Daten brauchen einen Lebenszyklus

Viele Datenprojekte denken intensiv über Aufnahme und Nutzung nach, aber kaum über das Danach. Dokumente werden hochgeladen, Tabellen zusammengeführt, Gesprächsprotokolle indexiert und Ausgaben gespeichert. Mit jedem Schritt wächst der Bestand. Was fehlt, ist häufig ein System, das festlegt, wann ein Objekt aktiv wird, wer es prüft, wodurch es ersetzt wird und wie es kontrolliert außer Betrieb geht.

Ein Lebenszyklus ist keine grafische Kreisform für Präsentationen. Er ist ein Zustandsmodell mit Verantwortlichkeiten, Regeln, Ereignissen und überprüfbaren Übergängen. Erst dadurch bleibt ein Wissensraum aktuell, rechtmäßig nutzbar und für KI-Systeme beherrschbar.

Der Lebenszyklus beginnt vor der Erfassung

Die erste Frage lautet nicht: Wo speichern wir die Datei? Sie lautet: Warum benötigen wir diese Information? Zweck, erwartete Nutzung, betroffene Personen, Schutzbedarf und notwendige Nachweise bestimmen bereits vor der Aufnahme, welche Daten erhoben werden dürfen und welche Qualität erforderlich ist.

Wer alles sammelt, weil es später nützlich sein könnte, verlagert die Entscheidung nur in die Zukunft. Dann entstehen unbekannte Kopien, widersprüchliche Versionen und Bestände ohne Eigentümer. Für personenbezogene Daten greifen zudem eigene rechtliche Grundsätze; insbesondere Zweckbindung, Datenminimierung und Speicherbegrenzung verlangen eine kontextbezogene Prüfung. Andere Informationen können wiederum gesetzlichen, vertraglichen oder fachlichen Aufbewahrungspflichten unterliegen.

Ein Datenobjekt sollte deshalb beim Eintritt mindestens Zweck, Quelle, Eigentümerrolle, Schutzklasse, Status, Gültigkeitszeitraum, Review-Termin und vorgesehene Aussonderungsregel erhalten. Fehlen diese Angaben, beginnt der Lebenszyklus mit einer offenen Schuld.

Phasen sind weniger wichtig als Zustände und Übergänge

Bezeichnungen wie Erstellen, Speichern, Nutzen, Archivieren und Löschen helfen bei der Orientierung. In realen Systemen verlaufen Daten aber nicht linear. Ein archiviertes Objekt kann für eine Prüfung erneut bereitgestellt werden. Eine Quelle kann zurückgezogen, korrigiert und neu veröffentlicht werden. Ein Entwurf kann verworfen werden, bevor er jemals aktiv war.

Darum ist ein Zustandsmodell präziser. Ein Wissensobjekt kann beispielsweise draft, in_review, approved, active, restricted, superseded, archived, legal_hold oder disposed sein. Jeder Übergang besitzt Auslöser, berechtigte Rolle, Vorbedingungen, Protokoll und Folgewirkungen.

object_id: contract-guide-v4
state: active
valid_from: 2026-07-01
review_due: 2027-01-15
owner_role: legal_content_owner
retention_class: business_guidance
supersedes: contract-guide-v3
on_expiry: block_retrieval_and_review

Der Wert entsteht durch Durchsetzung. Wenn review_due überschritten ist, darf das System nicht nur eine E-Mail senden und unverändert weitermachen. Je nach Risiko wird das Objekt markiert, aus dem Standard-Retrieval entfernt, manuell geprüft oder weiterhin mit sichtbarer Einschränkung verwendet.

Rohdaten, kuratierte Daten und aktive Evidenz sind nicht dasselbe

Eine robuste Architektur trennt Ebenen. Die Rohzone erhält die ursprüngliche Erfassung unverändert und zugriffsgeschützt. Die kuratierte Zone enthält bereinigte, normalisierte oder angereicherte Fassungen mit dokumentierter Ableitung. Der aktive Wissensraum enthält nur Quellen, die für einen bestimmten Zweck, Zeitraum und Nutzerkreis freigegeben sind. Das Archiv bewahrt ausgewählte historische Objekte und Nachweise, ohne sie automatisch jeder KI-Anfrage bereitzustellen.

Diese Trennung verhindert zwei typische Fehler. Erstens wird eine Korrektur nicht still in das Original geschrieben. Zweitens wird „auffindbar" nicht mit „aktuell verwendbar" verwechselt. Historische Dokumente können wertvoll bleiben, dürfen aber eine aktuelle Entscheidung nicht ohne Kontext überstimmen.

Zwischen den Ebenen liegen Qualitäts- und Freigabegates. Sie prüfen Identität, Format, Vollständigkeit, Provenienz, Rechte, Schutzklasse, Version und Zweck. Ein Gate ist eine Entscheidung mit protokolliertem Ergebnis, nicht nur ein erfolgreich ausgeführtes Skript.

Jede Nutzung erzeugt neue Lebenszyklusobjekte

KI-Systeme konsumieren Daten nicht nur. Sie erzeugen Segmente, Embeddings, Zusammenfassungen, Klassifikationen, Prompts, Werkzeugergebnisse, Logs und Antworten. Jedes dieser Artefakte besitzt einen eigenen Zweck, Schutzbedarf und Lebenszyklus.

Ein Dokument kann gelöscht oder zurückgezogen werden, während seine Segmente noch im Vektorindex liegen. Eine falsche Zahl kann aus der Wissensbasis verschwinden, aber in einer gespeicherten Zusammenfassung weiterleben. Personenbezogene Information kann aus der Oberfläche entfernt sein und dennoch in Debuglogs vorkommen. Deshalb muss Provenienz Ableitungen vorwärts und rückwärts sichtbar machen.

Für einen RAG-Bestand lautet die Kette beispielsweise: Original → Extraktion → bereinigtes Dokument → Chunk → Embedding → Indexeintrag → abgerufene Evidenz → Antwort. Eine Zustandsänderung der Quelle löst definierte Aktionen entlang dieser Kette aus: sperren, neu extrahieren, neu einbetten, Index invalidieren, abhängige Zusammenfassungen prüfen und betroffene Antworten kennzeichnen.

Dabei ist nicht jede Ausgabe dauerhaft aufzubewahren. Manche Laufdaten dienen nur der kurzfristigen Fehleranalyse. Andere müssen wegen Audit, Sicherheit oder fachlicher Nachweisbarkeit länger erhalten bleiben. Die Entscheidung folgt Zweck und Risiko, nicht dem technisch verfügbaren Speicherplatz.

Aufbewahrung braucht zwei Fragen: Wie lange und in welchem Zustand?

Eine Zahl wie „sieben Jahre" ist noch keine vollständige Aufbewahrungsregel. Sie braucht einen Startpunkt, ein auslösendes Ereignis, Ausnahmen, Zuständigkeit und eine definierte Aktion am Ende. Beginnt die Frist bei Erstellung, Vertragsende, letzter Änderung oder Abschluss eines Verfahrens? Was geschieht bei einem Rechtsstreit oder einer Untersuchung?

Aufbewahrung bedeutet außerdem nicht, dass Daten während der gesamten Frist aktiv im KI-Kontext bleiben müssen. Ein Objekt kann für Nachweiszwecke geschützt archiviert und gleichzeitig aus Suche, Training und Generierung ausgeschlossen werden. Zugriff, Verschlüsselung, Integritätskontrolle und Wiederherstellbarkeit richten sich nach der Archivfunktion.

Ein legal_hold oder vergleichbarer Sperrstatus kann reguläre Löschung zeitweise aussetzen. Eine solche Ausnahme muss begründet, autorisiert, überprüft und später aufgehoben werden. Dauerhafte Ausnahmezustände sind ein Signal für fehlende Governance.

Löschen ist eine Kette, kein Knopf

Das Entfernen einer Datenbankzeile beendet nicht automatisch den Lebenszyklus. Kopien können in Caches, Suchindizes, Exporten, Data Lakes, analytischen Tabellen, Logs, Sicherungen und Nutzergeräten verbleiben. Auch abgeleitete Artefakte können den Inhalt teilweise erhalten.

Deshalb benötigt Aussonderung einen Geltungsbereich. Das System ermittelt abhängige Objekte, führt die vorgesehene Methode aus, protokolliert Erfolg und Fehler und prüft Restbestände. Bei Speichermedien ist Sanitization eine eigene technische Disziplin; NIST SP 800-88 Rev. 2 beschreibt sie risikobezogen als Verfahren, das Zugriff auf Zieldaten mit einem bestimmten Aufwand unpraktikabel macht.