Einführung & Abgrenzung
KI-Anwendungsfälle, die Rohdaten des Unternehmens in verlässliche, nutzbare und berichtete Informationen verwandeln. Drei Muster: - DATA.PREPARE: Bereinigung, Stammdaten, Extraktion, Katalogisierung, Qualität, Labeling, synthetische Daten, Schema-/EDI-Mapping, OT-Kontextualisierung. - DATA.ANALYZE: dialogbasierte BI, Tabellenkalkulations-Assistenten, AutoML, Geodaten, FP&A, Process Mining, Ausgabenanalyse, Experimente, UX-Analytik. - DATA.REPORT: Management-Reporting, ESG/CSRD, regulatorisches Berichtswesen, Product Carbon Footprint/DPP, Entgelttransparenz.
Abgrenzungen: DATA-001 (gesteuertes NL-zu-SQL auf Data Warehouses) vs. DATA-006 (Ad-hoc-Tabellen); DATA-002 (allgemeine wiederkehrende Berichtstexte) vs. DATA-024 (Planung/Abweichungsanalyse für das Finanzwesen) vs. DATA-012/020/021/025 (regulierungsgetriebene Berichte); DATA-003 (Stammdaten-Entitäten) vs. DATA-010 (Produktdaten) vs. DATA-015 (Ausgabenpositionen) vs. DATA-022 (Mapping von Partnerdateien). Prädiktive Modellierung über AutoML hinaus gehört zu PRED-, Dokumentenextraktion zu DOC-. Lücken in der Nummerierung (DATA-014, 017-019) sind beabsichtigt/nicht vergeben.
Anwendungsfälle
| ID | Titel | Muster | Reifegrad | Weg | HW-Stufe | KI-Risiko (AI Act) |
|---|---|---|---|---|---|---|
| DATA-001 | Natürliche Sprache zu SQL & dialogbasierte BI | DATA.ANALYZE | early-adopter | A | HW3 | minimal |
| DATA-002 | Automatisiertes Reporting & Dashboard-Erläuterungen | DATA.REPORT | mainstream | A | HW2 | minimal |
| DATA-003 | Datenbereinigung, Deduplizierung & Stammdatenmanagement | DATA.PREPARE | mainstream | A | HW1 | minimal |
| DATA-004 | KI-gestützte Datenextraktion aus dem Web (intelligentes Scraping) | DATA.PREPARE | early-adopter | B | HW2 | minimal |
| DATA-005 | Erzeugung synthetischer Daten (Datenschutz & Trainingsdaten) | DATA.PREPARE | early-adopter | B | HW2 | minimal |
| DATA-006 | Assistent für die Analyse von Tabellenkalkulationen | DATA.ANALYZE | mainstream | A | HW2 | minimal |
| DATA-007 | Datenkatalog & Anreicherung von Metadaten | DATA.PREPARE | early-adopter | A | HW2 | minimal |
| DATA-008 | Überwachung der Datenqualität & Observability | DATA.PREPARE | mainstream | C | HW1 | minimal |
| DATA-009 | AutoML für Business-Analysten | DATA.ANALYZE | mainstream | A | HW1 | depends |
| DATA-010 | Anreicherung & Klassifikation von Produktdaten (PIM, ECLASS, ETIM) | DATA.PREPARE | early-adopter | B | HW2 | minimal |
| DATA-011 | Geodatenanalyse & Standort-Intelligenz | DATA.ANALYZE | early-adopter | B | HW2 | minimal |
| DATA-012 | Erhebung und Berichterstattung von ESG- & Nachhaltigkeitsdaten (CSRD) | DATA.REPORT | early-adopter | A | HW3 | minimal |
| DATA-013 | Prozess- & Task-Mining zur Prozessverbesserung und Entdeckung von Automatisierungspotenzial | DATA.ANALYZE | mainstream | A | HW1 | depends |
| DATA-015 | Klassifikation von Ausgaben & Analyse der Beschaffungsausgaben | DATA.ANALYZE | mainstream | A | HW2 | minimal |
| DATA-016 | Kontextualisierung industrieller Daten (OT-Tag-Mapping, Asset-Modelle, Unified Namespace) | DATA.PREPARE | early-adopter | A | HW2 | minimal |
| DATA-020 | Finanz- & aufsichtsrechtliches Berichtswesen (ESEF/iXBRL-Tagging, COREP/FINREP) | DATA.REPORT | early-adopter | A | HW3 | minimal |
| DATA-021 | Automatisierung von Product Carbon Footprint, Ökobilanz (LCA) & digitalem Produktpass | DATA.REPORT | early-adopter | A | HW2 | minimal |
| DATA-022 | Onboarding von Partnerdaten & Schema-/EDI-Mapping | DATA.PREPARE | early-adopter | A | HW2 | minimal |
| DATA-023 | KI-gestütztes Daten-Labeling & Annotation (Model-in-the-Loop) | DATA.PREPARE | mainstream | B | HW2 | minimal |
| DATA-024 | FP&A-Copilot: treibergestützte Planung, Szenarien & Abweichungskommentare | DATA.ANALYZE | early-adopter | A | HW3 | minimal |
| DATA-025 | Entgelttransparenz & Analyse des Gender Pay Gap (EU-Entgelttransparenzrichtlinie) | DATA.REPORT | early-adopter | A | HW2 | depends |
| DATA-026 | Digitale Nutzungsanalyse: Zusammenfassungen von Session-Replays & Erkennung von UX-Reibungspunkten | DATA.ANALYZE | mainstream | A | HW2 | minimal |
| DATA-027 | Online-Experimente & Conversion-Optimierung (A/B-Tests, Bandits, kausale Wirkungsanalyse) | DATA.ANALYZE | mainstream | A | HW1 | minimal |
Hinweis zum AI Act: Alle sind Systeme mit minimalem Risiko, außer DATA-009 (abhängig von der Modellnutzung, z. B. Kredit-/HR-Scoring), DATA-013 (Task-Mining bei Beschäftigten) und DATA-025 (HR-/Entgeltentscheidungen); diese können in die Bereiche Beschäftigung oder Kredit nach Anhang III fallen. Personenbezogene Daten nach DSGVO sind „ja" bei DATA-003, 013, 025, 026, 027.
Gemeinsamer Stack
Gemeinsame Bausteine: ein gesteuertes Warehouse/Lakehouse mit semantischer Schicht (DATA-001/002/024), ein Metadatenkatalog (DATA-007), der jeden LLM-Anwendungsfall speist, ein Embedding-Index (Vektordatenbank) für Entity Resolution, Klassifikation und Retrieval (DATA-003/010/015/021), eine Datenqualitätsschicht (DATA-008) und eine Orchestrierungsschicht für Workflows.
HW1 (nur CPU, keine GPU)
Postgres oder DuckDB + dbt, pgvector, Great Expectations/Soda, Airflow/n8n, scikit-learn/LightGBM/AutoGluon, PM4Py, Splink für Entity Resolution; LLM über eine in der EU gehostete API (z. B. Mistral, Azure-EU-Region) oder ein 3-4B-Modell über llama.cpp. Deckt DATA-003, 008, 009, 013, 027 ab.
HW2 (einzelne 24-GB-GPU, 7-14B-Modelle)
HW1 plus vLLM oder Ollama mit einem 7-14B-Instruct-Modell (Klasse Qwen/Mistral/Llama), einem kleinen Embedding-Modell (bge-m3 / multilingual-e5), Qdrant oder pgvector, Docling oder Unstructured für OCR/Parsing, Playwright/Crawl4AI für die Extraktion, Label Studio plus einem Modell der SAM-Klasse für das Labeling, Katalog mit DataHub/OpenMetadata. Deckt DATA-002, 004, 005, 006, 007, 010, 011, 015, 016, 021, 022, 023, 025, 026 ab.
HW3 (Multi-GPU / 48-80 GB, 30-70B-Modelle)
HW2 plus ein 30-70B-Reasoning-/Code-Modell (quantisiert) auf vLLM, ein Reranker, ein Text-to-SQL-Agent mit semantischer Schicht (Cube/dbt MetricFlow) und schreibgeschützten Warehouse-Rollen mit Zeilensicherheit (Row-Level Security), Code-Ausführung in einer Sandbox für Tabellen/FP&A. Deckt DATA-001, 012, 020, 024 ab.
Gemeinsame Nutzung über Anwendungsfälle und Familien hinweg
- Ein vLLM-Endpunkt und ein Embedding-Dienst bedienen alle DATA-Anwendungsfälle; Trennung nach Mandant/API-Schlüssel, nicht nach Bereitstellung.
- Ein Vektorspeicher mit Collections je Anwendungsfall; der Katalog (DATA-007) und das Glossar werden von den Familien KNOW-* (RAG) und CODE-* (SQL/Code) wiederverwendet.
- Weg A (SaaS/EU-API) für Analysen mit geringer Sensibilität; Weg B (hybrid), wenn Web-, Labeling- oder synthetische Daten beteiligt sind; Weg C (Open-Source, selbst betrieben) für Qualitätswerkzeuge.
- DSGVO: vor jedem LLM-Aufruf pseudonymisieren bei HR/Entgelt (DATA-025), Sitzungsdaten (DATA-026) und Process Mining (DATA-013); Logs in der EU halten.