podcast.de
Anmeldung
Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Der künstliche Intelligenz Podcast Podcast
Der künstliche Intelligenz Podcast

Der künstliche Intelligenz Podcast

Martin Benes 21 Episoden Neueste vor 1 Woche

Der künstliche Intelligenz Podcast – Entdecke, wie KI unsere Welt verändert

Bildung Technologie
Zu Sammlung hinzufügen

Du hast noch keine Sammlungen.
Teilen Kommentare Alle Episoden anzeigen

Episoden

KI-gestützte Diagnosen: Validierung und Vertrauen

18 Minuten
---werbung---

️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste!

https://podcast-mit-ki.systeme.io/home

---werbung---

Von der Mustererkennung zur klinischen Entscheidung 

Künstliche Intelligenz entwickelt sich zu einem zunehmend wichtigen Werkzeug in der medizinischen Diagnostik. Systeme auf Basis von Machine Learning und Deep Learning können medizinische Bilder analysieren, Labor- und Patientendaten auswerten, diagnostische Wahrscheinlichkeiten berechnen oder Ärzte bei der Erstellung von Differenzialdiagnosen unterstützen. Mit dem Aufkommen leistungsfähiger Large Language Models hat sich das Anwendungsspektrum zusätzlich erweitert. Moderne Systeme können medizinische Informationen in natürlicher Sprache verarbeiten und daraus diagnostische Hypothesen oder Entscheidungshilfen ableiten. Die Weltgesundheitsorganisation (WHO) sieht bereits heute Anwendungen von KI unter anderem in Diagnostik und klinischer Versorgung. (Weltgesundheitsorganisation) 

Dabei ist zwischen verschiedenen Formen medizinischer KI zu unterscheiden. Ein spezialisiertes System zur Erkennung auffälliger Strukturen in einer Röntgenaufnahme erfüllt eine andere Aufgabe als ein Sprachmodell, das aus einer Krankengeschichte mögliche Diagnosen ableitet. Ebenso unterscheiden sich Systeme zur Früherkennung, Triage, Risikobewertung, Prognose und Therapieunterstützung erheblich. Die FDA weist deshalb darauf hin, dass unterschiedliche medizinische Anwendungen unterschiedliche Bewertungsmaßstäbe und Referenzstandards erfordern. (U.S. Food and Drug Administration) 

Die zentrale Frage lautet daher nicht mehr ausschließlich, ob eine KI eine Diagnose erstellen kann. Entscheidend ist vielmehr, ob ihre Ergebnisse unter realen klinischen Bedingungen zuverlässig, nachvollziehbar und sicher genug sind, um in medizinische Entscheidungen einbezogen zu werden. 

Die Validierung beginnt mit der richtigen Fragestellung 

Die Leistungsfähigkeit eines KI-Systems lässt sich nicht sinnvoll anhand einer einzigen Kennzahl beurteilen. Ein Modell kann beispielsweise bei der Erkennung einer bestimmten Erkrankung eine hohe Trefferquote erreichen, gleichzeitig aber bei bestimmten Patientengruppen deutlich schlechter funktionieren. Auch die klinische Bedeutung eines Fehlers hängt von der jeweiligen Anwendung ab. Ein System, das Patienten mit hoher Wahrscheinlichkeit einer weiteren Untersuchung zuführt, stellt andere Anforderungen als ein System, das eine lebenswichtige Diagnose ausschließt. 

Deshalb muss zunächst präzise definiert werden, wofür ein System eingesetzt werden soll. Die sogenannte Intended Use beschreibt den vorgesehenen Zweck und bildet eine wesentliche Grundlage für die spätere Bewertung. Die WHO nennt die klare Festlegung des vorgesehenen Einsatzes, externe Validierung, Datenqualität, Dokumentation und Risikomanagement ausdrücklich als wichtige Elemente einer verantwortungsvollen Regulierung von KI im Gesundheitswesen. (Weltgesundheitsorganisation) 

Besonders wichtig ist die Trennung zwischen Entwicklung und Validierung. Ein Modell kann auf einem großen Datensatz hervorragende Ergebnisse erzielen, ohne deshalb automatisch in einer anderen Klinik oder bei einer anderen Bevölkerungsgruppe ebenso zuverlässig zu funktionieren. Unterschiede bei Geräten, Untersuchungsbedingungen, Patientengruppen, Dokumentationsweisen oder Versorgungssystemen können die Ergebnisse beeinflussen. 

Externe Validierung ist deshalb ein wesentlicher Bestandteil der Vertrauensbildung. Sie untersucht, ob die Leistungsfähigkeit eines Modells auch außerhalb der Daten gegeben ist, mit denen es entwickelt oder optimiert wurde. Gerade bei medizinischer KI ist diese Übertragbarkeit entscheidend, weil ein System nicht nur unter idealisierten Forschungsbedingungen funktionieren muss, sondern in einer heterogenen klinischen Realität. 

Genauigkeit ist nicht dasselbe wie klinischer Nutzen 

Die Diskussion über KI-Diagnostik konzentriert sich häufig auf die Frage, ob ein Algorithmus besser als ein Mensch diagnostizieren kann. Diese Betrachtung greift jedoch zu kurz. In der Medizin zählt nicht allein die diagnostische Genauigkeit eines einzelnen Systems, sondern die Frage, ob seine Verwendung tatsächlich zu besseren Entscheidungen und besseren Ergebnissen für Patienten führt. 

Ein Modell kann beispielsweise eine Krankheit auf Bildern sehr zuverlässig erkennen, ohne dadurch automatisch die Behandlung zu verbessern. Umgekehrt kann eine KI mit einer Ärztin oder einem Arzt besonders wertvoll sein, obwohl sie selbst nicht in jedem Fall die beste Diagnose liefert. Sie kann beispielsweise zusätzliche Differenzialdiagnosen vorschlagen, relevante Informationen hervorheben oder auf Zusammenhänge aufmerksam machen, die andernfalls übersehen werden könnten. 

Eine 2025 in Nature Medicine veröffentlichte randomisierte Studie untersuchte den Einsatz von GPT-4 zur Unterstützung von Ärzten bei komplexen klinischen Managemententscheidungen. In der simulierten Untersuchung erzielten Ärzte mit GPT-4-Unterstützung höhere Ergebnisse als Ärzte, die ausschließlich konventionelle Informationsquellen verwendeten. Die Autoren betonten zugleich, dass eine Validierung unter realen klinischen Bedingungen erforderlich ist. (Nature) 

Das Ergebnis verdeutlicht ein grundsätzliches Problem der KI-Evaluation: Ein System kann in einem kontrollierten Test sehr leistungsfähig sein, während sein tatsächlicher Nutzen im klinischen Alltag von der Zusammenarbeit zwischen Mensch und Maschine abhängt. Die Qualität dieser Zusammenarbeit kann wiederum davon beeinflusst werden, wie Informationen präsentiert werden, wie sicher Ärzte im Umgang mit dem System sind und ob sie seine Ergebnisse kritisch überprüfen. 

Warum Tests mit Fallbeispielen nicht genügen 

Viele Untersuchungen medizinischer KI basieren auf historischen Patientendaten oder standardisierten Fallbeschreibungen. Solche Tests sind wichtig, bilden aber die klinische Realität nur teilweise ab. Im medizinischen Alltag entstehen Diagnosen häufig schrittweise. Ärzte erhalten Informationen nacheinander, stellen Rückfragen, entscheiden über weitere Untersuchungen und verändern ihre Hypothesen auf Grundlage neuer Befunde. 

Large Language Models können bei solchen Aufgaben beeindruckende Leistungen zeigen. Forschungsarbeiten zu diagnostischen Dialogsystemen haben beispielsweise untersucht, wie Sprachmodelle Anamnesegespräche führen und daraus diagnostische Hypothesen entwickeln. Die Ergebnisse solcher Studien sind wissenschaftlich interessant, müssen jedoch vorsichtig interpretiert werden, wenn die Untersuchungsbedingungen nicht vollständig der tatsächlichen Versorgung entsprechen. (arXiv) 

Eine weitere Herausforderung besteht darin, dass eine richtige Antwort auf eine Fallfrage nicht automatisch beweist, dass ein System im klinischen Alltag zuverlässig arbeitet. Ein reales medizinisches Umfeld umfasst unvollständige Informationen, widersprüchliche Befunde, Kommunikationsprobleme, Zeitdruck und Situationen, die im Trainingsmaterial möglicherweise nur unzureichend vertreten sind. 

Aus diesem Grund gewinnt die Entwicklung besserer Evaluationsmethoden an Bedeutung. Die 2024 veröffentlichte TRIPOD+AI-Leitlinie aktualisierte die Standards für die transparente Berichterstattung über klinische Vorhersagemodelle, die sowohl klassische statistische Methoden als auch Machine-Learning-Verfahren verwenden. Sie soll unter anderem eine bessere Beurteilung von Qualität, Verzerrungen und Übertragbarkeit ermöglichen. (BMJ) 

Das Problem der Daten 

Die Qualität medizinischer KI hängt wesentlich von den Daten ab, mit denen sie entwickelt und überprüft wird. Medizinische Datensätze sind jedoch nicht neutral. Sie können regionale Unterschiede, unterschiedliche Behandlungspfade, Veränderungen in der Dokumentation oder eine ungleiche Repräsentation bestimmter Patientengruppen enthalten. 

Ein Algorithmus kann solche Muster übernehmen, ohne dass sie medizinisch sinnvoll sind. Besonders problematisch wird dies, wenn ein Modell mit Merkmalen arbeitet, die in den Entwicklungsdaten indirekt mit einer Diagnose verbunden waren, im klinischen Alltag aber keine zuverlässige Ursache-Wirkungs-Beziehung darstellen. 

Auch die Datenverteilung kann sich im Laufe der Zeit verändern. Neue Untersuchungsverfahren, andere Geräte, veränderte Therapieempfehlungen oder demografische Veränderungen können dazu führen, dass die Bedingungen nach der Einführung eines Systems nicht mehr denen entsprechen, unter denen es ursprünglich trainiert wurde. 

Damit endet die Validierung eines KI-Systems nicht zwangsläufig mit seiner Zulassung oder Einführung. Eine verantwortungsvolle Nutzung erfordert vielmehr eine kontinuierliche Beobachtung der tatsächlichen Leistung. Die FDA beschäftigt sich deshalb ausdrücklich mit Methoden zur Bewertung von KI-Systemen über deren Lebenszyklus hinweg und arbeitet unter anderem an Fragen der Leistungsbewertung und Unsicherheitsquantifizierung. (U.S. Food and Drug Administration) 

Bias und unterschiedliche Patientengruppen 

Ein besonders sensibles Thema ist die Frage, ob KI-Systeme für verschiedene Bevölkerungsgruppen gleichermaßen zuverlässig funktionieren. Wenn bestimmte Gruppen in den Entwicklungsdaten unterrepräsentiert sind oder sich die medizinischen Rahmenbedingungen zwischen den Datensätzen und der späteren Anwendung unterscheiden, kann die Leistungsfähigkeit eines Modells variieren. 

Das Problem ist nicht ausschließlich technischer Natur. Verzerrungen können bereits in der medizinischen Datenerfassung entstehen. Wenn bestimmte Krankheiten bei bestimmten Gruppen historisch häufiger oder seltener diagnostiziert wurden, können entsprechende Muster in den Daten landen und anschließend von einem Algorithmus reproduziert werden. 

Die WHO betrachtet Datenqualität, Fairness, Transparenz und Schutz vor Diskriminierung deshalb als zentrale Bestandteile einer verantwortungsvollen KI-Nutzung im Gesundheitswesen. Sie warnt insbesondere davor, unzureichend geprüfte Systeme zu schnell in die Versorgung zu übernehmen. (Weltgesundheitsorganisation) 

Für das Vertrauen der Patienten ist diese Frage von erheblicher Bedeutung. Ein System muss nicht nur insgesamt leistungsfähig sein. Es muss auch ausreichend bekannt sein, unter welchen Bedingungen seine Ergebnisse zuverlässig sind und wo seine Grenzen liegen. 

