Als ich an der Universität an meiner Doktorarbeit geschrieben habe, habe ich die Offenheit der Wissenschaft sehr geschätzt. Ich mochte es, zu Konferenzen zu fahren, die eigenen Resultate zu präsentieren und Feedback von Kolleg:innen zu bekommen. Ich mochte es, Einsicht in ihre Arbeit und Vorgehensweisen zu bekommen. Als ich die Universität verlassen habe, dachte ich, ich hätte diese offene Arbeitsweise hinter mir zu lassen, weil ich in den privaten Sektor gewechselt habe. Ich war sicher, ich müsste mien Wissen dort schützen, da es mir und meinem Arbeitgeber eine gute Marktposition sichert.

Ich habe damals nicht erkannt, dass eine gute Marktposition zu haben und sich aktiv mit anderen Profis in der selben Branche auszutauschen sich nicht gegenseitig ausschließen.

WIE ICH IN DER COMMUNITY ANFING

Ich hatte das große Glück, bei meinem ersten Job nach der Universität einen Kollegen zu haben, der mir von einer Usergroup berichtete. Diese Gruppe beschäftigte sich mit demselben Technologie-Stack wie wir. Er sagte mir: „wenn Du da Eindruck machen willst, dann geh hin und halte gleich beim ersten Mal eine Präsentation“. Und weil ich der selbstbewusste Neuling war, der ich nunmal war, tat ich genau das. Ich kontaktierte die Organisatoren und meldete mich freiwillig für einen Vortrag. Diese Usergroup war die PASS, die professional association for SQL Server, oder auch die Microsoft Data Selbsthilfegruppe.

Ich fing an, mich in der Deutschen PASS community zu engagieren und lernte dort eine Menge. Ich fing an, Konferenzen zu besuchen, nationale und internationale Events. Ich lernte viele der Kollegen aus aller Welt kennen, mit denen ich mich austauschen konnte. Diese Leute zu kennen, hat mich enorm weitergebracht. Während der Pandemie hat sich die globale PASS Organisation aufgelöst, der Deutsche Ableger existierte jedoch weiter und ich stieg in das Board of Directors ein (heute nennen wir uns Datamonster e.V.). Dort lernte ich die Sonnen- sowie Schattenseiten von Communities kennen, die von Freiwilligen betrieben werden.

DEN KONTAKT AUFRECHT ERHALTEN

Die Sonnenseiten wurden mir im Frühjahr 2026 bewusst, als wir unsere SQL Konferenz veranstaltet haben. Dieses Event wird vom Datamonster e.V. organisiert und hat zu Recht einen festen Platz in den Kalendern vieler internationaler Sprecher:innen und Teilnehmer:innen. Natürlich ist es ein großes Unterfangen, ein Event mit vielen Teilnehmer:innnen professionell durchzuführen. Deshalb sind wir glücklich, neben der Unterstützung von vielen anderen ehrenamtlichen Community-Mitglieder:innen ein großartiges professionelles Event-Team an unserer Seite zu haben, das die Durchführung organisiert.

Was die Konferenz (und jede andere Konferenz) für mich besonders ist ist, dass es sich immer ein wenig wie ein Klassentreffen anfühlt, dort anzukommen. Man trifft so viele Leute, die man im Laufe der Jahre kennen und schätzen gelernt hat und mit denen man sich gerne austauscht. Sprecher:innen aus aller Herren Länder kommen und teilen ihre einzigartigen Erfahrungen. Jede:r von ihnen ist bereit für den Austausch auf Augenhöhe, von allen kann man lernen und persönlich wie beruflich wachsen.

Auch heute, wo ich bei virtual7 eine weniger technische eher architektonische Rolle angenommen habe, hilft mir der Austausch mit den Mitglieder:innen der Community, zu wachsen. Ich kann von ihnen und ihren Erfahrungen lernen, daran wachsen. Ich treffe Freunde, schaffe berufliche Verbindungen und lade gleichzeitig meine Batterien im Austausch mit vielen alten und neuen Bekannten auf.

WAS KANNST DU DARAUS LERNEN?

Es ist egal, ob Du Deine Karriere gerade startest oder schon ein „alter Hase“ in Deinem Feld bist, die Community kann dir helfen. Dein Wissen wird nicht weniger, wenn Du es teilst, es wächst. Durch das Feedback anderer Menschen mit einem ähnlichen Hintergrund. Um dieses Wachstum zu erleben und euer Wissen zu erweitern, kann ich Euch nur ermutigen, zu Konferenzen zu fahren. Reicht Vorträge aus, unterhaltet euch mit Veranstaltern und anderen Vortragenden und schafft Verbindungen.

Fahrt auf Veranstaltungen wie dem Data Grillen, Data Saturdays oder der SQL Konferenz, zu Veranstaltungen von Communities wie Datamonster e.V. oder der DOAG. Wo immer es Menschen gibt, die in einem ähnlichen Bereich arbeiten wie ihr, hilft es euch, Kontakte zu knüpfen und euch zu vernetzen. Findet heraus, welche Events Newcomer-Tracks haben und reicht dafür ein, wenn ihr vorher noch nie vorgetragen habt. Ein Vortrag bei einer Konferenz, das garantiere ich euch, wird euch weiterhelfen. Ihr werdet vom Austausch und dem geteilten Wissen profitieren, lernen, wie ihr und auch Andere Resultate oder Probleme formulieren. Ein Netzwerk zu haben, das euch helfen kann und neue Konzepte und Ideen zu lernen, hilft euch beruflich in unzähligen Situationen.

Und selbst wenn ihr euch heute noch nicht traut, einen Vortrag zu halten, fahrt auf die Konferenz und meldet euch als Freiwillige. Die Arbeit als Session Monitor hilft euch, den direkten Kontakt zu den Sprecher:innen und Organisator:innen aufzubauen. Das Kredo „Connect, share, grow“ ist in der heutigen, breit gefächerten Tech-Welt wichtiger, als je zuvor. Ohne Hilfe von Anderen ist es nahezu unmöglich, die aktuellen Trends im Blick zu behalten und sich eine gute Richtung weiterzuentwickeln.

Und selbst wenn ihr verrückte Ideen habt, seid mutig und setzt sie um. Ich habe jetzt zwei mal eine Tech-Konferenz mit einem Metal-Thema veranstaltet. Es war eine verrückte Menge an Arbeit und ich war danach vollkommen erschöpft. Aber es ist einfach unglaublich erfüllend zu sehen, dass Leute zu meinem kleinen, unbedeutenden Event anreisen, sogar aus den USA. Dass die Vortragenden und Teilnehmer:innen sich auf mein Event freuen, hat mir unglaublich viel Freude, Energie und Selbstbewusstsein gegeben.

Wenn ich auf meine Karriere blicke, sehe ich die Community daher nicht als „nice to have“ sondern als festen Bestandteil meiner beruflichen Entwicklung. Ich sehe es als Teil des Systems. Die Fähigkeit, Ideen auszutauschen, die Bereitschaft, auch Feedback zu geben und nicht nur fertige Hochglanzpräsentationen zu halten und das Vertrauen in meine Fähigkeiten hat mir über die Jahre beigebracht, die Komplexität von Problemen stärker zu reduzieren, als es je ein Tool oder Framework könnte.

Communities schaffen Rückkopplungsschleifen, fördern die Resilienz und ermutigen uns, am Ball zu bleiben und nicht aufzugeben. Nicht nur im Bereich der Technologie sondern in jedem beruflichen Feld. In einem beruflichen Umfeld, dass sich so stark verändert, wie die IT das tut, ist die persönliche Infrastruktur, die ihr in der Community aufbauen könnt die beste und nachhaltigste Investition in euer berufliches Vorankommen. Und wie in meinem Fall fängt diese Investition sehr klein an: indem ihr euch entscheidet, da zu sein, etwas zu teilen und euch mit Anderen auszutauschen.

WARUM IN DIE FERNE SCHWEIFEN?

Viele Arbeitgeber bieten Formate an, um auch intern Wissen zu tauschen und ein Netzwerk aufzubauen. Bei virtual7 haben wir verschiedene Formate für den Wissensaustausch, das geht von kleinen Runden im Cluster über Cluster-übergreifende Add Value Sessions bis hin zur Conference, bei der der gemeinsame Wissensaustausch im Vordergrund steht.

MACH DIE ERSTEN SCHRITTE

Es gibt verschiedene Startpunkte, wenn ihr an einer Community teilnehmen möchtet:

Schaut auf meetup nach, denn die meisten lokalen communities haben dort Gruppen und kündigen ihre Treffen an.

Wenn es Content Creator gibt, der Blogbeiträge, Videos oder Podcasts zu Themen veröffentlicht, die eure Arbeit betrefffen, dann findet heraus bei welchen Konferenzen sie sprechen, das sind vermutlich gute Konferenzen für die Teilnahme.

Findet heraus, ob Konferenzen, die euch interessieren newcomer-tracks anbieten. Viele Konferenzen tun das heute und viele bieten neuen Sprecher:innen darüber hinaus Mentor:innen an, die sie beim ersten Vortrag begleiten. Oder sucht dedizierte Newcomer-Events wie new stars of data. Und wenn ihr nicht sprechen möchtet, meldet euch als freiwillige:r Helfer:in auf einem Event, dadurch lernt ihr viele andere Freiwillige und Sprecher:innen kennen und knüpft weitere Kontakte in der Community.

Wenn ihr an einer Konferenz oder Usergroup teilnehmt, sprecht mit den anderen Teilnehmer:innen und den Sprecher:innen.

Legt euch ein sessionize Profil an. Viele Konferenzen verwenden sessionize, um ihre Call for Speakers zu verwealten und wenn ihr ein Profil mit vorbereiteten Vorträgen habt, ist es sehr einfach, euch bei Konferenzen als Sprecher:in zu bewerben.

Findet eine:n Mentor:in in eurer Community. Viele altgediente Sprecher:innen haben Freude daran, mit neuen Sprechern:innen gemeinsam zu präsentieren oder unterstützen euch auf anderen Wegen, wenn ihr Ideen habt, die ihr teilen möchtet.

Autor Dr. Benjamin Kettner

Unter dem neuen Motto „BE THE CHANGE“ kamen Mitarbeiter:innen zusammen, um gemeinsam in die Zukunft zu blicken, voneinander zu lernen und natürlich auch zu feiern. Zwischen inspirierenden Expedition Days, bewegenden Momenten und einer großen Geburtstagsparty wurde schnell klar: Diese conference wird noch lange in Erinnerung bleiben.

Ankommen, wiedersehen und gemeinsam starten

Schon der Mittwoch stand ganz im Zeichen des Wiedersehens. Mit kühlen Getränken in der Hand, vielen herzlichen Umarmungen und jeder Menge guter Gespräche begann die conference genau so, wie sie sollte: entspannt und persönlich.

Beim gemeinsamen Abendessen unter freiem Himmel begrüßte Managing Director Jochen Rieg alle Teilnehmer:innen offiziell. Anschließend sorgten ein reichhaltiges Buffet und ein lockeres Get-together dafür, dass sich auch neue Mitarbeiter:innen schnell integrierten und bekannte Kolleg:innen dort weitermachen konnten, wo sie zuletzt aufgehört hatten.

Es wurde gelacht, erzählt und sich auf die kommenden Tage eingestimmt, bevor sich langsam alle auf ihre Zimmer verabschiedeten.

BE THE CHANGE – Der offizielle Start der Conference

Am Donnerstag ging es dann ins smartvillage Köln – eine Location, die mit ihren kreativen Räumen und ihrer besonderen Atmosphäre den perfekten Rahmen für die diesjährige conference bot.

Den offiziellen Auftakt machten die Managing Directors Marcus Weiss und Jochen Rieg. Gemeinsam begrüßten sie alle Teilnehmer:innen, stellten neue Mitarbeiter:innen vor und blickten auf die Entstehungsgeschichte von virtual7 zurück.

Besonders im Mittelpunkt stand dabei das Motto:

BE THE CHANGE

Ein Motto, das nicht nur Veränderungen beschreibt, sondern dazu aufruft, sie selbst aktiv mitzugestalten – für Kunden, Kolleg:innen und virtual7.

Expedition Days – Wissen teilen, voneinander lernen

Nach dem Opening begann der fachliche Teil der conference: die Expedition Days.

In insgesamt acht unterschiedlichen Räumen wurden die Teilnehmer:innen auf unterschiedliche Expeditionen aufgeteilt. Ob Insights, Best Practices, Zukunftsthemen oder persönliche Weiterentwicklung – die Sessions boten für jede:n spannende Einblicke.

Dabei stand nicht nur die Wissensvermittlung im Vordergrund. Die Expedition Days lebten vor allem vom Austausch. Es wurde diskutiert, hinterfragt, ausprobiert und gemeinsam weitergedacht – ganz im Sinne unseres Mottos.

30 Jahre virtual7 – Ein Jubiläum voller Emotionen

2026 markiert einen ganz besonderen Meilenstein in der Unternehmensgeschichte: 30 Jahre virtual7. Den Auftakt der Feierlichkeiten bildete eine Überraschung, die wohl niemand so schnell vergessen wird.

Per Grußbotschaft gratulierten Familienangehörige der Geschäftsführer zum Jubiläum und blickten auf die Anfänge des Unternehmens zurück. Ein Moment, der viele berührte und zeigte, wie viel Geschichte, Leidenschaft und persönliches Engagement hinter virtual7 stecken.

