Wer darf eigentlich Ja sagen? Wenn Verantwortlichkeiten ein KI-/Datenvorhaben blockieren

KI- und Datenvorhaben brauchen keine perfekte Governance, aber klare Entscheidungsrechte. Vier Entscheidungsräume und ein einfacher Prüfpfad zeigen, wer welche Entscheidung treffen darf und wann eskaliert…

·

·


Illustration eines Bearbeitungszentrums mit mehreren fachlichen Perspektiven, die auf einen gemeinsamen Entscheidungspunkt zulaufen; der nächste technische Schritt bleibt ohne geklärtes Entscheidungsrecht offen.
Ca. 8 Min. Lesezeit Kurzfassung für Entscheider öffnen
zum Anfang

Nordwerk hat inzwischen zwei wichtige Fragen geklärt. Das fiktive Unternehmen weiß, welche betriebliche Entscheidung sein Predictive-Maintenance-Vorhaben verbessern soll, und es kennt die wichtigsten Stärken und Lücken seiner Daten.

In den historischen Daten findet sich eine aussagekräftige Technikerbewertung. Sie wurde jedoch erst nach einer zusätzlichen Diagnose erfasst. Für das geplante Modell kann sie deshalb keine Eingangsinformation sein, die zum Zeitpunkt des Risikohinweises bereits vorliegt.

Nun soll der erste technische Versuch vorbereitet werden. Die Data Scientists halten die vorhandenen Daten grundsätzlich für ausreichend, um weiterzulernen. Die Instandhaltung sieht die Datenlücke kritischer. Technisch könnte das Team den nächsten Versuch durchführen, doch die dafür notwendige Entscheidung bleibt offen:

Wer darf entscheiden, ob Nordwerk unter diesen Voraussetzungen weitermacht?

Genau an solchen Stellen kann aus einer scheinbar organisatorischen Frage eine praktische Voraussetzung für Umsetzbarkeit werden.


Kurzfassung für Entscheider öffnen

Für Leser mit wenig Zeit: die Kernaussagen dieses Beitrags in kompakter Form.

Kernaussage

Ein interdisziplinäres KI- oder Datenvorhaben braucht nicht für jede Tätigkeit eine detaillierte Governance-Struktur. Die Entscheidungen, die den nächsten Schritt beeinflussen, sollten jedoch einem nachvollziehbaren Entscheidungsrecht zugeordnet sein.

Vier Entscheidungsräume

  • Daten: Wer entscheidet fachlich, welche vorhandenen Daten für Analyse und Modellierung verwendet werden?
  • Anforderungen: Wer legt fest, was die Lösung fachlich leisten muss?
  • Akzeptanz: Wer entscheidet, ob ein Ergebnis für den nächsten Schritt ausreichend belastbar ist?
  • Zielkonflikte und Freigaben: Wer entscheidet, wenn mehrere berechtigte Perspektiven nicht gleichzeitig erfüllt werden können?

Schnelltest und Warnzeichen

Für eine wichtige Entscheidung sollten vier Fragen beantwortbar sein: Was wird entschieden? → Wer darf entscheiden? → Auf welcher Grundlage? → Wann muss eskaliert werden?

Kritisch wird es beispielsweise, wenn dieselbe Frage wiederholt in verschiedenen Runden auftaucht, technische Rollen ungeplant fachliche oder wirtschaftliche Entscheidungen übernehmen oder fast jede Meinungsverschiedenheit nach oben eskaliert wird.

Praktische Konsequenz

Eine tragfähige Struktur bringt Entscheidungen möglichst nah an die fachliche Arbeit und definiert zugleich die Grenze des jeweiligen Mandats. So kann ein Team selbstständig arbeiten, ohne übergreifende Zielkonflikte oder formale Freigaben auf der falschen Ebene zu entscheiden.

Einseitige Zusammenfassung herunterladen (PDF · 1 Seite)



Beteiligung beantwortet noch nicht, wer entscheiden darf

Interdisziplinäre Vorhaben brauchen mehrere Perspektiven. Fachexperten kennen den Prozess, Data Scientists verstehen Daten und Modelle, technische Rollen beurteilen Machbarkeit und Risiken, das Management trägt übergreifende wirtschaftliche oder organisatorische Verantwortung.

Gerade deshalb kann Verantwortung leicht verschwimmen.

In einem Meeting können fünf Personen beteiligt sein und jede davon einen wichtigen Beitrag leisten. Daraus folgt noch nicht, dass alle fünf dieselbe Entscheidung treffen dürfen.

