Data Mesh und das Risiko organisatorischer Fragmentierung

Data Mesh wird zunehmend von Unternehmen eingeführt, die ihre Datenlandschaft skalieren möchten, ohne zentrale Engpässe weiter auszubauen. In vielen Kundenprojekten hat dieser Ansatz genau das geliefert, was er verspricht: klarere Verantwortlichkeiten, schnellere Umsetzung und eine stärkere fachliche Verankerung von Daten. Gleichzeitig zeigen sich in sehr unterschiedlichen Organisationen ähnliche Herausforderungen. Diese Probleme waren zu Beginn nicht sichtbar und sind nicht auf schlechte technische Entscheidungen zurückzuführen. Sie entstehen im laufenden Betrieb. Dieser Blog-Beitrag macht diese Muster sichtbar, ordnet sie wissenschaftlich ein und zeigt, wie man ihnen frühzeitig begegnen kann.

Data Mesh wird häufig als technischer und organisatorischer Durchbruch für skalierbare Datenplattformen beschrieben. Durch domänenorientierte Verantwortung und das Prinzip „Data as a Product“ gewinnen Teams Autonomie, reduzieren Abhängigkeiten von zentralen Plattformteams und können schneller auf fachliche Anforderungen reagieren. Diese Grundidee wird unter anderem in Data Mesh: Delivering Data-Driven Value at Scale von Zhamak Dehghani (2022) beschrieben.

Viele Organisationen sehen die positiven Effekte bereits. In der Praxis zeigt sich jedoch, dass die kritischsten Herausforderungen nicht in Architekturdiagrammen oder Technologieentscheidungen liegen. Sie entstehen in der Zusammenarbeit, im Wissensfluss zwischen Domänen und in der Frage, wie die Organisation als Ganzes funktioniert.

Wenn Autonomie schleichend zur Isolation wird

Ein wiederkehrendes Muster in Data-Mesh-Initiativen ist die zunehmende Isolation einzelner Domänen. Teams arbeiten innerhalb ihrer fachlichen Grenzen sehr effektiv, entfernen sich jedoch schrittweise voneinander.

Ein konkretes Beispiel aus der Praxis verdeutlicht das: In einem Unternehmen entwickelte ein Domänenteam ein internes Tool zur Lösung eines operativen Problems. Die Lösung war technisch solide und wurde produktiv genutzt. Einige Monate später stand ein anderes Domänenteam vor einer sehr ähnlichen Herausforderung. Anstatt die bestehende Lösung zu übernehmen oder weiterzuentwickeln, wurde ein vergleichbares Tool neu entwickelt. Technische Hürden gab es keine. Das Problem war organisatorischer Natur: Die erste Lösung war als „unsere Lösung“ positioniert, nicht dokumentiert oder so gestaltet, dass sie domänenübergreifend nutzbar gewesen wäre. Mit der Zeit häuften sich ähnliche Doppelentwicklungen – mit entsprechendem Mehraufwand in Wartung und Betrieb.

Solche Entwicklungen sind kein Einzelfall. Branchenstudien und qualitative Interviews zeigen, dass Organisationen häufig Schwierigkeiten haben, ein gemeinsames Verständnis davon aufrechtzuerhalten, was Data Mesh konkret bedeutet – insbesondere im Hinblick auf gemeinsame Semantik und die Definition eines „Data Products“ über einzelne Domänen hinweg (Bode et al., 2024; Goedegebuure et al., 2024). Dadurch bleiben lokal erfolgreiche Lösungen isoliert und werden nicht zu organisationsweiten Bausteinen.

Was als sinnvolle lokale Optimierung beginnt, führt schrittweise zu semantischer Fragmentierung. Fachbegriffe, Qualitätsanforderungen und Produktdefinitionen entwickeln sich unterschiedlich weiter. Auch wenn dieselben Begriffe verwendet werden, ist ihre Bedeutung nicht mehr konsistent.

Warum das Problem strukturell ist – nicht persönlich

Naheliegend wäre die Erklärung, dass hier Kommunikationsprobleme oder mangelnde Koordination vorliegen. Forschungsergebnisse legen jedoch nahe, dass die Ursachen tiefer liegen. Sozio-technische Studien zeigen, dass Leistungseinbußen entstehen, wenn der notwendige Koordinationsaufwand nicht mit den vorhandenen Koordinationsmechanismen übereinstimmt (Cataldo et al., 2008). In Data-Mesh-Umgebungen sind domänenübergreifende Abhängigkeiten unvermeidbar, während zentrale Steuerung bewusst reduziert wird.

Studien zur datengetriebenen Transformation zeigen zudem, dass kulturelle Fehlanpassungen und Veränderungsmüdigkeit diese Lücke im Zeitverlauf vergrößern (Ghafoori et al., 2024). Data Mesh ist keine einmalige Initiative, sondern eine langfristige Veränderung von Verantwortlichkeiten und Entscheidungsstrukturen. Ohne kontinuierliche Stärkung gemeinsamer Verantwortung tendieren Teams unter Lieferdruck zur lokalen Optimierung. Unter diesen Rahmenbedingungen ist dieses Verhalten rational.

