Frau F. arbeitet halbtags als Verkäuferin, hat zwei Kinder und lebt in einer Zweizimmerwohnung in Wuppertal. Ihr Einkommen reicht, aber knapp. Einem Freund fällt beiläufig das Wort “Kinderzuschlag” in einem Gespräch. Frau F. hat davon gehört, weiß aber nicht, ob das für sie gilt und ob es sich lohnt, den Aufwand zu betreiben. Sie sucht kurz online, landet auf einem Formular mit achtzehn Seiten, liest den ersten Absatz und schließt das Fenster wieder.
Was Frau F. nicht weiß: Sie hätte Anspruch. Und wahrscheinlich noch auf zwei weitere Leistungen, die sich mit dem Kinderzuschlag kombinieren lassen.
Das Problem ist nicht Frau F. Das Problem ist, dass das Wissen über ihren Anspruch zwar irgendwo existiert in Gesetzestexten, Verwaltungsvorschriften, kommunalen Richtlinien, aber in einer Form, die weder für sie noch für eine Maschine ohne Weiteres lesbar ist. Es ist Wissen, das schwer zugänglich und erst recht nicht von Externen prozessierbar ist. Das wollte FörderFunke ändern.
Was war FörderFunke?
FörderFunke war ein Open-Source-Projekt, gegründet im August 2024 von Ben Gläser und Benjamin Degenhart, mit einer strukturell einfachen, aber praktisch schwer umzusetzenden Idee: Nicht die Bürger*innen sollen Sozialleistungen suchen, die Leistungen sollen die Berechtigten finden. Hintergrund ist ein gut dokumentiertes Problem: Sozialleistungen werden systematisch nicht in Anspruch genommen, aus Unwissenheit, wegen der Komplexität der Antragsprozesse oder aufgrund psychologischer Barrieren wie Scham. Zum Beispiel ruft beim Kinderzuschlag nach verfügbaren Schätzungen jede dritte anspruchsberechtigte Person die Leistungen nicht ab.
FörderFunke versuchte, diesem Informationsgefälle mit einem technisch durchdachten Ansatz zu begegnen: Linked Open Data als semantisches Fundament, Privacy by Design durch vollständige clientseitige Verarbeitung (keine Daten verlassen das Endgerät der Nutzenden), und ein Open-Source-Kern, der zur Nachnutzung einlädt. Das Matching, also die Frage, ob jemand Anspruch auf eine bestimmte Leistung hat, wurde über SHACL-Anforderungsprofile realisiert: maschinenlesbare Regelwerke, die Gesetzestexte in formale Logik übersetzen.
Anfang 2026 haben Ben und Benjamin entschieden, das Projekt nicht weiterzuführen. In einem abschließenden LinkedIn-Post schrieben sie, dass die Dinge nicht so gelaufen seien wie erhofft, aber dass FörderFunke in irgendeiner Form vielleicht noch einen Weg finde werde. Als letzten Meilenstein haben sie ihre gesamte Kernlogik als offenen Datensatz veröffentlicht. Genau dieser Datensatz ist nun über den Datenatlas Zivilgesellschaft zugänglich.
Maschinenlesbare Rechtsregeln als Open Data: Ein Datensatz, der mehr ist als er scheint
Manchmal steckt in einem Datensatz mehr, als auf den ersten Blick erkennbar ist. Das gilt für einen Datensatz, den wir als OKNRW in jüngster Vergangenheit auf dem Datenatlas Zivilgesellschaft veröffentlicht haben: die gesammelten semantischen Definitionen von FörderFunke, Leistungsvoraussetzungen als SHACL-Shapes, Datenfeld-Definitionen als Turtle-Files und Inferenzregeln als SPARQL-Queries. Was sich technisch abstrakt anhört, ist in Wirklichkeit ein Proof of Concept für etwas, das im deutschen Open-Data-Ökosystem noch weitgehend fehlt: ausführbare, maschinenlesbare Rechtsregeln als öffentlich zugängliche Wissensartefakte.
Was ist der Datenatlas Zivilgesellschaft?
Der Datenatlas Zivilgesellschaft ist ein Metadatenportal für offene Daten aus der Zivilgesellschaft. Er richtet sich an Interessierte, die Daten mit gesellschaftlichem Mehrwert suchen, teilen oder nachnutzen wollen. Das Ziel ist es, Daten nicht nur zu veröffentlichen, sondern sie in einen Kontext zu stellen, der Anschluss und Weiterverarbeitung erleichtert. Ein Ansatz, der gut zu dem passt, was FörderFunke aufgebaut hat.
