Ein dreistufiges Rahmenkonzept für intelligentere Städte

Die Sensoren funktionieren, die Dashboards sind in Betrieb, und dennoch kann die Stadt eine einfache Frage nicht beantworten. Den Städten, die auf der Stelle treten, mangelt es nicht an Technologie, sondern an einem gemeinsamen Verständnis, und diese Lücke verursacht Kosten, die sich immer weiter summieren.

Eröffnungsabend in der neuen Leitstelle einer Stadt. An der gegenüberliegenden Wand ist ein Mosaik aus Live-Bildern zu sehen: Der Verkehr läuft reibungslos, die Luftqualität ist im Normbereich, die Energiebilanz stimmt, alle Sensoren melden ordnungsgemäß. Das Projekt wurde innerhalb des vorgegebenen Zeit- und Budgetrahmens abgeschlossen. Der Raum hat allen Grund, stolz zu sein.

Dann stellt ein leitender Angestellter eine ganz einfache Frage: In welchen Stadtvierteln verschlechtert sich die Lage, und wie viele schwerwiegende Vorfälle gab es diese Woche?

Es wird still im Raum. Nicht, weil das data fehlt. Es ist vollständig vorhanden und leuchtet an der Wand. Der Grund ist, dass die Verkehrsplattform, das Sicherheitssystem und die Umgebungsdaten jeweils unterschiedliche Definitionen für “Vorfall” und “Nachbarschaft” verwenden, und niemand hat jemals entschieden, welche Definition maßgeblich ist. Die Stadt kann alles wahrnehmen, kommt aber zu keinem Ergebnis.

Dies ist kein Fehler, der in der nächsten Version behoben wird. Es handelt sich um das Kennzeichen eines spezifischen, kostspieligen und weit verbreiteten Versagens, und die Technologie ist dabei fast nie der Grund.

Die Verführung durch den Sensor

Es ist leicht nachvollziehbar, wie Städte in diese Situation geraten können. Sensorik, Prognosen und Optimierung sind mittlerweile äußerst leistungsfähig und leicht zu beschaffen. Ein Anbieter kann noch in diesem Quartal ein Echtzeit-Verkehrsmodell einrichten. Ein Kameranetzwerk meldet einen Vorfall schneller als jede Streife. Die Möglichkeiten sind real und nehmen rasch zu, sodass Führungskräfte zu dem vernünftigen Schluss kommen, dass der schwierige Teil der Aufgabe gerade vor ihren Augen gelöst wird.

Doch der Teil, den Sie sehen und kaufen können, ist der einfache Teil. Er lässt sich gut veranschaulichen, und genau deshalb zieht er die finanziellen Mittel an. Der Wert einer Stadt liegt, genau wie der eines Unternehmens, nicht nur in ihrer Infrastruktur. Ihr Wert liegt in einer Ebene, die keine Plattform von Haus aus mitbringt: in der gemeinsamen Bedeutung ihres data und in der Rechenschaftspflicht dafür, was damit geschieht. Infrastruktur und das data-Volumen bedeuten noch kein Verständnis; in der Kluft zwischen beiden entscheidet sich, ob der Wert einer Smart City gewonnen oder verloren wird.

“Sensoren, Plattformen und Modelle können von jedem beschafft werden, und genau deshalb verschaffen sie keinen Wettbewerbsvorteil mehr. Dieser Vorteil liegt nun in der Bedeutung, die hinter der Technologie steht: Was das data darstellt und ob sich die Organisation darüber einig ist. Das ist etwas, das eine Organisation aufbauen muss – und nicht kaufen kann.” – Ali Farhat, Data Engineering-Manager, Artefact

Drei Ebenen: die Messung, das Modell, der Auftrag

Wir haben die Erfahrung gemacht, dass es sinnvoll ist, das Smart-City-Konzept „data“ in drei unterschiedliche Ebenen zu unterteilen. Jede Ebene löst ein anderes Problem, hat andere Verantwortliche und weist einen unterschiedlichen Automatisierungsgrad auf.

Das Messgerät basiert auf maschinengestützter Sensorik. Telemetrie, Computer Vision, Prognosen, Anomalieerkennung. Strukturierte Arbeit mit messbaren Ergebnissen und der ideale Bereich für eine konsequente Automatisierung. Es ist zudem die Ebene, in die jeder übermäßig investiert, da man die Ergebnisse hier sichtbar an die Wand hängen kann. Das Prinzip ist einfach: Wenn sich das Signal kostengünstig definieren und überprüfen lässt, sollten Sie es automatisieren.

Das Modell ist die gemeinsame Bedeutung. Die Definitionen, auf die sich alle Behörden einigen müssen, bevor dem data Vertrauen geschenkt werden kann, und die Punkte, in denen sie stillschweigend unterschiedlicher Meinung sind. Eine “Zone” ist für das Parkraummanagement ein Parkbereich und für die öffentliche Sicherheit ein Polizeibezirk, wobei sich die beiden Grenzen niemals decken. Ein “Vorfall” ist für das Straßennetz eine Verkehrsstörung und für das Sicherheitssystem eine Personenschädigung. Ein “Objekt” ist für die Straßenverkehrsbehörde eine einzelne Straße und für das Instandhaltungsteam hundert nummerierte Abschnitte. Ein Wort, zwei Bedeutungen – und die Gesamtzahlen stimmen nie überein. Es sind diese Codelisten, die KPI-Definitionen und die systemübergreifenden Zuordnungen, die es einem Verkehrsdatenfeed und einem Planungssystem ermöglichen, sich darauf zu einigen, dass sie dieselbe Straße beschreiben. Es ist ein langwieriger, abteilungsübergreifender und wenig glamouröser Prozess, und kein Anbieter kann ihn von Anfang bis Ende umsetzen. Genau aus diesem Grund wird er oft übersprungen. Das Prinzip lautet: Interoperabilität ist eine Entscheidung, kein Kauf.

Das Mandat bedeutet, dass Menschen die Verantwortung tragen. Data Souveränität. Datenspeicherung und Datenschutz. Der Kompromiss zwischen Überwachung und Dienstleistung. Das Vertrauen, das darüber entscheidet, ob die Bürger die nächste Funktion überhaupt akzeptieren. Die Technologie kann jeden dieser Aspekte beeinflussen. Die Menschen müssen die Kontrolle darüber behalten. Das Prinzip lautet: Die Rechenschaftspflicht muss beim Menschen liegen.

ABBILDUNG 1 – Der Messwert, das Modell, der Auftrag: das charakteristische dreistufige Rahmenkonzept, vom maschinengesteuerten zum menschenorientierten Ansatz, wobei jede Ebene mit ihrer Definition und ihrem Prinzip versehen ist.

Die Ebenen verschieben sich im Laufe der Zeit, und das ist auch gut so. Mit der Verbesserung der Werkzeuge fließen immer mehr Messdaten nahtlos in das „Meter“ ein, wodurch den Menschen Zeit für die Beurteilung bleibt, die nur sie leisten können. Doch die technischen Möglichkeiten entwickeln sich schneller als die Verantwortlichkeit, und die Tatsache, dass eine Aufgabe automatisierbar wird, bedeutet nicht, dass die damit verbundene Entscheidung kontextfrei ist. Das Versagen liegt nicht in der Automatisierung. Das Versagen besteht darin, das „Meter“ zu finanzieren, mit einer Vision-Präsentation auf das „Mandat“ hinzuweisen und dabei das „Modell“ auszuhöhlen.

Nimmt man den Rahmen weg, sieht der Turm von der Straße aus immer noch beeindruckend aus. Er ist lediglich nicht bewohnbar.

Diese Kosten haben einen Namen: Schulden

Wenn eine Stadt schneller entwickelt, als sie Bedeutungen standardisiert, bleibt diese Lücke nicht bestehen. Sie vergrößert sich still und leise, wie Zinsen. Wir bezeichnen dies als „Bedeutungsschuld“, und ähnlich wie technische Schulden ist sie in der Demo unsichtbar, rächt sich jedoch bei der Auslieferung.

ABBILDUNG 2 – Bedeutung von „Schulden“: Die Möglichkeiten der Instrumentalisierung eilen der Reife der gemeinsamen Bedeutung voraus.

Dies äußert sich in konkreten Geschäftskosten, nicht in abstrakten Begriffen. KPIs, die zwar ausgewiesen werden, aber nicht tatsächlich durchgängig berechnet werden können, sodass das Führungs-Dashboard reine Augenwischerei ist. Integrationen, die ins Stocken geraten, weil sich zwei Systeme nicht miteinander abstimmen lassen, ohne dass eine Person manuell zwischen ihnen vermittelt. Nacharbeit, da jede neue Quelle, die einer inkohärenten Grundlage hinzugefügt wird, den späteren Aufwandsaufwand vergrößert. Compliance-Risiken, die erst spät entdeckt werden, da Aufbewahrungsfristen und Zuständigkeiten nie definiert wurden. Und das langsamste und teuerste Symptom von allen: eine Zeit bis zur Wertschöpfung, die sich immer weiter verzögert, da die Plattform zwar fertiggestellt ist, die Stadt aber immer noch keine Entscheidungen damit treffen kann.

Wir haben erlebt, dass ein data-Modell alle automatisierten Prüfungen bestanden hat – ohne Fehler und ohne Warnungen – und dennoch völlig unbrauchbar blieb. Die Struktur war einwandfrei, daher wurde es validiert. Doch die Codelisten, die zur Einschränkung der Werte dienen sollten, waren leer und warteten darauf, dass ein Geschäftsverantwortlicher sie bestätigte. Die Leistungsindikatoren waren zwar im Modell enthalten, verfügten jedoch über keine Formel, sodass keine Berechnung erfolgen konnte. Die Zuordnungen, die den data-Ablauf einer Behörde in eine andere überleiten sollten, existierten nicht. Die Felder für Aufbewahrungsfristen und Zuständigkeit waren leer. Alles war grün, aber es konnte keine Entscheidung getroffen werden. Das Schema wurde als fertiggestellt angezeigt, da der Wert nie im Schema enthalten war. Er lag in den Hunderten von Vereinbarungen zwischen den Beteiligten, auf deren Bestätigung das Schema wartete.

Das ist keine hypothetische Annahme

Die Misserfolge, die Schlagzeilen machen, sind auf kommunaler Ebene nichts anderes als dieselbe Geschichte.

Sidewalk Labs, ein Unternehmen von Alphabet, erhielt 2017 den Zuschlag für den Bau eines „Smart District“ an der Uferpromenade von Toronto, mit der Vision, den öffentlichen Raum mit Sensoren zu durchziehen. Das Projekt scheiterte im Jahr 2020. Als Grund wurden wirtschaftliche Faktoren angegeben, doch bereits seit zwei Jahren hatte sich das Projekt aufgrund einer Frage aufzulösen begonnen, die die Technologie selbst nicht beantworten konnte: Wer regelt den Umgang mit den data-Daten, die eine Stadt über ihre Einwohner sammelt? Die datenschutzbeauftragte des Projekts trat zurück, als sie keine Garantie dafür erhalten konnte, dass die Daten zum Zeitpunkt der Erfassung anonymisiert würden. An „The Meter“ gab es nie Zweifel. Das Mandat wurde nie geklärt.

Songdo, das auf aufgeschüttetem Land in der Nähe von Incheon für mehrere zehn Milliarden errichtet wurde, wurde jahrelang als vorbildliche Smart City vermarktet – mit Sensoren und Automatisierung überall. Es ist zudem zum Inbegriff eines Ortes geworden, der zwar technisch voll ausgestattet, aber seltsam leblos ist und über den häufig berichtet wird, dass er nicht ausreichend genutzt wird. Die technische Ausstattung funktionierte. Was fehlte, war die schwierigere, menschliche Frage, wozu die Stadt eigentlich diente. Die technische Ausstattung kann makellos sein und dennoch einen Ort messen, in dem niemand leben möchte.

Selbst die umsichtigsten Städte lernen das Mandat auf die harte Tour kennen. Singapur führte ein Tool zur Kontaktverfolgung während der Pandemie ein, wobei der Öffentlichkeit versichert wurde, dass das „data“ ausschließlich zur Kontaktverfolgung genutzt werden würde. Als später bekannt wurde, dass die Polizei nach geltendem Recht Zugriff auf dieses „data“ hatte, zwangen die heftigen Reaktionen die Einführung neuer Gesetze, um dessen Nutzung einzuschränken. Die Technologie hatte genau so funktioniert, wie sie konzipiert worden war. Was jedoch nicht im Voraus vereinbart worden war, war die Zusicherung darüber, wozu das data dienen sollte. Vertrauen entscheidet sich im Mandat, nicht im Meter, und in einer Stadt entscheiden diese Momente darüber, ob die Bürger der nächsten Maßnahme zustimmen.

ABBILDUNG 3 – Ein Wort, zwei Bedeutungen.

Die Gegenbeispiele lassen sich in zwei Arten unterteilen, und beide sind aufschlussreich.