Frühindikatoren für Fragmentierung

Organisatorische Fragmentierung entsteht nicht abrupt. Sie zeigt sich in kleinen, wiederkehrenden Mustern: steigende Werkzeugvielfalt bei ähnlichen Anwendungsfällen, erfolgreiche Lösungen, die innerhalb einer Domäne bleiben, oder Begriffe wie „Data Product“, „Gold Layer“ oder „Trusted Data“, die je nach Kontext unterschiedlich interpretiert werden.

Diese semantische Drift erhöht den kognitiven Aufwand für domänenübergreifende Zusammenarbeit und untergräbt langfristig Vertrauen. Blohm et al. (2024) beschreiben, dass fehlende gemeinsame Semantik die Interoperabilität von Data Products gefährdet – selbst wenn technische Standards vorhanden sind. In Kombination mit laufenden Transformationsprozessen sinkt die Bereitschaft, in Abstimmung und Standardisierung zu investieren, wenn diese kurzfristig keinen lokalen Mehrwert liefern. Jede Domäne kann weiterhin produktiv erscheinen – die Organisation als Ganzes verliert jedoch an Effizienz.

Gestaltungsansätze gegen Fragmentierung

Die gute Nachricht ist: Diese Risiken sind bekannt und lassen sich adressieren, ohne zur vollständigen Zentralisierung zurückzukehren.

Eine leistungsfähige Self-Service-Datenplattform ist einer der wirksamsten Hebel. Forschung und Praxis zeigen übereinstimmend, dass domänenorientierte Autonomie dann am besten funktioniert, wenn Teams nicht gezwungen sind, grundlegende Infrastruktur immer wieder neu zu entwickeln (Dehghani, 2022; Goedegebuure et al., 2024). In der Praxis bedeutet das: klare, vorkonfigurierte Standards (sogenannte „opinionated defaults“) für Ingestion, Data Quality, Observability und Security. Teams können diese erweitern oder anpassen, beginnen jedoch nicht bei null. So wird unbeabsichtigte Divergenz reduziert und Wiederverwendung realistischer.

Auch föderierte Governance muss mehr sein als ein Konzept auf dem Papier. Studien zeigen, dass Governance scheitert, wenn sie rein beratenden Charakter hat (Bode et al., 2024). „Durchgesetzte“ Governance bedeutet in der Praxis, dass Mindestanforderungen technisch verankert sind – etwa verpflichtende Datenverträge, automatisierte Qualitätsprüfungen oder definierte Ownership-Metadaten als Voraussetzung für Deployments. Es geht nicht um zentrale Freigaben für jede Änderung, sondern darum, Nicht-Compliance sichtbar oder technisch schwierig zu machen.

Communities of Practice adressieren die soziale Dimension. Organisationsforschung – unter anderem im Kontext von Team Topologies (Skelton & Pais, 2019) – zeigt, dass strukturierte Interaktion zwischen autonomen Teams Koordinationsaufwand reduziert. In der Praxis funktionieren solche Communities besonders gut, wenn sie konkrete Artefakte hervorbringen: gemeinsame Bibliotheken, Referenzimplementierungen oder Design Reviews. Entscheidend ist, dass diese Aktivitäten als Teil der regulären Projektarbeit anerkannt werden und nicht als optionale Zusatzaufgabe gelten.

Nicht zuletzt beeinflussen Anreizstrukturen das Verhalten stärker als technische Vorgaben. Studien zur digitalen Transformation und Risikokultur zeigen, dass Fehlanreize Fragmentierung verstärken (Ghafoori et al., 2024; Bockius & Gatzert, 2024). Werden Teams ausschließlich an lokalen Ergebnissen gemessen, bleibt organisationsweite Wiederverwendung zweitrangig. Sichtbarkeit und Anerkennung für domänenübergreifende Beiträge können hier gegensteuern.

Was das für Unternehmen konkret bedeutet

Bei der Einführung von Data Mesh reicht es nicht aus, Architekturmodelle oder technische Patterns zu verstehen – entscheidend ist, wie diese in bestehende Unternehmensstrukturen und -prozesse integriert werden. Genau hier unterstützt adesso Unternehmen mit seiner Data-&-Analytics-Expertise. Gemeinsam mit den Kunden wird ein tragfähiges Zielbild entwickelt, das fachliche und organisatorische Anforderungen berücksichtigt. So wird der Aufbau skalierbarer Datenplattformen ermöglicht.

Ein besonderer Fokus liegt dabei auf der praktischen Operationalisierung: von der Implementierung robuster Plattformkomponenten über die Einführung gemeinsamer Standards und Governance-Modelle bis hin zur Etablierung eines nachhaltigen Betriebs. Auf diese Weise wird sichergestellt, dass autonome Domänen nicht isoliert voneinander agieren, sondern interoperabel bleiben und sich gegenseitig ergänzen.

Fazit

Data Mesh adressiert reale Skalierungsprobleme zentralisierter Datenplattformen. Gleichzeitig verschiebt Dezentralisierung Risiken von der Technologie hin zu Koordination und Kultur. Entscheidend ist nicht, ob diese Risiken existieren, sondern ob sie frühzeitig erkannt und aktiv gestaltet werden.

Data Mesh entfaltet sein Potenzial dann, wenn Autonomie mit tragfähigen Strukturen für Abstimmung kombiniert wird. Plattform, Governance, Anreize und gemeinschaftliche Praktiken sind dabei keine Nebenthemen, sondern zentrale Gestaltungsfaktoren. Forschung und Projekterfahrung zeigen: Diese Balance ist anspruchsvoll, aber erreichbar.