Dateiablagen und SharePoint für die KI-Indexierung neu ordnen

KI-Assistenten wie Microsoft 365 Copilot oder ein RAG-Chatbot finden nur, was Ihre Ordner sie finden lassen. Liegt auf einer typischen Ablage "Angebot_final_v3_NEU.docx" neben fünf älteren Kopien, zitiert der Assistent mit voller Überzeugung die falsche Version. Dieser Anwendungsfall ist die unspektakuläre Vorarbeit: eine verbindliche Quelle pro Dokument, eine Benennungsregel, klare Bereiche für Entwurf, Final und Archiv. Einfache Skripte und ein kleines lokales Modell übernehmen das Sortieren, Menschen entscheiden.

Problem & Nutzen

• Wer es hat: jedes KMU mit einem Dateiserver, SharePoint oder Nextcloud, das seit über 10 Jahren gewachsen ist. Ordner folgen Personen, nicht Prozessen; Kopien werden "zur Sicherheit" angelegt; niemand weiß, welche Vertragsvorlage aktuell ist.
• Heute: ein "Aufräumwochenende", das nie fertig wird, oder gar nichts. Beschäftigte finden Dateien aus dem Gedächtnis oder durch Nachfragen bei Kolleginnen und Kollegen.
• Warum KI hilft: Hashing findet exakte Duplikate ohne KI; ein kleines Sprachmodell schlägt aus Name und Inhalt Dokumenttyp, Thema und Versionsstatus vor, sodass Menschen nur bestätigen. Das neu geordnete Ergebnis sorgt dafür, dass Copilot, Unternehmenssuche und RAG (PREP-013) die richtige Datei liefern.
• Nutzen: weniger falsche Antworten von Assistenten, weniger Suchzeit, eine solide Basis für jeden späteren KI-Anwendungsfall. Wir haben keine verlässliche unternehmensübergreifende Zahl zur Zeitersparnis; messen Sie Ihre eigene Ausgangslage (siehe Kennzahlen).
• Abgrenzung: Das Löschen alter Inhalte nach Aufbewahrungsregeln ist KNOW-025; das Bereinigen von Berechtigungen ist PREP-023. Dieser Anwendungsfall ordnet, was bleibt.

Varianten

• Umzug vom Windows-Dateiserver zu SharePoint/Teams: erst neu ordnen, dann migrieren (sonst zieht das Chaos in die Cloud um).
• Bestehender SharePoint-Tenant vor einer Copilot-Einführung: weniger Sites, ein Hub pro Bereich, Metadaten statt tiefer Ordnerbäume.
• Nextcloud / Google Workspace: gleiche Methode, andere Werkzeuge.
• Öffentlicher Sektor: Aktenplan als Zielstruktur; Personalrat eingebunden.
• Private Nutzung: ein Familienarchiv oder Homeoffice-Ordner; nur lokale Werkzeuge.

So funktioniert es

1. crawl (path, owner, dates, size, hash)
2. exact duplicates (hash) + near-duplicates (name similarity / embeddings)
3. classify: document type, topic, status draft/final/obsolete (small LLM or rules)
4. propose target path + normalised file name
5. human review per area (data owner approves in a spreadsheet)
6. scripted move/rename with log and rollback list
7. archive area + index for search/RAG

• KI-Komponenten: ein kleines LLM (etwa 7-8B, z. B. Mistral- oder Qwen-Klasse), das die erste Seite jeder Datei liest, plus ein Embedding-Modell zur Gruppierung von Beinahe-Duplikaten. Der größte Teil der Arbeit ist deterministisch: Hashes, Datumsregeln, Dateinamensmuster.
• Mensch-in-der-Schleife (Human-in-the-Loop): Nichts wird ohne Freigabe der Datenverantwortlichen des Bereichs verschoben oder gelöscht; das Verschiebeskript schreibt ein Protokoll, sodass jede Verschiebung rückgängig gemacht werden kann.

Datenaufbereitung

Welche Daten: Dateimetadaten und, für die Klassifizierung, die ersten Textzeilen jeder Datei. Inhalte verlassen Ihr Netzwerk nur bei Weg B.

Wo sie liegen: Windows-Dateifreigaben, SharePoint/OneDrive, Teams, Nextcloud, lokale "Desktop"-Ordner und E-Mail-Anhänge.

Typische Lücken: Duplikate und "final_final"-Versionen, Namen ohne Datum oder Betreff, nach Personen benannte Ordner, verwaiste Dateien ausgeschiedener Mitarbeitender, Scans ohne Text (PREP-006), Schattenablagen in Excel und auf USB-Platten (PREP-003), kein benannter Verantwortlicher pro Bereich (PREP-004).

Schritte und realistischer Aufwand für ein Unternehmen mit etwa 50 Beschäftigten und 1-3 TB: 1. Bestandsaufnahme mit einem Crawler oder PowerShell (Get-ChildItem, Hash mit Get-FileHash) oder dem Open-Source-Werkzeug fclones für Duplikate: 1-2 Tage. 2. 8-15 Bereiche der obersten Ebene nach Prozessen festlegen (Vertrieb, Projekte, Personal, Finanzen ...) und eine Benennungsregel wie YYYY-MM-DD_Customer_Type_vNN vereinbaren: 1-2 Workshops, 1 Tag. 3. Pro Bereich eine datenverantwortliche Person benennen und Archivkandidaten markieren lassen: 2-4 Stunden pro Verantwortlichem. 4. Klassifizierung und Vorschläge laufen lassen, dann prüfen: insgesamt 3-5 Tage, über Wochen verteilt. 5. In Stapeln mit Protokoll verschieben; die alte Ablage 4 Wochen schreibgeschützt lassen: 1-2 Tage. 6. Dokumentmetadaten ergänzen (PREP-010) und die Datenreife-Prüfung durchführen (GUIDE-003).

Werkzeuge: PowerShell, fclones, Excel/Power Query für das Prüfblatt, n8n oder Power Automate für den Verschiebe-Workflow, Paperless-ngx für gescanntes Material, Ollama für das lokale Modell.

Aufwandsanteil: hoch. Realistisch sind 70-80 Prozent der Arbeit Workshops, Entscheidungen und Prüfungen, nicht Technik.

Umsetzungswege

Welcher Weg für wen

• KMU - Weg C: Dateiablagen enthalten Verträge, Personal- und Kundendaten, daher ist ein lokales Modell auf einem CPU-Server (HW1) attraktiv, und dasselbe Ollama + n8n-Setup bedient später Verschlagwortung (PREP-010) und RAG (PREP-013). Es passt, weil die Methode Skripte und Urteilsvermögen braucht, kein Produkt, das ein Anbieter als solches verkauft.
• Großunternehmen - Weg B: Große Bestände brauchen Volumen, Integration mit Purview/SharePoint-Administrationswerkzeugen und Cloud-APIs in einer EU-Region; ein zentrales Team betreibt es.
• Öffentlicher Sektor - Weg C: Sensible Akten und Vergaberegeln sprechen für selbst betriebene Werkzeuge.

Weg A - Kaufen (Standardsoftware)

• Microsoft 365: SharePoint Advanced Management (Bewertung der Inhaltsverwaltung, Berichte zur Governance von Datenzugriffen) und Purview für Kennzeichnungen helfen, Sites zu finden und zu priorisieren; Restricted Content Discovery kann noch nicht geprüfte Sites vor Copilot und der organisationsweiten Suche verbergen, während die Bereinigung läuft [1]. Es setzt SharePoint Advanced Management voraus (mit Copilot-Lizenz oder als Zusatz erhältlich), gilt für SharePoint-Sites (nicht OneDrive) und ändert keine Berechtigungen. Microsoft bietet Optionen der EU Data Boundary.
• Spezialwerkzeuge: Anbieter von Inhaltsanalyse für Dateiablagen (z. B. Varonis, Netwrix, Egnyte) gibt es, vor allem für größere Bestände ausgelegt und entsprechend bepreist.
• A wählen, wenn Sie bereits Microsoft 365 mit Copilot nutzen und eher Berichte als Verschiebungen brauchen.

Weg B - Auf Cloud-KI-Diensten aufbauen

• Klassifizierung über eine in der EU gehostete API (z. B. Mistral, ein französischer EU-Anbieter; Azure OpenAI in einer EU-Region; Aleph Alpha) mit n8n oder Power Automate. Erfordert einen AVV (Art. 28 DSGVO) und eine Prüfung, welche Inhalte gesendet werden. Geeignet für Großunternehmen mit sauberer Datenklassifizierung (PREP-024).

Weg C - Selbst betreiben (Open Source)

• Stack: fclones (MIT-Lizenz [2]), Crawler in Python oder PowerShell, Ollama mit einem kleinen Modell, Embeddings wie bge-m3, n8n selbst betrieben für den Prüf- und Verschiebe-Workflow, Paperless-ngx [3] für den gescannten Teil.
• Hardware: HW1 genügt: Die Klassifizierung der ersten Seite von 100.000 Dateien läuft auf einem modernen CPU-Server in Stunden bis wenigen Tagen; eine GPU mit 16 GB beschleunigt sie nur.
• Betriebsaufwand: nach Abschluss gering; die Werkzeuge können nach dem Projekt abgeschaltet werden.

Weg D - Eigenes Training

Nicht nötig. Ein feingetunter Klassifikator lohnt sich nur bei einem sehr großen, einheitlichen Bestand und braucht einige hundert gelabelte Dateien pro Klasse.

Stand der Technik (2026)

• Assistenten durchsuchen inzwischen ganze Tenants, daher entscheiden Struktur und Aktualität der Inhalte direkt über die Antwortqualität; Anbieter liefern deshalb Governance-Funktionen zusammen mit Copilot aus [1].
• Kleine lokale Modelle klassifizieren Dokumenttyp und Status bei sauberem Text gut; sie scheitern an Scans ohne OCR, an sehr kurzen Dateien und an unternehmensspezifischem Fachjargon (PREP-015).
• Grenzen: "Welche Version ist final" steht oft nicht in der Datei. Daten und Dateinamen helfen, aber die verantwortliche Person muss entscheiden. Die Erkennung von Beinahe-Duplikaten liefert falsch-positive Treffer (ähnliche Angebote für verschiedene Kunden), daher nie automatisch löschen.

Gemeinsame Bausteine & Kombinationen

• Derselbe lokale Stack (llm-small, embedding-text, workflow-automation) bedient die Verschlagwortung in PREP-010, die Wissensbasis in PREP-013 und die Label-Gewinnung in PREP-020.
• Voraussetzung für PREP-023 (Berechtigungen) und KNOW-025 (Aufbewahrung); beginnen Sie mit PREP-001 und PREP-003 für den Überblick.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage zur Konfiguration der Berichte; Lizenzkosten für Copilot/SAM dominieren.
• Weg B: 1-2 Wochen Aufbau plus Prüfzeit; die API-Kosten sind bei der Klassifizierung der ersten Seite gering.
• Weg C: etwa 2-4 Wochen Kalenderzeit für ein Unternehmen mit 50 Personen, 10-15 Personentage IT/Beratung plus Zeit der Verantwortlichen.
• Kennzahlen: Anteil der Dateien in der Zielstruktur, Anteil entfernter Duplikate, Dateien ohne Verantwortliche, Zeit bis zum Finden eines Dokuments (Stoppuhrtest mit 10 typischen Fragen), Anteil korrekter Assistentenantworten auf einem Testsatz (PREP-018).

Menschen & Veränderung

Einbinden: Die Geschäftsleitung ist Förderer und setzt die Regel "ein Ort pro Dokument". Abteilungsleitungen und Datenverantwortliche entscheiden je Bereich. Die IT führt aus. Anwenderinnen und Anwender müssen früh gehört werden, weil jeder persönliche Ordnergewohnheiten hat. Die Datenschutzbeauftragten werden hinzugezogen, weil Personal- und Kundenordner im Crawl auftauchen (GUIDE-005).

Betriebsrat: abhängig vom Einzelfall. Das Auslesen von Eigentümern, Änderungsdaten und Aktivitätsprotokollen ist objektiv geeignet, Verhalten zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG); informieren und vereinbaren Sie daher früh, legen Sie fest, dass Metadaten für die Struktur und nicht für die Leistungsbewertung genutzt werden, und erwägen Sie einen Sachverständigen (§ 80 Abs. 3). § 90 Abs. 1 Nr. 3 gilt, wenn KI Arbeitsverfahren ändert. Öffentliche Stellen beteiligen den Personalrat (GUIDE-004).

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; hier genügt eine einstündige Einweisung zu den neuen Regeln und dazu, was der Assistent wissen kann und was nicht (GUIDE-006).

Kommunikation und Pilot: mit einer Abteilung pilotieren, die den Schmerz spürt; Suchzeiten vorher/nachher zeigen; KI-Fürsprecher benennen; im ersten Monat einen Kanal "Ich finde meine Datei nicht" anbieten (GUIDE-008, GUIDE-009).

Bedenken: "Meine Dateien verschwinden" (alte Ablage bleibt schreibgeschützt, Verschiebeprotokoll), "mehr Kontrolle über mich" (keine individuelle Auswertung).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; nur die Maßnahmen zur KI-Kompetenz nach Art. 4. Siehe GUIDE-014.
• DSGVO: Dateinamen und -inhalte enthalten oft personenbezogene Daten; der Zweck ist die interne Organisation. Den Crawler auf ein Dienstkonto beschränken, wo möglich lokal ausführen, AVV für jede Cloud-API; eine DSFA ist meist nicht nötig, außer Personaldateien werden in großem Umfang klassifiziert (GUIDE-005).
• Aufbewahrungsrecht: GoBD und steuerliche Aufbewahrung gelten weiterhin; die Archivierung muss das Original unverändert und auffindbar halten.
• Risiken: Massenverschiebungen, die Links, Makros und Verknüpfungen brechen (testen, in Stapeln arbeiten, protokollieren), Klassifizierungsfehler in sensiblen Ordnern (Personal/Recht von der Automatisierung ausnehmen), eine Neuordnung, die übermäßige Freigaben sichtbar macht (über PREP-023 beheben).

Erste Schritte

1. Einen Bereich wählen (zum Beispiel Vertrieb) und mit fclones einen hashbasierten Duplikatbericht erstellen.
2. Einen eintägigen Workshop zu Zielbereichen und Benennungsregel abhalten; Datenverantwortliche ernennen.
3. Ein lokales Modell an 200 Dateien dieses Bereichs testen und die Vorschläge von den Verantwortlichen korrigieren lassen.
4. In einem Stapel mit Protokoll verschieben, den alten Ort schreibgeschützt lassen, die Suchzeit vorher und nachher messen.
5. Bereich für Bereich ausrollen, danach mit PREP-010 weitermachen.

Quellen

1. Microsoft Learn - Restrict discovery of SharePoint sites and content (Restricted Content Discovery) - https://learn.microsoft.com/en-us/sharepoint/restricted-content-discovery
2. fclones - duplicate file finder (MIT licence) - https://github.com/pkolaczk/fclones
3. Paperless-ngx - https://github.com/paperless-ngx/paperless-ngx
4. Ollama - https://ollama.com
5. n8n - workflow automation - https://n8n.io
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj