gesponsertWarum Governance als Organisationsaufgabe über Daten hinausgeht Was Behörden ändern müssen

Fehlerhafte Auswertungen führen in Behörden oft zur Suche nach dem passenden Werkzeug. Nach Einschätzung von virtual7 greift das zu kurz. Die Ursachen liegen meist in Erfassung, Prozessen und unklaren Zuständigkeiten. Wer sie beheben will, braucht ein verbindliches Governance-Modell.

Wenn eine Führungskraft einem Bericht nicht mehr vertraut oder in einer Auswertung oder einem Prozess fragwürdige Ergebnisse entstehen, ist der Datenfehler meist schon lange entstanden. Ein typisches Muster: Dieselbe Person oder Organisation wird in mehreren Fachverfahren mit unterschiedlichen Kennungen geführt. Auswertungen zählen sie dann mehrfach, und Ergebnisse stimmen nicht mehr.

Die übliche Reaktion ist, in der Auswertung nachzubessern oder Werkzeuge für Datenkataloge und Qualitätsprüfungen einzuführen. Solche Werkzeuge machen Fehler sichtbar, beseitigen sie aber nicht. Ein Formular, das Buchstaben in einem Telefonnummernfeld zulässt, erzeugt weiterhin Fehler, auch wenn nachgelagerte Prüfungen existieren. Je länger ein fehlerhafter Prozess läuft, desto teurer wird seine Korrektur. Der Grundsatz von virtual7 lautet deshalb: Der Prozess muss behoben werden, nicht nur die fehlerhaften Daten. Und genauso wie die Daten gesteuert werden müssen, gilt das auch für KI-Anwendungen, denn das Vertrauen der Bürgerinnen und Bürger in die Arbeit der Behörden ist essenziell.

Fünf Ursachen, fünf Maßnahmen

Datenprobleme haben selten nur eine Ursache. virtual7 unterscheidet fünf Klassen:

• Erfassung: Uneinheitliche Eingaben. Hilfreich sind Validierung, Pflichtfelder und Referenzlisten im Quellsystem.

• Transformation: Fehlerhafte Datenflüsse, etwa falsche Verknüpfungen. Hier helfen dokumentierte, getestete Strecken und nachvollziehbare Datenherkunft.

• Semantik: Fachbereiche verstehen ein und denselben Begriff unterschiedlich. Nötig ist ein gemeinsames Glossar mit fachlicher Verantwortung.

• Drift: Ein System-Update verändert Felder oder Werte. Ein Änderungsprozess muss die Folgen für Daten und Berichte prüfen.

• Konsum: Der Bericht beantwortet nicht die gestellte Frage. Der Informationsbedarf muss zwischen Fachbereich und Business Intelligence geklärt werden.

Korrekturen in der Auswertung lassen einzelne Anwendungen plausibel aussehen, skalieren diese aber nicht. Wirksam ist ein Ansatz, der Daten als organisationsweites Gut behandelt: Quellen korrigieren, Bedeutungen dokumentieren, Verantwortlichkeiten benennen.

Metadaten als Grundlage

Governance arbeitet mit Metadaten, also Daten über Daten und Prozesse. Sie beschreiben Bedeutung, Herkunft, Schutzbedarf und Qualität von Daten und deren Verwendung in den Prozessen sowie das Funktionieren automatischer Prozesse. Das Referenzmodell DAMA-DMBOK ordnet die Data Governance zehn Wissensgebieten zu, von Architektur und Sicherheit über Integration und Stammdaten bis zur Datenqualität. Data Governance ist dabei kein eigener Baustein, sondern das organisatorische Ergebnis, wenn diese Gebiete integriert gepflegt werden.

Drei Frameworks, drei Rollen

Das Governance-Modell von virtual7 besteht aus drei Frameworks: Prozesse, Organisationsstrukturen sowie Regeln, Gesetze und Normen, zum Beispiel die DSGVO. Dabei ist zunächst nicht wichtig, ob wir die Verwendung von Daten oder von KI steuern wollen, denn beide folgen denselben Regeln.

Getragen wird die Data Governance von drei Rollen:

• Data Owner definieren Daten fachlich, legen Qualitätskriterien fest und tragen die fachliche Verantwortung.

• Data Stewards setzen im Tagesgeschäft um und übersetzen zwischen Fachlichkeit und Technik.

• Data Custodians betreiben die Datenhaltung und verantworten die Datensicherheit.

Im KI-Bereich reicht ein schlankes Rollenmodell: Der KI-Owner trägt die strategische Verantwortung für Zweck, Business-Nutzen und Risikotoleranz einer KI-Anwendung. Er entscheidet über Einsatz, Freigabe und Budget, legt Erfolgs- und Compliance-Kriterien fest (KPIs, erlaubte Fehlerraten, Audit-Anforderungen) und eskaliert zentrale Risiken an die Leitungsebene.

Der KI-Steward übernimmt die operative Governance-Verantwortung: er sorgt dafür, dass Richtlinien zu Fairness, Transparenz, Datenschutz und Nachvollziehbarkeit befolgt werden, pflegt Model Cards, Datasheets und Risiko-Assessments
und koordiniert Bias-, Robustheits- und Explainability-Tests sowie die Dokumentation der Datenherkunft. Als Bindeglied zwischen Fachbereichen, Recht/Datenschutz und Technik stellt der Steward sicher, dass fachliche Anforderungen in überprüfbare Governance-Artefakte überführt werden.

Der KI-Custodian verantwortet den technischen Betrieb der Modelle und Datenpipelines: Deployment, Versionierung, Monitoring (Performance, Drift, Datenqualität), Logging sowie Rollout/Rollback-Prozesse. Er stellt die sichere Infrastruktur, Zugriffskontrollen, Backup/Retention und Secrets-Management bereit und implementiert automatisierte Governance-Checks (Pre-Deploy-Tests, Retraining-Trigger, Audit-Logs). In kleinen Organisationen können Personen mehrere dieser Rollen übernehmen; entscheidend ist die klare Trennung von strategischer Entscheidung (Owner), Governance-Verbindlichkeit (Steward) und technischem Betrieb (Custodian).

Darüber steht ein Data Governance Board. Es setzt die Vorgaben der Leitungsebene, etwa von CDO oder CIO, in gemeinsame Initiativen um. So entsteht eine Verantwortungskette von der Leitung bis hin zur Administration. Für viele Rolleninhaber ändert sich dabei weniger als befürchtet: Sie nehmen die Aufgaben oft längst wahr, aber ohne klares Mandat.

Warum es den öffentlichen Sektor besonders betrifft

Behörden arbeiten mit sensiblen Daten und gesetzlichen Pflichten. Ein behördenübergreifender Austausch, etwa im Rahmen der Registermodernisierung, verlangt einheitliche Begriffe, dokumentierte Schnittstellen und klare Zuständigkeiten auf beiden Seiten. Hinzu kommt der KI-Einsatz: Die EU-KI-Verordnung (EU) 2024/1689 stellt in Artikel 10 Anforderungen an Daten und Daten-Governance für Hochrisiko-Systeme. Herkunft und Qualität der verwendeten Daten müssen sich belegen lassen.

Der Einstieg: klein beginnen

virtual7 rät zu einem begrenzten Start statt zu einem Großprojekt. Im Datenbereich bedeutet das:

• Einen kritischen Prozess wählen und seine Datenquellen sowie wiederkehrende Fehlerursachen erfassen.

• Fünf bis zehn zentrale Begriffe verbindlich definieren, Verantwortliche und einen Data Steward benennen.

• Zwei Kennzahlen über sechs Monate messen, etwa den Anteil regelkonformer Datensätze und die Zahl gemeldeter Datenvorfälle.

Im KI-Bereich entsprechend:

• Eine kritische KI-Anwendung auswählen, Kennzahlen definieren und Qualität des Prozesses analysieren

• Fünf bis zehn zentrale Begriffe verbindlich definieren, Verantwortliche und einen KI-Steward benennen

• Zwei Kennzahlen zur Arbeit des Modells über sechs Monate messen, etwa Kennzahlen zur Stabilität der Ergebnisse oder zu den verwendeten Daten.

Danach lassen sich Rollen und Board schrittweise auf weitere Datenbereiche und Prozesse ausweiten. Realistisch ist es, Kernprozesse innerhalb von ein bis zwei Jahren zu dokumentieren und zu integrieren. Hindernisse wie Altlasten und unklare Zuständigkeiten bleiben dabei bestehen. Data Governance ist ein dauerhafter Prozess und kein einmaliges Projekt.

Fazit

Governance ist keine Werkzeugfrage, sondern eine Organisationsaufgabe. Wer Ursachen an der Quelle behebt, Metadaten pflegt und Verantwortung durchgängig regelt, schafft die Grundlage für verlässliche Berichte, rechtssichere Prozesse und KI-Anwendungen. virtual7 begleitet Auftraggeber im öffentlichen Sektor dabei von der Ursachenanalyse über Rollen- und Gremienmodell bis zur technischen Umsetzung in Fachverfahren und Datenplattformen.

(ID:50999301)