[Freiheitsliebe:] Künstliche Intelligenz – Gemeinwohl und Nachhaltigkeit statt nur Profit

Mit Blick auf die Dis­kus­sio­nen um die Agrar‑, Ener­gie- oder Ver­kehrs­wen­de sind die Hoff­nun­gen auf die Künst­li­che Intel­li­genz groß. Doch sie wird nur mar­gi­na­le Wis­sens- und Effi­zi­enz­zu­wäch­se ermög­li­chen, nicht aber der ent­schei­den­de Fak­tor der Trans­for­ma­ti­on sein. Maschi­nel­les Ler­nen kann nur begrenzt zu Nach­hal­tig­keit bei­tra­gen – und das auch nur, wenn es poli­tisch gewünscht wird.

Anni­ka Ket­ten­burg stu­dier­te Umwelt- und Nach­hal­tig­keits­wis­sen­schaf­ten in Lüne­burg, Thai­land und Lund (Schwe­den). In ihrer Mas­ter­ar­beit, auf der die­ser Arti­kel basiert, unter­such­te sie die Poten­tia­le und Gren­zen von Künst­li­cher Intel­li­genz für Nach­hal­tig­keit sowie die vor­herr­schen­den Moti­ve im poli­ti­schen Dis­kurs um KI.

Künstliche Intelligenz und Nachhaltigkeit: Eine kritische Analyse

Wohin wir bli­cken: Die hohen gesell­schaft­li­chen Erwar­tun­gen an Künst­li­che Intel­li­genz (KI) blei­ben omni­prä­sent. Man schreibt KI Chan­cen und Risi­ken rie­si­gen Aus­ma­ßes zu oder sti­li­siert KI gar als „game chan­ger for cli­ma­te chan­ge and the envi­ron­ment“.

Jedoch ist Maschi­nel­les Ler­nen (ML) – der Kern­in­halt des Ober­be­griffs KI – nur für weni­ge Berei­che sehr gut geeig­net und, wie jede Tech­no­lo­gie, kei­ne Lösung für sozia­le und öko­lo­gi­sche Pro­ble­me.

Um dies zu erläu­tern, unter­schei­de ich zwei Ebe­nen, die im öffent­li­chen Dis­kurs zu KI und Nach­hal­tig­keit häu­fig nicht stark genug getrennt wer­den: Da ist die Sphä­re der tech­ni­schen Mög­lich­kei­ten, in der KI-Anwen­dun­gen für gesell­schaft­li­che Pro­ble­me erdacht oder ihre Kos­ten und Nut­zen für Nach­hal­tig­keit abge­wo­gen wer­den. Auf die­ser Ebe­ne, im Elfen­bein­turm der abs­trak­ten Ideen, spielt sich nahe­zu die gesam­te Debat­te ab.

Aus­ge­blen­det wird dabei die zwei­te Ebe­ne: ihr real­welt­li­cher Schau­platz. Hier ver­lie­ren logi­sche Argu­men­te über den gemein­wohl­för­dern­den Ein­satz von KI an Bedeu­tung gegen­über ganz ande­ren Logi­ken – zum Bei­spiel dem Stre­ben, mit KI den eige­nen Ein­fluss zu ver­grö­ßern.

KI im Elfenbeinturm: Theoretische Limitationen und Chancen für Nachhaltigkeit

Maschi­nel­le Lern­ver­fah­ren gene­ra­li­sie­ren Daten in Model­len und extra­po­lie­ren Wer­te auf Basis der abge­lei­te­ten Funk­tio­nen, meist im Rah­men von Regres­si­ons- oder Clus­ter­ana­ly­sen. Beson­ders durch den Ein­satz neu­ro­na­ler Net­ze erfuh­ren die­se bewähr­ten sta­tis­ti­schen Ver­fah­ren in den letz­ten Jah­ren eine gro­ße Stei­ge­rung ihrer Per­form­anz.