Die besondere Herausforderung generativer KI 

Mit generativer KI hat sich die Diskussion über medizinische Diagnostik nochmals verändert. Klassische diagnostische Algorithmen sind häufig für eine klar definierte Aufgabe entwickelt. Ein generatives Sprachmodell kann dagegen auf eine Vielzahl von Fragen reagieren und seine Antworten sprachlich überzeugend formulieren. 

Gerade diese Fähigkeit erzeugt ein besonderes Vertrauensproblem. Eine Antwort kann fachlich plausibel klingen, obwohl sie sachlich falsch oder unvollständig ist. Die WHO weist ausdrücklich darauf hin, dass Large Language Models überzeugend wirkende, aber falsche oder irreführende medizinische Aussagen erzeugen können. (Weltgesundheitsorganisation) 

Bei einer klassischen Software kann eine falsche Ausgabe möglicherweise leichter als technischer Fehler erkannt werden. Bei einem Sprachmodell besteht dagegen die Gefahr, dass sprachliche Sicherheit mit tatsächlicher Zuverlässigkeit verwechselt wird. Ein System, das eine Diagnose mit großer sprachlicher Überzeugung präsentiert, verfügt dadurch nicht automatisch über eine entsprechend hohe diagnostische Sicherheit. 

Deshalb wird bei generativer KI die Darstellung von Unsicherheit besonders wichtig. Nutzer müssen erkennen können, ob eine Aussage auf belastbaren Informationen basiert, welche Daten berücksichtigt wurden und ob weitere Untersuchungen notwendig sind. Die bloße Fähigkeit eines Modells, medizinische Sprache überzeugend zu imitieren, darf nicht mit klinischer Evidenz gleichgesetzt werden. 

Vertrauen entsteht nicht durch eine hohe Trefferquote allein 

Vertrauen in medizinische KI ist eine komplexe Größe. Patienten und medizinisches Personal müssen nicht nur wissen, wie gut ein System im Durchschnitt funktioniert. Sie benötigen auch Informationen darüber, wann das System eingesetzt werden darf, welche Daten es verarbeitet und wer für die daraus entstehenden Entscheidungen verantwortlich ist. 

Die WHO betont Transparenz, Erklärbarkeit, Verantwortlichkeit, menschliche Aufsicht, Gleichbehandlung und Schutz der Autonomie als wesentliche Prinzipien für KI im Gesundheitswesen. (Weltgesundheitsorganisation) 

Dabei bedeutet Transparenz nicht zwangsläufig, dass jeder Nutzer den technischen Aufbau eines neuronalen Netzes verstehen muss. Entscheidend ist vielmehr eine angemessene Transparenz über Zweck, Leistungsfähigkeit, Grenzen, Datenbasis und Einsatzbedingungen. Ein Arzt muss beispielsweise beurteilen können, ob eine KI-Empfehlung in einer konkreten Situation relevant ist. Ein Patient wiederum muss nachvollziehen können, welche Rolle KI bei seiner Behandlung spielt. 

Vertrauen sollte deshalb nicht mit blindem Vertrauen verwechselt werden. Ein gut validiertes System sollte nicht dazu führen, dass medizinisches Personal seine eigenen Fähigkeiten oder seine kritische Bewertung vollständig zurückstellt. Ziel ist vielmehr ein begründetes Vertrauen, das auf überprüfbaren Leistungsdaten und klaren Verantwortlichkeiten beruht. 

Die Gefahr der Automatisierungsverzerrung 

Die Einführung von KI verändert nicht nur die Maschine, sondern auch das Verhalten der Menschen, die mit ihr arbeiten. Wenn ein medizinisches System eine Empfehlung ausgibt, kann ein Arzt dazu neigen, dieser Empfehlung besonders großes Gewicht beizumessen. Umgekehrt kann ein übermäßig skeptischer Umgang dazu führen, dass sinnvolle Hinweise ungenutzt bleiben. 

Damit entsteht eine neue Aufgabe für die medizinische Ausbildung. Fachkräfte müssen nicht nur lernen, medizinische Informationen zu beurteilen, sondern auch die Qualität algorithmischer Empfehlungen einzuschätzen. Dazu gehört das Verständnis dafür, dass ein Modell statistische Zusammenhänge verarbeitet und keine menschliche klinische Verantwortung übernimmt. 

Die Studie zu GPT-4 und ärztlicher Entscheidungsunterstützung zeigt zugleich, dass die Kombination aus Mensch und KI nicht automatisch bessere Ergebnisse garantiert. Der konkrete Nutzen hängt davon ab, wie die Technologie eingesetzt wird und wie Menschen mit ihren Ergebnissen umgehen. (Nature) 

Die zukünftige Qualität medizinischer KI wird daher nicht allein von immer leistungsfähigeren Modellen abhängen. Ebenso wichtig werden Benutzeroberflächen, Warnmechanismen, Schulung, klinische Prozesse und organisatorische Regeln sein. 

Regulierung wird Teil der technischen Entwicklung 

Mit zunehmender Bedeutung medizinischer KI wächst auch die regulatorische Bedeutung der Systeme. In den Vereinigten Staaten führt die FDA eine Liste KI-gestützter Medizinprodukte, die für den Einsatz zugelassen beziehungsweise autorisiert wurden. Die Behörde beschreibt dabei die Prüfung von Sicherheit und Wirksamkeit entsprechend dem vorgesehenen Einsatz und den technischen Eigenschaften des jeweiligen Produkts. (U.S. Food and Drug Administration) 

Auch in der Europäischen Union verändert der AI Act den regulatorischen Rahmen. KI-Systeme, die als Sicherheitskomponenten bestimmter regulierter Produkte eingesetzt werden oder selbst entsprechende Produkte darstellen und unter die einschlägigen europäischen Produktvorschriften fallen, können als Hochrisiko-KI eingestuft werden. Der Rechtsrahmen nennt ausdrücklich Medizinprodukte und In-vitro-Diagnostika im entsprechenden Zusammenhang. (EUR-Lex) 

Für medizinische KI bedeutet dies, dass technische Innovation zunehmend mit Anforderungen an Risikomanagement, Dokumentation, Transparenz, Überwachung und Konformität verbunden ist. Regulierung kann Entwicklungsprozesse aufwendiger machen, dient aber zugleich dazu, die Voraussetzungen für einen sicheren Einsatz in besonders sensiblen Bereichen festzulegen. 

Die Herausforderung besteht darin, einen angemessenen Ausgleich zu finden. Zu schwache Regulierung kann Patienten Risiken aussetzen und das Vertrauen in die gesamte Technologie beschädigen. Zu starre oder schlecht angepasste Anforderungen könnten dagegen Innovationen erschweren und den Zugang zu potenziell nützlichen Anwendungen verzögern. 

Die Rolle der menschlichen Verantwortung 

Eine der wichtigsten Fragen der KI-Diagnostik lautet letztlich, wer für eine medizinische Entscheidung verantwortlich ist. Ein Algorithmus kann eine Wahrscheinlichkeit berechnen oder eine Empfehlung ausgeben. Die medizinische Entscheidung findet jedoch in einem rechtlichen, organisatorischen und ethischen Kontext statt. 

Die WHO fordert deshalb klare Verantwortlichkeiten und menschliche Aufsicht. (Weltgesundheitsorganisation) In der Praxis bedeutet dies, dass die Einführung einer KI nicht einfach mit der Installation einer Software abgeschlossen ist. Kliniken und andere Gesundheitseinrichtungen müssen festlegen, wie Ergebnisse geprüft, dokumentiert und in bestehende Entscheidungsprozesse integriert werden. 

Besonders relevant wird diese Frage bei Systemen, die kontinuierlich weiterentwickelt oder aktualisiert werden. Ein Modell kann nach einer technischen Veränderung anders reagieren als zuvor. Die FDA beschäftigt sich deshalb auch mit sogenannten Predetermined Change Control Plans, die geplante Änderungen an KI-gestützten Medizinprodukten innerhalb eines regulatorisch kontrollierten Rahmens ermöglichen sollen. (U.S. Food and Drug Administration) 

Die Vorstellung einer einmalig geprüften und anschließend unveränderten Software passt damit immer weniger zu dynamischen KI-Systemen. Validierung wird zunehmend zu einem fortlaufenden Prozess. 

Datenschutz als Voraussetzung für Akzeptanz 

Medizinische Daten gehören zu den sensibelsten Informationen überhaupt. KI-Anwendungen benötigen häufig umfangreiche Datenmengen, um Modelle zu entwickeln, zu trainieren, zu überprüfen oder im klinischen Alltag einzusetzen. Damit entstehen erhebliche Anforderungen an Datenschutz und Datensicherheit. 

Besonders bei generativer KI ist Vorsicht erforderlich, weil Nutzer medizinische Informationen in dialogorientierte Systeme eingeben können. Die WHO weist unter anderem auf Fragen der Einwilligung, des Datenschutzes und der möglichen Verarbeitung sensibler Gesundheitsinformationen hin. (Weltgesundheitsorganisation) 

Vertrauenswürdige medizinische KI muss daher nicht nur medizinisch zuverlässig sein. Sie muss auch angemessen mit den Daten umgehen, die für ihre Funktion benötigt werden. Technische Sicherheit, Zugriffskontrollen, Datenminimierung und klare Verantwortlichkeiten sind damit keine ergänzenden Eigenschaften, sondern Bestandteile der Vertrauenswürdigkeit eines Systems. 

Was sich in den kommenden Jahren verändern könnte 

Die Entwicklung deutet darauf hin, dass medizinische KI zunehmend von einzelnen Spezialanwendungen hin zu umfassenderen Assistenzsystemen führen könnte. Statt ausschließlich ein Bild zu klassifizieren, könnten zukünftige Systeme unterschiedliche Informationsquellen miteinander verbinden und Ärzte bei mehreren Schritten des diagnostischen Prozesses unterstützen. 

Large Language Models und multimodale Modelle sind hierfür besonders interessant, weil sie verschiedene Arten von Informationen verarbeiten können. Die WHO beschreibt Large Multimodal Models als Systeme, die unterschiedliche Datentypen aufnehmen und vielfältige Ausgaben erzeugen können, und sieht mögliche Anwendungen unter anderem in klinischer Versorgung, Forschung und Arzneimittelentwicklung. Gleichzeitig betont sie die noch bestehenden Unsicherheiten und Risiken. (Weltgesundheitsorganisation) 

Ein wichtiger Entwicklungsschritt wird die Verlagerung von statischen Tests hin zu realitätsnäheren Evaluationen sein. Statt lediglich zu prüfen, ob ein Modell eine Diagnose aus einer abgeschlossenen Fallbeschreibung erkennt, wird stärker untersucht werden müssen, wie es mit unvollständigen Informationen, neuen Befunden, Unsicherheit und tatsächlichen klinischen Arbeitsabläufen umgeht. 

Auch die Zusammenarbeit mehrerer Systeme könnte an Bedeutung gewinnen. Ein KI-System könnte beispielsweise medizinische Informationen strukturieren, ein anderes Bilder analysieren und ein weiteres Modell mögliche Differenzialdiagnosen formulieren. Ob solche komplexen Systeme tatsächlich zuverlässiger sind, muss jedoch jeweils empirisch geprüft werden. Mehr KI bedeutet nicht automatisch mehr Sicherheit. 

Von der KI als Werkzeug zur KI als klinischem Partner? 

Die langfristige Entwicklung könnte dazu führen, dass KI nicht mehr nur als passives Analysewerkzeug betrachtet wird. Systeme könnten zunehmend aktiv relevante Informationen identifizieren, Rückfragen vorschlagen, Untersuchungen priorisieren oder Ärzte auf mögliche Widersprüche zwischen Befunden aufmerksam machen. 

Damit würde sich allerdings auch die Verantwortung für die Systemgestaltung erhöhen. Je stärker eine KI in den klinischen Entscheidungsprozess eingebunden ist, desto wichtiger wird die Frage, ob ihre Vorschläge transparent, überprüfbar und angemessen begrenzt sind. 

Eine solche Entwicklung muss nicht zwangsläufig zur Verdrängung medizinischer Fachkräfte führen. Vielmehr spricht vieles dafür, dass sich die Aufgaben verändern werden. Ärzte könnten weniger Zeit mit der Suche und Strukturierung großer Informationsmengen verbringen und mehr Zeit für die Interpretation, Kommunikation und gemeinsame Entscheidungsfindung mit Patienten aufwenden. 

Ob dieser Wandel tatsächlich eintritt und in welchem Umfang, ist derzeit nicht abschließend vorhersehbar. Die bisherigen Forschungsergebnisse zeigen Potenzial, erlauben aber noch keine pauschale Aussage darüber, dass KI in der klinischen Diagnostik generell besser oder sicherer als menschliche Expertise ist. 

Die entscheidende Messgröße bleibt der Patientennutzen 

Die technische Entwicklung medizinischer KI ist schnell. Die entscheidende Herausforderung besteht jedoch darin, Geschwindigkeit und Sicherheit miteinander zu verbinden. Ein leistungsfähiges Modell ist noch keine medizinisch verantwortbare Anwendung. Erst die Kombination aus geeigneten Daten, externer Validierung, klinischer Evaluation, transparenter Kommunikation, Datenschutz, Regulierung und menschlicher Verantwortung schafft die Voraussetzungen für einen belastbaren Einsatz. 

Die WHO fordert ausdrücklich eine evidenzbasierte Einführung von KI in Gesundheitssysteme und warnt vor einer vorschnellen Übernahme unzureichend geprüfter Technologien. (Weltgesundheitsorganisation) Auch regulatorische Behörden und wissenschaftliche Fachgesellschaften arbeiten zunehmend daran, Bewertungsmethoden an die Besonderheiten lernender und generativer Systeme anzupassen. (U.S. Food and Drug Administration) 

Die zentrale Frage der kommenden Jahre wird daher weniger lauten, ob künstliche Intelligenz diagnostische Aufgaben übernehmen kann. Viel wichtiger ist, unter welchen Bedingungen sie dies zuverlässig tun kann, wann ihre Ergebnisse überprüft werden müssen und wie Mensch und Maschine gemeinsam die bestmögliche Entscheidung erreichen. 

Fazit: Vertrauen muss überprüfbar sein 

KI-gestützte Diagnosen gehören zu den medizinischen Anwendungen künstlicher Intelligenz mit besonders großem Potenzial, aber auch mit besonders hohen Anforderungen an Sicherheit und Nachweisbarkeit. Machine Learning und Deep Learning können Muster in medizinischen Daten erkennen, die für Menschen schwer oder nur mit erheblichem Zeitaufwand auszuwerten sind. Generative KI eröffnet darüber hinaus neue Möglichkeiten bei der Verarbeitung komplexer medizinischer Informationen und bei der Unterstützung klinischer Entscheidungsprozesse. (Weltgesundheitsorganisation) 

Gleichzeitig zeigen die bisherigen Erkenntnisse, dass beeindruckende Ergebnisse in Forschungsumgebungen nicht automatisch einen sicheren Einsatz in der realen Versorgung garantieren. Unterschiede zwischen Datensätzen und Patientengruppen, mögliche Verzerrungen, fehlende externe Validierung, überzeugend formulierte Fehler und die Reaktion menschlicher Anwender auf KI-Empfehlungen bleiben zentrale Herausforderungen. 

Die Zukunft der medizinischen KI wird deshalb nicht allein durch die Leistungsfähigkeit größerer Modelle bestimmt. Entscheidend wird sein, ob es gelingt, zuverlässige Prüfverfahren, kontinuierliche Überwachung, transparente Systeme und klare Verantwortlichkeiten mit der technischen Entwicklung zu verbinden. 

Vertrauen in KI sollte dabei weder durch Marketing noch durch spektakuläre Einzelresultate entstehen. Es muss auf überprüfbaren wissenschaftlichen Erkenntnissen, nachvollziehbaren Leistungsdaten und klar definierten Grenzen beruhen. Erst wenn diese Voraussetzungen erfüllt sind, kann KI von einem faszinierenden technologischen Werkzeug zu einem verlässlich integrierten Bestandteil moderner medizinischer Versorgung werden. 

KI in der Fotografie: Bildbearbeitung auf Autopilot

15 Minuten
---werbung---

️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste!

https://podcast-mit-ki.systeme.io/home

---werbung---

Von manueller Retusche zur intelligenten Bildbearbeitung 

Die digitale Fotografie war schon immer eng mit automatisierter Bildverarbeitung verbunden. Belichtungsautomatik, Autofokus, automatische Weißabgleiche und kamerainterne Bildoptimierung haben viele Entscheidungen bereits vor Jahren von der Fotografin oder dem Fotografen auf die Software übertragen. Mit modernen Verfahren des Machine Learning und der generativen künstlichen Intelligenz erreicht diese Entwicklung jedoch eine neue Stufe. Software kann heute nicht mehr nur Helligkeit, Farbe oder Schärfe anhand vordefinierter Regeln verändern, sondern Bildinhalte erkennen, voneinander unterscheiden und teilweise neue Bildbestandteile erzeugen. 

Damit verändert sich die Bedeutung von „Bildbearbeitung auf Autopilot“. Gemeint ist nicht eine vollständig selbstständige Maschine, die jedes Foto ohne menschliche Beteiligung perfekt fertigstellt. Vielmehr werden immer größere Teile des Bearbeitungsprozesses automatisiert. Programme erkennen Personen, Gesichter, Himmel, Gebäude oder andere Bildbereiche, erstellen daraus Masken und wenden darauf passende Korrekturen an. Generative Verfahren können zusätzlich störende Objekte entfernen oder Bildbereiche anhand des vorhandenen visuellen Kontextes neu erzeugen. 

Diese Entwicklung ist inzwischen in professioneller Bildbearbeitungssoftware ebenso angekommen wie in Smartphone- und Cloud-Anwendungen. Adobe integriert beispielsweise generative Funktionen und automatische Auswahlverfahren in Lightroom und Photoshop. Auch andere Anbieter wie Capture One setzen auf KI-gestützte Maskierung, automatische Zuschnitte, Retusche und die Übertragung von Bildlooks. (Adobe) 

Was KI bei einem Foto tatsächlich erkennt 

Die Grundlage vieler heutiger KI-Funktionen bildet die automatische Analyse eines Bildes. Ein neuronales Netzwerk kann darauf trainiert werden, charakteristische Strukturen in Bildern zu erkennen und bestimmte Bildbereiche voneinander zu unterscheiden. Für die praktische Fotobearbeitung bedeutet das beispielsweise, dass eine Software nicht mehr darauf angewiesen ist, dass der Benutzer eine Person pixelgenau mit einem Pinsel markiert. 

Stattdessen kann die Anwendung versuchen, die Person automatisch vom Hintergrund zu trennen. Moderne Systeme können dabei teilweise noch feiner unterscheiden und beispielsweise Haut, Haare, Augen oder andere Gesichtsbereiche separat erkennen. Capture One beschreibt entsprechende KI-gestützte Maskierungsfunktionen, mit denen sich unter anderem Personen, Haut, Haare und Gesichtselemente automatisch auswählen lassen. (Capture One) 

Technisch handelt es sich dabei um eine Form der Bildsegmentierung beziehungsweise Objekterkennung. Das System analysiert nicht im menschlichen Sinn, was auf einem Foto „bedeutet“, sondern verarbeitet visuelle Muster und Wahrscheinlichkeiten, die es während des Trainings gelernt hat. Die Software entscheidet anhand dieser Modelle, welche Pixel wahrscheinlich zu einem bestimmten Objekt oder einer bestimmten Kategorie gehören. 

Diese Unterscheidung ist wichtig. Eine KI „versteht“ ein Foto nicht zwangsläufig so, wie ein Mensch eine fotografische Szene versteht. Ihre Ergebnisse beruhen auf statistischen Mustern und Modellen. Deshalb können automatische Auswahlverfahren trotz erheblicher Fortschritte fehlerhaft sein, insbesondere bei ungewöhnlichen Perspektiven, schwierigen Lichtverhältnissen, Bewegungsunschärfe, sehr feinen Strukturen oder stark überlappenden Objekten. 

Maskieren wird zur automatisierten Aufgabe 

Eine der wichtigsten Veränderungen betrifft das Maskieren. In klassischen Bildbearbeitungsprogrammen war die präzise Auswahl eines Motivs häufig eine zeitaufwendige Arbeit. Haare, transparente Materialien, komplexe Konturen oder Personen vor unruhigen Hintergründen konnten eine erhebliche manuelle Nachbearbeitung erfordern. 

KI-basierte Maskierung verschiebt diesen Aufwand. Die Software erstellt zunächst automatisch eine Auswahl, die anschließend weiterhin verändert werden kann. Der Fotograf muss dadurch nicht mehr jeden Bereich selbst markieren, sondern kontrolliert und korrigiert das Ergebnis. 

Capture One ermöglicht beispielsweise KI-Auswahlen für verschiedene Bildbereiche und erlaubt es, mehrere Masken miteinander zu kombinieren. Masken können hinzugefügt, voneinander abgezogen oder miteinander geschnitten werden, während die Bearbeitung weiterhin editierbar bleibt. (Capture One) 

Auch Adobe Lightroom setzt auf automatische Erkennung. Die Software kann unter anderem Personen und Objekte für lokale Bearbeitungen erkennen. Die aktuellen Funktionen umfassen darüber hinaus automatische Verbesserungen bestimmter Bildbereiche und generative Verfahren zur Entfernung von störenden Elementen. (lightroom.adobe.com) 

Der entscheidende Vorteil liegt weniger darin, dass die KI eine Aufgabe übernimmt, die grundsätzlich unmöglich wäre. Vielmehr reduziert sie die Zeit, die für wiederkehrende und technisch anspruchsvolle Arbeitsschritte benötigt wird. Dadurch verschiebt sich der Schwerpunkt der menschlichen Arbeit von der manuellen Auswahl hin zur Kontrolle und gestalterischen Entscheidung. 

Wenn die KI nicht nur korrigiert, sondern Bildinhalte erzeugt 

Eine zweite Entwicklungsstufe beginnt dort, wo KI nicht mehr ausschließlich vorhandene Pixel verändert, sondern neue Bildinhalte erzeugt. Generative KI kann anhand eines Kontextes berechnen, wie ein Bildbereich plausibel aussehen könnte, wenn ein störendes Objekt entfernt oder ein Bereich erweitert wird. 

Adobe hat mit Generative Remove in Lightroom beispielsweise eine Funktion eingeführt, die auf generativer KI basiert und unerwünschte Objekte aus Bildern entfernen kann. Die aktuelle Version kann unter anderem zusätzliche Personen erkennen, die nicht zum eigentlichen Motiv gehören, und deren Entfernung unterstützen. (lightroom.adobe.com) 

Der Unterschied zu einer klassischen Retusche ist grundlegend. Bei einer herkömmlichen Reparaturfunktion werden Bildinformationen häufig aus benachbarten Bereichen übernommen oder interpoliert. Generative Systeme können dagegen einen entfernten Bereich neu berechnen und dabei Bildinformationen erzeugen, die in dieser Form zuvor nicht als Pixel im Ausgangsbild vorhanden waren. 

Das Ergebnis kann bei einfachen Hintergründen sehr überzeugend sein. Gleichzeitig entsteht dadurch eine neue Kategorie von Fehlern. Die Software muss nicht zwingend rekonstruieren, was tatsächlich an der entfernten Stelle vorhanden war. Sie erzeugt vielmehr eine plausible Fortsetzung. „Plausibel“ und „historisch beziehungsweise fotografisch korrekt“ sind deshalb zwei unterschiedliche Kriterien. 

Automatische Retusche verändert den Arbeitsaufwand 

Auch die Porträtretusche wird zunehmend automatisiert. Moderne Programme können Gesichter erkennen und bestimmte Bearbeitungen gezielt auf Augen, Haut, Zähne oder andere Gesichtselemente anwenden. Capture One bietet beispielsweise automatische Retuschefunktionen für Haut, Augen und Zähne sowie weitere Gesichtsbereiche. (Capture One) 

Für Fotografen kann dies bei großen Bildserien erhebliche Zeitersparnisse bringen. Bei Hochzeiten, Veranstaltungen, Porträts oder kommerziellen Produktionen entstehen häufig Hunderte oder Tausende Aufnahmen. Nicht jedes Bild benötigt dieselbe intensive Bearbeitung, doch viele Fotos benötigen ähnliche Korrekturen. 

KI kann solche wiederkehrenden Aufgaben standardisieren. Das bedeutet allerdings nicht, dass eine automatische Retusche zwangsläufig besser ist. Gerade bei Hautbearbeitung besteht die Gefahr, dass ein natürlicher Charakter verloren geht, wenn die Software zu stark eingreift. Die technische Möglichkeit zur Automatisierung erhöht deshalb auch die Bedeutung angemessener Einstellungen und einer abschließenden Qualitätskontrolle. 

Die Rolle des Fotografen verändert sich dadurch. Wo früher viele Minuten für eine einzelne technische Korrektur erforderlich waren, kann heute eine automatische Funktion einen Ausgangspunkt liefern. Die eigentliche gestalterische Entscheidung bleibt jedoch bestehen: Wie stark soll eine Hautstruktur verändert werden? Welche Details sollen erhalten bleiben? Welche Farbwirkung entspricht der beabsichtigten Bildsprache? 

Einheitliche Bearbeitung ganzer Fotoserien 

Besonders interessant wird KI dort, wo nicht mehr einzelne Bilder, sondern komplette Serien bearbeitet werden. In professionellen Workflows ist Konsistenz ein wichtiger Faktor. Wenn mehrere hundert Aufnahmen eines Shootings unterschiedliche Farben, Helligkeiten oder Bildausschnitte aufweisen, kann die Nachbearbeitung erheblichen Aufwand verursachen. 

KI-gestützte Werkzeuge können bestimmte Bearbeitungsschritte auf viele Bilder übertragen. Capture One bietet beispielsweise eine AI-Crop-Funktion, mit der ein definierter Zuschnitt auf weitere Aufnahmen übertragen werden kann. Auch automatische Anpassungen und die Übertragung eines bestimmten Looks auf andere Bilder gehören inzwischen zum Funktionsumfang moderner Fotobearbeitungssoftware. (Capture One) 

Damit wird aus der automatisierten Einzelbildbearbeitung zunehmend eine Workflow-Automatisierung. Das Ziel besteht nicht mehr ausschließlich darin, ein bestimmtes Foto schneller zu bearbeiten. Vielmehr soll die Software wiederkehrende Entscheidungen über eine gesamte Bildserie hinweg möglichst konsistent durchführen. 

Für professionelle Fotografen kann das wirtschaftlich relevant sein. Wenn ein großer Teil der technischen Nachbearbeitung automatisiert werden kann, sinkt der Zeitaufwand pro Bild. Gleichzeitig steigt der Wert einer klar definierten Bildsprache, weil diese als Referenz für automatisierte Bearbeitungen dienen kann. 

Vom Preset zum lernenden Bearbeitungsassistenten 

Presets und Styles sind in der Fotografie seit Langem verbreitet. Sie speichern Bearbeitungseinstellungen und ermöglichen es, einen ähnlichen Look auf mehrere Bilder anzuwenden. KI erweitert dieses Prinzip, indem Software zunehmend versucht, den Inhalt eines Bildes in die Bearbeitung einzubeziehen. 

Ein klassisches Preset kann beispielsweise bestimmte Werte für Kontrast, Sättigung oder Farbkorrektur enthalten. Eine intelligente Bearbeitung kann dagegen unterscheiden, ob ein bestimmter Bildbereich zum Himmel, zu einer Person oder zum Hintergrund gehört, und die Anpassung entsprechend differenzieren. 

Capture One beschreibt mit „Match Look“ beispielsweise eine Funktion, die den Stil beziehungsweise die Bearbeitung eines Referenzbildes auf andere Bilder übertragen kann. (Capture One) 

Damit wird die Bearbeitung stärker kontextabhängig. Das System arbeitet nicht mehr ausschließlich mit festen Werten, sondern analysiert das Ausgangsmaterial und versucht, die gewünschte visuelle Wirkung darauf anzuwenden. 

Smartphone-Fotografie als Treiber der Automatisierung 

Die Entwicklung beschränkt sich nicht auf professionelle Desktop-Software. Smartphone-Fotografie hat wesentlich dazu beigetragen, dass automatische Bildoptimierung für Millionen von Menschen selbstverständlich geworden ist. 

Google Photos verwendet bereits seit Jahren KI zur Organisation und Bearbeitung von Fotos. Mit Funktionen wie Magic Eraser und später Magic Editor wurde die automatische beziehungsweise generative Bearbeitung weiter ausgebaut. Google beschrieb Magic Editor bereits bei seiner Vorstellung als Werkzeug, mit dem komplexere Änderungen ohne professionelle Bearbeitungskenntnisse möglich werden sollten. (blog.google) 

Der Unterschied zwischen Smartphone- und professioneller Fotobearbeitung wird dadurch teilweise kleiner. Ein Smartphone kann heute bereits automatisch Motive erkennen, störende Elemente entfernen oder bestimmte Bildbereiche bearbeiten. Professionelle Programme bieten dagegen weiterhin wesentlich umfangreichere Möglichkeiten zur Kontrolle, Präzision und nicht-destruktiven Bearbeitung. 

Die Entwicklung zeigt zugleich, wie sich die Erwartung an Fotografie verändert. Für viele Nutzer ist das fertige Bild nicht mehr zwangsläufig eine unveränderte Wiedergabe dessen, was der Kamerasensor aufgenommen hat. Stattdessen wird die Aufnahme zunehmend als Ausgangsmaterial für eine softwaregestützte Bildoptimierung verstanden. 

Der entscheidende Unterschied zwischen Korrektur und Manipulation 

Mit der zunehmenden Leistungsfähigkeit generativer Systeme wird eine alte fotografische Frage neu gestellt: Wann handelt es sich noch um Bearbeitung und wann um eine inhaltliche Veränderung? 

Technisch lässt sich diese Grenze nicht immer eindeutig festlegen. Eine Entfernung eines Staubkorns verändert das Motiv in der Regel anders als das Hinzufügen einer Person. Auch eine automatische Belichtungskorrektur ist etwas anderes als das Erzeugen eines neuen Hintergrundes. Zwischen diesen Extremen existieren jedoch zahlreiche Zwischenstufen. 

Für kreative Fotografie kann eine weitreichende Veränderung völlig legitim sein. In der Werbung, Kunst oder konzeptionellen Fotografie ist die bewusste Manipulation eines Bildes Bestandteil der Gestaltung. In der dokumentarischen Fotografie, im Journalismus oder bei Beweismaterial gelten dagegen andere Anforderungen an die Authentizität. 

Die entscheidende Frage lautet deshalb nicht allein, ob KI eingesetzt wurde. Entscheidend ist, was die KI verändert hat und in welchem Kontext das Bild verwendet wird. Ein automatisch korrigierter Weißabgleich und ein künstlich erzeugtes Gebäude können technisch beide als KI-gestützte Bildbearbeitung bezeichnet werden, haben aber eine völlig unterschiedliche Bedeutung. 

Authentizität wird zu einer technischen und gesellschaftlichen Frage 

Je einfacher es wird, realistisch aussehende Bildinhalte zu verändern oder zu erzeugen, desto schwieriger wird die alleinige Beurteilung anhand des sichtbaren Ergebnisses. Ein Betrachter kann nicht zuverlässig davon ausgehen, dass jedes realistisch wirkende Detail tatsächlich fotografiert wurde. 

Diese Entwicklung betrifft nicht nur Fotografie, sondern das gesamte digitale Informationsumfeld. Die Europäische Union hat deshalb im Rahmen des AI Act Transparenzanforderungen für bestimmte KI-generierte oder manipulierte Inhalte vorgesehen. Die entsprechenden Transparenzregeln nach Artikel 50 gelten seit dem 2. August 2026. Sie sehen unter anderem Anforderungen an die Kennzeichnung beziehungsweise maschinenlesbare Markierung bestimmter synthetischer Inhalte vor. Für bestimmte Deepfakes gelten zusätzliche Offenlegungspflichten. (Digitale Strategie Europa) 

Dabei ist wichtig, zwischen einer normalen unterstützenden Bildbearbeitung und einer inhaltlich erheblichen generativen Veränderung zu unterscheiden. Die EU-Kommission weist ausdrücklich darauf hin, dass bestimmte unterstützende Funktionen für Standardbearbeitung beziehungsweise Systeme, die Eingabedaten oder deren Semantik nicht wesentlich verändern, von bestimmten Markierungspflichten ausgenommen sein können. (Digitale Strategie Europa) 

Die regulatorische Entwicklung zeigt, dass die Frage nach der Herkunft eines Bildes zunehmend Bestandteil des technischen Workflows wird. Für Fotografen, Agenturen, Plattformen und Medienunternehmen kann deshalb künftig nicht nur die Bearbeitung selbst, sondern auch deren nachvollziehbare Dokumentation an Bedeutung gewinnen. 

Der Mensch bleibt der entscheidende Kontrollpunkt 

Der Begriff „Autopilot“ kann leicht zu der Vorstellung führen, dass professionelle Bildbearbeitung vollständig ohne menschliche Entscheidungen auskommt. Der derzeitige Stand der Technik rechtfertigt eine solche Interpretation nicht. 

KI-Systeme können Bearbeitungsentscheidungen automatisieren, aber sie kennen nicht automatisch die Absicht des Fotografen. Ein System kann erkennen, dass ein Gesicht vorliegt, aber daraus nicht zuverlässig ableiten, welche emotionale Wirkung das fertige Porträt haben soll. Es kann einen Himmel erkennen, aber nicht wissen, ob der Fotograf bewusst eine bestimmte Farbwirkung gewählt hat. 

Auch generative Werkzeuge arbeiten nicht fehlerfrei. Eine scheinbar plausible Rekonstruktion kann Details erzeugen, die nicht der ursprünglichen Realität entsprechen. Bei dokumentarischen Aufnahmen kann genau dieser Unterschied entscheidend sein. 

Deshalb dürfte sich professionelle Arbeit zunehmend in Richtung Kontrolle, Auswahl und Qualitätsbewertung verschieben. Der Fotograf gibt nicht mehr zwangsläufig jeden einzelnen Bearbeitungsschritt manuell vor, sondern definiert Ziel, Stil und Grenzen und überprüft anschließend das Ergebnis. 

Geschwindigkeit verändert die Wirtschaftlichkeit der Fotografie 

Die wirtschaftliche Bedeutung der KI-Bildbearbeitung liegt vor allem in der Reduzierung repetitiver Arbeitszeit. Für professionelle Fotografen ist die Aufnahme häufig nur ein Teil des gesamten Produktionsprozesses. Auswahl, Sortierung, Farbkorrektur, Maskierung, Retusche, Zuschnitt, Export und Bereitstellung können erhebliche Ressourcen beanspruchen. 

Wenn Software einen Teil dieser Arbeit automatisiert, kann ein Fotograf mehr Bilder in derselben Zeit bearbeiten oder mehr Zeit in kreative und kundenbezogene Tätigkeiten investieren. Besonders bei großen Bildmengen dürfte der Effekt größer sein als bei einzelnen aufwendig inszenierten Bildern. 

Das bedeutet gleichzeitig, dass sich Wettbewerbsvorteile verändern können. Technische Routine wird zunehmend automatisierbar und damit weniger exklusiv. Fachwissen über Licht, Komposition, Farbgestaltung, visuelle Kommunikation und Kundenanforderungen bleibt dagegen relevant, weil diese Bereiche nicht allein durch eine schnellere Softwareentscheidung ersetzt werden. 

Die Automatisierung kann deshalb zu einer Verschiebung des beruflichen Profils führen. Der Wert eines Fotografen könnte künftig weniger darin liegen, jede technische Korrektur manuell auszuführen, sondern darin, die richtige visuelle Entscheidung zu treffen und KI-Werkzeuge gezielt dafür einzusetzen. 

Grenzen durch Fehler, Daten und Kontext 

Die Leistungsfähigkeit moderner Bild-KI darf nicht mit Fehlerfreiheit verwechselt werden. Modelle können falsche Zuordnungen vornehmen, Bildbereiche unvollständig erkennen oder bei generativen Veränderungen unplausible Details erzeugen. Besonders schwierig können Situationen sein, in denen ein Motiv teilweise verdeckt ist oder mehrere Objekte miteinander verschmelzen. 

Hinzu kommt die Frage nach Daten und Privatsphäre. Fotografien können personenbezogene Informationen enthalten, etwa Gesichter, Ortsinformationen oder andere identifizierbare Merkmale. Wenn Bildbearbeitung über Cloud-Dienste erfolgt, muss deshalb berücksichtigt werden, wie die jeweilige Plattform mit hochgeladenen Bildern und den damit verbundenen Daten umgeht. Die konkreten Bedingungen unterscheiden sich zwischen den Anbietern und können sich ändern. 

Für professionelle Nutzer kommt außerdem die Frage der Nachvollziehbarkeit hinzu. Bei sensiblen Produktionen kann es relevant sein, welche Veränderungen vorgenommen wurden und ob das Original weiterhin verfügbar ist. Eine nicht-destruktive Arbeitsweise, bei der Ausgangsmaterial und Bearbeitungsschritte getrennt erhalten bleiben, kann deshalb weiterhin eine wichtige Rolle spielen. 

KI verändert auch die Definition fotografischer Qualität 

Traditionell wurde fotografische Qualität stark mit technischen Eigenschaften verbunden. Schärfe, Belichtung, Farben, Dynamikumfang und Rauschverhalten waren zentrale Kriterien. KI verschiebt diese Gewichtung teilweise, weil viele technische Schwächen nachträglich korrigiert oder kaschiert werden können. 

Das bedeutet nicht, dass Kameratechnik bedeutungslos wird. Hochwertiges Ausgangsmaterial bietet weiterhin mehr Informationen für die Bearbeitung. Allerdings kann sich die Grenze zwischen Aufnahme und Nachbearbeitung weiter verschieben. 

Ein Foto entsteht dadurch zunehmend in mehreren Stufen. Die Kamera liefert die Ausgangsdaten, Algorithmen analysieren und optimieren sie, generative Systeme können bestimmte Bildbereiche verändern und der Mensch entscheidet über das endgültige Ergebnis. Fotografie wird damit immer stärker zu einer Kombination aus Aufnahme, Datenverarbeitung und Gestaltung. 

Die nächste Entwicklungsstufe: intelligente Workflows 

Die aktuelle Entwicklung deutet darauf hin, dass einzelne KI-Funktionen zunehmend zu miteinander verbundenen Workflows zusammenwachsen. Anstatt für jede Aufgabe ein separates Werkzeug aufzurufen, können Anwendungen verschiedene Bearbeitungsschritte miteinander kombinieren. 

Ein Beispiel dafür ist die Verbindung von automatischer Motiverkennung, Maskierung, Retusche und Serienbearbeitung. Ein System könnte zunächst erkennen, welche Personen im Bild vorkommen, anschließend die relevanten Bereiche auswählen und danach eine definierte Bearbeitung auf mehrere Aufnahmen anwenden. Die einzelnen Funktionen existieren teilweise bereits heute, während ihre immer engere Integration eine naheliegende Entwicklungsrichtung darstellt. 

Auch die Verbindung von Aufnahme und Bearbeitung wird enger. Capture One bietet beispielsweise Funktionen, mit denen Bearbeitungseinstellungen bereits während des Tethered Shootings automatisch auf nachfolgende Aufnahmen angewendet werden können. (Capture One) 

Damit könnte die Zukunft weniger aus einem klassischen Ablauf von „fotografieren, danach bearbeiten“ bestehen. Stattdessen entsteht ein kontinuierlicher Prozess, bei dem Aufnahme, Analyse und Bearbeitung immer stärker miteinander verbunden sind. 

Generative KI als kreatives Werkzeug 

Neben der Automatisierung klassischer Retusche eröffnet generative KI eine weitere Ebene: die bewusste Erweiterung fotografischer Möglichkeiten. Bildbereiche können verändert, entfernt oder neu erzeugt werden. Dadurch verschwimmt die Grenze zwischen klassischer Fotografie und digitaler Bildgestaltung weiter. 

Diese Entwicklung ist für kreative Fotografen nicht zwangsläufig eine Bedrohung. Sie kann auch als neues Werkzeug verstanden werden. Ähnlich wie digitale Nachbearbeitung früher analoge Arbeitsweisen erweitert hat, kann generative KI neue Formen der visuellen Gestaltung ermöglichen. 

Entscheidend bleibt dabei die Transparenz über den Entstehungsprozess. Ein künstlerisch verändertes Bild muss nicht weniger wertvoll sein, nur weil es nicht mehr ausschließlich aus Kameraaufnahmen besteht. Problematisch wird es dort, wo eine künstlich erzeugte oder wesentlich veränderte Darstellung als unveränderte Dokumentation ausgegeben wird. 

Was in den kommenden Jahren wahrscheinlicher wird 

Eine vollständige Automatisierung der professionellen Fotografie ist derzeit keine gesicherte Entwicklung. Deutlich absehbarer ist jedoch eine weitere Zunahme automatisierter Teilprozesse. Die heutigen Systeme zeigen bereits, dass Auswahl, Maskierung, Retusche, Zuschnitt, Stilübertragung und generative Entfernung zunehmend von Software unterstützt werden. (Capture One) 

Wahrscheinlich ist außerdem eine stärkere Individualisierung. Statt allgemeine Bearbeitungsregeln anzuwenden, könnten Systeme immer besser erkennen, welche Bildsprache ein Fotograf bevorzugt. Referenzbilder, bestehende Styles und frühere Bearbeitungen können bereits heute als Grundlage für konsistentere Ergebnisse dienen. 

Parallel dazu dürfte die Bedeutung von Herkunftsinformationen und Kennzeichnungen wachsen. Die europäischen Transparenzregeln zeigen bereits, dass die Unterscheidbarkeit zwischen fotografiertem und synthetisch erzeugtem Inhalt nicht ausschließlich eine technische Frage bleibt. Sie wird zunehmend auch zu einer Frage von Vertrauen, Medienkompetenz und Regulierung. (Digitale Strategie Europa) 

Wie weit diese Entwicklung letztlich gehen wird, lässt sich nicht zuverlässig vorhersagen. Technische Fortschritte können schneller erfolgen als erwartet, während rechtliche Vorgaben, Akzeptanz, Datenschutzanforderungen und professionelle Standards die praktische Einführung gleichzeitig begrenzen können. 

Fazit: Autopilot ja, Verantwortung nein 

KI macht die Bildbearbeitung bereits heute erheblich automatisierter. Moderne Programme können Motive erkennen, Masken erstellen, Gesichter analysieren, Bildausschnitte optimieren, störende Elemente entfernen und Bearbeitungsstile auf weitere Aufnahmen übertragen. Damit werden Tätigkeiten, die früher teilweise viel manuelle Arbeit erforderten, zunehmend zu automatisierten oder teilautomatisierten Prozessen. (Capture One) 

Die wichtigste Veränderung besteht jedoch nicht darin, dass der Mensch aus dem Workflow verschwindet. Vielmehr verschiebt sich seine Rolle. Der Fotograf wird zunehmend zum Entscheider, Kontrolleur und Gestalter eines KI-gestützten Prozesses. Die Software übernimmt mehr technische Routine, während die Verantwortung für Bildwirkung, Kontext und Authentizität beim Menschen bleibt. 

Gerade diese Kombination dürfte die Zukunft der Fotografie prägen. KI kann Bilder schneller und technisch effizienter bearbeiten, aber sie entscheidet nicht automatisch darüber, welches Bild erzählt werden soll, welche Realität dargestellt werden darf oder welche visuelle Aussage glaubwürdig ist. Je leistungsfähiger die Werkzeuge werden, desto wichtiger wird deshalb die Fähigkeit, ihre Ergebnisse einzuordnen und bewusst einzusetzen. 

„Bildbearbeitung auf Autopilot“ beschreibt damit weniger das Ende der fotografischen Arbeit als ihren Wandel. Die Kamera bleibt das Werkzeug zur Aufnahme, die KI wird zunehmend zum intelligenten Assistenten der Nachbearbeitung. Die entscheidende Kompetenz der Zukunft dürfte darin liegen, beide Systeme so miteinander zu verbinden, dass technische Automatisierung nicht zu weniger Kontrolle, sondern zu mehr kreativer Freiheit führt. 

Künstliche Kreativität und Urheberrecht

26 Minuten
---werbung---

️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste!

https://podcast-mit-ki.systeme.io/home

---werbung---

Wenn künstliche Intelligenz zur Kreativmaschine wird 

Generative künstliche Intelligenz hat die Herstellung von Texten, Bildern, Musik, Videos und Software grundlegend verändert. Systeme auf Basis großer Sprachmodelle und anderer generativer Modelle können innerhalb weniger Sekunden Inhalte erzeugen, für deren Erstellung Menschen früher erheblich mehr Zeit und teilweise umfangreiche technische Kenntnisse benötigten. Damit wird künstliche Intelligenz zunehmend zu einem Werkzeug kreativer Arbeit. Gleichzeitig stellt sie das Urheberrecht vor Fragen, die in dieser Geschwindigkeit bislang kaum beantwortet werden mussten. 

Der Begriff „künstliche Kreativität“ ist dabei zunächst eine technische und gesellschaftliche Beschreibung, kein eigenständiger Rechtsbegriff. KI-Systeme erzeugen Inhalte auf Grundlage erlernter statistischer Zusammenhänge in großen Datenmengen. Sie verfügen nicht über ein menschliches Urheberbewusstsein und sind nach gegenwärtigem Urheberrecht grundsätzlich nicht selbst als Urheber anzusehen. Rechtlich entscheidend ist daher häufig nicht allein, dass eine KI einen Inhalt erzeugt hat, sondern welchen menschlichen Beitrag es bei seiner Entstehung gab und welche geschützten Werke bei der Entwicklung und Nutzung des Systems eine Rolle gespielt haben. 

Die zentrale Frage lautet damit nicht nur, ob ein bestimmtes KI-Bild, ein Text oder ein Musikstück kreativ wirkt. Es geht vielmehr um zwei voneinander zu unterscheidende Ebenen: Erstens um die rechtliche Zulässigkeit der Nutzung urheberrechtlich geschützter Inhalte für das Training von KI-Modellen und zweitens um die Frage, ob und unter welchen Voraussetzungen ein von einer KI erzeugtes Ergebnis selbst urheberrechtlich geschützt sein kann. 

Diese beiden Fragen werden derzeit weltweit intensiv diskutiert. In der Europäischen Union sind inzwischen konkrete Regelungen für Anbieter sogenannter General-Purpose AI, also KI-Modelle für vielfältige Einsatzbereiche, in Kraft. Gleichzeitig beschäftigen Gerichte und Gesetzgeber in den USA, Großbritannien und anderen Ländern mit unterschiedlichen rechtlichen Ansätzen die Frage, wie bestehendes Urheberrecht auf generative KI angewendet werden kann. (Digitale Strategie Europa) 

Das Grundproblem: Kreativität ohne klassischen menschlichen Schöpfungsprozess 

Das klassische Urheberrecht ist historisch auf menschliche geistige Schöpfung ausgerichtet. Ein Mensch schreibt einen Roman, komponiert ein Musikstück, fotografiert ein Motiv oder gestaltet ein Bild. Die technische Unterstützung kann dabei sehr umfangreich sein, ohne dass dadurch automatisch die menschliche Urheberschaft verloren geht. 

