Zugang ist nicht gleich Durchblick: KI als Brücke zu komplexen Datenbeständen

In der Praxis ist es selten so leicht. Wer schon einmal ein Open-Data-Portal oder firmeninterne Datensätze geöffnet hat, kennt das Problem. Dort liegen Tausende Tabellen, technische Feldnamen, Filter, Kategorien und Download-Optionen. Alles ist verfügbar. Aber wenig ist verständlich. Was Transparenz schaffen soll, erzeugt dann eine neue Barriere: Überforderung. Man sieht alle Daten, aber nicht den Zusammenhang. Man findet Dateien, aber keine Antwort. Man hat Zugang, aber noch lange keinen Durchblick.

Genau hier setzt unsere aktuelle Forschungsarbeit zum Einsatz von Large Language Models in diesem Umfeld an. Wir haben untersucht, wie KI-Systeme helfen können, große Informationsmengen zugänglicher zu machen. Nicht indem sie Daten verstecken, sondern indem sie den Weg durch die Daten erleichtern.

Sprechen statt suchen
Die erste identifizierte Hürde ist die Schnittstelle selbst. Wer Daten auswerten will, muss oft wissen, welche Tabelle relevant ist, welche Spalte gesucht wird und wie eine Abfrage formuliert werden muss. Für Fachleute mag das selbstverständlich sein. Für viele Nutzende ist es die eigentliche Barriere.

Ein KI-Assistent verändert diesen Einstieg. Die Frage muss nicht mehr in eine technische Abfrage übersetzt werden. Sie kann in natürlicher Sprache gestellt werden. Anstatt die richtige Filterkombination zu finden, kann gefragt werden: "Wofür wurden in meiner Region im letzten Jahr die meisten öffentlichen Mittel ausgegeben?" Das soll bei der Nutzung von Datenbeständen helfen, die bisher wegen zu komplizierten Zugangs nicht genutzt wurden.

Eine Antwort reicht nicht
Eine KI kann schnell eine Antwort liefern. Doch Geschwindigkeit allein schafft kein Verständnis. Gerade bei Daten ist eine Antwort nur dann hilfreich, wenn nachvollziehbar bleibt, wie sie entstanden ist. Wer eine Zahl, eine Rangfolge oder eine Empfehlung erhält, möchte wissen, welche Annahmen dahinter stehen.

Unsere Forschung zeigt deshalb die Bedeutung transparenter Argumentation. Ein guter KI-Assistent sagt nicht nur: „Diese Behörde hatte die höchsten Ausgaben.“ Er erklärt auch, welche Datensätze ausgewählt wurden, nach welchen Kriterien gefiltert wurde und wie die Berechnung zustande kam. Diese Zwischenschritte müssen nicht technisch formuliert sein. Im Gegenteil. Sie sollten so erklärt werden, dass Menschen sie prüfen und nachvollziehen können. Dabei lernen Nutzende nebenbei, wie die Daten aufgebaut sind, wie eine Analyse funktioniert und welche Fragen sich sinnvoll stellen lassen. Die KI wird damit zu einem Werkzeug für Kompetenzaufbau.

Wenn volle Transparenz überfordert
Man könnte meinen, maximale Transparenz bedeute, möglichst viele Rohdaten gleichzeitig sichtbar zu machen. Der vollständige Datenkatalog, alle Tabellen, alle Filter, alle technischen Details. Nichts soll verborgen bleiben. Unsere Forschung zeigt jedoch: Mehr Informationen führen nicht automatisch zu mehr Verständnis. Wenn Nutzende gleichzeitig mit einem KI-Chat, großen Datenkatalogen und komplexen Rohdaten konfrontiert werden, kann das Verständnis sogar sinken. Die Menge der verfügbaren Informationen wird dann nicht als Hilfe erlebt, sondern als Belastung.

Das ist das Transparenz-Paradox.

Transparenz funktioniert nicht, wenn alles gezeigt wird. Sie funktioniert dadurch, dass relevante Informationen im richtigen Moment verständlich zugänglich sind. Gute Transparenz braucht Auswahl, Struktur und Vereinfachung. Ein Interface sollte nicht beweisen, dass alles vorhanden ist. Es sollte helfen, das Richtige zu sehen. Auch Unternehmen sammeln große Mengen an Informationen: Projektdaten, Kund:innenfeedback, Qualitätsberichte, Supportanfragen, Vertriebsdaten oder interne Dokumentationen. Häufig sind diese Informationen theoretisch verfügbar, praktisch aber schwer nutzbar. Beschäftigte wissen, dass irgendwo etwas steht. Aber sie wissen nicht, wo. Oder sie finden einen Datensatz, verstehen aber nicht, wie er einzuordnen ist. Hier kann der richtige Grad an Transparenz helfen, Wissen zugänglicher zu machen und das Lernen im Arbeitsprozess zu unterstützen.

Vertrauen entsteht durch Nachvollziehbarkeit
Diese bewusste Transparenz für die gerade relevante Datenanalyse schafft auch Vertrauen in die KI dadurch, dass Menschen ihre Antworten prüfen können. Das ist besonders relevant, wenn entsprechende Daten für Entscheidungen genutzt werden. Somit entsteht nicht blindes Vertrauen in die KI, sondern ein besser begründetes Vertrauen in den Prozess.

Die Arbeit mit großen Informationsmengen wird, auch durch KI-generierte Inhalte, in den kommenden Jahren nicht einfacher. Es werden eher mehr Daten, mehr Dokumente und mehr Systeme, die bewusst transparent gemacht werden müssen.

Dieser Beitrag basiert auf der Forschung von Schelhorn, Gnewuch, Maedche (2026) mit dem Titel „Effective use of open data portals for social good: Design principles for explainable LLM-based open data assistants“. Der wissenschaftliche Artikel dazu ist zu finden bei ScienceDirect.