Wie Open Data verhindert wird

Zwölf Muster, mit denen Forderungen nach offenen Daten zurückgewiesen werden.

Wenn über Open Data diskutiert wird, sind die Gegenargumente erstaunlich stabil, unabhängig davon, wer sie vorbringt, in welchem Forum und zu welchem konkreten Vorhaben. Der Ausreden-Kompass dokumentiert zwölf dieser wiederkehrenden Argumentationsmuster, die einzeln oder in Kombination dazu dienen, offene Daten zu verzögern, zu delegitimieren oder strukturell zu verhindern.

Die vier Achsen

Manche Muster schieben Verantwortung auf andere, andere münden in Resignation und Defätismus, eine dritte Gruppe verharmlost den Handlungsbedarf, und eine vierte konstruiert Open Data selbst als Schadensquelle.

Verantwortung abwälzen

FIG. 1 · ZUSTÄNDIGKEITSVAKUUM Der Zuständigkeitsabwälzer »Das liegt an der IT-Abteilung. Oder am Statistikreferat. Oder vielleicht ist wirklich der Bund zuständig, fragen Sie dort nach.«

Diffuse Zuständigkeit ist kein Naturgesetz, sie ist das Ergebnis von fehlendem Governance-Design.

Das Argument der diffusen Zuständigkeit ist eines der effektivsten Blockademuster im Open-Data-Diskurs, weil es inhaltlich kaum angreifbar ist: Wenn niemand zuständig ist, kann niemand verantwortlich gemacht werden. Die Verschiebung zwischen IT-Abteilungen, Fachreferaten, kommunalen Rechenzentren und Bundesbehörden ist oft nicht das Ergebnis tatsächlicher Unklarheit, sondern das Resultat fehlender Entscheidungen über Daten-Governance.

Dabei sind Zuständigkeitsfragen lösbar. Open-Data-Beauftragte, Datenleitstellen und Governance-Rahmenwerke, wie das Berliner Open-Data-Gesetz oder das bundesweite OGD-Prinzip im EGovG, zeigen, wie institutionelle Verantwortung bewusst geschaffen werden kann. Wo politischer Wille besteht, wird Zuständigkeit hergestellt. Wo er fehlt, wird sie als fehlend beschrieben.

Weiterführende Literatur
FIG. 2 · STANDARDISIERUNGSBLOCKADE Der Standardperfektionist »Solange es keine einheitlichen, rechtssicheren Metadatenstandards gibt, können wir gar nichts veröffentlichen. Zu riskant.«

DCAT-AP.de, INSPIRE, Schema.org, Standards existieren. Perfektion als Ausrede ist eine Form strategischer Passivität.

Das Argument, man könne erst nach Etablierung perfekter, einheitlicher Standards veröffentlichen, hat eine strukturelle Logik, die es theoretisch unendlich weiterführbar macht: Da Standards immer noch verbessert werden können, kann das Argument prinzipiell nie entkräftet werden. In der Praxis ist dies selten eine technische Beschreibung, häufiger eine politische Positionierung.

Tatsächlich existieren robuste Interoperabilitätsstandards: DCAT-AP.de für Deutschland, DCAT 2.0 als W3C-Standard für Europa, INSPIRE für Geodaten, OpenAPI für Schnittstellen. Kommunen und Bundesbehörden publizieren täglich mit diesen Standards erfolgreich. Der Verweis auf fehlende oder unzureichende Standards maskiert meist den Unwillen, überhaupt zu beginnen.

Weiterführende Literatur
FIG. 3 · DATENSCHUTZREFLEX Der Datenschutzschilder »Sobald wir anfangen, Daten zu öffnen, stehen wir vor dem Datenschutzbeauftragten. Das Risiko ist nicht kalkulierbar.«

Datenschutz und Offenheit sind kein Gegensatz. Die DSGVO enthält explizite Öffnungsklauseln für nicht-personenbezogene Daten.

Datenschutzargumente gegen Open Data sind rhetorisch besonders wirksam, weil sie moralische Autorität besitzen: Wer argumentiert schon gegen den Schutz persönlicher Daten? Gleichzeitig werden diese Argumente regelmäßig auf Datensätze angewandt, die gar keine personenbezogenen Daten enthalten, Haushaltsdaten, Infrastrukturinformationen, aggregierte Statistiken, Flächennutzungspläne.

Die DSGVO enthält in Art. 86 explizite Öffnungsklauseln für amtliche Dokumente. Das Informationsweiterverwendungsgesetz (IWG) und die EU-Open-Data-Richtlinie 2019/1024 schaffen positive Verpflichtungen zur Öffnung für den öffentlichen Sektor. Datenschutz ist ein legitimes Argument für tatsächlich personenbezogene Daten, für die große Mehrheit verwaltungsrelevanter Datensätze ist es schlicht nicht anwendbar.

Weiterführende Literatur
FIG. 4 · PUBLISH AND PRAY Der Laissez-faire-Optimist »Wir haben die Daten ins Portal gestellt. Was andere damit machen, liegt an ihnen, für die Adoption sind wir nicht zuständig.«

Open-Data-Portale ohne Outreach und Feedback-Loops sind digitale Geisterstädte.

Das "Publish and Pray"-Muster reflektiert ein technizistisches Verständnis von Open Data: Man stellt die Daten bereit, und dann passiert, Nutzung. Dieses Verständnis ignoriert, dass Open Data ein soziotechnisches Ökosystem ist, das Beziehungen, Vertrauen und Rückkopplungsschleifen erfordert. Open-Data-Portale ohne Dokumentation, Community-Building und Feedback-Mechanismen haben empirisch messbar niedrigere Nutzungsraten.

Erfolgreiche Open-Data-Initiativen, von GovData über das Berliner Datenportal bis zum Open-Data-Portal der Stadt Köln, investieren gezielt in Kommunikation, Ansprechpartner, APIs und Nutzer-Workshops. Sie verstehen Datenpublikation nicht als Einwegprozess, sondern als Beginn einer Beziehung. Publikation ohne Pflege ist kein Open Data, es ist digitale Ablage.

Weiterführende Literatur

Resignation & Defätismus

FIG. 5 · MODEPHÄNOMENISMUS Der Trendverächter »Open Data ist wie Blockchain, ein Hype. In drei Jahren redet kein Mensch mehr davon. Das hatten wir schon mit E-Government.«

Open Data ist in EU-Recht (Richtlinie 2019/1024) und nationalen OGD-Strategien institutionell verankert· kein Hype.

Der Verweis auf Hype-Zyklen ist ein rhetorischer Mechanismus, der Handlungsnotwendigkeit delegitimiert, indem er Phänomene als kurzfristig und substanzlos darstellt. Im Falle von Open Data ist die empirische Prämisse falsch: Die Open-Data-Bewegung hat seit 2009 (Obama's Open Government Directive, UK National Data Strategy) kontinuierlich an institutioneller Tiefe gewonnen.

Open Data ist durch die EU-Richtlinie 2019/1024 verbindliches Recht für alle Mitgliedstaaten. Es ist im deutschen EGovG, in der OGD-Strategie des Bundesinnenministeriums und im Registermodernisierungsgesetz verankert. Internationale Verpflichtungen (G8 Open Data Charter, Open Government Partnership mit 78 Mitgliedsstaaten) unterstreichen die strategische Dauerhaftigkeit. Der Hype ist längst zur Governance-Infrastruktur geworden.

Weiterführende Literatur
FIG. 6 · DATEN-ELITISMUS Der Bürgerpessimist »Die meisten Bürger können mit Rohdaten nichts anfangen. Wir brauchen erst Datenkompetenz in der Breite, bevor Open Data sinnvoll ist.«

Es braucht keine universelle Datenkompetenz, eine kleine Gruppe datenkundiger Intermediäre schöpft Wert für viele.

Das Argument des universellen Datenkompetenz-Erfordernisses verbindet elitäre Prämissen mit paternalistischer Fürsorge. Es unterschätzt systematisch die Datenkompetenz in der Gesellschaft und übersieht strukturell den Intermediäreffekt: Es braucht keine mehrheitliche Datenkompetenz für gesellschaftlichen Nutzen aus offenen Daten.

Eine kleine Gruppe datenkundiger Akteure, Datenjournalist:innen wie beim Spiegel oder der Süddeutschen Zeitung, zivilgesellschaftliche Organisationen wie CorrelAid oder Code for Germany, Start-ups wie Citymapper oder OpenStreetMap-Beitragende, kann aus offenen Daten Erkenntnisse und Produkte entwickeln, die breiten gesellschaftlichen Nutzen stiften. Zudem wächst Datenkompetenz durch Nutzung, nicht als Voraussetzung für sie.

