Ein Rückblick auf den Civic Data Lab Espresso Talk mit Viktoriia Olshanskaia, 18. Juni 2026
Was ist eigentlich „Data Sensemaking”?
Der Begriff klingt komplizierter, als er ist. Gemeint ist der Unterschied zwischen Daten haben und Daten verstehen. Während klassische Data ScienceData ScienceDie so genannte Datenwissenschaft generiert Informationen aus großen Datenmengen, um daraus Handlungsempfehlungen für das Management abzuleiten. Ziel dieser Handlungsempfehlungen ist die Verbesserung der Qualität von Entscheidungen und der Effizienz von Abläufen. Data Science ist ein interdisziplinärer Ansatz und die Schnittmenge aus Mathematik, Informatik und spezifischem Fachwissen. auf Vorhersagen und Algorithmen zielt, geht es beim Sensemaking darum, Daten im Kontext zu interpretieren: Was bedeuten diese Zahlen für unsere Arbeit? Welche Muster sind hier erkennbar? Was können wir daraus entscheiden?
Im Civic-Tech-Bereich – also bei Organisationen, die Technologie für gesellschaftliche Zwecke einsetzen – läuft dieser Prozess in drei Phasen: Daten sammeln, Daten verarbeiten, Daten erklären. Klingt simpel, ist es aber nicht. Die Daten kommen aus Behördenportalen, selbstgebauten Sensoren, Museen oder Webseiten – oft ohne einheitliches Format. Und am Ende müssen die Ergebnisse so aufbereitet sein, dass normale Bürgerinnen und Bürger etwas damit anfangen können.
Wo LLMs tatsächlich helfen
Für Viktoriias Interviewpartner aus verschiedenen Civic-Tech-Projekten sind KI-Sprachmodelle mittlerweile fester Bestandteil der Arbeit – aber auf eine sehr pragmatische Art. Sie werden genutzt, um Code zu schreiben und zu debuggen, unstrukturierte DatenUnstrukturierte DatenUnstrukturierte Daten sind Informationen, die in keinem vordefinierten Format oder Modell organisiert sind, wie z. B. Texte, Bilder, Videos, E-Mails und soziale Medien. Im Gegensatz zu strukturierten Daten, die in Datenbanken gespeichert und leicht analysiert werden können, erfordern unstrukturierte Daten spezielle Technologien und Methoden zur Verarbeitung und Analyse, um wertvolle Erkenntnisse zu gewinnen. zu verarbeiten, Ideen zu strukturieren oder Prototypen schnell umzusetzen. Ein typisches Beispiel: Ein komplexes JSON-Datenformat wird kurzerhand durch ein LLM in verständliche Sprache übersetzt – was früher manuelle Arbeit bedeutete, geht heute in Sekunden.
Bemerkenswert dabei: Dem KI-Tool wird selten einfach blind vertraut. Laut Viktoria läuft über den gesamten Prozess ein permanentes „Double-checking” mit – die Ergebnisse werden immer gegengecheckt. KI wird eher als Assistent betrachtet, nicht als Autopilot.
Warum viele zögern
Nicht alle im Civic-Tech-Bereich steigen gleichermäßen ein. Die Forscherin identifiziert mehrere Bremsen: Manche finden, dass LLMs unzuverlässigen oder schlechten Code produzieren. Andere wollen interessante Aufgaben lieber selbst lösen – was durchaus verständlich ist, wenn ehrenamtliches Engagement im Bereich Data-Science auch mit Engagement und Interesse an der Sache zu tun hat. Und dann gibt es noch die pragmatische Sorge: Was kostet das eigentlich? Wie integriere ich das in unsere Infrastruktur?
Gerade bei kleinen Organisationen fehlt das nötige Wissen, um LLMs sinnvoll einzusetzen. Viktorias Empfehlung: Small Language Models (SLMs), die lokal auf einem Laptop laufen, werden dabei häufig übersehen – obwohl sie für viele Anwendungsfälle ausreichen würden, nichts kosten und Datenschutzprobleme von vornherein vermeiden.
Was die Zahlen über Civic Tech verraten
Neben den Interviews hat Viktoria auch 55 aktive Open-Source-Civic-Tech-Projekte auf GitHub systematisch ausgewertet. Das Bild, das dabei entsteht, ist vielfältig.
- Technisch ist Civic Tech solide aufgestellt: Die meisten Projekte sind webbasiert (JavaScript, HTML, CSS dominieren), viele nutzen professionelle Entwicklungspraktiken wie CI/CD-Pipelines. 43 Prozent der untersuchten Projekte zeigen bereits Spuren von KI-unterstützter Entwicklung – am häufigsten mit Claude Code (20 Projekte) und GitHub Copilot (12 Projekte).
- Die eigentliche Schwachstelle liegt woanders: in den Menschen. Der sogenannte Bus-Faktor – also wie viele Personen ein Projekt wirklich am Laufen halten – liegt im Median bei gerade mal 1. Das heißt: In den meisten Projekten hängt alles an einer einzigen Person. Fällt sie aus, steht das Projekt still.
- Dazu passend: Fast ein Drittel aller Mitwirkenden macht genau einen einzigen Commit – und verschwindet dann wieder. Nur rund ein Drittel bleibt länger als drei Monate aktiv. Einstiegshürden spielen dabei eine Rolle: Kaum ein Projekt hat einen Code of Conduct (nur 14,5 %), klare Governance-Regeln fehlen vollständig, und Issue-Templates – kleine Helfer, die Neulingen erklären, wie sie Fehler melden oder Ideen einbringen – existieren nur in 7 Prozent der Projekte.
Was daraus folgt
Viktoriia zieht aus ihrer Forschung klare Schlüsse: KI-Tools können Civic-Tech-Communities entlasten und beschleunigen – aber sie lösen das eigentliche Problem nicht. Das liegt tiefer, nämlich in mangelnder Dokumentation, fehlenden Strukturen für neue Mitwirkende und einer Community-Resilienz, die oft vernachlässigt wird.
Ihr Fazit lässt sich auf drei Punkte bringen: Dokumentation konsequent pflegen, Einstiegshürden aktiv abbauen, und bei KI-Tools sachlich bleiben – kleine lokale Modelle können oft mehr leisten als gedacht, mit weniger Risiko und ohne Kosten. Wer in der Civic-Tech-Welt aktiv ist, bekommt mit dieser Forschung einen seltenen, datengestützten Blick auf die eigene Community – unbequem an manchen Stellen, aber genau deshalb sehr wertvoll.
