Datenkatalog & Anreicherung von Metadaten

Die meisten Unternehmen besitzen weit mehr Daten, als jemand finden oder verstehen kann: Tabellen mit Namen wie kna1_x2, Spalten ohne Beschreibung, keine Ahnung, wem was gehört oder wo personenbezogene Daten liegen. KI entwirft Beschreibungen, Schlagworte, Glossarverknüpfungen und Sensitivitätskennzeichnungen aus Schemata, Profilen und Abfrageprotokollen. So wird ein Katalog vollständig genug, um nützlich zu sein, und dialogbasierte BI sowie KI-Agenten erhalten den Kontext, den sie für korrekte Antworten brauchen.

Problem & Nutzen

• Heute: Datenkataloge (und Excel-Listen) werden von überlasteten Data Stewards von Hand befüllt. Die Abdeckung bleibt gering, Beschreibungen veralten, und Analysten fragen Kollegen: „Welche Tabelle enthält den echten Umsatz?“ Datenschutzteams brauchen ein Verzeichnis darüber, wo personenbezogene Daten liegen (DSGVO Art. 30), und stellen es manuell zusammen.
• KI-Nutzen: (1) Erstentwürfe von Beschreibungen und Glossarzuordnungen für tausende Objekte erzeugen, die Verantwortliche prüfen, statt sie von Grund auf zu schreiben; (2) Spalten nach Sensitivität klassifizieren (Namen, E-Mail, IBAN, Gesundheitsdaten) anhand von Namen, Werten und Kontext; (3) semantische Suche und Fragen und Antworten über den Katalog; (4) hochwertige Metadaten für Text-to-SQL und Agenten, der Haupttreiber im Jahr 2026: Antworten von LLMs sind nur so gut wie die semantische Schicht und Dokumentation dahinter (siehe DATA-001).
• Nutzenbelege: Anbieter berichten von schnellerer Dokumentation und besserer Auffindbarkeit, doch unabhängige, vergleichbare Zahlen sind selten. Messen Sie Ihre eigene Ausgangslage (Anteil dokumentierter Objekte, Zeit bis zum Finden eines Datensatzes), statt sich auf Marketingzahlen zu verlassen.

Varianten

• Unternehmensweite Datenplattform: Katalog, eingebettet in das Lakehouse oder Data Warehouse (Databricks, Snowflake, Microsoft Fabric/Purview), mit automatisierter Dokumentation und Klassifizierung.
• Data Mesh / Datenprodukte: Die Anreicherung setzt Produktverträge (Verantwortliche, SLA, Glossarbegriffe) bei der Veröffentlichung durch.
• Öffentlicher Sektor / Open Data: harmonisierte Metadaten für Portale (DCAT-AP, DCAT-AP.de, data.europa.eu), mehrsprachige Titel und Schlagwortvorschläge; relevant für den Data Governance Act und die Open-Data-Richtlinie.
• Forschung und Datenräume: FAIR-Metadaten, Gaia-X- / IDS- / Eclipse-Dataspace-Konnektoren; Katalogeinträge semantisch beschrieben.
• KMU: ein schlanker Katalog oder ein dokumentiertes Schema im BI-Werkzeug, dazu von der KI geschriebene Spaltenbeschreibungen für die semantische Schicht.
• Unstrukturierte Inhalte: Anreicherung von Dateiablagen, SharePoint und Dokumentenspeichern mit Themen- und Sensitivitätskennzeichnungen (Verbindung zu DOC-014).