Direkt im Anschluss wartete bereits das nächste Highlight:

Eine imposante, dreistöckige Geburtstagstorte – jede Etage stand für ein Jahrzehnt Unternehmensgeschichte und trug die jeweiligen Logos der vergangenen Jahre. Unter großem Jubel wurde die Torte angeschnitten und damit der offizielle Startschuss für die Jubiläumsfeier gegeben.

Passend dazu erhielt jede:r Teilnehmer:in eine Goodie Bag mit allem, was für eine gelungene Geburtstagsparty nötig war – stilecht im 90er-Jahre-Look als Hommage an das Gründungsjahr von virtual7.

Erst Quiz, dann Party – und was für eine!

Bevor die Tanzfläche eröffnet wurde, wartete noch eine gemeinsame Runde Jeopardy auf alle Teilnehmer:innen. Mit viel Ehrgeiz, Teamgeist und jeder Menge Gelächter wurde gerätselt und mitgefiebert.

Danach hieß es: Bühne frei.

Die Pink Panta Band sorgte mit rund zwei Stunden Live-Musik für beste Stimmung und verwandelte die Location in eine große Geburtstagsparty. Es wurde getanzt, mitgesungen und gefeiert – genau so, wie ein 30-jähriges Jubiläum gefeiert werden sollte. Wer zwischendurch einen Blick auf das aktuelle Fußballgeschehen werfen wollte, konnte das parallel beim Public Viewing auf großer Leinwand tun. So mussten Fußballfans trotz Feier nichts verpassen.

Und als die Band ihre Instrumente schließlich einpackte, war noch lange nicht Schluss. Unsere virtual7 DJs übernahmen das Mischpult und sorgten bis tief in die Nacht dafür, dass die Tanzfläche durchgehend gefüllt blieb.

Gemeinsam zurückblicken und nach vorne schauen

Der Freitag begann mit einem gemeinsamen Rückblick auf die vergangenen Tage und es folgte das Company Update. Hier wurden aktuelle Entwicklungen, Ausblicke und strategische Themen vorgestellt und allen Mitarbeiter:innen ein Einblick gegeben, wohin die Reise von virtual7 in den kommenden Monaten geht.

Ein weiterer Höhepunkt war die Ehrung unserer Jubilar:innen und die Auszeichnung zahlreicher Beförderungen.

Unter großem Applaus wurden Kolleg:innen für ihr langjähriges Engagement und ihre Leistungen gefeiert – ein schöner Moment, der einmal mehr zeigte, wie sehr Wertschätzung zur Unternehmenskultur von virtual7 gehört.

Zum Abschluss galt der Dank allen, die diese conference möglich gemacht haben: dem Organisationsteam, den zahlreichen Helfer:innen hinter den Kulissen sowie allen Beteiligten, die mit viel Herzblut zum Gelingen beigetragen haben.

Ein Kompliment, das bleibt

Auch das Team des smartvillage Köln zog am Ende ein Fazit – und dieses hätte kaum schöner ausfallen können.

Besonders hervorgehoben wurden die entspannte Atmosphäre, der respektvolle Umgang miteinander und die positive Stimmung während der gesamten Veranstaltung. Ein herzliches Dankeschön richtete das smartvillage-Team an virtual7 – mit den Worten, was für großartige Gäste wir gewesen seien.

Ein Kompliment, das wir gerne zurückgeben!

Mit vielen neuen Ideen, frischer Motivation und unvergesslichen Erinnerungen im Gepäck geht es nun zurück in den Arbeitsalltag.

SAFe – das Scaled Agile Framework – und seine Grenzen

Für große Organisationen wirkt SAFe oft wie das Versprechen, das gesamte Unternehmen unter einem agilen Betriebsmodell zu einen. Es erweitert agile Prinzipien um Ebenen für Koordination, Planung und Governance, die Scrum‑ähnliche Muster auf anderen Zeithorizonten und Abstraktionsebenen einsetzen. Ziel ist, Scrum‑Vorteile auf Enterprise‑Ebene zu übertragen, insbesondere Kundenorientierung, eingebaute Qualität, Transparenz und Lean‑Denken.

SAFe etabliert feste Rhythmen für Planung, Synchronisation und Reflexion, damit Mitarbeitende ein gemeinsames Verständnis von Unternehmens‑ und Produktzielen entwickeln. Das ist die Theorie. In der Praxis hängt der Erfolg wie bei Scrum stark von den Menschen ab, die es vorantreiben. Entwickler sind meist durch das Erstellen und Ausliefern von Software motiviert, nicht durch Zeremonien. Scrum Master, Product Owner und technische Führung müssen daher Rahmen schaffen, in denen Events sinnvoll sind und Teams sich engagieren.

Mit guter Führung funktioniert das sehr gut; ohne sie degeneriert agiles Vorgehen leicht zu einer Abfolge wertarmer Meetings. In ein bis zwei Teams reichen wenige Prozess‑Treiber. Mit wachsender Organisation entstehen jedoch oft Silos oder Prozessverfall. SAFe‑Szenarien mit Agile Release Trains (ARTs) – typischerweise etwa 10 Teams oder mehr – bringen zusätzliche, großskalige Events (z. B. PI Planning mit mehr als 100 Teilnehmenden). Damit Entwickler in solchen Settings fokussiert bleiben, sind erfahrene Moderation und klare Kommunikation nötig, damit jede:r den eigenen Beitrag als relevant erlebt.

SAFe in regulierten Umgebungen

Große Organisationen haben daüber hinaus meist bestehende Prozesse, teils aus regulatorischen Gründen, teils aber auch nur historisch gewachsen. Der Einsatz des SAFe Frameworks ist für solche Unternehmen ist nicht ausgeschlossen, verlangt aber oft erhebliches Tailoring von SAFe oder einen hybriden Ansatz zwischen SAFe und den existierenden Prozessen. Entscheidend ist: Auf Team‑Ebene ist die konkrete Entwicklungsmethodik oft zweitrangig; wichtiger ist, dass Teams auf Portfolio‑/PI‑Ebene im vorgegebenen Takt liefern und reagieren können. ARTs und PIs sind eine Abstraktionsebene über der täglichen Engineering‑Arbeit. Definiert man klare Schnittstellen, dann kann SAFe neben alternativen Teamprozessen bestehen.

Ein konkretes Beispiel ist das V‑Modell XT, das in regulierten deutschen Behörden weit verbreitet ist. Im V‑Modell XT steht das „XT“ für eXtreme Tailoring. Die Kernidee ist, das klassische V‑Modell neu zu denken, indem der Fokus von Aktivitäten hin zu klar definierten Produkten verschoben wird, jeweils mit expliziter Struktur und Qualitätskriterien. Wesentlich ist, dass das V‑Modell XT ausdrücklich auf Anpassbarkeit ausgelegt ist. Diese Flexibilität macht es – innerhalb gewisser Grenzen – kompatibel mit iterativen und sogar Scrum‑basierten Ansätzen. Noch wichtiger: V‑Modell XT bejaht Veränderung und Iteration über den gesamten Entwicklungszyklus hinweg. Diese Eigenschaften machen es zu einem praktikablen Kandidaten für Organisationen, die SAFe in regulierten Umgebungen einführen möchten. Dennoch erfordert das Zusammenwirken beider Frameworks sorgfältige Betrachtung.

Wie man das Beste aus beiden Welten bekommt

1. Klare Verantwortungsgrenzen:

– SAFe regelt Finanzierung, Kadenz, Koordination und Transparenz auf Enterprise‑Ebene.

– V‑Modell XT regelt Engineering, Verifikation, Compliance auf Team‑/Projektschicht.

2. Tailoring:

Beide Frameworks müssen an den Kontext angepasst werden. Ein praktikabler Hybrid entsteht iterativ durch Anpassung und Feedback.

3. Inkrement‑Definition:

SAFe sieht Inkremente als potenziell auslieferbaren Wert; V‑Modell XT definiert Inkremente als verifizierten, dokumentierten Produktzustand. Praktisch heißt das: Stakeholder müssen kleinere, dafür vollständig verifizierte Inkremente akzeptieren; Teams müssen diese so dimensionieren, dass sie in SAFe‑Cadences passen.

4. Planung und Commitment neu denken:

Story‑Points‑Velocity reicht nicht mehr allein. Planung sollte sich an Anforderungsabdeckung, Testspezifikationen und Verifikationsergebnissen orientieren. Teams verpflichten sich zur Lieferung einer verifizierbaren Funktionalität statt zu „x Story Points“.

5. Traceability und Compliance:

Testberichte, Akzeptanzkriterien und Trace‑Matrizen müssen in SAFe‑Planung, PI‑Reviews und Artefakte einfließen, um Compliance nachzuweisen.

6. Moderation und Führung:

Große Zeremonien benötigen erfahrene Facilitation, damit sie motivierend, fokussiert und entscheidungsorientiert bleiben.

7. Zombie‑SAFe vermeiden:

Gefahr ist, SAFe‑Begriffe zu nutzen, ohne inspect‑and‑adapt, gemeinsame Planung und echtes Commitment zu leben. Das Risiko verbaler Agilitätsbekundungen existiert auch in kleinen Scrum‑Teams; kontinuierliche Reflexion und Führung sind zentral.

8. Iteratives Vorgehen:

Ein Hybridmodell reift über mehrere Zyklen. Messen, Feedback einholen und schrittweise anpassen.

Die LLM‑Revolution

Mit ChatGPT wurde „LLM“ zum Buzzword. Jede:r IT‑nahe Manager:in träumte plötzlich von einem Chatbot, der Geschäftsprobleme behebt. Doch „LLM“ fasst verschiedenste Modellfamilien und Deployment‑Muster zusammen, die in Fähigkeiten und Risiken stark variieren. Wichtige Unterscheidungen sind etwa: Basismodelle vs. instruction‑tuned Modelle; Retrieval‑augmented Systeme (RAG/Plugins) vs. geschlossene Generatoren; für Domänen feinjustierte Modelle vs. allgemein verfügbare; multimodale vs. text‑only Modelle.

Safety‑Filter, Kontextfenster und Deployment‑Kontrollen verändern das Verhalten zusätzlich. Jede Wahl beeinflusst Halluzinationsraten, Bias‑Muster, Datenschutzrisiken und Eignung für konkrete Anwendungsfälle. Eine pauschale Behandlung von LLMs führt zu falschen Annahmen über Zuverlässigkeit und Governance. Ein Risiko‑Assessment sollte Architektur, Trainings‑ und Fine‑Tuning‑Historie, Augmentierungen und Einsatzkontrollen berücksichtigen.

Worauf die Unterschiede Einfluss haben

– Retrieval‑augmented Systeme: verankern Antworten in Dokumenten und reduzieren Halluzination, öffnen aber neue Angriffsflächen (z. B. poisoned retrieval).

– Instruction‑tuning vs. Basis‑Transformer: reduziert irrelevantem Output, erhöht Nützlichkeit.

– Domänen‑Fine‑Tuning: besser für spezifische Aufgaben, kann aber Bias verstärken.

– Closed vs. Open: kommerzielle APIs bieten oft Monitoring/Safety; offene Gewichte erlauben On‑Prem, erfordern aber eigene Guardrails.

Vom Modegag zum Werkzeug und zurück?

Trotz der Differenzen sah man schnell: „Unsere Conversion ist niedrig? Dann integrieren wir ChatGPT in den Vertrieb.“ Diese Versuch‑und‑Irrtum‑Mentalität führte zu Übernutzung: Chatbots sollen nun alles lösen. Weltfrieden? ChatGPT! Hunger? ChatGPT! Das ist natürlich absurd, aber symptomatisch für die Überschätzung.

Gängige Einsatzfelder Beliebte Anwendungsfälle von Chat‑Model‑Nutzer:innen:

– Programmierung & Debugging

– Bildung & Hausaufgabenhilfe

– Schreiben & Umformulieren (E‑Mails, Essays, CVs)

– Übersetzung

– Allgemeinwissen & Erklärungen

– Datenanalyse & Tabellen

– Kreatives Schreiben

– Karriereberatung

– Mathematikaufgaben

– Produktivität / Zusammenfassungen

Viele dieser Aufgaben sind im Wesentlichen Textproduktion unter Restriktionen — hier glänzen LLMs. Bei Wissens‑ oder Mathematikfragen helfen sie oft, weil die Lösungen in Trainingsdaten vorkommen. Schwieriger wird es bei kreativem oder neuem Problemlösen (z. B. originelle Programmierlösungen): das Modell „simuliert“ Verständnis, indem es gelernte Muster anwendet. Bei kreativer Sprache ist das tolerierbar; bei Code oder Prozessen ist Präzision, Reihenfolge und Annahmen entscheidend — hier sind plausible, aber falsche Outputs gefährlich.

Halluzination und Vertrauensprobleme

LLMs synthetisieren aus Trainingsdaten. Eine generische Aufforderung wie „Schreibe einen Login‑Screen in React“ liefert meist brauchbare Ergebnisse, weil viele Beispiele existieren. „Schreibe einen Screen zum Verwalten meiner Assets“ dagegen erfordert Verständnis: welche Assets, welche Hierarchien, welche Aktionen? Ein Mensch würde nachfragen; ein LLM neigt dazu, typische Annahmen zu treffen und Ergebnisse zu liefern, ohne diese Annahmen offenzulegen.

