„KI steigert die Produktivität.“

„KI übernimmt Routinearbeiten.“

„KI macht Unternehmen effizienter.“

„KI-Agenten erledigen bald den Großteil unserer Arbeit.“

Kaum eine Technologie wurde in den vergangenen Jahren mit ähnlich großen Erwartungen aufgeladen wie generative Künstliche Intelligenz. Wer Vorträge besucht, Studien liest oder auf LinkedIn unterwegs ist, gewinnt schnell den Eindruck, wir stünden kurz vor einer neuen industriellen Revolution. Unternehmen sollen möglichst schnell auf KI setzen. Verwaltungen sollen Prozesse automatisieren. Beschäftigte sollen lernen, effizient mit Prompts zu arbeiten. Wer dabei nicht mithält, gilt schnell als rückständig oder riskiert angeblich seine Wettbewerbsfähigkeit.

Je häufiger ich diese Aussagen höre, desto größer werden meine Zweifel.

Nicht deshalb, weil ich KI grundsätzlich ablehne.

Sondern weil meine eigenen Erfahrungen damit immer weniger zu dieser öffentlichen Erzählung passen.

Ich habe generative KI in den vergangenen Monaten immer wieder bei ganz unterschiedlichen Aufgaben eingesetzt – bei Recherchen, beim Schreiben von Texten, bei Programmierung, Webentwicklung, Gestaltung, Bildgenerierung und vielen anderen Tätigkeiten, die nach allgemeiner Auffassung inzwischen besonders gut automatisierbar sein sollen.

Mein Fazit fällt inzwischen deutlich ernüchternder aus.

Nach meiner Erfahrung ist generative KI für anspruchsvolle professionelle Arbeit heute nicht oder nur äußerst eingeschränkt brauchbar.

Diese Einschätzung beruht nicht auf einem einzelnen schlechten Erlebnis.

Sie beruht auf hunderten Stunden praktischer Arbeit.

Die eigentliche Geschichte handelt gar nicht von KI

Wenn heute über KI diskutiert wird, geht es meist um ihre Fähigkeiten.

Wie gut schreibt sie?

Wie gut programmiert sie?

Wie gut recherchiert sie?

Ich glaube inzwischen, dass wir die falschen Fragen stellen.

Die eigentliche Geschichte handelt nämlich gar nicht von der KI.

Sie handelt vom Menschen.

Genauer gesagt:

Von der Arbeit, die der Mensch zusätzlich leisten muss, damit KI überhaupt zu brauchbaren Ergebnissen kommt.

Denn während ständig davon gesprochen wird, welche Arbeiten die KI künftig übernehmen soll, wird erstaunlich selten darüber gesprochen, welche neuen Arbeiten dadurch überhaupt erst entstehen.

Ich muss Informationen zusammentragen.

Ich muss Aufgaben strukturieren.

Ich muss Prompts formulieren.

Ich muss Zusammenhänge erklären.

Ich muss Halluzinationen erkennen.

Ich muss Quellen kontrollieren.

Ich muss Fehler korrigieren.

Ich muss Ergebnisse vergleichen.

Ich muss alles erneut überprüfen.

Und wenn durch eine Korrektur an anderer Stelle neue Fehler entstehen, beginnt der gesamte Vorgang von vorn.

Je länger ich darüber nachgedacht habe, desto deutlicher wurde mir:

Nicht die KI arbeitet für mich.

Ich arbeite für die KI.

Vom Wissensarbeiter zum Datenarbeiter

Früher bestand meine Arbeit darin, Probleme zu lösen.

Heute besteht ein wachsender Teil meiner Arbeit darin, eine KI mit Informationen zu versorgen.

Ich liefere Daten.

Ich erkläre Zusammenhänge.

Ich formuliere Anweisungen.

Ich strukturiere Aufgaben.

Ich prüfe jedes Ergebnis.

Ich korrigiere Fehler.

Ich erkläre dieselben Dinge erneut.

Ich beginne nach Kontextverlusten wieder von vorne.

Mit anderen Worten:

Ich werde zunehmend zum Datenarbeiter.

Der eigentliche fachliche Teil meiner Arbeit tritt dabei immer weiter in den Hintergrund.

Statt selbst zu entwerfen, zu programmieren oder zu gestalten, beschäftige ich mich immer häufiger damit, die KI zu steuern.

Das Erstaunliche daran:

Für diese zusätzliche Arbeit werde ich nicht bezahlt.

Im Gegenteil.

Ich bezahle sogar noch ein monatliches Abonnement dafür.

Genau das empfinde ich inzwischen als paradox.

Uns wird erzählt, KI nehme uns Arbeit ab.

Meine Erfahrung lautet häufig:

Sie erzeugt neue Arbeit.

Nur wird diese Arbeit in kaum einer Produktivitätsstudie mitgerechnet.

Nicht der erste Fehler ist das Problem

Natürlich macht jede Software Fehler.

Natürlich machen auch Menschen Fehler.

Darum geht es mir gar nicht.

Das eigentliche Problem beginnt dort, wo aus einem kleinen Fehler eine Kette neuer Fehler entsteht.

Wo eine Korrektur an einer Stelle dazu führt, dass an anderer Stelle etwas kaputtgeht.

Wo bereits geklärte Sachverhalte wieder vergessen werden.

Wo dieselbe Anweisung zum fünften oder sechsten Mal erklärt werden muss.

Genau das habe ich immer wieder erlebt.

Meine Anweisungen waren häufig erstaunlich einfach.

„Bitte das Bild genauso machen wie im Upload.“

Nicht ähnlich.

Nicht verbessert.

Nicht neu interpretiert.

Einfach genauso.

Das Ergebnis?

Das Bild sah anders aus.

Farben waren verändert.

Elemente fehlten.

Andere Elemente waren plötzlich hinzugekommen.

Darauf folgte die nächste Anweisung.

„Bitte nicht wieder alles komplett ändern.“

Oder:

„Ich möchte nur das Hintergrundbild.“

Doch wieder wurden gleichzeitig andere Bereiche verändert.

Texte tauchten auf.

Buttons verschwanden.

Abstände änderten sich.

Layouts wurden umgebaut.

Schließlich schrieb ich irgendwann nur noch:

„Nicht quatschen – machen!“

Nicht aus Unhöflichkeit.

Sondern weil ich längst keine weiteren Erklärungen mehr brauchte.

Ich brauchte endlich eine zuverlässige Umsetzung.

Trial and Error ersetzt keine professionelle Arbeitsweise

Irgendwann stellte ich fest, dass ich kaum noch an meinem eigentlichen Projekt arbeitete.

Ich arbeitete an den Fehlern der KI.

Oder genauer:

Ich arbeitete an den Folgen ihrer Fehler.

Eine Änderung wurde umgesetzt.

Dadurch entstanden zwei neue Probleme.

Diese wurden korrigiert.

Dabei verschwand eine bereits funktionierende Lösung.

Also begann die nächste Korrekturschleife.

Aus einem eigentlich überschaubaren Arbeitsschritt entwickelte sich ein Trial-and-Error-Prozess ohne erkennbares Ende.

Immer häufiger schrieb ich irgendwann:

„Ich wäre schon dreimal fertig.“

Dieser Satz entstand nicht aus Frust über einzelne Fehler.

Er entstand aus der Erkenntnis, dass die eigentliche Arbeit längst nicht mehr darin bestand, mein Projekt voranzubringen.

Die eigentliche Arbeit bestand darin, bereits Erarbeitetes immer wieder gegen neue Fehler zu verteidigen.

Dabei fiel mir noch etwas auf.

Ein professioneller Kollege verändert nicht bei jeder Korrektur gleichzeitig zehn andere Dinge.

Er merkt sich grundlegende Projektentscheidungen.

Er entwickelt eine konsistente Linie.

Er baut auf dem bereits Erarbeiteten auf.

Genau diese Verlässlichkeit habe ich bei generativer KI in komplexeren Projekten häufig vermisst.

Ausgerechnet die Arbeiten, die ich abgeben möchte, bleiben beim Menschen

Noch erstaunlicher finde ich einen anderen Widerspruch.

Seit Jahren wird versprochen, KI werde uns die lästigen Routinearbeiten abnehmen.

Genau das ist nach meiner Erfahrung häufig nicht der Fall.

Ausgerechnet die Tätigkeiten, die ich besonders gern delegieren würde, funktionieren oft überhaupt nicht oder nur in einer Qualität, die professionellen Anforderungen nicht genügt.

Ein vorhandenes Bild exakt übernehmen?

Fehlanzeige.

Eine Grafik lediglich an einer kleinen Stelle verändern, ohne alles andere neu zu interpretieren?

Fehlanzeige.

Professionell nutzbare SVG-Dateien erzeugen?

Nach meiner Erfahrung derzeit nicht.

Konsistente Icons erstellen, die einem Corporate Design entsprechen?

Ebenfalls nicht.

Hochauflösende Grafiken für den professionellen Einsatz?

Auch hier habe ich bislang keine überzeugenden Ergebnisse erlebt.

Dabei geht es nicht um Perfektion.

Es geht um Zuverlässigkeit.

Wenn ich einer Grafikerin einen fertigen Entwurf gebe und sage: „Bitte genau diesen Entwurf übernehmen und nur den Rand ändern“, dann erwarte ich nicht, dass sie Himmel, Farben, Bildaufbau und Gestaltung gleich mit neu erfindet.

Genau das habe ich bei generativer KI jedoch immer wieder erlebt.

Irgendwann wurde mir sogar vorgeschlagen, bestimmte Icons einfach selbst zu zeichnen.

Meine spontane Reaktion lautete:

„Das ist doch ein Witz. Ich soll jetzt die Icons selbst zeichnen?“

Genau an diesem Punkt fragte ich mich zum ersten Mal ernsthaft, worin der versprochene Produktivitätsgewinn eigentlich bestehen soll.

Wenn der Chat selbst zum Problem wird

Ein weiterer Aspekt wird erstaunlich selten thematisert.

Je anspruchsvoller ein Projekt wird, desto länger wird zwangsläufig auch der Chat.

Anfangs ist das kein Problem.

Im Gegenteil.

Die KI kennt den bisherigen Verlauf.

Sie kennt Entscheidungen.

Sie kennt den Projektkontext.

Doch irgendwann verändert sich etwas.

Der Chat wird immer länger.

Die Antworten werden langsamer.

Zusammenhänge scheinen verloren zu gehen.

Bereits geklärte Entscheidungen werden erneut diskutiert.

Bereits gelöste Probleme tauchen plötzlich wieder auf.

Ich erkläre dieselben Dinge erneut.

Und irgendwann entsteht fast zwangsläufig der Gedanke:

„Dann beginne ich eben einen neuen Chat.“

Doch genau dort beginnt das nächste Problem.

Der neue Chat kennt praktisch nichts.

Alle Projektentscheidungen müssen erneut erklärt werden.

Alle Zusammenhänge.

Alle Gestaltungsprinzipien.

Alle bisherigen Fehler.

Alle gefundenen Lösungen.

Mit anderen Worten:

Lange Chats werden irgendwann schwer benutzbar.

Neue Chats beginnen fast wieder bei null.

Beides kostet Zeit.

Beides kostet Konzentration.

Und beides taucht in keiner Produktivitätsstatistik auf.

Die Produktivität wird falsch gemessen

Genau hier liegt für mich der eigentliche Denkfehler der aktuellen KI-Debatte.

Gemessen wird fast immer nur die Zeit, die eine KI für die Erstellung eines Ergebnisses benötigt.

Gemessen wird aber kaum die Zeit, die anschließend der Mensch investieren muss.

Für Korrekturen.

Für Qualitätskontrollen.

Für Nacharbeiten.

Für neue Prompts.

Für Halluzinationen.

Für Kontextverluste.

Für das erneute Erklären derselben Aufgabe.

Dabei entscheidet genau diese Zeit darüber, ob ein Werkzeug produktiv ist oder nicht.

Ein Werkzeug spart nämlich nicht deshalb Zeit, weil es schnell ein erstes Ergebnis erzeugt.

Es spart Zeit, wenn das endgültige professionelle Ergebnis schneller erreicht wird.

Nach meiner Erfahrung wird dieser Unterschied in vielen Diskussionen über KI völlig unterschätzt.

Marketing und Wirklichkeit

Was mich inzwischen am meisten irritiert, ist deshalb nicht die Technik selbst.

Sondern die Erzählung über sie.

Wer Vorträge besucht oder Beiträge in sozialen Medien liest, bekommt häufig den Eindruck, die Produktivitätsrevolution habe längst begonnen.

Ich frage mich inzwischen ernsthaft, ob wir über dieselbe Technologie sprechen.

Während auf Konferenzen und in Hochglanzpräsentationen enorme Effizienzgewinne versprochen werden, verbringe ich Stunden damit, einer KI dieselbe Aufgabe immer wieder zu erklären.

Während von Automatisierung gesprochen wird, kontrolliere ich jede einzelne Ausgabe.

Während behauptet wird, KI übernehme Routinearbeiten, erledige ich genau diese Arbeiten anschließend selbst.

Natürlich kann jede neue Technologie Kinderkrankheiten haben.

Darum geht es mir gar nicht.

Mich stört vielmehr die enorme Diskrepanz zwischen den öffentlichen Versprechen und meinen praktischen Erfahrungen.

Warum diese Debatte wichtig ist

Vielleicht ist genau das die eigentliche Gefahr.

Nicht, dass KI Fehler macht.

Sondern dass wir beginnen, politische und wirtschaftliche Entscheidungen auf einem Bild von KI aufzubauen, das mit der Realität vieler professioneller Anwender nur begrenzt übereinstimmt.

Unternehmen werden unter Druck gesetzt.

Verwaltungen sollen möglichst schnell digitalisieren.

Beschäftigte sollen lernen, mit KI zu arbeiten.

Gleichzeitig wird erstaunlich selten gefragt, ob sich der versprochene Produktivitätsgewinn im jeweiligen Arbeitsbereich überhaupt nachweisen lässt.

Stattdessen scheint die Einführung von KI vielerorts bereits als Selbstzweck zu gelten.

Mein Fazit

Ich werde generative KI selbstverständlich weiterhin beobachten und dort einsetzen, wo sie sich im konkreten Einzelfall tatsächlich als hilfreich erweist.

Aber ich glaube den pauschalen Produktivitätsversprechen nicht mehr.

Zu oft habe ich erlebt, dass einfache Aufgaben zu stundenlangen Trial-and-Error-Prozessen wurden.

Zu oft entstanden neue Fehler, während alte beseitigt wurden.

Zu oft gingen Zusammenhänge verloren.

Zu oft musste ich Projekte praktisch neu beginnen, weil der Kontext nicht mehr vorhanden war.

Vor allem aber hat sich mein Verständnis von KI grundlegend verändert.

Ich sehe sie heute nicht mehr als Werkzeug, das mir Arbeit abnimmt.

Ich sehe sie häufig als System, das neue Arbeit erzeugt.

Nicht die KI arbeitet für mich.

Ich arbeite für die KI.

Ich liefere Daten.

Ich strukturiere Informationen.

Ich formuliere Prompts.

Ich erkläre Zusammenhänge.

Ich suche Fehler.

Ich kontrolliere Ergebnisse.

Ich korrigiere Halluzinationen.

Ich beginne nach Kontextverlusten wieder von vorne.

Ich werde vom Wissensarbeiter zum Datenarbeiter.

Und genau deshalb stelle ich mir inzwischen eine Frage, die in der öffentlichen Debatte erstaunlich selten gestellt wird:

Was wäre, wenn die eigentliche Innovation der generativen KI gar nicht darin besteht, menschliche Arbeit zu automatisieren – sondern darin, eine völlig neue Form menschlicher Arbeit zu schaffen?

Solange diese zusätzliche Arbeit unsichtbar bleibt, erscheinen viele Versprechen über Produktivität unvollständig.

Eine ehrliche Debatte über KI sollte deshalb nicht nur fragen, was eine KI kann.

Sie sollte vor allem fragen, wie viel zusätzliche menschliche Arbeit erforderlich ist, damit aus ihren Ergebnissen überhaupt professionelle Ergebnisse werden.

Erst wenn wir diese Arbeit vollständig mitrechnen, können wir seriös beurteilen, ob generative KI tatsächlich hält, was ihre Befürworter versprechen.

Quellen und weiterführende Hinweise

• The AI Con.
• Stanford Institute for Human-Centered Artificial Intelligence – Veröffentlichungen zu Leistungsfähigkeit, Grenzen und Auswirkungen generativer KI.
• NIST – Forschung zu vertrauenswürdigen KI-Systemen und Risikomanagement.
• Eigene, über viele Monate dokumentierte Erfahrungen beim Einsatz generativer KI in unterschiedlichen professionellen Arbeitsprozessen.

Der Beitrag Nicht die KI arbeitet für mich. Ich arbeite für die KI. erschien zuerst auf Kunst & KI.

Die Warnung klang wie aus einem Science-Fiction-Roman. Das KI-Unternehmen Anthropic warnte jüngst vor der Möglichkeit einer rekursiven Selbstverbesserung künstlicher Intelligenz – also vor Systemen, die künftig an der Entwicklung ihrer eigenen Nachfolger mitwirken könnten. In den Medien war schnell von „Skynet-Szenarien“ die Rede. Gleichzeitig bereitet das Unternehmen Berichten zufolge seinen Börsengang vor. Die Botschaft an Öffentlichkeit und Investoren lautet damit sinngemäß: Unsere Technologie ist so bedeutend, dass sie die Welt verändern könnte – und so mächtig, dass sie möglicherweise kontrolliert werden muss.

Genau hier beginnt das eigentliche Problem.

Denn die Diskussion über KI wird derzeit von zwei scheinbar widersprüchlichen Erzählungen geprägt. Auf der einen Seite stehen die großen Verheißungen: Produktivitätssprünge, medizinische Durchbrüche, wissenschaftliche Revolutionen und milliardenschwere neue Märkte. Auf der anderen Seite warnen dieselben Unternehmen vor Kontrollverlust, gesellschaftlichen Verwerfungen und Risiken, deren Ausmaß niemand seriös abschätzen kann.

Das Ergebnis ist eine bemerkenswerte politische und gesellschaftliche Schieflage.

Während Bürger in vielen westlichen Ländern mit Verweis auf Klimaschutz, Energieeffizienz und Nachhaltigkeit zu Verhaltensänderungen angehalten werden, investiert die KI-Branche gleichzeitig gigantische Summen in Rechenzentren, Infrastruktur und Stromversorgung. Der Energiebedarf moderner KI-Systeme steigt rasant. Die größten Technologieunternehmen der Welt sichern sich zunehmend Zugriff auf Stromnetze, Rechenkapazitäten und teilweise sogar auf eigene Energieprojekte.

Die entscheidende Frage lautet daher nicht mehr nur, was KI kann.

Die Frage lautet: Wer entscheidet eigentlich darüber, welches Risiko eine Gesellschaft akzeptieren soll – und für welchen erwarteten Nutzen?

Eine Technologie mit unbekanntem Ziel

Besonders auffällig ist die Unsicherheit, die die gesamte Debatte durchzieht.

Anthropic-CEO Dario Amodei erklärte bereits 2024 gegenüber dem Magazin Time:

„The world is not ready for what is coming.“

Die Aussage wurde vielfach zitiert und steht exemplarisch für den Ton vieler KI-Debatten.

Auch OpenAI-Chef Sam Altman formulierte bereits 2023 gegenüber dem US-Senat:

„My worst fears are that we cause significant harm to the world.“

Es sind bemerkenswerte Aussagen.

Denn selten in der Geschichte wurden Technologien gleichzeitig mit solch weitreichenden Versprechen und solch weitreichenden Warnungen beworben.

Normalerweise wird eine neue Technologie eingeführt, weil ihr Nutzen relativ klar erscheint. Das Auto erleichterte Mobilität. Elektrizität ermöglichte industrielle Entwicklung. Das Internet beschleunigte Kommunikation.

Bei künstlicher Intelligenz hingegen entsteht zunehmend der Eindruck, dass selbst die Entwickler nicht genau wissen, wohin die Reise führt.

Das bedeutet nicht, dass KI nutzlos wäre. Bereits heute gibt es sinnvolle Anwendungen in Medizin, Forschung, Softwareentwicklung oder Verwaltung.

Doch die Größenordnung der versprochenen Revolution steht bislang in keinem klaren Verhältnis zu den bekannten Risiken und Kosten.

Warum plötzlich von „Skynet“ die Rede ist

Der Begriff „Skynet“ stammt aus der Terminator-Filmreihe. Dort entwickelt das militärische KI-System Skynet ein eigenes Bewusstsein, entzieht sich menschlicher Kontrolle und beginnt einen Krieg gegen die Menschheit.

Natürlich behauptet heute niemand ernsthaft, dass ein solches Szenario unmittelbar bevorsteht.

Der Begriff wird jedoch als Metapher verwendet, wenn über sogenannte rekursive Selbstverbesserung gesprochen wird. Gemeint sind KI-Systeme, die bei der Entwicklung leistungsfähigerer Nachfolgemodelle helfen und dadurch einen sich selbst verstärkenden Innovationsprozess in Gang setzen könnten.

Genau vor einem solchen Szenario warnen einige KI-Forscher. Nicht, weil sie morgen mit Killerrobotern rechnen, sondern weil sie befürchten, dass die Entwicklungsgeschwindigkeit irgendwann schneller wachsen könnte als die Fähigkeit von Politik, Gesellschaft und Aufsichtsbehörden, die Technologie noch wirksam zu kontrollieren.

Doch gerade hier entsteht ein bemerkenswerter Widerspruch:

Dieselben Unternehmen, die vor solchen Risiken warnen, investieren gleichzeitig Milliarden in die Beschleunigung genau dieser Entwicklung.

Die eigentliche Gefahr heißt Machtkonzentration

Die öffentliche Diskussion konzentriert sich häufig auf spektakuläre Szenarien einer außer Kontrolle geratenen Superintelligenz.

Dabei liegt eine viel realistischere Gefahr womöglich ganz woanders.

Nämlich in der Konzentration wirtschaftlicher und politischer Macht.

Der Aufbau moderner KI-Systeme erfordert enorme Investitionen. Nur wenige Unternehmen verfügen über die finanziellen Mittel, die Rechenleistung und die Datenmengen, um an der Spitze des Wettbewerbs mitzuspielen.

Dadurch entsteht ein Oligopol aus wenigen globalen Akteuren.

Diese Unternehmen entwickeln die Technologie.

Sie betreiben die Infrastruktur.

Sie prägen die öffentliche Debatte.

Und sie formulieren gleichzeitig die Warnungen vor den Risiken ihrer eigenen Produkte.

Genau darin liegt ein demokratisches Problem.

Denn die Frage, wie viel Risiko eine Gesellschaft akzeptiert, sollte nicht allein von denjenigen beantwortet werden, die wirtschaftlich von diesem Risiko profitieren.

Die Verantwortungslücke

Hinzu kommt ein weiteres Problem.

Selbst wenn man die dystopischen Vorstellungen einer rebellierenden Superintelligenz für übertrieben hält, bleibt die Frage der Verantwortung ungelöst.

Wer trägt die Verantwortung, wenn KI-Systeme künftig wissenschaftliche Forschung beschleunigen, Entscheidungen vorbereiten oder sogar Teile ihrer eigenen Weiterentwicklung übernehmen?

Juristisch ist die Antwort einfach: Unternehmen und Betreiber.

Praktisch wird die Lage schwieriger.

Wenn Systeme immer komplexer werden und selbst Experten nicht mehr vollständig nachvollziehen können, wie bestimmte Ergebnisse zustande kommen, entsteht eine Verantwortungslücke.

Menschen bleiben formal verantwortlich.

Faktisch verstehen sie die Entscheidungsprozesse jedoch möglicherweise nicht mehr vollständig.

Die Folge wäre keine Maschinenherrschaft.

Die Folge wäre eine schleichende Erosion menschlicher Kontrolle.

Der Energie-Widerspruch

Besonders deutlich wird die gesellschaftliche Spannung beim Thema Energie.

Politik und Öffentlichkeit diskutieren seit Jahren über CO₂-Fußabdrücke, Energieeinsparungen und Verhaltensänderungen.

Gleichzeitig wächst der Strombedarf der KI-Industrie in einem Ausmaß, das vor wenigen Jahren kaum vorstellbar gewesen wäre.

Befürworter argumentieren, dass der Nutzen dies rechtfertigen werde.

Kritiker halten dagegen, dass dieser Nutzen bislang weitgehend auf Erwartungen beruht.

Hier entsteht ein offensichtlicher Widerspruch.

Von Bürgern wird verlangt, heute Belastungen zu akzeptieren, um zukünftige Klimarisiken zu reduzieren.

Von der Gesellschaft wird gleichzeitig erwartet, heute enorme Investitionen und Ressourcenverbräuche zu akzeptieren, um mögliche zukünftige KI-Vorteile zu realisieren.

In beiden Fällen handelt es sich um Wetten auf die Zukunft.

Der Unterschied besteht darin, dass die wirtschaftlichen Gewinner der KI-Revolution bereits bekannt sind, während ihre gesellschaftlichen Gewinner bislang weitgehend hypothetisch bleiben.

Keine Technikfeindlichkeit, sondern Technikfolgenabschätzung

Die Kritik an dieser Entwicklung ist keineswegs technikfeindlich.

Im Gegenteil.

Gerade weil KI potenziell enorme Auswirkungen haben könnte, wäre eine breite gesellschaftliche Debatte notwendig.

Nicht nur über technische Risiken.

Sondern über Eigentum, Kontrolle, Haftung, Transparenz und demokratische Legitimation.

Wer entscheidet über den Einsatz solcher Systeme?

Wer profitiert von Produktivitätsgewinnen?

Wer trägt die Risiken?

Und welche Grenzen sollen gelten?

Diese Fragen sind wichtiger als jede Spekulation über „Skynet“.

Denn die wahrscheinlichsten Konflikte der kommenden Jahre werden nicht zwischen Menschen und Maschinen stattfinden.

Sie werden zwischen unterschiedlichen gesellschaftlichen Interessen stattfinden.

Fazit: Die eigentliche Bewährungsprobe

Die KI-Branche befindet sich an einem Wendepunkt.

Vielleicht erleben wir tatsächlich den Beginn einer technologischen Revolution.

Vielleicht erleben wir aber auch eine Phase übersteigerter Erwartungen, die in einigen Jahren deutlich nüchterner bewertet werden wird.

Beides ist möglich.

Gerade deshalb sollte Vorsicht kein Hindernis für Innovation sein, sondern ihre Voraussetzung.

Wer von der Gesellschaft verlangt, gewaltige Investitionen, steigenden Energieverbrauch und tiefgreifende Veränderungen zu akzeptieren, muss mehr liefern als Zukunftsvisionen und Marketingbotschaften.

Er muss nachvollziehbar erklären können, warum die Risiken beherrschbar sind, wie die Gewinne verteilt werden und wer die Verantwortung trägt.

Solange diese Fragen unbeantwortet bleiben, ist Skepsis kein Ausdruck von Technikfeindlichkeit.

Sie ist Ausdruck demokratischer Vernunft.

Quellen und weiterführende Links

• Heise: „Skynet-Szenario: Anthropic warnt vor KI, die sich selbst entwickelt“
  https://www.heise.de/news/Skynet-Szenario-Anthropic-warnt-vor-KI-die-sich-selbst-entwickelt-11319846.html
• Anthropic – Forschung zu rekursiver Selbstverbesserung
  https://www.anthropic.com
• Time Magazine – Interview mit Dario Amodei
  https://time.com
• US-Senat: Anhörung von Sam Altman (2023)
  https://www.judiciary.senate.gov
• Finanzen.net: „KI-Blase vor dem Platzen? Diese vier Gefahren bedrohen den Mega-Boom“
  https://www.finanzen.net/nachricht/aktien/risiken-fuer-den-hype-ki-blase-vor-dem-platzen-diese-vier-gefahren-bedrohen-den-mega-boom-00-15723132
• Reuters: Berichte zur IPO-Einreichung von Anthropic
  https://www.reuters.com
• AP News: Diskussion über KI-Sicherheitsmechanismen und Regulierung
  https://apnews.com

Der Beitrag Skynet als Geschäftsmodell? erschien zuerst auf Kunst & KI.

Die Diskussion über künstliche Intelligenz im Journalismus wird meist technisch geführt. Kann KI Texte schreiben? Wird sie Journalisten ersetzen? Wie zuverlässig sind automatisierte Systeme? Doch diese Fragen greifen zu kurz. Denn die entscheidende Frage lautet nicht nur, was KI kann, sondern unter welchen institutionellen Bedingungen sie eingesetzt wird.

Der Philosoph und Publizist Dr. Michael Andrick hat diese Debatte kürzlich zugespitzt. In einem Feuilletonbeitrag beim Kulturradio des öffentlich-rechtlichen Senders Deutschlandfunk Kultur formulierte er eine provokante These: Der Einsatz von KI im Journalismus sollte tabu sein. Die Forderung hat viele Journalisten irritiert – und zugleich eine Diskussion ausgelöst, die weit über Technikfragen hinausweist.

Denn hinter Andricks Argument steht eine grundlegendere Sorge: Was geschieht mit einem Beruf, wenn seine zentrale Tätigkeit – das Denken und Formulieren – zunehmend automatisiert wird?

Der Kern von Andricks Kritik

Andricks Ausgangspunkt ist eine einfache Beobachtung. Journalistische Arbeit besteht nicht nur darin, Informationen zu sammeln, sondern vor allem darin, sie zu verstehen und sprachlich zu gestalten.

Wenn KI genau diese Schritte übernimmt – etwa das Zusammenfassen von Dokumenten oder das Formulieren eines Textes –, verändert sich die Rolle des Journalisten.

„Wenn wir zentrale geistige Tätigkeiten auslagern, verlieren wir sie auch“, argumentiert Andrick sinngemäß. Seine Sorge lautet, dass der Journalismus Gefahr läuft, seine intellektuelle Grundlage zu untergraben, wenn Maschinen zunehmend die eigentliche Denk- und Schreibarbeit übernehmen.

Der Journalist würde dann nicht mehr primär denken und formulieren, sondern Maschinenoutput prüfen und redigieren.

Das klingt zunächst wie eine klassische Kulturkritik an neuer Technologie. Doch Andricks Argument berührt eine tiefer liegende Frage: Was ist eigentlich die unersetzbare Kompetenz des Journalismus?

Wenn Maschinen Informationen zusammenstellen und Texte formulieren können, bleibt dann noch ein klarer Unterschied zwischen journalistischer Arbeit und automatisierter Textproduktion?

Journalismus als Praxis des Denkens

Andricks Argument richtet sich gegen eine Vorstellung, die in vielen KI-Debatten verbreitet ist: die Idee, Schreiben sei eine rein technische Tätigkeit.

In dieser Sichtweise ist ein Text lediglich ein Produkt, das möglichst effizient hergestellt werden soll. Ob ein Mensch oder eine Maschine ihn erzeugt, erscheint zweitrangig.

Doch gerade diese Vorstellung weist Andrick zurück. Schreiben sei nicht bloß die letzte Stufe eines Arbeitsprozesses, sondern selbst ein Denkprozess.

Viele Journalisten kennen diese Erfahrung: Erst im Schreiben klären sich Argumente, entstehen Zusammenhänge und wird sichtbar, welche Informationen wirklich relevant sind.

Der Philosoph Michael Andrick formuliert diese Sorge zugespitzt:

„Wenn wir zentrale geistige Tätigkeiten an Maschinen delegieren, verlieren wir sie auch.“

Schreiben ist nicht nur Darstellung, sondern Teil der Erkenntnis.

Wenn dieser Prozess an KI delegiert wird, könnte der journalistische Beruf seine intellektuelle Substanz verlieren.

Die Gegenargumente: KI als Werkzeug

Gleichzeitig wird Andricks Tabu-Forderung von vielen Medienpraktikern kritisiert. Ihr Einwand lautet: Journalismus war schon immer technikgestützt.

Werkzeuge haben journalistische Arbeit kontinuierlich verändert.

Die Schreibmaschine beschleunigte das Schreiben.
Das Tonbandgerät erleichterte Interviews.
Computer und Internet revolutionierten Recherche und Produktion.

Kaum jemand würde heute ernsthaft fordern, diese Technologien wieder abzuschaffen.

In dieser Perspektive ist KI schlicht ein weiteres Werkzeug. Sie kann repetitive Aufgaben übernehmen und Journalisten entlasten.

Viele Redaktionen experimentieren bereits damit, etwa bei der Transkription von Interviews, der Analyse großer Dokumentenmengen oder der automatischen Zusammenfassung von Berichten.

Der Medienforscher Charlie Beckett von der London School of Economics formuliert diese Position pragmatisch:

„Künstliche Intelligenz wird den Journalismus nicht ersetzen – aber Journalisten, die KI nutzen, werden diejenigen ersetzen, die es nicht tun.“

Die Botschaft lautet: Nicht KI bedroht den Journalismus, sondern der Verzicht auf technologische Innovation.

Automatisierter Journalismus ist kein neues Phänomen

Automatisierte Textproduktion wird im Journalismus bereits seit Jahren eingesetzt. Besonders verbreitet ist sie im sogenannten Automated Journalism, etwa bei Sportberichten, Finanzmeldungen oder Wahlresultaten.

Die Nachrichtenagentur Associated Press nutzt automatisierte Systeme, um Tausende Unternehmensberichte pro Quartal zu veröffentlichen.

Ein Vertreter der Agentur erklärte dazu:

„Automatisierung ermöglicht es uns, deutlich mehr Meldungen zu produzieren und Reporter für komplexere Berichterstattung freizumachen.“

In dieser Perspektive dient Automatisierung nicht dazu, Journalisten zu ersetzen, sondern ihre Arbeit zu erweitern. Befürworter argumentieren entsprechend, dass KI journalistische Qualität sogar verbessern könne. Sie könne große Datenmengen analysieren, umfangreiche Dokumente schneller auswerten und Rechercheprozesse beschleunigen. Gerade im Datenjournalismus eröffnen solche Technologien neue Möglichkeiten.

Doch Kritiker weisen darauf hin, dass Effizienzgewinne selten automatisch zu Qualitätsgewinnen führen. Die Geschichte der Medienproduktion zeigt vielmehr ein anderes Muster: Wenn Technologien Arbeit beschleunigen, wird die gewonnene Zeit häufig nicht in tiefere Recherche investiert, sondern in mehr Output.

Gerade im digitalen Journalismus ist diese Entwicklung deutlich sichtbar. Redaktionen sind vielerorts kleiner geworden, während gleichzeitig der Veröffentlichungsrhythmus schneller geworden ist. Einzelne Journalisten produzieren heute oft deutlich mehr Texte als noch vor wenigen Jahrzehnten.

Technologische Effizienz führt unter diesen Bedingungen nicht unbedingt zu Entlastung, sondern häufig zu einer Verdichtung der Arbeit. Der Medienhistoriker Jay Rosen beschreibt diese Dynamik so:

„Jede neue Effizienz im Journalismus wird am Ende vom Bedarf nach noch mehr Inhalt aufgezehrt.“

Mit anderen Worten: Effizienz wird selten in Ruhe oder Reflexion übersetzt – sondern in zusätzliche Produktion.

Wenn Werkzeuge zu Normen werden

Ein weiteres Problem besteht darin, dass Technologien selten optional bleiben.

Sobald eine Redaktion mithilfe von KI effizienter arbeitet, entsteht ein Wettbewerbsdruck für andere Medienhäuser. Wer langsamer produziert oder auf Automatisierung verzichtet, könnte im digitalen Nachrichtenstrom an Sichtbarkeit verlieren.

Damit verwandelt sich ein Werkzeug schleichend in eine neue Norm der Produktion.

Die Entscheidung über den KI-Einsatz wird dann nicht mehr primär journalistisch oder ethisch getroffen, sondern wirtschaftlich.

Eine weitere Gefahr: die Glättung des Diskurses

Die Debatte über KI im Journalismus konzentriert sich häufig auf Arbeitsplätze, Effizienz oder redaktionelle Abläufe. Doch damit ist ein möglicher Effekt noch nicht erfasst: die Veränderung der Sprache selbst.

Neben dem Risiko eines Verlusts individueller Denk- und Schreibpraxis könnte KI langfristig auch den öffentlichen Diskurs verändern.

Große Sprachmodelle erzeugen Texte nicht aus eigener Erfahrung oder Überzeugung, sondern aus statistischen Mustern. Sie analysieren, welche Formulierungen häufig zusammen auftreten, und berechnen daraus wahrscheinliche sprachliche Fortsetzungen. Das Ergebnis wirkt oft überraschend kohärent, ausgewogen und professionell.

Gerade darin liegt jedoch eine mögliche Gefahr: Solche Systeme tendieren dazu, sprachliche Mittelwerte zu reproduzieren. Ungewöhnliche Formulierungen, radikale Perspektiven oder stilistische Eigenheiten werden tendenziell geglättet. Die Sprache wird konsensfähiger, neutraler, berechenbarer.

Hinzu kommt ein möglicher Rückkopplungseffekt. Sprachmodelle werden mit bereits existierenden Texten trainiert. Wenn künftig immer mehr Texte mithilfe solcher Systeme entstehen, fließen diese wiederum in neue Trainingsdaten ein. Der Diskurs beginnt dann gewissermaßen, sich selbst zu spiegeln.

Der Philosoph Byung-Chul Han hat eine ähnliche Dynamik bereits lange vor der aktuellen KI-Debatte beschrieben. In seinen Analysen digitaler Kommunikationsräume argumentiert er, dass diese zur Nivellierung von Differenz tendieren.

„Die Transparenzgesellschaft ist eine Gesellschaft der Gleichheit“, schreibt Byung-Chul Han.

Gemeint ist damit nicht soziale Gleichheit, sondern eine Öffentlichkeit, in der Unterschiede, Fremdheit und Widerspruch zunehmend verschwinden.

Digitale Öffentlichkeit begünstigt Formen der Kommunikation, die möglichst anschlussfähig, transparent und konfliktarm sind.

Überträgt man diesen Gedanken auf KI-generierte Sprache, könnte eine neue Form der Harmonisierung entstehen: Der Diskurs wird nicht offen zensiert, sondern statistisch geglättet. Unterschiede verschwinden nicht abrupt, sondern verlieren langsam ihre sprachliche Schärfe.

„Das Positive glättet den Diskurs“, so Byung-Chul Han treffend.

Gerade für den Journalismus wäre das eine paradoxe Entwicklung. Denn eine lebendige Öffentlichkeit lebt nicht nur von Information, sondern auch von Reibung, Perspektivvielfalt und sprachlicher Eigenständigkeit.

Die Frage der Autorschaft

Ein weiterer Aspekt, der in der Debatte oft unterschätzt wird, betrifft die Autorschaft journalistischer Texte.

Journalismus lebt von individueller Verantwortung. Ein Artikel trägt den Namen eines Autors, der für seine Aussagen einsteht.

Wenn Texte jedoch teilweise von Maschinen erzeugt werden, wird diese Zuordnung komplizierter.

Wer ist der Autor eines Textes, der von einem Journalisten recherchiert, von einer KI strukturiert und anschließend redigiert wurde?

Die Philosophin Hannah Arendt schrieb einmal:

„Denken und Schreiben sind Tätigkeiten, die Verantwortung erzeugen.“

Wenn Schreiben zunehmend automatisiert wird, könnte sich auch das Verhältnis zwischen Text und Verantwortung verändern.

Die eigentliche Erkenntnis

An diesem Punkt zeigt sich, warum die KI-Debatte im Journalismus nicht allein technisch geführt werden kann.

Ob KI die Qualität des Journalismus verbessert oder schwächt, hängt weniger von der Technologie selbst ab als von den institutionellen Bedingungen ihres Einsatzes.

Die entscheidenden Fragen lauten daher: Wofür wird die durch KI entstehende Effizienz genutzt? Wird sie in Recherche und Qualität investiert oder in Produktionssteigerung? Stabilisiert sie journalistische Arbeit – oder ersetzt sie sie?

Zwischen Kulturkritik und Technikoptimismus

Die Debatte um KI im Journalismus bewegt sich damit zwischen zwei Polen.

Auf der einen Seite steht eine kulturkritische Position wie die von Michael Andrick, die vor der Aushöhlung geistiger Arbeit warnt.

Auf der anderen Seite steht ein technikoptimistischer Ansatz, der KI als unvermeidliches Werkzeug betrachtet.

Beide Perspektiven enthalten wichtige Einsichten – und beide greifen allein genommen zu kurz.

Fazit

Die KI-Debatte im Journalismus berührt damit zwei unterschiedliche Risiken.

Das erste betrifft die Praxis des Schreibens selbst: Wenn Maschinen zentrale Formulierungsarbeit übernehmen, könnten Journalisten jene Denk- und Sprachfähigkeiten weniger trainieren, die ihren Beruf ausmachen – eine Sorge, die Michael Andrick formuliert hat.

Das zweite betrifft die Struktur des Diskurses: Wenn immer mehr Texte aus statistischen Sprachmustern entstehen, könnte die öffentliche Sprache selbst homogener, vorsichtiger und berechenbarer werden – eine Entwicklung, die sich mit den Analysen von Byung-Chul Han über digitale Öffentlichkeit verbinden lässt.

Beide Risiken weisen letztlich in dieselbe Richtung. Die entscheidende Frage lautet nicht nur, was künstliche Intelligenz kann, sondern wie Institutionen mit ihr umgehen.

Ob KI zu besseren Recherchen und stärkerem Journalismus führt – oder zu standardisierter Sprache und wachsendem Produktionsdruck –, entscheidet sich nicht im Algorithmus. Es entscheidet sich in den Redaktionen.

Quellen

Michael Andrick: „Künstliche Intelligenz im Journalismus – Sollte der Einsatz von KI ein Tabu sein?“ – Beitrag bei Deutschlandfunk Kultur. https://www.deutschlandfunkkultur.de/kuenstliche-intelligenz-im-journalismus-sollte-der-einsatz-von-ki-ein-tabu-sein-100.html

Charlie Beckett: JournalismAI-Projekt, London School of Economics. https://www.journalismai.info

Associated Press: Einführung automatisierter Unternehmensberichte mit der Software Wordsmith (Automated Insights). https://www.ap.org/

Jay Rosen: Medienwissenschaftler an der New York University, Analysen zur Transformation des digitalen Journalismus. https://journalism.nyu.edu/faculty/jay-rosen/

Berichte über automatisierten Journalismus u. a. bei Nieman Lab (Harvard University) und The Verge. https://niemanlab.org/ https://www.theverge.com/

Byung-Chul Han: Transparenzgesellschaft. Berlin: Matthes & Seitz, 2012.

Byung-Chul Han: Psychopolitik: Neoliberalismus und die neuen Machttechniken. S. Fischer, Frankfurt am Main 2014.

Der Beitrag KI im Journalismus: Das eigentliche Problem liegt nicht in der Technik erschien zuerst auf Kunst & KI.

Als die EU im Frühjahr 2024 den AI Act verabschiedete, war die Rhetorik groß. Europa wolle „weltweit Maßstäbe setzen“. Man schaffe „vertrauenswürdige KI“. Man verbinde Innovation mit Grundrechten.

Doch hinter den Pressemitteilungen und Feierbildern in Brüssel begann sofort eine andere Debatte — leiser, schärfer, konfliktreicher.

Start-ups warnten vor Abwanderung.
Bürgerrechtsorganisationen sprachen von aufgeweichten Verboten.
Juristen rätseln bis heute über zentrale Definitionen.

Je näher der August 2026 rückt — der Zeitpunkt, an dem viele zentrale Vorschriften greifen — desto deutlicher wird: Der AI Act ist kein konsensuales Prestigeprojekt. Er ist ein politischer Drahtseilakt mit offenem Ausgang.

Der große Anspruch: Europas Antwort auf das Silicon Valley

Der AI Act ist das weltweit erste umfassende Gesetz zur Regulierung künstlicher Intelligenz. Sein Kern: ein risikobasierter Ansatz.

Was gefährlich ist, wird verboten.
Was riskant ist, wird streng reguliert.
Was harmlos ist, bleibt weitgehend frei.

Im Gesetz heißt es:

„Das Inverkehrbringen, die Inbetriebnahme oder die Verwendung eines KI-Systems, das unterschwellige Techniken nutzt, die sich dem Bewusstsein einer Person entziehen […], ist verboten.“

Social Scoring? Verboten.
Bestimmte Formen manipulativer KI? Verboten.
Biometrische Massenüberwachung? Grundsätzlich untersagt.

Auf dem Papier wirkt der Rahmen klar. Doch die Konfliktlinien beginnen dort, wo das Gesetz auf politische Realität trifft.

Kritik von rechts der Regulierung: „Europa stranguliert sich selbst“

Im Sommer 2023 veröffentlichten mehr als 150 europäische Start-up-Gründer einen offenen Brief. Ihre Forderung:

„Wir fordern eine Pause bei der Umsetzung des AI Act, da die Vorschriften die Innovation in Europa zu ersticken drohen.“

Hinter verschlossenen Türen wird der Ton noch deutlicher. Investoren sprechen von „regulatorischem Overkill“. Gründer berichten von Unsicherheit: Was gilt als KI? Wann wird ein System „hochriskant“? Welche Dokumentation ist ausreichend?

Der KI-Bundesverband warnte im Deutschlandfunk vor „großen Unklarheiten bei der Anwendung neuer Vorgaben“.

Die Sorge ist strategisch: Während Europa komplexe Compliance-Strukturen aufbaut, entwickeln Unternehmen in den USA milliardenschwere Foundation Models. China kombiniert staatliche Kontrolle mit massiver Förderung.

Ein Branchenkommentar formulierte es scharf:

„Die Luft auf dem hohen moralischen Ross, auf dem Europa reitet, wird dünner. Ethik ist wichtig – aber kein Altar, auf dem wir unsere Wirtschaft opfern sollten.“

Der Vorwurf: Der AI Act schafft ein Klima der Vorsicht statt der Geschwindigkeit. Und Geschwindigkeit ist im KI-Rennen ein Standortfaktor.

Kritik von links der Regulierung: „Ein Verbot mit Hintertür ist kein Verbot“

Doch während Wirtschaftsvertreter Überregulierung beklagen, argumentieren Bürgerrechtsorganisationen genau gegenteilig.

Besonders umstritten: biometrische Fernidentifizierung im öffentlichen Raum — also Gesichtserkennung durch Sicherheitsbehörden.

Zwar verbietet der AI Act solche Systeme grundsätzlich. Doch er lässt Ausnahmen zu, etwa bei Terrorismusbekämpfung oder schweren Straftaten.

European Digital Rights (EDRi) sprach deshalb von einer

„verpassten Chance, Massenüberwachung in Europa klar und dauerhaft zu verbieten.“

Amnesty International warnte, die Ausnahmeregelungen stellten „ein erhebliches Risiko für Grundrechte“ dar.

Die Kritik ist substanziell: Ein Verbot, das politische Ausnahmen zulässt, könnte in Krisenzeiten schnell ausgeweitet werden. Gerade Sicherheitsargumente haben in der europäischen Gesetzgebungsgeschichte oft expansive Wirkung entfaltet.

Generative KI: Die mächtigsten Systeme, die weichsten Regeln?

Ein weiterer neuralgischer Punkt sind sogenannte General Purpose AI-Modelle — große Basissysteme wie Sprach- oder Bildgeneratoren.

Für sie gelten Transparenzpflichten: Anbieter müssen Zusammenfassungen ihrer Trainingsdaten veröffentlichen, Risiken bewerten und technische Schutzmaßnahmen implementieren.

Doch Access Now kritisierte, die Regelungen setzten stark auf freiwillige Verhaltenskodizes und ließen zentrale Fragen offen.

Das Kernproblem:
Wer kontrolliert tatsächlich, womit diese Modelle trainiert wurden?
Wie lassen sich Urheberrechtsverletzungen nachvollziehen?
Wer prüft algorithmische Verzerrungen?

Kritiker sprechen von einer strukturellen Asymmetrie: Je größer und mächtiger ein System, desto stärker verlässt sich das Gesetz auf Selbstverpflichtungen.

Manipulation und politische Beeinflussung: Die hohe Hürde des „erheblichen Schadens“

Der AI Act verbietet KI-Systeme, die erheblichen Schaden verursachen können. Doch genau diese Formulierung sorgt für juristische Debatten.

Was ist „erheblich“?
Wie wird Schaden gemessen?
Reicht demokratische Verzerrung — oder braucht es nachweisbaren Individualschaden?

Rechtswissenschaftler warnen vor einem möglichen „Beweislastproblem“: Betroffene müssten erst den Schaden nachweisen, bevor ein Verbot greift.

Gerade im Bereich politischer Microtargeting-Techniken oder emotionaler Verhaltenssteuerung sehen Kritiker hier eine Grauzone.

Der politische Kompromiss: Ein Gesetz, das niemanden ganz zufriedenstellt

Interne Verhandlungsdokumente zeigen, wie stark der AI Act von politischen Interessen geprägt war.

Frankreich drängte auf innovationsfreundliche Regeln für Foundation Models. Deutschland wollte seine Industrie schützen. Das EU-Parlament pochte stärker auf Grundrechte.

Das Ergebnis ist ein komplexer Kompromiss:

• strikte Verbote
• umfangreiche Hochrisiko-Auflagen
• freiwillige Codes of Conduct
• gestaffelte Übergangsfristen

Politisch betrachtet ist der AI Act ein Balanceakt. Regulatorisch betrachtet ist er ein vielschichtiges Hybridmodell.

Genau darin liegt seine Stärke — oder seine Schwäche.

Die große Unbekannte: Durchsetzung

Theoretisch drohen Bußgelder von bis zu 35 Millionen Euro oder sieben Prozent des weltweiten Jahresumsatzes.

Praktisch stellt sich die Frage:
Wer kontrolliert komplexe neuronale Netzwerke?
Wer verfügt über die technische Expertise?
Wie viele spezialisierte Prüfer wird es geben?

Erfahrungen mit der DSGVO zeigen: Ambitionierte Rechtsrahmen stoßen schnell an Kapazitätsgrenzen.

Ohne ausreichende personelle Ausstattung könnten zentrale Regelungen symbolisch bleiben.

Fazit: 2026 – Der Moment der Wahrheit

Ab August 2026 werden viele Kernvorschriften verbindlich anwendbar.

Dann wird sich zeigen:

• Wandern Start-ups ab?
• Entstehen neue Compliance-Dienstleistungsmärkte?
• Oder schafft Europa tatsächlich einen Wettbewerbsvorteil durch Vertrauen?

Der AI Act ist mehr als ein Gesetz. Er ist ein Testfall für Europas Selbstverständnis im digitalen Zeitalter.

Will Europa Geschwindigkeit — oder Gestaltung?
Risiko — oder Regulierung?
Wettbewerb — oder Werte?

Die eigentliche Antwort wird nicht in Brüssel gegeben, sondern im Markt, in Gerichten und in der gesellschaftlichen Akzeptanz.

Bis dahin bleibt der AI Act das, was er jetzt schon ist:
Ein politisches Experiment mit globaler Signalwirkung — und offenem Ausgang.

Quellen

• Verordnung (EU) 2024/1689 über künstliche Intelligenz (AI Act), Amtsblatt der Europäischen Union
• Offener Brief europäischer Start-ups zur KI-Regulierung (2023)
• Deutschlandfunk: Debatte um Auswirkungen des AI Act
• European Digital Rights (EDRi): Stellungnahmen zur biometrischen Überwachung
• Amnesty International: Kritik an Ausnahmen bei Gesichtserkennung
• Access Now: Analyse zu General Purpose AI-Regelungen
• Pressemitteilungen der Europäischen Kommission zum AI Act

Der Beitrag AI Act: Innovationsbremse – oder verpasste Chance für echten Grundrechtsschutz? erschien zuerst auf Kunst & KI.

Kaum ein Thema hat in den letzten Jahren für so viel Aufmerksamkeit gesorgt wie die Künstliche Intelligenz (KI). Sprachmodelle wie ChatGPT, Bildgeneratoren oder Automatisierungssysteme werden als revolutionäre Technologien gefeiert, die unsere Arbeitswelt und Gesellschaft tiefgreifend verändern sollen. Doch die Euphorie wird zunehmend von kritischen Stimmen begleitet: Handelt es sich bei der KI-Welle tatsächlich um den Beginn einer neuen industriellen Revolution – oder um eine Blase, die bald platzen könnte?

Produktivitätseffekte: viel Hoffnung, wenig Realität

Studien, u. a. von der Österreichischen Akademie der Wissenschaften, zeigen: Die realwirtschaftlichen Effekte von KI sind bislang überschaubar. Unternehmen setzen KI derzeit vor allem in klar abgegrenzten Routinebereichen ein, etwa bei Standardanfragen im Kundenservice oder in der Datenanalyse. Dort lassen sich durchaus Einsparungen erzielen. Doch sobald es um komplexere Aufgaben geht, überwiegt der Aufwand der Qualitätssicherung: Halluzinationen, fehlerhafte Ergebnisse und rechtliche Unsicherheiten führen dazu, dass Menschen weiterhin intensiv kontrollieren und korrigieren müssen. Ein durchschlagender Produktivitätseffekt bleibt aus.

Energiehunger und Nachhaltigkeit

Ein weiteres Problem ist der enorme Energieverbrauch. Große Sprachmodelle benötigen für Training und Betrieb gewaltige Rechenressourcen. Prognosen gehen davon aus, dass Rechenzentren bis 2030 bis zu 8 % des weltweiten Stromverbrauchs verursachen könnten. Damit droht KI nicht nur, bestehende Nachhaltigkeitsziele zu konterkarieren, sondern verschärft auch die Abhängigkeit von hochspezialisierten Infrastrukturen.

Rückschläge in Unternehmen

Zwar setzen viele Firmen auf KI, doch erste Rückschläge zeigen die Grenzen deutlich auf. So hatte der Zahlungsanbieter Klarna Hunderte Mitarbeiter durch KI ersetzt, rudert aber inzwischen zurück, da die Qualität der Ergebnisse nicht ausreichte. Auch in der Verwaltung führen neue KI-Systeme häufig nicht zu Entlastung, sondern zu Mehrarbeit durch zusätzliche Schnittstellen und Prüfungen. Die viel beschworene Effizienzsteigerung lässt bislang auf sich warten.

Parallelen zur Dotcom-Blase

Die Diskussionen erinnern stark an die Dotcom-Ära um die Jahrtausendwende: Damals wie heute existiert eine enorme Diskrepanz zwischen Unternehmensbewertungen und realwirtschaftlichen Erträgen. Milliarden fließen in KI-Startups, die zum Teil noch kein tragfähiges Geschäftsmodell vorweisen können. Die Gefahr einer Überhitzung des Marktes ist offensichtlich.

Um diese Parallelen greifbar zu machen, haben wir eine Infografik erstellt:

Auswertung der Infografik

• Unternehmensbewertungen: Sowohl in der Dotcom-Ära als auch heute im KI-Sektor extrem hoch – aktuell sogar noch ausgeprägter.
• Reale Umsätze und Produktivitätseffekte: In beiden Fällen vergleichsweise gering. Trotz Investitionen zeigen sich kaum messbare Fortschritte.
• Medienhype: Dotcom wie KI wurden und werden von einer starken öffentlichen Euphorie begleitet.
• Nachhaltige Geschäftsmodelle: Erst die Zeit wird zeigen, welche Player überleben. Während aus der Dotcom-Blase am Ende Google, Amazon & Co. hervorgingen, ist bei KI noch offen, welche Unternehmen den Sprung schaffen.

Die Infografik verdeutlicht: Die Parallelen sind frappierend – und sie mahnen zur Vorsicht.

Krypto-Parallelen

Auch zur Kryptowährungsblase lassen sich zahlreiche Parallelen ziehen. 2017 und 2021 stiegen die Bewertungen von Bitcoin und zahllosen Altcoins ins Unermessliche – oft ohne realwirtschaftlichen Nutzen. Ähnlich wie bei KI spielte die Angst, „den nächsten großen Trend zu verpassen“, eine zentrale Rolle. Während Krypto vor allem als spekulatives Finanzprodukt galt, ist KI stärker in Unternehmen und Verwaltung eingebettet. Doch das Muster der Übertreibung, Intransparenz und regulatorischen Unsicherheit ist nahezu identisch.

Um diese Dreier-Konstellation darzustellen, haben wir eine zweite Infografik ergänzt:

Gesellschaftliche Risiken und Machtkonzentration

Selbst wenn am Ende einige wenige Unternehmen die „KI-Revolution“ überleben und dominieren, bedeutet das nicht automatisch Fortschritt für die Gesellschaft. Im Gegenteil: Innovation ist nicht gleichzusetzen mit gesellschaftlichem Fortschritt.

• Privatsphäre: KI braucht enorme Datenmengen. Je zentralisierter die Datenmacht, desto größer das Risiko für Überwachung und Verlust der informationellen Selbstbestimmung.
• Einschränkung von Rechten: Von Urheberrechtsverletzungen durch ungefragte Nutzung kreativer Werke bis zu automatisierten Entscheidungen über Bewerbungen, Beförderungen oder Kündigungen.
• Monopolisierung: Nur wenige Unternehmen können sich die teuren Rechenressourcen und Infrastrukturen leisten. Das führt zu Oligopolen, die Standards diktieren.
• Ungleichheit: Gewinne konzentrieren sich bei den Plattformen und Investoren, während die breite Bevölkerung kaum profitiert. Auch global wächst die Kluft zwischen Norden und Süden.

Damit ist klar: Innovation bedeutet nicht automatisch Fortschritt für die Menschheit. Entscheidend ist, wie Technologien reguliert, verteilt und eingesetzt werden.

Von Science zu Systemics – Heinz von Foerster und die Rolle der Kybernetik

Heinz von Foerster hat schon früh darauf hingewiesen, dass moderne Wissenschaft immer stärker zu einer Erzählmaschine wird. Nicht mehr die Realität selbst stehe im Zentrum, sondern die Frage: „Wer erzählt die plausibelste Geschichte, von der alle sofort glauben: Das muss es gewesen sein?“

Von Foerster unterschied zwischen Science – dem Trennen, Analysieren, Isolieren – und Systemics – dem Integrieren, Vernetzen, Verknüpfen. Während Science die Welt zerlegt, sieht Systemics sie als dynamisches, selbstorganisierendes Ganzes. Kybernetik und Systemtheorie wurden zu Grundlagen, die uns bis heute begleiten: Rückkopplung, Selbstreferenz, Emergenz.

Genau hier liegt die Verbindung zur KI: Sprachmodelle und neuronale Netze sind keine „Wahrheitsmaschinen“, sondern Kohärenzmaschinen. Sie erzeugen Texte und Bilder, die plausibel wirken – unabhängig davon, ob sie faktisch korrekt sind. In diesem Sinn ist KI selbst Ausdruck von Systemics: Sie integriert, verbindet, produziert Narrative.

„Realität? – Wo ist die Realität, wo haben Sie die? Heute geht es nicht mehr um Wahrheit, sondern darum: Wer erfindet eine lustige, amüsante und interessante Geschichte, von der jeder sofort glaubt: Das muss es gewesen sein.“
– Heinz von Foerster

Das erklärt, warum KI so empfänglich für Hype und Blasen ist: Sie liefert keine Realität, sondern Geschichten. Gesellschaft, Medien und Märkte nehmen diese Geschichten auf, glauben daran – und verstärken sie. Kybernetik und Systemtheorie helfen, diesen Mechanismus zu verstehen: KI ist weniger ein Werkzeug der Wahrheit als ein Spiegel unserer Sehnsucht nach Sinn und Ordnung in einer komplexen Welt.

Meta-Reflexion: Von Hütchenspielern zu Poeten

Die Muster des Hypes – Übertreibung, „die Angst, etwas zu verpassen“, Narrativbildung – erinnern nicht nur an ökonomische Blasen, sondern auch an die Mechanismen von Hütchenspielern und Strukturvertrieben. Heinz von Foerster hat dies zugespitzt: Aus Wissenschaftlern werden Erzähler, Poeten und Schauspieler, die Geschichten entwerfen, die wir für Realität halten wollen.

Damit schließt sich der Kreis: KI ist weniger ein neutrales Werkzeug, sondern Teil einer kulturellen und ökonomischen Bühne. Ob wir diese Bühne für Täuschung und Machtkonzentration nutzen – oder für neue Formen der Kreativität und Zusammenarbeit – liegt nicht in der Maschine selbst, sondern in den Händen der Gesellschaft.

Der Beitrag Künstliche Intelligenz – Innovation oder nächste Blase? erschien zuerst auf Kunst & KI.