14.06.2023

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

Eine neue Studie trübt die Hoffnungen, die in generative KI gesetzt werden. Durch zu viele KI-Inhalte im Internet könnten die Modelle verlernen, was hochwertiger Content ist.
/artikel/ki-modelle-koennen-sich-selbst-zerstoeren
Am Beispiel von blauen Katzen lässt sich erklären, wie KI-Modelle versagen. Bild: Unsplash/Rémi Rémino

Obwohl die Tech-Welt seit Jahren vor KI warnt, sind ihre Fähigkeiten erst letztes Jahr in den Fokus einer breiteren Öffentlichkeit gerückt: Generative KI ermöglicht es, mit wenigen Klicks kreative KI-Leistungen schnell verfügbar zu machen. Konkret heißt das: KI-Chatbots wie ChatGPT forumlieren auf Befehl eloquente Texte, können programmieren und verschiedene sprachliche Tasks im Nu erledigen. Bilderzeugungs-Tools wie Stable Diffusion oder Midjourney erzeugen auf Knopfdruck fotorealisitische Bilder.

Studie warnt vor Qualitätsverlust

Viele Unternehmen haben es plötzlich sehr eilig: Schnellstmöglich wollen sie KI-Lösungen in ihre Produkte implementieren, wie jüngst Mark Zuckerberg für Meta verkündete. Die Hoffnungen und Erwartungen, die in KI-Modelle gesetzt werden, sind riesig.

Die Studie eines britisch-kanadischen Forscherteams, die vor kurzem im Open-Access-Journal arXiv erschienen ist, könnte den KI-Hype jedoch etwas trüben. Sie kommt zu dem Ergebnis, dass KI-Modelle nachhaltig geschädigt werden können, wenn sie mit KI-generierten Inhalten trainieren. Denn laut den Studienautor:innen, seien die KI-Modelle derzeit vor allem deshalb so stark, weil sie mit menschengemachten Inhalten trainiert sind.

Internet als KI-Mülldeponie

„Wir waren überrascht zu sehen, wie schnell ein Modell wieder zusammenbricht. Die Modelle können die meisten Originaldaten, aus denen sie ursprünglich gelernt haben, schnell vergessen“, meinte der am Projekt beteiligte Forscher Ilia Shumailov gegenüber VentureBeat. In einem Blog-Artikel warnt Ross Anderson, ein weiterer beiteiligter Forscher: „So wie wir die Ozeane mit Plastik vermüllt und die Atmosphäre mit Kohlendioxid gefüllt haben, sind wir nun dabei, das Internet mit Blabla zu füllen. Dadurch wird es schwieriger, neuere Modelle durch Webscraping zu trainieren“.

Das Problem: Je mehr KI-Inhalte im Internet kursieren, desto weniger seien menschliche Inhalte für die KI-Modelle zum Lernen verfügbar. Anderson zufolge hätten Unternehmen, die das Internet bereits gescraped haben, bzw. die den Zugang zu menschengemachten Inhalten kontrollierten, nun immense Vorteile: „Wir sehen bereits jetzt, dass KI-Startups das Internet Archive nach historischen Daten durchsuchen“. Denn bereits jetzt sei das Netz bereits mit KI-generiertem „Müll“ kontaminiert.

Problem mit blauen Katzen

Shumailov skizziert das Problem gegenüber VentureBeat folgendermaßen: Menschengemachte Dokumente, egal ob Bilder, Texte, Musik oder andere kreative Leistungen, würden die Welt umfassender beschreiben und auch unwahrscheinlichere Fälle abbilden. KI-Modelle hingegen wählen Daten nach Wahrscheinlichkeitskriterien aus: Werden bestimmte Daten häufiger vorgefunden als andere, werden die unwahrscheinlicheren eher verworfen.

Gut zu beschreiben sei dies anhand eines Datensets aus Katzenbildern. Wird ein KI-Modell mit Bildern von 10 blauen Katzen und 90 gelben Katzen trainiert, erkennt die KI, dass gelbe Katzen mit höherer Wahrscheinlichkeit „richtig“ sind. In der Folge produziert die KI selbst grünstichige Katzenbilder, wenn sie Katzen mit blauem Fell darstellen soll. Im Laufe der Zeit produziere sie überhaupt keine blauen Katzen mehr, sondern nur mehr gelbe.

Das Beispiel zeige laut Shumailov, dass die KI-Modelle Probleme mit unwahrscheinlicheren Daten hätten. Im Laufe der Zeit würden die Modelle somit versagen, meint der Forscher. Darüber hinaus entstünden dadurch zahlreiche Probleme, etwa Diskriminierung aufgrund bestimmter Minderheiten-Eigenschaften.

Deine ungelesenen Artikel:
21.10.2026

„SHAPE Austria“: Neuer Ausgründungsrahmen für mehr Spinoffs aus Geistes-, Sozialwissenschaften und Künsten

Deep Tech, Life Science, Patente: Darauf war das österreichische Spinoff-System bisher ausgelegt. Mit „SHAPE Austria" liegt nun ein Ausgründungsrahmen für Sozial-, Geistes- und Kulturwissenschaften sowie die Künste vor. New-Venture-Scouting-Gründer Werner Wutscher erklärt im Gespräch mit brutkasten, warum diese Disziplinen eine andere Sprache, andere Strukturen und andere Kennzahlen brauchen.
/artikel/shape-austria-ausgruendungsrahmen-geisteswissenschaften-kuenste
21.10.2026

„SHAPE Austria“: Neuer Ausgründungsrahmen für mehr Spinoffs aus Geistes-, Sozialwissenschaften und Künsten

Deep Tech, Life Science, Patente: Darauf war das österreichische Spinoff-System bisher ausgelegt. Mit „SHAPE Austria" liegt nun ein Ausgründungsrahmen für Sozial-, Geistes- und Kulturwissenschaften sowie die Künste vor. New-Venture-Scouting-Gründer Werner Wutscher erklärt im Gespräch mit brutkasten, warum diese Disziplinen eine andere Sprache, andere Strukturen und andere Kennzahlen brauchen.
/artikel/shape-austria-ausgruendungsrahmen-geisteswissenschaften-kuenste
Mitarbeiterbeteiligung - Werner Wutscher | (c) Luiza Puiu
Werner Wutscher | (c) Luiza Puiu

Transkribus ist eine KI-Plattform, die historische Handschriften automatisch erkennt. Entstanden ist sie an der Universität Innsbruck, heute ist sie als Europäische Genossenschaft organisiert und wird weltweit von Archiven und Forschenden genutzt. Ein Paradebeispiel für ein akademisches Spinoff, nur eben keines aus der Technik, sondern aus den Geisteswissenschaften. Genau solche Gründungen will ein neuer Ausgründungsrahmen künftig systematisch ermöglichen.

„SHAPE Austria“ wurde im Rahmen der ECN-Konferenz von Werner Wutscher (New Venture Scouting) und Sektionschef Elmar Pichl vom Bundesministerium für Frauen, Wissenschaft und Forschung (BMFWF) vorgestellt. SHAPE steht für Social Sciences, Humanities and the Arts for People and the Economy. Der Bericht ergänzt den Ausgründungsrahmen von 2024, der den Hochschulen erstmals einheitliche Standards für Spinoffs vorgab. „Da war der klare Fokus auf skalierbare, technologieorientierte Startups. Die Geisteswissenschaften, Sozialwissenschaften und Künste sind zu kurz gekommen“, sagt Wutscher. Das Ministerium habe den Rahmen komplettieren wollen.

27 Institutionen in der Arbeitsgruppe

Erarbeitet wurde der Bericht von November 2025 bis Juni 2026 mit einer Arbeitsgruppe aus 27 Institutionen, darunter 16 Hochschulen von der Universität Wien über das Mozarteum bis zur Kunstuniversität Linz. Dazu kamen Interviews mit 16 Einrichtungen, die bereits weiter sind, etwa dem britischen ARC Accelerator, der Erasmus University Rotterdam oder der Universität Köln.

Das Ergebnis sind elf Empfehlungen, sechs an die Leitungsebene der Hochschulen, fünf an Transferstellen und Career Center. „Um auch strategische Themen zu diskutieren, braucht man unbedingt auch die Leitungsebene, also die Rektorate für diese Diskussionen“, so Wutscher.

Andere Sprache, andere Strukturen

Der zentrale Befund: Gründungen aus diesen Disziplinen folgen einer anderen Logik. Sie entstehen selten aus einer Marktchance, sondern aus einem gesellschaftlichen Problem. Im Bericht ist von „Reluctant Founders“ die Rede, Menschen, die nicht primär ein Unternehmen aufbauen, sondern etwas verändern wollen. „Du musst sehr stark über die Wirkung reden, über den Impact reden, um die dann gut abzuholen“, sagt Wutscher. Empfohlen wird ein „Prinzip der Zweisprachigkeit“: nach innen Wirkungssprache, nach außen klassische Startup-Begriffe, damit Finanzierung und Netzwerke nicht verschlossen bleiben. Statt von Kund:innen spricht man dann von Audiences.

Strukturell sind SHAPE-Gründungen meist günstiger und schneller als Tech-Spinoffs: kein Labor, kein Patentierungsprozess, kürzere Validierungszyklen. Dafür braucht es niederschwellige, mehrstufige Begleitung und offene Rechtsformen. Statt der GmbH kann auch ein Verein, eine Genossenschaft oder ein Hybridmodell passen. „Wenn du einen Verein gründest, um Gesundheitspolitik zu promoten, brauchst du kein Labor“, so Wutscher.

Soft IP statt Patente

Ein eigener Schwerpunkt gilt dem geistigen Eigentum. Wo keine Patente entstehen, sondern Urheberrecht, Software, Daten oder Know-how, greifen die üblichen IP-Richtlinien nicht. Der Bericht empfiehlt getrennte Regeln für Hard und Soft IP mit deutlich günstigeren Konditionen und nennt als Benchmark die University of Bristol: 20 Prozent Beteiligung bei patentbasierten Spinoffs, fünf Prozent bei „IP light“, null Prozent ohne verwertbares IP. Leitprinzip: so offen wie möglich, so geschlossen wie nötig, inklusive Creative-Commons- und Open-Source-Lizenzen.

Weil die Wirkung im Vordergrund steht, sollen Hochschulen auch nicht auf Lizenzeinnahmen hoffen, sondern Impact messen. Anlage 1 des Berichts liefert dafür beispielhafte Indikatoren, von erreichten Nutzer:innen bis zu Impact Case Studies.

Netzwerk und gemeinsames Programm

Weil die Pipelines einzelner Hochschulen klein sind, empfiehlt der Bericht ein österreichweites SHAPE-Netzwerk nach dem Vorbild des britischen Aspect Network und ein gemeinsames Frühphasenprogramm, angedockt an bestehende Strukturen wie AplusB, ECN oder die Ludwig Boltzmann Gesellschaft. New Venture Scouting koordiniert dafür ein Jahr lang Quartalstreffen der Arbeitsgruppe. Dazu kommt die Forderung, Transfer und Gründung in Berufungen und Evaluierungen anzuerkennen, im Sinne der CoARA-Initiative, die von rein publikationsbasierten Metriken abrücken will.

Die Beispiele in Anlage 2 reichen von ArtWave, einem Startup zweier Opernsängerinnen für Stressreduktion und Burnout-Prävention, über die Praxissoftware freudio für Psychotherapeut:innen bis zur Kärntner Freiwilligenplattform inmojo. „Wir haben noch sehr wenige. Deswegen haben wir den Ausgründungsrahmen um Success Stories ergänzt, damit sich die Leute das vorstellen können“, sagt Wutscher.

„Da wären wir mit vorne dabei“

Für Wutscher ist der Zeitpunkt entscheidend: Die großen Fragen rund um KI, Ethik oder Medizin bräuchten interdisziplinäre Teams. Und beim SHAPE-Thema stehe ganz Europa noch am Anfang. „Deswegen wäre das jetzt so spannend, wenn wir das jetzt starten könnten. Da wären wir mit vorne dabei.“

Bleibt der Haken: das neue Universitätsbudget. Wutscher, der auch Vorsitzender des Universitätsrats der Universität Klagenfurt ist, nennt die Kürzungen einen „massiven Dämpfer“. Die große Herausforderung sei, „dass diese Einsparungen nicht dazu führen, dass Innovation und das Neue gedrosselt werden“. Gerade bei Entrepreneurship-Aktivitäten sei die Entwicklung zuletzt nach oben gegangen: Österreichweit gebe es mittlerweile 31 Forschungs-Spinoffs, 2024 waren es noch 25.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Der Inhalt der Studie zeigt, dass KI-Modelle durch den von ihnen generierten „Müll“ selbst zerstört werden können und dass Unternehmen, die den Zugang zu menschgemachten Inhalten kontrollieren, dadurch einen Vorteil haben. Diese Erkenntnisse könnten Auswirkungen darauf haben, wie KI-Modelle trainiert werden und wer Zugang zu menschgemachten Inhalten hat, was wiederum Auswirkungen auf Wettbewerb und Diskriminierung haben könnte. Außerdem wird deutlich, dass die Vorstellung, KI könne alle Aufgaben besser lösen als Menschen, kritisch hinterfragt werden muss.

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Die Studie eines britisch-kanadischen Forscherteams, die vor kurzem im Open-Access-Journal arXiv erschienen ist, hat gezeigt, dass KI-Modelle nachhaltig geschädigt werden können, wenn sie mit KI-generierten Inhalten trainieren. Dies könnte Unternehmen, die schnell KI-Lösungen in ihre Produkte integrieren wollen, vor große Herausforderungen stellen. Das Problem besteht darin, dass je mehr KI-Inhalte im Internet verfügbar sind, desto weniger menschengemachte Inhalte für die KI-Modelle zum Lernen vorhanden sind. Unternehmen, die bereits den Zugang zu menschengemachten Inhalten kontrollieren, würden einen immensen Vorteil genießen.

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Dieser Artikel warnt Innovationsmanager:innen vor den Risiken beim Einsatz von KI-Modellen in ihren Produkten und Dienstleistungen. Eine Studie zeigt, dass KI-Modelle langfristig beschädigt werden können, wenn sie mit KI-generierten Inhalten trainiert werden, da die Modelle menschengemachte Inhalte benötigen, um weiter zu lernen. Dies kann dazu führen, dass KI-Modelle versagen und nicht mehr in der Lage sind, spezifische Daten oder Zusammenhänge richtig zu erkennen oder zu interpretieren. Innovationsmanager:innen sollten daher vorsichtig sein und sicherstellen, dass die KI-Modelle, die sie verwenden, menschengemachte Inhalte verwenden, um ihre Funktionsweise zu verbessern und langfristige Probleme zu vermeiden.

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Als Investor:in sollten Sie aufmerksam sein, wie KI-Modelle trainiert werden und welche Auswirkungen dies auf deren Qualität und Leistung hat. Die Studie zeigt, dass KI-Modelle durch den Einfluss von KI-generiertem „Müll“ dauerhaft geschädigt werden können. Daher sollten Unternehmen, die KI-basierte Lösungen entwickeln, sicherstellen, dass sie ihre Modelle mit qualitativ hochwertigen menschengemachten Inhalten trainieren, um deren Leistung und Qualität zu sichern.

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Die breite Verfügbarkeit von generativer KI hat den Hype um die Technologie verstärkt, aber eine Studie warnt nun davor, dass KI-Modelle durch ihren eigenen Müll, der in Form von KI-generierten Inhalten im Netz kursiert, nachhaltig geschädigt werden können. Die zunehmende Verbreitung von KI-generierten Inhalten führt dazu, dass die KI-Modelle weniger menschliche Inhalte für das Lernen zur Verfügung haben, und Unternehmen, die den Zugang zu menschlichem Content kontrollieren, haben daher immense Vorteile. Die Studie zeigt auch, dass die KI-Modelle Schwierigkeiten haben, unwahrscheinliche Daten abzubilden, was zu zahlreichen anderen Problemen führen kann, einschließlich Diskriminierung aufgrund von bestimmten Minderheiten-Eigenschaften.

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

  • Ilia Shumailov
  • Ross Anderson
  • Mark Zuckerberg

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

  • Meta
  • Internet Archive

Studie: KI-Modelle können sich durch ihren eigenen Müll selbst zerstören