Amal lehnt sich zurück und schaut auf ihr Notizbuch. Drei Seiten vollgeschrieben. Dazu vier Whiteboards voller Post-its aus dem Requirements-Workshop. Und irgendwo dazwischen stecken die Geschäftsobjekte, die sie für das neue Datenmodell braucht. „Diego", fragt sie, „wie lange hat das früher gedauert, bis du aus so einem Workshop wirklich wusstest, was modelliert werden muss?" Diego lächelt. „Früher? Manchmal eine Woche."
Heute braucht Amal dafür ein paar Stunden. Nicht weil sie schneller liest. Sondern weil sie anders arbeitet. Mit KI – aber nicht so, wie viele es sich vorstellen. Wer Amal und Diego noch nicht kennt: Sie sind fiktive Figuren aus dem FastChangeCo-Universum, das ich nutze, um reale Herausforderungen aus meinen Projekten und Coachings greifbar zu machen.
In Artikel 2 haben wir gesehen, warum KI kein vollständiges Datenmodell automatisch erstellen kann. Heute zeige ich dir, was KI stattdessen kann. Und wie ein hybrider Workflow aussieht, der wirklich funktioniert.
Der Schlüssel liegt nicht darin, KI alles machen zu lassen. Der Schlüssel liegt darin, KI genau dort einzusetzen, wo sie wirklich stark ist – und den Menschen dort zu behalten, wo es wirklich auf ihn ankommt. Klingt simpel. Ist es auch. Aber die meisten tun es trotzdem nicht.
Schritt 1: Das Gespräch aufzeichnen, nicht nur mitschreiben
Fangen wir mit etwas an, das so offensichtlich klingt, dass es fast schon peinlich ist: Nimm deine Requirements-Workshops auf. Punkt.
Ich weiß, ich weiß. Du hast das Gefühl, du kriegst alles mit. Du schreibst mit, du nickst, du stellst Fragen. Aber mal ehrlich: Wie viel geht dabei verloren? Wie oft sagst du dir hinterher, „das war doch irgendwas mit dem Kunden-Begriff" – und findest es nicht mehr im Protokoll?
Eine Aufzeichnung mit anschließender Transkription ändert das Spiel komplett. Tools wie Microsoft Teams, Whisper oder auch viele moderne Konferenz-Tools machen das inzwischen fast automatisch. Das Ergebnis: Ein vollständiges Textdokument des Gesprächs – unbereinigt, unstrukturiert, aber vollständig.
Kurzer Hinweis zum Thema Datenschutz: Informiere deine Gesprächspartner vorher, dass aufgezeichnet wird. Das ist nicht nur rechtlich geboten, sondern auch gute Praxis. In den meisten Projektkontexten ist das kein Problem, wenn man es offen kommuniziert.
Dieses Transkript ist dein Rohstoff. Und mit Rohstoffen kann KI sehr gut umgehen.
Schritt 2: KI als Business-Object-Detector
Jetzt wird's spannend. Du nimmst dein Transkript und gibst es einer KI – Claude, ChatGPT, was auch immer du verwendest – mit einer klaren Aufgabe: Identifiziere alle Geschäftsobjekte, die im Gespräch erwähnt oder impliziert werden. Liste sie auf, erkläre kurz, in welchem Kontext sie auftauchen, und markiere, wo Unklarheiten oder Widersprüche bestehen.
Amal hat das mit dem FastChangeCo-Workshop-Transkript gemacht. Das Ergebnis war verblüffend – und lehrreich. Die KI hat in wenigen Minuten eine Liste von 14 potenziellen Geschäftsobjekten erstellt. Einige waren offensichtlich: Kunde, Produkt, Auftrag. Andere hatte Amal selbst übersehen, weil sie im Gespräch nur beiläufig erwähnt wurden: Lieferant, Serviceeintrag, Eskalationsfall.
Aber – und das ist wichtig – drei der 14 Objekte stimmten nicht. Die KI hatte „Vertriebskanal" und „Kundengruppe" als separate Objekte interpretiert, obwohl die Fachabteilung beides unter einem Begriff versteht. Und „Eskalationsfall" war im Kontext des Unternehmens kein eigenständiges Objekt, sondern ein Status eines Supporttickets.
Genau das ist der Punkt. KI erkennt, was im Gespräch gesagt wurde. Was nicht ausgesprochen, nicht hinterfragt, nicht präzisiert wurde – das fehlt im Transkript, und damit fehlt es auch der KI. Deshalb ist Schritt 2 nicht „KI entscheidet", sondern „KI schlägt vor".
Schritt 3: Objekte, Beziehungen und Templates – KI füllt vor, Mensch entscheidet
Du hast jetzt eine Liste von Kandidaten für Geschäftsobjekte. Bevor du direkt in die Templates gehst, lohnt sich ein zweiter Prompt: Lass die KI auch die Beziehungen zwischen den identifizierten Objekten benennen – und zwar als Verb. Nicht „Kunde – Produkt", sondern „Ein Kunde kauft ein Produkt." Diese Formulierung ist kein Stilmittel, sondern fachliche Präzision: Das Verb beschreibt den Grund, warum zwei Geschäftsobjekte überhaupt in Beziehung stehen. Und genau dieser Grund wird später zur Relation im Informationsmodell.
Auch hier zeigt sich, was KI leistet und wo sie aufhört: Sie kann benennen, was im Gespräch gesagt wurde. Ob „kauft" in diesem Unternehmen wirklich die richtige Formulierung ist – oder ob es „beauftragt", „abonniert" oder „lizenziert" heißen müsste – das entscheidet der Mensch im nächsten Schritt.