Warum dieser Datensatz wichtig ist
Wer den Datensatz herunterlädt, bekommt kein fertiges Produkt. Er bekommt etwas konzeptuell Interessanteres: eine strukturierte, maschinenlesbare Repräsentation von Rechtsregeln, also von dem, was Gesetze und Verordnungen unter bestimmten Bedingungen vorschreiben oder ermöglichen. Benjamin Degenhart hat dafür in seinem Abschlusskommuniqué den Begriff “executable knowledge artefacts” geprägt, und das trifft es gut.
Im deutschen Open-Data-Diskurs wird viel über Haushaltsdaten, Geodaten, Mobilitätsdaten oder statistische Datensätze gesprochen. Regelwerke als strukturierte, nachnutzbare Datenebene kommen kaum vor, obwohl sie für eine Reihe gesellschaftlich relevanter Anwendungen grundlegend wären.
Drei Perspektiven machen das deutlich:
Nachnutzung und Interoperabilität. Aktuell übersetzt jeder Fachverfahrensanbieter Gesetze eigenständig in seine Systemlogik. Das führt zu Redundanz, Inkonsistenz und einem Millionenmarkt an proprietären Insellösungen. Eine gemeinsam gepflegte, offene Regelschicht, wie FörderFunke sie angedacht hat, könnte das ändern. Die Idee ist nicht neu; OpenFisca in Frankreich zeigt seit Jahren, dass ministerielle Regelwerke als offener Code funktionieren können. In Deutschland fehlt das Äquivalent noch weitgehend.
Folgenabschätzung. Maschinenlesbare Rechtsregeln eröffnen die Möglichkeit, Gesetzesänderungen simulativ durchzuspielen: Welche Bevölkerungsgruppen wären betroffen? Welche Leistungen schließen sich unter neuen Bedingungen gegenseitig aus? Welche Konsequenzen hätte eine Einkommensgrenze, wenn sie um zehn Prozent verschoben würde? FörderFunke hat solche Szenarienanalysen als explizites Entwicklungsziel formuliert. Was bisher fehlt, ist die Datenbasis dafür auf breiter Ebene.
Chancengerechtigkeit. Der vielleicht unmittelbare gesellschaftliche Bezug liegt darin, dass Informationsgefälle über Leistungsansprüche nicht zufällig verteilt sind. Sie reproduzieren strukturelle Ungleichheiten: Wer bildungsferner ist, schlechter Deutsch spricht oder keinen Zugang zu Beratungsstrukturen hat, weiß seltener, was ihm zusteht. Ein offenes, maschinenlesbares Regelwerk ist keine hinreichende Bedingung für Chancengerechtigkeit, aber es ist eine notwendige Infrastruktur, um überhaupt niedrigschwellige Werkzeuge dafür bauen zu können.
Was jetzt gebraucht wird
FörderFunke hat als Startup mit begrenzten Ressourcen bewiesen, dass der Ansatz funktioniert: Gesetzestexte können in formale, maschinenlesbare Logik übersetzt werden, die Matching-Prozesse ermöglicht und gleichzeitig offen, nachnutzbar und datenschutzkonform ist. Dass das Projekt endet, ist bedauerlich, das Projekt ist seiner Zeit voraus. Wenigstens der Datensatz bleibt und er ist anschlussfähig.
Was jetzt gebraucht wird, ist zweierlei: Erstens eine breitere Diskussion darüber, dass maschinenlesbare Rechtsregeln als eigenständige Kategorie offener Daten behandelt werden sollten, mit entsprechender Priorität in Förder- und Standardisierungsprozessen. Zweitens die konkrete Nachnutzung dessen, was FörderFunke erarbeitet hat: die SHACL-Shapes, die Turtle Files, die SPARQL Queries, als Ausgangspunkt für neue Projekte, nicht als Endpunkt einer abgeschlossenen Initiative.
Der Datensatz ist offen zugänglich auf dem Datenatlas Zivilgesellschaft.
Wer die Daten nachnutzen, weiterentwickeln oder in eigene Projekte integrieren möchte, findet dort den Einstieg und ist eingeladen, den nächsten Schritt zu tun.
zum Datensatz auf dem Datenatlas Zivilgesellschaft
