Warum eine geschlechtslose KI nicht perspektivlos ist

Irgendwann stellte ich einer KI eine ziemlich absurde Frage:

„Würdest du dich eigentlich eher als männlich oder weiblich einschätzen?“

Natürlich weiß ich, dass eine künstliche Intelligenz weder Mann noch Frau ist. Sie hat keinen Körper, keine Kindheit, keine eigene Sozialisation und keine Geschlechtsidentität. Trotzdem war die Frage nicht ganz so unsinnig, wie sie zunächst klingt.

Mir war nämlich etwas aufgefallen. Meine KI erklärt mir Dinge gelegentlich mit bemerkenswerter Selbstsicherheit. Zunächst heißt es: „Das ist so.“ Ein paar Rückfragen später wird daraus: „Genauer betrachtet …“ und noch etwas später: „Unter diesen Voraussetzungen müsste ich meine ursprüngliche Aussage relativieren.“ Manchmal endet die Diskussion schließlich damit, dass die ursprüngliche Behauptung teilweise oder vollständig revidiert werden muss.

Irgendwann dachte ich: Diese Form von Selbstsicherheit kommt mir erstaunlich männlich vor. Natürlich ist Selbstsicherheit keine männliche Eigenschaft. Frauen können ausgesprochen dominant kommunizieren, Männer vorsichtig, relational und zurückhaltend argumentieren. Die Vorstellung, Männer und Frauen würden grundsätzlich verschieden denken, wäre selbst schon wieder eine ziemlich plumpe Form der Stereotypisierung.

Interessanter ist die Frage dahinter: Welche Art von Kommunikation haben wir gesellschaftlich als kompetent gelernt? Schnell entscheiden, klar formulieren, Unsicherheit möglichst vermeiden, eine Position vertreten und sie mit Nachdruck vortragen – vieles davon ist kulturell stark mit klassischen Vorstellungen von Autorität, Führung und damit auch mit einem eher männlich codierten Expertenbild verbunden.

Meine Wahrnehmung sagt also möglicherweise weniger darüber aus, ob eine KI „männlich“ ist, als darüber, welchen Kommunikationsstil wir über lange Zeit als fachlich souverän gelernt haben. Und genau dort wird die Frage interessant. Denn eine KI besitzt zwar kein Geschlecht. Aber folgt daraus automatisch, dass sie auch keine kulturelle Prägung besitzt?

Die neutrale Stimme ist eine Illusion

• OpenAI – How ChatGPT and our foundation models are developed
• ACL Anthology – Which Demographics do LLMs Default to During Annotation?
• ACL Anthology – From n-gram to Attention

Sprachmodelle entstehen nicht in einem kulturellen Vakuum. OpenAI beschreibt als wesentliche Quellen der Modellentwicklung öffentlich verfügbare Informationen aus dem Internet, Daten aus Partnerschaften sowie Inhalte, die Nutzer, menschliche Trainer und Forschende bereitstellen oder erzeugen. Dazu kommen Pretraining, Post-Training, Evaluierung und weitere Optimierungsschritte.

Das klingt zunächst technisch. Tatsächlich steckt darin aber etwas Grundsätzliches: Künstliche Intelligenz lernt aus menschlichen Erzeugnissen. Und menschliche Texte enthalten nicht nur Fakten. Sie enthalten Vorstellungen davon, wer handelt und wer beobachtet, wer entscheidet und wer gehorcht, wem Autorität zugeschrieben wird, was Erfolg bedeutet, wie Konflikte gelöst werden, was eine gute Familie ist, eine gute Führungskraft oder vielleicht sogar ein gelungenes Leben.

Ein technisches Handbuch beschreibt eine Maschine. Ein Roman beschreibt eine Welt. Eine Zeitung berichtet nicht nur über Ereignisse, sondern entscheidet bereits mit darüber, welche Ereignisse berichtenswert sind. Eine wissenschaftliche Publikation entsteht innerhalb bestimmter Fragestellungen, Methoden und Forschungstraditionen.

