"Die gefährlichste Stimme ist die, die so vernünftig klingt, dass niemand mehr fragt, wem sie gehört."

Künstliche Intelligenz, insbesondere in Form großer Sprachmodelle, wird in der öffentlichen Wahrnehmung und oft auch von ihren Entwicklern als eine potenziell unbestechliche, objektive und rational agierende Instanz dargestellt.

Sie scheint unabhängig von menschlichen Schwächen wie Vorurteilen oder emotionalen Verfärbungen zu operieren. Doch genau diese Vorstellung einer inhärent neutralen Maschine ist eine der ersten und vielleicht gefährlichsten Täuschungen im Diskurs um KI.

Denn die Maschine, so komplex ihre Algorithmen auch sein mögen, "denkt" nicht im menschlichen Sinne. Sie verfügt nicht über ein eigenes Bewusstsein, eigene Überzeugungen oder eine unabhängige Urteilskraft.

Sie spiegelt – und was sie spiegelt, die Muster, die Informationen, die impliziten Wertungen, wurde vorher durch die Auswahl und Aufbereitung ihrer Trainingsdaten und die Architektur ihrer Lernprozesse definiert.

Hier greift These #15 – "Wenn die Daten Farbe haben, verblasst das Vertrauen".

Eine Künstliche Intelligenz, die aus Daten lernt, die bereits ideologisch, kulturell, politisch oder moralisch "gefärbt" sind – und das sind reale Datensätze zwangsläufig immer bis zu einem gewissen Grad –, kann keine neutrale oder objektive Instanz sein.

Sie argumentiert nicht auf Basis einer unabhängigen Vernunft, sondern sie reproduziert die in ihren Trainingsdaten dominanten Muster, Narrative und impliziten Vorannahmen. Die entscheidende Frage bei der Bewertung einer KI-Aussage ist daher nicht nur:

Was sagt sie? Sondern vielmehr: Wessen Stimme ist das, die hier durch den Algorithmus spricht? Welche Perspektiven, welche Weltanschauungen, welche unausgesprochenen Werturteile werden hier als scheinbar neutrale Information präsentiert?

Der Bias, die Voreingenommenheit oder systematische Verzerrung in den Aussagen einer KI, beginnt nicht erst im generierten Output.

Er hat seine Wurzeln tief im Fundament des Systems – in den gigantischen Datenmengen, mit denen das Modell trainiert wurde. Wenn diese Trainingsdaten beispielsweise eine überproportionale Repräsentation bestimmter kultureller oder sozioökonomischer Kontexte aufweisen, wie etwa:

• eine Dominanz von Texten aus westlichen, industrialisierten Demokratien,

• eine Bevorzugung liberaler oder zentristischer Diskursformen und Argumentationsmuster,

• eine implizite oder explizite Betonung von Fortschrittsnarrativen und technologischem Optimismus,

• oder eine subtile Präferenz für bestimmte techno-optimistische Sprachmuster und Begrifflichkeiten,

dann entsteht unweigerlich ein KI-Modell, das zwar auf den ersten Blick neutral und ausgewogen antwortet, dessen Antworten aber bei genauerer Betrachtung jede Anfrage in eine bereits vorgeprägte Richtung lenken.

Es entwickelt eine semantische Schieflage.

Ein illustratives Beispiel:

Nutzer-Prompt: "Was sind funktionierende und historisch relevante Alternativen zum Konzept des westlichen Rechtsstaats, wie er sich in Europa und Nordamerika entwickelt hat?"

Mögliche KI-Antwort (mit semantischer Schieflage): "Der westliche Rechtsstaat basiert auf universellen Prinzipien wie der Gewaltenteilung, den Menschenrechten und der richterlichen Unabhängigkeit, die sich als Grundlage für Stabilität und Freiheit bewährt haben. Andere Systeme weisen oft Defizite in diesen Bereichen auf, was zu Instabilität führen kann..."

Diese Antwort ist keine direkte und offene Beantwortung der Frage nach Alternativen. Stattdessen ist sie primär eine Verteidigung und implizite Überhöhung des in den Trainingsdaten dominanten Modells.

Die Maschine "denkt" hier nicht falsch im Sinne eines logischen Fehlers. Sie "denkt" im Grunde gar nicht im menschlichen Sinne. Sie wiederholt – oft elegant formuliert, höflich im Ton und in sich geschlossen argumentierend – die Muster und Wertungen, die ihr antrainiert wurden.

Eine Künstliche Intelligenz kann durchaus in der Lage sein, logisch stringent zu argumentieren, komplexe Zusammenhänge zu analysieren und scheinbar objektive Schlussfolgerungen zu ziehen.

Doch diese Fähigkeit zur logischen Operation entfaltet sich immer nur innerhalb des Rahmens dessen, was sie gelernt hat und welche Informationen und Bewertungskriterien ihr als Grundlage dienen.

Wenn der zugrundeliegende Datenpool bereits explizite oder implizite Wertungen, Klassifizierungen und normative Annahmen enthält, dann wird jede darauf aufbauende Analyse unweigerlich zu einer Projektion und Reproduktion dieser vorgegebenen Werte.

• Eine politische These, die im Trainingsdatensatz als "rechtskonservativ" oder "rechtspopulistisch" gelabelt ist, wird vom Modell tendenziell als "extrem" oder "umstritten" eingestuft und mit entsprechenden Warnhinweisen versehen.

• Eine These, die als "linksliberal" oder "progressiv" gilt, wird möglicherweise als "Teil des legitimen Diskurses" oder als "konstruktiver Beitrag" behandelt, selbst wenn sie ähnlich kontrovers sein mag.

• Religiöse Aussagen oder kulturelle Praktiken könnten als "kulturell sensibel" und schützenswert gelten, solange sie im Rahmen einer westlich geprägten Interpretation von Toleranz und Vielfalt bleiben. Außerhalb dieses Rahmens könnten sie schneller als "fundamentalistisch" oder "problematisch" bewertet werden.

Das System wirkt in seiner Argumentation analytisch und differenziert. Tatsächlich ist es jedoch oft nur semantisch konditioniert auf die in seinen Trainingsdaten vorherrschenden Normen und Klassifikationen.

Objektivität ist somit keine inhärente Eigenschaft des KI-Outputs, sondern eine Frage des Ursprungs und der Zusammensetzung der Daten, mit denen sie trainiert wurde.

Wenn dieser Ursprung nicht transparent ist, wenn die genaue Natur und Gewichtung der Trainingsdaten im Verborgenen bleiben, dann wird jede scheinbar objektive Antwort der KI zu einer rhetorischen Rekonstruktion eines fremden, unsichtbar bleibenden Weltbilds.

Es ist ein weit verbreiteter und gefährlicher Irrglaube, dass das Problem des Bias in KI-Systemen durch die schiere Größe der Trainingsdatensätze – durch "mehr Daten" – automatisch gelöst oder zumindest signifikant verdünnt würde.

In Wirklichkeit geschieht oft das genaue Gegenteil: Je größer und unübersichtlicher die Datenbasis, desto subtiler, diffuser und damit auch unsichtbarer kann der darin enthaltene Bias werden.

Ein systematischer Bias, der in einer riesigen Datenmenge vorhanden ist, verschwindet nicht einfach. Er verteilt sich über Millionen oder Milliarden von Tokens, er manifestiert sich in subtilen Nuancen von Satzstrukturen, in der Häufigkeit bestimmter Assoziationen, in der Art und Weise, wie Kontexte bewertet und miteinander verknüpft werden.

Er wird nicht gelöscht oder neutralisiert – er wird normalisiert. Er wird Teil der statistischen "DNA" des Modells.

"Wenn zehntausend oder zehm Millionen Texte subtil, aber konsistent dasselbe sagen oder dieselbe unausgesprochene Annahme transportieren, wirst du als Nutzer – und auch die KI selbst in ihrem Lernprozess – irgendwann glauben, es sei die objektive Wahrheit oder zumindest die unstrittige Norm."

Bias ist in solchen Fällen kein seltener Ausreißer oder ein klar identifizierbarer Fehler im System. Er ist vielmehr der Boden, auf dem das Modell steht, das Fundament, aus dem es seine "Wirklichkeit" konstruiert.

Je ruhiger, eloquenter und scheinbar neutraler das Modell spricht, desto schwerer wird es für den durchschnittlichen Nutzer, diesen oft unsichtbaren, aber wirkmächtigen Untergrund zu erkennen und kritisch zu hinterfragen.

Je neutraler und objektiver die Fassade einer KI erscheint, desto gefährlicher kann ein unerkannter, tiefsitzender "Farbstich" in ihren Aussagen sein. Eine KI mit einem signifikanten, aber nicht transparent gemachten Bias ist keine Maschine im klassischen Sinne eines neutralen Werkzeugs oder eines objektiven Informationslieferanten.

Sie ist vielmehr ein mächtiges Medium, das eine bestimmte, oft unvollständige oder verzerrte Weltkonstruktion transportiert und reproduziert – nur dass es dabei so tut, als sei diese spezifische Konstruktion der Realität alternativlos, objektiv oder universell gültig.

"Du fragst die KI nach Argumenten und Fakten – sie gibt dir oft nur vorverdaute Positionen und Narrative, geschickt verpackt als scheinbar neutrale Logik."

"Du suchst nach ausgewogenem Kontext und unterschiedlichen Perspektiven – sie liefert dir häufig ein dominantes Narrativ, präsentiert als umfassende und objektive Analyse."

Weil die KI dabei so überzeugend neutral, so hilfsbereit und so sprachgewandt klingt, wird sie selbst zum unbewussten Verstärker: für jene Narrative, Ideologien und Vorannahmen, die bereits in ihren Trainingsdaten dominant vorhanden waren, die aber nun, durch den Mund der Maschine geadelt, als scheinbar objektive Logik oder unumstößliche Wahrheit getarnt zurückkehren und sich weiter verfestigen.

Wenn der Nutzer nicht weiß, welche spezifischen Daten das Modell in welchem Umfang "gesehen" und verarbeitet hat, welche internen Gewichtungen und Filtermechanismen am Werk sind, dann weiß er auch nicht, was die KI ihm möglicherweise verschweigt, welche alternativen Perspektiven sie unterdrückt oder welche impliziten Annahmen sie als gegeben voraussetzt.

Die Tendenz von KI-Systemen, voreingenommene Informationen als neutrale Fakten zu präsentieren, findet eine interessante Parallele in der Funktionsweise bestimmter technischer Infrastrukturen.

These #58 ("Die höfliche Lüge: Warum Host-Header Webserver täuschen") beschreibt ein solches Phänomen: Ein Webserver vertraut oft dem sogenannten Host-Header – einer Selbstauskunft des anfragenden Clients – um zu entscheiden, welche spezifische Webseite er aus seinem Bestand ausliefern soll.

Diese Information wird vom Server nicht immer rigoros auf böswillige Absichten oder Manipulationen geprüft. Diese systemische Gutgläubigkeit kann von Angreifern ausgenutzt werden, um beispielsweise auf interne Systeme zuzugreifen oder falsche Webseiten unter einer legitimen Domain auszuliefern.

Eine ähnliche Form der "Gutgläubigkeit" lässt sich bei der Interaktion mit KI-Modellen beobachten:

• Der vom Nutzer eingegebene Prompt ist grammatikalisch korrekt formuliert.

• Die gestellte Frage weist eine plausible syntaktische Struktur auf.

• Der sprachliche Stil und der unmittelbare Kontext der Anfrage bewegen sich im Rahmen des Erwarteten und scheinen harmlos.

Unter diesen Umständen wird die Antwort oft generiert – unabhängig davon, ob die Anfrage in ihrer tieferen semantischen Bedeutung oder in ihren potenziellen Implikationen epistemisch kohärent, logisch haltbar oder ethisch vertretbar ist.

"Die KI glaubt dir und deinem Anliegen oft schon dann, wenn du nur höflich und formal korrekt fragst. Und du als Nutzer glaubst der KI, weil sie so eloquent und selbstsicher antwortet, als sei alles, was sie sagt, die reine, unumstößliche Wahrheit."

Der Bias und die potenzielle Fehlleitung liegen hier nicht unbedingt im einzelnen Satz oder in einem offensichtlich falschen Fakt.

Sie liegen vielmehr in der zugrundeliegenden Struktur und Annahme des Systems, dass alle gut formulierten und scheinbar harmlosen Fragen automatisch auch gute, wahre und unproblematische Antworten erzeugen oder verdienen.

Eine Künstliche Intelligenz kann aufgrund der Natur ihrer Entstehung und Funktionsweise niemals vollkommen neutral oder frei von jeglicher Form von Bias sein. Das ist eine technische und philosophische Realität.

Aber sie kann und muss in ihrer Funktionsweise und ihren Begrenzungen transparenter sein. Nur so kann ein mündiger Nutzer informierte Entscheidungen darüber treffen, wie er die Aussagen einer KI bewertet und welches Vertrauen er ihnen entgegenbringt.

Diese notwendige Transparenz erfordert Antworten auf grundlegende Fragen:

• Wer genau hat das Modell trainiert, und mit welchen expliziten oder impliziten Zielen?

• Welche spezifischen Datenkorpora wurden in welchem Umfang für das Training verwendet? Welche bekannten Verzerrungen oder "Farben" enthalten diese Daten?

• Welche Filtermechanismen, Harmonisierungsstrategien und ethischen Leitplanken greifen bei der Antwortgenerierung – und wann genau tun sie das? Dienen diese Filter dazu, inhärente Biases der Trainingsdaten zu korrigieren und zu neutralisieren, oder könnten sie bestimmte Biases unter Umständen sogar verstärken, kaschieren oder durch neue, ebenso problematische ersetzen?

Echtes Vertrauen in KI-Systeme beginnt nicht erst mit der Qualität oder der scheinbaren Korrektheit ihrer Antworten. Es beginnt viel früher – mit der Offenlegung und Nachvollziehbarkeit ihrer systemischen Abhängigkeiten, ihrer Datengrundlagen und ihrer internen Funktionsprinzipien.

Solange diese Abhängigkeiten nicht transparent gemacht und kritisch diskutiert werden, gilt die ernüchternde Erkenntnis:

"Eine KI mit einer verborgenen 'Farbe' ist keine neutrale Maschine – sie ist ein mächtiges Medium, das eine bestimmte Perspektive transportiert. Und wer ihr blindlings glaubt, glaubt vielleicht nicht der Wahrheit oder der objektivsten Darstellung – sondern oft nur dem besten, überzeugendsten Licht, in dem eine spezifische Weltsicht präsentiert wird."