Das Phänomen nennt sich Halluzination: bei Unsicherheit erfindet das Modell Fakten statt seine Unsicherheit anzuerkennen, weil es darauf trainiert ist, plausible Textfortsetzungen zu liefern. Das ist in manchen Kontexten harmlos (Geschichten, Zusammenfassungen), in anderen (Recht, Medizin, Produktion) potenziell katastrophal. Für Entwickler sind erfundene Funktionsaufrufe oder vergessene Implementationen besonders frustrierend. LLMs simulieren Verständnis, erkennen aber nicht ihre eigenen Lücken.

Im Modell verankert Bias ist ein zentrales Problem: LLM‑Ausgaben spiegeln Trainingsdaten wider. Wären im Internet fast nur Bilder weiblicher Ärzt:innen, würde das Modell bei der Bildgenerierung überwiegend Frauen zeigen, unabhängig von Realweltanteilen. Quellen des Bias sind u. a.:

Historischer Bias: ältere, dominierende Sichtweisen sind in Trainingsdaten überrepräsentiert.

Repräsentationsbias: schlecht repräsentierte Gruppen/Standpunkte erscheinen seltener.

Mess‑/Modellierungsbias: Gewichtungen und Feature‑Behandlungen sind oft intransparent, da Modelle Black‑Boxes sind.

Bias lässt sich adressieren, aber es ist komplex und erfordert gezielte Maßnahmen (Datenkuratierung, Debiasing, menschliche Überprüfung). Siehe die BSI‑Whitepaper und Mehrabi et al. für Vertiefung.

Folgen & weitere Risiken

Schon mit Halluzination und Bias ist klar: LLMs müssen mit Vorsicht eingesetzt werden. Dazu kommen Ethik‑ und Datenschutzfragen. Entwickler teilen mitunter ganze Arbeitsumgebungen mit Drittanbieter‑Modellen, ohne zu wissen, wo Daten landen oder ob sie geschützt sind, ist ein erhebliches Risiko (vgl. Arbeiten zu Datenextraktion aus LLMs).

Explainability hilft Forschern und Auditoren, aber die meisten XAI‑Artefakte sind für den Alltagsnutzer schwer interpretierbar und können trügerische Sicherheit erzeugen. Statt technischer Artefakte brauchen wir nutzernahe Signale: kalibrierte Konfidenzen, Quellenangaben, klare Fehlermodi und verpflichtende menschliche Überprüfung in kritischen Fällen.

Kurz: Menschen nutzen LLMs oft ohne ausreichendes Verständnis ihrer Funktionsweise oder Grenzen das ist riskant in professionellen Kontexten. Evaluationen wie Accuracy, Precision oder Recall sind oft bedeutungslos für offene Generierung ohne task‑spezifische Instrumentierung.

Handlungsorientierte Checkliste -verantwortungsvoller KI-Einsatz

– Scope & Stakes definieren: Klassifizieren in niedrig/mittel/hoch. Für mittel/hoch: menschliche Prüfung und Sign‑offs.

– Modell & Deployment passend wählen: Instruction‑tuned/RAG/Fine‑tuned für Fakten; privat/on‑prem bei sensiblen Daten; prüfen Vendor‑Daten‑Policies.

– Erfolgskriterien festlegen: automatisierte Task‑Metriken plus menschliche Rubriken; tracke Halluzinationsrate und Kalibrierung.

– Outputs verankern & Provenienz zeigen: RAG, Zitate, Snippets, Zeitstempel.

– Prompt defensiv gestalten: Templates, die Annahmen, Quellen und Unsicherheit verlangen; klare Sanity‑Checks („Wenn unsicher: ‚Ich weiß es nicht — verifizieren Sie mit X‘“).

– Systematisch validieren: Unit‑Tests, Schema‑Validatoren, QA‑Factchecks; menschliche Audits vor Skalierung.

– Produktion überwachen: Logs von Prompt/Response/Modellversion; Metriken zu Fehlern, Halluzinationen, Nutzereingriffen; Alerting bei Abweichungen.

– Datenhygiene & Privacy durchsetzen: Keine Secrets/PII an externe APIs ohne Freigabe; client‑seitiges Redacting; Least‑Privilege; Retention‑Policies.

– Guardrails & Sicherheitslayer implementieren: Input/Output‑Filtering, Weigerungsregeln, Rate‑Limits, Eskalation zu Menschen bei Risiko.

– UX für Unsicherheit designen: sichtbare Kalibrierung, Quellen, einfache Verifikation und Eskalation.

– Nutzer schulen & Ownership definieren: rollenspezifische Leitfäden; Verantwortliche für Produkt, Security, Recht.

– Incident‑Response vorbereiten: Runbooks für Untersuchung, Rollback, Benachrichtigung, Remediation.

– Audit, Iteration & Changelog: Periodische Bias‑/Safety‑Audits; Re‑Evaluation nach Änderungen; Dokumentation von Modell‑ und Prompt‑Versionen.

Faustregel: Behandle LLMs als wirkungsvolle Assistenten, die Arbeit beschleunigen, aber menschliche Aufsicht, verantwortliche Ownership und Governance brauchen, damit Outputs vertrauenswürdig werden. Weitere Fachartikel gibt es bei virtual7.

Die folgenden Abschnitte beschreiben die verschiedenen Metadaten-Arten, die bei der Umsetzung von Data Governance verwendet werden. Ich benutze die Terminologie des DAMA DMBOK, um nachfolgende Recherche zu erleichtern. Wir betrachten die zehn Knowledge Areas (Data Governance als elfte Area lasse ich bewusst außen vor) und zeigen, wie sie mit Data Governance interagieren und welche Metadaten in den jeweiligen Bereichen entstehen oder benötigt werden.

1. DATEN-ARCHITEKTUR

Die Daten-Architektur beschäftigt sich mit Design und Pflege von Datenstrukturen, Taxonomien, Domänenmodellen und Rahmenwerken, die die Geschäftsstrategie stützen.

Warum das wichtig ist: Governance beginnt mit dem Verständnis des „Warum“. Es ist wichtig, aus rechtlicher und fachlicher Sicht zu wissen, warum bestimmte Daten erhoben und gespeichert werden.

Diese Begründungen (Business Rules, Compliance-Anforderungen, Aufbewahrungsfristen) sind selbst Metadaten, die Governance-Prozesse steuern. Architektur liefert das konzeptionelle Vokabular, die Domänenaufteilung und die Grundannahmen, auf denen alle weiteren Regeln aufbauen.

2. DATA MODELING AND DESIGN

Modellierung erstellt die konkreten Repräsentationen der Daten — logische und physische Modelle, Normalisierungsentscheidungen, Attributdefinitionen.

Warum das wichtig ist: Modellierung beschreibt das „Wie“ der Speicherung und stellt sicher, dass Daten in einer Weise strukturiert sind, die Governance-Anforderungen abbildet.

Metadaten hier sind Feldbeschreibungen, Datentypen, Kardinalitäten, Validierungsregeln und Beziehungen. Diese Informationen sind nötig, damit Datenverantwortliche wissen, welche Regeln wo greifen. Die Architektur gibt die Leitplanken (Namen, Referenzmodelle), Modellierung füllt sie mit Details und identifiziert praktische Probleme, die ggf. Auswirkungen auf die Architektur haben.

3. DATA STORAGE AND OPERATIONS

Hier geht es um die technische Plattform: Datenbanken, Data Lakes, Blob-Storage, Backup-Strategien, Retention-Mechanismen und Betriebsprozesse.

Warum das wichtig ist: Das „Wo“ beeinflusst, welche Sicherheits- und Qualitätsmaßnahmen technisch durchsetzbar sind. Standort, Cloud/On-Premise-Entscheidungen, Partitionierung und Replikation sind Metadaten, die Governance beeinflussen, etwa wenn Datenschutz- oder Residency-Vorgaben einzuhalten sind.

Auch Operational-Metadaten wie Zugriffsprotokolle, Storage-Klassen oder Backup-Frequenzen sind wichtig für Audit und Kontrolle.

4. DATA SECURITY

Datensicherheit umfasst Richtlinien, Zugriffsmodelle, Verschlüsselung, Masking, Rollen und Verantwortlichkeiten — konzeptionell, modell- und technisch.

Warum das wichtig ist: Sicherheitsanforderungen sind oft der Haupttreiber für Governance. Metadaten dazu sind Klassifizierungen (z. B. vertraulich, öffentlich), Zugriffsrechte, Verschlüsselungsstatus, Masking-Level und Audit-Logs.

Governance-Prozesse müssen diese Metadaten nutzen, um Berechtigungen, Datenzugriffe und Compliance nachzuweisen. Konzeptionelle Regeln (z. B. DSGVO-Anforderungen) werden zu technischen Controls (z. B. Verschlüsselung, RBAC), die wiederum als Metadaten im System dokumentiert und überwacht werden müssen.

5. DATA INTEGRATION AND INTEROPERABILITY

Integration und Interoperabilität sorgen dafür, dass Systeme miteinander reden, hierbei geht es um APIs, ETL/ELT-Prozesse, Messaging und Datenformate.

Warum das wichtig ist: Wenn du die Integrationsflüsse nicht kennst, hast du blinde Flecken. Metadaten hier umfassen Schnittstellendefinitionen, API-Kataloge, Übertragungsformate, Zeitstempel, Transformationsregeln und Fehlerbehandlungsstrategien.

Diese Informationen sind zentral, damit Governance weiß, welche Daten wohin laufen, wie sie transformiert werden und wo Qualitäts- oder Sicherheitsprobleme entstehen können. Modellierung definiert die Schnittstellen-Semantik; die technische Ebene implementiert und überwacht die Flüsse. Beide liefern Metadaten für die Governance.

6. REFERENCE AND MASTER DATA MANAGEMENT

MDM und Referenzdaten schaffen eine „Single Source of Truth“ für Kernobjekte wie Kunden, Produkte, Lieferanten.

Warum das wichtig ist: Konsistente Masterdaten sind Voraussetzung für verlässliche Berichte und Prozesse.

Metadaten sind Hierarchien, gültige Werte, Mapping-Tabellen, Versionierung und Provenienzinformationen. Governance nutzt diese Metadaten, um Konflikte zu lösen, Dubletten zu erkennen und Verantwortlichkeiten zuzuweisen. Ohne MDM-Metadaten bleibt Data Governance in vielen Fällen ineffektiv, weil unterschiedliche Einheiten unterschiedliche „Wahrheiten“ leben.

7. DATA WAREHOUSING AND BUSINESS INTELLIGENCE

Data Warehouses und BI-Lösungen konsolidieren Daten und liefern Berichte, Dashboards und KPIs — sie machen Governance-Ergebnisse sichtbar.

Warum das wichtig ist: Das Warehouse ist häufig der Ort, an dem Datenqualität und Governance-Maßnahmen bewertet werden.

Metadaten hier sind Datenlinien, Qualitätskennzahlen, Berichtdefinitionen und Datenverantwortliche. BI-Reports zeigen Stakeholdern den Zustand der Datenlandschaft und sind somit ein wichtiges Kommunikationsmittel für Governance. Es ist sinnvoll, die vorhandene Reporting-Infrastruktur zu verwenden, statt separate Mechanismen nur für Governance aufzubauen.

8. METADATA MANAGEMENT

Metadatenmanagement ist zentral: Business-Glossar, Data Dictionary, Data Lineage, technische Metadaten und Policies.

Warum das wichtig ist: Governance lebt von Verständlichkeit. Metadaten erklären Bedeutung, Herkunft und Transformationen von Daten. Ohne gute Metadaten fehlen die Grundlagen für Verantwortlichkeiten, Entscheidungen und Audits.

Bestandteile des Metadata Management:

Informationsmodellierung für die Übersetzung von Geschäftsbegriffen in Datenkonzepte.

Data Dictionary zur Definition von Feldern, Formaten und Regeln.

Data Lineage zur Nachverfolgung von Datenflüssen und Transformationen. Diese Elemente sind das Rückgrat vieler Governance-Prozesse.

9. DATA QUALITY MANAGEMENT

Datenqualität sichert Korrektheit, Vollständigkeit, Konsistenz und Aktualität.

Warum das wichtig ist: Datenqualität ist ein Werttreiber. Metadaten hierzu sind Qualitätsdimensionen, Metriken, SLAs, Fehlerklassifizierungen und Korrekturmaßnahmen.

Governance definiert, welche Qualitätsniveaus notwendig sind, und nutzt diese Metadaten zur Überwachung und Verbesserung. Datenqualität verbindet Modellierung (Definition von Qualitätsanforderungen) mit technischer Umsetzung (Monitoring, Cleansing, Validierung).

10. DOCUMENTS AND CONTENT MANAGEMENT

Unstrukturierte Daten: Dokumente, E-Mails, Multimedia. Ich behandle sie nicht separat, weil Governance strukturierte und unstrukturierte Daten gleichermaßen umfassen sollte.

DAS GANZE ZUSAMMENFÜGEN

Wenn du die anderen zehn Bereiche integrierst und pflegst, entsteht Data Governance als organisatorisches Ergebnis, also die Rollen, Zuständigkeiten, Prozesse und Kontrollen, die nötig sind, um Daten als wertvolles Asset zu managen. Ich habe Data Governance selbst bewusst nicht als eigenen Baustein beschrieben, weil es das Ergebnis der Integration der anderen Disziplinen ist.