Einige haben diese Schulden nie angehäuft. Estland ist das deutlichste Beispiel. Seine nationale data-Austauschplattform „X-Road“ ermöglicht es öffentlichen Systemen seit Dezember 2001, data-Daten sicher auszutauschen – nach dem Prinzip der einmaligen Erfassung: Ein Bürger übermittelt dem Staat eine Information einmalig, und jede Behörde nutzt diese wieder, anstatt erneut danach zu fragen. Estlands X-tee verarbeitet mittlerweile jährlich rund zwei Milliarden Abfragen. Finnland schloss sich 2015 derselben Backbone-Infrastruktur an, und seit 2017 entwickeln die beiden Länder diese gemeinsam über das Nordic Institute for Interoperability Solutions, eine Einrichtung, die sich in ihrem gemeinsamen Besitz befindet. Das Modell wurde von Anfang an als Infrastruktur konzipiert, weshalb sich jeder seitdem hinzugefügte Dienst nahtlos in diese einfügen konnte.

Andere haben die Schulden bewusst abgebaut. Barcelona definierte „City data“ neu als gemeinsames bürgerliches Gut und bestand darauf, dass seine Plattformen den Einwohnern dienen und nicht umgekehrt. Amsterdam und Helsinki gingen im Rahmen des Mandats noch einen Schritt weiter und veröffentlichten öffentliche Register der von ihren Verwaltungen verwendeten Algorithmen, damit die Einwohner die auf sie angewandte automatisierte Logik einsehen und anfechten können. Nichts davon ist technikfeindlich. Es handelt sich um Rechenschaftspflicht, die als Infrastruktur behandelt wird.

Der ehrliche Einwand

Auf der anderen Seite gibt es ein schwerwiegendes Argument, das eine faire Anhörung verdient.

Ein disziplinierter Technologieführer wird Ihnen sagen, dass man data nicht steuern kann, das man nicht erfasst hat, und dass das Warten darauf, dass sich ein Dutzend Behörden auf jede einzelne Definition einigen, ein sicheres Rezept dafür ist, dass das Produkt niemals auf den Markt kommt. Standards entstehen aus der Praxis, nicht in Ausschüssen. Installieren Sie die Sensoren, sorgen Sie dafür, dass die data-Daten fließen, und verhandeln Sie erst dann über die Bedeutung, wenn es tatsächlich etwas Konkretes gibt, worüber man diskutieren kann. Und ein Teil der “Bedeutungsarbeit”, die Berater so sehr lieben, ist reine Formsache – ontologische Debatten, die länger dauern als das Budget und nichts ändern.

Teile davon sind zutreffend. Eine Stadt, die sich weigert, die Automatisierung voranzutreiben, bis alle Bedingungen geklärt sind, wird ins Hintertreffen geraten, und ihre Mitarbeiter werden weiterhin manuell erledigen, was Maschinen übernehmen könnten. Doch die Argumentation endet einen Schritt zu früh. Es geht nicht darum, den „Meter“ zu verlangsamen. Es geht darum, das „Modell“ parallel zu finanzieren, damit die Automatisierung auf einem Fundament landet, das sie auffangen kann. Das Überspringen des Modells beseitigt die Arbeit nicht. Es wandelt sie in eine Art Schuld um und berechnet dafür Zinsen. Toronto und Singapur haben keine Schwäche der intelligenten Technologie offenbart. Sie haben die Kosten aufgezeigt, die entstehen, wenn man zuerst die einfachen Fragen klärt und die schwierigen unter Zeitdruck.

Wo Sie beginnen sollten

Programme, die Wert schaffen, anstatt Schulden anzuhäufen, verfolgen in der Regel vier Strategien.

Finanzieren Sie das Modell als eigenständigen Arbeitsbereich und nicht als Nebenprodukt. Weisen Sie gemeinsamen Definitionen, Codelisten und systemübergreifenden Zuordnungen einen namentlich benannten Verantwortlichen und ein Budget zu, und führen Sie dies parallel zur Plattform durch, anstatt erst im Anschluss daran. Das Modell ist keine Dokumentation, die Sie am Ende verfassen. Es ist eine Infrastruktur, die Sie parallel aufbauen.