Bei Nordwerk könnten zum Beispiel gleichzeitig folgende Einschätzungen vorliegen:

  • Die Data Scientists halten die vorhandene Datenbasis für einen weiteren Lernschritt für ausreichend.
  • Die Instandhaltung möchte eine noch offene Datenlücke zuerst klären.
  • Der Technical Lead hält den geplanten Test technisch für vertretbar.
  • Eine übergeordnete Rolle muss entscheiden, falls Scope, Risiko oder zusätzlicher Ressourceneinsatz betroffen sind.

Alle Perspektiven können fachlich plausibel sein. Die konkrete Frage braucht trotzdem irgendwann einen eindeutigen Entscheidungspunkt.

Auch etablierte Governance- und Datenleitlinien behandeln klare Verantwortungszuordnung und ausreichenden Handlungsspielraum als relevante organisatorische Voraussetzungen. [1] [2] [3]

Für die Praxis reicht daraus zunächst eine einfache Unterscheidung: Wer bringt die notwendige Expertise ein – und wer trifft anschließend die Entscheidung?

Vier Entscheidungsräume, die leicht ineinanderlaufen

Die folgenden vier Bereiche sind kein übernommener Standard, sondern eine eigene Synthese für Situationen, in denen Datenarbeit, fachliche Anforderungen und Validierung zusammenkommen.

Diagramm mit vier Bereichen zu fachlicher Datenauswahl, Anforderungen, Ergebnisakzeptanz sowie Konflikt und Freigabe; darunter ein gemeinsamer Vorhabens- und Validierungskern rund um ein Predictive-Maintenance-Vorhaben am Bearbeitungszentrum.
Die vier Entscheidungsräume des Beitrags: fachliche Datenauswahl, Anforderungen, Ergebnisakzeptanz sowie Konflikt und Freigabe.

1. Fachliche Datenauswahl: Welche Daten werden tatsächlich verwendet?

Bei Nordwerk reicht die Frage nach technischem Zugriff nicht aus. Das Team muss auch entscheiden, welche historischen Daten sich für Modellierung und Analyse eignen, wie bekannte Einschränkungen berücksichtigt werden und welche Lücke den geplanten Lernschritt tatsächlich verhindert.

Gerade beim letzten Punkt entsteht schnell unnötige Arbeit.

Die verspätete Technikerbewertung muss beispielsweise nicht zwangsläufig vor dem nächsten Versuch „repariert“ werden. Sie könnte weiterhin als nachträgliche Referenz dienen, obwohl sie als Eingangsinformation für die spätere Betriebsentscheidung ungeeignet bleibt.

Die Lücke besteht damit weiterhin, muss aber für das konkrete Lernziel der nächsten Validierung nicht automatisch ein Blocker sein.

Eine Grenze ist wichtig: Die fachliche Auswahl von Daten ist von Datenschutz-, Zugriffs- oder formalen Nutzungsfreigaben zu unterscheiden.

2. Anforderungsentscheidung: Was muss fachlich erreicht werden?

Die Instandhaltung möchte vielleicht mehrere Tage Vorwarnzeit. Die Produktion akzeptiert nur wenige Fehlalarme. Data Science weist darauf hin, dass beides mit den vorhandenen Daten möglicherweise nicht gleichzeitig erreichbar ist.

Damit stehen mehrere sinnvolle Anforderungen nebeneinander.

Jetzt braucht es Klarheit darüber, wer festlegen darf, welche Anforderungen für diesen Schritt tatsächlich verbindlich sind.

In Querschnittsprojekten lässt sich häufig gut nachvollziehen, wer eine Anforderung eingebracht hat. Schwieriger wird es, sobald zwei Anforderungen miteinander konkurrieren.

Bleibt diese Entscheidung offen, verschiebt sich der Konflikt lediglich nach hinten. Später wird dann möglicherweise über Modellgüte oder Testergebnisse gestritten, obwohl eigentlich unterschiedliche Vorstellungen vom gewünschten Ergebnis bestehen.

3. Ergebnisakzeptanz: Wann ist die Evidenz gut genug?

Ein sauber durchgeführter Test beantwortet noch nicht automatisch, ob seine Ergebnisse für den nächsten Projektschritt ausreichen.

Deshalb sollte vor einer Validierung neben der Testfrage auch geklärt sein: Woran erkennen wir anschließend, dass das Ergebnis gut genug ist, um weiterzugehen?

Fachliche Anforderungen, Prüfkriterien und die spätere Akzeptanzentscheidung sollten dafür zusammenpassen. [4]

Sonst kann eine typische Situation entstehen: Das Modell liefert ein interessantes Ergebnis, Data Science bewertet es positiv, der Fachbereich hält die Verbesserung für zu gering und eine andere Rolle hatte mit einer völlig anderen Aussage gerechnet.

Der Test kann dabei technisch korrekt durchgeführt worden sein. Offen war lediglich, welches Ergebnis anschließend als ausreichend gelten sollte.