Weiterführende Literatur

Verharmlosung des Handlungsbedarfs

FIG. 7 · TRANSPARENZMYTHOS Der Transparenz-Romantiker »Wir veröffentlichen die Daten, und haben damit Transparenz! Was wollen Sie denn noch? Die Daten sind doch offen.«

Offene Daten ohne Kontext und Zivilgesellschaft sind Datenhaufen ohne Rechenschaft.

Die Gleichsetzung von Datenpublikation und Transparenz ist ein verbreitetes, aber analytisch verfehltes Konzept. Transparenz ist ein soziales Phänomen, sie entsteht nicht durch die bloße Verfügbarkeit von Daten, sondern durch interpretierenden Zugang, verständliche Aufbereitung und gesellschaftliche Resonanz. Yu und Robinson (2012) haben diese "neue Ambiguität des offenen Regierens" präzise beschrieben.

Rohdaten ohne Kontext können sogar kontraproduktiv sein: Sie ermöglichen selektive Interpretation, schaffen Informationsasymmetrien zwischen datenkundigen und datenunerfahrenen Akteuren, und können zu falschen Schlüssen führen. Echte Transparenz erfordert Dokumentation, Metadaten, Kontextualisierung, Erklärungen, und eine Zivilgesellschaft, die Daten sinnvoll nutzen kann und will.

Weiterführende Literatur
FIG. 8 · QUALITÄTSNIHILISMUS Der Qualitätsnihilist »Open Data bedeutet per Definition schlechte Qualität. Die wirklich guten, validen Daten können wir intern nicht freigeben.«

Qualitätsängste maskieren oft Kontrollinteressen· Offenheit verbessert nachweislich die Datenqualität.

Das Qualitätsargument hat eine strukturelle Eleganz: Da immer Qualitätsmängel gefunden werden können, ist das Argument theoretisch unerschöpflich. Gleichzeitig ignoriert es, dass Datenschließung genau die Qualitätsverbesserung verhindert, die Offenheit ermöglichen würde: Externe Nutzer:innen identifizieren Fehler, die intern unsichtbar bleiben.

Empirisch zeigen Open-Data-Initiativen regelmäßig, dass Offenheit die Datenqualität verbessert: Fehlerberichte aus der Community führen zu Korrekturen; externe Validierung deckt systematische Erhebungsprobleme auf; Wettbewerb zwischen Datenproduzenten erhöht Qualitätsstandards. Die FAIR-Prinzipien (Findable, Accessible, Interoperable, Reusable) bieten einen Rahmen, der Qualitätssicherung und Offenheit nicht als Gegensätze, sondern als komplementäre Ziele versteht.

Weiterführende Literatur

Open Data als Schadensquelle

FIG. 9 · INNOVATIONSPANIK Der Wirtschaftsfeind »Open Data zerstört die Geschäftsmodelle von Geoinformationsunternehmen. Wer soll dann noch Qualitätsdaten erheben?«

Empirisch ist Open Data ein Wertschöpfungsmultiplikator· McKinsey, Deloitte und EU-Kommission konsistent positiv.

Das Argument, Open Data schädige Wirtschaftsinteressen, hat eine gewisse empirische Plausibilität für Unternehmen, die bisher von der Exklusivität staatlich erhobener Daten profitiert haben. Die gesamtwirtschaftliche Perspektive ist jedoch klar und robust belegt: Open Data generiert Wertschöpfung, zerstört sie nicht.

McKinsey Global Institute (2013) schätzte den globalen ökonomischen Mehrwert offener Daten auf 3–5 Billionen Dollar jährlich. Die Europäische Kommission beziffert den EU-weiten Wert auf 184 Mrd. Euro jährlich mit wachsender Tendenz. Das Beispiel des UK Ordnance Survey, das nach Öffnung seiner Geodaten mehr Einnahmen durch Mehrwertdienste erzielte, zeigt: Offene Daten schaffen neue Märkte und Geschäftsmodelle, sie zerstören veraltete Rentenpositionen, keine Innovation.

Weiterführende Literatur
FIG. 10 · MISSBRAUCHSPANORAMA Der Missbrauchsprophet »Wenn wir die Daten öffnen, werden sie sofort von Trollen, politischen Gegnern und ausländischen Akteuren missbraucht.«

Schließung ist kein wirksamer Schutz· Offenheit schafft externe Kontrolle, die Missbrauch aufdeckt.

Missbrauchsszenarien sind rhetorisch wirkungsvoll, weil sie reale Risiken ansprechen und weil sie kaum falsifizierbar sind: Man kann immer einen plausiblen Missbrauchsfall konstruieren. Gleichzeitig werden analoge Risiken bei geschlossenen Daten regelmäßig ignoriert: Datenlecks, Behördenkorruption, unkontrollierter kommerzieller Handel mit Verwaltungsdaten.

Die Open Knowledge Foundation hat in der Open Definition präzise formuliert, dass Offenheit keine Schutzlosigkeit bedeutet: Lizenzen regeln Nutzungsbedingungen, Nutzungsbedingungen sind durchsetzbar, und die breite Öffentlichkeit als Kontrollinstanz ist oft effektiver als institutionelle Gatekeeper. Wenn alle Zugang haben, können auch Fehler, Manipulationen und Missbrauch schneller identifiziert und korrigiert werden. Transparenz ist häufig der bessere Schutz.

Weiterführende Literatur
FIG. 11 · KOSTENPANIK Der Kostenmaximierer »Open-Data-Aufbereitung kostet ein Vermögen. Wir haben kein Budget dafür. Keine neuen Pflichtaufgaben ohne Gegenfinanzierung!«

Open-Data-Kosten werden systematisch überschätzt· Einsparpotenziale durch weniger Anfragen werden ignoriert.

Kostenargumente appellieren an reale Haushaltszwänge und sind daher politisch schwer zu entkräften. Gleichzeitig werden die tatsächlichen Kosten von Open Data regelmäßig überschätzt und die Einsparpotenziale strukturell ignoriert: Weniger IFG-Anfragen, weniger Doppelerhebungen, bessere Datenqualität für interne Nutzung, reduzierter Pflegeaufwand durch externe Validierung.

Houghton (2011) hat für Australien gezeigt, dass die sozialen Renditen offener Forschungsdaten die Kosten um ein Vielfaches übersteigen. EU-Förderprogramme (Connecting Europe Facility, Horizon Europe, Strukturfonds) kofinanzieren Open-Data-Infrastruktur. Und: Die tatsächlichen Kosten pro veröffentlichtem Datensatz liegen in vielen Fallstudien weit unter den ursprünglichen Schätzungen, insbesondere wenn Datenpflege von Anfang an in den Erhebungsprozess integriert wird.

Weiterführende Literatur
FIG. 12 · KONTROLLPARANOIA Der Kontrollverlust-Ängstler »Wenn wir die Daten einmal freigegeben haben, verlieren wir jeden Einfluss auf ihre Nutzung, Interpretation und Darstellung.«

Lizenzen, Embargofristen und abgestufte Zugangsmodelle ermöglichen kontrollierte Offenheit ohne Autonomieverlust.

Kontrollverlust-Ängste sind verständlich: Wer jahrzehntelang Daten kontrolliert hat, fürchtet die Konsequenzen, wenn andere mit ihnen arbeiten, und möglicherweise zu anderen, kritischeren Schlüssen kommen als die datenhaltende Institution. Diese Angst ist selten explizit formuliert, aber häufig strukturell wirksam.

Das Open-Data-Ökosystem bietet differenzierte Kontrollinstrumente: Creative-Commons-Lizenzen (CC BY, CC BY-SA, CC BY-NC) regeln Nachnutzungsbedingungen präzise und sind rechtlich durchsetzbar. Embargofristen schützen eigene Forschungs- und Wettbewerbsinteressen. Differenzierte Zugangsstufen (vollständig offen, registriert, antragsbasiert) ermöglichen abgestufte Öffnung. Persistente Identifier (DOI) sichern die Urheberschaft dauerhaft, und FAIR statt nur OPEN ist kein Rückschritt, sondern differenzierte Praxis.

Weiterführende Literatur

Dazu passt

Reden wir über Ihr Vorhaben.

Ein erstes Gespräch kostet Sie eine halbe Stunde.

Erstgespräch vereinbarenLieber ein Rückruf?