Immer noch aktu­ell bleibt zugleich die Mah­nung zur Vor­sicht im Umgang mit sol­chen Ana­ly­sen: Daten sind immer von Men­schen erzeugt, somit Kon­struk­te und nie ein objek­ti­ves Abbild der Rea­li­tät. Die Reprä­sen­ta­ti­vi­tät von Daten wird stets vor­aus­ge­setzt, jedoch fak­tisch nie erreicht. Feh­ler sind und blei­ben inhä­ren­te Bestand­tei­le von ML-Model­len. Die Intrans­pa­renz neu­ro­na­ler Net­ze ver­birgt Feh­ler und bie­tet Ein­falls­to­re für die geziel­te Mani­pu­la­ti­on.

Wie wünschenswert ist Maschinelles Lernen, und wie mächtig?

Umso kom­ple­xer die zu model­lie­ren­den Zusam­men­hän­ge und umso fol­gen­rei­cher die Anwen­dung die­ser Model­le, des­to wich­ti­ger wird die ethi­sche Abwä­gung des Ein­sat­zes von ML. So ist es zwar mög­lich, ML zur Vor­her­sa­ge von sozia­lem Ver­hal­ten für auto­ma­ti­sier­te Ent­schei­dungs­ver­fah­ren zu ver­wen­den, etwa für das Kre­dit-Sco­ring, Berech­nun­gen der Rück­fall­wahr­schein­lich­keit oder für die Ver­tei­lung von Sozi­al­hil­fe. Doch wäh­rend man einen tech­ni­schen Pro­zess durch Daten annä­he­rungs­wei­se abbil­den kann, ist dage­gen die sozia­le Wirk­lich­keit nur sub­jek­tiv selek­tiv model­lier­bar. Zugleich wären Fehl­ent­schei­dun­gen des Modells hier weit­aus fol­gen­rei­cher für die Betrof­fe­nen. Dar­um fokus­siert sich die­ser Arti­kel auf die öko­lo­gi­sche Kom­po­nen­te der Nach­hal­tig­keit.

Wie mäch­tig ist ML? Begrif­fe wie Künst­li­che Intel­li­genz oder Maschi­nel­les Ler­nen sug­ge­rie­ren, dass die Tech­no­lo­gie selbst zum Akteur wird. Doch Daten und ML-Model­le sind Pro­duk­te mensch­li­chen Han­delns: Daten wer­den gesam­melt und gela­belt, ML-Metho­den aus­ge­wählt, Hyper­pa­ra­me­ter bestimmt, damit her­um­ex­pe­ri­men­tiert, erreich­te Treff­ge­nau­ig­kei­ten als aus­rei­chend akzep­tiert und dann das Modell in kon­kre­te Anwen­dun­gen ein­ge­bet­tet. Die­se mensch­li­che Kon­trol­le ent­zau­bert KI.

Wie kann ML zu Nach­hal­tig­keit bei­tra­gen? Die Nach­hal­tig­keits­po­ten­tia­le von ML kann man grob in zwei Klas­sen ein­tei­len: zum einen die Gene­rie­rung empi­ri­schen Wis­sens über Umwelt­pro­zes­se, gege­ben­falls ange­wandt in Früh­warn­sys­te­men; zum ande­ren die Stei­ge­rung von tech­ni­scher Effi­zi­enz durch genaue­re Abstim­mung von Ange­bot und Nach­fra­ge.

Generierung empirischen Wissens

Mit Hil­fe von ML kann bei­spiels­wei­se bes­ser vor­her­ge­sagt wer­den, an wel­chen Stand­or­ten und zu wel­chen Zeit­punk­ten Dür­re droht, Stark­re­gen zunimmt, Gewäs­ser eutro­phie­ren oder die Bio­di­ver­si­tät beson­ders stark abnimmt.

Doch was bewirkt es, das Insek­ten­ster­ben genau­er zu kar­tie­ren, wenn dort dann kein Lebens­raum geschaf­fen wird? Die Haupt­grün­de für den Arten­rück­gang, also inten­si­ve Land­wirt­schaft und Zer­sied­lung, sind gesell­schaft­li­che Prio­ri­tä­ten. Die­se ändern sich nicht auto­ma­tisch durch mehr Wis­sen um den damit ein­her­ge­hen­den Bio­di­ver­si­täts­ver­lust. Umweltwissenschaftler*innen ren­nen mit ihrer For­schung gegen Wän­de, und das schon seit Jahr­zehn­ten.

Selbst Früh­warn­sys­te­me vor Natur­ka­ta­stro­phen sind nur so effek­tiv wie das Kri­sen­ma­nage­ment, in das sie ein­ge­bet­tet sind. So sind bei­spiels­wei­se War­nun­gen vor Hur­ri­kans in allen Kari­bik­staa­ten ver­füg­bar, den­noch unter­schei­den sich ihre Opfer­zah­len erheb­lich – wie Tele­po­lis bei Hur­ri­ka­ne Mat­thew titel­te: „542 Tote in Hai­ti, 21 Tote in den USA, 0 Tote in Kuba“. Was zählt, sind die Taten vor und nach einer Kata­stro­phen­war­nung, die sofor­ti­ge Eva­ku­ie­rung und lang­fris­ti­ge Prä­ven­ti­on, sprich das sozia­le und poli­ti­sche Kri­sen­ma­nage­ment­sys­tem.

Grund­la­gen­for­schung ist und bleibt ele­men­tar, um unse­ren Pla­ne­ten bes­ser zu ver­ste­hen und gefähr­li­che Ent­wick­lun­gen zu anti­zi­pie­ren. Ohne hoch­kom­ple­xe Kli­ma­mo­del­le – die durch Maschi­nel­le Lern­ver­fah­ren wei­ter ver­bes­sert wer­den kön­nen – gäbe es Kli­ma­wan­del­be­kämp­fung und ‑anpas­sung in ihrem heu­ti­gen Aus­maß wohl nicht. Wie beim Arten­ster­ben oder bei Natur­ka­ta­stro­phen ist es hier jedoch eine gesell­schaft­li­che und poli­ti­sche Auf­ga­be, die­sen Umwelt­ver­än­de­run­gen die ent­spre­chen­de Rele­vanz bei­zu­mes­sen sowie Erkennt­nis­se in poli­ti­sche Stra­te­gien und prak­ti­sche Rou­ti­nen zu über­set­zen.

Das Death Val­ley in den Ver­ei­nig­ten Staa­ten. Der tro­ckens­te und hei­ßes­te Natio­nal­park beher­bergt 23 ende­mi­sche Pflan­zen­ar­ten. By Fred Moo­re 1947CC-BY-NC 2.0.

Steigerung technischer Effizienz

ML-Ver­fah­ren kön­nen die Genau­ig­keit von Vor­her­sa­gen ver­bes­sern. Die­se Stär­ke wird für tech­ni­sche Inno­va­tio­nen genutzt, die mit höhe­rer Treff­si­cher­heit Ange­bot und Nach­fra­ge zusam­men­füh­ren.

Eini­ge Bei­spie­le: Durch die Vor­her­sa­ge der Strom­ver­füg­bar­keit in Abhän­gig­keit von Wet­ter­da­ten kann in einem Smart Grid Ener­gie zu den rich­ti­gen Zei­ten gespei­chert bezie­hungs­wei­se beson­ders stark ver­braucht wer­den. In der Land­wirt­schaft kön­nen loka­le Ana­ly­sen der Boden- und Pflan­zen­pa­ra­me­ter Ent­schei­dun­gen über den Dün­ge- oder Pflan­zen­schutz­be­darf unter­stüt­zen. Fahr­plä­ne und Rou­ten im öffent­li­chen Nah­ver­kehr kön­nen auf Basis von Aus­las­tungs­da­ten bes­ser geplant wer­den. Durch eine gleich­mä­ßi­ge­re Fahr­wei­se kön­nen Fahr­zeug­as­sis­ten­ten etwas Sprit spa­ren und Staus ver­mei­den.

Doch Fahr­zeug­as­sis­ten­ten redu­zie­ren nicht per se das Ver­kehrs­auf­kom­men, noch moti­vie­ren sie uns dazu, Fahr­zeu­ge zu tei­len oder gar auf das Fahr­rad umzu­stei­gen. Womög­lich füh­ren sie dazu, dass Mobi­li­tät noch güns­ti­ger und beque­mer wird, so dass wir häu­fi­ger fah­ren – der bekann­te Rebound-Effekt, der Effi­zi­enz­stei­ge­run­gen durch Kon­sum­zu­nah­me ener­ge­tisch zunich­te­macht.

Die häu­fig gefor­der­ten Agrar‑, Ener­gie- und Ver­kehrs­wen­den benö­ti­gen pri­mär ganz ande­re Erfolgs­zu­ta­ten als die mar­gi­na­len Wis­sens- und Effi­zi­enz­zu­wäch­se, die KI ermög­licht. Es bedarf neu­er gesell­schaft­li­cher Insti­tu­tio­nen, die uns Güter wie Lebens­mit­tel, Ener­gie und Mobi­li­tät auf ande­re Wei­se bereit­stel­len. Zum Bei­spiel ein Ver­kehrs­sys­tem, das viel stär­ker auf öffent­li­che, geteil­te Fahr­ten setzt, auf der letz­ten Mei­le viel­leicht auch selbst­fah­rend; ein Ener­gie­sys­tem, das auf erneu­er­ba­re Quel­len umstellt, dabei Nut­zer ein­bin­det und Akzep­tanz schafft; ein Ernäh­rungs­sys­tem, das regio­na­len und sai­so­na­len Waren den Vor­rang ein­räumt, klei­ne, nach­hal­tig wirt­schaf­ten­de Land­wirt­schafts­be­trie­be unter­stützt und Lebens­mit­tel­ver­schwen­dung ein­dämmt.

ML kann hier durch­aus Bei­trä­ge leis­ten, indem man durch die Vor­her­sa­ge und Syn­chro­ni­sie­rung von Ange­bot und Nach­fra­ge Öko-Effi­zi­enz stei­gert – vor­aus­ge­setzt der Effi­zi­enz­zu­wachs ist grö­ßer als der mate­ri­el­le Fuß­ab­druck von ML, also der Res­sour­cen­be­darf für Trai­ning und Nut­zung von ML-Ver­fah­ren. Die­se Bei­trä­ge von KI sind jedoch nichts als Gedan­ken­spie­le­rei­en, wenn die nöti­gen Umstruk­tu­rie­run­gen nicht gesell­schaft­lich gewünscht und poli­tisch in Gesamt­stra­te­gien ein­ge­bet­tet wer­den.

KI in der echten Welt: Spielball im fossilen Status quo gesellschaftlicher Machtstrukturen

Eine effek­ti­ve Bekämp­fung der Kli­ma­kri­se, des Bio­di­ver­si­täts­ver­lusts und glo­ba­ler sozia­ler Ungleich­heit – kurz: die „Gro­ße Trans­for­ma­ti­on“ – ver­langt nach sol­chen tief­grei­fen­den Umstruk­tu­rie­run­gen. Tech­no­lo­gien kön­nen als Werk­zeu­ge nur dazu bei­tra­gen, wenn ihr gemein­wohl­ori­en­tier­ter Ein­satz poli­tisch durch­ge­setzt wird. Doch die poli­ti­sche Kehrt­wen­de erscheint uto­pisch – unse­re gesell­schaft­li­chen Struk­tu­ren und Pro­zes­se spie­geln das Pri­mat des glo­ba­len Wett­be­werbs um Wirt­schafts­macht wider, wäh­rend unse­re Infra­struk­tur uns in Abhän­gig­keit von fos­si­len Res­sour­cen hält.

Zugleich ist Tech­nik kein neu­tra­ler Fak­tor, der für Gutes und Schlech­tes jeder­zeit glei­cher­ma­ßen dient – abs­trakt gese­hen schon, aber real­welt­lich nicht. Tech­no­lo­gien sind Pro­duk­te mensch­li­cher Vor­stel­lun­gen und Inter­es­sen, und solan­ge wir in den beschrie­be­nen Struk­tu­ren leben, wer­den sie zum Groß­teil erdacht und ein­ge­setzt, um die­se domi­nan­ten Struk­tu­ren zu repro­du­zie­ren.

Wofür die ausgereiftesten KI-Systeme heutzutage vornehmlich entwickelt werden

In die­sem gro­ßen Bild des fos­si­len Sta­tus quo ist dar­um viel mehr zu fra­gen, wie mäch­ti­ge Akteu­re KI für ihre Zwe­cke instru­men­ta­li­sie­ren, um die sie begüns­ti­gen­den Macht­ver­hält­nis­se auf­recht­zu­er­hal­ten. War­um wer­den Smart-Grid-Sys­te­me, Pre­cisi­on Far­ming oder Fahr­zeug­as­sis­ten­ten ent­wi­ckelt? Weil die­se Tech­no­lo­gien Kos­ten spa­ren oder neue Absatz­märk­te erschlie­ßen, weil sie die Bilanz des nächs­ten Quar­tals­be­richts auf­po­lie­ren und nicht, weil sie dem Gemein­wohl nüt­zen. Das betriebs­wirt­schaft­li­che Kal­kül treibt die heu­ti­ge KI-Ent­wick­lung fern der nach­hal­ti­gen Nische an.

Momen­tan ent­schei­det eine Hand­voll Unter­neh­men dar­über, wel­che der vie­len KI-Ent­wick­lun­gen wei­ter ver­folgt wird und wer die Res­sour­cen erlangt, neue Anwen­dun­gen zu erdenken. Auch Regie­run­gen stre­ben durch eine geziel­te For­schungs- und Wirt­schafts­för­de­rung pri­mär an, ihre natio­na­le Pro­duk­tiv­kraft zu stei­gern oder sich geo­po­li­tisch zu behaup­ten.

So ver­wun­dert es nicht, dass die aus­ge­reif­tes­ten KI-Sys­te­me heut­zu­ta­ge vor­nehm­lich für Kon­sum­stei­ge­rung und Kun­den­bin­dung ent­wi­ckelt wer­den, etwa in Form von Emp­feh­lungs­sys­te­men und Sprach­as­sis­ten­ten, zur Erschlie­ßung neu­er Absatz­märk­te in der Auto­in­dus­trie, zur Auto­ma­ti­sie­rung in Fabri­ken, für den Hoch­fre­quenz­han­del im Akti­en­markt, für die Gesichts­er­ken­nung zur staat­li­chen Über­wa­chung oder gar für eine effek­ti­ve­re Kriegs­füh­rung durch auto­no­me Waf­fen­sys­te­me.

Häu­fig heißt es in sol­chen Zusam­men­hän­gen, die Tech­no­lo­gie rase dem Gesetz­ge­ber davon – aber sind es nicht auch Unter­neh­men, die Tech­no­lo­gien vor­schnell imple­men­tie­ren, Geset­zes­lü­cken gezielt aus­nut­zen und Gesetz­ge­bungs­pro­zes­se beein­flus­sen? Sind es nicht auch Gesetz­ge­ber selbst, die Lücken bewusst offen­las­sen oder die vor­han­de­ne Recht­spre­chung nicht kon­se­quent durch­set­zen?

Es gilt jedoch, nicht nur die Prak­ti­ken von Unter­neh­mens­zen­tra­len und Regie­run­gen zu kri­ti­sie­ren, son­dern zu fra­gen, wel­che Umstän­de ein sol­ches Agie­ren för­dern. Es sind geschicht­lich ein­ge­bet­te­te Logi­ken und Dis­kur­se, Insti­tu­tio­nen und Infra­struk­tu­ren, Regeln und Nor­men, Geset­ze und Wirt­schafts­ord­nun­gen, die unser Leben bedin­gen und for­men. Sie gestal­ten unse­ren Mög­lich­keits­raum.

Über­spitzt for­mu­liert: Ohne siche­re Rad­we­ge und aus­ge­bau­ten ÖPNV – kei­ne nach­hal­ti­ge Mobi­li­tät; ohne Prei­se, die exter­ne Kos­ten abbil­den, – kein nach­hal­ti­ger Kon­sum; ohne finan­zi­el­le Grund­si­cher­heit – wenig Gedan­ken an die sozi­al-öko­lo­gi­sche Uto­pie oder Zeit für demo­kra­ti­sche Ein­fluss­nah­me; ohne Reprä­sen­tanz im Par­la­ment – kei­ne aus­ge­gli­che­ne Ver­tre­tung gesell­schaft­li­cher Inter­es­sen; im glo­ba­len Wett­be­werb um knap­pe Res­sour­cen, stets die ver­in­ner­lich­te Selb­st­op­ti­mie­rung und insti­tu­tio­na­li­sier­te Kos­ten­mi­ni­mie­rung; im Finanz­markt des Über­schuss­ka­pi­tals, nur die Jagd auf die höchs­ten Ren­di­te bei der Wahl von KI als Inves­ti­ti­ons­ob­jekt. Struk­tu­ren sind grö­ßer als Indi­vi­du­en – und so kann man selbst Trump als Sym­ptom sei­ner Gesell­schaft sehen.

Fazit: Erwartungen an KI begrenzen und strukturelle Probleme angehen

In die­sem gro­ßen Bild der aus­blei­ben­den Nach­hal­tig­keits­trans­for­ma­ti­on spielt Tech­nik eine unter­ge­ord­ne­te Rol­le – und für KI bleibt nur eine wesent­lich klei­ne­re. Früh­warn­sys­te­me und Ener­gie­ef­fi­zi­enz­ge­win­ne sind Bau­stei­ne einer Gro­ßen Trans­for­ma­ti­on, aber nicht ihr Fun­da­ment.

Es gibt vie­le umwelt­re­le­van­te Ein­satz­be­rei­che für ML – all jene, in denen sich ein Pro­blem als quan­ti­ta­tiv-sta­tis­ti­sche Fra­ge beschrei­ben und durch Daten abbil­den lässt. Sol­che Fra­gen sind the­ma­tisch weit gestreut und betref­fen bei­spiels­wei­se Kli­ma­schutz, Ener­gie, Trans­port, Land­wirt­schaft bis zu Natur­schutz. Es ist nur nicht abseh­bar, dass ML-Ana­ly­sen in die­sen Berei­chen als „game chan­ger“ zum Wan­del zur Nach­hal­tig­keit bei­tra­gen wer­den – denk­bar sind schritt­wei­se Ver­bes­se­run­gen, maxi­mal Etap­pen­sie­ge. Ich möch­te die Bei­trä­ge von KI nicht per se schmä­lern, nur die Erwar­tun­gen in Bezug auf sozio-öko­lo­gi­sche Pro­ble­me zurecht­rü­cken. Es bleibt rich­tig und gut, die Nische zu stär­ken, nach­hal­ti­ge KI-Anwen­dun­gen zu för­dern und der öffent­li­chen Ima­gi­na­ti­on Alter­na­ti­ven ent­ge­gen­zu­set­zen. Fast allen Akteu­ren der Nische ist ihre Posi­ti­on schmerz­lich bewusst. Denn ohne poli­tisch durch­ge­setz­te Ände­run­gen unse­rer gesell­schaft­li­chen Struk­tu­ren wer­den die­se KI-Anwen­dun­gen ihr Poten­ti­al nicht sys­te­ma­tisch ent­fal­ten kön­nen. Ohne struk­tu­rel­le Ände­run­gen wird eine Eli­te wei­ter Tech­no­lo­gien aus pri­mär wirt­schaft­li­chem Kal­kül ent­wi­ckeln und wir uns im Nach­hin­ein fra­gen, ob und wie die­se jetzt eigent­lich zum Gemein­wohl bei­tra­gen.

Die­ser Text von Anni­ka Ket­ten­burg erschien zuerst hier auf netz​po​li​tik​.org (unter CC BY-NC-SA 4.0-Lizenz). Wir bedan­ken uns viel­mals für das Recht zur Über­nah­me.

Sub­scri­be to our news­let­ter!


Unterstütze die Freiheitsliebe

544€ of 2.000€ rai­sed





Zah­lungs­me­tho­de aus­wäh­len

Per­sön­li­che Infor­ma­tio­nen

Mache die­se Spen­de anonym


Spen­den­sum­me:


3,00€

Über den Autor

Gastbeitrag

The post Künst­li­che Intel­li­genz – Gemein­wohl und Nach­hal­tig­keit statt nur Pro­fit first appeared on Die Frei­heits­lie­be.

Read More