Prozessmuster für neutrale Datentreuhandmodelle (proDTM); Teilvorhaben: Prinzipien der Prozessmustergestaltung

Abstract

Daten gelten als zentrale Ressource der digitalen Wirtschaft. Ihr Wert entfaltet sich jedoch oft erst dann vollständig, wenn sie über die Grenzen einzelner Organisationen hinweg geteilt und gemeinsam genutzt werden. In der Praxis verhindern mangelndes Vertrauen zwischen den beteiligten Akteuren, Sicherheits- und Datenschutzbedenken sowie technische und organisatorische Hürden jedoch häufig, dass Daten tatsächlich von Anbietern zu interessierten Nutzern gelangen. Datentreuhänder setzen genau hier an: Als neutrale Vermittlungsinstanzen tauschen sie Daten zwischen Datengebern und Datennutzern aus und wahren dabei die Interessen beider Seiten, eine Rolle, deren Bedeutung der europäische Gesetzgeber mit dem Data Governance Act, dem Data Act und der Datenschutz-Grundverordnung unterstrichen und an verbindliche Neutralitätsanforderungen gebunden hat. Zu Projektbeginn existierte jedoch kaum standardisiertes Gestaltungswissen dafür, wie ein solcher Datentreuhänder konkret aufgebaut und betrieben werden kann. Bestehende Lösungen waren meist auf einzelne Branchen zugeschnitten und nicht übertragbar. Ziel des Verbundprojekts "Prozessmuster für neutrale Datentreuhandmodelle" (proDTM) war es daher, wiederverwendbare Bausteine, sogenannte Prozessmuster, für die zentralen Abläufe eines Datentreuhänders zu entwickeln, aus denen sich je nach Branche, Geschäftsmodell und Datenschutzanforderung ein passender, neutraler und unterschiedlich stark automatisierter Datentreuhänder zusammenstellen lässt. Um dieses Ziel zu erreichen, wurden im Projekt zunächst die Anforderungen an Datentreuhänder systematisch erhoben: Am Markt agierende Datentreuhänder wurden analysiert, Expertinnen und Experten befragt und die wissenschaftliche Literatur ausgewertet. Dabei zeigte sich, dass sich am Markt drei grundlegend unterschiedliche Geschäftsmodelle für Datentreuhänder etabliert haben: privatwirtschaftliche Anbieter, die sich über Zugangsentgelte und Mehrwertdienste finanzieren, sowie gemeinnützige und staatliche Anbieter, die den Datenaustausch überwiegend kostenfrei und mit dem Ziel des Gemeinwohls ermöglichen. Diese Geschäftsmodelltypen wurden aufgearbeitet und bilden die Grundlage für die Anforderungen eines Daten-treuhandmodells, aus denen anschließend modulare Prozessmuster für die wesentlichen Schritte eines Datentreuhänders abgeleitet wurden, von der Einwilligung über die Bereitstellung, Prüfung und Aufbereitung der Daten bis zur Weitergabe an Datennutzer und deren Protokollierung. Begleitet wurde diese Entwicklung von einem Governance-Framework, das Verantwortlichkeiten und Entscheidungsrechte zwischen den Beteiligten regelt, sowie vom Konzept eines Konfigurators, der Fachanwendern die Auswahl und Kombination passender Muster erleichtert. Im weiteren Projektverlauf überführte der Praxispartner diese Muster in eine prototypische, webbasierte Plattform, die als konfigurierbarer Datentreuhänder fungiert. Anhand zweier praxisnaher Anwendungsszenarien, dem Austausch von Gesundheitsdaten zwischen medizinischen Einrichtungen und Forschungseinrichtungen sowie der Vermittlung von Fitnessdaten an Versicherungen, wurde dieser Prototyp in Workshops und Experteninterviews mit Fachpersonen aus Wissenschaft, Wirtschaft und Verwaltung erprobt und auf Basis des Feedbacks mehrfach überarbeitet. Als Ergebnis liegen 26 modulare, konfigurierbare Prozessmuster vor, die gemeinsam mit dem Governance-Framework und dem Konfigurator-Konzept abbilden, wie ein neutraler Datentreuhänder organisiert und betrieben werden kann. Für jede Interaktion lässt sich festlegen, ob eine Entscheidung manuell durch Menschen, mit Unterstützung durch das System oder weitgehend automatisiert getroffen wird, je nachdem, wie viel Kontrolle die beteiligten Akteure abgeben möchten. Der entwickelte Demonstrator zeigt, dass sich diese Muster mit einer bestehenden, kommerziell genutzten Prozessautomatisierungsplattform umsetzen lassen, ohne dass dafür eine vollständige Neuentwicklung erforderlich ist; eine abschließende Analyse der im Prototyp tatsächlich durchlaufenen Abläufe bestätigte, dass diese den entworfenen Mustern weitgehend entsprechen. Die Ergebnisse wurden zudem in mehreren wissenschaftlichen Veröffentlichungen dokumentiert, unter anderem zu Geschäftsmodellen von Datentreuhändern, zur Akzeptanz automatisierter Treuhandfunktionen und zur Gestaltung der Zusammenarbeit zwischen Menschen und KI-Systemen. Der konkrete Nutzen der Ergebnisse liegt zunächst darin, dass Organisationen, die einen vertrauenswürdigen Datenaustausch ermöglichen möchten, nicht mehr bei null anfangen müssen. Die Prozessmuster lassen sich als Bausteine nutzen, aus denen sich, angepasst an Branche, Geschäftsmodell und Datensensibilität, ein passender Datentreuhänder zusammenstellen lässt, etwa für den Gesundheits-, Mobilitäts-, Versicherungs- oder Agrarbereich. Das senkt Aufwand, Kosten und Risiken bei der Einführung solcher Dienste erheblich und ermöglicht auch Organisationen ohne eigene Entwicklungskapazitäten den Aufbau eines neutralen, rechtskonformen Datentreuhandmodells. Für den Praxispartner lassen sich die Muster unmittelbar in ein marktfähiges Angebot im Sinne eines Datentreuhandmodell-as-a-Service überführen, das Kundinnen und Kunden eine vorkonfigurierte, an ihre Bedürfnisse anpassbare Lösung bietet. Darüber hinaus liefern die Ergebnisse einen praktischen Beitrag zur Umsetzung der europäischen Neutralitätsanforderungen an Datenvermittlungsdienste und damit zu einer vertrauenswürdigeren Datenökonomie in Europa. Die entwickelten Stufen der Automatisierung und die Erkenntnisse zur Mensch-KI-Interaktion sind dabei nicht auf Datentreuhänder beschränkt, sondern liefern allgemeines Gestaltungswissen für Organisationen, die zunehmend automatisierte oder KI-gestützte Prozesse einführen und dabei die Kontrolle durch Menschen gezielt steuern möchten. Die Ergebnisse fließen zudem in die Lehre am Lehrstuhl für Enterprise Computing der Technischen Universität Dortmund sowie in Anschlussforschung ein, etwa zur neutralen Datenhaltung beim Training von KI-Systemen. Im Rahmen der Evaluation wurden mit weiteren Initiativen wie dem Kompetenznetzwerk DaTNet ausgetauscht, dessen Erfahrungen die Ausrichtung des Projekts, insbesondere die Darstellung und Notwendigkeit von konfigurierbaren Prozessmustern für diverse Datentreuhandmodelle, bestätigt haben.