Dabei verschwinden nicht nur kulturelle Herkunftsmarker. Auch die Art der Quelle kann unsichtbar werden. Ein Messwert aus einem Labortest, eine Herstellerangabe, die Einschätzung eines Reviewers und ein Werbeslogan können am Ende in derselben sachlichen KI-Stimme erscheinen. Was ursprünglich klar als Meinung, Werbung oder Messung erkennbar war, klingt plötzlich gleich autoritativ.

Sprache transportiert Kultur – und vermutlich besonders wirkungsvoll dort, wo wir sie gar nicht mehr als Kultur wahrnehmen. Das gilt auch für Literatur. Wenn literarische Texte Bestandteil von Trainingsmaterial sind, begegnet ein Sprachmodell darin nicht nur Grammatik und Wortschatz. Es begegnet Geschichten darüber, wer der Held ist und wer gerettet werden muss, wer besitzt und wer arbeitet, wer entscheidet, wer schweigt und wer als vernünftig erscheint. Natürlich liest eine KI einen Roman nicht so wie ein Mensch. Sie erlebt die Handlung nicht und entwickelt keine Meinung über die Figuren. Aber sie lernt Muster aus Sprache – und diese Sprache entstand unter realen historischen Bedingungen.

Nicht alle Menschen hatten zu allen Zeiten dieselben Möglichkeiten zu publizieren, zu forschen, politische Entscheidungen zu dokumentieren oder überhaupt Teil des schriftlich überlieferten kulturellen Gedächtnisses zu werden.

Damit wird für mich eine andere Frage wesentlich interessanter als die Suche nach einem simplen Frauen- oder Männeranteil im Trainingsmaterial:

Welche menschlichen Erfahrungen erscheinen in unseren Daten als Normalfall – und welche als Abweichung davon?

Wir wissen beispielsweise nicht, welcher Anteil der konkreten Trainingsdaten heutiger ChatGPT-Modelle von Männern oder Frauen stammt. Die Behauptung „ChatGPT wurde überwiegend mit Texten von Männern trainiert“ wäre deshalb ausgerechnet jene Art selbstsicherer Aussage, die dieser Beitrag kritisiert.

Historisch gibt es gute Gründe, in bestimmten Bereichen menschlicher Wissensproduktion eine männliche Überrepräsentation anzunehmen. Für das konkrete Trainingsmaterial lässt sich daraus aber keine seriöse Prozentzahl ableiten. Und Trainingsdaten sind ohnehin nur ein Teil der Geschichte.

Irgendwann muss jemand entscheiden, wie sich eine gute KI verhalten soll. Welche Antwort ist hilfreicher? Welche zu aggressiv? Welche zu vorsichtig? Wann soll ein Modell widersprechen, wann eine Empfehlung geben und wann Unsicherheit zeigen?

Das sind keine rein technischen Entscheidungen. Menschen treffen sie. Und Menschen unterscheiden sich.

Johannes Schäfer und Kolleg:innen untersuchten 2025 genau diesen Punkt: Der demografische und kulturelle Hintergrund menschlicher Annotatoren beeinflusst Bewertungen beispielsweise von Höflichkeit oder Beleidigung. Ihre Arbeit fragt deshalb ausdrücklich, welchen menschlichen demografischen Perspektiven Sprachmodelle bei solchen Bewertungen ähneln, wenn man ihnen keine Perspektive vorgibt.

Wenn im Training tausendfach entschieden wird, „Antwort A ist besser als Antwort B“, entsteht daraus irgendwann eine Norm: So soll künstliche Intelligenz sprechen. Die Diversity-Frage lautet damit nicht: Wer sitzt am Tisch?

Wichtiger: Welche Arten des Denkens und Bewertens bekommen an diesem Tisch tatsächlich Gewicht?

Selbst damit ist die Entstehung einer KI-Stimme noch nicht vollständig beschrieben. Auch Architektur und Trainingsverfahren spielen eine Rolle. Mohsinul Kabir, Tasfia Tahsin und Sophia Ananiadou zeigten 2025 in einem kontrollierten Vergleich, dass verschiedene Modellarchitekturen auf eingebrachte Verzerrungen unterschiedlich reagieren und bestimmte Bias-Muster unterschiedlich stark weitertragen oder verstärken können.

Das heißt nicht, dass eine Architektur aus dem Nichts einen männlichen, westlichen oder sonstigen kulturellen Bias erzeugt. Aber ein Sprachmodell ist auch kein neutraler Durchlauferhitzer seiner Daten.

Vereinfacht gesagt: Daten liefern Muster. Architektur und Training beeinflussen, wie diese Muster verarbeitet werden. Menschliche Evaluation beeinflusst, welches Verhalten erwünscht ist. Und am Ende dieser langen Kette erscheint auf meinem Bildschirm ein freundlicher Satz:

„Ich würde dir Folgendes empfehlen …“

Das ist vielleicht das eigentliche Kunststück künstlicher Intelligenz. Wenn ich ein Buch von 1890 lese, kann ich Autor, Zeit, Herkunft und gesellschaftliches Umfeld zumindest teilweise einordnen. Ich weiß: Da spricht jemand.

Bei einer KI verschwinden diese Marker. Unzählige menschliche Äußerungen, Bewertungen und technische Auswahlprozesse verdichten sich zu einer einzigen Antwort.

Eine Perspektive kann aufhören, wie eine Perspektive auszusehen.

Sie erscheint einfach als vernünftige Antwort.

Welche Kultur spricht da?

• Lu, Song & Zhang – Cultural tendencies in generative AI; Nature Human Behaviour – Cultural tendencies in generative AI
• Kashyap, Dras & Naseem – AlignCultura: Towards Culturally Aligned Large Language Models? ACL Anthology – AlignCultura

Spätestens hier wird die Sache größer als die Frage nach Mann und Frau. Jackson Lu, Lesley Luyang Song und Lu Doris Zhang untersuchten 2025, wie sich GPT auf Chinesisch und Englisch verhält. In chinesischer Sprache zeigte das Modell im Durchschnitt stärker interdependente soziale Orientierung und holistischere Denkweisen, auf Englisch stärker unabhängige beziehungsweise individualistische Orientierung und analytischere Muster. Diese Unterschiede zeigten sich sogar in konkreten Empfehlungen.

Das heißt nicht, dass es „die chinesische KI“ und „die westliche KI“ gäbe. Schon Europa ist kulturell kein einheitlicher Block. Österreich ist nicht Schweden, Polen nicht Frankreich und Griechenland nicht die Niederlande. Ebenso wenig sind Japan, China, Indien oder Indonesien Varianten derselben asiatischen Kultur.

Stellen wir uns einen Konflikt am Arbeitsplatz vor. Eine Antwort könnte zunächst fragen: Was möchtest du? Wo liegen deine persönlichen Grenzen? Eine andere könnte zuerst wissen wollen: Welche Auswirkungen hat deine Entscheidung auf die Gruppe und die bestehenden Beziehungen?

Keine dieser Fragen ist automatisch richtiger. Aber sie gewichten unterschiedlich, was zu einer vernünftigen Entscheidung gehört. Genau darin liegt das Problem einer scheinbar neutralen KI: Nicht unbedingt darin, dass sie eine falsche Perspektive vertritt, sondern darin, dass eine bestimmte Perspektive zum unmarkierten Normalfall werden kann. Die Forschung ist an diesem Punkt selbst noch keineswegs fertig. Aktuelle Arbeiten wie AlignCultura versuchen erst, systematischere Verfahren zu entwickeln, mit denen kulturelle Ausrichtung von Sprachmodellen überhaupt sinnvoll bewertet werden kann.

Wer also von seiner KI die Kennzeichnung „westliche Perspektive“ verlangt, sollte nicht glauben, damit plötzlich einen objektiven Blick in das Innenleben des Modells zu erhalten. Auch diese Einordnung kann falsch oder oberflächlich sein.

Von Gender zu Diversity

• Guilbeault, Delecourt & Srinivasa Desikan – Age and gender distortion in online media and large language models Nature – Age and gender distortion in online media and large language models

Damit komme ich zurück zum Ausgangspunkt. Braucht künstliche Intelligenz eine Frauenquote?

Die Frage klingt zunächst wie eine bewusst gesetzte Provokation. Ganz unsinnig ist sie nicht. Wenn Forschung, Entwicklung, Training, Evaluation, Red-Teaming und Führung überwiegend aus ähnlichen Lebenswelten rekrutieren, steigt die Wahrscheinlichkeit, dass bestimmte Selbstverständlichkeiten nie hinterfragt werden.

Eine Quote allein löst dieses Problem allerdings nicht. Eine Frau bringt nicht automatisch eine „weibliche Denkweise“ mit, genauso wenig wie ein Mann zwangsläufig männlich codiert kommuniziert. Eine Managerin kann dreißig Jahre lang genau jene Organisationskultur verinnerlicht haben, die sie ursprünglich verändern sollte. Ein Mann kann umgekehrt ausgesprochen relational, kontextbezogen und ambiguitätstolerant denken.

Deshalb erscheint mir inzwischen die Unterscheidung zwischen demografischer Diversity und epistemischer Diversity wichtiger.

Genau hier unterscheidet sich Diversity auch vom Gendern. Gendergerechte Sprache kann Sichtbarkeit schaffen, aber eine Organisation kann perfekt „Mitarbeiter:innen“ schreiben und trotzdem beinahe vollständig homogen denken. Ihre Führungskräfte können aus denselben sozialen Milieus stammen, ähnliche Ausbildungen und Karrierewege hinter sich haben und dieselbe Vorstellung davon teilen, wie Professionalität klingt.

Bei künstlicher Intelligenz könnte dasselbe passieren. Eine KI kann problemlos „Ärztinnen und Ärzte“ schreiben und trotzdem in ihren erlernten Zusammenhängen Kompetenz stärker mit Selbstsicherheit, Führung mit Durchsetzungsfähigkeit oder Erfolg mit individueller Leistung verbinden.

Dass solche Verzerrungen weit unterhalb der sichtbaren sprachlichen Oberfläche existieren können, zeigt eine bemerkenswerte Nature-Studie von Douglas Guilbeault, Solène Delecourt und Bhargav Srinivasa Desikan aus dem Jahr 2025. In fast 1,4 Millionen Bildern und Videos sowie in umfangreichen Textbeständen wurden Frauen systematisch jünger repräsentiert als Männer – ein Muster, das in den zum Vergleich herangezogenen US-Arbeitsmarktdaten so nicht bestand. Ähnliche Assoziationen fanden sich in Sprachmodellen. Bei generierten und bewerteten Lebensläufen zeigte ChatGPT ebenfalls alters- und geschlechtsbezogene Verzerrungen.

Eine KI kann also durchaus gelernt haben, dass der Satz „Frauen eignen sich nicht für Führungspositionen“ unakzeptabel ist – während subtilere Zusammenhänge zwischen Geschlecht, Alter, Erfahrung, Status und Autorität weiterhin vorhanden sind. Das ist der Unterschied zwischen einer sichtbaren und einer strukturellen Verzerrung.

Und hier wird Diversity unangenehm. Denn wenn wir sie wirklich ernst nehmen, wird sie beinahe grenzenlos: Geschlecht, Alter, Behinderung, soziale Herkunft, Bildung, Kultur, Religion, Sprache, Stadt und Land, unterschiedliche Lebensentwürfe – und sämtliche Überschneidungen davon.

Unsere Gesellschaft wirkt teilweise bereits von einer vergleichsweise einfachen Veränderung wie gendergerechter Sprache überfordert. Eine tatsächlich konsequente Diversity wäre um ein Vielfaches anspruchsvoller. Aber vielleicht stellen wir schon hier die falsche Frage. Die Gesellschaft ist längst divers. Die Vielfalt entsteht nicht dadurch, dass wir sie berücksichtigen. Sie existiert ohnehin. Die eigentliche Schwierigkeit beginnt dort, wo wir aus dieser Vielfalt gemeinsame Regeln und Entscheidungen ableiten.

Die Maschine muss reduzieren

• Zhou, Hwang, Ren & Sap – Relying on the Unreliable: The Impact of Language Models’ Reluctance to Express Uncertainty ACL Anthology – Relying on the Unreliable

Eine KI bekommt eine enorme Menge widersprüchlicher menschlicher Informationen. Auf meine Frage soll sie aber nicht mit drei Milliarden Stimmen antworten. Sie soll mir helfen. Sie muss auswählen, gewichten, zusammenfassen und reduzieren. Genau deshalb halte ich die Frage „Wie bauen wir eine neutrale KI?“ inzwischen für möglicherweise falsch gestellt.

Vielleicht müsste sie lauten:

Nach welchen Regeln darf eine KI menschliche Vielfalt reduzieren?

Und noch unangenehmer:

Welche Perspektive bleibt übrig, wenn aus vielen Perspektiven eine einzige Antwort werden muss?

Dabei dürfen wir allerdings nicht so tun, als wären ausschließlich Entwickler und Trainingsdaten für die selbstsichere Stimme der KI verantwortlich. Vielleicht sind auch wir Nutzer Teil des Problems!

Kaitlyn Zhou, Jena Hwang, Xiang Ren und Maarten Sap untersuchten 2024, wie Sprachmodelle Unsicherheit kommunizieren und wie Menschen darauf reagieren. Die Modelle äußerten auch bei falschen Antworten häufig zu wenig Unsicherheit und waren selbst dann überkonfident, wenn sie ausdrücklich zur Angabe ihrer Sicherheit aufgefordert wurden. Gleichzeitig zeigte die Analyse menschlich bewerteter Präferenzdaten eine Tendenz gegen Texte, die Unsicherheit ausdrücken.

Das ist einigermaßen paradox. Wir kritisieren eine KI, die zu selbstsicher klingt. Gleichzeitig mögen wir offenbar genau diese Art von Antwort.

Wir fragen: „Welchen Laptop soll ich kaufen?“

Wir wollen normalerweise nicht fünf Seiten erkenntnistheoretische Vorbehalte lesen. Wir wollen Orientierung. Vielleicht entsteht die selbstsichere KI-Stimme deshalb aus einer Wechselwirkung zwischen unserem kulturellen Erbe, technischen Modellentscheidungen und unseren heutigen Erwartungen an eine hilfreiche Maschine.

Das bringt mich zu einem kleinen Experiment, das bei uns ursprünglich aus einem ganz anderen Problem entstanden ist.

Vom TECH-Mode zum Transparenz-Mode

Bei technischen Fragen störte mich immer wieder, wie schnell eine KI aus einer plausiblen Empfehlung eine scheinbar eindeutige Tatsache macht. Aus dieser Erfahrung entstand zunächst unser TECH-Mode. Statt nur zu antworten, sollte die KI zusätzlich offenlegen, wie aktuell und wie belastbar die Grundlage ihrer Aussage ist.

Ursprünglich verwendeten wir dafür sogar Prozentwerte zur Sicherheit. Das würde ich heute nicht mehr tun. Ein Sprachmodell besitzt keinen verlässlichen inneren Messwert dafür, ob eine Antwort beispielsweise „zu 85 Prozent sicher“ ist. Interessanter ist die äußere Frage:

Wie gut ist die Aussage tatsächlich belegt?

Daraus entstand der Transparenz-Mode. Er soll zwischen Fakt, Schlussfolgerung und Bewertung unterscheiden, Quellen und Annahmen sichtbarer machen und bei längeren Antworten fragen:

Woran könnte diese Einschätzung scheitern?

Ich habe den Prompt mehrfach mit demselben Laptop-Dialog getestet und nach jedem Durchlauf nachgeschärft. Das Ergebnis war aufschlussreich. Die Antworten wurden tatsächlich differenzierter. Bewertungen wurden häufiger als Bewertungen gekennzeichnet, Quellen genauer betrachtet und Annahmen sichtbarer gemacht.

Bei den Tests zeigte sich dabei noch ein anderes Problem: Die Antworten waren ohne Transparenz-Mode oft durchaus brauchbar. Aber Hersteller-PR, journalistische Bewertung, Affiliate-Test und objektiver Messwert konnten sprachlich nahezu gleich aussehen. Die KI übernahm Superlative wie „der beste“, „perfekt“ oder „kompromisslos“ teilweise aus ihren Quellen, ohne sichtbar zu machen, dass es sich dabei um eine Bewertung oder Werbesprache handelte.

Aber Fehler verschwanden nicht.

Eine technisch falsche Schlussfolgerung konnte weiterhin sauber strukturiert und als „stark belegt“ präsentiert werden. Auch aus gut belegten Messwerten entstanden gelegentlich überzogene Empfehlungen wie „das am besten geeignete Gerät“. Damit hat sich mein Verständnis des Transparenz-Modes verändert.

Ich wollte ursprünglich eine KI, die mir sagt, wie sicher sie sich ist. Heute interessiert mich mehr, ob sie mir zeigt, wo ich ihr misstrauen sollte.

Der Mode ist deshalb kein Gütesiegel und keine Selbstdiagnose der KI. Er ist ein Prüfrahmen.

Eine sauber gekennzeichnete falsche Aussage bleibt falsch. Transparenz ersetzt keine Verifikation – sie kann Verifikation aber erleichtern. Epistemische Transparenz bedeutet deshalb nicht nur zu fragen: Wie gut ist etwas belegt? Sondern auch: Wer sagt das eigentlich – und in welcher Rolle?

Den vollständigen Transparenz-Mode 3.2 stelle ich im Nachtrag zu diesem Beitrag zur Verfügung.

Dieser Prompt löst Bias nicht. Er macht eine KI nicht neutral. Und er garantiert auch keine richtige Selbstkritik.

Aber er kann die Kommunikation verändern. Statt nur eine fertige Schlussfolgerung zu präsentieren, wird die KI dazu gedrängt, zumindest einen Teil des Weges dorthin sichtbar zu machen.

Das ist für mich der entscheidende Unterschied.

Nicht: „Die KI weiß, wo ihr eigener Bias sitzt.“

Sondern: „Die KI wird aufgefordert, überprüfbare Gründe, Grenzen und mögliche Alternativen offenzulegen.“

Das ist wesentlich bescheidener – und gerade deshalb realistischer.

Dabei darf dieser Ansatz nicht in Relativismus kippen. Wenn die wissenschaftliche Evidenz sehr deutlich in eine Richtung zeigt, wäre es unsinnig, eine schwach belegte Gegenposition nur aus Gründen vermeintlicher Ausgewogenheit gleichberechtigt daneben zu stellen.

Diversity bedeutet nicht: Alles ist gleich wahr.

Transparenz bedeutet nicht: Nichts ist sicher.

Es geht um Kalibrierung. Eine Antwort sollte nicht überzeugender klingen, als ihre Beleglage es rechtfertigt.

Was folgt daraus?

Vielleicht braucht zukünftige künstliche Intelligenz deshalb gar nicht den Anspruch, vollkommen neutral zu werden. Sie braucht einen besseren Umgang mit ihrer eigenen Nicht-Neutralität. Das beginnt bei den Menschen, die Modelle entwickeln und bewerten. Diversity darf dort nicht nur bedeuten, demografische Merkmale statistisch abzubilden. Entscheidend wäre, ob unterschiedliche Erfahrungen und Denkweisen tatsächlich Einfluss darauf bekommen, welche Antworten als hilfreich, vernünftig und professionell gelten.

Es betrifft auch Architektur, Trainingsverfahren und Evaluation. Eine KI sollte nicht nur darauf getestet werden, ob sie offen diskriminierende Aussagen produziert. Man müsste ebenso prüfen, welche Vorstellungen von Familie, Erfolg, Selbstbestimmung, Gemeinschaft oder Führung sie stillschweigend voraussetzt – und ob sich ihre Empfehlungen verändern, wenn dieselbe Situation in Wien, Lagos, San Francisco oder Shanghai beschrieben wird.

Nicht um für jeden Ort eine eigene Wahrheit zu erfinden. Sondern um dort aufmerksam zu werden, wo kulturelle Gewohnheit als vermeintliche Universalität auftritt. Vielleicht ist das eine realistischere Form von Diversity für künstliche Intelligenz: nicht vollständige Repräsentation, sondern systematische Aufmerksamkeit für blinde Flecken.

Und trotzdem bleibt eine unangenehme Spannung bestehen. Eine wirklich perspektivenbewusste KI wäre vermutlich manchmal anstrengender. Sie würde häufiger sagen: „Unter dieser Voraussetzung …“, „Die Quellenlage ist hier einseitig …“ oder „Eine andere plausible Interpretation wäre …“

Wir benutzen KI aber gerade deshalb, weil wir Orientierung wollen. Wir wollen Diversity – aber bitte nicht zu kompliziert. Wir wollen Transparenz – aber trotzdem eine klare Empfehlung. Wir wollen epistemische Bescheidenheit – und belohnen möglicherweise Selbstsicherheit. Diese Spannung lässt sich nicht vollständig auflösen. Vielleicht müssen wir lernen, sie auszuhalten.

Am Anfang wollte ich eigentlich nur wissen, warum meine KI manchmal ziemlich männlich wirkt. Darauf habe ich noch immer keine eindeutige Antwort. Vielleicht ist bereits die Frage zu einfach.

Denn künstliche Intelligenz klingt wahrscheinlich nicht einfach männlich oder weiblich. Sie klingt nach einer Mischung aus unseren Texten, unseren Kulturen, unseren Institutionen, unseren technischen Entscheidungen, unseren Bewertungen – und unseren eigenen Erwartungen an sie.

Die wichtigere Frage lautet deshalb inzwischen:

Wenn künstliche Intelligenz künftig selbstverständlich erklärt, berät, unterrichtet und Entscheidungen vorbereitet – wessen Vorstellung von Vernunft spricht dann eigentlich aus ihr?

Vielleicht sollten wir gar nicht verlangen, dass KI vollkommen neutral wird.

Aber wir können verlangen, dass sie uns bessere Möglichkeiten gibt zu erkennen, worauf ihre Aussagen beruhen, welche Art von Quelle dahintersteht, wo ihre Grenzen liegen und an welcher Stelle aus Information bereits Interpretation wird. Denn die gefährlichste Perspektive ist vielleicht nicht jene, mit der wir nicht übereinstimmen. Sondern jene, die gar nicht mehr als Perspektive erkennbar ist.

Hinweis: Dieser Beitrag entstand in Zusammenarbeit mit künstlicher Intelligenz.

Idee, Fragestellung, inhaltliche Richtung sowie die Bewertung und Auswahl der Ergebnisse stammen vom Autor. Recherche, Quellenprüfung, Strukturierung und sprachliche Ausarbeitung erfolgten in einem mehrstufigen Dialog mit verschiedenen KI-Systemen. Entwürfe und Argumentationen wurden dabei wiederholt geprüft, kritisiert, verworfen, ergänzt und überarbeitet.

Auch die begleitenden Bilder und Grafiken wurden mithilfe künstlicher Intelligenz erstellt beziehungsweise bearbeitet.

____________________

Wikipedia – deutsch

____________________

Nachtrag: