Artikel von:
Stefan Volkmann
Senior Consultant
Die Erkenntnise aus einer Interviewstudie unter 19 Daten-, KI- und IT-Führungskräften aus der Bundesverwaltung machen deutlich: Die Entwicklung umfangreicher Daten- und KI-Richtlinien, -Organisationsstrukturen, -Governance sowie -Kompetenz- und -Kulturaufbau werden teils als Mammutaufgaben wahrgenommen, die erstmal mehr Bürokratie erzeugen, als sie abbauen. Viele denken dabei an zusätzliche Sekundärorganisationen, die den bestehenden Organisationen übergestülpt werden. Aber braucht es diese große Lösung? Ein bewusst iterativer und behutsamer Aufbau von Strukturen ist leichtgewichtig, zielgerichtet und nimmt die Mitarbeitenden bei den Veränderungen mit.
Wir [als Datenlabor] wollen einerseits die Arbeit der Mitarbeitenden im Haus durch die Bereitstellung von Daten und dazugehörigen Werkzeugen erleichtern. Andererseits wollen wir evidenzbasierte Politik unterstützen. Dazu bedarf es Data-Governance, passender technischer Unterstützung und weiteren Kompetenzaufbau in der Gesamtorganisation.
Ob Behörde oder privatwirtschaftliches Unternehmen: Eine datengetriebene Organisation verfolgt mit dem bewussten Einsatz von daten- und KI-basierten Verfahren und Prozessen in der Regel drei strategische Ziele:
Damit diese Ziele systematisch, effektiv und nachhaltig erreicht werden können, braucht es solide, organisatorische Grundlagen, in der Regel „Data Governance“ genannt. Dies beinhaltet eine organisationsweite, klare Definition und Steuerung von Zuständigkeiten und Abläufen für eine einheitliche Datenqualität, -pflege und -bereitstellung. Die Ideen hinter Rollen und Gremien wie Data Owner, Data Steward oder dem Data Governance Board sind inzwischen ein viel diskutiertes Thema. Kein Wunder, denn wenn diese Rollen im richtigen Kontext verankert und gelebt werden, zeigen sich schnell Mehrwerte und Synergien.
Die Etablierung von Data Governance und Data Stewards stoßen mittlerweile auf Interesse und wir sehen, dass manche Referate dafür extra einstellen. Dadurch steigt die Datenqualität; Beratung findet dezentral und vor Ort mit viel weniger Berührungsangst statt.
Eine gerade erst veröffentlichte Interviewstudie von Cassini Consulting beschäftigt sich mit dem Fortschritt und der Wirkung von Governance-Strukturen im öffentlichen Sektor. Wir haben mit 19 Daten-, KI- und IT-Führungskräften aus zwölf Bundesorganisationen über ihre Transformation hin zu einer datengetriebenen Organisation gesprochen. Dabei wurde Data Governance vielfach als notwendiges Fundament für erfolgreichen Wandel genannt. Doch der Weg zu einer effektiven Data Governance ist herausfordernd.
Laut der meisten Interviewteilnehmenden können Datenbestände und KI-Ansätze erst nach tiefgreifenden organisatorischen Veränderungen einen echten Mehrwert erzeugen. Diese Veränderungen werden jedoch als schwerfällig wahrgenommen. Einerseits müssen KI-Richtlinien, einheitliche Datenstrukturen, neue Rollen und Abläufe sowie eine offenere, innovativere Datenkultur entwickelt werden. Andererseits müssen diese mit einer Vielzahl an teilweise konkurrierenden Querschnittsthemen wie Wissensmanagement oder Architektur harmonisiert werden. Für viele ist unklar, wo sie anfangen sollen – nicht zuletzt, weil die Ressourcen für die Organisationsentwicklung fehlen. Dabei schwingt die Angst mit, dass der mühsame Aufbau solcher Strukturen und Prozesse zu schwergewichtigen Sekundärorganisationen führt, die mehr Bürokratie erzeugen als sie abbauen.
Datenorganisation und -governance ist das viertgrößte nichttechnische Herausforderungsfeld in der Studie. 11 % aller diskutierten Hürden fallen in diesen Bereich.