WAS MAN PRAKTISCH GEWINNT

Wenn die Bausteine stimmen, entstehen greifbare Vorteile:

Business-Metadaten erhöhen Verständnis und reduzieren wiederkehrende Klärungen.

Technische Metadaten helfen, Daten korrekt zu finden und zu nutzen.

Operationale Metadaten zeigen, wie Daten in Prozessen verwendet werden.

Strukturelle Metadaten ermöglichen tiefere Analysen und Erkenntnisse.

Referenz- und Stammdaten schaffen eine gemeinsame Sprache und reduzieren Inkonsistenzen.

Kurz: Ein abgestimmtes Zusammenspiel von Menschen, Prozessen und Systemen, das persönliche „Data-Zen“.

Realistisch bleiben

Das ist das optimistische Zielbild. Data Governance löst jedoch nicht sofort alle Probleme. Organisatorische Widerstände, technische Altlasten, uneinheitliche Verantwortlichkeiten und menschliche Fehler bleiben Herausforderungen. Was ich skizziert habe, ist der „Happy Path“: ein Leitbild, kein Versprechen. Trotzdem ist ein klares Zielbild nützlich, um Prioritäten zu setzen und Fortschritt messbar zu machen. Bei vielen unserer Kunden der öffentlichen Verwaltung ist dieses Zielbild auch durch den Gesetzgeber gegeben, allerdings stehen gerade große Organisationen im öffentlichen Sektor vor speziellen Herausforderungen bei der Umsetzung.

Im abschließenden Artikel der Serie bespreche ich, welche organisatorischen Veränderungen nötig sind, welche Rollen benötigt werden (z. B. Data Owner, Data Stewards, Data Custodians) und wie der Start in Richtung Data Governance praktisch aussehen kann.

Autor Dr. Benjamin Kettner 

Der Mythos

Stellen Sie sich eine Raffinerie vor, die wissentlich verschmutztes Rohöl verarbeitet, das Produkt verwässert oder Leckagen hinnimmt. Oder eine Raffinerie, die ihr Öl kostenlos an Dritte gibt, nur weil diese versprechen, daraus Gold zu machen. Genau dieses Verhalten beobachten wir in vielen Unternehmen beim Umgang mit Daten: Daten werden verschmutzt, gehen verloren oder werden unkontrolliert weitergegeben – oft im Glauben, KI würde danach alles richten.

Solche Versprechen platzen regelmäßig, nicht nur bei kleinen Startups. Im Februar 2023 lieferte Googles Bard‑Demo eine faktisch falsche Aussage zur Geschichte der Exoplanetenfotografie; der Fehler führte zu spürbaren Kursreaktionen bei Alphabet (siehe CNN). Kleinere Fehler wie dieser können bei kundenseitigen Anwendungen erheblichen Schaden anrichten.

Die Folgen? Entscheider denken dann oft: „Wir dürfen diese KI‑Tools nicht einsetzen, bevor wir die Datenqualität geprüft haben.“ Das ist richtig – aber die übliche Reaktion bleibt zu häufig die Einführung eines weiteren Tools, statt strukturelle Ursachen anzugehen.

Manifestationen

Ein konkretes Beispiel: Bei einem Kunden existierten mehrere ERP‑ und CRM‑Systeme in verschiedenen Geschäftsbereichen ohne Synchronisation. Derselbe Endkunde war mehrfach mit unterschiedlichen IDs in den Systemen vorhanden. Versucht man nun, mittels Machine‑Learning ein einheitliches Kundenverhalten zu ermitteln, sieht das Modell denselben Menschen als verschiedene Kunden. Ergebnis: verfälschte Analysen und fehlerhafte Entscheidungen.

Die Regel gilt universell: schlechte Eingabedaten führen zu schlechten Modellen oder Berichten. Tools wie Microsoft Purview oder Informatica helfen, Datenflüsse sichtbar zu machen und Fehler zu finden. Sie lösen jedoch nicht das zugrundeliegende Problem. Wenn ein Eingabeformular Buchstaben in Telefonnummern erlaubt, werden Benutzer Buchstaben eingeben. Kein nachgeschaltetes Tool repariert das, nur eine Änderung im Frontend verhindert das Problem dauerhaft.

Als IT‑Profis sind wir naturgemäß „tool‑getrieben“. Werkzeuge lösen viele Probleme schnell. Das erzeugt Befriedigung und führt dazu, für das nächste Problem wieder ein Tool heranzuziehen. Doch häufig bleibt der eigentliche Hebel unberührt: die Prozess‑ und Organisationsursache.

Sinkende Umsätze können an schlechten Entscheidungen liegen – oder daran, dass Berichte falsche Daten zeigen oder die Daten in den Berichten falsch interpretiert werden. Statt die Ursache der fehlerhaften Datenerfassung zu beseitigen, patchen wir die Daten in ETL‑Prozessen. Warum? Weil es leichter ist, einen Datentransformations-Prozess anzupassen als gelebte Arbeitsweisen, Verantwortlichkeiten oder veraltete Benutzeroberflächen zu ändern.

Ursachen

Hier kommt Data Governance ins Spiel. Nicht als weiteres Tool, sondern als Antwort auf strukturelle Ursachen. Je länger fehlerhafte Prozesse bestehen, desto schwieriger und teurer wird ihre Änderung. Wer Daten sicher und verantwortlich nutzen will, braucht nicht nur technische Lösungen, sondern neue Abläufe zur Überwachung und Behebung von Datenproblemen und klare Verantwortlichkeiten entlang des gesamten Daten‑Lebenszyklus.

Konkrete Maßnahmen reichen von einfachen UI‑Änderungen bis hin zur Neuzuteilung von Verantwortlichkeiten über Organisationsgrenzen hinweg. Kurz: Fix the process, not just the data. Den Prozess am Anfang der Wertschöpfungskette zu reparieren ist immer besser als schlechte Datenqualität später in der Wertschöpfungskette zu reparieren.

Risiken über Qualität hinaus

Daten ungeklärter Herkunft bergen nicht nur Qualitätsrisiken, sondern auch rechtliche und Reputationsrisiken. 2023 berichtete Reuters über Klagen, die OpenAI und andere Unternehmen beschuldigen, Modelle mit urheberrechtlich geschütztem Material trainiert zu haben. Das ist ein gutes Beispiel dafür, dass ungeprüfte Trainingsdaten zu rechtlichen Problemen führen können.

Solche Fälle zeigen, dass Governance nicht bei der Datenerfassung aufhört: Sie muss jede Stelle adressieren, die Daten verarbeitet, verändert, teilt oder weiterverwendet — inklusive externer Lieferanten und Trainingsdaten für KI.

