roosi | Data Intelligence Blog

Die Vertrauensdividende: Von der Datenqualität zur Entscheidungsgeschwindigkeit | Teil 2

Geschrieben von Alexander Weitzel | 19.11.26, 14:07

Dies ist Teil 2 von 2 der Serie „Die Vertrauensdividende“. ← Zu Teil 1

 

Von der Datenqualität zur Entscheidungsgeschwindigkeit

Wer die Vertrauensdividende praktisch erschließen will, findet im hier vorgeschlagenen Wirkmodell fünf Ansatzpunkte:

  • Zuständigkeiten klären

  • Gemeinsame Begriffe definieren

  • Die Herkunft der Daten sichtbar machen

  • Menschen im Umgang mit Daten und KI befähigen

  • Diese Grundlagen dauerhaft in den Arbeitsalltag integrieren

Damit wird aus einer technischen Frage eine konkrete Gestaltungsaufgabe für die Organisation.

 

Die Idee dahinter lässt sich in sechs Schritten erklären. Die Schritte beschreiben einen möglichen Wirkungsweg, keinen nachgewiesenen Automatismus:

1. Die Grundlage stimmt. Die Daten sind für die Aufgabe geeignet, ihre Bedeutung und ihr Kontext sind klar.

2. Ergebnisse werden nachvollziehbar. Menschen können erkennen, woher die Informationen stammen und worauf ein Ergebnis beruht.

3. Begründetes Vertrauen kann wachsen. Menschen können besser einschätzen, wann sie ein Ergebnis nutzen können und wo sie genauer prüfen müssen.

4. Unnötige Mehrfacharbeit kann abnehmen. Bereits geklärte Fragen müssen nicht jedes Mal neu geprüft oder abgestimmt werden. Notwendige Kontrollen bleiben bestehen.

5. Entscheidungen können schneller fallen. Weniger unnötige Rückfragen und Abstimmungen können den Weg zur Entscheidung verkürzen.

6. Wirtschaftlicher Nutzen wird möglich. Weniger Aufwand und schnellere Entscheidungen können einen Mehrwert schaffen. Ob er die zusätzlichen Kosten übersteigt, ist im jeweiligen Anwendungsfall zu prüfen.

Nicht jede Verbesserung muss alle sechs Schritte durchlaufen: Gemeinsame Definitionen und nachvollziehbare Datenherkunft können Abstimmungen auch direkt vereinfachen. Begründetes Vertrauen ist damit ein möglicher Vermittlungsmechanismus, nicht die einzige Erklärung für schnellere Entscheidungen. Die gesamte Kausalkette ist bislang nicht nachgewiesen.

Begriffe gemeinsam definieren, Datenquellen auffindbar machen, ihre Herkunft nachvollziehen und Anforderungen an bereitgestellte Daten vereinbaren: Dafür stehen Instrumente wie Business-Glossar, Datenkatalog, Data Lineage und Data Contracts. Doch weder eines dieser Instrumente noch eine Qualitätsregel erzeugt allein eine Dividende. Entscheidend ist, welches konkrete Problem damit gelöst wird.

Instrument Wofür es steht
Business-Glossar Begriffe gemeinsam definieren
Datenkatalog Datenquellen auffindbar machen
Data Lineage Herkunft der Daten nachvollziehen
Data Contracts Anforderungen an bereitgestellte Daten vereinbaren

Nach diesem Modell können sie Wert schaffen, wenn sie konkrete Reibungsverluste beseitigen:

  • weniger Diskussionen über die Bedeutung einer Kennzahl,

  • weniger Zeit für die Suche nach der richtigen Datenquelle,

  • weniger manuelle Abstimmungen,

  • weniger Doppelprüfungen,

  • weniger Fehlentscheidungen durch veraltete Informationen,

  • schnellere Freigaben für Daten- und KI-Anwendungen.

Prozesskennzahlen können solche Veränderungen sichtbar machen. Sie messen jedoch weder Vertrauen selbst noch automatisch dessen kausalen Beitrag.

 

Wie Unternehmen ihre Vertrauensdividende erfassen können

Der erste Schritt ist zu prüfen, ob sich der konkrete Arbeitsablauf verbessert: Wird schneller entschieden, sinkt der Prüfaufwand, nehmen Rückfragen ab? Prozesskennzahlen machen solche Veränderungen sichtbar. Sie ergeben aber keinen universellen Prozentwert für die Vertrauensdividende. Ob begründetes Vertrauen, bessere Daten oder andere Maßnahmen die Veränderung erklären, ist gesondert zu untersuchen. Als Ausgangspunkt eignen sich folgende Kennzahlen:

1. Entscheidungszeit: Wie lange dauert es von einer Fragestellung bis zu einer freigegebenen Entscheidung?
2. Prüfaufwand: Wie viele Personen und Arbeitsstunden sind für Validierung und Freigabe notwendig?
3. Rückfragenquote: Wie oft müssen Definition, Herkunft oder Aktualität einer Kennzahl geklärt werden?
4. Nacharbeitsquote: Wie viele Berichte oder KI-Ergebnisse werden wegen Datenproblemen korrigiert?
5. Nutzungsquote: Welcher Anteil bereitgestellter Datenprodukte und KI-Anwendungen wird tatsächlich regelmäßig verwendet?
6. Übersteuerungsquote: Wie häufig werden KI-Empfehlungen von Menschen verworfen oder ersetzt - und aus welchen Gründen? Die Quote ist zusammen mit der Qualität der Empfehlungen und der übernommenen Entscheidungen zu bewerten. Ein niedriger Wert kann angemessenes Vertrauen, aber auch unkritische Übernahme anzeigen; ein hoher Wert kann notwendige Fehlerkorrektur oder mangelnde Akzeptanz widerspiegeln.
7. Eskalationen: Wie viele Daten- und KI-Vorfälle müssen außerhalb des regulären Prozesses behandelt werden?
8. Zeit bis zur Fehlererkennung: Wie schnell werden Qualitätsabweichungen erkannt und einem Verantwortlichen zugeordnet?

Für belastbare Vergleiche sind Messzeitraum, Bezugsgröße und Erfassungsregeln vorab festzulegen. Rückfragen- und Nacharbeitsquoten lassen sich als Anteil der betroffenen Fälle an allen vergleichbaren Fällen erfassen. Prüfaufwand sollte je Fall ausgewiesen werden; Eskalationen sind auch im Verhältnis zum Fallvolumen zu betrachten. Für die Nutzungsquote ist festzulegen, was als regelmäßige Nutzung gilt. So werden veränderte Arbeitsmengen nicht mit einer Verbesserung der Prozesse verwechselt.

Kennzahl Erfassung für belastbare Vergleiche
Rückfragenquote, Nacharbeitsquote Anteil der betroffenen Fälle an allen vergleichbaren Fällen
Prüfaufwand je Fall ausweisen
Eskalationen auch im Verhältnis zum Fallvolumen betrachten
Nutzungsquote festlegen, was als regelmäßige Nutzung gilt
Alle Kennzahlen Messzeitraum, Bezugsgröße und Erfassungsregeln vorab festlegen

Eine positive Bewertung setzt voraus, dass Zeitgewinn und geringerer Prüfaufwand nicht mit schlechteren Entscheidungen oder unvertretbaren Risiken erkauft werden. Deshalb sind die Prozesskennzahlen gemeinsam mit Ergebnisqualität, Fehlerfolgen und der Einhaltung notwendiger Freigaben zu betrachten. Höhere Nutzung allein ist ebenso wenig ein Erfolgsnachweis wie eine kürzere Entscheidungszeit.

Ein anwendungsfallspezifisches Bewertungsschema für den möglichen Bruttonutzen könnte lauten:

Möglicher Bruttonutzen der Vertrauensdividende = vermiedener Prüf- und Abstimmungsaufwand + vermiedene Fehlerkosten + Wert schnellerer Entscheidungen + zusätzlicher Nutzen aus höherer Akzeptanz

Das Schema ist keine empirisch validierte Formel. Für seine Anwendung sind drei Prüfungen wichtig. Erstens die Kosten: Für den Nettonutzen sind zusätzliche Aufwendungen für Datenqualität, Governance, Kontrollen und Kompetenzaufbau abzuziehen. Zweitens mögliche Doppelzählungen: Dieselbe eingesparte Arbeitszeit darf nicht zugleich als vermiedener Prüfaufwand und als Wert schnellerer Entscheidungen angesetzt werden. Drittens die Ursachen: Vorher-nachher-Vergleiche allein belegen keine Ursache, denn auch Prozessänderungen, Erfahrung und technische Verbesserungen können die Kennzahlen beeinflussen. Ein Vergleich mit möglichst ähnlichen, zunächst unveränderten Abläufen sowie die Dokumentation parallel eingeführter Maßnahmen können helfen, solche Erklärungen zu prüfen.

 

Ein Praxisbild: Wenn zwei Umsatzwerte zur Vertrauenssteuer werden

Stellen wir uns ein Unternehmen vor, in dem Vertrieb und Controlling unterschiedliche Umsatzwerte verwenden. Beide Zahlen sind rechnerisch korrekt, beruhen aber auf unterschiedlichen Zeitbezügen und Abgrenzungen.

Solange Menschen die Berichte erstellen, wird der Unterschied vielleicht in einem Meeting erklärt. Ein KI-Assistent, der auf beide Quellen zugreift, braucht diesen Kontext ebenfalls. Fehlen ihm die Angaben zu Zeitbezügen und Abgrenzungen, lässt sich aus den beiden Zahlen allein nicht zuverlässig erkennen, ob ein Fehler oder eine unterschiedliche fachliche Perspektive vorliegt.

Die Folge: Die Antwort wird geprüft, die Quellen werden verglichen, Fachleute werden hinzugezogen und die Entscheidung wird vertagt. Aus einer ungeklärten Kennzahl ist eine Vertrauenssteuer geworden.

Sind Definition, Gültigkeitsbereich, Datenverantwortung und Herkunft dokumentiert und für die KI zugänglich, erhält sie den nötigen Kontext für eine passende Auswahl oder eine transparente Erklärung der Unterschiede. Das setzt voraus, dass sie diesen Kontext korrekt verarbeitet; Dokumentation allein garantiert keine richtige Antwort. Menschen können die Auswahl dadurch gezielter prüfen und gegebenenfalls begründet und schneller vertrauen.

  Kontext fehlt Kontext dokumentiert und zugänglich
Was der KI-Assistent hat Zwei Umsatzwerte ohne Angaben zu Zeitbezügen und Abgrenzungen Definition, Gültigkeitsbereich, Datenverantwortung und Herkunft
Was er leisten kann Nicht zuverlässig erkennen, ob ein Fehler oder eine unterschiedliche fachliche Perspektive vorliegt Passende Auswahl oder transparente Erklärung der Unterschiede
Was folgt Antwort prüfen, Quellen vergleichen, Fachleute hinzuziehen, Entscheidung vertagen Menschen prüfen die Auswahl gezielter
Ergebnis Vertrauenssteuer Mögliche Vertrauensdividende

Die eingesparte Abstimmung wäre in diesem hypothetischen Beispiel eine mögliche Vertrauensdividende.

 

Vertrauen kann im Zeitalter autonomer KI Teil der Infrastruktur werden

Die Diskussion über KI verengt sich häufig auf die Frage, welches Modell die besten Antworten liefert. Langfristig dürfte jedoch eine andere Fähigkeit wichtiger werden: Können Unternehmen eine Umgebung schaffen, in der KI auf vertrauenswürdige Daten zugreift, ihre Grenzen kennt und unter nachvollziehbaren Regeln handelt?

Eine systematische Literaturauswertung des britischen Productivity Institute von 2025, die mehr als 150 wissenschaftliche Arbeiten und 30 Geschäftsberichte einbezog, kommt zu einer überwiegend positiven Einschätzung des Zusammenhangs zwischen KI-Einsatz und Produktivität. Sie weist zugleich auf offene Messfragen, Kompetenzlücken, regulatorische Unsicherheit und mangelndes Vertrauen als Hemmnisse hin. [productivity.ac.uk], [productivity.productivedigital.com]

Eine repräsentative Untersuchung von fast 10.000 Beschäftigten in Deutschland zeigt zudem: 64 Prozent nutzten KI-Werkzeuge, aber nur 20 Prozent häufig. Formal durch den Arbeitgeber eingeführte Nutzung war mit häufigerer Verwendung, mehr Training und höheren wahrgenommenen Produktivitätsgewinnen verbunden. Die Autoren folgern, dass eine weite, aber informelle Verbreitung von KI mit begrenzten Produktivitätseffekten einhergehen kann, wenn ergänzende Investitionen und organisatorische Integration fehlen. [ifo.de]

Die Technologie allein zahlt also noch keine Dividende.

Technische Leistungsfähigkeit, geeignete Daten, klare Verantwortung, Kompetenz und organisatorische Regeln können dazu beitragen, dass KI zu produktiver Routine wird.

 

Vertrauen ist kein Gegenstück zu Kontrolle

Vertrauen und Kontrolle sind keine Gegensätze. Entscheidend ist, Kontrollen so zu gestalten, dass sie begründetes Vertrauen unterstützen: risikogerecht, nachvollziehbar und auf die konkrete Aufgabe abgestimmt.

Begründetes Vertrauen kann unnötige Mehrfachprüfungen verringern und Sorgfalt auf relevante Risiken lenken. Vertrauen und Kontrollpraxis können sich dabei gegenseitig beeinflussen.

Ein pragmatischer Einstieg: Wählen Sie einen wiederkehrenden Entscheidungsprozess, in dem heute viel geprüft und abgestimmt wird. Erfassen Sie zunächst Prüfaufwand, Entscheidungszeit und Ergebnisqualität. Klären Sie dann gezielt die offenen Fragen zu Definitionen, Datenherkunft und Verantwortung. Vergleichen Sie die Entwicklung mit einem möglichst ähnlichen, zunächst unveränderten Ablauf und dokumentieren Sie weitere Veränderungen. So prüfen Sie im eigenen Arbeitsalltag, ob die erhoffte Dividende entsteht - und ob sie den zusätzlichen Aufwand rechtfertigt.

Für Führungskräfte gilt: Datenqualität, Metadaten, Data Lineage, Verantwortung, Governance und KI-Kompetenz können neben der Risikovorsorge auch schnellere Entscheidungen ermöglichen. Investitionen lohnen sich, wenn sie unnötige Reibung reduzieren und der Nutzen den zusätzlichen Aufwand übersteigt.

Die Vertrauensdividende lässt sich als konkrete Gestaltungsaufgabe angehen: unnötigen Aufwand reduzieren, Ergebnisqualität sichern und Risiken angemessen kontrollieren. Ob sie sich auszahlt, entscheiden drei Fragen: Sinkt der unnötige Aufwand bei gewahrter Ergebnisqualität und risikogerechter Absicherung? Übersteigt der Nutzen die zusätzlichen Kosten? Können andere Veränderungen die Ergebnisse erklären? Das Wirkmodell ist teilweise empirisch gestützt, die gesamte Kausalkette jedoch nicht nachgewiesen. Die Chance ist damit prüfbar - der Ertrag bleibt offen.

 

Quellenhinweis und wissenschaftliche Einordnung

Coveys Management-Denkrahmen wird hier konzeptionell auf Daten und KI übertragen. Das daraus abgeleitete Wirkmodell ist plausibel und in Teilzusammenhängen empirisch gestützt, nicht als vollständige Kausalkette nachgewiesen. Richtung, Stärke und Rückkopplungen der Wirkungen sowie alternative Erklärungen bleiben anwendungsfallspezifisch zu untersuchen. Eine allgemein anerkannte, einheitlich berechenbare Kennzahl „KI-Vertrauensdividende“ ergibt sich daraus nicht.

Die Analysten- und Anbieterbefragungen von Monte Carlo, Accenture und anderen Organisationen liefern wertvolle Marktindikationen, sollten aber wegen Auftraggeber, Methodik und Stichprobenauswahl nicht mit unabhängigen Metaanalysen gleichgesetzt werden.

 

Quellen

  1. Karountzos, V. (2025): The Impact of AI Adoption on Productivity Across FinTech, Retail, and Advanced Manufacturing. Productivity Insights Paper No. 061, The Productivity Institute. PDF
  2. Arntz, M. et al. (2025): Low Barriers, High Stakes: Formal and Informal Diffusion of AI in the Workplace. ifo Working Paper No. 422. PDF

Weitere zitierte Quellen (Covey, Monte Carlo, Accenture, NIST) siehe Teil 1. Arbeitsdefinition, Wirkungskette, Prozesskennzahlen und Bewertungsschema sind eigene konzeptionelle Beiträge; das Praxisbild ist hypothetisch. Abruf der Onlinequellen: 2. November 2026.