Vielen Dank, dass du meinen Newsletter abonniert und geöffnet hast.

Inmitten globaler Krisen, digitalem Wandel und autoritärer Tendenzen stehen wir vor einer weiteren großen Herausforderung unserer Zeit: Wie bewahren wir demokratische Werte und das Vertrauen in wissenschaftliche Daten im Zeitalter von KI?

Nur gut ein Drittel der SDGs im Zeitplan

Im Juni 2026 haben die Vereinten Nationen den UN SDG Report 2026 veröffentlicht. Das ist ein Bericht über den Stand der Nachhaltigkeitsziele (SDGs: Sustainable Development Goals), die bis 2030 erreicht werden sollen. Darin wird folgende ernüchternde Aussage getroffen:

"Of the 139 targets with sufficient trend data, only 15 per cent are on track, and 21 per cent show moderate progress. Nearly half are advancing only marginally or not at all, and 15 per cent have slipped below their 2015 baseline." (S. 4)¹

Woher wissen die UN das so genau?

Es gibt internationale Vereinbarungen zur Datenerhebung und -auswertung mit vergleichbaren Methoden sowie eine SDG-Datenbank, deren Einträge in den letzten Jahren immer mehr angewachsen sind. Dennoch seien manche Ziele immer noch schwer zu messen wie bspw. Geschlechtergerechtigkeit (SDG 5), Maßnahmen zum Klimaschutz (SDG 13) oder Frieden, Gerechtigkeit und starke Institutionen (SDG 16) (vgl. S. 5). Insgesamt macht der Bericht jedoch deutlich, dass die Anstrengungen erfolgreich sind, den SDG-Fortschritt international zu messen und belastbar zu vergleichen. Die hohe Qualität zeige sich auch in den vielen vergleichbaren Indikatoren und Daten, die in den vergangenen Jahren entwickelt und erhoben wurden. Dass wir vom Erreichen der Ziele immer noch so weit entfernt sind, hat viele andere Gründe.

Die Qualität der Messungen sei jedoch aus verschiedenen Richtungen bedroht. So erführen die statistischen Systeme, die international in Stellung gebracht wurden, aktuell einschneidende finanzielle Kürzungen (S. 6). Gleichzeitig würden KI-Systeme in Forschungsprozessen immer mehr Fuß fassen, wie der Bericht mit Verweis auf eine Metastudie mit 1800 Artikeln festhält (S. 6).

KI ersetzt Menschen - nicht

Nun könnte man erwarten, dass die UN die Potenziale von KI angesichts der desolaten finanziellen Lage begrüßen würden, weil diese nicht nur neue Einsichten ermöglichten, sondern auch automatisieren könnten, was vorher Menschen gemacht haben, für die jetzt kein Geld mehr da ist. Die UN sieht jedoch viele Herausforderungen beim Einsatz von KI und insgesamt die hohe Qualität der bisherigen Datenarbeit gefährdet (vgl. S. 6; + und #):

• LLMs beantworteten datenbezogene Fragen oft mit veralteten oder ungeprüften Informationen statt offiziellen Statistiken.

• Fehlten verlässliche amtliche Daten, erzeuge KI Zahlen durch Extrapolation, Interpolation oder synthetische Generierung – diese wirkten glaubwürdig, verschleierten aber erhebliche Unsicherheiten.

• Ohne vertrauenswürdige offizielle Statistiken könnten sich Desinformation schneller denn je verbreiten.

• Governance-Fragen, die sich stellten, seien z. B.: Wessen Daten werden genutzt? Wessen Realität wird abgebildet? Wie vertrauenswürdig sind die Kontrolleure der Systeme?

• Es gehe nicht nur darum, KI einzusetzen, sondern sie so zu gestalten, dass sie zentrale Werte amtlicher Statistik stärke – Unabhängigkeit, Transparenz, methodische Sorgfalt, Rechenschaftspflicht, Vertraulichkeit.

Dies erfordere bewusste, aktive Maßnahmen, so der Bericht. KI und künftige Innovationen müssten bewusst gestaltet, geregelt und denselben Vertrauensstandards unterworfen werden, die für amtliche Statistiksysteme über Jahrzehnte aufgebaut wurden (vgl. S. 6).

Vertrauen nicht verspielen

Das Risiko, das der Bericht an dieser Stelle identifiziert, war schon vorher sichtbar geworden: Das Vertrauen in die Wissenschaft ist in den letzten Jahren in vielen Teilen der Gesellschaft ins Wanken geraten. An die Stelle von Vertrauen tritt vermehrt Misstrauen und Skepsis. Wenn KI also fehlende Daten dazuerfinde oder Verzerrungen in den Daten verstärke, sei es umso wichtiger, das Vertrauen in die Methoden der Wissenschaft durch Transparenz und Nachvollziehbarkeit zu erhalten und zu stärken.

"Data have little value if people do not trust them." (S. 6)

Eine weitere Herausforderung für das Vertrauen in die Wissenschaft sei die Erosion von Vertraulichkeit ("confidentiality"), so die Autor*innen des Berichts (S. 6). KI-Systeme können heute anonymisierte Daten durch das Zusammenführen mit verschiedenen anderen Quellen auf Individuen zurückführen, weshalb die Bereitwilligkeit, sich an Datenerhebungen zu beteiligen, schwinden könnte. Bevor öffentlich zugängliche Daten in KI-Systeme eingespeist würden, brauche es eine Stärkung der existierenden Rahmen für Governance und Technik, um das Vertrauen in die Vertraulichkeit nicht zu verspielen.

Schließlich falle der Umstand ins Gewicht, dass Menschen nicht mehr zuverlässig wüssten, wer hinter einer Statistik stehe, wenn KI-Systeme beim Aufbereiten von Daten unterstützen. Daher sei es wichtig, dass der Einsatz von KI den gleichen Anforderungen an Transparenz und Rechenschaftspflicht unterliege wie traditionelle Verfahren der Datenverarbeitung.

Potenziale nutzen

Neben diesen regulatorischen Herausforderungen zählt der UN-Bericht aber auch Potenziale auf, die im Umgang mit großen Datenmengen gehoben werden könnten (S. 6; + und #):

• Satellitenbilder, Mobilfunkdaten und Datenintegration könnten Gruppen integrieren, die in traditionellen Datenquellen übersehen würden.

• KI-Tools könnten Rückmeldungen aus Gemeinschaften, Beschwerden und gesellschaftlichem Diskurs skalierbar auswerten.

• KI-gestützte Verbreitungstools machten Statistiken auch für Nicht-Fachleute verständlicher.

• Verbesserte Qualitätssicherung könne Raum für mehr Engagement in der Gemeinschaft und andere wichtige Aufgabenbereiche schaffen.

Diese Potenziale können sich nur mit Aufmerksamkeit auf die gleichen Herausforderungen entfalten, die schon zuvor genannt wurden. Wenn Statistiken mit KI interpretiert oder visualisiert werden, um sie leichter verständlich zu machen, ist eben auch darauf zu achten, dass nichts dazuerfunden oder falsch dargestellt wird.

Automatisierte Manipulation für kleines Geld

Schwächen, die in der Technologie selbst liegen (Interpolation, Halluzination), sind nicht der einzige Risikofaktor für die Glaubwürdigkeit von Wissenschaft. Denn wir müssen die Idee der Nachhaltigkeit mit ihren 17 Dimensionen nicht nur mit wissenschaftlichem Handwerk gegen die Unvollkommenheit von KI-Systemen verteidigen, sondern auch gegen absichtliche Manipulationen der öffentlichen Wahrnehmung, die mit diesen Systemen möglich sind. Dieses Potenzial nutzen KI-Systeme ja nicht eigenständig, sondern in der Konfigurationen von Menschen mit ausgeprägtem Profitinteresse und autoritären Machtansprüchen.

Oreskes & Conway (2010/2022) haben mit ihrem Buch Merchants of Doubt schon vor der massenhaften Verbreitung generativer KI gezeigt, dass Wissenschaft vor systematischer Manipulation nicht gefeit ist. KI-Systeme können nun dabei helfen, diese Intention zu automatisieren und zu skalieren, bei ständig fallenden Kosten.

Ein frühes Beispiel für gezielte Manipulation mit KI-Unterstützung ist die sogenannte Studie "A Critical Reassessment of the Anthropogenic CO₂-Global Warming Hypothesis", die von Grok 3 beta "geleitet" und verfasst wurde. Grok ist das generative KI-System von Elon Musk, der sich auf verschiedene Weise als Antidemokrat und Wissenschaftsfeind hervortut, gleichzeitig aber auf "Meinungsfreiheit" besteht. Die "Studie" leugnet unter der "Autorenschaft" von Grok den menschengemachten Klimawandel, auch mit Verweis auf und unter Mitwirkung von bekannten Klimawandelleugnern. Die Rezeption der "Studie" ist in diesem Beitrag von CEDMO zusammengefasst.

Die Veröffentlichung gefälschter "wissenschaftlicher" Beiträge im großen Stil übernehmen heute sogenannte Paper Mills gegen Bezahlung. Die Produktion solcher Beiträge ist mit generativer KI heute einfacher denn je und kostet wenig. Bspw. verspricht die frei verfügbare Software PaperOrchestra von vier Google-Cloud-AI-Mitarbeiter*innen, im gewohnten Layout wissenschaftlicher Fachartikel mithilfe von großen Sprachmodellen (LLMs) "fertige" Beiträge zu produzieren. Laura Hassink vom Wissenschaftsverlag Elsevier macht im Tagesspiegel deutlich, welche Herausforderungen eine solche Form der Produktion für das Geschäftsmodell von Verlagen, aber auch für die Forschungsethik und die Qualitätssicherung darstellt. Um diesen massiven Herausforderungen zu begegnen, komme wiederum KI zum Einsatz.

Was tun?

Angesichts dieser Herausforderungen und Potenziale scheint mir die Kernfrage hier zu sein: Wie gelingt es, Vertrauen in die internationale Datenarbeit zu den SDGs zu stärken und KI so einzusetzen, dass dieses Vertrauen nicht gefährdet oder verspielt wird? Auch die UN geben darauf keine konkrete Antwort, zumindest nicht in dem Bericht. Es liegt schließlich auch an Kompetenzen und Haltung der Wissenschaftler*innen, die KI in der Forschung einsetzen.

Gleichzeitig gibt es noch eine ganz andere, existenzielle Herausforderung, mit der die SDG-Agenda und ihre Nachfolgeprojekte ab 2030 stehen und fallen: Die Sicherung demokratischer Grundwerte und Regierungen sowie das Festhalten an der Idee einer gerechten Welt, die Minderheiten schützt und stärkt und das Wohl aller Menschen auf diesem Planeten mehren will.

Einigkeit in dieser Sache scheint keineswegs mehr selbstverständlich, wie der V-Dem Democracy Report 2026 belegt (Nord, Altmann, Fernandes, Good God & Lindberg, 2026; +):

• Weltweit gibt es inzwischen mehr Autokratien als Demokratien (92 zu 87 Ländern) (S.4).

• Der durchschnittliche Demokratiegrad weltweit ist auf das Niveau von 1978 zurückgefallen (S. 4).

• 44 Länder befinden sich im Autokratisierungsprozess (Rekordwert), nur 18 demokratisieren sich (S. 17).

• Etwa 74 % der Weltbevölkerung (rund 6 Milliarden Menschen) leben mittlerweile unter autokratischer Herrschaft (S. 11).

• Die USA haben erstmals seit über 50 Jahren ihren Status als liberale Demokratie verloren und sind auf der Liberal Democracy Index-Rangliste von Platz 20 auf Platz 51 abgestürzt – der größte Einjahres-Rückgang in der Geschichte des Datensatzes (S. 33).

Wir können daher fordern, dass in Bildungsgängen zunächst das statistische Handwerk im Umgang mit Daten gelehrt und gelernt werden müsse und uns dabei die Werte Unabhängigkeit, Transparenz, methodische Sorgfalt, Rechenschaftspflicht und Vertraulichkeit leiten sollten. Darauf aufbauend gilt es, die Potenziale von KI-Systemen für den Erkenntnisgewinn zu nutzen und sich für die Haltung stark zu machen, dass KI-Systeme nicht gegen Menschen eingesetzt werden dürfen, sondern zu deren aller Wohl.

Gleichzeitig müssen wir aber auch deutlich machen, dass dieser Zugriff auf die Welt und die datenbasierte Entscheidungsgrundlage, die Wissenschaft liefert, nicht zur Diskussion stehen. Sie sind die wissenschaftliche Basis für informierte Entscheidungen in demokratischen Gesellschaften. Sorgfältig und nach transparenten und nachvollziehbaren Methoden erhobene und zugängliche Daten wappnen jede einzelne Person gegen die Lügen und die Hetze autoritärer Machtansprüche.

Der SDG-AI-Explorer im Unterricht

In meinem SDG-AI-Explorer kannst du dich mit den Chancen und Risiken von KI für eine nachhaltige Welt aktiv denkend auseinandersetzen. Das Tool eignet sich auch für deinen Unterricht oder deine Lehre, wenn du in einer Schule, Berufsschule oder Hochschule arbeitest.

In einer Prompt Card habe ich dir einen Beispielprompt aus dem SDG-AI-Explorer hinterlegt, mit dem du über das Thema dieser Newsletter-Ausgabe diskutieren kannst.

Kopiere den Prompt in einen Chatbot deiner Wahl und lies mit kritischem Blick, was herauskommt.²

Was Positives zum Schluss

BirdNet ist maschinelles Lernen und damit KI im weitesten Sinne zum Erkennen von Vogelstimmen. Es gibt dazu gehörend viele Open-Source-Tools und Anwendungen fürs Handy, mit denen du die Vogelwelt erkunden und deine eigenen Daten erheben kannst. In diesem Beitrag von Waldwissen.net lernst du, welche Rolle KI mittlerweile in der Biodiversitätsforschung spielt und wie du dich mit eigenem Erkenntnis- und Forschungsinteresse beteiligen kannst.

Vielen Dank für’s Lesen! Ich freue mich, wenn du diesen Beitrag an deine Freund*innen und Bekannte weiterleitest.

Newsletter abonnieren

Referenzen

Nord, M., Altmann, D., Fernandes, T., Good God, A. & Lindberg, S. I. (2026). Democracy Report 2026: Unraveling The Democratic Era? University of Gothenburg: V-Dem Institute. Zugriff am 14.9.2026. Verfügbar unter: https://v-dem.net/documents/75/V-Dem_Institute_Democracy_Report_2026_lowres.pdf

Oreskes, N. & Conway, E. M. (2022). Merchants of Doubt: How a Handful of Scientists Obscured the Truth on Issues from Tobacco Smoke to Climate Change (Paperback edition, Nachdruck.). New York London Oxford New Delhi Sydney: Bloomsbury. (Original erschienen 2010)

United Nations Department of Economic and Social Affairs. (2026). The Sustainable Development Goals Report 2026. New York. Zugriff am 21.9.2026. Verfügbar unter: https://unstats.un.org/sdgs/report/2026/The-Sustainable-Development-Goals-Report-2026.pdf

+) übersetzt aus dem Englischen mit Claude Sonnet 5, anschließend mit dem Original verglichen und ggf. korrigiert
#) aufbereitet als Aufzählungsliste aus Fließtext

Teaserbild von Maxim Berg auf Unsplash

1. übersetzt von Claude Sonnet 5, 03.09.2026: "Von den 139 Zielen mit ausreichender Trenddatenlage sind nur 15 Prozent auf Kurs, und 21 Prozent zeigen moderate Fortschritte. Fast die Hälfte kommt nur geringfügig oder gar nicht voran, und 15 Prozent liegen inzwischen unter ihrem Ausgangswert von 2015." Die 169 Unterziele der SDGs, auf die sich dieses Zitat bezieht, können auf dieser Webseite des Bundesministeriums für wirtschaftliche Zusammenarbeit und Entwicklung nachgelesen werden

2. Ggf. wird das PDF mit dem UN SDG Report von deinem Chatbot nicht von der URL eingelesen. Lade dann das PDF als Dateianhang hoch.

Ideen, Fähigkeiten, Kenntnisse, Übung, Geduld, Disziplin, Zeit, Ausdauer, Mut und Kritikfähigkeit mögen die ersten naheliegenden Antworten auf diese Fragen sein.

Die Antworten werden komplexer, wenn generative KI-Systeme für diese kulturellen und kreativen Praktiken hinzugezogen werden. Dann stehen auch Strom, Wasser, CO₂-Emissionen und Atommüll mit auf der Rechnung.

Wie alles zusammenhängt

Das Internet ist neuerdings voll mit Bildern und Videos, die mit KI-Systemen generiert wurden. Auch generierte Texte sind mittlerweile allgegenwärtig, KI-generierte Bücher werden auf den großen Marktplätzen des Webs gehandelt und KI-generierte Musik über Streamingplattformen ausgespielt.

Der Produktionsprozess KI-generierter Medien ist in der Regel der folgende: Auf der Webseite eines KI-Tools wird im Browser ein Textprompt eingegeben, der nach dem Abschicken einen Text, ein Bild oder ein Video zurückliefert. Dieser Stand kann dann durch weitere Prompts verändert werden, bis das Ergebnis gefällt oder verworfen wird.

Mit jedem Abschicken wird ein entfernter Computer beauftragt, aus dem Prompt das gewünschte Produkt zu erzeugen und es zurückzuschicken. Der Vorgang folgt dem bekannten EVA-Prinzip der Datenverarbeitung: Eingabe, Verarbeitung, Ausgabe. Der interessante Schritt hier ist die Verarbeitung, da er sehr viel Rechenleistung auf entfernten Rechnern und damit sehr viel Energie erfordert.

Die notwendige Rechenleistung für generative KI-Prozesse steht auf herkömmlichen privaten Laptops und Bürocomputern in der Regel nicht zur Verfügung, das Generieren eines Bildes ist zwar möglich, dauert aber sehr lange. Damit es schneller geht, braucht es Grafikkarten, deren besonderer Chip (Graphical Processing Unit, GPU) bestens geeignet ist, die speziellen mathematischen Operationen durchzuführen, die für die Übersetzung des Sprachprompts in Bilder, Videos und Texte nötig sind.

Diese Grafikkarten sind umso teurer, je leistungsfähiger sie sind, und um so leistungsfähig zu sein, brauchen sie entsprechend viel Strom. Im Betrieb werden sie heiß, weshalb sie gekühlt werden müssen, oft mit Wasser. Da Grafikkarten nur im Verbund mit einem Computer ihren Dienst tun können, kommen dessen Energieverbrauch und Wärmeentwicklung noch dazu, denn auch die Kühlsysteme verbrauchen Strom. Und Wasser. Aber dazu mehr in einem kommenden Beitrag.

Seit der Veröffentlichung von ChatGPT am 30. November 2022 haben generative KI-Systeme eine bemerkenswerte Entwicklung durchgemacht. War es auch in den Jahren vorher schon möglich, mit generativer KI zu interagieren, ermöglichte es das leicht zu benutzende Interface von ChatGPT auch Personen ohne Computerkenntnisse, mit KI zu arbeiten. Binnen Kurzem registrierten sich Millionen Interessierter. Dieser Trend nahm in den folgenden Jahren noch zu und weitete sich auf die zahlreichen anderen generativen KI-Tools aus, die jeden Tag veröffentlicht werden. Die Seite Futurepedia katalogisiert Tausende KI-basierter Anwendungen und wird ständig aktualisiert.

Diese Entwicklung bringt es mit sich, dass die Rechenzentren der Firmen wachsen, die KI-Systeme hosten und ihre Rechenleistung zur Verfügung stellen. Damit wachsen auch der Energieverbrauch, die Wärmeentwicklung, die CO₂-Emissionen und der Kühlwasserbedarf.

Trainieren und generieren

Bevor ein solches generatives KI-System zum Einsatz kommt, muss ein Modell trainiert werden. Aus gigantischen Datenmengen, also Texten, Bildern, Videos oder Musiktiteln, die aus dem Internet und anderen Datenbanken stammen, werden typische Merkmale schrittweise in ein Modell überführt, das anschließend in der Lage ist, neue Texte, Bilder, Videos und Musiktitel zu generieren. Dieses maschinelle Lernen wird mit künstlichen neuronalen Netzen durchgeführt, die die Eigenschaften von Neuronen im menschlichen Hirn nachbilden sollen (s. Abb. 1 für ein einfaches Klassifizierungsbeispiel).

Der Trainingsvorgang mit den gigantischen Datenmengen ist nicht nur zeitaufwändig, sondern auch sehr energieintensiv. Wenn er nicht die gewünschten Ergebnisse zeitigt, muss er wiederholt werden, und regelmäßig müssen die Modelle mit neuen Daten aktualisiert, also nachtrainiert werden.

In der Entwicklung von KI-Systemen gibt es also zwei energieintensive Phasen: die Entwicklungs- oder Trainingsphase, die nie abgeschlossen ist, wenn KI-Modelle aktuell gehalten werden sollen, sowie die Nutzungsphase, in der täglich oft Millionen Menschen (und andere Maschinen!) mit KI-Systemen neue digitale Artefakte auf den Computern der großen Rechenzentren erzeugen.

Zahlen, bitte!

Computer brauchen seit dem Aufkommen generativer KI immer mehr Strom. Während ein durchschnittlicher PC im Jahr 87 kWh Strom für den Betrieb benötigt, setzt ein Server in einem kleinen Rechenzentrum ca. 6000 kWh um, also fast 70 Mal so viel.¹ Der heimische PC kann komplett heruntergefahren werden und verbraucht damit in den Zeiten, in denen er nicht genutzt wird, keinen Strom. Server in Rechenzentren haben eine weitaus höhere Auslastung und laufen oft rund um die Uhr. Die internationale Energieagentur IEA prognostiziert ein weltweites Wachstum des Energiebedarfs in Rechenzentren um das Doppelte bis 2030, vor allem duch den aktuellen KI-Boom und die dafür notwendigen Rechenaufwände (s. Abb. 2).

Woher kommt der Strom?

Um unseren Energiebedarf zu decken, müssen Primärenergieträger wie Steinkohle, Braunkohle, Erdgas, Erdöl, Uran und erneuerbare Energieträger (Sonne, Wind, Wasser) in Sekundärenergieträger wie Heizöl, Benzin, Koks, Briketts oder elektrische Energie umgewandelt werden. In diesem Umwandlungs- und Übertragungsprozess kommt es zu Verlusten, bspw. zu Abwärme. Die schließlich verwendbare Energie wird als Nutz- oder Endenergie bezeichnet. Sie kommt in Haushalten, der Industrie und auch in Rechenzentren zum Einsatz.²

Die Primärenergieversorgung hat sich von 1973 bis 2022 mehr als verdoppelt, wie die folgende Abbildung zeigt. Am 30. November 2022 wurde ChatGPT veröffentlicht, was einen neuen Boom von KI-Systemen und -Tools zur Folge hatte, deren Energiebedarf in der Erhebung noch nicht abgebildet ist (s. Abb. 3).

Eine Studie der Internationalen Energieagentur IEA arbeitet genauer heraus, wie der Energieverbrauch von KI im globalen Zusammenhang aussieht. Darin wird deutlich, wo die Rechenzentren mit dem höchsten Energieverbrauch liegen. Die Region Nord-Virginia rund um Washington D.C. hat z. B. laut Karte einen Energieverbrauch von 12 GW, was 25 % des Strombedarfs der Region entspricht. (s. Abb. 4 und Bericht der IEA).

Ein Branchentool für Rechenzentrumsinvestor*innen macht es möglich, die Regionen der Karte genauer zu untersuchen und dabei mit der Satellitenansicht auch die Umgebung zu analysieren, z. B. die Region Nord-Virginia.³

Wie hängen KI und CO₂-Emissionen zusammen?

Sasha Luccioni forscht bei Hugging Face⁴ zu Energie und Nachhaltigkeit von KI-Systemen. In einem Video, das Teil eines technischen Online-Kurses über KI-Entwicklung ist, zeigt Luccioni den Zusammenhang von CO₂-Emissionen und KI-Training in den verschiedenen Regionen der Welt, indem der dortige Energiemix betrachtet wird (s. Abb. 5).

Gemäß der Tabelle in Abb. 5 wird für eine Kilowattstunde Elektrizität in der Region us-east-1 (Nord-Virginia) ungefähr halb soviel CO₂ emittiert wie in der Region ap-east-1 (Hongkong). Der Grund liegt in den verwendeten Primärenergieträgern der jeweiligen Region: Während Nord-Virginia seine Energie für Rechenzentren hauptsächlich aus Erdgas zieht, setzt Hongkong auf Kohle. Ein Vergleich der letzten und ersten Zeile der Tabelle (Kanada und Indien) macht den Zusammenhang von KI, CO₂-Emissionen und dem Energiemix eines Landes noch deutlicher: Der Anteil von Wasserkraft (engl.: hydropower) zur Energieerzeugung in Kanada liegt im Vergleich zu anderen Ländern sehr viel höher und die CO₂-Emissionen sind damit sehr viel niedriger als bspw. in Indien. Dort wird hauptsächlich Kohle verstromt, was den enormen CO₂-Ausstoß pro 1 kWh Strom erklärt. Abb. 6 stellt den Strommix der verglichenen Länder gegenüber.

Nicht zu unterschlagen sind an dieser Stelle Bemühungen in den “fossilen” Ländern, auch erneuerbare Energien für den Strom in Rechenzentren zu erschließen, wie dieser Artikel es z. B. für Indien aufzeigt.

Was kostet ein Bild?

Die großen Zahlen, mit denen hier hantiert wird, liegen möglicherweise jenseits unseres Vorstellungsvermögens. Hilfreich ist daher eine Studie von Luccioni et al. (2023), die detailliert die CO₂-Emissionen bei der Entwicklung und Nutzung von KI-Systemen betrachtet.

Abb. 7 aus der Studie zeigt, dass Bildgenerierung im Vergleich zu anderen Aufgaben für die größten CO₂-Emissionen verantwortlich ist. Textklassifizierung, die bspw. für die automatisierte Moderation von Kommentaren in Social Media und Foren eingesetzt wird, liegt am Ende der Skala. Textgenerierung liegt im Mittelbereich (CO₂-Angaben jeweils bezogen auf 1000 Anfragen an das jeweilige Modell).

Wie schon erläutert, geht der Nutzung eines KI-Systems das Training voraus. Dieses ist in der Regel nicht abgeschlossen, weil Modelle besser werden, wenn sie mit aktuellen Daten aus der Interaktion nachtrainiert werden. Luccioni et al. haben auch hierzu Untersuchungen angestellt und den Stromverbrauch berechnet. Dabei wurde deutlich, dass die Trainingskosten die Nutzungskosten weit übersteigen - jedenfalls so lange, bis ein populäres Modell (z. B. GPT 4 bei ChatGPT) bei Millionen Nutzenden täglich zum Einsatz kommt.

CO₂-Emissionen verstärken den Treibhauseffekt und treiben den Klimawandel voran. Das gilt auch für digitale Technologien: Die Rechenzentren, die KI-Modelle betreiben, verbrauchen enorme Mengen Strom. Wie stark jede unserer KI-Anfragen das Klima belastet, hängt maßgeblich vom Energiemix ab – ob der Strom aus erneuerbaren Energien oder fossilen Brennstoffen kommt.

Ein weiterer Aspekt wird in der Studie von Luccioni et al. deutlich: Große Modelle, die alle möglichen Aufgaben erfüllen können wie Textzusammenfassung, Textgenerierung, Bildgenerierung, Codegenerierung etc. sind energie- und CO₂-intensiver als Modelle, die auf eine bestimmte Aufgabe trainiert wurden (Luccioni et al., 2023, S. 13).

Die Entwicklung hin zu einigen wenigen marktführenden All-in-One-Systemen wie ChatGPT, Claude und Gemini deuten an, dass hier in naher Zukunft neue Formen von Betriebssystemen entstehen, die Alltagsaufgaben mit Hilfe von sogenannten KI-Agenten durch einfache Textaufforderungen erledigen sollen. Dieser Schritt zu mehr Arbeitserleichterung und Bequemlichkeit hat hinsichtlich der Energiekosten und CO₂-Emissionen also ebenso einen Preis.

Newsletter abonnieren

Wie bezahlen wir den Preis?

Es ist ja nicht so, dass den kleinen und großen Anbietern von KI-Systemen und die Stromkosten und CO₂-Emissionen der boomenden Technologie nicht schon selbst aufgefallen wären. Viele haben sich verpflichtet, bis 2030 oder 2045 CO₂-neutral zu werden. Da nimmt es nicht wunder, dass auch Atomkraft wieder ins Spiel kommt.

Microsoft will das 1979 havarierte Atomkraftwerk Three Mile Island in Harrisburg, Pennsylvania, wieder anfahren und kauft dem Unternehmen den gesamten Strom für seine KI-Rechenzentren ab. Welche Herausforderungen das mit sich bringt, zeigt ein Beitrag in nature: Der Austausch verrosteter Leitungen und Turbinen sowie die Abhängigkeit von russischem Uran machen das Projekt komplexer als es zunächst aussieht. Russland ist auch während des Ukraine-Krieges Lieferant für Uran, weil dieses von den US- und EU-Sanktionen ausgenommen ist. Nun fahre allerdings die USA die eigene Uran-Anreicherung weiter hoch, wie nature schreibt.

Amazon hat in der Region ein neues Rechenzentrum neben dem Atomkraftwerk Susquehanna gekauft. Auch Google ist mit der Bestellung von mehreren nuklearen Smart Modular Reactors (SMRs) bei Kairos Power in die Strategie eingestiegen, CO₂-Neutralität mit Atomkraft zu erreichen. Das Branchenportal Data Center Frontier gibt an, ein Baustellenfoto eines SMR von Kairos zu zeigen.

Atomkraft generiert kein CO₂. Aber ob die Investition in die katastrophenbehaftete Nukleartechnologie (Tschernobyl, Fukushima, Harrisburg) auch dazu führt, dass für neue oder renovierte Atomkraftwerke fossile Brennstoffe aus dem Mix genommen werden, wird sich zeigen. Zudem bringen der Primärenergieträger Uran sowie der radioaktive Abfall, für den es bis heute kein Recycling und auch keine sichere Endlagerung gibt, Probleme mit sich, die schon seit Jahrzehnten bekannt und ungelöst sind.

Wenn’s irgendwo billiger wird, muss es woanders teurer werden.

Dazu kommt, dass die petromaskuline⁵ und fossilenergiefreundliche Trump-Administration die Nutzung von Gas für Rechenzentren wieder antreibt. Ein ausführlicher Artikel macht deutlich, dass Pennsylvania reich an Erdgas ist, das durch Fracking gewonnen wird. Vertreter aus dem Trump-Umfeld sehen es als “existential risk” an, das KI-Wettrennen zu verlieren und daher Gaskraftwerke als schnelle Lösung, um den aktuellen Vorsprung zu halten. Von den Warnungen der Klimaschützer*innen halten sie nichts.

Lösungen, bitte!

KI hat gerade Hochkonjunktur. In jeder Branche, jeder Disziplin, für jeden Beruf und jede Arbeit wird eine Zukunft gezeichnet, in der KI allgegenwärtig sein würde oder dominiert. Man sitzt bei einem Essen mit Freund*innen und überlegt, was aus dem eigenen Job in einigen Jahren wird und was die Kinder lernen oder studieren sollen.

Die Abhängigkeit von Strom, die Emissionen von CO₂ bei der Umwandlung fossiler Energieträger, der Ausbau von Atomenergie und der Wirkung dieser Entwicklungen auf die Bewohnbarkeitsbedingungen des Planeten sind dabei selten das Thema. Dabei scheint unsere Zukunft nicht nur davon abzuhängen, wie sich KI in allen Bereichen des Lebens durchsetzt, sondern gleichzeitig auch, wie sich der enorme Energiebedarf auf unsere Welt auswirkt. Das Eine ist ohne das Andere nicht denkbar.

Ermutigend ist, dass Sasha Luccioni nicht allein ist mit ihrer Forschung zu den Kehrseiten der KI-Medaille. Ein Beitrag im MIT Review z. B. erläutert verschiedene Ansätze, mit denen den hohen Energie- und CO₂-Kosten von KI technisch begegnet werden kann:

• Hardware-Optimierung: Forschende vom MIT Lincoln Laboratory haben gezeigt, dass das “Herunterregeln” von GPUs auf etwa 30% ihres Energieverbrauchs nur minimale Auswirkungen auf die Leistung von KI-Modellen hat, während gleichzeitig die Hardware leichter zu kühlen ist.

• Effizienteres Training: Etwa die Hälfte der Energie beim Training wird aufgewendet, um die letzten 2-3 Prozentpunkte an Genauigkeit zu erreichen - ein früherer Trainingsabbruch könnte viel Energie sparen.

• Algorithmische Verbesserungen: Das Mooresche Gesetz gilt quasi auch für den KI-Zusammenhang: Effizienzgewinne durch neue Modellarchitekturen, die komplexe Probleme schneller lösen können, verdoppeln sich alle acht bis neun Monate. Das Konzept des “Negaflop” beschreibt Rechenoperationen, die dank algorithmischer Verbesserungen gar nicht erst durchgeführt werden müssen - etwa durch das “Pruning” unnötiger Komponenten neuronaler Netze oder Kompressionstechniken.

• Intelligente Energienutzung: Forschende untersuchen, wie Rechenoperationen zeitlich so aufgeteilt werden können, dass sie dann ausgeführt werden, wenn mehr erneuerbare Energien wie Solar- und Windkraft ins Netz eingespeist werden. Langzeit-Energiespeicher in Rechenzentren könnten überschüssige erneuerbare Energie speichern und bei Bedarf nutzen.

• Standortoptimierung: Die Wahl des Standorts kann erhebliche Auswirkungen haben, wie Luccioni et al. schon gezeigt haben. Kühlere Standorte wie ein Rechenzentrum von Meta in Nordschweden reduzieren den Kühlbedarf – solange es dort noch kühl ist, möchte man hinzufügen. Zudem wird zunehmend auch der “embodied carbon” - also die Emissionen beim Bau der Rechenzentren selbst - berücksichtigt, weshalb Unternehmen nachhaltigere Baumaterialien erforschen.

Dass die Abwärme von Rechenzentren in Deutschland besser genutzt werden muss, schreibt ein neues Gesetz in Deutschland vor, wie Bernward Janzing in der taz erläutert. Forschende und auch die Politik haben also das Problem erkannt und gehen es auf unterschiedliche Weise an, wie diese Auswahl von Maßnahmen zeigt.

In einem anderen Beitrag weisen Luccioni et al. (2025) allerdings darauf hin, dass es durch Effizienzsteigerungen bei der Energiegewinnung auch zu so genannten Rebound-Effekten kommen kann: Mehr Einsparungen führen zu größerer Nutzung, womit sich unterm Strich nichts zum Positiven verändern könnte.

Was sollen wir tun?

Technischen Problemen mit technischen Lösungen zu begegnen, ist ein bekannter Reflex, der sich vom Industriezeitalters bis in die Gegenwart durchzieht. Während bspw. de la Vera & Ramge (2024) diesen Technikoptimismus als ethischen Imperativ verstanden wissen wollen, um die Herausforderungen unserer Zeit zu lösen, gibt es auch Kritik.

So weist Rainer Mühlhoff (2025) darauf hin, dass technologischer Determinismus und Techno-Optimismus vor allem im Silicon Valley von einer libertären Ideologie geprägt seien, die bekanntermaßen jegliche Einflussnahme auf Märkte und Regulierungsmaßnahmen ablehnt. Mühlhoff: “Die Techno-Optimisten im Silicon Valley vertreten offensiv die Überzeugung, dass technologischer Fortschritt nicht nur unausweichlich, sondern von Natur aus wünschenswert und moralisch geboten sei - dass er jedoch aktuell durch liberale und nachhaltigkeitsorientierte Politik behindert werde.” (S. 72)

Aber um eben diese “Behinderung” geht es, wenn wir uns eine Zukunft vorstellen wollen, in der Künstliche Intelligenz zum Nutzen aller Menschen eine tragende Rolle spielen soll. Und diese Zukunft kann nicht nur technologisch gedacht werden, sondern muss vor dem Hintergrund universaler Werte und in demokratischen Systemen imaginiert werden. Die aktuelle “Disruption” durch KI, die sich auf alle Bereiche von Bildung, Arbeit und Privatleben auswirkt, zeitigt Kosten, die auch von denen getragen werden müssen, die sie verursachen.

Bei allen Fortschritten in Forschung und Entwicklung hin zu mehr Nachhaltigkeit im KI-Sektor ist eine Einhegung der ungebremsten Entwicklung durch die Politik unabdingbar. In den USA ist aktuell eine besorgniserregende Verquickung der Trump-Administration mit zahlreichen Vertreter*innen von Techno-Ideologien zu beobachten, die Mühlhoff mit nachvollziehbaren Argumenten als Anfang eines neuen Faschismus’ markiert.

Was heißt das für uns?

• Narrative dekonstruieren: Wir sollten die Heilsversprechungen, die mit “Künstlicher Intelligenz” verbunden werden, kritisch hinterfragen: Ist die Welt, die da auf uns zukommt, die Welt, in der wir leben wollen? Ist es die einzig vorstellbare oder können wir andere Narrative entwickeln, die vom Menschen ausgeht und nicht von der Technik?

• Verantwortung einfordern: Das Anthropozän ist die logische Folge einer Technikentwicklung seit dem Industriezeitalter, die sich zu wenig um die externalisierten Kosten geschert hat. Der “Fortschritt” fand auf Kosten des Planeten statt, von dem wir leben (Latour). Wenn also mächtige männliche Technikvisionäre auf die Idee kommen, den Planeten zu verlassen (Bezos und Musk: Rakete zum Mars; Thiel: Schwimmende Inseln), weil ihnen die aktuelle Entwicklung aussichtslos erscheint, dann sollten wir sie nicht aus der Verantwortung lassen.⁶

• Für die Energiewende einstehen: KI und Energiemix sind eng miteinander verknüpft. Dass erstmals mehr Energie aus Erneuerbaren als aus Kohle erzeugt wurde, ist eine erfreuliche Nachricht. Aber dass diese Entwicklung kein Selbstgänger ist, lässt sich in der USA beobachten, wo Erneuerbare diskreditiert werden und fossile Energien sowie Atomkraft neue Höhenflüge feiern können - ermöglicht durch eine Politik, die sich um wissenschaftliche Erkenntnisse zum Klimawandel nicht schert und stattdessen Kleptokratie Tür und Tor öffnet.
  Schauen wir ins eigene Land, so stehen wir bei der Energiewende einigermaßen gut da. Erneuerbare reduzieren CO₂-Emissionen bei der Energieumwandlung und sind gut fürs Klima. Damit diese Entwicklung durch die aktuelle Regierung nicht ausgebremst wird, ist es wichtig, auf diese Zusammenhänge immer wieder hinzuweisen.
  Und schließlich ist eine klare Haltung zur Atomenergie gefragt. Das Abschalten deutscher Meiler war ein sinnvoller Schritt, da klar ist, dass Atomkraft unwirtschaftlich ist, ein unlösbares Problem mit dem Umgang des fast ewig strahlenden Mülls hat und in der aktuellen Bedrohungsituation jedes laufende Atomkraftwerk ein noch größeres Sicherheitsrisiko wäre als schon zu Friedenszeiten.⁷

• Politische Vorstellungskraft und Einfallsreichtum leben: Während Techno-Optimisten und Techno-Deterministen an die naturgegebene Kraft des Fortschritts durch Technik glauben, glaube ich an die erneuerbare Energie der menschlichen Vorstellungskraft. Wir sollten uns mehr Raum für das Spekulieren nehmen und gemeinsam Zukünfte entwickeln, in denen nicht nur wir Menschen uns wohl fühlen, sondern der ganze Planet. Cecilia Rikap gibt hierzu hilfreiche Denkanstöße.

• Regulierungen einfordern: Es ist ein Irrglaube, dass “die unsichtbare Hand des Marktes” die aktuelle Entwicklung regeln wird. Das Kapitel “Marktversagen” im Buch “Vom Ende der Welt - Chronik eines angekündigten Untergangs” von Oreskes & Conway (2015, S. 55ff. ) legt mit einem Blick zurück aus der Zukunft dar, wie ein verfehlter Glaube an den Markt im Zeitalter des Neoliberalismus wissenschaftliche Erkenntnisse diskreditiert und strategisch alle möglichen Reaktionen auf das lange bekannte Problem des Klimawandels vereitelt hat. Daher sollten wir dem Narrativ widerstehen, dass die Regulierung der KI-Entwicklung für uns zum Nachteil sein werde. Der EU AI Act ist ein erster Schritt in die richtige Richtung, jedoch sind die Auswirkungen der rasanten Entwicklung digitaler Technologien auf den Planeten und die Menschheit so vehement, dass schnelle Reaktionen wie nationale Gesetzgebungen und eine Besteuerung der KI-Produktion notwendig sind.

Fazit

Was kostet es, ein Bild zu malen, einen Song zu komponieren oder einen Film zu drehen? Was, ein Buch zu schreiben oder einen Blogartikel? Das waren meine Fragen, als ich diesen Text begonnen habe. Die Antwort darauf wird in Zukunft oft aus einer Mischkalkulation von menschlichem Aufwand und der Nutzung von KI-Systemen bestehen. Dazu kommen externalisierte Kosten, die bisher in die verfügbaren KI-Produkte nicht eingepreist sind.

Für einen klaren Fokus in diesem Text habe ich nur auf den Energiebedarf von KI geschaut und dabei weitere externalisierte Kosten wie den immensen Wasserbedarf sowie die Umweltschäden in der Produktions- und Entsorgungskette der Hardware absichtlich ausgelassen. Aber in vier Wochen erscheint der nächste Newsletter, vielleicht ist das dann mein Thema.

Sag’s weiter

Vielen Dank, dass du bis hierher gelesen hast. Wenn du den Text interessant fandest, schick ihn gern an Freund*innen und Kolleg*innen und lade sie ein, den kostenlosen Newsletter zu abonnieren. Und wenn du magst, kannst du meine Arbeit auch mit einer Mitgliedschaft unterstützen.

Mitglied werden

Referenzen

Daggett, C. N. (2023). Petromaskulinität: Fossile Energieträger und autoritäres Begehren (D. Frühauf, Übers.). Matthes & Seitz Berlin.

de la Vera, R. L., & Ramge, T. (2024). Technikoptimismus. In K. Gondlach, B. Brinkmann, M. Brinkmann, & J. Plath (Hrsg.), Regenerative zukünfte und künstliche intelligenz: Band 1: PLANET (S. 361–366). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-43586-8_29

Greshko, M. (2024). Nuclear power for AI: What it will take to reopen Three Mile Island safely. Nature, 634(8033), 272–273. https://doi.org/10.1038/d41586-024-03162-2

Luccioni, A. S., Jernite, Y. & Strubell, E. (2023). Power Hungry Processing: Watts Driving the Cost of AI Deployment? https://doi.org/10.48550/arXiv.2311.16863

Luccioni, A. S., Strubell, E., & Crawford, K. (2025). From Efficiency Gains to Rebound Effects: The Problem of Jevons’ Paradox in AI’s Polarized Environmental Debate. Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency, 76–88. https://doi.org/10.1145/3715275.3732007

Mühlhoff, R. (2025). Künstliche Intelligenz und der neue Faschismus. Reclam.

Oreskes, N., & Conway, E. M. (2015). Vom Ende der Welt: Chronik eines angekündigten Untergangs. Oekom.

Bildnachweis: Teaserbild von Mike Petrucci auf Unsplash

1. “Ein kleines Rechenzentrum mit 100 m² und weniger als 140 Servern verbraucht etwa 876.000 kWh pro Jahr.” Quelle: https://www.serverroom-security.com/blog/rechenzentrum-stromverbrauch. Der Beitrag gibt auch Einblicke in die Optimierungsmöglichkeiten von Rechenzentren.

2. Seite „Primärenergie“. In: Wikipedia – Die freie Enzyklopädie. Bearbeitungsstand: 10. Juli 2025, 10:39 UTC. URL: https://de.wikipedia.org/w/index.php?title=Prim%C3%A4renergie&oldid=257775058 (Abgerufen: 27. September 2025, 07:34 UTC)

3. Aus urheberrechtlichen Gründen zeige ich hier keine Abbildungen aus dem Tool. Die verlinkte Ansicht von Nord-Virginia macht klar, wieviel neue Rechenzentren in der Region entstehen werden und wo sich diese befinden sollen. Der Strombedarf in MW ist nur für eingeloggte Mitglieder sichtbar.

4. Hugging Face ist eine Plattform, auf der KI-Modelle und Daten veröffentlicht und zur Nachnutzung verwendet werden können. In einem TED-Talk vermittelt Luccioni einen Eindruck ihrer Forschung und geht auf drei aktuelle Herausforderungen von KI-Systemen ein, auch auf das Thema Nachhaltigkeit im Zusammenhang mit KI-Systemen.

5. Cara New Dagget (2023) hat ausgehend von der ersten Amtszeit Trumps ein interessantes Buch über diesen Begriff geschrieben.

6. Amüsant und gruselig zugleich ist der Bericht von Douglas Rushkoff “Prepper mit Milliarden: Das Mindset der Tech-Elite”. Darin reflektiert er, wie er einige Tech-Milliardäre zu den Möglichkeiten beraten soll, die untergehende Welt hinter sich zu lassen.

7. Da zentrale Kraftwerke in Kriegszeiten ein Sicherheitsrisiko darstellen, wird in der Ukraine umgebaut, wie die taz berichtet.

Zeitgleich, also schon Ende der 1950er, Anfang der 1960er Jahre gab es erste Anzeichen für die schädlichen Auswirkungen der Plastikproduktion auf den Planeten (z. B. Ostle et al., 2019). Es war also bekannt, dass die Erde keine grenzenlose Senke für unseren Müll war, sondern der Planet alles wieder in den Umlauf bringen würde, was wir Menschen in die Umwelt entließen. In Form von Mikro- und Nanoplastik finden unsere Konsumgüter den Weg über die Nahrungskette zurück in unsere Körper und schädigen unsere Gesundheit (z. B. Cox et al., 2019).

Dass das Problem bis heute ungelöst ist, liegt auch an der Vehemenz, mit der die Fossilindustrie seit Jahrzehnten den Diskurs kontrolliert und die Politik beeinflusst. Denn Öl und Gas liefern nicht nur Energie für Industrie und Privathaushalte, sondern bilden die lukrative Grundlage der Plastikproduktion. Ein großes Geschäft.¹ Die zerstörende Vermüllung des Planeten als Folge der Massenproduktion von Plastikprodukten ist real und kennt bisher keine Grenzen. Erst im Sommer 2025 ist eine Konfererenz zur Lösung des Plastikproblems gescheitert.

Bekannte Plagen in neuem Gewand

Mit der aktuellen Entwicklung generativer Künstlicher Intelligenz scheint sich diese Geschichte in neuem Gewand zu wiederholen bzw. einen digitalen Wiedergänger auf den Plan zu rufen, so jedenfalls der Nutzer yabones (2023, Hacker News):

“Data was the new oil, and now AI is the new plastic. Get ready for the rush of cheap mass manufactured plastic content.”²

Ist KI also das neue Plastik? Gibt es eine solche Massenproduktion durch die Nutzung von KI? Und führt diese dann zu einem ähnlichen Müllproblem?

KI-Systeme, die die Herstellung typischer digitaler Artefakte erlauben, gibt es unzählige: Hyperrealistische Bilder, Musik, Videos und Texte und Kombinationen dieser Kategorien lassen sich im Browser oder auf Mobilgeräten generieren, ohne dass dazu noch umfangreiche Fachkenntnisse nötig sind. Durch die vorhandene und bisher unzureichend regulierte Infrastruktur des Webs ist die sofortige Veröffentlichung der generierten Artefakte möglich und fügt sich in dessen Aufmerksamkeitslogik ein. Menschen entlassen ihre KI-generierten Kreationen in vorhandene Plattformen und Kanäle, womit sie öffentlich zugänglich im Netz landen, geliket werden können und algorithmisch unterstützt das Weite suchen. Was auf dieser individuellen Ebene in Summe schon einen beträchtlichen Effekt hat, gerät zur Massenproduktion, wenn KI-Systeme automatisiert zur Erzeugung von Inhalten verwendet werden.

Von Spam zu Slop

Als Begriff für die automatisierte Vermüllung des Netzes hat sich mittlerweile ein eigener Begriff gefunden: KI-Slop, was so viel heißt wie KI-Schrott oder KI-Schlamm, den Menschen mithilfe generativer KI ins Netz einleiten. Wer sich einen Überblick über das Problem verschaffen will, dem sei die John-Oliver-Show über AI Slop empfohlen, einem bitter-ironischen Rundflug über die Plastikinseln im digitalen Ozean. Darin wird auch deutlich, dass mit der massenweisen Produktion von KI-Slop neue Geschäftsmodelle verbunden sind. Einige Slop-Creator bieten bspw. Kurse an, die vermitteln wollen, wie schnell und einfach es sei, virale Erfolge zu erzielen.

Die Wikipedia arbeitet die Begriffsgeschichte von KI-Slop verständlich auf und sammelt die bekannteren Memes (“Shrimp Jesus”, “Will Smith eating spaghetti”). Die bevorzugten Ziele von KI-Slop sind vornehmlich die etablierten Social-Media-Plattformen der großen Konzerne. Aber auch wissenschaftliche Journals bleiben von dieser Entwicklung nicht verschont.³ Und in der Musikbranche mehren sich die Klagen, dass der virtuelle Teil des Planeten, die digitalen Plattformen, auf denen sich Milliarden von Menschen täglich bewegen, erkennbar zugemüllt wird.

Aber worin genau besteht jetzt das Problem? Es ist ja nicht so, dass vor dem Hochlaufen der generativen KI-Systeme das Internet ein paradisischer Park war, in dem es keine Tendenzen der Verschmutzung gab. Die ersten Aktionen, die den Begriff Spam prägten, werden aus den Jahren 1993 und 1994 berichtet. Und mit der Erkenntnis, dass das Web die kostenlose Veröffentlichung und Verbreitung von Inhalten auch für kommerzielle Zwecke ermöglichte, entwickelten sich weitere Praktiken automatisierter Vermüllung öffentlicher Plätze und damit einhergehend die Erweiterung des Begriffsfeldes “Verschmutzung”. Link pollution bspw. ist ein Begriff der 2010er Jahre und meint die Manipulation von Suchmaschinenergebnissen u. a. durch automatisierte Foreneinträge, die Signale im Rauschen verschwinden lassen.⁴

Offensichtlich hat die Flut von billigem KI-Plastik schon zu einem bemerkenswerten Müllproblem im Netz geführt. Anhand welcher Kriterien lässt sich aber festmachen, ob es sich bei KI-generierten Artefakten um Müll handelt? An der automatisierten Herstellung? An geringem Gebrauchswert und kurzem Nutzen? Oder an ihrer Qualität, die sich an ästhetischen oder künstlerischen Kriterien misst? Oder vielmehr an dem ungleichen Verhältnis irrelevanter Inhalte gegenüber relevanten? Und wie leiten wir für solche Unterscheidungen die Kriterien her, ohne in eine einseitige oder totalitäre Normativität zu geraten? Wenn Daten das Öl sind, aus dem KI-Artefakte generiert werden, gibt es unverzichtbares Plastik wie bspw. im medizinischen Bereich? Wie finden wir das heraus, wer nimmt an der Diskussion teil und wer soll entscheiden?

Die Diskussion dieser Fragen ist entscheidend, um daraus Anforderungen an eine neue Qualität von Informationskompetenz abzuleiten. Denn die aktuelle Konzentration auf Fähigkeiten zur Identifizierung KI-generierter Inhalte sollte flankiert werden vom Bewusstsein, was wir zu welchem Zweck generieren und was davon wir frei zugänglich ins Netz entlassen. Es reicht nicht mehr aus, beurteilen zu können, ob es sich bei Medien im Netz um hyperrealistische Simulationen antifaktischer “Sachverhalte” handelt, wie sie bspw. in Form von fake news vorkommen. Dazu kommen muss die Entscheidungskompetenz, was wir mit KI produzieren und was davon in größere Kreisläufe eingespeist werden sollte und was nicht.

Die Diskussion dieser Fragen ist aber auch entscheidend, um zu regulatorischen Maßnahmen zu finden, mit denen die Produktion von KI-Slop eingedämmt werden kann. Millionen von Likes unter KI-generierten Videos und Bildern erfüllen genau die Ziele der großen IT-Konzerne, nämlich Menschen so lange wie möglich auf ihren Plattformen zu halten. Ihre Motivation ist daher gering, diesen Trend einzudämmen. Im Gegenteil, sie befördern den Trend noch mit eigenen Belohnungssystemen (Bezahlartikel).

Klimatische Veränderungen

Folgen wir dem Vergleich von Plastik und KI, sind weitere kritische Stimmen zu hören, die auf die Folgen einer Massenproduktion mit generativen KI-Systemen verweisen und dabei sprachliche Assoziationen mit katastrophalen Entwicklungen des Industriezeitalters herstellen. So spricht die Linguistin Emily Bender von einer Ölpest im Ökosystem der Informationen, die durch KI-generierte Inhalte ausgelöst würden, und Jack Clark, Mitbegründer der KI-Firma Anthropic, von einem Klimawandel im Internet, der durch jedes neue öffentlich verfügbare KI-System befördert werde. Der Begriff Kontamination taucht ebenfalls häufiger auf. So z. B. in einem Referatorium mit dem Namen Low-Background Steel, das Datenquellen listet, die nicht durch KI-generierte Inhalte verunreinigt wurden. “Low-background Steel (and lead) is a type of metal uncontaminated by radioactive isotopes from nuclear testing.” (Website des Projekts), so der Vergleich hier, der weniger an die zerstörerische Sprengkraft atomarer Waffen erinnert als an die Langzeitwirkung radioaktiver Isotope auf den Planeten und sein Ökosystem in der Folge nuklearer Katastrophen.

Das Verständnis des Internets als Ökosystem ist nicht neu. Der Mediensoziologe Volker Grassmuck forderte gut zehn Jahre, nachdem das World Wide Web das Licht des Glasfaserkabels erblickt hatte, einen “Wissensumweltschutz” (2004, S. 405), damals allerdings angesichts der Idee einer Wissensallmende und der künstlichen Verknappung von Informationen durch Copyright-Gesetze.

Digitales Mikroplastik im Hirn

Die Gleichartigkeit des Problems und seiner Folgen zeigt sich deutlicher, wenn wir auf den Aspekt schauen, wie KI-Plastik den Weg zurück zu uns findet. Zunächst verstopft es den Strom unserer Timelines und verhält sich raumgreifend und verdrängend gegenüber Inhalten, die wir nicht als Müll bezeichnen würden. Zahlreiche Daumenschläge später wird es schließlich angespült an den privaten und öffentlichen Stränden des Webs, wo es von Spidern und Crawlern zur Wiederverwendung im KI-Training eingesammelt werden kann und die Feedbackschleife nährt, aus der sich das KI-degenerierte Wissen von morgen speist.

Aber wie beim Öl-Plastik auch, entfalten KI-generierte Artefakte schon jetzt eine weitergehende Wirkung und dringen tiefer in unseren mentalen Stoffwechsel ein, wo sie sich wie Mikroplastik in der Nahrungskette festsetzen - jedoch mit ganz anderen Folgen. Eine Studie von Google aus dem Jahr 2024 zeigt auf, welchen Effekt der Hyperrealismus KI-generierter Artefakte haben kann, wenn wir nicht regulierend eingreifen (Marchal et al., 2024, S. 16, Hervorh. im Original)⁵:

“The widespread availability, accessibility and hyperrealism of GenAI outputs across modalities has also enabled new, lower-level forms of misuse that blur the lines between authentic presentation and deception. While these uses of GenAI […] are often neither overtly malicious nor explicitly violate these tools’ content policies or terms of services, their potential for harm is significant. […] If unaddressed, this contamination of publicly accessible data with AI-generated content could potentially impede information retrieval and distort collective understanding of socio-political reality or scientific consensus.”

Der Missbrauch, der hier vor dem Hintergrund der Nutzungsbedingungen diverser KI-Tools gekennzeichnet wird, mit denen sich (viel zu) einfach neue Inseln der Wirklichkeit im Meer der Informationen formen lassen, verweist auf eine dringend zu schließende Regulierungslücke.

Was vor einem Jahr noch als mögliche Entwicklung dargestellt wurde, sofern ihr freier Lauf gelassen würde, zeichnet der Autor Ted Gioia ein Jahr später in weitaus dramatischeren Farben: Our Shared Reality Will Self-Destruct in the Next 12 Months ist ein Warnruf vor dem Kollaps der Wirklichkeit durch generative KI. Der Zeithorizont von zwölf Monaten erscheint mir etwas willkürlich, die Dringlichkeit teile ich absolut, da Gioia sie mit der Errosion von sechs tragenden Säulen sozialen Miteinanders begründet (vgl. Abb.).

Was hier deutlich gemacht wird, sind die Auswirkungen des Hyperrealismus generativer KI-Systeme auf das Fundament demokratischer und friedlicher Gesellschaften.

Bevor die Wirklichkeit kollabiert

Um diese Entwicklung zu unterbrechen, werden wohl “Clean-ups” an den Stränden des Webs, bei denen wir den Müll der großen Party des aktuellen “KI-Sommers” wegräumen, nicht ausreichen. Zumal das Entfernen von Müll im Digitalen ganz anders funktioniert als im Analogen, wo wir bis heute den Fluten des Plastikmülls auch nicht Herr geworden sind.

Dass das Konsumplastikproblem bis heute nicht gelöst wurde, kann einen fatalistisch stimmen. Was tun, wenn nun auch noch die Wiederholung des Problems im Digitalen überwältigend erscheint? Das Konsumplastikproblem zerstört den Lebensraum von Mensch und Tier, das KI-Plastikproblem Wirklichkeit, Vertrauen, Demokratie und friedliches Zusammenleben. Ein weiterer Kipppunkt erscheint auf dem Plan, den besonders autoritäre und anti-demokratische Kräfte als Fixstern ihrer Spaltungsinteressen anpeilen und das Problem mithilfe aktueller Technologien noch verstärken und beschleunigen.

Woher also die Kraft nehmen, an dieser Stelle aktiv zu bleiben und der Entwicklung etwas Positives entgegenzusetzen?

Das Begriffsfeld der Verschmutzung, das durch sprachliche Vergleiche im Kontext generativer KI und in Analogie zum Konsumplastikproblem genutzt wird, bietet die Chance, zwei aktuelle gesellschaftspolitische Herausforderungen zusammenzuführen. Denn die Erkenntnis, dass sich ein Vorgang aus dem Analogen (reale Plastikverschmutzung) im Digitalen (KI-Slop) wiederholt, kann als Handlungsaufforderung an dieselben gesellschaftlichen und politischen Akteur*innen verstanden werden, womit sich die Unterscheidung einer analogen von einer digitalen Sphäre weithin als überflüssig und hinderlich zeigt.⁶

Es könnte ja sein, dass das Erkennen der aufgezeigten Analogie zu einem Effekt führt, der doppelt positiv und kraftvoll auf das Problem wirken kann. Hierzu ist es notwendig, Diskurse zusammenzuführen und miteinander verflochten weiterzuentwickeln, neue politische Schwerpunkte zu setzen und Akteur*innen aus unterschiedlichen Zusammenhängen zu vernetzen. Dabei stellt sich auch die Frage, welche Rolle die zahlreichen Institutionen und Formen des Bildungssystems dabei spielen.

Was sollen wir tun?

Die Autor*innen der Google-Studie (Marchal et al., 2024) schließen mit dem Ruf nach einem vielschichtigen Ansatz zur Eindämmung des Missbrauchs generativer KI “[…] involving collaboration between policymakers, researchers, industry leaders, and civil society. Addressing this challenge requires not only technical advancements but also a deeper understanding of the social and psychological factors that contribute to the misuse of these powerful tools.” (S. 18)

Wenn man Schulen und Hochschulen nicht der Zivilgesellschaft zuschlägt, würde das Bildungssystem als Akteur der geforderten Zusammenarbeit bei Marchal et al. nicht vorkommen. Ihm kommt jedoch in jeder Phase des lebensbegleitenden Lernens eine wichtige Rolle zu, die Chancen und Risiken von (generativer) KI zu reflektieren und den Aushandlungsprozess über den Umgang mit der neuen Technologie zu moderieren.

Ich will zum Schluss einige Vorschläge machen, wie dies in Bezug auf die Plastikanalogie aussehen könnte. Gleichzeitig bin ich überzeugt davon, dass es dringend den Mut zu konkreten Maßnahmen bedarf, mit denen die Nutzung generativer KI reguliert wird. Das ohnehin unterversorgte Bildungssystem kann nicht den Job machen, die Folgen der Regulierungshemmungen einer marktgläubigen Digitalisierungspolitik zu kompensieren.

2024 habe ich geschrieben, dass wir sowohl lernen müssten, keinen Müll aus dem Auto zu werfen, als auch “[…] keine belanglosen Bilder und Texte ins Netz zu posten, weil diese einen digitalen Klimawandel zur Folge haben” und die Bewohnbarkeitsbedingungen des Planeten gefährden. Was hier als einfache Verhaltensregeln nebeneinander steht, scheint mir ein Jahr später eine Haltung zu sein, von deren Selbstverständlichkeit wir noch weit entfernt sind. Das liegt u. a. auch daran, dass soziale Normen im Analogen bezogen auf den Umgang mit Abfall einfacher vermittelt und durchgesetzt werden können als in digitalen Kontexten. Wenn jemand auf dem Schulhof die leere Quetschitüte auf den Boden fallen lässt, ist eine Ermahnung zusammen mit einer Erläuterung, warum dieses Verhalten kurzsichtig ist, relativ einfach anzubringen - gesetzt, es gibt jemanden, der den Mund aufmacht, wenn er oder sie das Geschehen beobachtet.

Analog machen wir es auch im Netz, wenn jemand sich beleidigend, rassistisch, frauenfeindlich oder mit Lügen und falschen Behauptungen äußert: Wir halten dagegen und signalisieren, dass wir dazu nicht schweigen. Wir stellen die Sache richtig und hoffen, dass wir von anderen dabei unterstützt werden, wenn wir die Grundlagen friedlichen und respektvollen Zusammenlebens einfordern. Von hier ist es nur ein Schritt, um dieses Engagement auch auf Inhalte zu richten, die offensichtlich aus generativer KI stammen und im oben beschriebenen Sinne missbräuchlich eingesetzt werden. Statt nicht zu liken und nicht zu teilen, um unser Missfallen zu äußern, haben wir auch die Option, ein Bild, ein Video, einen Text mit Verweis auf die Unmengen an Energie und Wasser und die potenzielle schädliche Wirkung auf die Wahrnehmung von Wirklichkeit zu kommentieren. Herausfordernd ist das zusätzlich, weil natürlich nicht alles KI-generierte irrelevant und schlecht ist.

Ein kategorischer Kreislaufimperativ

Einem Universalismus verpflichtet, wie ihn Markus Gabriel in seinem Buch “Moralischer Fortschritt in dunklen Zeiten” (2021) stark macht, möchte ich abschließend eine konkrete Implementierung von Kants kategorischem Imperativ vorschlagen, den kategorischen Kreislaufimperativ:

Handle stets so, dass deine generierten Artefakte auf dem Boden der Tatsachen stehen und zu einer Verbesserung des kommunikativen Klimas in der Informationssphäre beitragen.

Was kann das bedeuten für Unterricht, Lehre und die allgemeine gesellschaftliche Diskussion? Ich schlage ferner folgende Aktionsfelder vor, um die Handlungsmaxime zu prüfen und weiter auszuhandeln:

• KI-Systeme erklären können: Unerlässlich für die Abschätzung der Chancen und Risiken aktueller KI-Systeme und ihrer verschiedenen Ausprägungen sind interdisziplinäre Grundlagenkenntnisse, die über die bloße Anwendung von KI hinausgehen und Sicherheit beim Handeln unter den genannten Maxime geben. Sozio-technische Zusammenhänge von Hardware, Daten, Training, Anwendung und Wirkung generativer KI-Systeme zu kennen ist notwendig, um zu einer individuellen und gesellschaftlichen Haltung zu finden, wie diese Technologie eingesetzt werden soll.

• Den Kreislauf kennen: Genauso, wie man wissen kann, wie der Coffee-to-go-Deckel zum Mikroplastik im Fischstäbchen wird, sollte klar sein, wie unsere KI-generierten Kreationen in das Trainingsmaterial von Morgen Eingang finden und auf die Wahrnehmung von Welt wirken. Dafür sind gute technische Kenntnisse des Internets, seiner Kanäle und Algorithmen ebenso notwendig, wie ein Verständnis der Geschäftsmodelle, Anreizsysteme und psychologischen Designstrategien, mit denen aktuelle KI-Systeme und Kommunikationsplattformen betrieben werden.

• Einsatz und Nutzen bewerten können: Wann und zu welchem Zweck ist es sinnvoll, generative KI einzusetzen? Dies individuell und allgemein zu beantworten, bedarf einer Diskussion in Schule, Seminar und Gesellschaft. Der Aufwand von Strom, Wasser und weiterem kostbaren Material sollte dafür bekannt sein und mitgedacht werden. Um hier kompetent zu werden, müssen Bildungseinrichtungen Lehrenden und Lernenden nicht nur die technische Umgebung für Experimente zur Verfügung stellen, sondern auch die zeitlichen Rahmenbedingungen für die zugehörigen Reflexions- und Aushandlungsprozesse einräumen.

• Vorhandenes nachnutzen: Das Netz ist voll von Bildern, die gefunden werden wollen, es muss nicht jedes Motiv neu generiert werden. Und oft gibt es schon eins, das den Zweck erfüllt. Es sollte nicht uncool sein, weiter Suchmaschinen zu nutzen und dabei zu wissen, wie die Anzeige von generativem KI-Material ausgeschaltet werden kann. Wer würde sich für jede Portion Pommes eine neue Gabel 3D-drucken?

• Offene Bildungsressourcen stärken: Lange schon exisitert die Idee frei zugänglicher Bildungsressourcen (OER), die sich jedoch in Deutschland noch nicht in bemerkenswertem Umfang durchsetzen konnten. Der Nachnutzungsgedanke vor allem mit der wertschätzenden Komponente der Attribution (CC BY) kann in der Debatte ein starker ethischer Gegenpol zur Selbstbedienungsmentalität der großen Modellentwickler und ihrem Data Grabbing ohne Nennung und Vergütung der Urheber*innen sein.

• Nicht veröffentlichen: Überlege, ob dein Bild, dein Text, dein Video wirklich veröffentlicht werden muss. Wenn du es ins Netz stellst, wird es irgendwann in die nächste Trainingsiteration einfließen, genauso wie das Plastik, das wir produzieren und wegwerfen, irgendwann als Mikro- oder Nanoplastik in unsere Körper zurückkehren kann. Wenn du Anerkennung für dein Werk suchst, zeig es Menschen in deinem direkten Umfeld anstatt auf deinen viralen Moment im Netz zu hoffen. Bewahr es für dich auf oder lösch es wieder.

• Werte und Kriterien diskutieren: Was mit KI generiert werden kann, ist nicht deshalb von geringer Qualität oder “Müll”, nur weil der Modus der Produktion neu ist und hyperrealistische Resultate zeitigen kann. Stattdessen ist es wichtig, über Motivationen von Akteur*innen zu sprechen, die generative KI automatisiert einsetzen, um Geld zu verdienen, massenhaftes Rauschen zu erzeugen, absichtlich die Wahrnehmung von Wirklichkeit zu verändern und einer Agenda folgen, die nicht einen, sondern spalten will.

• Brücken schlagen: Gemeinsamkeiten und Unterschiede analoger und digitaler Entwicklungen deuten Brücken zwischen den Fächern und Disziplinen an, die zur Lösung der zahlreichen neuen Probleme gebaut und begangen werden sollten. Ökologische Katastrophen sind selbstverständlich Thema im Erdkundeunterricht. Warum nicht die Lehrkräfte aus Informatik und Philosophie dazuholen, um die Nachhaltigkeitsaspekte von KI einzuordnen? Fächer, die die Thematiken bisher noch in disziplinären Silos bearbeiten, sollten zusammenarbeiten, schulische Rahmenbedingungen sollten die Zusammenarbeit ermöglichen.

Eine Frage der Regulierung

Ich habe versucht, eine herausfordernde Facette generativer KI mit einer Analogie handhabbar zu machen. Dabei sollte klar sein, dass Vergleiche analoger und digitaler Sachverhalte, wie yabones sie formuliert, irgendwann anfangen zu hinken (“Daten” = “Öl”, “KI” = “Plastik”, “Internet = “Datenautobahn”,”Computer” = “Gehirn” etc.). Sie können aber helfen, neue sozio-technische Herausforderungen in die bisherige Technologiegeschichte einzuordnen, Gemeinsamheiten und Neuartigkeiten von Innovationen und Althergebrachtem zu entdecken und die Bekanntheit etablierter Bilder für die Problematisierung zu nutzen. In der Reflexion der Plastikgeschichte besteht die Möglichkeit, wirtschaftliche und politische Designfehler des Industriezeitalters zu reflektieren und für eine nachhaltigere Entwicklung von Künstlicher Intelligenz fruchtbar zu machen.

Dem Bildungssystem kommt dabei eine wichtige Rolle zu, weil in seinen Institutionen die notwendigen Reflexions- und Aushandlungsprozesse angeregt werden können. Die Verantwortung, KI zum Wohle aller zu entwickeln und Schaden vom Planeten und seinen Lebewesen abzuwenden, braucht jedoch klare Regeln. Hier ist Politik gefragt.

Ich freue mich auf die Diskussion in den Kommentaren und über Varianten und Verfeinerungen des kategorischen Kreislaufimperativs.

Mitglied werden

Referenzen

Brunton, F. & Nissenbaum, H. F. (2015). Obfuscation: a user’s guide for privacy and protest. Cambridge, Massachusetts: MIT Press.

Cox, K. D., Covernton, G. A., Davies, H. L., Dower, J. F., Juanes, F. & Dudas, S. E. (2019). Human Consumption of Microplastics. Environmental Science & Technology, 53(12), 7068–7074. American Chemical Society. https://doi.org/10.1021/acs.est.9b01517

Gabriel, M. (2021). Moralischer Fortschritt in dunklen Zeiten: universale Werte für das 21. Jahrhundert (Ungekürzte Ausgabe, 1. Auflage.). Berlin: Ullstein.

Grassmuck, V. (2004). Freie Software. Zwischen Privat- und Gemeineigentum (Schriftenreihe) (2. korrigierte Aufl., Band 458). Bonn: Bundeszentrale für politische Bildung.

Marchal, N., Xu, R., Elasmar, R., Gabriel, I., Goldberg, B. & Isaac, W. (2024, Juni 21). Generative AI Misuse: A Taxonomy of Tactics and Insights from Real-World Data. Zugriff am 3.7.2024. Verfügbar unter: http://arxiv.org/abs/2406.13843

Ostle, C., Thompson, R. C., Broughton, D., Gregory, L., Wootton, M. & Johns, D. G. (2019). The rise in ocean plastics evidenced from a 60-year time series. Nature Communications, 10(1), 1622. https://doi.org/10.1038/s41467-019-09506-1

Stöcker, C. (2024). Männer, die die Welt verbrennen: der entscheidende Kampf um die Zukunft der Menschheit. Berlin: Ullstein.

Anmerkungen

Der Text ist eine Weiterbearbeitung einer Keynote, die ich am 11. September 2024 auf dem Forum Medienethik in Niedersachsen gegeben habe.

1. Einen tiefen Einblick in die Verschleierungstaktiken der Fossilindustrie gibt Christian Stöcker in “Männer, die die Welt verbrennen” (Stöcker, 2024)

2. Die Bedeutung von “AI” im Ausspruch von yabones ist unscharf: Aus Öl wird Plastik, und aus Daten entweder a) KI-Systeme oder b) KI-generierte Artefakte. a) kann insofern gemeint sein, als dass Daten der Rohstoff für das Training von KI-Modellen und die Entwicklung von KI-Systemen sind. b) ist möglich, da aus Daten mithilfe von KI-Systemen Bilder, Töne, Text etc. synthetisiert werden können. Der zweite Satz des Zitats gibt den entscheidenden Hinweis für die Schärfung des Begriffs “AI”: Es gibt zwar ständig neue KI-Systeme und KI-Tools, gleichbedeutend mit Fabriken zur Herstellung von Plastik, aber die vorausgesagte Flut oder Schwemme von billigem Plastik kann sich nur auf b), nämlich auf KI-generierte Artefakte beziehen.

3. Das investigative Netzmagazin 404media fokussiert sich auf das Phänomen AI Slop und hat noch weitere irritierende bis verstörende Beiträge auf der Seite.

4. Zur Strategie der obfuscation und ihren ethischen Implikationen vgl. das gleichnamige Buch von Brunton & Nissenbaum (2015). Aktuelle generative Praktiken heben die darin geschilderten Muster auf ein neues Niveau.

5. Emanuel Maiberg kommentiert die Aussagekraft der Studie von Google, die auf der Auswertung von Presseberichten über KI-Missbrauch basiert, und kommt zu dem Schluss, dass die Lage noch ernster sei, als es die 200 ausgewerteten Artikel belegen können. Der Beitrag führt mit zahlreichen Links weiter in die Tiefe.

6. In diesem Zusammendenken der traditionellen ökologischen Bewegung mit den beschriebenen digitalökologischen Herausforderungen liegt auch eine Chance für die Erneuerung der Parteien, die sich dem Schutz von Natur und Umwelt verschrieben haben.

Wie KI-Systeme entwickelt und eingesetzt werden, hängt z. B. von den Absichten ab, die ihre Entwickler*innen und Geldgeber*innen verfolgen, ebenso wie von den Wertvorstellungen der Programmierer*innen, Regierungen, Organisationen, Bildungseinrichtungen und einzelnen Individuen, die KI-Systeme finanzieren, auswählen und in unsere Lebens- und Arbeitswelt einbringen.

Wie wir als Gesellschaft KI-Systeme zum Wohl aller einsetzen wollen, ist ebenfalls eine Frage, die sich schwer beantworten lässt und Aushandlungsprozesse, Partizipation und Regulierung erfordert. Jede Software-Entwicklung kann als gesetzgebendes Verfahren verstanden werden (Lessig, "Code is law.") und die Gesetze, die durch aktuelle KI-Systeme geschrieben werden, wirken noch einmal ganz neu und anders in der Gesellschaft als die Software vergangener Jahrzehnte.

Was ist dran an den vielen Potenzialen, die KI zugeschrieben werden, wenn es bspw. um den Klimawandel geht, um den Kampf gegen Hunger und die Armut, den Schutz der Meere und eine gute und gerechte Bildung für alle? Eine Studie von Ricardo Vinuesa und anderen Autor*innen ist für diese Auseinandersetzung ein guter Ausgangspunkt.

Anderseits lässt sich feststellen, dass neben den vielen Potenzialen, die KI als Technologie zugeschrieben werden, auch die Risiken für Wirtschaft, Gesellschaft und Umwelt zunehmen. Das MIT AI Risk Repository listet derzeit 1600 davon auf.

Und schließlich verändern KI-Systeme nicht nur Gesellschaft, Politik, Wissenschaft und Bildung, sondern ganz konkret den Planeten, weil Seltene Erden, Wasser und Energie notwendig sind, um die vielen Anwendungen zu betreiben, die seit 2022 täglich hinzukommen. Ana Valdivia vom Oxford Internet Institute zeigt diese Zusammenhänge anschaulich in einem YouTube-Video und Kate Crawford in ihrem Buch Atlas of AI.

KI und Nachhaltigkeit zusammendenken

Dass viele aktuelle KI-Systeme sehr viel Strom und Wasser verbrauchen, ist schon bekannt. Diese Tatsache macht deutlich, wie eng die Entwicklung von Künstlicher Intelligenz mit der Energiewende und der Frage verwoben ist, ob und wie wir uns KI in Zukunft leisten können, ohne den Planeten noch mehr zu schädigen. Einige große IT-Unternehmen setzen aktuell ganz konkret auf Stromerzeugung aus Gas und Atomenergie, um den wachsenden Bedarf alter und neuer Rechenzentren zu decken, und fordern damit die Wende hin zu Erneuerbaren heraus.

Neben energiepolitischen und ökologischen Herausforderungen ist auch die Überlegung interessant, wie Chatbots und andere Formen generativer KI-Systeme unser Lernen und Arbeiten verändern. Was bedeutet es langfristig, wenn zentrale Kulturtechniken wie Schreiben, Musik- und Filmemachen, Malen und Fotografieren binnen weniger Sekunden theoretisch von jeder Person mithilfe von KI simuliert werden können? Was gewinnen wir, was verlieren wir als Individuum und als Gesellschaft? Gabi Reinmann hat sich dazu schon früh Gedanken gemacht und eine aktuelle Studie des MIT (2025, Preprint, im Artikel unten verlinkt) verweist darauf, wie sich unsere Schreibkompetenzen mit der Nutzung von KI-Tools verändern können. Wie verändern sich das Lesen, das Sehen und das Begreifen von Welt, wenn wir uns lange und komplizierte Texte schnell mit KI zusammenfassen lassen und nicht mehr sicher sagen können, ob ein Film oder ein Foto die Wirklichkeit abbildet? Eine aktuelle Studie (Preprint) von Forschenden bei Google findet in der Flut von generierten hyperrealistischen Artefakten im Netz eine Bedrohung für das Vertrauen in die Wissenschaft und eine Verzerrung der Wahrnehmung von Wirklichkeit.

Und letztlich ist besonders in wirtschaftlicher Hinsicht die Entwicklung von KI-Systemen mit der Stabilität demokratischer Systeme verbunden. Der Kampf um Seltene Erden, die für die Herstellung von KI-Hardware essentiell sind, befördert eine neue geopolitische Dynamik. Der Umbau der Arbeitswelt durch Automatisierung mit KI schafft Abhängigkeiten von großen Playern, die irgendwann ihre Investitionen in Künstliche Intelligenz wieder einspielen wollen.

Wie bilden wir uns weiter in dieser neuen Welt? Wie verdienen wir in Zukunft unser Geld, um uns ein Leben in einer zunehmend automatisierten Welt leisten zu können? Und sind auch Welten vorstellbar, in denen das Potenzial von KI ganz anders genutzt wird? Wie können wir uns einmischen und mitgestalten?

Zentrale Fragen stellen

Vor diesem Hintergrund will ich mich in meinen Artikeln hier und dem dazugehörigen Newsletter u. a. mit den folgenden Fragen beschäftigen:

• Welche Potenziale zum Wohle des Planeten und der Menschheit stecken wirklich in KI?

• Was können wir aus den negativen Folgen vergangener technischer Entwicklungen lernen und bei der Entwicklung von KI-Systemen besser machen?

• Wie verändert KI das Lernen in Schule und Beruf und das Begreifen von Welt?

• Und schließlich aus der Bildungsperspektive: Wie gelingt es uns, diese komplexen Zusammenhänge zu thematisieren und zu diskutieren?

Handeln und sich einmischen

Mein primäres Ziel für dieses Informationsangebot ist es, euch Leserinnen und Leser zu inspirieren, tiefer in das Thema KI und Nachhaltigkeit einzusteigen. Zudem reizt es mich, Ideen zu formulieren und zu diskutieren, wie die Zusammenhänge von KI und Nachhaltigkeit praxisorientiert ausprobiert und angewandt werden können.

Als Dozent, Theatermacher und Softwareentwickler mit vielen Jahren Erfahrung suche ich nach Formaten und Methoden, informatische Themen und die vielen KI-Fragen mit performativen, sozialen und partizipativen Ansätzen zu kombinieren.

Und es interessiert mich: Wie macht ihr das?

Teaserfoto von Jr Korpa auf Unsplash