Ein Anfang

Dieser Artikel ist der Auftakt einer kurzen Serie zu Data Governance bei virtual7 aus organisatorischer Perspektive. Mein Appell: Warten Sie nicht. Fangen Sie heute an, Ihre Datenqualität und -prozesse zu prüfen:

Dokumentieren Sie, welche Daten wo entstehen, wie sie transformiert und wo sie genutzt werden.

Finden Sie die Ursachen wiederkehrender Fehler (z. B. missverständliche Formulare, fehlende Validierung, unklare Verantwortlichkeiten).

Bilden Sie ein Team aus Stakeholdern, das Verantwortung für Datenqualität übernimmt.

Legen Sie einfache, konkrete Maßnahmen fest: Frontend‑Validierungen, eindeutige IDs, Verantwortlichkeiten, SLAs für Datenqualität.

Autor Dr. Benjamin Kettner 

Ursachen finden

Das „Datenproblem“ kann viele Quellen haben:

• Erfassung: Regeln fehlen technisch, Daten werden inkonsistent erfasst (z. B. „DE“, „Ger“, „Germany“).
• Bewegung/Transformation: Fehler in ETL (falsche Joins) oder Spaltenmissbrauch (Telefonnummer in address2).
• Semantik: Begriffe werden unterschiedlich verstanden (z. B. „Unit“).
• Drift: System‑Upgrades verändern Felder; vormals vorhandene Werte gehen verloren.
• Konsum: Der Bericht beantwortet nicht die gestellte Frage.

Einheitliche Behandlungen aller Ursachen scheitern; jede Ursache braucht eine passende Lösung.

Symptompatches im Data Warehouse

Überlebende Entwickler:innen kehren oft frustriert von der Expedition im Datenschungel zurück zurück: Mehr Probleme aufgedeckt, Bericht wird im Warehouse nur so korrigiert, dass er „richtig aussieht“. Solche kurzfristigen Patches brechen zwar akute Konflikte, skalieren aber nicht. Data Governance durchbricht diesen Zyklus, weil sie Daten als unternehmensweiten Vermögenswert behandelt: Quellen werden verbessert, Bedeutungen dokumentiert und Verantwortliche benannt.

Der richtige Ansatz

Viele Probleme lassen sich kurzfristig in ETL lösen. Wenn Sie jedoch Systeme integrieren und die Organisation digitalisieren wollen, greifen Patches zu kurz: Drift und semantische Unterschiede wirken sich dann weitreichend aus. Das führt zu einem Wandel: Weg von bottom‑up‑Ad‑hoc‑Fixes hin zu einem top‑down‑Ansatz, in dem Daten zentrale Assets sind und Qualität zur organisatorischen Aufgabe wird. Quellen müssen korrigiert, Interpretation dokumentiert und Ownership definiert sein — das ist der Beginn der Data‑Governance‑Reise.

Der richtige Ansatz richtet sich an den strategischen Zielen des Unternehmens aus. Wer wirklich datengetrieben werden will, definiert konkrete, realistische Ziele: welche Prozesse und Datenbereiche zuerst, mit welchem Zeithorizont. Besser: zentrale Kernprozesse in 1–2 Jahren dokumentieren und integrieren, statt perfekte Daten überall zu fordern.

Kurzstarter‑Checkliste (3 Schritte)

    Wähle einen kritischen Prozess und kartiere die Hauptdatenquellen.

    Dokumentiere 5–10 zentrale Definitionen für diesen Bereich und notiere die Verantwortlichen.

    Bestimme eine(n) Data Steward und miss zwei einfache Erfolgskennzahlen über 6 Monate (z. B. Anteil regelkonformer Datensätze, Anzahl gemeldeter Vorfälle).

Nächster Artikel

Im nächsten Beitrag bespreche ich verschiedene Datenarten innerhalb einer Organisation und wie sie bei Data Governance zusammenspielen.

Autor: Benjamin Kettner

Nach einer kurzen, spielerischen Kennenlernrunde erhielten die „Girls“ zunächst einen Einblick in das Unternehmen und seine Aufgabenfelder. Im Anschluss folgte ein praktischer Teil: Die Schülerinnen programmierten auf einem Micro:bit und lernten, ein Betriebssystem mithilfe eines Bootsticks neu zu installieren.

virtual7 bedankt sich für das große Interesse und die engagierte Teilnahme am Girls’Day. Vielleicht sieht man die eine oder andere Teilnehmerin in Zukunft als IT-Fachkraft wieder.

Der Girls’ Day ist eine bundesweite Initiative zur Förderung von Mädchen in sogenannten MINT-Berufen (Mathematik, Informatik, Naturwissenschaften und Technik). Ziel ist es, mehr junge Frauen für diese Bereiche zu begeistern und langfristig den Frauenanteil zu erhöhen, der zuletzt bei rund 16 Prozent lag.

Bundesminister Dr. Karsten Wildberger sagte anlässlich der Ausschusssitzung: „Dieser Ausschuss ist ein starkes Signal: Digitalisierung und Staatsmodernisierung haben oberste Priorität für unser Land. Ebenso klar ist: Ohne Länder und Kommunen geht nichts – sie sind das Rückgrat der Umsetzung und treiben viele Vorhaben mit besonderem Ehrgeiz voran. Mit unserer föderalen Modernisierungsagenda haben wir den Plan – jetzt braucht es auch Tempo und konsequente Umsetzung. Denn der Erfolg entscheidet sich vor Ort: Daran, ob die Unternehmen und Menschen in Deutschland echte Verbesserungen im Alltag spüren.“

Genau dafür arbeitet virtual7. Der Karlsruher IT- und Softwaredienstleister unterstützt die öffentliche Verwaltung seit vielen Jahren aktiv bei der digitalen Transformation für einen effizienten und resilienten Staat. Mit den Customer Clustern Healthcare, Finance, Justice, Social Security, Defence & Public Security, sowie Environment, Transportation & Energy deckt virtual7 ein breites Spektrum ab. In all diesen Bereichen werden zukunftsorientierte Lösungen u.a. für Bund und Länder entwickelt. Die Projekte zielen u.a. auf den Bürokratieabbau, eine Effizienzsteigerung und eine Dienstleistungsverbesserung, genau wie sie auch in der „Föderalen Modernisierungsagenda“ vorgesehen sind.

Dem Bundesminister Dr. Karsten Wildberger kann sich virtual7 nur anschließen. Denn das, was das Unternehmen antreibt, ist, dass mit der täglichen Arbeit im Bereich der Digitalisierung aktiv ein Mehrwert geschaffen wird, der nicht nur bei Bund und Ländern ankommt, sondern auch einen positiven Effekt auf alle Bürger:innen hat.