Generative KI verschiebt diese Grenze. Ein Nutzer kann beispielsweise eine Beschreibung eingeben und daraufhin ein vollständiges Bild oder einen längeren Text erhalten. In einem anderen Fall kann der Nutzer zahlreiche Anweisungen geben, Entwürfe auswählen, einzelne Bestandteile verändern, das Ergebnis mehrfach überarbeiten und schließlich eine eigene Fassung erstellen. Technisch können beide Prozesse als „KI-generiert“ bezeichnet werden. Urheberrechtlich können sie jedoch unterschiedlich zu bewerten sein. 

Diese Unterscheidung ist besonders wichtig, weil Urheberrecht nicht einfach danach fragt, welches Werkzeug verwendet wurde. Entscheidend ist vielmehr, ob eine ausreichende menschliche schöpferische Leistung vorliegt. Ein Computerprogramm, eine Kamera oder ein digitales Grafikprogramm wird nicht deshalb selbst zum Urheber, weil es wesentlich an der Entstehung eines Werkes beteiligt war. Auch bei KI-Systemen steht deshalb zunehmend die Frage im Mittelpunkt, welchen Anteil die menschliche Gestaltung tatsächlich hatte. 

Die US-amerikanische Copyright Office hat diese Problematik in ihrem Bericht zur künstlichen Intelligenz ausdrücklich untersucht. In Teil 2 des Berichts von Januar 2025 kommt die Behörde zu dem Ergebnis, dass generative KI die bestehenden Grundsätze des Urheberrechts grundsätzlich nicht überflüssig macht. KI-generierte Ergebnisse können demnach urheberrechtlich geschützt sein, wenn ein Mensch ausreichend bestimmte expressive Elemente des Werkes geschaffen oder bestimmt hat. Die bloße Eingabe eines Prompts reicht nach dieser Einschätzung grundsätzlich nicht aus. Zugleich kann der Einsatz von KI als Hilfsmittel oder die Einbindung KI-generierter Bestandteile in ein insgesamt menschlich geschaffenes Werk den Schutz des Gesamtwerks nicht automatisch ausschließen. (U.S. Copyright Office) 

Der Prompt allein macht noch keinen Urheber 

Besonders kontrovers ist die Bedeutung des sogenannten Promptings. Ein Prompt kann sehr detailliert sein und eine KI zu einer bestimmten Bildkomposition, einem bestimmten Schreibstil oder einer bestimmten musikalischen Struktur anweisen. Trotzdem folgt daraus nicht automatisch, dass das Ergebnis rechtlich als menschliches Werk gilt. 

Das US Copyright Office unterscheidet hier zwischen der bloßen Anweisung an ein KI-System und einer menschlichen Kontrolle über die konkreten Ausdruckselemente eines Ergebnisses. Nach seiner veröffentlichten Einschätzung reicht allein die Bereitstellung eines Prompts grundsätzlich nicht aus, um die erforderliche menschliche Urheberschaft zu begründen. Dagegen können menschliche kreative Anordnungen, Bearbeitungen oder Veränderungen eines KI-Ergebnisses durchaus urheberrechtlich relevant sein. (U.S. Copyright Office) 

Für die Praxis bedeutet das nicht, dass jedes KI-Ergebnis automatisch gemeinfrei wäre. Vielmehr muss im Einzelfall untersucht werden, welche Teile eines Werkes von Menschen geschaffen oder kreativ bestimmt wurden. Ein vollständig von einer KI erzeugtes Bild kann deshalb anders zu beurteilen sein als ein Bild, das ein Künstler mithilfe einer KI entwickelt, anschließend umfangreich bearbeitet und in eine eigene Gesamtkomposition integriert. 

Diese Unterscheidung dürfte mit zunehmender Leistungsfähigkeit generativer Systeme noch wichtiger werden. Je stärker KI-Systeme in kreative Arbeitsprozesse eingebunden werden, desto schwieriger kann es werden, eine klare Grenze zwischen menschlicher Gestaltung und maschineller Erzeugung zu ziehen. 

Noch grundsätzlicher ist die Frage nach den Trainingsdaten 

Die zweite große urheberrechtliche Auseinandersetzung findet nicht erst beim fertigen KI-Ergebnis statt, sondern bereits bei dessen Entstehung. 

Generative KI-Modelle werden mit sehr großen Datenmengen entwickelt. Diese Daten können Texte, Bilder, Audioaufnahmen, Videos, Softwarecode und andere digitale Inhalte umfassen. Ein Teil dieser Inhalte kann urheberrechtlich geschützt sein. Beim Training können technische Verarbeitungsschritte erforderlich sein, bei denen Inhalte kopiert, analysiert oder in anderer Form verarbeitet werden. 

Damit entsteht eine grundlegende rechtliche Frage: Darf ein KI-Unternehmen urheberrechtlich geschützte Werke verwenden, um ein Modell zu trainieren? 

Eine allgemeingültige Antwort für alle Länder gibt es derzeit nicht. Das Urheberrecht ist national beziehungsweise regional unterschiedlich ausgestaltet. Während die Europäische Union spezielle Regelungen für Text und Data Mining geschaffen hat, wird in den Vereinigten Staaten unter anderem darüber gestritten, in welchem Umfang die sogenannte Fair-Use-Doktrin die Nutzung geschützter Inhalte für KI-Training erlaubt. In Großbritannien wiederum wurde die Frage in den vergangenen Jahren politisch und gesetzgeberisch intensiv untersucht. (EUR-Lex) 

Die Europäische Union setzt auf Text und Data Mining 

Für die Europäische Union ist insbesondere die Richtlinie über das Urheberrecht im digitalen Binnenmarkt von Bedeutung. Sie enthält Regelungen zum sogenannten Text and Data Mining. Artikel 4 sieht unter bestimmten Voraussetzungen eine Ausnahme für Vervielfältigungen und Entnahmen vor, die für Text und Data Mining erforderlich sind. 

Eine wesentliche Voraussetzung besteht darin, dass die betreffenden Werke rechtmäßig zugänglich sind und die Rechteinhaber die Nutzung für Text und Data Mining nicht in geeigneter Weise vorbehalten haben. Bei öffentlich online zugänglichen Inhalten kann ein solcher Vorbehalt insbesondere durch maschinenlesbare Mittel erfolgen. (EUR-Lex) 

Diese Regelung ist für KI-Training von erheblicher Bedeutung, weil moderne KI-Modelle große Mengen digitaler Inhalte automatisiert analysieren. Sie bedeutet jedoch nicht, dass sämtliche urheberrechtlich geschützten Inhalte automatisch frei für jedes KI-Training verwendet werden dürfen. Die konkrete Anwendung hängt von den gesetzlichen Voraussetzungen, der Art des Zugangs zu den Inhalten und gegebenenfalls von erklärten Rechtevorbehalten ab. 

Hinzu kommt, dass die europäische Regelung nicht alle urheberrechtlichen Fragen rund um generative KI abschließend beantwortet. Insbesondere die Beziehung zwischen Trainingsdaten, Modellparametern und späteren Ausgaben eines Modells kann rechtlich komplex sein. 

Der EU AI Act bringt zusätzliche Transparenz 

Eine wichtige Entwicklung ist der europäische AI Act. Für Anbieter von General-Purpose AI-Modellen gelten seit dem 2. August 2025 besondere Verpflichtungen. Dazu gehören eine Politik zur Einhaltung des EU-Urheberrechts und die Veröffentlichung einer ausreichend detaillierten Zusammenfassung der für das Training verwendeten Inhalte. (Digitale Strategie Europa) 

Die Europäische Kommission hat dafür ein eigenes Template entwickelt. Die öffentliche Zusammenfassung soll unter anderem die wichtigsten Datensammlungen beziehungsweise Datenbestände nennen und weitere verwendete Datenquellen beschreiben. Ziel ist es, die Transparenz über die Trainingsgrundlagen zu erhöhen und insbesondere Rechteinhabern die Wahrnehmung ihrer Rechte zu erleichtern. (Digitale Strategie Europa) 

Dabei ist eine wichtige Abgrenzung erforderlich. Der AI Act ersetzt das Urheberrecht nicht und entscheidet nicht für jeden einzelnen Datensatz darüber, ob dessen Verwendung rechtmäßig war. Die Kommission weist ausdrücklich darauf hin, dass die entsprechenden AI-Act-Verpflichtungen die Durchsetzung des Urheberrechts nach dem bestehenden Unionsrecht nicht ersetzen. (EUR-Lex) 

Seit dem 2. August 2026 verfügt die Europäische Kommission zudem über ihre vorgesehenen Durchsetzungsbefugnisse für die Verpflichtungen von Anbietern von General-Purpose AI-Modellen. Für bestimmte Modelle, die bereits vor dem 2. August 2025 auf dem Markt waren, gelten Übergangsregelungen bis zum 2. August 2027. (Digitale Strategie Europa) 

Für Unternehmen, Kreative und Nutzer in Österreich ist diese Entwicklung unmittelbar relevant, weil Österreich als EU-Mitgliedstaat in den europäischen Rechtsrahmen eingebunden ist. Die Diskussion über KI und Urheberrecht ist damit längst keine rein theoretische Debatte mehr, sondern betrifft zunehmend konkrete Anforderungen an Anbieter und professionelle Anwender. 

Die USA verfolgen einen anderen rechtlichen Ansatz 

In den Vereinigten Staaten ist die Situation weniger durch eine spezielle KI-Urheberrechtsregelung geprägt. Stattdessen spielen bestehende Grundsätze des Copyright Law, insbesondere Fair Use, eine zentrale Rolle. 

Mehrere bedeutende Gerichtsverfahren beschäftigen sich mit der Frage, ob KI-Unternehmen urheberrechtlich geschützte Inhalte ohne Zustimmung für das Training ihrer Modelle verwenden dürfen. Zu den bekanntesten Verfahren gehören die Auseinandersetzungen zwischen der New York Times und OpenAI sowie Verfahren von Autoren und anderen Rechteinhabern gegen KI-Unternehmen. 

Die Rechtslage entwickelt sich dabei durch Gerichtsentscheidungen weiter. In mehreren Verfahren wurden Fragen zur Zulässigkeit des Trainings mit geschützten Werken, zur Herkunft der Trainingsdaten und zu möglichen wirtschaftlichen Auswirkungen auf Rechteinhaber aufgeworfen. Eine einheitliche höchstrichterliche Antwort auf sämtliche Fragen existiert jedoch noch nicht. (Reuters) 

Gerade die US-Debatte zeigt, weshalb eine einfache Aussage wie „KI darf urheberrechtlich geschützte Werke zum Training verwenden“ oder „KI darf das niemals“ nicht sachgerecht wäre. Die rechtliche Bewertung hängt unter anderem von der jeweiligen Rechtsordnung, der konkreten Nutzung, der Herkunft der Daten und den Umständen des Einzelfalls ab. 

Gerichtsverfahren werden zu wichtigen Wegweisern 

Die Zahl der Rechtsstreitigkeiten zeigt, wie groß die Unsicherheit für Unternehmen und Rechteinhaber geworden ist. Autoren, bildende Künstler, Fotografen, Medienunternehmen und andere Rechteinhaber werfen KI-Unternehmen teilweise vor, geschützte Werke ohne ausreichende Erlaubnis für die Entwicklung ihrer Modelle genutzt zu haben. 

