Unstrukturierte Daten als Risiko: 13 Websites geprüft, keine spricht die Sprache der KI

1. Einführung: Warum unstrukturierte Daten zum Risiko werden

In Ihren Systemen liegt mehr Wissen, als je ein Wettbewerber lesen könnte: Angebote, E-Mails, Berichte, Präsentationen, Videos. Für Ihr Team ist das Kapital. Für ein KI-System ist es Rauschen. Ohne Ordnung, ohne Etikett, ohne maschinenlesbare Bedeutung.

Unstrukturierte Daten sind Informationen ohne festes Schema: E-Mails, Dokumente, Präsentationen, Bilder, Videos oder Webtexte. Sie machen rund 90 Prozent aller Daten der Unternehmen aus und lassen sich ohne Aufbereitung weder durchsuchen noch analysieren. Das Risiko wirkt doppelt. Compliance-Lücken und Sicherheitslücken im Inneren, Unsichtbarkeit in KI-Antworten nach außen.

Über dieses Thema wird meist unter dem Blickwinkel von Speicherkosten und Datenschutz diskutiert. Beides ist real. Der teuerste Teil des Risikos wird aber dort verursacht, wo kaum jemand hinschaut: in den Antworten von ChatGPT, Perplexity und Google AI Overviews. Warum KI-Systeme relationale Daten als Fundament für Bedeutung benötigen, haben wir bereits gezeigt. Dieser Beitrag blickt auf die andere Seite. Wie steht es um Ihre Datenlandschaft?

Was das für Sie heißt

Für Ihren Betrieb heißt das: Ihr Wissen steckt in Angeboten, Mails und Handbüchern. In dieser Form kann kein KI-System damit arbeiten. Nach innen entstehen Lücken bei Nachweisen, nach außen fehlen Sie in Empfehlungen. Beides hat dieselbe Ursache. Der Anfang ist einfach: die wichtigsten zehn Fakten über Ihr Unternehmen an eine Stelle bringen.

2. Unstrukturierte Daten verstehen: Definition, Beispiele, Datentypen

Strukturierte Daten leben in einem festen Schema: Zeilen, Spalten, feste Datentypen, abgelegt in relationalen Datenbanken oder einem Data Warehouse. Beispiele für strukturierte Daten sind CRM-Datensätze, Transaktionen und Lagerbestände. Unstrukturierte Daten bleiben dagegen im nativen Format, in dem sie ein Mensch oder ein KI-System generiert hat. Beispiele für unstrukturierte Daten sind E-Mails, Word-Dokumente, PDFs, Social-Media-Beiträge, Fotos, Audio und Video. Kurz: alles, was Menschen täglich erzeugen.

Dazwischen liegen halbstrukturierte Daten wie JSON- oder XML-Dateien, die sich über Metadaten-Tags selbst beschreiben.

Wie groß der Berg wirklich ist, zeigt eine IDC-Analyse, die IBM zitiert. Unstrukturierte Datensätze enthalten rund 90 Prozent aller von Unternehmen generierten Daten. Durch jede Videokonferenz, jeden Chatverlauf und jedes gescannte Dokument kann dieser Anteil weiter vergrößert werden. Tendenz: weiter steigend.

Ein Unternehmen ohne Datenstrategie gleicht einem Dachboden voller unbeschrifteter Kartons. Alles ist da. Nichts ist auffindbar. Und jedes Quartal kommen neue Kartons dazu.

Der Unterschied in einem Absatz: Strukturierte Daten folgen einem festen Datenmodell und lassen sich per SQL und Business Intelligence direkt auswerten. Unstrukturierte Daten benötigen NLP, maschinelles Lernen oder Bilderkennung, bevor eine Analyse möglich wird. Die Speicherung unstrukturierter Daten übernehmen Data Lakes, strukturierte Bestände gehören ins Data Warehouse. Erst das Zusammenspiel von strukturierten und unstrukturierten Daten ergibt das ganze Bild eines Unternehmens.

3. Das doppelte Risiko: Governance im Inneren, Unsichtbarkeit nach außen

Nach innen ist das Risiko gut dokumentiert. Eine Studie der Cloud Security Alliance befragte 210 Verantwortliche für IT und Sicherheit. Das Ergebnis: 56 Prozent der Unternehmen wissen nur teilweise, wo ihre unstrukturierten Daten gespeichert sind. 68 Prozent schützen weniger als 80 Prozent dieser Bestände. Sensible Daten wie Verträge, Lohnlisten oder Kundendaten wandern derweil unbemerkt durch E-Mails, Cloud-Ordner und Chat-Tools. Dass dieser Schutz scheitert, ist selten dem Willen zuzuschreiben, sondern eher fehlender Governance.

„Während unstrukturierte Daten erheblichen operativen Wert ermöglichen, bringen sie auch ein erhebliches Sicherheitsrisiko mit sich.“

(Original: „While it enables significant operational value, it also introduces substantial security risk.“, Hillary Baron, Cloud Security Alliance)

Das Management bestätigt den Befund. Im aktuellen Branchen-Survey von Komprise nennen 62 Prozent der IT-Verantwortlichen die Senkung des Datenrisikos durch KI als wichtigste geschäftliche Herausforderung. Das Klassifizieren und Taggen der Bestände ist für 56 Prozent die größte Hürde, wenn sie ihre Daten für KI vorbereiten. Komprise-Mitgründerin Krishna Subramanian zieht daraus einen klaren Schluss:

„Diese Daten mit den Methoden, Fähigkeiten und Tools von vor fünf bis zehn Jahren zu verwalten, ist nicht mehr tragfähig. Es ist Zeit, die Strategien für das Management unstrukturierter Daten für das KI-Zeitalter neu aufzusetzen.“

(Original: „Managing this data using the same methods, skills and tools of five to 10 years ago is no longer viable. It is time to reset unstructured data management strategies for the AI age.“, Krishna Subramanian, Komprise)

Was die meisten Ratgeber übersehen: Ihr öffentlicher Webauftritt ist aus Sicht der KI-Suche ebenfalls nichts anderes als eine Sammlung unstrukturierter Daten. Systeme mit Retrieval Augmented Generation (KI, die vor jeder Antwort passende Quellen abruft) zerlegen Websites in kleine Abschnitte, sogenannte Chunks, bewerten sie und bauen daraus Antworten. Eine Studie an Unternehmensdokumenten zeigt, dass strukturbewusstes Chunking die Genauigkeit erhöht und zugleich Rechenkosten senkt (arXiv). Die jüngste Vergleichsstudie vom Juli führt Unterschiede in der Leistung ausdrücklich auf Formatierung und Vorbereitung der Dokumente zurück (arXiv).

Ein Text ohne klare Gliederung ist wie ein Buch ohne Kapitel und Seitenzahlen. Wer daraus zitieren will, findet keine Fundstelle.

Es klingt absurd, ist aber Realität. Wir haben im Juli die Startseiten von 13 deutschen Industrie-Unternehmen geprüft. Keine einzige blockiert KI-Crawler (Programme, die Webseiten automatisch einlesen), die Türen stehen offen. Aber keine einzige stellt eine llms.txt bereit (das ist weniger tragisch, weil die derzeit recht wenig tut). Aber: Nur 7 von 13 liefern strukturierte Daten im JSON-LD-Format, und 3 verzichten sogar auf eine H1-Überschrift. Der Zugang ist nicht das Problem. Die Lesbarkeit ist es.

Das Risiko unstrukturierter Daten hat also zwei Seiten. Nach innen drohen Compliance-Verstöße, Datenlecks und steigende Kosten, weil niemand weiß, wo sensible Daten liegen. Nach außen droht Unsichtbarkeit, weil KI-Suchmaschinen unstrukturierte Inhalte schlechter zerlegen, zuordnen und zitieren können. Die Reichweite von morgen wird oft verspielt, wenn nur die Innenseite gemanagt wird.

4. Schritt für Schritt: Unstrukturierte Daten verwalten und nutzbar machen

Der Weg von der Datenhalde zur nutzbaren Wissensbasis folgt fünf Schritten. Die ersten beiden senken das interne Risiko, die letzten drei bauen Sichtbarkeit nach außen auf.

Schritt 1: Unternehmensdaten inventarisieren und klassifizieren

Verschaffen Sie sich Transparenz: Welche Datentypen liegen wo, wie alt sind sie, wie sensibel? Tools für die Verwaltung unstrukturierter Daten scannen Fileshares, Cloud-Speicher, Data Lakes und Data Warehouses. Dabei decken sie auch Dark Data auf, also Bestände, von denen niemand mehr weiß. Klassifizieren Sie sie dann nach Geschäftswert und Schutzbedarf. Ohne diese Landkarte bleibt jede weitere Maßnahme Stückwerk.

Schritt 2: Sensible Daten schützen und Löschfristen durchsetzen

Begrenzen Sie Zugriffe auf sensible Bestände und legen Sie Lebenszyklen fest: Was wird archiviert, was gelöscht, was bleibt aktiv? Die Sicherung unstrukturierter Daten umfasst Verschlüsselung, Backups und ein Monitoring, das Verstöße früh meldet. Verwaiste und veraltete Dateien fliegen raus. Das senkt Speicherkosten, Angriffsfläche und DSGVO-Risiko in einem Zug.

Schritt 3: Analyse unstrukturierter Daten mit NLP und maschinellem Lernen automatisieren

Jetzt wird aus Ballast Kapital, denn hier liegt die eigentliche Stärke der KI. NLP und Machine-Learning-Modelle helfen, in Texten Muster zu erkennen und Erkenntnisse zu gewinnen. Stimmungen aus Support-Tickets. Themen aus E-Mails. Risiken aus Verträgen. Generative KI macht per Retrieval Augmented Generation aus Dokumenten eine abfragbare Wissensbasis. Welche Namen und Fakten überhaupt ankommen, wird davon mitentschieden, wie KI-Systeme dabei Entitäten per NLP extrahieren. So nutzen Sie unstrukturierte Daten gut, statt sie nur zu lagern.