Messen Sie Ergebnisse, die ein Bürger erkennen würde. Es geht nicht um installierte Sensoren oder ausgelieferte Dashboards, sondern um beantwortete Fragen und verbesserte Dienstleistungen. Ein einfacher Test: Wenn sich ein KPI heute nicht durchgängig aus echten data-Daten berechnen lässt, ist er noch kein KPI. Er ist lediglich eine Absicht.

Legen Sie den Auftrag vor der Einführung klar fest, nicht erst nach dem Vorfall. Legen Sie von vornherein fest, wer für data verantwortlich ist, wer die Daten aufbewahrt und wer Zugriff darauf hat, und machen Sie die Logik dort sichtbar, wo sie die Bürger betrifft. Vertrauen aufzubauen ist kostengünstiger, als es wiederherzustellen.

TBetrachten Sie Interoperabilität als vertragliche Verpflichtung. Legen Sie bei jedem behördenübergreifenden Datenaustausch die maßgebliche Datenquelle, die gemeinsamen Definitionen und die Aktualisierungshäufigkeit vor der Integration fest – nicht erst im Rahmen einer Eskalation.

Was diese vier Schritte gemeinsam haben, ist, dass keiner davon erkauft werden kann. Jeder einzelne ist eine Entscheidung, für die jemand die Verantwortung übernehmen muss.

“Eine Stadt wird nicht dadurch intelligenter, dass sie mehr erfasst. Sie wird in dem Moment intelligenter, in dem die Sensordaten data Bedeutung erhalten, diese Bedeutung in Entscheidungen umgesetzt wird und diese Entscheidungen zu Ergebnissen führen. Das ist die wahre Infrastruktur, und sie ist das Einzige, was man weder kaufen, automatisieren noch aufschieben kann.” – Roland Debbane, Partner, Artefact

Dies gilt unabhängig davon, ob eine bestehende Stadt sich zu einer „smarten“ Stadt entwickelt oder ob eine neue Stadt von Grund auf neu errichtet wird. Der Neubau hat keine alten Silos, die es zu entwirren gilt, was einen echten Vorsprung darstellt; allerdings muss er das Messsystem, das Modell und das Mandat gleichzeitig und zügig umsetzen – und das, obwohl die Definitionen noch gar nicht feststehen. Die bestehende Stadt verfügt über diese Silos und damit über den Vorteil, genau zu wissen, welche Fragen sie bereits nicht beantworten kann. So oder so: Wenn Sie das Modell frühzeitig richtig aufsetzen, zahlt sich dies aus: Jeder neue Dienst lässt sich nahtlos in ein Fundament einfügen, das bereits passt. Überspringen Sie diesen Schritt, werden Sie Jahre damit verbringen, eine Interoperabilitätsabgabe für eine Plattform zu zahlen, die zwar fertig erscheint, aber keine einfache Frage beantworten kann.

Zurück in der Einsatzzentrale

Stellen Sie sich dieselbe Feed-Wand ein Jahr nach Beginn eines Programms vor, das die unscheinbare Arbeit geleistet hat. Die Führungskraft stellt dieselbe Frage. Diesmal wird es im Raum nicht still, denn die Begriffe “Vorfall” und “Nachbarschaft” haben systemübergreifend eine einheitliche Bedeutung, die Formel hinter dem Indikator ist für jeden einsehbar, und es ist klar, wer für das data verantwortlich ist und wer die Entscheidung zu verantworten hat. Die Sensoren sind nicht besser als am ersten Abend.

Die Stadt hat schlichtweg gelernt, durch das, was sie wahrnimmt, Bedeutung zu erlangen.

Dies ist kein Argument dafür, das Tempo zu drosseln. Städte, die bei KI und Sensorik zögern, werden im Wettbewerb den Kürzeren ziehen, und ihre Einwohner werden darunter leiden. Es ist vielmehr ein Argument dafür, eine Smart City als eine Frage der Organisationsgestaltung und nicht der Beschaffung zu betrachten und jene Ebene zu finanzieren, die Ihnen kein Anbieter verkaufen wird, weil kein Anbieter dazu in der Lage ist.

Technologie kann eine Stadt ausstatten, doch erst die Menschen verleihen ihr Bedeutung. Bevor Sie den nächsten Arbeitsablauf automatisieren, entscheiden drei Fragen darüber, ob Sie einen Wert schaffen oder Schulden anhäufen:

Was gehört in die Meter? Wo muss die Modell Was muss offengelegt werden, bevor man dem data vertrauen kann? Wer ist verantwortlich für die Auftrag, und wer trägt die Verantwortung für die Folgen?