So funktioniert es

1. connectors (warehouse, lake, BI, ETL, SaaS, files)
2. technical metadata harvest (schema, lineage, usage, profiling stats, sample values)
3. context retrieval (glossary, existing descriptions, naming conventions, related assets, query logs)
4. LLM / classifier enrichment (descriptions, tags, glossary terms, domain, owner suggestion, PII class)
5. confidence scoring + policy rules
6. steward review queue (accept / edit / reject)
7. publish to catalogue + propagate (tags to access policies, masking, search index)
8. feedback loop (accepted edits become few-shot examples; re-run on schema change)

• Beschreibungserzeugung: Ein LLM erhält Tabellen-/Spaltennamen, Datentypen, Stichprobenstatistiken, benachbarte Objekte der Lineage und das Glossar und entwirft eine kurze Beschreibung. Beispielwerte sind nach Datenschutzregeln zu behandeln (bei Sensiblem Profile oder maskierte Werte statt Rohzeilen).
• Klassifizierung: Regeln und reguläre Ausdrücke (IBAN, Steuer-ID), kleine Encoder-/NER-Modelle und die Einschätzung des LLM werden kombiniert; das LLM löst mehrdeutige Namen (dob, gnr) aus dem Kontext auf.
• Semantische Suche: Text-Embeddings plus Stichwortsuche über Objekte; optional ein Wissensgraph für Lineage und Beziehungen.
• Zugriff für Agenten: Kataloge stellen Metadaten zunehmend über MCP-Server bereit, damit Coding- und Analyse-Agenten Definitionen, Verantwortliche und Lineage nachschlagen können.
• Mensch-in-der-Schleife (Human-in-the-Loop): KI-Ausgaben werden als „vorgeschlagen“ markiert; Datenverantwortliche genehmigen, bevor Beschreibungen als zertifiziert gelten; Sensitivitätskennzeichnungen, die Zugriffsbeschränkungen auslösen, brauchen die Freigabe eines Data Stewards oder vorsichtige Voreinstellungen.

Datenaufbereitung

Das Rohmaterial sind Metadaten: Tabellen- und Spaltennamen, SQL, dbt-Modelle, BI-Berichte sowie implizites Wissen in Excel-Dateien, ERP-Anpassungen und den Köpfen der Mitarbeitenden. In einem KMU liegt das in ERP-Datenbanken, auf Dateiablagen und in einigen BI-Arbeitsmappen. Typische Lücken: kryptische Spaltennamen, fehlende Beschreibungen, doppelte Tabellen, unbekannte Verantwortliche, nicht dokumentierte Kennzahlen und fehlende Sensitivitätskennzeichnungen.

Aufbereitungsschritte: 1. Systeme und Quellen erfassen (PREP-001, PREP-003) und über Konnektoren anbinden (PREP-005). 2. Pro Domäne Datenverantwortliche und Data Stewards benennen (PREP-004). 3. Ein erstes Glossar der Kennzahlen und Fachbegriffe schreiben (PREP-012, PREP-015). 4. Das Schema für Schlagworte und Kategorien (Sensitivität, Domäne, personenbezogene Daten) festlegen, bevor die KI Schlagworte vorschlägt (PREP-019, PREP-010). 5. Das LLM Beschreibungen und Schlagworte entwerfen lassen und diese anschließend von den Data Stewards bestätigen lassen.

Werkzeuge: OpenMetadata, DataHub, Purview oder der Katalog des Data Warehouse. Grober Aufwandsanteil: etwa 40 Prozent, überwiegend die menschliche Arbeit, Definitionen und Verantwortliche abzustimmen. Dieser Anwendungsfall ist selbst ein Aufbereitungsschritt für DATA-008, DATA-003 und DOC-014.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A. Die meisten KMU haben wenige Datenquellen; nutzen Sie die KI-Dokumentationsfunktionen bereits vorhandener Werkzeuge (BI-Werkzeug, Cloud-Data-Warehouse, Microsoft Purview), statt einen Katalog zu betreiben.
• enterprise: Weg B. Ein Katalog ist zentral für die Daten-Governance und muss sich in eigene Data Warehouses und die Lineage integrieren; fügen Sie die LLM-Anreicherung über Cloud-KI-Dienste hinzu, nur auf Metadaten.
• developer: Weg C. OpenMetadata oder DataHub mit einem lokalen Modell geben volle Kontrolle und laufen auf HW2.
• public: Weg C. Open-Source-Kataloge auf souveräner Infrastruktur vermeiden Abhängigkeiten und halten die Metadaten innerhalb der Verwaltung.

Weg A — Kaufen (für die meisten empfohlen)

• Plattformeigen: Databricks Unity Catalog (KI-generierte Kommentare und KI-gestützte Klassifizierung), Snowflake Horizon Catalog (KI-generierte Beschreibungen und Klassifizierung sensibler Daten), Microsoft Purview (Klassifizierung und Unified Catalog, innerhalb von Fabric), Google Dataplex Universal Catalog (automatisierte Metadaten und mit Gemini erzeugte Einblicke), AWS SageMaker Catalog / DataZone (KI-generierte fachliche Beschreibungen).
• Unabhängige Kataloge: Collibra, Alation, Atlan, Informatica CDGC, data.world, Secoda; EU: Collibra (belgischer Ursprung, global), Actian Data Intelligence Platform (vormals Zeenea, Frankreich; seit 2024 Actian/HCLSoftware), Ataccama (tschechisch/kanadisch, Datenqualität + Katalog), Semarchy (Frankreich, MDM). Prüfen Sie den Datenstandort in der EU und welcher LLM-Unterauftragsverarbeiter eingesetzt wird.
• Wählen Sie A, wenn: Sie bereits eine dieser Datenplattformen betreiben oder schnell einen gesteuerten Unternehmenskatalog brauchen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Metadaten mit offenen Konnektoren einsammeln (DataHub- oder OpenMetadata-Ingestion, dbt-Artefakte, information_schema) und dann eine LLM-API mit strukturierter Ausgabe (JSON-Schema) für Beschreibungen, Schlagworte und Glossar-Treffer aufrufen.
• Modelle: Claude, GPT, Gemini über EU-Regionen (Vertex AI EU, Azure OpenAI EU, AWS Bedrock Frankfurt) oder Mistral (EU-Anbieter); für Beschreibungen genügt ein kleines Modell, für mehrdeutige Klassifizierung ein stärkeres.
• Ergebnisse über die Katalog-API zurückschreiben (DataHub GraphQL/REST, OpenMetadata REST, APIs von Unity Catalog und Purview). Nutzen Sie dbt-description-YAML-Dateien über Pull Requests, damit jeder KI-Vorschlag eine Code-Prüfung durchläuft.
• Wählen Sie B, wenn: Sie eigene Konventionen, die Zusammenführung mehrerer Kataloge oder einen PR-basierten Dokumentationsablauf brauchen.

Weg C — Selbst betreiben (Open Source)

• Kataloge: DataHub (Apache-2.0), OpenMetadata (Apache-2.0, in neueren Versionen mit integrierten KI-Funktionen), Amundsen (geringe Aktivität), Apache Atlas, OpenLineage/Marquez für die Lineage, Unity Catalog OSS (Linux Foundation).
• Modelle: Open-Weight-LLMs wie Qwen3, Mistral Small/Medium, Llama oder gpt-oss über vLLM oder Ollama; Embeddings wie BGE-M3 oder multilingual-e5; Microsoft Presidio zur PII-Erkennung.
• Hardware: HW2 genügt für ein quantisiertes Modell mit 8-30 Mrd. Parametern, das Beschreibungen im Stapel erzeugt; die Metadatenmengen sind klein. So bleiben Beispielwerte in Ihrem Netz, was für sensible Schemata passt.

Weg D — Eigenes Training

Selten nötig. Trainieren Sie einen kleinen Klassifikator für unternehmensspezifische Sensitivitätsklassen oder ein Embedding-Modell für Fachjargon (ERP-Abkürzungen, deutsche Feldnamen) per Feintuning, wenn Sie einige tausend von Data Stewards freigegebene Labels haben. Akzeptierte/abgelehnte Vorschläge aus der Prüfwarteschlange sind die natürlichen Trainingsdaten.

Stand der Technik (2026)

• Katalog als KI-Kontextschicht: Die großen Plattformen positionieren ihre Kataloge als Grundlage (Grounding) für Agenten und Analysen in natürlicher Sprache, mit Metadaten, die über MCP und Standards für semantische Schichten bereitgestellt werden.
• Automatische Dokumentation ist in Plattformen Standard: KI-generierte Tabellen- und Spaltenkommentare gibt es in Unity Catalog, Snowflake, DataHub, OpenMetadata und Purview; die Qualität ist gut bei selbsterklärenden Schemata und schwach bei kryptischen Altbezeichnungen ohne Lineage- oder Glossarkontext.
• Kontext schlägt Modellgröße: Beschreibungen werden deutlich besser, wenn Lineage, Abfrageprotokolle, dbt-Modelle und Glossareinträge bereitgestellt werden.
• Grenzen und Fehlerbilder: plausible, aber falsche Beschreibungen, denen dann vertraut wird; Weitergabe sensibler Beispielwerte an externe Modelle; Fehlklassifizierungen bei Freitextspalten; Abweichung der Beschreibungen nach Schemaänderungen; Prüfer, die Vorschläge ungesehen durchwinken. Begegnen Sie dem mit dem Status „vorgeschlagen“ gegenüber „zertifiziert“, stichprobenartigen Audits und Auslösern für eine erneute Validierung.

Gemeinsame Bausteine & Kombinationen

• Derselbe Stack (llm-general + embedding-text + vector-db): DATA-001 (Text-to-SQL nutzt den Katalog als Grundlage), DOC-014 (RAG über Dokumente), DATA-003 (MDM und Dublettenbereinigung).
• Kombiniert sich mit: DATA-008 (Qualitätsüberwachung hängt Qualitätswerte an Objekte), DATA-016 (Zuordnung industrieller Tags und Anlagenmodelle), DATA-022 (Schema-Zuordnung beim Onboarding von Partnern), SEC-022 (KI-Inventar und Governance nutzen dieselben Katalogeinträge), SEC-020 (Zugriffsprüfungen stützen sich auf Sensitivitätskennzeichnungen).
• Ein selbst betriebener LLM-Server (HW2/HW3) kann alle Stapelaufträge der Anreicherung bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen, um native Funktionen einzuschalten; Lizenzen für Unternehmenskataloge sind ein wesentlicher Kostentreiber und werden meist je Plattform verhandelt.
• Weg B: 1-3 Monate einschließlich Konnektoren und Prüfablauf; die LLM-Kosten sind im Vergleich zur Arbeitszeit der Data Stewards vernachlässigbar, da die Metadatenmengen klein sind.
• Weg C: 2-4 Monate; dazu der Betrieb des Katalogs selbst.
• Kennzahlen: Anteil der Objekte mit zertifizierter Beschreibung/Verantwortlichen/Domäne, Akzeptanzquote der KI-Vorschläge durch Data Stewards, Zeit bis zum Finden eines Datensatzes, Precision/Recall der PII-Klassifizierung an einer gelabelten Stichprobe, Anteil sensibler Spalten mit angewendeter Richtlinie, Genauigkeit von Text-to-SQL vor/nach der Anreicherung.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für das Mandat sowie die Abteilungsleitungen und Datenverantwortlichen früh ein, denn sie müssen KI-entworfene Beschreibungen bestätigen; die IT bindet die Quellen an. Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte steuert die Klassifizierung personenbezogener Daten bei und prüft, dass an ein LLM gesendete Spaltenbeispiele keine echten personenbezogenen Daten enthalten; eine DSFA ist für Metadaten allein normalerweise nicht nötig.

Betriebsrat: im typischen Fall nein, da der Katalog Daten dokumentiert, nicht Personen. Relevant wird er, wenn Nutzungsprotokolle zeigen, welche Beschäftigten was abfragen; dann gilt § 87 Abs. 1 Nr. 6 BetrVG, und der Betriebsrat sollte die Konfiguration einsehen können. Informieren Sie ihn nach § 90 Abs. 1 Nr. 3, wenn sich Arbeitsabläufe ändern.

KI-Kompetenz: Weisen Sie die Data Stewards in die Prüfung generierter Beschreibungen ein (Art. 4 KI-Verordnung (AI Act), Unterstützungsmaßnahmen). Starten Sie einen Pilot mit einer Domäne wie Vertriebsdaten, zeigen Sie Analysten die eingesparte Zeit bei der Suche nach der richtigen Tabelle und veröffentlichen Sie das Glossar. Typische Sorgen: zusätzlicher Dokumentationsaufwand und die Angst, schlechte Datenqualität offenzulegen. Begegnen Sie beiden, indem die KI entwirft und Menschen nur freigeben, und indem Sie Lücken als Befunde behandeln, nicht als Schuldzuweisung. Leitfäden: GUIDE-003, GUIDE-008, GUIDE-005.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; die Pflicht zur KI-Kompetenz (Art. 4) gilt. Die Einstufung könnte sich ändern, wenn Ausgaben in ein Hochrisiko-System einfließen (z. B. Nachweise zur Daten-Governance nach Art. 10 für ein Hochrisiko-KI-System); führen Sie daher den Prüfpfad.
• DSGVO: Der Katalog ist ein Werkzeug für das Verzeichnis nach Art. 30, für Datenminimierung und DSFA. Metadaten können selbst personenbezogene Daten enthalten (Namen von Verantwortlichen, Beispielwerte); maskieren Sie daher Beispiele, schließen Sie AVV mit LLM-Anbietern ab und bevorzugen Sie die Verarbeitung in der EU. Verlassen Sie sich nicht allein auf die KI-Klassifizierung, um zu schließen, dass eine Spalte keine personenbezogenen Daten enthält.
• Data Act und Data Governance Act: Maschinenlesbare Metadaten unterstützen Pflichten zum Datenaustausch und die Teilnahme an Datenräumen.
• Sicherheit: Kataloge legen die Landkarte Ihrer Daten offen; wenden Sie Zugriffskontrolle auf Metadaten an und schützen Sie sich vor Prompt Injection über Beschreibungstexte, die Agenten lesen.
• Gegenmaßnahmen: menschliche Freigabe, vorsichtige Sensitivitäts-Voreinstellungen, Quelle und Modell bei jedem Vorschlag vermerkt, regelmäßige Audits.

Erste Schritte

1. Erfassen Sie die Quellen und messen Sie die Ausgangsabdeckung (dokumentierte Objekte, Verantwortliche, Sensitivitätskennzeichnungen).
2. Wählen Sie 1-2 besonders wertvolle Domänen (z. B. Vertrieb und Kunden) und laden Sie zuerst Glossar und Lineage.
3. Schalten Sie die native KI-Dokumentation ein oder führen Sie ein Skript aus, das Beschreibungen in einen Zwischenbereich entwirft.
4. Lassen Sie die Data Stewards 100 Vorschläge prüfen, erfassen Sie die Akzeptanzquote und stimmen Sie Prompts und Kontext ab.
5. Verbinden Sie die zertifizierten Metadaten mit Text-to-SQL (DATA-001) und mit Zugriffsrichtlinien; wiederholen Sie das je Domäne.

Quellen

1. Databricks docs, AI-generated comments in Unity Catalog: https://docs.databricks.com/aws/en/comments/ai-comments
2. Snowflake docs, Sensitive data classification: https://docs.snowflake.com/en/user-guide/classify-intro
3. DataHub project: https://github.com/datahub-project/datahub
4. OpenMetadata project: https://github.com/open-metadata/OpenMetadata
5. Microsoft Purview documentation: https://learn.microsoft.com/purview/
6. OpenLineage: https://openlineage.io/
7. Microsoft Presidio: https://github.com/microsoft/presidio
8. DCAT-AP, data.europa.eu: https://interoperable-europe.ec.europa.eu/collection/semic-support-centre/dcat-ap
9. Regulation (EU) 2016/679 (GDPR) Art. 30: https://eur-lex.europa.eu/eli/reg/2016/679/oj
10. Regulation (EU) 2024/1689 (AI Act): https://eur-lex.europa.eu/eli/reg/2024/1689/oj