Schritt 4: Öffentliche Inhalte strukturieren und maschinenlesbar machen

Eine KI bedient sich wie ein Gast im Restaurant: Sie bestellt von der Speisekarte, nicht aus der Vorratskammer. Ihre Website braucht deshalb eine klare Überschriften-Hierarchie, in sich geschlossene Absätze und direkte Antworten auf echte Fragen. Schema Markup übersetzt die Kernfakten in Daten, die LLMs priorisieren. Eine llms.txt fasst Ihre wichtigsten Seiten als Inhaltsverzeichnis für KI-Crawler zusammen. Externe Media-Pickups liefern dazu die strukturierten Erwähnungen, aus denen KI-Systeme Vertrauen ableiten.

Schritt 5: KI Sichtbarkeit messen und nachsteuern

Prüfen Sie regelmäßig, ob und wie KI-Systeme Ihre Marke nennen. Ein GEO-Audit liefert den Status quo, danach übernimmt ein festes Monitoring. Gerade für mittelständische Unternehmen mit schlanken Marketing-Teams zählt der Rhythmus mehr als das einzelne Projekt: messen, nachschärfen, wieder messen.

Fünf Schritte machen unstrukturierte Daten beherrschbar: inventarisieren und klassifizieren, sensible Bestände schützen, die Analyse mit NLP und maschinellem Lernen automatisieren. Dazu kommen zwei Schritte nach außen: Inhalte strukturieren und die KI Sichtbarkeit fortlaufend messen. Interne Kontrolle und externe Zitierfähigkeit entstehen aus derselben Arbeit. Ordnung, Auszeichnung, Pflege.

5. Häufige Fehler im Umgang mit unstrukturierten Daten

Kennen Sie das Gefühl, dass die Ablage schneller wächst, als Sie ordnen können? Damit sind Sie in guter Gesellschaft. Diese fünf Fehler sehen wir am häufigsten:

• Alles speichern, nichts löschen: 40 Prozent der Unternehmen lagern bereits mindestens 10 Petabyte unstrukturierter Daten (Komprise). Mit den Mengen unstrukturierter Daten wachsen Kosten und Angriffsfläche mit.
• Struktur nur nach innen denken: Wird Governance auf interne Systeme beschränkt, wird die eigene Website als wichtigste Quelle für KI-Antworten leicht übersehen.
• Kerninhalte in PDF-Silos verstecken: Was nur als Download existiert, wird selten zitiert.
• Technologie vor Datenqualität: Das beste Tool scheitert an alten, doppelten oder widersprüchlichen Inhalten.
• Einmal aufräumen, nie wieder: Ohne die Entscheidung, Klassifizierung und Pflege zu automatisieren, kippt jede Ordnung zurück ins Chaos.

Die Nutzung unstrukturierter Daten scheitert selten an fehlender Technologie. Sie scheitert daran, dass die Verwaltung strukturierter Daten seit Jahrzehnten eingeübt ist. Die Verarbeitung unstrukturierter Daten bleibt dagegen ohne klare Verantwortung. Wer die Verarbeitung strukturierter und unstrukturierter Daten zusammenführt, gewinnt doppelt. Weniger Risiko, mehr Reichweite, mehr Effizienz.

6. Fazit: Über Risiko und Reichweite wird auch durch Struktur entschieden

Unstrukturierte Daten sind kein Abfallprodukt, sondern der größte ungenutzte Bestand Ihres Unternehmens. Ungeordnet erzeugen sie Compliance-Risiken und bleiben für KI stumm. Geordnet werden sie zur Quelle für Analyse, Automation und Sichtbarkeit in der KI-Suche.

Die Reihenfolge steht fest. Erst inventarisieren, dann schützen, dann strukturieren und messen.

Wenn eine KI das nächste Mal nach Lösungen aus Ihrer Branche gefragt wird, setzt sie ihre Antwort aus Millionen fremder Textbausteine zusammen. Gut möglich, dass Ihre Sätze dann wie fertige Bausteine im Regal liegen. Griffbereit. Belegt. Mit Ihrem Namen darauf.

7. Anhang: Checkliste für Ihren Einstieg

• Dateninventur abgeschlossen: Sie wissen, wo unstrukturierte Daten gespeichert sind und wem sie gehören.
• Bestände nach Geschäftswert und Schutzbedarf klassifiziert, Dark Data identifiziert.
• Zugriffs- und Löschkonzept für sensible Daten aktiv, Backups und Monitoring laufen.
• Analyse-Pipeline mit NLP und maschinellem Lernen liefert oft Erkenntnisse an die Fachbereiche.
• Website mit klarer Überschriften-Hierarchie, Schema Markup und llms.txt versehen.
• robots.txt bewusst entschieden: Welche KI-Crawler dürfen rein, welche nicht?
• GEO-Monitoring etabliert: KI-Nennungen werden jedes Quartal geprüft und dokumentiert.

Häufige Fragen zu unstrukturierten Daten

Dieser Beitrag gibt den Stand bei Veröffentlichung wieder. KI-Systeme und Datenmanagement-Tools entwickeln sich laufend weiter. Genannte Zahlen stammen aus den verlinkten Quellen und der eigenen Stichprobe und können sich ändern.