Use Case aus der Community: CSV-Chaos automatisiert in saubere Excel-Strukturen

Was tun, wenn täglich Dutzende CSV-Dateien mit zehntausenden Buchungszeilen auf dem Tisch landen, jede in einem anderen Format, und niemand sie an ein US-LLM weitergeben darf? Genau vor dieser Frage stand Benjamin, KI-PRO-Abonnent aus dem Steuerberatungs-Umfeld. Hier sein Use Case: Benjamins Lösung: CSVs in saubere Excel-Strukturen überführen Ausgangslage: Wir erhalten von Mandanten regelmäßig CSV-Dateien mit Buchungsdaten. Diese Dateien enthalten je nach Mandant und System teils über 60.000 Zeilen an Buchungssätzen. Besonders häufig tritt das im Trading- und E-Commerce-Umfeld auf, wo hohe Transaktionsvolumina eher die Regel als die Ausnahme sind. Problemstellung: Die gelieferten CSV-Dateien sind in Struktur und Aufbau sehr unterschiedlich, abhängig vom erzeugenden System. Unsere Azubis mussten diese Dateien bislang manuell in Excel öffnen, umformatieren, Spalten anpassen, Inhalte prüfen und die Daten so aufbereiten, dass sie weiterverarbeitet werden können. Das dauert pro Datei etwa 10–15 Minuten. Bei rund 100 eingehenden CSV-Dateien pro Zeitraum ist das nicht nur zeitintensiv, sondern auch monoton und fehleranfällig. Zusätzlich kam die DSGVO-konforme Verarbeitung als Herausforderung hinzu, da diese Dateien nicht einfach durch ein beliebiges LLM verarbeitet werden dürfen (außer bei europäisch gehosteten Lösungen mit entsprechenden Rahmenbedingungen), und selbst hier gibt es noch rechtliche Grauzonen, wenn der Anbieter z. B. amerikanisch ist. Lösung: Wir haben begonnen, eigene Python-Programme zu „vibe coden“, die genau dieses Problem adressieren. Diese Skripte: lesen die CSV-Dateien automatisiert ein wandeln sie in strukturierte Excel-Dateien um formatieren die Inhalte nach den Anforderungen des jeweiligen Sachbearbeiters (z. B. Spalten, Datumsformate, Sortierungen) Die fertigen Python-Skripte werden anschließend in eine ausführbare .exe umgewandelt und den Sachbearbeitern direkt zur Verfügung gestellt. Damit ist keine Python-Installation oder technisches Vorwissen erforderlich – Doppelklick reicht. Ergebnis: Kleine Aufgabe, große Wirkung. Die Zeitersparnis ist enorm, die Fehlerquote sinkt deutlich und unsere Azubis können sich auf fachlich sinnvollere Tätigkeiten konzentrieren. Gleichzeitig bleiben wir DSGVO-konform und unabhängig von externen KI-Diensten. Auf Nachfrage hat Benjamin uns auch noch erklärt, wie das Testing abläuft: Entwickelt wird iterativ in einem GitHub-Repository. Jede Version durchläuft zuerst eine Security-Review durch Claude, dann eine technische Prüfung durch Benjamin selbst, anschließend einen Funktionscheck durch die zuständige Sachbearbeiterin und am Ende eine weitere Prüfung im Live-Betrieb. Der dokumentierte Code umfasst rund 500 Zeilen. Ein schönes Beispiel dafür, was Coding-Agenten wie OpenAI Codex oder Claude Code mittlerweile in der Wissensarbeit leisten können. Das KI-Modell schreibt nur das Skript, das Skript verarbeitet die sensiblen Daten lokal. Das LLM sieht die Mandantendaten nie, der DSGVO-Rahmen bleibt sauber, und die Azubis können sich auf die fachliche Arbeit konzentrieren. Danke für das Teilen, Benjamin!

Use Case aus der Community: CSV-Chaos automatisiert in saubere Excel-Strukturen

heise KI PROKI VERSTEHEN UND ANWENDEN

heise KI PRO
KI VERSTEHEN UND ANWENDEN