---
title: "Single Source of Truth: Definition und Beispiel"
description: "Single Source of Truth erklärt: warum jede Information einen maßgeblichen Ort braucht, warum das kein System für alles ist und was KI-Antworten davon haben."
url: https://carl-wuerfel.de/glossar/single-source-of-truth
author: Carl-Uwe Würfel
---

1. [Start](https://carl-wuerfel.de/)
  2. [Wissen](https://carl-wuerfel.de/wissen)
  3. [Glossar](https://carl-wuerfel.de/glossar)
  4. Single Source of Truth

# Single Source of Truth

Eine Single Source of Truth (SSOT) ist der festgelegte Ort, an dem eine bestimmte Information gepflegt wird und dessen Fassung gilt, wenn Kopien in anderen Systemen abweichen.

## Auf dieser Seite

  1. Ein maßgeblicher Ort je Information ist kein System für alles
  2. Gepflegt wird an einer Stelle, gelesen überall
  3. Zuständig ist der Fachbereich, der die Daten kennt
  4. Für KI begrenzt die Quelle die Qualität der Antwort
  5. Bei personenbezogenen Daten verlangt das Recht ohnehin Richtigkeit
  6. Woran man eine gute Umsetzung erkennt
  7. Die Grenze des Begriffs
  8. Häufige Fragen
  9. Quellen

Für jede Angabe steht fest, wo sie gilt und wer sie pflegt.

_Abbildung: Baum am Beispiel eines Großhändlers für Sanitärbedarf vor dem Start eines KI-Assistenten im Innendienst. Oben die Frage, wo welche Angabe gilt. Darunter die Festlegung: Preise gelten nur im ERP und werden vom Einkauf gepflegt, Kundendaten nur im CRM, Produkttexte im PIM, die Rückgaberegel im Handbuch. Hervorgehoben als Vorsicht: Die Preislisten in Tabellen der Vertriebsteams werden abgeschaltet. Darunter: Der Assistent liest nur aus den maßgeblichen Orten und nennt zu jeder Antwort Quelle und Stand._

Single Source of Truth heißt wörtlich „einzige Quelle der Wahrheit“. Gemeint ist eine Festlegung im Unternehmen. Für jede Angabe steht fest, wo sie gilt und wer sie pflegt. Die Kundenadresse kommt dann aus dem CRM, der Listenpreis aus dem ERP, die Reisekostenregel aus dem Handbuch. Andere Systeme lesen von dort oder bekommen Kopien, die sich automatisch aktualisieren. Für den maßgeblichen Ort eines Datenbereichs ist auch der Begriff System of Record üblich.

In der Softwareentwicklung ist ein verwandter Grundsatz seit Langem bekannt. Andy Hunt und Dave Thomas, Autoren von „The Pragmatic Programmer“, fassten ihn 2003 in einem Interview so: Jedes Stück Systemwissen soll eine maßgebliche, eindeutige Darstellung haben. Dazu zählten sie ausdrücklich auch Datenbankschemata und Dokumentation.

Für Führungskräfte wird das Thema mit KI dringlicher. Ein [KI-Assistent](https://carl-wuerfel.de/glossar/ki-assistent), der über [Retrieval-Augmented Generation](https://carl-wuerfel.de/glossar/rag) (RAG) in Unternehmensdokumenten sucht, antwortet aus dem, was er findet. Liegen drei Fassungen einer Preisliste im Laufwerk, kann er jede davon zitieren. Widersprüchliche Kopien führen zu widersprüchlichen Antworten.

Beispiel

Ein Großhändler für Sanitärbedarf will einen KI-Assistenten für den Innendienst einführen, der Fragen zu Preisen, Kundendaten und Rückgaberegeln beantwortet. Vorher legt er fest: Preise gelten nur im ERP und werden vom Einkauf gepflegt, Kundendaten nur im CRM, Produkttexte im PIM, die Rückgaberegel im Handbuch. Die Preislisten in Tabellen, die einzelne Vertriebsteams geführt hatten, werden abgeschaltet. Der Assistent liest nur aus den maßgeblichen Orten und nennt zu jeder Antwort Quelle und Stand.

Kapitel 1 von 7

## Ein maßgeblicher Ort je Information ist kein System für alles.

Eine Single Source of Truth verlangt nur, dass jede Information an genau einer Stelle gepflegt wird. Ein Unternehmen hat dann mehrere maßgebliche Orte nebeneinander: den Kundenstamm im CRM, Artikel und Preise im ERP, Produkttexte im PIM, Arbeitsanweisungen im Handbuch.

Ein Gesamtsystem stößt außerdem an die Grenzen der Fachsprache. Martin Fowler beschreibt einen Stromversorger, in dem das Wort „Zähler“ je nach Abteilung den Netzanschluss, die Kundenbeziehung oder das Gerät meinte. Er zitiert Eric Evans: Eine vollständige Vereinheitlichung des Datenmodells sei für ein großes System weder machbar noch wirtschaftlich. Bei Begriffen wie Kunde oder Produkt ist es ähnlich.

Am Anfang steht deshalb die Begriffsklärung: was ein Datenbereich umfasst und welcher Ort für ihn gilt. Die Frage nach dem Werkzeug kommt danach.

Kapitel 2 von 7

## Gepflegt wird an einer Stelle, gelesen überall.

Für jeden Datenbereich steht fest, welches System maßgeblich ist und wer dort Änderungen vornimmt. Jeder Datensatz trägt eine eindeutige Kennung, etwa eine Kunden- oder Artikelnummer. Andere Systeme finden ihn über diese Kennung, statt eine eigene Fassung anzulegen. Sie lesen über Schnittstellen oder erhalten Kopien, die nur in eine Richtung laufen, vom maßgeblichen Ort nach außen. Wer einen Preis direkt im Shop ändert, umgeht diesen Weg.

Kopien bleiben erlaubt. Ein Data Warehouse für Auswertungen, ein Suchindex oder die Wissensbasis eines KI-Assistenten sind Kopien. Sie speisen sich aus der Quelle, kennen ihren Stand und werden nicht zurückgeschrieben, ohne dass die Quelle davon erfährt.

Zu jedem Datensatz gehört außerdem, wann und von wem er zuletzt geändert wurde. So lässt sich bei widersprüchlichen Zahlen schnell klären, welche Fassung gilt.

Kapitel 3 von 7

## Zuständig ist der Fachbereich, der die Daten kennt.

Technik allein schafft keine Single Source of Truth. Für den Inhalt eines Datenbereichs muss jemand zuständig sein, der festlegt, was ein gültiger Eintrag ist, Fehler behebt und Änderungen freigibt. Naheliegend ist der Fachbereich, der die Daten im Alltag erzeugt, etwa der Einkauf für Lieferantenpreise oder die Personalabteilung für Stellenbeschreibungen. Die IT stellt Systeme, Schnittstellen und Rechte bereit.

Zhamak Dehghani beschreibt denselben Gedanken für Analysedaten im Konzept Data Mesh: Die Verantwortung für [Datenqualität](https://carl-wuerfel.de/glossar/datenqualitaet) rückt so nah wie möglich an die Quelle der Daten. Für Stammdaten und Prozesswissen gilt dieselbe Logik. Wer einen Fehler bemerkt, meldet oder behebt ihn an der Quelle, statt ihn in einer Kopie zu überschreiben.

Ohne benannte Zuständigkeit veraltet die offizielle Fassung. Teams legen wieder eigene Tabellen an, und der alte Zustand ist zurück. Die Zuständigkeiten gehören deshalb in die [Data Governance](https://carl-wuerfel.de/glossar/data-governance), mit einer Rolle je Datenbereich.

Kapitel 4 von 7

## Für KI begrenzt die Quelle die Qualität der Antwort.

Sprachmodelle speichern Wissen aus dem Training in ihren Parametern. Für Unternehmenswissen nutzen viele Anwendungen deshalb Retrieval-Augmented Generation, ein Verfahren, das Patrick Lewis und Kollegen 2020 beschrieben haben: Ein Suchschritt holt passende Textstellen, das Modell formuliert daraus die Antwort. Besser als die gefundenen Stellen wird die Antwort kaum.

Gibt es dieselbe Information in mehreren Fassungen, wählt die Suche nach Ähnlichkeit zur Frage aus. Ob eine Fassung noch gilt, weiß sie nicht. Zwei Mitarbeitende stellen fast dieselbe Frage und bekommen verschiedene Preise oder Fristen genannt. Erfunden hat das Modell dabei nichts, es hat jeweils eine vorhandene Kopie zitiert.

Eine Single Source of Truth setzt an der Ursache an. Die Wissensbasis wird aus den maßgeblichen Orten befüllt, alte Fassungen werden entfernt, und jede Textstelle trägt Quelle und Stand.

Kapitel 5 von 7

## Bei personenbezogenen Daten verlangt das Recht ohnehin Richtigkeit.

Nach Art. 5 Abs. 1 lit. d DSGVO müssen personenbezogene Daten sachlich richtig und erforderlichenfalls auf dem neuesten Stand sein; unrichtige Daten sind unverzüglich zu löschen oder zu berichtigen. Art. 16 gibt betroffenen Personen das Recht, eine Berichtigung zu verlangen. Hat das Unternehmen die Daten an Empfänger weitergegeben, muss es ihnen nach Art. 19 jede Berichtigung mitteilen, außer das ist unmöglich oder unverhältnismäßig aufwendig.

Liegt eine Kundenadresse in mehreren Systemen und Tabellen, muss eine Berichtigung jede dieser Stellen erreichen. Mit einem maßgeblichen Ort und automatischer Weitergabe ist es ein einziger Vorgang. Eine Single Source of Truth ist keine Rechtspflicht und ersetzt keine Prüfung durch Fachleute für Datenschutz. Sie macht es aber leichter, die Pflichten im Alltag einzuhalten und das bei Nachfragen nachzuweisen.

Kapitel 6 von 7

## Woran man eine gute Umsetzung erkennt.

Am Anfang steht eine Liste aller wichtigen Datenbereiche, je Bereich mit maßgeblichem Ort, zuständiger Stelle und den Systemen, die lesen. Schon diese Liste macht Doppelpflege und Lücken sichtbar.

In einer guten Umsetzung gibt es für jeden Datenbereich genau einen Ort, an dem Änderungen erlaubt sind. Lesende Systeme holen ihre Daten automatisch und zeigen den Stand. Ein regelmäßiger Abgleich meldet Abweichungen zwischen Quelle und Kopie, bevor sie in Berichten oder KI-Antworten landen. Neue Werkzeuge, auch KI-Anwendungen, werden an die maßgeblichen Orte angebunden statt an Exporte.

Pauschale Preise gibt es nicht. Aufwand entsteht vor allem für die Bestandsaufnahme, das Bereinigen und Zusammenführen alter Daten, die Schnittstellen und die laufende Pflege durch die Fachbereiche. Bei einem einzigen System mit wenigen Nutzern bringt eine formale Festlegung wenig. Führen mehrere Systeme dieselben Daten und lösen Abweichungen immer wieder Rückfragen aus, steigt der Nutzen.

Kapitel 7 von 7

## Die Grenze des Begriffs

Eine Single Source of Truth legt fest, wo eine Information gilt und gepflegt wird. Ob sie stimmt, ist eine Frage der Datenqualität, denn falsche Daten bleiben auch an einer Stelle falsch. Data Governance setzt den Rahmen aus Rollen und Regeln, in dem solche Orte bestimmt werden. Ein [Wissensgraph](https://carl-wuerfel.de/glossar/knowledge-graph) verknüpft Begriffe, ersetzt aber nicht die Festlegung, welcher Ort für einen Wert gilt.

## Häufige Fragen

Was ist eine Single Source of Truth?

Eine Single Source of Truth ist der festgelegte Ort, an dem eine Information gepflegt wird und dessen Fassung im Zweifel gilt. Andere Systeme lesen von dort oder erhalten Kopien, statt die Information selbst zu pflegen.

Was bedeutet Single Source of Truth auf Deutsch?

Wörtlich heißt es „einzige Quelle der Wahrheit“. Im Deutschen spricht man auch vom führenden System oder von der maßgeblichen Quelle für einen Datenbereich.

Ist eine Single Source of Truth ein einziges System für alle Daten?

Nein, sie legt je Datenbereich einen maßgeblichen Ort fest. Ein Unternehmen hat deshalb meist mehrere solcher Orte, etwa das CRM für Kunden und das ERP für Preise.

Ist ein Data Warehouse eine Single Source of Truth?

Für Stammdaten in der Regel nicht, weil es eine Kopie für Auswertungen ist und die Daten anderswo gepflegt werden. Für Kennzahlen kann es der maßgebliche Ort sein, wenn das Unternehmen das so festlegt.

Was ist der Unterschied zwischen Single Source of Truth und Master Data Management?

Master Data Management (MDM) ist die Disziplin, mit der Unternehmen Stammdaten aus mehreren Systemen abgleichen, bereinigen und als gültigen Datensatz führen, oft mit eigener Software. Die Single Source of Truth ist das Prinzip dahinter, MDM ein möglicher Weg dorthin.

Warum ist eine Single Source of Truth für KI wichtig?

Ein KI-Assistent antwortet aus den Dokumenten und Daten, die er findet. Gibt es widersprüchliche Fassungen, kann er jede davon zitieren, und verschiedene Nutzer bekommen verschiedene Antworten. Eine festgelegte Quelle mit Stand macht die Antworten nachvollziehbar.

## Weiter

  * [**KI-Glossar**](https://carl-wuerfel.de/glossar)
  * [**KI-Wissensmanagement: Die KI findet nur, was im System steht**](https://carl-wuerfel.de/ki-wissensmanagement)
  * [**Datenqualität**](https://carl-wuerfel.de/glossar/datenqualitaet)
  * [**Data Governance**](https://carl-wuerfel.de/glossar/data-governance)
  * [**RAG: Retrieval-Augmented Generation**](https://carl-wuerfel.de/glossar/rag)
  * [ Begriff**Knowledge Graph (Wissensgraph)**](https://carl-wuerfel.de/glossar/knowledge-graph)

## Quellen

  1. [Bill Venners (Artima): Orthogonality and the DRY Principle, Interview mit Andy Hunt und Dave Thomas, 10. März 2003 (englisch)](https://www.artima.com/intv/dry.html)
  2. [Martin Fowler: Bounded Context, martinfowler.com, 15. Januar 2014 (englisch)](https://martinfowler.com/bliki/BoundedContext.html)
  3. [Zhamak Dehghani: Data Mesh Principles and Logical Architecture, martinfowler.com, 3. Dezember 2020 (englisch)](https://martinfowler.com/articles/data-mesh-principles.html)
  4. [Lewis u. a.: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, arXiv:2005.11401, 2020 (englisch)](https://arxiv.org/abs/2005.11401)
  5. [EU: Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung), Art. 5, 16 und 19, 2016](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32016R0679)
