Umwandlung alter Dateiformate und Mail-Archive in KI-lesbare Formate

Jedes Unternehmen hat sie: zehn Jahre alte .doc- und .xls-Dateien, gescannte PDFs ohne Textebene und Outlook-PST-Archive auf alten Dateiservern. Suchwerkzeuge und KI-Assistenten können das meiste davon nicht lesen. Eine skriptgesteuerte Umwandlungskette macht diese Inhalte zu durchsuchbaren, textbasierten Formaten und bewahrt die Metadaten (Datum, Autor, Absender, ursprünglicher Pfad). Es ist der unspektakuläre erste Schritt, bevor ein Assistent Fragen zur eigenen Firmengeschichte beantworten kann.

Problem & Nutzen

• Wer: jedes KMU mit einem langlebigen Dateiserver, Postfächern ausgeschiedener Mitarbeitender oder einem stillgelegten System. Meist kümmert sich die IT widerwillig darum, "wenn Zeit ist".
• Heute: Alte Dateien liegen auf Freigaben, PST-Dateien auf Laptops und Sicherungsplatten, reine Bild-PDFs sind für die Suche unsichtbar. Niemand weiß, was darin steckt.
• Nutzen: Inhalte werden auffindbar und für RAG-Assistenten (PREP-013) und Klassifizierung nutzbar. Die Umwandlung ist zudem ein guter Zeitpunkt, um zu löschen, was nicht aufbewahrt werden darf (Aufbewahrungsfristen, DSGVO).

Varianten

• Mail-Archive: PST/OST, MSG- und EML-Ordner ehemaliger Mitarbeitender und gemeinsamer Postfächer.
• Alte Office-Formate: binäre .doc/.xls/.ppt, passwortgeschützte Dateien, Dateien aus stillgelegten Office-Paketen.
• Reine Bild-Dokumente: gescannte PDFs und mehrseitige TIFFs (das Scannen selbst ist PREP-006).

So funktioniert es

1. inventory & copy (read-only)
2. type detection
3. convert
4. OCR for image-only files
5. extract text + metadata
6. write target format + metadata table + log
7. sample check
8. index / archive

• Die Umwandlung erfolgt meist mit klassischen, deterministischen Werkzeugen (LibreOffice headless, Werkzeuge zur Mail-Extraktion), nicht mit KI. KI ist optional: OCR mit Layout-Modellen oder ein kleines LLM, um defekten Text zu reparieren und Titel/Schlagwörter vorzuschlagen.
• Mensch-in-der-Schleife (Human-in-the-Loop): stichprobenartige Prüfung je Dateityp, eine Prüfliste für fehlgeschlagene Dateien oder Dateien mit niedriger OCR-Sicherheit sowie eine Entscheidung von Rechtsabteilung oder Datenschutzbeauftragten, was gelöscht statt umgewandelt wird.

Datenaufbereitung

Welche Daten: die Altdateien selbst plus eine Liste, wo sie liegen (siehe PREP-001, PREP-003).

Wo sie liegen: Dateiserver, NAS-Geräte, USB-Platten, Laptops, M365/Exchange-Postfächer, alte Sicherungssätze.

Typische Lücken: Duplikate, passwortgeschützte oder beschädigte Dateien, fehlende Datums- und Eigentümerangaben, vermischte private Inhalte und PST-Dateien ausgeschiedener Mitarbeitender (Aufbewahrung unklar).

Schritte: 1. In einen schreibgeschützten Zwischenbereich kopieren; die Originale unangetastet lassen, bis das Ergebnis abgenommen ist. 2. Offensichtliche Duplikate per Hash entfernen; nach Dateityp und Alter einteilen. 3. Mit Rechtsabteilung/Datenschutzbeauftragten entscheiden, was gelöscht, im Originalformat behalten oder umgewandelt wird (PREP-025). 4. In Stapeln umwandeln; ursprünglichen Pfad, Hash, Daten und Absender/Empfänger in einer Metadatentabelle festhalten. 5. OCR nur auf Dateien ohne Textebene anwenden; je Sprache eine Stichprobe prüfen. 6. Wo nötig pseudonymisieren oder den Zugriff beschränken (PREP-022, PREP-023).

Werkzeuge: LibreOffice (headless), OCRmyPDF, Docling, readpst/libpst, Paperless-ngx, n8n oder PowerShell-/Python-Skripte.

Aufwand: Für ein KMU mit einigen hundert GB sind etwa 3-10 Tage IT-Arbeit einschließlich Stichprobenprüfung zu erwarten, dazu Kalenderzeit für die Stapelläufe. Die Klärung von Aufbewahrung und Zuständigkeit mit den Abteilungsleitungen dauert oft länger als die Umwandlung. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — Weg C: ein einmaliger, datensensibler Auftrag (Mail, Personal, Kundendateien), den Open-Source-Werkzeuge auf einem Laptop oder kleinen Server (HW1) erledigen; keine Gebühren pro Seite, und keine Daten verlassen das Unternehmen. Dieselbe Kette speist später Paperless-ngx oder einen RAG-Index (Baukasten-Effekt).
• Großunternehmen — Weg C: Die Kette wird einmal skriptgesteuert aufgebaut und für mehrere Archive wiederverwendet; sensible Mails bleiben im eigenen Haus.
• Entwickler — Weg C: Open-Source-Bibliotheken bieten volle Kontrolle über den Umgang mit Metadaten.
• Öffentliche Hand — Weg C: Archive enthalten personenbezogene und Verwaltungsdaten; selbst betriebene oder souverän gehostete Verarbeitung passt zu Vergabe- und Aktenführungsregeln.

Weg A — Kaufen (Standardsoftware)

• Microsoft 365: Der Purview-Importdienst importiert PST-Dateien in großen Mengen in Exchange-Online-Postfächer, auch im ANSI- und Unicode-Format; der Netzwerk-Upload geht an einen temporären Azure-Speicherort (Regionsverfügbarkeit und Kosten für Ihren Tenant prüfen), PST-Dateien sollten jeweils unter 20 GB bleiben, und importierte Postfächer werden unter Aufbewahrungssperre gestellt, bis Sie dies ändern [1]. Das rettet Mails an einen durchsuchbaren, gesteuerten Ort, wandelt sie aber nicht von selbst für Ihre eigene KI-Kette um.
• Archivierungs-/Migrationsanbieter: z. B. MailStore (deutscher Anbieter); EU-Hosting und AVV prüfen (GUIDE-010).
• A wählen, wenn: das Ziel nur ist, Mails nach M365 zu bringen, und die Standardwerkzeuge genügen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Cloud-OCR (Azure AI Document Intelligence in EU-Regionen, Mistral OCR als EU-Anbieter) für schwierige Scans; Steuerung mit Power Automate oder n8n.
• Nur Dateien senden, die die Prüfung durch die Datenschutzbeauftragten bestanden haben; Mails mit personenbezogenen Daten sollten standardmäßig nicht an eine Cloud-API gehen.

Weg C — Selbst betreiben (Open Source) (empfohlen)

• Office-Umwandlung: LibreOffice headless (soffice --convert-to docx|xlsx|pdf) für .doc/.xls/.ppt.
• OCR: OCRmyPDF ergänzt eine Textebene und erzeugt standardmäßig PDF/A mit Tesseract, mit über 100 Sprachen; Plugins erlauben andere Engines wie PaddleOCR [2].
• Einlesen nach Markdown/JSON: Docling (MIT) liest PDF, DOCX, XLSX, PPTX, HTML, Bilder (PNG, TIFF, JPEG), EML und MSG, mit OCR für Scans [3].
• Mail: readpst (libpst) wandelt PST je Ordner in mbox/EML um [4]; danach die Anhänge per Skript extrahieren.
• Ablageort: Paperless-ngx (GPL-3.0) zum Scannen, Indexieren und Archivieren oder Nextcloud zum Teilen [5].
• Hardware: HW1 (ein normaler Server oder Arbeitsplatzrechner) genügt; eine GPU lohnt nur für VLM-basierte OCR.

Weg D — Eigenes Training

Nicht nötig. Nur für seltene Schriften oder beschädigte historische Dokumente (siehe DOC-005).

Stand der Technik (2026)

• Deterministische Konverter sind ausgereift; der Fortschritt liegt vor allem bei OCR- und Parsing-Modellen, die layoutbewusstes Markdown liefern, was zu RAG passt.
• Grenzen: OCR-Fehler bei schlechten Scans, verlorene Formatierung in komplexen Tabellen, defekte Makros und eingebettete Objekte, verschlüsselte Dateien, die sich nicht öffnen lassen, Mail-Verläufe, die beim Aufteilen in Einzeldateien ihren Zusammenhang verlieren, und Inline-Bilder in Mails.
• LLM-Nachbearbeitung kann Text erfinden; lassen Sie sie das Original oder die OCR-Ebene nie ohne Prüfung überschreiben.

Gemeinsame Bausteine & Kombinationen

• Dieselbe Kette bedient PREP-006 (Scannen), DOC-014 (Tabellenextraktion), PREP-010 (Metadaten), PREP-013 (RAG-Wissensbasis) und DOC-018 (Schwärzung).
• Ein kleiner Umwandlungsserver mit n8n kann auch andere alltägliche Automatisierungen übernehmen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis Tage für den M365-Import selbst; Lizenzkosten hängen von Ihrem Tarif ab.
• Weg C: etwa 3-10 Tage IT-Zeit plus Laufzeit der Stapelverarbeitung; keine Lizenzgebühren, die Kosten sind Personalzeit und Speicher.
• Kennzahlen: Anteil der fehlerfrei umgewandelten Dateien, Anteil mit nutzbarer Textebene, entfernte Duplikate, nach Aufbewahrungsregeln gelöschte Dateien, Trefferquote der Suche im Stichprobentest.

Menschen & Veränderung

Früh einbinden: Geschäftsleitung (Umfang, Löschentscheidungen), Abteilungsleitungen und Datenverantwortliche (was ist noch relevant), IT und IT-Sicherheit (Zwischenbereich, Zugriff), Datenschutzbeauftragte und Rechtsabteilung (Aufbewahrung, personenbezogene Daten, Mails ehemaliger Mitarbeitender) (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Mail-Archive und alte Dateien enthalten Mitarbeiterkommunikation; wird umgewandelter Inhalt per KI durchsuchbar, kann er geeignet sein, Verhalten oder Leistung zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG), und § 90 Abs. 1 Nr. 3 verlangt eine Unterrichtung, wenn KI-gestützte Arbeitsverfahren geplant sind. Vereinbaren Sie frühzeitig, dass private und persönliche Mails ausgenommen sind und Suchen nicht zur Leistungsbeurteilung genutzt werden (GUIDE-004). Öffentliche Stellen beteiligen den Personalrat.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; hier genügt eine kurze Einweisung für IT und Archivarinnen und Archivare zu OCR-Fehlern (GUIDE-006).

Kommunikation und Pilot: erklären, was umgewandelt, gelöscht und durchsuchbar wird; mit einer Freigabe pilotieren (GUIDE-008, GUIDE-009).

Menschen behalten die Kontrolle: Originale bleiben, bis eine Stichprobenprüfung bestanden ist; Löschentscheidungen treffen benannte Verantwortliche, nicht Skripte.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; die Umwandlung ist keine Anwendung nach Anhang III. Die Maßnahmen zur KI-Kompetenz nach Art. 4 gelten.
• DSGVO: Alte Mails und Dateien enthalten personenbezogene Daten, teils besonderer Kategorien (Gesundheit, Personal). Rechtsgrundlage und Aufbewahrung prüfen (Art. 5, Art. 6); löschen, was nicht gebraucht wird. Eine DSFA ist wahrscheinlich nur nötig, wenn eine KI-Suche später Personen systematisch bewertet. AVV (Art. 28) für jeden Cloud-Schritt.
• Briefgeheimnis/Fernmeldegeheimnis und Aufbewahrung: Für geschäftliche Mails können deutsche handels- und steuerrechtliche Aufbewahrungsregeln (HGB, AO) eine unveränderte Archivierung verlangen; Originale oder ein GoBD-konformes Archiv behalten. Private Mails erfordern besondere Sorgfalt.
• Sicherheit: PST-Dateien können Schadsoftware oder Zugangsdaten enthalten; vor der Verarbeitung prüfen, Zugriff auf den Zwischenbereich begrenzen (GUIDE-013).
• Gegenmaßnahmen: schreibgeschützter Zwischenbereich, Hash-Protokoll, Stichprobenprüfung, Freigabe von Löschungen.

Erste Schritte

1. Die Altquellen finden: Dateifreigaben, PST-Dateien, alte Platten (PREP-001, PREP-003) und Verantwortliche notieren.
2. Vor jeder Umwandlung Aufbewahrung und Löschung mit Rechtsabteilung/Datenschutzbeauftragten festlegen.
3. 200-500 repräsentative Dateien nehmen und LibreOffice, OCRmyPDF und readpst auf einem Testrechner laufen lassen; Fehlschläge messen.
4. Zielformat und Metadatentabelle festlegen; das Ergebnis in Paperless-ngx oder Ihr Suchwerkzeug laden.
5. Den vollständigen Stapel laufen lassen, eine Stichprobe prüfen, dann die Originale schreibgeschützt archivieren.

Quellen

1. Microsoft Learn — Learn about importing organization PST files (Purview) — https://learn.microsoft.com/en-us/purview/pst-import-overview
2. OCRmyPDF project — https://github.com/ocrmypdf/OCRmyPDF
3. Docling project — https://github.com/docling-project/docling
4. libpst / readpst — https://www.five-ten-sg.com/libpst/
5. Paperless-ngx project — https://github.com/paperless-ngx/paperless-ngx