Ein bekanntes Beispiel ist der Rechtsstreit zwischen Getty Images und Stability AI in Großbritannien. Getty Images hatte unter anderem vorgetragen, dass Bilder aus seinem Bestand für das Training von Stable Diffusion verwendet worden seien. Das Verfahren führte 2025 zu einer Entscheidung, die allerdings wesentliche urheberrechtliche Fragen wegen der konkreten Beweislage nicht umfassend klärte. Ein Teil der ursprünglichen Copyright-Klage wurde während des Verfahrens fallen gelassen. Die Entscheidung hatte deshalb nur begrenzte Aussagekraft für die grundsätzliche Frage, ob KI-Training mit urheberrechtlich geschützten Bildern unter britischem Recht zulässig ist. (Reuters) 

Auch in den USA sind Verfahren von Künstlern gegen Anbieter generativer Bildsysteme anhängig beziehungsweise gewesen. Dort steht unter anderem die Frage im Mittelpunkt, ob das Training mit geschützten Werken und die Funktionsweise der Modelle selbst zu einer Urheberrechtsverletzung führen können. Gerichte haben dabei teilweise einzelne Ansprüche unterschiedlich bewertet, ohne damit bereits eine allgemeingültige Regel für sämtliche generativen KI-Systeme zu schaffen. (Reuters) 

Die Gerichte stehen damit vor einer technisch anspruchsvollen Aufgabe. Sie müssen bestehende Rechtsbegriffe auf Systeme anwenden, deren Funktionsweise sich von traditionellen Vervielfältigungs- und Verbreitungsprozessen unterscheidet. Dabei reicht es nicht aus, nur das sichtbare Ergebnis eines KI-Systems zu betrachten. Ebenso wichtig sind die Daten, die technische Verarbeitung und die konkrete Nutzung des Modells. 

Das Problem der stilistischen Nachahmung 

Eine weitere offene Frage betrifft den Stil. Generative KI kann Inhalte erzeugen, die sich an bestimmten künstlerischen oder gestalterischen Eigenschaften orientieren. Nutzer können beispielsweise versuchen, eine bestimmte visuelle Ästhetik oder eine bestimmte Art der Textgestaltung nachzuahmen. 

Urheberrechtlich ist zwischen einem geschützten konkreten Werk und einem allgemeinen Stil zu unterscheiden. Urheberrecht schützt grundsätzlich konkrete schöpferische Ausdrucksformen, nicht einfach jede abstrakte Idee oder jede allgemeine Stilrichtung. Die genaue rechtliche Bewertung kann jedoch kompliziert werden, wenn ein KI-Ergebnis nicht lediglich eine allgemeine Stilrichtung aufgreift, sondern konkrete geschützte Ausdruckselemente übernimmt. 

Damit entsteht eine Grauzone zwischen Inspiration, stilistischer Orientierung und tatsächlicher Übernahme geschützter Inhalte. Gerade bei generativer Bild- und Musik-KI dürfte diese Abgrenzung künftig eine größere Rolle spielen. 

Wenn KI ein bestehendes Werk reproduziert 

Besonders problematisch wird es, wenn ein KI-System nicht nur einen neuen Inhalt erzeugt, sondern Bestandteile eines bereits existierenden Werkes erkennbar wiedergibt. 

Generative Modelle sind nicht darauf ausgelegt, jedes Trainingswerk wie eine klassische digitale Datenbank vollständig zu speichern und auf Abruf unverändert bereitzustellen. Dennoch können Modelle in bestimmten Fällen Inhalte erzeugen, die bestehenden Werken sehr ähnlich sind oder einzelne Passagen beziehungsweise Elemente wiedergeben. 

Für das Urheberrecht ist daher nicht allein entscheidend, ob ein Werk im Training verwendet wurde. Relevant kann auch sein, ob ein konkretes späteres Ergebnis geschützte Ausdruckselemente eines bestehenden Werkes übernimmt. Die rechtliche Beurteilung hängt dabei vom jeweiligen Rechtssystem und den konkreten Umständen ab. 

Diese Unterscheidung ist auch für Unternehmen wichtig, die KI-generierte Inhalte kommerziell einsetzen. Ein KI-Ergebnis sollte nicht allein deshalb als rechtlich unproblematisch betrachtet werden, weil es von einem generativen Modell erzeugt wurde. 

Kreative Berufe verändern sich 

Die Auswirkungen reichen weit über juristische Fragen hinaus. Generative KI verändert bereits heute Arbeitsprozesse in Bereichen wie Grafikdesign, Marketing, Softwareentwicklung, Übersetzung, Journalismus, Filmproduktion, Musik und Werbung. 

Dabei ersetzt KI nicht automatisch den gesamten kreativen Prozess. Häufig verschiebt sich vielmehr die Rolle des Menschen. Statt jeden einzelnen Arbeitsschritt manuell auszuführen, kann ein Mensch Ideen entwickeln, KI-generierte Entwürfe bewerten, Varianten auswählen, Ergebnisse überarbeiten und daraus ein fertiges Werk erstellen. 

Diese Entwicklung kann kreative Prozesse beschleunigen und die Einstiegshürden senken. Menschen ohne klassische Ausbildung in Grafik, Musikproduktion oder professionellem Schreiben erhalten Werkzeuge, mit denen sie Inhalte erstellen können, die früher erhebliche technische Fähigkeiten erforderten. 

Gleichzeitig entsteht wirtschaftlicher Druck auf bestimmte kreative Tätigkeiten. Wenn Unternehmen einfache Illustrationen, Werbetexte oder andere standardisierte Inhalte kostengünstig mit KI erstellen können, kann sich die Nachfrage nach bestimmten Leistungen verändern. Welche konkreten Auswirkungen dies auf Beschäftigung und Einkommen haben wird, lässt sich derzeit nicht zuverlässig für alle Branchen prognostizieren. 

Neue Chancen für Kreative 

Die Diskussion über Urheberrecht sollte deshalb nicht ausschließlich als Konflikt zwischen Kreativen und KI-Unternehmen verstanden werden. KI kann selbst ein leistungsfähiges Werkzeug für professionelle Urheber sein. 

Ein Schriftsteller kann KI beispielsweise für Recherche, Strukturierung oder Variantenentwicklung einsetzen. Ein Designer kann damit erste Entwürfe erstellen. Ein Musiker kann Ideen für Arrangements untersuchen. Programmierer können KI zur Unterstützung bei Code und Dokumentation einsetzen. In all diesen Fällen bleibt die entscheidende Frage, welche kreative Leistung der Mensch tatsächlich erbringt. 

Gerade diese Form der Zusammenarbeit zwischen Mensch und Maschine könnte langfristig an Bedeutung gewinnen. Der Wert kreativer Arbeit könnte sich teilweise von der reinen Produktion einzelner Inhalte hin zur Entwicklung von Ideen, Auswahl, Kontext, Qualitätskontrolle, Markenbildung und individueller Gestaltung verschieben. 

Das Urheberrecht muss dabei nicht zwangsläufig jede neue Technologie verhindern. Seine zentrale Herausforderung besteht vielmehr darin, einen Rahmen zu schaffen, in dem menschliche Kreativität geschützt und gleichzeitig technische Innovation ermöglicht werden kann. 

Die wirtschaftliche Frage nach Vergütung 

Besonders umstritten ist die Frage, ob Rechteinhaber für die Nutzung ihrer Werke zum Training kommerzieller KI-Modelle bezahlt werden sollten. 

Ein mögliches Modell besteht in individuellen Lizenzvereinbarungen. Dabei könnten KI-Unternehmen bestimmte Inhalte direkt von Rechteinhabern lizenzieren. Eine andere Möglichkeit sind kollektive oder standardisierte Lizenzmodelle. Daneben existieren gesetzliche Schranken und Ausnahmen, die je nach Rechtsordnung unterschiedliche Voraussetzungen haben. 

In der politischen Diskussion wird deshalb zunehmend darüber gesprochen, wie Transparenz, Lizenzierung und Vergütung miteinander verbunden werden können. Großbritannien veröffentlichte im März 2026 einen umfangreichen Regierungsbericht zum Verhältnis zwischen Urheberrecht und künstlicher Intelligenz, nachdem zuvor eine Konsultation mit mehr als 11.000 eingegangenen Antworten stattgefunden hatte. Der Bericht untersucht unter anderem Fragen des Trainings, der Transparenz, der Lizenzierung, der Durchsetzung und der rechtlichen Behandlung computergenerierter Werke. (GOV.UK) 

Die britische Diskussion verdeutlicht, dass die politischen Modelle noch keineswegs weltweit vereinheitlicht sind. Unterschiedliche Staaten prüfen unterschiedliche Kombinationen aus Ausnahmen, Lizenzierung, Transparenz und Durchsetzung. (GOV.UK) 

Open Source verändert zusätzlich die Landschaft 

Eine weitere Dimension entsteht durch frei verfügbare und offene KI-Modelle. Open-Source- beziehungsweise offen lizenzierte Modelle können von einer größeren Zahl von Entwicklern untersucht, angepasst und in eigene Anwendungen integriert werden. Dadurch können Innovation und Wettbewerb gefördert werden. 

Gleichzeitig stellt sich auch hier die Frage nach der Herkunft der Trainingsdaten und nach der Verantwortung entlang der technischen Wertschöpfungskette. Eine offene Veröffentlichung eines Modells bedeutet nicht automatisch, dass sämtliche verwendeten Trainingsdaten frei von urheberrechtlichen Fragen sind. 

Der europäische AI Act berücksichtigt diese Besonderheit. Unter bestimmten Voraussetzungen können frei und offen lizenzierte General-Purpose AI-Modelle von einzelnen Dokumentationspflichten ausgenommen sein. Die urheberrechtlichen Pflichten und die Anforderungen an die öffentliche Zusammenfassung der Trainingsinhalte gelten jedoch nicht pauschal als bedeutungslos; insbesondere für Modelle mit systemischem Risiko gelten besondere Regeln. (Digitale Strategie Europa) 

Transparenz wird zum zentralen Faktor 

Eine der wichtigsten Entwicklungen der kommenden Jahre dürfte deshalb die zunehmende Transparenz über Trainingsdaten sein. Für Rechteinhaber ist es schwierig, ihre Interessen durchzusetzen, wenn sie nicht wissen, ob und wie ihre Werke in der Entwicklung eines Modells verwendet wurden. 

Der europäische Ansatz verlangt deshalb von Anbietern bestimmter General-Purpose AI-Modelle eine öffentliche Zusammenfassung der Trainingsinhalte. Diese Zusammenfassung soll ausreichend detailliert sein, ohne notwendigerweise die vollständige technische Zusammensetzung eines Datensatzes offenzulegen. Geschäftsgeheimnisse und vertrauliche Informationen sollen dabei berücksichtigt werden. (EUR-Lex) 

Transparenz löst allerdings nicht automatisch die Frage der Vergütung. Zu wissen, dass bestimmte Datenbestände verwendet wurden, bedeutet noch nicht, dass jeder einzelne Rechteinhaber automatisch einen Zahlungsanspruch erhält. Transparenz ist vielmehr eine Voraussetzung dafür, Rechtspositionen besser erkennen und gegebenenfalls durchsetzen zu können. 

Was bedeutet das für Unternehmen und Nutzer? 

Für Unternehmen, die generative KI professionell einsetzen, wird die Frage nach der Herkunft und rechtlichen Nutzbarkeit von KI-Inhalten zunehmend wichtiger. Dabei reicht es nicht aus, nur die Nutzungsbedingungen eines KI-Dienstes zu lesen. Zusätzlich können Fragen des Urheberrechts, des Markenrechts, des Persönlichkeitsrechts und weiterer Schutzrechte relevant sein. 

Besonders bei kommerziell wichtigen Inhalten ist eine nachvollziehbare Dokumentation des Entstehungsprozesses sinnvoll. Je stärker ein Mensch ein KI-Ergebnis auswählt, verändert, kombiniert und kreativ weiterentwickelt, desto besser lässt sich nachvollziehen, welche menschliche Leistung in das Endprodukt eingeflossen ist. 

Auch die Auswahl des KI-Anbieters kann eine Rolle spielen. Anbieter unterscheiden sich hinsichtlich ihrer Trainingsdaten, Lizenzmodelle, Nutzungsbedingungen und technischen Möglichkeiten. Für Unternehmen mit hohen rechtlichen oder wirtschaftlichen Anforderungen kann deshalb die technische und rechtliche Dokumentation eines KI-Workflows künftig ebenso wichtig werden wie die Qualität des erzeugten Inhalts. 

Die Frage nach dem Wert menschlicher Kreativität 

Hinter der juristischen Debatte steht eine grundsätzliche gesellschaftliche Frage: Was soll als kreative Leistung gelten, wenn Maschinen immer größere Teile des kreativen Produktionsprozesses übernehmen? 

Diese Frage lässt sich nicht allein technisch beantworten. Ein KI-System kann beispielsweise einen überzeugenden Text oder ein beeindruckendes Bild erzeugen. Daraus folgt jedoch nicht automatisch, dass das System selbst Urheber im menschlichen Sinn wäre. 

Das Urheberrecht steht traditionell in enger Verbindung mit menschlicher geistiger Schöpfung. Die zunehmende Nutzung künstlicher Intelligenz zwingt Gesetzgeber, Gerichte und Gesellschaft deshalb dazu, genauer zu bestimmen, welche menschliche Beteiligung für einen Schutz erforderlich ist und wie mit Inhalten umzugehen ist, die ohne ausreichende menschliche schöpferische Kontrolle entstehen. 

Dabei zeichnet sich derzeit eher eine Weiterentwicklung bestehender Prinzipien als eine vollständige Abkehr vom bisherigen Urheberrecht ab. Die US-amerikanische Copyright Office kommt beispielsweise ausdrücklich zu dem Schluss, dass die bestehenden Grundsätze grundsätzlich flexibel genug sind, um den Einsatz generativer KI zu erfassen. (U.S. Copyright Office) 

Warum eine internationale Lösung schwierig bleibt 

KI-Modelle werden global entwickelt und eingesetzt, während Urheberrecht überwiegend territorial organisiert ist. Ein Modell kann in einem Land trainiert, von einem Unternehmen in einem zweiten Land betrieben und von Nutzern weltweit eingesetzt werden. 

Damit können mehrere Rechtsordnungen gleichzeitig relevant werden. Die unterschiedlichen Regeln für Text und Data Mining, Fair Use, Lizenzierung und menschliche Urheberschaft erschweren eine einheitliche Bewertung. 

Diese internationale Fragmentierung kann für Unternehmen zu erheblichen Compliance-Kosten führen. Gleichzeitig besteht die Gefahr, dass Anbieter ihre Entwicklungsstandorte oder Geschäftsmodelle nach den jeweils günstigsten rechtlichen Rahmenbedingungen auswählen. 

Auch deshalb wird die internationale Diskussion über KI und geistiges Eigentum weiter an Bedeutung gewinnen. Die US Copyright Office hat in ihrem Bericht zur Nutzung urheberrechtlich geschützter Werke für generatives KI-Training ausdrücklich darauf hingewiesen, dass international unterschiedliche Regelungen Auswirkungen auf Rechteinhaber und die globale Entwicklung von KI haben können. (U.S. Copyright Office) 

Die nächsten Jahre werden entscheidend 

In den kommenden Jahren dürfte sich die Rechtslage vor allem durch Gerichtsentscheidungen, neue Gesetzgebung und Lizenzmodelle weiter konkretisieren. Die derzeitige Entwicklung spricht dafür, dass KI und Urheberrecht nicht durch eine einzige umfassende Regelung abschließend miteinander in Einklang gebracht werden können. 

Vielmehr entsteht ein mehrschichtiger Rechtsrahmen. Auf der einen Seite stehen Regelungen für Trainingsdaten und deren Nutzung. Auf der anderen Seite stehen Fragen der menschlichen Urheberschaft bei KI-Ergebnissen. Hinzu kommen Transparenzpflichten, Lizenzmodelle, Datenschutz, Persönlichkeitsrechte und gegebenenfalls Marken- oder Wettbewerbsrecht. 

Technologisch wird gleichzeitig die Grenze zwischen menschlicher und maschineller Gestaltung weiter verschwimmen. KI-Systeme werden zunehmend nicht nur fertige Inhalte erzeugen, sondern kreative Prozesse begleiten, Entwürfe analysieren, Varianten entwickeln und Ergebnisse selbstständig optimieren. 

Damit dürfte auch die Bedeutung des menschlichen Beitrags differenzierter betrachtet werden müssen. Die Zukunft der kreativen Arbeit könnte weniger darin bestehen, KI entweder vollständig abzulehnen oder vollständig zu automatisieren. Wahrscheinlicher ist eine zunehmende Zusammenarbeit, bei der der Mensch Ziele, Kontext, Auswahl und Verantwortung vorgibt und KI einen immer größeren Teil der technischen Umsetzung übernimmt. 

Fazit: Das Urheberrecht steht vor einer neuen Definition von Kreativität 

Künstliche Kreativität stellt das Urheberrecht nicht deshalb vor Herausforderungen, weil Maschinen plötzlich rechtlich zu Künstlern werden. Die eigentliche Herausforderung besteht darin, dass sich die technischen Voraussetzungen kreativer Produktion grundlegend verändern. 

Die entscheidenden Fragen liegen heute auf mehreren Ebenen. Es muss geklärt werden, unter welchen Voraussetzungen urheberrechtlich geschützte Werke zum Training von KI-Modellen verwendet werden dürfen. Ebenso muss bestimmt werden, wann ein KI-generiertes Ergebnis einen ausreichenden menschlichen Schöpfungsbeitrag enthält. Zusätzlich braucht es Transparenz darüber, welche Inhalte für die Entwicklung leistungsfähiger Modelle verwendet wurden. 

In der Europäischen Union ist mit dem AI Act bereits ein wichtiger Schritt in Richtung größerer Transparenz und urheberrechtlicher Verantwortlichkeit von Anbietern von General-Purpose AI erfolgt. Gleichzeitig bleiben zentrale Fragen des materiellen Urheberrechts weiterhin durch bestehende Regeln, nationale Umsetzung und gerichtliche Entscheidungen geprägt. (Digitale Strategie Europa) 

Die Entwicklung ist damit keineswegs abgeschlossen. Im Gegenteil: Die kommenden Gerichtsentscheidungen, Lizenzmodelle und politischen Entscheidungen werden maßgeblich bestimmen, wie das Verhältnis zwischen menschlicher Kreativität und künstlicher Intelligenz künftig ausgestaltet wird. 

Eine sachgerechte Lösung wird dabei zwei Interessen miteinander verbinden müssen. Kreative Menschen und Rechteinhaber benötigen wirksame Möglichkeiten, ihre Werke zu schützen und gegebenenfalls an ihrer Nutzung durch KI-Systeme zu partizipieren. Gleichzeitig benötigen Entwickler und Unternehmen ausreichend klare Regeln, damit Innovation nicht durch dauerhafte rechtliche Unsicherheit behindert wird. 

Künstliche Intelligenz wird die kreative Arbeit daher voraussichtlich nicht einfach ersetzen, sondern ihre Produktionsbedingungen verändern. Die entscheidende Frage der Zukunft wird weniger lauten, ob Maschinen kreativ sein dürfen, sondern wie Gesellschaft und Recht mit einer Welt umgehen, in der menschliche und maschinelle Beiträge zunehmend gemeinsam neue Inhalte hervorbringen. 

Kommunale KI-Projekte: Wie Städte Künstliche Intelligenz für Verwaltung, Mobilität und Bürgerservice einsetzen

24 Minuten
---werbung---

️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste!

https://podcast-mit-ki.systeme.io/home

---werbung---

 Künstliche Intelligenz entwickelt sich zunehmend zu einem wichtigen Bestandteil der digitalen Transformation von Städten und Gemeinden. Während KI lange Zeit vor allem mit Industrie, Forschung oder großen Technologieunternehmen verbunden wurde, setzen heute auch kommunale Verwaltungen auf intelligente Systeme, um Verwaltungsprozesse effizienter zu gestalten, den Bürgerservice zu verbessern und städtische Infrastruktur besser zu steuern. Dabei reicht das Spektrum von digitalen Assistenten über Verkehrsmanagement bis hin zur Analyse großer Datenmengen für die Stadtplanung. 

Kommunale KI-Projekte unterscheiden sich häufig von Anwendungen in der Privatwirtschaft. Städte müssen neben technischen Anforderungen auch rechtliche Vorgaben, Datenschutz, Transparenz und den gleichberechtigten Zugang zu öffentlichen Dienstleistungen berücksichtigen. Gleichzeitig stehen viele Kommunen unter erheblichem Druck, mit begrenzten personellen und finanziellen Ressourcen eine wachsende Zahl an Aufgaben zu bewältigen. KI wird deshalb vielfach als Werkzeug verstanden, das Mitarbeitende unterstützt, nicht jedoch als Ersatz für behördliche Entscheidungen. 

Warum Kommunen auf Künstliche Intelligenz setzen 

Städte erzeugen täglich große Mengen an Daten. Verkehrssysteme, Energieversorgung, öffentliche Gebäude, Bürgeranfragen, Umweltmessungen und Verwaltungsverfahren liefern kontinuierlich Informationen, die bislang oft nur begrenzt ausgewertet werden konnten. Moderne KI-Verfahren ermöglichen es, Muster in diesen Daten zu erkennen, Prognosen zu erstellen oder Routineaufgaben zu automatisieren. 

Besonders attraktiv ist der Einsatz von KI dort, wo standardisierte Abläufe regelmäßig wiederkehren. Dazu gehören die Bearbeitung häufig gestellter Bürgerfragen, die Unterstützung bei Dokumentenmanagement, die Analyse von Verkehrsströmen oder die Optimierung kommunaler Dienstleistungen. Gleichzeitig wächst das Interesse an generativer KI, etwa zur Unterstützung bei der Erstellung von Verwaltungsentwürfen oder bei der internen Wissensverwaltung. In den meisten europäischen Kommunen befinden sich solche Anwendungen jedoch noch in Pilot- oder Testphasen. 

Barcelona als Vorreiter datenbasierter Stadtentwicklung 

Die spanische Metropole Barcelona zählt seit Jahren zu den international bekanntesten Smart-City-Standorten. Die Stadt verfolgt einen datenorientierten Ansatz, bei dem digitale Technologien zur Verbesserung kommunaler Dienstleistungen eingesetzt werden. Sensoren erfassen beispielsweise Informationen über Verkehr, Umwelt oder Energieverbrauch. Die gewonnenen Daten dienen als Grundlage für Analysen und Entscheidungen. 

Barcelona legt dabei besonderen Wert auf Datenschutz und digitale Souveränität. Im Rahmen verschiedener Smart-City-Initiativen wurden offene Datenplattformen aufgebaut, auf denen zahlreiche kommunale Datensätze öffentlich verfügbar sind. KI wird unter anderem genutzt, um Verkehrsflüsse zu analysieren, den Energieeinsatz zu optimieren und kommunale Dienstleistungen effizienter zu gestalten. Dabei steht nicht allein die technische Innovation im Vordergrund, sondern auch die Frage, wie digitale Technologien im öffentlichen Interesse eingesetzt werden können. 

Helsinki entwickelt KI mit Fokus auf Transparenz 

Die finnische Hauptstadt Helsinki gehört ebenfalls zu den europäischen Städten, die digitale Verwaltung und KI früh miteinander verbunden haben. Gemeinsam mit der Universität Helsinki entstand unter anderem der weltweit bekannte Online-Kurs "Elements of AI", der das Verständnis von Künstlicher Intelligenz in der Bevölkerung fördern soll. 

Im kommunalen Bereich setzt Helsinki auf datenbasierte Stadtentwicklung sowie digitale Verwaltungsprozesse. