Records Management: automatische Klassifikation, Aufbewahrungskennzeichnung & ROT-Bereinigung

Organisationen halten jahrelang angesammelte unstrukturierte Inhalte vor - Dateifreigaben, SharePoint, Postfächer, Teams -, die niemand klassifiziert hat. Gesetzliche Aufbewahrungsfristen, die Speicherbegrenzung der DSGVO und Legal Holds setzen alle voraus zu wissen, was ein Dokument ist. KI klassifiziert Inhalte anhand des Aufbewahrungsplans oder Aktenplans, schlägt Aufbewahrungskennzeichen vor, findet redundante, veraltete und triviale (ROT-)Dateien und leitet Löschentscheidungen an einen Records-Manager weiter. Sie ist zudem der unscheinbare erste Schritt vor der Einführung von Unternehmens-RAG oder Copiloten, weil Assistenten sonst veraltete und überfreigegebene Inhalte indexieren.

Problem & Nutzen

• Heute: Unterlagen werden von den Nutzern abgelegt (oder gar nicht). Die Aufbewahrung wird, wenn überhaupt, je Site oder Ordner angewendet. Gelöscht wird selten, weil niemand nachweisen kann, dass es sicher ist; so wachsen Speicher, Risiko und E-Discovery-Kosten. Überfreigaben und veraltete Entwürfe werden von KI-Assistenten sichtbar gemacht.
• Rechtliche Treiber (Deutschland): Buchungsbelege 8 Jahre, Bücher und Aufzeichnungen 10 Jahre, Handels- und Geschäftsbriefe sowie andere steuerrelevante Unterlagen 6 Jahre - beginnend mit dem Ende des Kalenderjahres des Ereignisses; die Frist läuft nicht ab, solange die Festsetzungsfrist noch offen ist (§ 147 AO; § 257 HGB, der für Belege von Banken, Versicherern und Wertpapierinstituten 10 Jahre vorsieht) [1][2]. Art. 5 Abs. 1 Buchst. e DSGVO verlangt, dass personenbezogene Daten nicht länger als nötig identifizierbar aufbewahrt werden [3]. Beides wirkt in entgegengesetzte Richtungen - daher der Bedarf an dokumentierten Plänen je Klasse.
• KI-Nutzen: Millionen Objekte von Hand zu klassifizieren ist nicht machbar; Regeln und Schlagwörter allein verfehlen die meisten Inhalte. Klassifikator + LLM + Clustering reduzieren den manuellen Anteil auf die Prüfung von Stichproben, Ausnahmen und Aussonderungslisten. Anbieter berichten von großen ROT-Anteilen in typischen ungepflegten Korpora, doch solche Zahlen sind anbieterspezifisch und sollten in Ihrem eigenen Scan gemessen werden (führen Sie zuerst eine Bestandsaufnahme durch).

Varianten

• Records Management unstrukturierter Korpora (M365/Dateifreigabe): nach Inhalt kennzeichnen und aufbewahren, z. B. Vertrag, Personalakte, Rechnung, Projektunterlage.
• E-Akte / Aktenplan-Ablage (öffentlicher Sektor): Aktenplan-Position, Aktenzeichen und Aufbewahrung/Aussonderung (Anbietung an das Archiv) für eingehende und Altdokumente in der E-Akte vorschlagen; Übergaberegeln des Archivrechts gelten. Halten Sie KI-Vorschläge getrennt von der förmlichen Ablageentscheidung.
• GoBD-Aufbewahrung und Legal Hold: steuerrelevante Dokumente (Belege, Handelsbriefe) mit der richtigen Frist kennzeichnen und die Löschung während Sperren (Legal Holds) oder Betriebsprüfungen blockieren; siehe DOC-001.
• ROT-Bereinigung / Migration: Duplikate, verwaiste Entwürfe, leere und private Dateien vor einer DMS- oder Cloud-Migration entfernen; verringert Speicher- und E-Discovery-Volumen.
• Copilot-/RAG-Bereitschaft: sensible oder veraltete Inhalte finden, die Assistenten zutage fördern könnten (siehe KNOW-002), und Berechtigungen vor der Einführung korrigieren.
• E-Mail- und Chat-Aufbewahrung: Postfach- und Teams-Inhalte in Geschäftsunterlage vs. flüchtigen Inhalt einordnen.
• Private Nutzung: Haushaltsdokumentenarchiv mit vorgeschlagenen Aufbewahrungsfristen - siehe PERS-013 / DOC-002.

So funktioniert es

1. inventory (connectors to shares, SharePoint, DMS, mail archive; metadata + ACLs + hashes)
2. text extraction (OCR + layout parsing for scans/PDF, language detection)
3. dedup & near-dup clustering (hashes, embeddings)
4. ROT candidates
5. classification against filing plan / schedule (rules + trainable classifier + LLM with the schedule as context)
6. sensitivity & PII detection (names, health, HR, contract terms)
7. proposal: class, retention label, trigger event (creation, contract end, employee exit), hold check
8. human review: sample audit per class, exception queue, disposition approval (four-eyes)
9. write-back (label/metadata), retention engine executes, audit log kept

• Erst clustern: Dokumente einbetten, clustern und den Records-Manager Cluster statt einzelner Dateien kennzeichnen lassen; auf die Mitglieder übertragen und Ausreißer prüfen.
• Auslöser für Aufbewahrungsfristen (Vertragsende, Ausscheiden eines Mitarbeiters, Projektende) stehen meist nicht im Dokument - sie stammen aus ERP-/HR-/CRM-Daten und erfordern eine Integration.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Aufbewahrungsplan selbst (Rechtsgrundlage je Klasse) ist eine menschliche Entscheidung; die KI schlägt Klassen vor und macht Konflikte sichtbar. Die Löschung von Unterlagen oberhalb vereinbarter Schwellen braucht immer eine Genehmigung; ein Legal Hold hat Vorrang vor allem. Standard ist „behalten“, niemals „automatisch löschen bei geringer Konfidenz“.

Datenaufbereitung

Benötigte Daten: der Aufbewahrungs- bzw. Aktenplan, die unstrukturierten Inhalte selbst (Dateifreigaben, SharePoint, Mail-Archive, DMS, Papierarchive) und die Metadaten zu Eigentümer, Datum und Nutzung. Sie liegen typischerweise auf historisch gewachsenen Dateifreigaben, in persönlichen Postfächern, in den ERP-Anhängen und in Papierkartons.

Typische Lücken: kein aktueller Aktenplan, viele Duplikate und Kopien, Scans ohne Textebene, Mail-Archive in Altformaten, fehlende Eigentümer, unklarer Legal-Hold-Status und zu weitreichende Berechtigungen, die personenbezogene Daten offenlegen.

Aufbereitungsschritte: Repositories und Eigentümer inventarisieren ([PREP-001], [PREP-004]); das Kategorienschema festlegen und jede Klasse einer Aufbewahrungsregel zuordnen, bevor KI zum Einsatz kommt ([PREP-019]); Duplikate und ROT finden und messen; Formate konvertieren und Scans per OCR erfassen ([PREP-006], [PREP-007]); Berechtigungen bereinigen ([PREP-023]); Zweck und Rechtsgrundlage für die Verarbeitung personenbezogener Daten prüfen ([PREP-025]); eine Stichprobe von 200 bis 300 Dokumenten durch Records-Manager als Goldset kennzeichnen lassen ([PREP-018], [PREP-020]). Werkzeuge: DMS oder M365 Purview, Paperless-ngx, Skripte zur Deduplizierung.

Rechnen Sie mit 60 Prozent des Aufwands oder mehr für diese Aufbereitung, da die Qualität des Aktenplans die Obergrenze jeder automatischen Klassifikation bestimmt.

Umsetzungswege

Welcher Weg für wen

• smb: A - Aufbewahrungskennzeichen und automatische Klassifikation gibt es bereits im DMS oder in der M365-Lizenz, und der Prozess ist Standard; für ein überschaubares Archiv ist kein Eigenbau nötig.
• enterprise: B - Ein großes, heterogenes Archiv und ein unternehmensspezifischer Aktenplan verlangen eine Klassifikation auf Cloud-KI-Diensten, die in das bestehende Records-System integriert ist.
• public: C - Personenbezogene Daten und Vergaberegeln sprechen für den souveränen oder lokalen Betrieb einer Open-Source-Klassifikation, zum Beispiel mit Paperless-ngx oder einem E-Akte-System auf HW2-Hardware.
• developer: C - Offene Modelle und ein Open-Source-DMS ergeben einen wiederverwendbaren Klassifikationsdienst für mehrere Kunden.

Weg A — Kaufen (Standardsoftware)

• Plattformeigen: Microsoft Purview (Aufbewahrungskennzeichen, Records Management, automatisch angewendete Kennzeichen nach Typen sensibler Informationen, Schlüsselwortabfragen oder trainierbaren Klassifikatoren; Simulationsmodus, um eine Richtlinie vor der Aktivierung zu testen) [4][5][6]. Naheliegende Wahl, wenn die Inhalte in M365 liegen.
• ECM-/Records-Plattformen: OpenText, Hyland, Laserfiche, M-Files; EU-/deutsche/österreichische Anbieter: ELO Digital Office, d.velop, OPTIMAL SYSTEMS (enaio), Fabasoft (Österreich; in der öffentlichen Verwaltung verbreitet), Materna (DOMEA). Prüfen: Abbildung von Aufbewahrungsplan/Aktenplan, GoBD-/IDW-PS-880-Zertifizierung bei steuerrelevanten Inhalten, EU-Hosting, Audit-Trail, Archivexport.
• Data-Governance-/Discovery-Werkzeuge: Varonis, BigID, Congruity360, Bereinigungsdienste nach Art von Concentrix sowie E-Discovery-Anbieter zur ROT-Reduktion (aktuelle Produktnamen und EU-Hosting prüfen).
• A wählen, wenn: Sie bereits eine dieser Plattformen betreiben - die KI-Klassifikation ist dann eine Lizenz oder ein Modul. Zu prüfende Grenzen: Die benutzerdefinierten trainierbaren Klassifikatoren von Purview sind nur auf Englisch verfügbar, lassen sich nach der Veröffentlichung nicht nachtrainieren, und die automatische Anwendung auf bestehende SharePoint-/OneDrive-/Exchange-Elemente deckt nur die letzten sechs Monate ab; vortrainierte Klassifikatoren haben eine eigene Sprachliste [5][6].

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLM-Klassifikation mit dem Plan im Prompt: führende Modelle mit strukturierten Ausgaben (Claude, Gemini, GPT, Mistral Large über EU-Regionen oder EU-Anbieter) ordnen Textabschnitte samt Metadaten den Aktenplan-Klassen zu und liefern JSON mit Begründung und Konfidenz.
• Kostenkontrolle: mit Hashes, Embeddings und Regeln vorfiltern; das LLM nur für Cluster-Vertreter und mehrdeutige Objekte aufrufen. Für den Rückstand Batch-Endpunkte nutzen.
• Extraktion: Azure AI Document Intelligence, Google Document AI oder Mistral OCR für Scans (EU-Regionen). Kennzeichen über Microsoft Graph, SharePoint-APIs oder DMS-REST-APIs zurückschreiben; mit n8n oder Power Automate orchestrieren.
• B wählen, wenn: Ihr Aktenplan individuell ist, die Inhalte mehrsprachig sind oder das Anbieter-Werkzeug nicht passt; keine strikte On-Premises-Vorgabe. Personenbezogene Daten gehen an den Anbieter - schließen Sie einen AVV ab und nutzen Sie EU-Regionen.

Weg C — Selbst betreiben (Open Source)

• Parsing: Docling, PaddleOCR, MinerU für Scans und Layout [7]. Embeddings/Reranking: bge-m3 und ähnliche mehrsprachige Modelle; Vektorsuche: pgvector, Qdrant, OpenSearch.
• Klassifikation: feingetunter mehrsprachiger Encoder (z. B. XLM-R-/deutsche BERT-Varianten) für die stabilen Klassen mit hohem Volumen; Open-Weight-LLM (Qwen3, Mistral, Gemma-Familie; 7-32B, über vLLM oder Ollama) für Begründung und den langen Schwanz seltener Klassen; Deduplizierung mit MinHash/Simhash.
• Repository: Mayan EDMS, Paperless-ngx (kleiner Maßstab), Alfresco Community, OpenKM oder Nuxeo mit ihren Records-/Aufbewahrungsmodulen; die Aufbewahrungs-Engine muss manipulationssicher und prüfbar sein.
• Hardware: HW2 genügt, um Millionen Dokumente als Batch-Job über Wochen zu scannen und zu klassifizieren; HW1/CPU für reine Deduplizierung und Regeln. Sensible Personal-, Gesundheits- oder Verteidigungsarchive sind der typische Grund für C. Der Betriebsaufwand ist hoch: Konnektoren, ACL-Behandlung, erneute Scan-Läufe.

Weg D — Eigenes Training

Lohnt sich, wenn der Aktenplan Dutzende oder Hunderte Klassen hat und ein LLM pro Dokument zu teuer oder zu uneinheitlich ist. Trainieren Sie einen Klassifikator mit einigen Hundert geprüften Beispielen pro Klasse (die vom Records-Manager akzeptierten oder korrigierten Kennzeichen sind die natürlichen Trainingsdaten) und behalten Sie ein Hold-out-Set. Trainieren Sie neu, wenn sich der Plan ändert. Dokumentieren Sie die Trainingsdaten für Prüfzwecke.

Stand der Technik (2026)

• Der mehrschichtige Ansatz ist Standard: zuerst Erkennung exakter/naher Duplikate und Regeln, dann trainierbare Klassifikatoren, dann LLM-basierte Klassifikation für mehrdeutige oder neuartige Dokumente. LLMs befolgen einen im Kontext gegebenen Aktenplan gut, aber lange hierarchische Pläne (Hunderte Klassen) brauchen eine Suche über den Plan und eine zweistufige Klassifikation „eingrenzen, dann entscheiden“.
• Plattformeigene KI-Kennzeichnung (Klasse Purview) ist für Typen sensibler Informationen, Schlüsselwörter und vortrainierte Klassifikatoren ausgereift; die benutzerdefinierte Klassifikation ist stärker eingeschränkt (Sprache, Nachtrainieren, Abdeckung alter Elemente; Kennzeichen werden nur auf unbekennzeichnete Inhalte angewendet, ein vorhandenes Kennzeichen wird nicht ersetzt) [4][5][6].
• KI-Bereitschaft treibt die Nachfrage: Copiloten und RAG machen veraltete, duplizierte und überfreigegebene Inhalte sofort sichtbar, daher werden Bereinigungsprojekte oft im Rahmen der KI-Einführung finanziert.
• Auslöser für Fristen und der rechtliche Kontext bleiben das Schwierige: Ob ein Vertrag noch läuft, ein Mitarbeiter ausgeschieden ist oder eine Betriebsprüfung läuft, steht in Geschäftssystemen, nicht im Dokument.
• Grenzen: Die Fehlklassifikation einer Unterlage mit langer Aufbewahrungsfrist als trivial (vorzeitige Löschung) ist weit schlimmer als das Gegenteil; gescannte, handschriftliche und mehrsprachige Inhalte senken die Genauigkeit; ein Dokument kann zu mehreren Klassen gehören (meist gilt die längste Frist); das Umbenennen/Verschieben von Inhalten bricht Annahmen. Es gibt keinen öffentlichen Benchmark für die Aktenplan-Klassifikation - bewerten Sie an Ihrer eigenen gekennzeichneten Stichprobe.

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (ocr-docparse, embedding-text, vector-db, text-classifier, llm-general): DOC-008 (Klassifikation beim Eingang - dieselben Klassen speisen die Aufbewahrung), DOC-014 (Parsing für RAG), KNOW-001/KNOW-002 (der bereinigte und gekennzeichnete Korpus ist der Index), KNOW-011 (veraltete Wissensartikel außer Dienst stellen), KNOW-013 (Entitätsextraktion für Aufbewahrungsauslöser).
• Governance: SEC-018 (Verzeichnis von Verarbeitungstätigkeiten, Betroffenenanfragen - Aufbewahrungsklassen sind Teil des DSGVO-Löschkonzepts; dieselbe PII-Erkennung unterstützt die Suche bei Betroffenenanfragen), DOC-001 (GoBD-Belege und ihre Aufbewahrungsfristen).
• Hardware: Ein HW2-GPU-Server mit einem vLLM-Endpunkt und einer Vektor-DB kann KNOW-025, DOC-008, DOC-014 und KNOW-002 bedienen; Batch-Jobs nachts, interaktives RAG tagsüber.
• Workflow-Engine (n8n/Camunda) für die Prüf- und Aussonderungswarteschlange wird mit AGENT-Anwendungsfällen im Backoffice geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, um Kennzeichen und Richtlinien auf einer bestehenden Plattform zu konfigurieren, aber der Aufbewahrungsplan und die Abstimmung der Beteiligten dauern Monate.
• Weg B: 2-4 Monate für Konnektoren, Klassifikations-Pipeline und Prüfoberfläche; die Kosten richten sich nach der Zahl der vom LLM verarbeiteten Dokumente - Vorfilterung ist der wichtigste Hebel.
• Weg C: 4-6 Monate mit Konnektoren und Betrieb; ein GPU-Server plus Speicher.
• Weg D: zusätzlicher Labeling-Aufwand je Klasse; erst, nachdem A-C gezeigt haben, wo der Klassifikator versagt.
• Kennzahlen: Anteil klassifizierter Inhalte (nach Volumen und nach Risikoklasse), Precision/Recall der Klassifikation an einer geprüften Stichprobe (besonders für Klassen mit langer Aufbewahrung), entfernter ROT-Anteil, verringertes Speicher- und E-Discovery-Volumen, Anteil der von Prüfern akzeptierten Aussonderungsvorschläge, behobene überfreigegebene sensible Objekte, Zeit bis zur Beantwortung einer Legal-Hold- oder Betroffenenanfrage.

Menschen & Veränderung

Binden Sie die Geschäftsführung für die Löschrichtlinie ein, den Records-Manager oder Prozessverantwortlichen, die IT und IT-Sicherheit für Repositories und Zugriff, Recht und Compliance für Aufbewahrungspflichten und Sperren sowie den/die Datenschutzbeauftragte(n), weil Löschung und Klassifikation personenbezogene Daten berühren ([GUIDE-005]). Die Datenverantwortlichen jedes Repositories müssen die Löschregeln genehmigen.

Betriebsrat: abhängig vom Einzelfall. Inhalte wie E-Mails und Dateien enthalten Beschäftigtendaten, und Klassifikationsprotokolle können zeigen, wer was abgelegt hat, daher greift §87 Abs. 1 Nr. 6 BetrVG nach dem Maßstab der objektiven Eignung des BAG wahrscheinlich. Informieren Sie den Betriebsrat früh nach §90 Abs. 1 Nr. 3 und vereinbaren Sie den Umfang in einer Betriebsvereinbarung ([GUIDE-004]). In Behörden gilt stattdessen der Personalrat. Eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich nötig, wenn Postfächer oder Personalakten in großem Umfang gescannt werden (Art. 35 DSGVO).

KI-Kompetenz: Arbeitgeber müssen nach Art. 4 der KI-Verordnung (AI Act) Maßnahmen ergreifen, die die KI-Kompetenz ihrer Beschäftigten fördern; schulen Sie Records-Mitarbeitende darin, Vorschläge und Ausnahmen zu prüfen ([GUIDE-006]).

Pilot und Bedenken: Beginnen Sie mit der Dateifreigabe einer Abteilung, ausschließlich im Vorschlagsmodus. Typische Sorgen sind versehentliche Löschung und Überwachung. Begegnen Sie ihnen mit menschlicher Genehmigung vor jeder Löschung, einem Probelauf mit Berichten, Sperren, die alle Regeln übersteuern, und klarer Kommunikation darüber, was analysiert wird und was nicht ([GUIDE-008]).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko - ein internes Werkzeug für Dokumenten-Governance, keine Anwendung nach Anhang III. Art. 4 (KI-Kompetenz) gilt. Heikler wird es, wenn dieselbe Pipeline genutzt wird, um Beschäftigte anhand ihrer Dokumente oder E-Mails zu profilieren; dann müssen die HR-Regeln (Betriebsrat, Art. 5 und Anhang III Beschäftigung) bewertet werden [8].
• DSGVO: Der Scan selbst verarbeitet personenbezogene Daten (Personalakten, Gesundheits-, Kundendaten); Rechtsgrundlage, Datenschutz-Folgenabschätzung bei Scans in großem Umfang und die Beteiligung des Betriebsrats bei E-Mails und Dateifreigaben sind häufige Anforderungen. Aufbewahrungsklassen müssen mit dem Löschkonzept (DIN 66398) und dem Verzeichnis von Verarbeitungstätigkeiten übereinstimmen; halten Sie Klassifikationsprotokolle frei von Inhaltskopien.
• Aufbewahrungsrecht: GoBD, § 147 AO, § 257 HGB, Branchenregeln (BaFin/DORA, MDR, GMP) und für Behörden Archivgesetze sowie die Übergabe an das Archiv (Anbietungspflicht) [1][2]. KI-Vorschläge sind keine rechtliche Feststellung - die verantwortliche Person zeichnet den Plan ab.
• Risiken: vorzeitige Löschung, Löschung während eines Legal Holds oder einer Betriebsprüfung, im großen Maßstab zurückgeschriebene falsche Kennzeichen (Kennzeichen sind möglicherweise nicht umkehrbar), Offenlegung von Inhalten gegenüber dem LLM-Anbieter, Modelldrift.
• Gegenmaßnahmen: Standard „behalten“, Simulation oder Probelauf vor dem Rückschreiben, gestufte Einführung nach Standort, Stichprobenprüfungen je Klasse und Konfidenzband, Vier-Augen-Genehmigung für Löschungen, unveränderliches Audit-Protokoll, Backups vor dem ersten Aussonderungslauf.

Erste Schritte

1. Beschaffen oder erstellen Sie den Aufbewahrungsplan: Klassen, Rechtsgrundlage, Aufbewahrungsfrist und Auslöser (beziehen Sie Recht, Steuer, HR, IT und Betriebsrat ein); das ist die Voraussetzung für jede KI.
2. Führen Sie für ein Repository eine Inventur von Metadaten und Hashes durch; beziffern Sie Duplikate, Alter und letzten Zugriff.
3. Pilotieren Sie die Klassifikation in einer Abteilung (z. B. Finanzen oder HR) mit 500-1000 vom Records-Manager gekennzeichneten Dokumenten; messen Sie Precision/Recall je Klasse und vergleichen Sie plattformeigen vs. LLM.
4. Führen Sie Kennzeichnungsrichtlinien im Simulations- oder Probelaufmodus aus und rollen Sie dann nach Standort aus; richten Sie die Aussonderungsprüfung ein.
5. Legen Sie Kennzahlen und ein vierteljährliches Re-Audit fest; führen Sie korrigierte Kennzeichen in den Klassifikator zurück.

Quellen

1. Abgabenordnung § 147 (Ordnungsvorschriften fuer die Aufbewahrung von Unterlagen) - https://www.gesetze-im-internet.de/ao_1977/__147.html
2. Handelsgesetzbuch § 257 (Aufbewahrung von Unterlagen, Aufbewahrungsfristen) - https://www.gesetze-im-internet.de/hgb/__257.html
3. GDPR Art. 5 - Principles relating to processing of personal data - https://gdpr-info.eu/art-5-gdpr/
4. Microsoft Learn - Learn about retention policies & labels - https://learn.microsoft.com/en-us/purview/retention
5. Microsoft Learn - Automatically apply a retention label to Microsoft 365 items (simulation mode, trainable classifiers, limits) - https://learn.microsoft.com/en-us/purview/apply-retention-labels-automatically
6. Microsoft Learn - Learn about trainable classifiers - https://learn.microsoft.com/en-us/purview/trainable-classifiers-learn-about
7. Docling project - https://github.com/docling-project/docling
8. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj