Millionen unsichtbarer Hände: Datenarbeit für die KI

Die schönen neuen KI-Welten, in denen Texte, Bilder und Videos auf Knopfdruck entstehen, haben eine unsichtbare Grundlage: Millionen von Menschen, die weltweit als Datenarbeiter beschäftigt sind. Laut Schätzungen der Weltbank gibt es zwischen 150 und 430 Millionen Menschen, die zumindest gelegentlich sogenannte „Mikroarbeit“ erledigen – also kurze digitale Aufgaben. Viele davon arbeiten direkt oder indirekt am Training von KI-Systemen.

Eine realistische Zahl für jene, die regelmäßig an KI-Annotationen beteiligt sind, liegt wahrscheinlich im zweistelligen Millionenbereich – etwa 10 bis 20 Millionen Menschen weltweit. Sie sitzen in Indien, auf den Philippinen, in Venezuela oder in Kenia. Plattformen wie Appen, Clickworker, Scale AI oder Amazon Mechanical Turk vermitteln diese Jobs.

Ein bekannt gewordenes Beispiel ist Sama in Nairobi, Kenia: Hunderte Menschen klassifizierten für weniger als 2 Dollar pro Stunde Texte mit extrem verstörenden Inhalten, um ChatGPT „toxische“ Sprache abzutrainieren. Arbeiter bekamen extrem belastende Texte zu sehen: Gewaltfantasien, Kinderpornografie-Beschreibungen und Folterszenarien. Ihre Aufgabe war es, Inhalte in Kategorien einzuordnen wie „Sexueller Missbrauch“, „Hassrede“ oder „Selbstverletzung“. Für viele war es ein Job ohne Sicherheit, ohne psychologische Betreuung, mit extrem belastenden Auswirkungen. Manche sprachen von „Traumatisierung am Fließband“. Das klingt pervers: Um die Künstliche „Intelligenz“ überhaupt nutzbar zu machen, werden massenhaft unterbezahlte Arbeiter:innen traumatisiert?

Wie KI wirklich trainiert wird

Die Entwicklung von KI ist nicht magisch, sondern ein aufwändiger und arbeitsintensiver Prozess:

1. Datensammlung: Milliarden Texte, Bilder und Videos werden aus dem Internet gesaugt oder gezielt eingekauft.
2. Annotation durch Menschen: Crowdworker markieren, ob Inhalte beleidigend, informativ, korrekt oder irrelevant sind.
3. Vortrainierung: Das Modell lernt statistische Muster auf gewaltigen Datenmengen.
4. Feintuning: Mit Methoden wie „Reinforcement Learning from Human Feedback“ (RLHF) bewerten Menschen Antworten des Modells und geben Korrekturen vor.
5. Evaluation: Auch hier sind wieder Menschen im Einsatz, die prüfen, wie „gut“ das System arbeitet.

Ohne diese menschliche Vorarbeit wären heutige Sprach- oder Bildmodelle schlicht nicht funktionsfähig. Diese Tatsache verdeutlicht, die dem Begriff künstliche „Intelligenz“ innewohnende Täuschung.

Der ökologische Preis: Energie und Wasser

Neben der menschlichen Arbeitskraft ist es vor allem die Energiefrage, die nachdenklich stimmt.

• Das Training von GPT-3 soll etwa 1,3 Gigawattstunden Strom benötigt haben – genug, um über 100 US-Haushalte ein Jahr lang zu versorgen.
• GPT-4 dürfte noch weitaus mehr verbraucht haben, Schätzungen sprechen von mehreren Gigawattstunden.
• Datenzentren verschlingen zusätzlich enorme Mengen an Wasser: Microsoft gab 2023 bekannt, dass der Wasserverbrauch seiner Rechenzentren um 34 % gestiegen ist – unter anderem durch KI-Anwendungen.

Der CO₂-Ausstoß eines einzigen großen Modells kann leicht mehrere hundert Tonnen erreichen, vergleichbar mit hunderten Transatlantikflügen.

Der Slop-Kreislauf: Wie Content verdirbt

Wenn die Modelle einmal im Einsatz sind, beginnt der nächste problematische Prozess: der Slop-Kreislauf.

1. KI-Tools erzeugen massenhaft Content: Blogartikel, SEO-Texte, Produktbeschreibungen, Fake-Rezensionen.
2. Zunehmend kommen auch Deepfakes hinzu – manipulierte Bilder, Stimmen und Videos, die täuschend echt wirken.
3. Plattform-Algorithmen wie die von Google, TikTok oder Meta belohnen Masse und Reichweite, nicht Qualität. Sie verstärken also genau jenen billigen KI-Content, der Klicks bringt.
4. Hochwertige Inhalte von echten Autor:innen, Journalist:innen oder Künstler:innen geraten ins Hintertreffen, weil sie in der Flut untergehen oder vom Algorithmus schlechter ausgespielt werden.
5. Neue KI-Systeme greifen dann wieder auf diese Daten zurück – und trainieren zunehmend auf KI-generiertem Müll.

So entsteht ein Degenerationskreislauf: KI produziert Slop, dieser Slop wird von Plattformen verstärkt, verdrängt gute Inhalte und füttert am Ende wieder die nächste KI-Generation.

Die Folge:

• Autor:innen und Künstler:innen verlieren Reichweite und Einkommen, weil ihre Werke im Datenrauschen untergehen oder von KI-Plagiaten kopiert werden.
• Kulturelle Vielfalt und kritische Stimmen werden geschwächt.
• Das Internet verkommt von einem Raum menschlicher Kreativität zu einer Müllhalde automatisierter Beliebigkeit.

Finanzblase und Superintelligenz-Hype

Parallel dazu erleben wir eine Spekulationswelle an den Finanzmärkten. Nvidia ist 2025 das wertvollste börsennotierte Unternehmen der Welt, während Start-ups mit Milliarden bewertet werden, ohne tragfähiges Geschäftsmodell. Viele Ökonom:innen warnen vor einer KI-Blase, vergleichbar mit der Dotcom-Euphorie um 2000.

Dazu kommt die Erzählung von der baldigen AGI (Artificial General Intelligence) oder gar ASI (Artificial Superintelligence). Schon in den 1950er Jahren sagte der Informatiker I.J. Good voraus, dass bald eine „intelligence explosion“ eintreten werde, bei der Maschinen alle Probleme lösen. Seitdem wiederholt sich die Geschichte: In den 1970ern, 1980ern, 2000ern und heute – stets hieß es, die Superintelligenz stehe vor der Tür.

Doch bis heute sind wir weit davon entfernt. Kritische Stimmen machen das deutlich:

• Rodney Brooks (MIT): „Wir verwechseln Demos mit Intelligenz.“ KI sei weit von menschlicher Flexibilität entfernt.
• Gary Marcus (NYU): „Deep Learning allein reicht nicht. Ohne Kausalität und Commonsense bleibt AGI Illusion.“
• Emily Bender (University of Washington): Sprachmodelle sind „stochastische Papageien“ – sie verstehen nicht, was sie sagen.
• Abeba Birhane (ETH Zürich): AGI-Hype ist ein „koloniales Narrativ“, das Ausbeutung im Globalen Süden verschleiert.
• Yann LeCun (Meta AI): „Niemand weiß, wie man AGI baut. Wir sind nicht nah dran.“

Die Erzählung von der Superintelligenz dient oft weniger der Wissenschaft als dem Marketing und der Kapitalbeschaffung.

Fortschritt – oder Scheinfortschritt?

Die Frage ist daher: Können wir das wirklich Fortschritt nennen?

• Millionen Datenarbeiter schuften für Centbeträge und sehen traumatisierenden Content.
• Das Klima wird durch den Energiehunger der Modelle belastet.
• Das Internet droht im Slop zu ersticken.
• Finanzblasen und Mythen von Superintelligenz verschieben Aufmerksamkeit und Kapital.

Wenn Fortschritt bedeutet, die Lebensqualität zu erhöhen, Ungleichheit zu verringern und die Umwelt zu schützen, dann ist das, was wir derzeit erleben, eher Scheinfortschritt.

Was wir tun könnten

Gibt es Wege, gegenzusteuern? Gibt es politische, wirtschaftliche und gesellschaftliche Hebel? Darüber sollten wir dringend nachdenken. Eine kurze Liste zentraler Ansätze:

• Transparenz: KI-Firmen müssen offenlegen, welche Daten sie nutzen und wie viel Energie sie verbrauchen.
• Faire Arbeit: Mindeststandards, gerechte Bezahlung, psychologische Betreuung für Crowdworker.
• Urheberrechte: Künstler:innen müssen ein Opt-out haben und für die Nutzung ihrer Werke entschädigt werden.
• Ökologische Regeln: Rechenzentren verpflichten, auf erneuerbare Energien und effiziente Kühlung zu setzen.
• Kennzeichnungspflicht: KI-generierte Inhalte müssen klar erkennbar sein.
• Gemeinwohl-KI: Öffentliche Investitionen in KI für Medizin, Bildung und Klimaforschung – statt reiner Profitorientierung.
• Wettbewerbspolitik: Maßnahmen gegen Monopole, Förderung offener Modelle.

Fazit

Technisch und oberflächlich wirkt KI beeindruckend. Aber Fortschritt misst sich nicht an Rechenleistung, sondern daran, ob sie das Leben der Menschen verbessert. Bisher sehen wir vor allem Kosten: menschliche, ökologische und kulturelle.

Echter Fortschritt entstünde erst, wenn KI fair, nachhaltig und gemeinwohlorientiert entwickelt wird. Nicht als Werkzeug für die Machtkonzentration weniger Konzerne, sondern als Technologie, die die Lebensqualität aller steigert.

Quellen- und Literaturliste

Dokumentarfilme / Medien

• Arte-Doku: KI: Der Tod des Internets (Regie: Mario Sixtus, 2024).
• Arte-Doku: KI – Die letzte Erfindung? (Arte, 2024).

Journalistische Quellen

• Perrigo, Billy: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic. TIME Magazine, 18.01.2023.
  👉 time.com

• Perrigo, Billy: AI Gig Workers Face ‘Unfair Working Conditions,’ Study Says. TIME Magazine, 2023.
• The Guardian: ‘It’s destroyed me completely’: The human cost of training AI. 02.08.2023.
• VICE: OpenAI Used Kenyan Workers Making $2 an Hour to Filter Traumatic Content From ChatGPT. 2023.
• CBS News / 60 Minutes: The hidden costs of AI: Underpaid Kenyan workers and the toll of content moderation. 2023.
• Economist: The Hidden Workforce Behind AI. 10.04.2025.
• WeeTracker: OpenAI Paid Sama $12 an Hour Per Worker—Kenyans Only Got $2. 25.11.2024.

Wissenschaftliche Arbeiten

• Bender, Emily M.; Gebru, Timnit; McMillan-Major, Angelina; Mitchell, Margaret:
  On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21). Association for Computing Machinery, 2021. DOI: 10.1145/3442188.3445922
• Marcus, Gary: Deep Learning Is Hitting a Wall. Substack / garymarcus.substack.com, 2022.
• Crawford, Kate: Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press, 2021.
• Birhane, Abeba: Algorithmic Colonization of Africa. SCRIPTed, Vol. 17, No. 2, 2020. DOI: 10.2966/scrip.170220.389
• Brooks, Rodney: The Seven Deadly Sins of AI Predictions. MIT Technology Review, 2017.
• Chomsky, Noam; Roberts, Ian; Watumull, Jeffrey: The False Promise of ChatGPT. The New York Times, 08.03.2023.

Studien und Reports

• Weltbank: The Global Gig Economy. Washington, 2021.
• Fairwork Project: Fairwork Cloudwork Report. Oxford Internet Institute, 2023.
• International Labour Organization (ILO): World Employment and Social Outlook 2021 – The role of digital labour platforms in transforming the world of work. Genf, 2021.

Online-Dossiers

• Privacy International: Humans in the AI Loop – The Data Labelers Behind Some of the Most Powerful LLMs. 2023.
• AlgorithmWatch: AI and the Hidden Human Labour Behind It. 2022.

Der Beitrag Slop, Superintelligenz und Scheinfortschritt erschien zuerst auf Kunst & KI.

Im öffentlichen Diskurs wird künstliche Intelligenz oft als eine allwissende, fast magische Entität dargestellt. Diese Vorstellung ist jedoch irreführend und verschleiert, worum es bei der KI-Technologie im Kern wirklich geht. Das größte Missverständnis liegt in der Bezeichnung selbst: Der Begriff „Intelligenz“ verleitet dazu, der Technologie menschliche kognitive Fähigkeiten wie Bewusstsein oder Kreativität zuzuschreiben. Die Realität ist jedoch weit weniger fantastisch, aber nicht weniger beeindruckend. Die KI, die wir heute kennen und täglich nutzen, ist im Grunde ein hochentwickeltes Werkzeug, das auf einem einzigen, zentralen Prinzip basiert: der Mustererkennung. Es ist eine aufgabenspezifische Technologie, die keine allgemeinen Fähigkeiten besitzt, aber in ihrem eng definierten Fachgebiet unübertroffene Leistungen erbringen kann.

Hype vs. Realität: Die zwei Gesichter der KI

Die Fachwelt unterscheidet künstliche Intelligenz grob in zwei Hauptkategorien, um der Kluft zwischen technischem Stand und öffentlicher Wahrnehmung gerecht zu werden.

Schwache KI: Die unsichtbaren Helfer im Alltag

Die Schwache KI (auch als Narrow AI bezeichnet) ist die einzige Form der künstlichen Intelligenz, die heute existiert. Sie ist auf ein einziges, eng definiertes Aufgabengebiet spezialisiert und kann ihr Wissen nicht auf andere Bereiche übertragen. Auf ihrem Spezialgebiet ist sie oft sogar besser als der Mensch, aber außerhalb davon ist sie nutzlos. Schwache KI besitzt kein Bewusstsein und keine Emotionen; sie trifft ihre Entscheidungen auf Grundlage vorab definierter Algorithmen und umfangreicher Trainingsdaten.

Beispiele für schwache KI begegnen uns unzählige Male pro Tag:

• Sprachassistenten wie Siri und Alexa verarbeiten und beantworten spezifische Fragen. Obwohl sie „menschlich“ wirken mögen, verstehen sie den Kontext einer Unterhaltung nicht wirklich, sondern analysieren und ordnen lediglich Sprachmuster zu.
• Empfehlungssysteme auf Streaming-Diensten wie Netflix analysieren das Kauf- oder Sehverhalten, um Muster zu erkennen und auf dieser Basis Produkte oder Filme vorzuschlagen.
• Autonome Fahrzeuge sind extrem komplexe Systeme, aber sie sind auf das definierte Gebiet des Fahrens beschränkt. Auch ein hochentwickeltes selbstfahrendes Auto würde nicht wissen, wie es auf eine E-Mail antworten soll.
• E-Mail-Spam-Filter und Betrugserkennung im Finanzsektor sind weitere klassische Beispiele, die spezifische Muster in Datenmengen identifizieren.

Starke KI: Das theoretische Ideal ohne reale Beispiele

Im krassen Gegensatz dazu steht die Starke KI (auch Artificial General Intelligence, AGI). Sie ist das theoretische Konzept einer menschenähnlichen, vielseitigen Intelligenz, die jede intellektuelle Aufgabe bewältigen könnte, die auch ein Mensch kann. Eine Starke KI wäre in der Lage, Wissen von einem Bereich auf einen anderen zu übertragen, abstrakt zu denken, kreativ Probleme zu lösen und wäre theoretisch sogar mit Selbstwahrnehmung ausgestattet. Bisher ist eine solche KI jedoch rein spekulativ und existiert nicht.

Künstliche Superintelligenz (ASI)

Künstliche Superintelligenz (ASI) ist ein hypothetisches Intelligenzniveau, das die kognitiven Fähigkeiten der klügsten menschlichen Gehirne in nahezu allen Bereichen, einschließlich wissenschaftlicher Kreativität, allgemeiner Weisheit und sozialer Fähigkeiten, bei Weitem übertrifft. Sie ist eine Form der Künstlichen allgemeinen Intelligenz (AGI), die nicht nur eine breite Palette von Aufgaben auf menschlichem Niveau lösen kann, sondern dies auch in einem Ausmaß tut, das die menschliche Leistungsfähigkeit bei weitem übersteigt. ASI ist in der Lage, sich selbst zu verbessern und neues Wissen auf eine Weise zu generieren, die uns unvorstellbar erscheint.

Die Spielarten der KI: Von Regeln bis hin zu Agenten

KI ist ein Teilgebiet der Informatik und umfasst eine Vielzahl unterschiedlicher Ansätze.

Regelbasierte Systeme und Expertensysteme

Die einfachste Form der KI basiert auf einem festen, regelbasierten Ansatz. Diese Systeme lernen nicht aus Daten und verbessern sich nicht über die Zeit. Sie treffen ihre Entscheidungen strikt nach vordefinierten Regeln. Eine fortgeschrittenere Variante sind Expertensysteme, die das Entscheidungsvermögen von menschlichen Experten in einem bestimmten Bereich simulieren.

Maschinelles Lernen (ML) und seine Unterarten

Der Großteil der heute existierenden KI fällt in den Bereich des Maschinellen Lernens (ML). Hierbei werden Algorithmen nicht explizit programmiert, sondern lernen selbstständig aus riesigen Datensätzen.

Es gibt drei Hauptmethoden des Maschinellen Lernens:

• Überwachtes Lernen (Supervised Learning): Hierbei wird die KI mit gelabelten Datensätzen trainiert, also mit Paaren aus Input und der korrekten Antwort. Die KI lernt, diese Paare zuzuordnen. Ein Spam-Filter ist ein Beispiel dafür: Er lernt anhand von Nachrichten, die als „Spam“ oder „Nicht-Spam“ markiert wurden, künftig neue E-Mails selbstständig zu klassifizieren.
• Unüberwachtes Lernen (Unsupervised Learning): Bei dieser Methode erhält die KI ungelabelte Daten ohne die richtigen Antworten. Ihre Aufgabe ist es, selbstständig Muster und Strukturen in den Daten zu erkennen. Empfehlungssysteme auf Netflix oder Amazon sind ein Paradebeispiel: Sie analysieren das Verhalten von Millionen von Nutzern, um Ähnlichkeiten zu finden und daraufhin Empfehlungen zu generieren.
• Bestärkendes Lernen (Reinforcement Learning): Bei diesem Ansatz lernt ein „Agent“ durch Ausprobieren in einer simulierten Umgebung. Er führt Aktionen aus und erhält dafür positive „Belohnungen“ oder negative „Strafen“. Dadurch entwickelt er eine Strategie, um seine Belohnungen zu maximieren. Dieses Prinzip wird oft im Gaming angewendet, wie bei der Entwicklung von Spiel-KI, die gegen menschliche Meister im Schach oder Go antreten kann.

Neuronale Netze und Deep Learning

Die beeindruckendsten Fortschritte im Maschinellen Lernen sind auf den Einsatz von Künstlichen Neuronalen Netzen zurückzuführen. Diese Netze sind eine vereinfachte Nachbildung des menschlichen Gehirns, bestehend aus miteinander verbundenen Knotenpunkten, den sogenannten „Neuronen“. Sie sind in Schichten aufgebaut, die den Lernprozess unterteilen: eine Eingabeschicht, eine oder mehrere versteckte Schichten (hidden layers) und eine Ausgabeschicht.

Deep Learning ist ein Spezialgebiet des Maschinellen Lernens, das tiefe neuronale Netze verwendet, also Netzwerke mit einer Vielzahl von versteckten Schichten. Dadurch können sie noch komplexere Probleme lösen, etwa in der Bild- und Sprachverarbeitung.

Generative KI und GANs

Generative Modelle sind eine spezielle Art von KI, die auf Maschinelles Lernen und Deep Learning zurückgreifen, um neue, originäre Daten zu erzeugen. Sie können Texte, Bilder oder Musik erschaffen.

Eine wichtige Unterkategorie sind Generative Adversarial Networks (GANs). Sie bestehen aus zwei neuronalen Netzen, die gegeneinander arbeiten:

• Der Generator erzeugt „gefälschte“ Daten, beispielsweise ein realistisches Bild einer Person.
• Der Diskriminator vergleicht die gefälschten Daten mit echten und versucht, die Fälschungen zu identifizieren.

Durch diesen Wettbewerb lernt der Generator, immer realistischere Inhalte zu erzeugen, die der Diskriminator nicht mehr von echten unterscheiden kann. Ein bekanntes, aber kontroverses Anwendungsbeispiel sind „Deepfakes“, täuschend echte Videos von Personen.

Skizze 1: Die Arbeitsweise eines GANs

Code-Snippet:

graph LR
    subgraph "Generator (Erzeuger)"
        A[Zufällige Eingabe] --> B(Erstellt 'gefälschte' Daten)
    end
    subgraph "Diskriminator (Klassifizierer)"
        C(Echte Daten)
        D(Klassifiziert Daten als 'echt' oder 'gefälscht')
    end
    B -- füttert --> D
    C -- füttert --> D
    D -- sendet Feedback --> B

Agenten und Multiagentensysteme

Ein Agent in der KI ist ein System, das seine Umgebung wahrnimmt und eigenständig Aktionen ausführt, um ein Ziel zu erreichen. Ein einfacher Rauchdetektor ist ein Beispiel für einen Agenten: Er nimmt Rauch wahr und löst einen Alarm aus. Auch ein Roboter an einem Fließband, der seine Umgebung wahrnimmt, um effizienter zu arbeiten, kann ein Agent sein.

Noch komplexer sind Multiagentensysteme (MAS), in denen mehrere KI-Agenten zusammenarbeiten, um eine Aufgabe zu lösen. Sie können große und komplexe Probleme bewältigen, die ein einzelner Agent nicht lösen könnte. Beispiele sind intelligente Verkehrsmanagement-Systeme, bei denen Agenten die Verkehrsströme optimieren, oder die Logistik in der Lieferkette, wo sie die Abläufe von der Beschaffung bis zur Auslieferung koordinieren.

Mensch vs. Algorithmus: Wo die wahren Unterschiede liegen

Der entscheidende Unterschied zwischen menschlicher und künstlicher Intelligenz liegt nicht in der Fähigkeit, Aufgaben zu erledigen, sondern im „Warum“ und „Wie“. Während die KI auf der effizienten Verarbeitung von Daten basiert, sind die menschliche Kreativität und das Bewusstsein von Absicht, Emotion und Erfahrung geprägt.

Kreativität: Intention vs. Iteration

Menschliche Kreativität ist ein mysteriöser, vielschichtiger Prozess, der aus Emotionen, persönlichen Erfahrungen und einem tiefen Verständnis für kulturelle Kontexte entsteht. Sie hat das Potenzial, etwas wirklich Originelles und Neues zu schaffen.

Die KI-Kreativität ist demgegenüber eine Iteration: Sie beruht auf der statistischen Rekombination von Mustern aus den ihr bekannten Daten. Eine KI kann lernen, den Stil eines Van Gogh zu imitieren oder Musik im Stil von Mozart zu komponieren. Sie hat jedoch keine persönliche Absicht oder künstlerische Intention.

Eine Studie der Max-Planck-Gesellschaft fand eine überraschende Ähnlichkeit in den kreativen Strategien von Menschen und KI-Modellen, nämlich einen Kompromiss zwischen Flexibilität (Ideen in der Breite suchen) und Beharrlichkeit (Ideen in der Tiefe ausloten). Doch während die menschlichen Testpersonen ihre Strategie anpassten, zeigten die KI-Modelle eine konsequente Präferenz für einen einzigen Ansatz. Dies unterstreicht, dass die maschinelle Herangehensweise mechanisch bleibt, während die menschliche situationsbezogen und adaptiv ist.

Bewusstsein und Emotion: Die unüberwindbare Grenze

Der vielleicht fundamentalste Unterschied liegt in der Existenz von Bewusstsein und Emotionen. Das menschliche Bewusstsein ist komplex und beinhaltet ein EGO und Selbstwahrnehmung. Unsere Handlungen sind von Empathie, Mitgefühl und einem tiefen Verständnis für die sozialen und moralischen Konsequenzen unseres Handelns geprägt.

KI-Systeme besitzen hingegen kein Bewusstsein, keine Gefühle oder einen moralischen Kompass. Sie können menschliche Reaktionen simulieren, basierend auf Mustern aus riesigen Datenmengen, aber ihnen fehlt die eigene emotionale Tiefe und die Fähigkeit, echte soziale Beziehungen aufzubauen.

Das wahre Potenzial liegt daher nicht darin, dass KI den Menschen ersetzt, sondern in der Mensch-Maschine-Kollaboration. Die KI kann als effizienter „Sparringspartner“ und „Katalysator“ fungieren, der repetitive Aufgaben übernimmt. Der Mensch wiederum steuert die entscheidenden Aspekte bei: die Intentionalität, den Kontext, die emotionale Tiefe und das kreative Schaffen aus dem „Nichts“.

Das kritische Auge: Kontroversen, Gefahren und Kritik

Mit dem rasanten Fortschritt der KI-Entwicklung wachsen auch die Kritikpunkte und ethischen Herausforderungen, die nicht nur technischer, sondern auch gesellschaftlicher Natur sind.

Der Algorithmus-Bias: Wenn Vorurteile digital werden

Eines der größten ethischen Probleme ist der „Algorithmus-Bias“, ein systematischer Fehler in KI-Algorithmen, der zu unfairen oder diskriminierenden Ergebnissen führt. Die technologische Abhängigkeit der KI von riesigen Datensätzen ist die direkte Ursache dieses Problems.

Die Hauptursachen für Bias sind:

• Daten-Bias: Voreingenommene Trainingsdaten, die gesellschaftliche Vorurteile wie Rassismus oder Sexismus widerspiegeln. Wenn eine KI mit historischen Einstellungsdaten trainiert wird, die Männer bevorzugen, wird sie diese Benachteiligung fortsetzen.
• Design-Bias: Unbewusste Vorurteile der Entwickler können sich in den Algorithmen selbst wiederfinden.

KI-Systeme spiegeln somit nicht nur unsere gesellschaftlichen Vorurteile wider, sondern können sie auch aktiv verstärken.

Skizze 2: Der Bias-Kreislauf

Code-Snippet:

graph TD
    A[Gesellschaftliche Vorurteile] --> B
    B --> C
    C --> D
    D --> E[Verstärkung gesellschaftlicher Vorurteile]
    E --> A

Die „Black Box“: Mangel an Transparenz

Viele komplexe KI-Systeme gelten als „Black Box“, da ihre Entscheidungsprozesse für den Menschen oft nicht mehr nachvollziehbar sind. Dies ist in kritischen Bereichen problematisch, da die Grundlagen für eine Entscheidung transparent sein müssen.

Die Arbeitswelt im Wandel: Gefahr oder Chance?

Die Angst vor massivem Jobverlust durch KI ist weit verbreitet. Doch während ein Teil der Befragten in Umfragen angibt, Angst vor dem Jobverlust zu haben oder diesen bereits erlebt zu haben, sehen andere die KI als notwendiges Werkzeug. Die Technologie kann repetitive und zeitaufwendige Aufgaben übernehmen und somit Freiräume für kreativere, menschliche Aufgaben schaffen. Ironischerweise könnte das Ignorieren der KI-Möglichkeiten eher zum Jobverlust führen, als sie zu nutzen.

Ethik, Haftung und Urheberrecht: Die ungelösten Fragen

Die technologische Entwicklung hat das Recht in vielen Bereichen überholt. Es fehlen noch klare Rahmenbedingungen für grundlegende ethische und rechtliche Fragen.

• Haftung: Wer haftet bei Fehlentscheidungen eines autonomen KI-Systems?
• Transparenz: Es gibt mangelnde Transparenzpflichten gegenüber den betroffenen Individuen, die den Entscheidungen der KI ausgesetzt sind.
• Urheberrecht: Wem gehört ein Werk, das von einer KI erzeugt wurde, die auf der Analyse bestehender Daten trainiert wurde?

Fazit: Ein Werkzeug in menschlicher Hand

Die künstliche Intelligenz ist heute eine „schwache“ Form, deren beeindruckende Leistungen auf hochentwickelter Mustererkennung basieren. Sie ist ein äußerst mächtiges Werkzeug, aber keine dem Menschen ebenbürtige Intelligenz. Sie hat kein Bewusstsein, keine Emotionen und keine echte Kreativität. Ihre Fähigkeiten sind beeindruckend, aber stets auf die Daten beschränkt, mit denen sie trainiert wurde.

Die Zukunft der KI hängt von einer reflektierten und verantwortungsvollen Nutzung durch den Menschen ab. Es geht darum, die Technologie als Partner zu sehen, ihre Stärken in der Datenverarbeitung und Effizienz zu nutzen und ihre Schwächen – den Mangel an Kreativität, Bewusstsein und Emotion – durch menschliche Aufsicht und Intentionalität auszugleichen.

Quellen

Studie der Max-Planck-Gesellschaft: https://www.mpg.de/24920933/0623-nepf-nimmt-ki-die-welt-auf-dieselbe-weise-wahr-wie-der-mensch-und-versteht-sie-149575-x

Der Beitrag KI für Einsteiger: Was künstliche Intelligenz wirklich ist – und was nicht erschien zuerst auf Kunst & KI.