bauen des Schritts eingesetzt; die Ergebnisse sind daher reproduzierbar und prüfbar.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Anwender vergleicht Zeilenzahl und Gesamtbetrag vor und nach der Transformation.

Datenaufbereitung

Welche Daten: die wiederkehrenden Exporte (ERP, DATEV, Shop, Bank, CRM) und Nachschlagetabellen (Kundengruppen, Artikelkategorien, Kostenstellen-Zuordnung). Wo: ERP-Berichte, Shop-Backends, Online-Banking, SharePoint-/OneDrive-/Nextcloud-Ordner, Mailanhänge.

Typische Lücken: wechselnde Dateinamen und Ablageorte, nach Herstellerupdates umbenannte Spalten, Dezimalkommas und Datumsangaben im falschen Gebietsschema gelesen, Summenzeilen mitten in den Daten, Nachschlagelisten in privaten Kopien, personenbezogene Daten in Stichproben.

Schritte: 1. Ein fester Ordner pro Export mit Namensregel und Zugriff nur für das Team (etwa eine Stunde). 2. Wo möglich, einen gespeicherten oder geplanten Export mit festen Spalten einrichten, statt manuell herunterzuladen. 3. 20-50 Beispielzeilen entnehmen; Namen, IBANs und E-Mail-Adressen entfernen, bevor ein KI-Werkzeug genutzt wird. 4. Nachschlagetabellen in einer gemeinsamen Arbeitsmappe mit benanntem Verantwortlichen halten. 5. Das erwartete Ergebnis (Zeilenzahl, Summe, Stichprobenwerte) als Abnahmetest festhalten (GUIDE-003).

Werkzeuge: Excel, Power BI Desktop, Google Sheets, Nextcloud oder SharePoint. Aufwandsanteil: gering, überwiegend Abstimmung über den Ordner und Korrektur des Exports.

Umsetzungswege

Welcher Weg für wen

• KMU - Weg A: Power Query ist bereits in Excel enthalten; die KI-Hilfe kommt aus dem vorhandenen Microsoft-365- oder Google-Workspace-Abonnement. Der Prozess ist Standard und braucht keine Infrastruktur.
• Großunternehmen - Weg B: Gesteuerte Dataflows und eine gemeinsame KI-Plattform sprechen für freigegebene Modell-APIs mit zentraler Prüfung geteilter Abfragen.
• Entwickler - Weg C: Lokale Code-Modelle plus Python (pandas, Polars, DuckDB) liefern versionierte Importskripte.
• Privat - Weg C: LM Studio oder Ollama erklären und schreiben M-Code oder Formeln für Bank-CSVs ohne Cloud.

Weg A - Kaufen (für KMU empfohlen)

• Microsoft 365: Power Query (Daten > Daten abrufen) ist in Excel für den Desktop enthalten [1]; Copilot oder ein Copilot-Chat schreibt oder erklärt M-Code. Microsoft dokumentiert die EU Data Boundary (Option mit Hosting in der EU) [2].
• Google Workspace: Sheets mit Gemini und QUERY, Apps Script für Zeitpläne; Einstellungen für die Datenregion sind vorhanden.
• Chat-Assistenten: Mistral Le Chat (EU-Anbieter, Frankreich), ChatGPT, Claude, Gemini mit Business-Tarifen und AVV.
• A wählen, wenn: die Exporte Standard sind, die Mengen in Excel passen und keine ungeschützten personenbezogenen Daten das Unternehmen verlassen.

Weg B - Auf Cloud-KI-Diensten aufbauen

• Modelle: Azure OpenAI in EU-Regionen oder die Mistral-API (EU).
• Orchestrierung: Power Automate oder n8n nimmt die Datei auf, ein Modell schlägt einmalig eine Zuordnung vor, eine Person gibt sie frei.
• Einsetzen, wenn: viele Abteilungen gesteuerte Importe brauchen, die sich in die eigene Datenplattform einfügen.

Weg C - Selbst betreiben (Open Source)

• Modelle: kleine Open-Weight-Code-Modelle (Qwen-Coder oder Codestral-Klasse, 7-30B) über Ollama [6] oder LM Studio.
• Aufbau: Der Editor bleibt Excel; das Modell erzeugt nur M-Code, SQL oder Python-Schnipsel.
• Hardware: HW1 genügt für Schnipsel auf einem Laptop; HW2 liefert besseren Code. Die Installation dauert eine Stunde, im Alltag fällt kein Pflegeaufwand an.
• C wählen, wenn: Exporte Gesundheits-, Personal- oder Geschäftsgeheimnisdaten enthalten oder ein Entwickler versionierte Skripte will.

Weg D - Eigenes Training

Lohnt sich nicht; Prompts mit Beispielzeilen reichen aus.

Stand der Technik (2026)

• Code-fähige Chat-Modelle schreiben für typische Schritte (typisierte Spalten mit Gebietsschema, Teilen, Entpivotieren, Zusammenführen, Gruppieren) in den meisten Fällen korrektes M, erfinden aber manchmal Funktionsnamen; das Einfügen der Fehlermeldung von Power Query behebt das meist.
• Copilot-Funktionen in Excel unterscheiden sich nach Lizenz, Region und Build; testen Sie daher, bevor Sie darauf planen [3].
• Fehlerbilder: Verwechslung des Gebietsschemas (1.234,56 als Text oder Datum gelesen), stille Typfehler, fest verdrahtete Spaltennamen, die nach Herstellerupdates brechen, Modelle, die raten, was sie nicht sehen können. Übernehmen Sie nie ein Ergebnis ohne Vergleich einer Prüfsumme.

Gemeinsame Bausteine & Kombinationen

• Derselbe Assistent und dieselbe Prompt-Bibliothek: AUTO-001 Formeln, AUTO-017 Makros, AUTO-018 Skripte, AUTO-021 Regex-Regeln.
• Vorgelagert: AUTO-007 legt Anhänge im Ordner ab; AUTO-008 macht aus Formularen Zeilen.
• Nachgelagert: AUTO-015 Dokumente aus der sauberen Tabelle; DATA-006 Analyse; DATA-003 für echte Stammdaten-Deduplizierung.
• Ein lokales HW1-/HW2-Modell bedient all diese Fälle.

Aufwand, Kosten & Kennzahlen

• Weg A: ein bis drei Tage für die erste Abfrage inkl. Test, etwa eine Stunde für spätere; die Kosten sind das vorhandene Abonnement plus eventuell eine Copilot- oder Chat-Lizenz.
• Weg B: ein bis zwei Wochen für einen gesteuerten Helfer; die API-Kosten für Schnipsel sind gering.
• Weg C: ein bis zwei Tage, um ein lokales Modell zu installieren und zu testen.
• Kennzahlen: Minuten pro Aktualisierung, entfernte manuelle Schritte, in der Prüfung gefundene Fehler, Personen, die jede Abfrage pflegen können, Anteil der Importe, die eine Exportänderung überstehen.

Menschen & Veränderung

Einbeziehen: Abteilungsleitung, Endanwender, die die Aufgabe erledigen (lassen Sie sie die Schritte entwerfen), IT (Ordner, Freigabe des Werkzeugs), Datenverantwortliche der Quellsysteme sowie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten, falls Exporte personenbezogene Daten enthalten.

Betriebsrat: abhängig. Power Query selbst überwacht keine Personen, aber Copilot und ähnliche Assistenten protokollieren die Nutzung, was das BAG nach §87 Abs. 1 Nr. 6 BetrVG als objektiv zur Verhaltensüberwachung geeignet ansieht. §90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-gestützte Arbeitsverfahren. Eine Rahmenvereinbarung zu KI-Assistenten deckt dies in der Regel ab (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Eine Datenschutz-Folgenabschätzung (DSFA) ist für die Umformung von Geschäftsdaten normalerweise nicht nötig, prüfen Sie sie aber bei Personal-, Gesundheits- oder regulierten Kundendaten. Schließen Sie mit dem Anbieter des Assistenten einen Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) (GUIDE-005, GUIDE-010).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; eine praktische Schulung von 60-90 Minuten zu „beschreiben, testen, Summen vergleichen" genügt (GUIDE-006).

Pilot und Bedenken: Beginnen Sie mit einem Bericht und einer freiwilligen Person, benennen Sie einen KI-Champion, dokumentieren Sie jede Abfrage auf einer Seite (GUIDE-008, GUIDE-009). Bedenken: Arbeitsplatzverlust (die Zeit verlagert sich zur Analyse), falsche Zahlen (Prüfsummen), was in einen Chat eingefügt werden darf (GUIDE-007).

Mensch behält die Kontrolle: Der Anwender verantwortet die Abfrage und zeichnet die Summen ab.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko, keine Kategorie nach Anhang III; Art. 4 gilt [5]. Siehe GUIDE-014.
• DSGVO: Exporte enthalten Kunden-, Mitarbeiter- oder Lieferantendaten. Stichproben pseudonymisieren, Mandanten mit Hosting in der EU nutzen, AVV je Anbieter, keine privaten KI-Konten.
• Buchführung: Den unveränderten Originalexport als Prüfspur aufbewahren (GoBD) und die Abfrage dokumentieren.
• Risiken: stille Umwandlungsfehler, Schatten-IT, Wissen bei nur einer Person, Datenabfluss über Prompts. Gegenmaßnahmen: Prüfsummen, gemeinsames Abfrageregister, freigegebene Werkzeugliste, eingeschränkte Ordner (GUIDE-013).

Erste Schritte

1. Wählen Sie einen monatlichen Export, der über eine Stunde kostet; sichern Sie das Original und eine anonymisierte Stichprobe.
2. Schreiben Sie das Ziel in zwei Sätzen plus drei Beispielzeilen auf.
3. Bauen Sie die Abfrage mit einem freigegebenen Assistenten und prüfen Sie die Vorschau jedes Schritts.
4. Vergleichen Sie Zeilenzahl und Summe mit dem manuellen Ergebnis des Vormonats.
5. Speichern Sie die Abfrage, ergänzen Sie eine einseitige Beschreibung und eine Ordnerregel, und wiederholen Sie das Vorgehen.

Quellen

1. Microsoft - Power Query documentation for Excel and Power BI - https://learn.microsoft.com/en-us/power-query/
2. Microsoft - EU Data Boundary for the Microsoft Cloud - https://learn.microsoft.com/en-us/privacy/eudb/eu-data-boundary-learn
3. Microsoft - Copilot in Excel overview - https://support.microsoft.com/en-us/copilot-excel
4. Google - Apps Script overview - https://developers.google.com/apps-script
5. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Ollama - https://ollama.com