Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com25. Juli 2026 · Q010893

How I Saved $18,000 a Year Automating Data Cleaning With AI

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor schildert vier KI-Prompts, mit denen er den Abgleich, die Bereinigung und die Validierung monatlicher Datenexporte teilweise automatisiert habe. Er schätzt die jährliche Ersparnis nach verbleibendem Prüfaufwand, API-Kosten und zwei Wochen Einrichtung auf 13.000 bis 15.000 Dollar statt der in der Überschrift genannten 18.000 Dollar; die Zahlen sind nicht unabhängig belegt, und mehrdeutige Fälle erfordern weiterhin menschliche Entscheidungen.

Mittel

Der Autor berichtet, die monatliche Bereinigung von Exporten aus drei unterschiedlichen Systemen mithilfe von KI-Prompts und einem daraus erzeugten pandas-Skript teilweise automatisiert zu haben. Vier Prompts sollen Spalten abgleichen, Datenwerte nach klaren und mehrdeutigen Fällen sortieren, Validierungsregeln erstellen und die beschlossenen Bereinigungen in ein wiederholbares Skript übertragen. Besonders wichtig sei, dass die KI bei unklaren Werten nicht rät, sondern offene Fälle für menschliche Prüfung markiert. Nach seiner Darstellung sank der Aufwand von etwa zwölf Stunden pro Woche auf zwei Stunden pro Monat; eine Validierungsregel habe zudem einen Export mit 400 fehlenden Zeilen erkannt.

Die genannte Ersparnis von 18.000 Dollar entspricht den früheren Auftragnehmerkosten von 1.500 Dollar monatlich. Der Autor räumt jedoch fortlaufenden Prüfaufwand im geschätzten Wert von 200 bis 400 Dollar pro Monat, API-Kosten von unter 30 Dollar monatlich und zwei Wochen Einrichtungsarbeit ein. Daher beziffert er die tatsächliche jährliche Ersparnis eher auf 13.000 bis 15.000 Dollar. Das sind Angaben des Autors; der Bericht bietet keine unabhängige Prüfung der Zahlen. Menschliche Entscheidungen bei Mehrdeutigkeiten bleiben nötig.

Ausführlich lesen

Der Autor beschreibt, wie er nach eigener Darstellung die monatliche Bereinigung von Datenexporten aus drei uneinheitlichen Systemen teilweise automatisiert hat. Zuvor habe ein Auftragnehmer dafür 1.500 US-Dollar pro Monat erhalten, also 18.000 Dollar im Jahr. Die Arbeit habe rund zwölf Stunden wöchentlich beansprucht; mit dem neuen Ablauf benötige der Autor nach eigenen Angaben noch etwa zwei Stunden im Monat. Er betont, dass sich Datenbereinigung schlecht vollständig mit starren Skripten erledigen lasse, wenn sich Spalten ändern oder Werte mehrdeutig sind. Die entscheidende Aufgabe sei daher, solche Unklarheiten zu erkennen und menschliche Entscheidungen gezielt einzuholen.

Als Vorgehen stellt er vier KI-Prompts vor. Der erste soll Spalten aus verschiedenen Systemen einander zuordnen, ähnlich benannte, aber inhaltlich verschiedene Felder kenntlich machen und ein gemeinsames Zielschema samt Vorrangregeln vorschlagen. Beim beschriebenen Beispiel habe dies etwa interne Kundenschlüssel von Abrechnungskontonummern unterschieden. Der Autor vergleicht drei Stunden manueller Zuordnung mit ungefähr 20 Minuten Prüfung des Vorschlags. Für Exporte aus demselben Werkzeug hält er diesen Schritt für wenig lohnend.

Der zweite Prompt sortiert häufige Spaltenwerte in saubere, korrigierbare, mehrdeutige und unbrauchbare Fälle. Für unklare Werte soll das Modell mögliche Bedeutungen nennen, aber nicht raten. Laut Autor reduzierte dies vier Stunden Sichtprüfung auf etwa 30 Minuten menschliche Prüfung von typischerweise 15 bis 20 Zweifelsfällen aus einigen Tausend Zeilen. Er empfiehlt den Ansatz für Freitext- und Kategorienfelder, nicht für saubere numerische Daten.

Der dritte Prompt erzeugt verständliche und als pandas-Prüfungen formulierte Validierungsregeln, ordnet sie nach Schwere und weist auf mögliche Fehlalarme hin. Eine vorgeschlagene Prüfung der monatlichen Zeilenzahl habe später einen unvollständigen Export mit 400 fehlenden Zeilen entdeckt. Der vierte Prompt erstellt aus den bestätigten Zuordnungen, Bereinigungen und Regeln ein wiederholbares pandas-Skript. Es soll Fehler gesondert ausgeben und Zusammenfassungen zu eingelesenen, ausgegebenen und ausgesonderten Zeilen erstellen, statt Datensätze stillschweigend zu verwerfen. Der Autor beziffert den Zeitaufwand für den ersten Skriptentwurf samt Fehlersuche auf fünf Stunden zuvor und 45 Minuten danach.

Die Überschrift nennt 18.000 Dollar Ersparnis, doch der Autor schränkt diese Zahl selbst ein: Für Prüfung, Fehler und Freigabe wende er weiterhin etwa zwei Stunden monatlich auf, deren Wert er mit 200 bis 400 Dollar pro Monat ansetzt. Hinzu kämen KI-API-Kosten von weniger als 30 Dollar monatlich und zwei Wochen anfänglicher Einrichtung. Seine tatsächliche Ersparnis schätzt er deshalb auf ungefähr 13.000 bis 15.000 Dollar jährlich. Diese Zahlen sind seine eigene Rechnung; der Bericht liefert keine unabhängige Überprüfung oder detaillierte Messmethodik. Er schreibt den Nutzen nicht nur höherer Geschwindigkeit, sondern auch gleichmäßigerer Aufmerksamkeit bei wiederholten Aufgaben zu. Mehrdeutige Entscheidungen müssten weiterhin von Menschen getroffen werden. Die vier Prompts stammen laut Autor aus einem umfassenderen, kostenpflichtigen Paket mit 75 Prompts.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen sowie einen weiteren unbetitelten Absatz geliefert; bewertet wurde der gemeinsame Inhalt. Von der Einordnung gibt es nur die Sammelfrage SF-T1, Teilfragen wurden nicht angegeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Die zentrale These, dass die Ersparnis aus gleichbleibender Sorgfalt statt aus Geschwindigkeit entsteht, weil die KI auch Zeile 4.000 so sorgfältig prüft wie die erste
  • Die Zeitersparnis je Prompt: Abgleich von drei Stunden auf etwa 20 Minuten, Wertklassifizierung von vier Stunden auf 30 Minuten, Skriptschreiben von fünf Stunden auf 45 Minuten

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Angabe, der Aufwand sei von zwölf Stunden pro Woche auf zwei Stunden pro Monat gesunken, vermischt Zeiträume: Der Bericht nennt im Einstieg zwölf Stunden pro Woche, im Rechenteil dagegen zwölf Stunden pro Monat.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 37 %einzelne zitierbare Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 40 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %beantwortet teilweise oder widerspricht
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 35 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %beantwortet teilweise oder widerspricht
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →