Gaia-X, Catena-X, IDSA — drei Namen, eine Struktur: technisch ambitioniert, institutionell naiv, ökonomisch folgenlos. Europa hat in der Datenpolitik der vergangenen Jahre ein Muster perfektioniert, das sich als besonders hartnäckig erweist: Das Reframing. Wenn ein Konzept nicht funktioniert, wird nicht das Konzept revidiert, sondern das Vokabular gewechselt. Zuerst hieß die Hoffnung Datenaustausch, dann Datenraum, dann KI-Readiness, jetzt Vertrauen. Das Grundproblem bleibt identisch — und ungelöst.

Wer die Geschichte der europäischen Datenstrategie von 2020 bis heute verfolgt, stößt auf ein wiederkehrendes Muster. Es beginnt mit einer realen Diagnose: Daten liegen in Silos, europäische Unternehmen teilen kaum, die Infrastruktur ist abhängig von amerikanischen Plattformen. Die Antwort folgt regelmäßig demselben Schema: eine Governance-Architektur wird entworfen, Fördermittel fließen, Konsortien bilden sich, Pilotprojekte werden angekündigt. Und dann — nichts. Oder genauer: weniger als versprochen, langsamer als geplant, folgenloser als erhofft.

Gaia-X ist das prominenteste Beispiel. 2020 als deutsch-französische Initiative gestartet, mit dem Ziel, eine souveräne europäische Dateninfrastruktur aufzubauen, ist das Projekt heute vor allem eines: ein Konsortium voller Consulting-Interessen, das Governance-Dokumente produziert, ohne dass operative Datenräume in nennenswertem Umfang entstanden sind. Catena-X, der sektorale Datenraum für die Automobilindustrie, gilt als ambitioniertester Umsetzungsversuch — und scheitert genau dort, wo es operativ wird: an der Frage, ob ein Tier-1-Lieferant bereit ist, Produktionsdaten in eine Infrastruktur einzuspeisen, die primär den OEMs nutzt. Die IDSA, die International Data Spaces Association, hat seit Jahren ein technisch ausgefeiltes Trust Framework entwickelt — und wartet noch immer darauf, dass es in der Breite genutzt wird.

Was erklärt dieses Muster? Die Standardantwort lautet: technische Komplexität, fehlende Interoperabilität, unzureichende Standardisierung. Das ist nicht falsch — aber es ist die falsche Erklärungsebene.

Das institutionenökonomische Problem

Das eigentliche Hindernis ist kein technisches, sondern ein ökonomisches: das Anreizproblem. Datenaustausch zwischen Unternehmen ist keine neutrale Transaktion. Wer Daten teilt, gibt etwas preis — Einblicke in Prozesse, Kapazitäten, Qualitätsprobleme, Lieferkettenpositionen. Wer diese Daten erhält, gewinnt einen Informationsvorsprung. In einer Wettbewerbsökonomie ist das kein symmetrisches Tauschgeschäft, sondern eine asymmetrische Situation: Der Datengeber trägt das Risiko, der Datennehmer den Nutzen.

Die europäische Datenstrategie hat dieses Problem nie ernsthaft gelöst. Sie hat es als Kommunikationsproblem behandelt — als könnte man Bereitschaft zum Datenaustausch durch bessere Governance-Strukturen, klarere Standards und wachsendes Vertrauen erzeugen. Das ist eine Kategorienverwechslung. Vertrauen reduziert Transaktionskosten. Es verändert keine Interessenstrukturen.

Niklas Luhmann hat Vertrauen als Mechanismus zur Reduktion von Komplexität beschrieben — als eine Form der Vorleistung, die Kooperation unter Unsicherheit ermöglicht. Aber Luhmann hat nicht behauptet, dass Vertrauen Interessen ersetzt. Vertrauen ist eine notwendige, keine hinreichende Bedingung für Kooperation. Wo die Asymmetrie zu groß ist — wo einer systematisch mehr preisgibt als er erhält —, hilft kein noch so ausgefeiltes Trust Framework. Es braucht entweder Reziprozitätsmechanismen, die den Austausch symmetrisch machen, oder regulatorischen Zwang, der die Verweigerung kostspielig macht.

Beides fehlt in der europäischen Datenstrategie. Der Data Governance Act reguliert Datenmittler und fördert altruistischen Datenaustausch — also genau den Fall, der in der Realität am seltensten vorkommt. Der Data Act schafft Zugriffsrechte, aber keine Teilungspflichten mit echten Zähnen. Gaia-X hat ein Trust Framework, aber keinen Zwangsmechanismus. Catena-X hat eine Architektur, aber keine Antwort auf die Frage, warum ein Lieferant, der strukturell schwächer ist als sein OEM-Kunde, seine Daten freiwillig in eine Infrastruktur einspeisen sollte, über die er keine Kontrolle hat.

Das systemtheoretische Problem

Warum funktioniert das Reframing trotzdem immer wieder — warum können gescheiterte Konzepte mit neuem Vokabular neu lanciert werden, ohne dass die strukturellen Defekte benannt werden?

Hier hilft Luhmanns Organisationstheorie. Organisationen — und Verbände, Konsortien, Förderinstitutionen sind Organisationen — operieren auf der Basis von Entscheidungen, die Komplexität reduzieren müssen. Eine Entscheidung, die ein laufendes Programm als gescheitert erklärt, erzeugt Folgeprobleme: Verantwortungszuschreibung, Ressourcenverlust, Legitimationsverlust. Die funktionale Alternative ist das Reframing: Das Programm wird nicht als gescheitert erklärt, sondern als noch nicht vollständig verstanden. Das neue Konzept — KI-Readiness, Vertrauen, autonome Agenten — erscheint als Lösung, die das Vorherige nicht widerlegt, sondern ergänzt und aufwertet.

Dieses Muster ist nicht Heuchelei, sondern Systemlogik. Institutionen, die in Datenräumen investiert haben — politisch, finanziell, reputational —, haben ein strukturelles Interesse daran, dass das Konzept relevant bleibt. Das erzeugt einen kontinuierlichen Strom von Reframings, der das Grundproblem nicht löst, aber die Hoffnung am Leben hält. Jeder Reframing-Zyklus produziert neue Konferenzen, neue Whitepapers, neue Pilotprojekte — und neue Beratungsmandate.

Man könnte das die PR-Schere der Datenraum-Debatte nennen: Die kommunikative Intensität wächst, während die operative Realität stagniert. Der Abstand zwischen beiden vergrößert sich mit jedem Zyklus.

KI als neues Heilsversprechen

Der jüngste Reframing-Zyklus ist besonders instruktiv, weil er so elegant konstruiert ist^[1]Die falsche Debatte über Datenräume. Die Beobachtung ist richtig: Seit Ende 2022 hat der KI-Boom eine neue Priorität gesetzt. Unternehmen, die bisher wenig Motivation hatten, ihre Datenqualität zu verbessern, tun es jetzt — weil schlechte Daten schlechte KI-Ergebnisse liefern. Und da Datenraum-Readiness und KI-Readiness dieselben technischen Vorarbeiten erfordern — strukturierte Daten, Metadaten, Semantik, Standards — entsteht die Erzählung: Der KI-Boom macht Datenräume wichtiger.

Das ist eine elegante Argumentation, die einen entscheidenden Fehler enthält. Sie verwechselt technische Voraussetzungen mit ökonomischen Motiven. Ja, KI benötigt gute Daten. Ja, die wertvollsten Daten liegen häufig außerhalb des eigenen Unternehmens. Aber daraus folgt kein Anreiz zum Teilen — es folgt ein Anreiz zum Nicht-Teilen. Je wertvoller Daten für KI-Anwendungen sind, desto größer ist der strategische Wert der Exklusivität. Wer exklusive Trainingsdaten hat, hat einen Vorsprung. Warum sollte er diesen Vorsprung in einen Datenraum einbringen?

Der KI-Boom könnte Datensilos nicht auflösen, sondern neu zementieren — weil jedes Unternehmen seinen Datenvorteil für eigene KI-Anwendungen maximieren will. Das wäre die strukturell plausiblere Prognose. Sie findet in der Datenraum-Debatte kaum statt, weil sie das Reframing zerstören würde.

Agenten als nächstes Reframing — oder doch mehr?

Inzwischen zeichnet sich der nächste Zyklus ab. Autonome KI-Agenten, so die neue Erzählung, würden die Frage nach Datenräumen grundlegend neu stellen. Nicht mehr Menschen, sondern Agenten würden Daten suchen, verhandeln, zugreifen und nutzen — automatisiert, skalierbar, ohne manuelle Freigabe in jedem Schritt. Datenräume würden damit von einer politischen Infrastrukturfrage zu einer operativen Realität.

Das ist keine vollständig falsche Beobachtung. Agenten könnten tatsächlich etwas verschieben — aber auf einer anderen Ebene, als die Erzählung suggeriert.

Was Agenten realistisch leisten können, ist eine Reduktion von Transaktionskosten. Der Zugriff auf Daten in einem Datenraum erfordert heute manuelle Schritte: Vertragsverhandlung, Zugriffsbeantragung, Nutzungskontrolle, Abrechnung. Agenten könnten diese Prozesse automatisieren — schneller, billiger, skalierbarer. Das ist ein technischer Hebel auf ein institutionelles Problem. Er macht Datenaustausch nicht attraktiver, sondern reibungsärmer.

Das ist der entscheidende Unterschied, der in der Debatte regelmäßig verwischt wird. Transaktionskosten und Anreizstrukturen sind verschiedene Kategorien. Ronald Coase hat gezeigt, dass sinkende Transaktionskosten Kooperation erleichtern — aber nur dort, wo ein Kooperationsinteresse bereits besteht. Wo es fehlt, produzieren sinkende Transaktionskosten keinen Austausch, sondern schnellere Extraktion: Wer die leistungsfähigeren Agenten hat, greift effizienter auf verfügbare Daten zu, ohne mehr beizusteuern. Das verschärft die Asymmetrie, es löst sie nicht.

Hinzu kommt ein neues Problem, das mit Agenten erst entsteht: die Kontrollierbarkeit des Datenzugriffs. Ein menschlicher Verhandlungspartner ist beobachtbar — was er anfragt, was er erhält, was er damit macht, lässt sich nachverfolgen. Ein autonomer Agent, der im Auftrag eines Unternehmens einen Datenraum durchsucht, kombiniert, ableitet, ist das nicht ohne weiteres. Je autonomer die Agenten, desto schwieriger wird es, Nutzungsvereinbarungen durchzusetzen und Asymmetrien zu kontrollieren. Das Trust Framework, das Gaia-X und IDSA für menschliche Transaktionen entworfen haben, ist für agentische Interaktionen konzeptionell noch nicht gerüstet.

Agenten als Reframing-Instrument folgen damit derselben Logik wie alle Vorgänger: Ein technisches Konzept wird als Lösung für ein institutionelles Problem präsentiert. Was sich ändert, ist die Komplexitätsebene — nicht die Grundstruktur des Problems. Datenräume werden durch Agenten nicht attraktiver. Sie werden schneller nutzbar für die, die ohnehin stärker sind.

Das wäre der analytisch ehrliche Befund. Er findet in der Debatte kaum statt — weil er das Reframing beendet, bevor es begonnen hat.

Was es bräuchte

Eine ehrliche Bilanz müsste mit einer einfachen Frage beginnen: Warum hat ein Unternehmen, das Daten besitzt, ein Interesse daran, sie zu teilen?

Die Antwort ist nicht: weil die Infrastruktur gut genug ist. Auch nicht: weil das Vertrauen gewachsen ist. Die Antwort ist: wenn der individuelle Nutzen des Teilens den individuellen Schaden übersteigt. Das ist eine institutionenökonomische Bedingung, keine technische.

Funktionierende Datenmärkte entstehen dort, wo Reziprozität glaubwürdig organisiert ist — wo der Datengeber weiß, was er zurückbekommt, und wo er die Kontrolle behält, wenn das nicht eintritt. Oder dort, wo regulatorischer Zwang die Verweigerungsoption kostspielig macht — nicht als Lippenbekenntnis im Data Act, sondern als durchsetzbare Pflicht mit asymmetrischem Ausgleich.

Beides ist politisch schwer und institutionell voraussetzungsreich. Es erfordert, Interessenkonflikte offen zu benennen, statt sie hinter Governance-Architekturen zu verbergen. Es erfordert, die Frage zu stellen, wer in einer Datenaustauschbeziehung strukturell schwächer ist — und wie dieser Asymmetrie begegnet wird.

Das ist unbequemer als ein neues Framework. Aber es ist die einzige Frage, die zählt.

Ralf Keuper 

Die europäische Datenstrategie hat in den vergangenen Jahren viel investiert — in Infrastruktur, in Governance, in Kommunikation. Was sie nicht investiert hat, ist ehrliche Auseinandersetzung mit der Frage, warum Unternehmen Daten teilen sollten. Solange diese Frage nicht beantwortet ist, wird jedes neue Vokabular dasselbe Ergebnis produzieren: ambitionierte Architektur, enttäuschende Realität.