Jetzt kommen die Entity Definition Templates ins Spiel. Das sind strukturierte Dokumente, die für jedes Objekt die wichtigsten Felder abfragen – Name, Definition, Synonyme, Abgrenzung, Beispiele, Ausnahmen, Quellsysteme, und so weiter. Auch hier kann KI einen ersten Entwurf liefern: Gib ihr das Transkript, das identifizierte Objekt und das Template-Format – und lass sie vorausfüllen. Was kommt raus? In der Regel 60 bis 70 Prozent brauchbarer Inhalt.
Was fehlt? Genau die 30 bis 40 Prozent, die den Unterschied machen. Die unternehmensspezifische Definition. Die Ausnahme, die nur der Vertrieb kennt. Die Abgrenzung, über die Fachbereich und IT seit Jahren diskutieren. Aber: Statt mit einem leeren Template in die Validierungsrunde zu gehen, bringst du jetzt einen vorausgefüllten Entwurf mit. Das verändert die Diskussion. Fachexperten können sofort reagieren: „Das stimmt so nicht", „Das fehlt noch", „Dieses Beispiel ist falsch." Das ist viel effizienter als ein leeres Blatt.
Über diese Serie: Dies ist Teil 3 von 4 unserer Serie über KI-gestützte Datenmodellierung. Teil 1 beleuchtet das grundlegende Paradox. Teil 2 zeigt, warum generische Automatisierung scheitert. Teil 4 untersucht, wie sich das Berufsbild des Datenmodellierers wandelt.
Tieferes Verständnis gewünscht?
In unserem Data Modeling Training lernen Sie, wie unternehmensspezifische Datenmodelle entwickelt werden – jenseits generischer Templates und Standard-Schemas.
Schritt 4: Fachliche Validierung – wo der Mensch unersetzbar bleibt
Jetzt kommt der Teil, den keine KI ersetzen kann. Und den viele unterschätzen.
Diego sitzt mit Amal und zwei Fachexperten aus dem Vertrieb zusammen. Auf dem Tisch liegen die vorausgefüllten Templates. Die zentrale Frage: „Stimmt das so – für unser Unternehmen, in unserem Kontext?"
Beim Objekt „Kunde" geht die Diskussion los. Die KI hatte sauber definiert: „Eine natürliche oder juristische Person, die Produkte oder Dienstleistungen des Unternehmens kauft." Im Gespräch war genau das auch so gesagt worden – also hat die KI das korrekt erfasst. Nur: Es war nie hinterfragt worden. Und deshalb wusste die KI nichts davon, dass es bei FastChangeCo drei Kundentypen gibt: den Direktkunden, den Partnerkunden und den Endkunden im B2B2C-Modell.
Diego stellt die Frage, die alles verändert: „Welchen Kunden meint ihr, wenn ihr sagt, der Umsatz pro Kunde ist gestiegen?" Stille. Dann der erste Experte: „Na ja, das kommt drauf an..." Und schon ist die Diskussion da, die ins Modell gehört.
Das ist der Kern des hybriden Ansatzes. Das Domänenwissen steckt nicht in der KI – aber es steckt auch nicht automatisch im Transkript. Es steckt in den Köpfen der Menschen, die das Geschäftsmodell täglich leben. Die Aufgabe des Datenmodellierers ist es, dieses Wissen durch die richtigen Fragen herauszuholen: in Workshops, in Gesprächen, in Validierungsrunden. Was einmal im Transkript steht, kann die KI erkennen und verarbeiten. Was nie ausgesprochen wurde, bleibt unsichtbar – bis jemand die richtige Frage stellt.
Der Datenmodellierer wird damit vom Dokumentierer zum Facilitator. Er bringt nicht mehr leere Formulare mit, sondern eine Gesprächsgrundlage. Er stellt nicht mehr Grundfragen, sondern die entscheidenden Fragen.
Was bleibt für den Menschen – und was ist das Ergebnis?
Lass mich konkret werden. Was bringt dieser Workflow in der Praxis?
Die Identifikation von Geschäftsobjekten, die früher zwei bis drei Tage gedauert hat, dauert jetzt einen halben Tag. Die erste Befüllung der Templates, früher ein langer Nachmittag pro Objekt, ist in einer Stunde erledigt – als Entwurf. Die Validierungsrunde wird effizienter, weil alle mit demselben Ausgangsmaterial arbeiten. Unterm Strich: weniger Zeit, weniger Missverständnisse, bessere Qualität der Definitionen.
Aber – und das sage ich ganz bewusst – die Zeit, die du sparst, investierst du nicht in die Couch. Du investierst sie in bessere fachliche Arbeit. In mehr Gespräche mit Fachexperten. In tiefere Workshops. In ein Informationsmodell, das wirklich zum Unternehmen passt – weil du mehr Zeit hattest, die richtigen Fragen zu stellen.
Das ist der hybride Ansatz. KI übernimmt das Repetitive, das Strukturieren, das erste Auffüllen. Der Mensch übernimmt das Fachliche, das Entscheiden, das Validieren. Nicht weil KI dumm wäre – sondern weil das Domänenwissen erst durch gute Workshops und die richtigen Fragen sichtbar wird. Es aus den Köpfen zu holen, das ist und bleibt die Kernkompetenz des Datenmodellierers.
Doch was bedeutet das für das Berufsbild? Wird die Rolle dadurch einfacher – oder komplexer? Darum geht es im nächsten und letzten Artikel dieser Serie.
So long,
Dirk