KI-Daten-Mapping

Ein regionaler Filmförderfonds erhält Kostenkalkulationen in jedem denkbaren Excel-Format – Exporte der Branchen-Standardsoftware, handgebaute Sheets, zweisprachige Layouts. Die Import-Pipeline arbeitet dreistufig: Ein LLM liest nur das Layout eines maskierten Auszugs und liefert eine maschinell ausführbare Struktur-Spezifikation, deterministischer Code wendet sie auf die echten Zellen an, und das Mapping auf den branchenüblichen Kontenrahmen übernehmen Recommender – deterministisch zuerst, LLM zuletzt. In realen Tests wurden 20 von 22 Projekten importiert, mit über 90 % automatisch gemappten Positionen.

Das Budgeting-System eines großen Studios normalisiert eingehende Produktionsbudgets – jedes in eigener Kontenstruktur, Sprache und Benennung – auf einen Ziel-Kontenbaum. Die deterministische Matcher-Kette kam über rund ein Drittel der Zeilen nicht hinaus; das LLM läuft bewusst zuletzt und liest, was String-Metriken nicht lesen können: dass „Regisseur“ auf das Regie-Konto gehört oder eine Fahrzeug-Zeile ein Transportkostenposten ist. Sichere Vorschläge greifen automatisch über dieselbe Schwellwert-Mechanik wie alle Matcher – der Rest erscheint als Vorschlagsliste für Menschen.

Eine Lizenz- und Royalty-Plattform für einen globalen Medienkonzern löst jeden eingehenden Titel – die Tabellenzeile eines Vertriebspartners, ein lokalisierter Filmtitel, eine Episodenreferenz – auf die Haus-Produkt-ID auf. Die deterministische Mapping-Engine ist als MCP-Server exponiert: Der KI-Client des Nutzers liefert die Eingaben, die Engine fällt das Urteil – pro Zeile eine ID mit expliziter Sicherheit oder ein ehrlicher No-Match. Antworten können zwischen den Kanälen nicht driften, weil überall dieselbe Engine entscheidet.

Derselbe bezahlte LLM-Aufruf wird ein zweites Mal ausgewertet: In Budgetzeilen eingebettete Personennamen werden extrahiert und gegen eine Talent-Datenbank aufgelöst – als kostenloser Nebeneffekt des Mappings. Das ersetzte einen dedizierten Cloud-NER-Dienst.