Muss Data Governance zwangsläufig zu einem Zusatzaufwand führen? Vielerorts wird der Kern der mit Data Governance verbundenen Rollen von einzelnen Mitarbeitenden bereits unbewusst praktiziert. Sie erkennen intuitiv den Wert von Daten und stimmen sich mit anderen ab, um daraus Mehrwerte zu schaffen, die von vielen ebenso genutzt werden können. Als erster Schritt kann es bereits ausreichen, solche Talente zu identifizieren, sie weiterzuentwickeln und ihre Eigeninitiative zu formalisieren. Beispielsweise wurde uns von zwei Behörden berichtet, dass die Rolle des Datenqualitätsmanagers dort nur deshalb existiert, weil sich eine Einzelperson für die Einführung der Position stark gemacht hat. Diese Rolle ist jetzt im jeweiligen Organigramm zu finden.
Diese Bottom-up-Befähigung kann zielführender und überzeugender sein als die Vergabe von Rollentiteln von oben an engagierte Mitarbeitende. In der Regel suggeriert die Übernahme einer zusätzlichen Rolle zunächst Mehrarbeit. Das kann sowohl die betreffende Person als auch das Kollegium abschrecken, sodass die neue Governance-Struktur nicht mit Leben gefüllt wird. In diesem Fall kann es helfen, positivere Begriffe für die Veränderungsziele zu definieren oder sie sogar namenlos zu lassen. Entscheidend ist, sie erst einmal niedrigschwellig zu etablieren, bis sie einen gewissen Reifegrad und Akzeptanz erlangt haben.
In der Privatwirtschaft werden solche informellen Bottom-up-Ansätze zur Etablierung von Data Governance immer beliebter. Sie stammen insbesondere aus der US-amerikanischen Community um Rob Seiner. Seine Ideen haben wir in einer Matrix zusammengefasst. Sie stellt die Dimensionen von Formalität und Hierarchie gegenüber. Egal, ob es um Daten-, KI-, Wissens- oder Architekturmanagement geht: Dieses Modell kann natürlich auch auf die oben genannten Querschnittsthemen angewendet werden.
Das Modell lässt sich auch zur Verankerung und Steuerung von Künstlicher Intelligenz nutzen, beispielsweise bei der iterativen Entwicklung von KI-Richtlinien. Anstatt über Monate hinweg eine zentrale, monolithische Handlungsanweisung für die Gesamtorganisation zu formulieren, die sämtliche Stakeholderinteressen, Use-Case-Potentiale, Compliance-Risiken und ethische Facetten gegeneinander abwägt, schlug eine Data Scientistin vor, im Kleinen und Sicheren zu beginnen. Man solle zunächst einen möglichst risikoarmen Bereich identifizieren und dann für diesen einen bewusst abgesteckten KI-Anwendungsrahmen abstimmen. Entsprechend sollten die ersten Use Cases einfach umsetzbar sein und im Nachgang so viel Vertrauen schaffen, dass das Rahmenkonzept mit ersten Erfahrungen auf weitere Bereiche ausgeweitet werden kann. Gelingt dies, ist auch die Formalisierung der KI-Governance-Prozesse und -Rollen deutlich einfacher.
Die skizzierten Erfolgsgeschichten lösen sich bewusst von der Annahme, dass neue, datengetriebene Organisationsstrukturen und Leitplanken zwingend den bestehenden übergestülpt werden müssen. Sie konzentrieren sich stattdessen auf eine Minimallösung, die iterativ ausgebaut wird. Das schafft Vertrauen und etabliert behutsam eine Kultur des Wandels. Die methodische Grundherausforderung einer solchen agilen Organisationsentwicklung ähnelt jedoch zunächst der eingangs genannten: Wo und wie fange ich genau an? Verliere ich mit einer niedrigschwelligen Minimallösung nicht an Strahlkraft? Wen muss ich wie überzeugen, um die ersten Schritte machen zu können?
Was simpel klingt, erfordert zunächst viel Austausch und kreative Ideen – sei es aus internen Communities of Practice oder durch Erfahrungen von außen. Es kann helfen, die ersten Grundsteine gemeinsam zu legen, bevor eine agile Denkweise überzeugend und eigenständig im Arbeitsalltag gelebt werden kann. Es bleibt dabei: Für Daten und KI sind solide Organisationsstrukturen unerlässlich. Gezielt ausgewählte, inkrementelle und informelle Bottom-up-Ansätze senken die initialen Zeit-, Aufwands- und Vertrauenshürden. Diese Ansätze müssen jedoch auch kontinuierlich begleitet werden, um sichtbar zu bleiben und immer wieder zu kommunizieren, dass in der Organisation und ihren Menschen noch viel mehr Potential schlummert. Gerne begleiten wir Sie auf diesem Weg.
Als unabhängiges IT-Beratungsunternehmen unterstützen wir Unternehmen der Finanzbranche bei der Digitalisierung.