4. Konflikt- und Freigabeentscheidung: Wo endet die operative Ebene?

Nicht jede Meinungsverschiedenheit gehört auf eine höhere Hierarchieebene.

Wenn Data Scientists zwischen zwei Analysevarianten wählen oder Fachexperten einen konkreten Prozessparameter spezifizieren, kann die Entscheidung oft näher an der eigentlichen Arbeit getroffen werden.

Die Situation verändert sich, wenn beispielsweise zusätzlicher Budgetbedarf entsteht, der vereinbarte Scope betroffen ist, ein wesentliches Risiko akzeptiert werden müsste oder die Fortführung des Vorhabens selbst infrage steht.

Dann endet das operative Mandat.

Welche Rolle anschließend entscheidet, hängt vom Gegenstand ab: Das kann Management sein, bei formalen Freigaben aber ebenso eine dafür zuständige Fach- oder Kontrollfunktion.

Eine belastbare Entscheidungsstruktur definiert deshalb neben der Zuständigkeit auch deren Grenze.

Was ich in interdisziplinären Teams als hilfreich erlebt habe

In interdisziplinären KI-, Machine-Learning- und Datenprojekten habe ich klare Entscheidungsverantwortung gerade auf der operativen Fachebene als besonders wichtig erlebt.

In einem solchen Arbeitskontext entschieden Data Scientists, welche vorhandenen Daten fachlich für Modellierung und Analyse verwendet wurden. Praxisnahe Fachexperten verantworteten die fachlichen Anforderungen, der Technical Lead die Akzeptanz technischer Ergebnisse; grundsätzliche Zielkonflikte und Freigabeentscheidungen lagen beim Management.

Der praktische Unterschied war im Tagesgeschäft sichtbar: Viele Daten-, Anforderungs- und technische Bewertungsfragen konnten direkt im Team entschieden werden. Das Management wurde vor allem dann benötigt, wenn tatsächlich ein übergreifender Zielkonflikt oder eine Freigabe betroffen war.

Für mich liegt darin ein wichtiges Prinzip: Fachliche Nähe und ausreichende Entscheidungsbefugnis sollten möglichst auf derselben Ebene zusammenkommen.

Eine Rollenbezeichnung allein beantwortet die Frage noch nicht

„Data Owner“, „Product Owner“, „Technical Lead“, „Fachverantwortlicher“ oder „Projektleiter“ können auf dem Papier eindeutig wirken. Für die tatsächliche Zusammenarbeit ist wichtiger, welche konkrete Entscheidung eine Rolle treffen darf.

Dafür nutze ich vier einfache Prüfpunkte:

Vierstufiges Diagramm mit den Stationen Entscheidung, Entscheidungsrecht, Entscheidungsgrundlage und Eskalation; darunter der Hinweis, dass eine Rollenbezeichnung allein nicht ausreicht.
Eine Rollenbezeichnung allein genügt nicht: Verantwortung wird erst mit klarer Entscheidung, Entscheidungsrecht, Entscheidungsgrundlage und Eskalationsweg praktisch nutzbar.

1. Entscheidung

Was soll tatsächlich verbindlich festgelegt werden?

2. Entscheidungsrecht

Welche Rolle darf diese Entscheidung treffen?

3. Entscheidungsgrundlage

Welche Evidenz, Kriterien und bekannten Grenzen müssen berücksichtigt werden?

4. Eskalation

Wann endet dieses Mandat – und wer übernimmt dann?

Ihr Zweck ist pragmatisch: Sie sollen sichtbar machen, ob ein Team die nächste relevante Entscheidung tatsächlich treffen kann.

Mehr Governance ist nicht automatisch die bessere Antwort

Klare Verantwortung erfordert weder möglichst viele Rollen noch zusätzliche Gremien.

Gerade kleinere Teams können mehrere Verantwortlichkeiten in einer Person bündeln. Auch eine frühe explorative Analyse braucht nicht dieselbe Formalisierung wie eine spätere Produktivsetzung.

Entscheidend ist die Tragweite der jeweiligen Entscheidung.

Je leichter ein Schritt reversibel ist und je stärker er dem Lernen dient, desto pragmatischer kann die Verantwortungsstruktur bleiben. Mit zunehmender Konsequenz steigt der Klärungsbedarf: Anforderungen werden verbindlich, weitere Investitionen werden ausgelöst, operative Prozesse ändern sich oder relevante Risiken müssen akzeptiert werden. Welche Daten-, Wirkungs- und Kontrollfragen sich daraus je nach Nutzung einer KI-Anwendung ergeben, vertieft „Wann wird aus einer guten KI-Idee ein Governance-Thema?“.

Gleichzeitig kann zu starke Zentralisierung einen eigenen Engpass erzeugen. Wenn jede fachnahe Entscheidung vorsorglich nach oben weitergegeben wird, besitzt das Team zwar einen eindeutigen Eskalationsweg, aber kaum eigene Entscheidungsfähigkeit.

Wie weit trägt diese Aussage?

Die organisatorische Forschung liefert Hinweise darauf, dass Rollenunklarheit problematisch sein kann. Eine Meta-Analyse fand beispielsweise einen negativen Zusammenhang zwischen Rollenambiguität und individueller Arbeitsleistung; eine Untersuchung von Informationssystemprojekten zeigte zusätzlich einen Zusammenhang über Schwierigkeiten bei der Einschätzung der Projektleistung. [5] [6]

Beide Befunde liegen allerdings neben unserer konkreten Fragestellung: Rollenambiguität ist nicht identisch mit unklaren Entscheidungsrechten, individuelle Leistung nicht dasselbe wie Projekterfolg und die Studien belegen unser Vier-Bereiche-Modell nicht.

Die Forschung stützt deshalb nur die vorsichtige Einordnung, dass Rollen- und Verantwortungsunklarheit ein relevantes organisatorisches Risiko sein kann.

Zurück zu Nordwerk: Wer entscheidet jetzt?

Die verspätete Technikerbewertung ist weiterhin eine bekannte Datenlücke.

Data Science kann erklären, wie diese Information methodisch genutzt werden kann. Die Instandhaltung kann beurteilen, welche Aussage im späteren Betrieb benötigt würde. Der Technical Lead kann bewerten, ob das geplante Validierungsdesign technisch sinnvoll ist.

Wenn die nächste Validierung lediglich klären soll, ob mit den vorhandenen Daten überhaupt ein belastbares technisches Signal erkennbar ist, könnte der Technical Lead innerhalb eines entsprechend festgelegten Mandats entscheiden, dass der Versuch durchgeführt wird.

Data Science und Instandhaltung liefern dafür die fachlichen Grundlagen.

Verändert die verbleibende Unsicherheit dagegen Scope, Ressourcen, ein wesentliches Risiko oder eine notwendige formale Freigabe, endet dieses Mandat. Die Entscheidung geht dann an die für genau diesen Gegenstand zuständige Entscheidungs- oder Freigaberolle.

Damit lässt sich auch die Frage aus dem Einstieg beantworten:

Es gibt nicht zwangsläufig eine einzelne Person, die für das gesamte Vorhaben „Ja“ sagt. Belastbar wird der Entscheidungsweg, wenn klar ist, wer welche Entscheidung treffen darf und wo dieses Mandat endet.


Zusammenfassung

Vor Umsetzung oder belastbarer Validierung muss nicht jede organisatorische Rolle vollständig formalisiert sein. Kritische Entscheidungen sollten jedoch einem nachvollziehbaren Entscheidungsrecht zugeordnet sein.

Vier Bereiche verdienen dabei besondere Aufmerksamkeit: fachliche Datenauswahl → Anforderungen → Ergebnisakzeptanz → Konflikt und Freigabe.

Ob die Zuordnung praktisch trägt, lässt sich über Entscheidung, Entscheidungsrecht, Entscheidungsgrundlage und Eskalationsweg prüfen.

So können fachnahe Entscheidungen dort getroffen werden, wo das notwendige Wissen vorhanden ist, während übergreifende Risiken, Zielkonflikte und formale Freigaben auf der dafür vorgesehenen Ebene bleiben.

Bei Nordwerk sind damit Entscheidungsfrage, bekannte Datenlücken und Verantwortungslogik klarer beschrieben. Die nächste Frage führt einen Schritt weiter:

Welche Unsicherheiten darf Nordwerk in diesem ersten Proof of Concept bewusst offenlassen?

Welche Unsicherheiten darf ein KI-PoC bewusst offenlassen?

Einseitige Zusammenfassung herunterladen (PDF · 1 Seite)

Quellen

[1] National Institute of Standards and Technology (NIST). Artificial Intelligence Risk Management Framework (AI RMF 1.0), Core – GOVERN. 2023. Zur Quelle

[2] UK Government. Data Ownership Model. 2026. Zur Quelle

[3] UK Government. Data and AI Ethics Framework. Zur Quelle

[4] NASA. SWE-034 – Acceptance Criteria. NASA Software Engineering Handbook. Zur Quelle

[5] Tubre, Travis C.; Collins, Judith M. Jackson and Schuler (1985) Revisited: A Meta-Analysis of the Relationships Between Role Ambiguity, Role Conflict, and Job Performance. Journal of Management, 26(1), 2000. Zur Quelle

[6] Liu, Julie Yu-Chih; Chiang, Jerry C.; Yang, Ming-Hsien; Klein, Gary. Partnering effects on user–developer conflict and role ambiguity in information system projects. Information and Software Technology, 53(7), 2011, 722–729. Zur Quelle

Fachlich passende Artikel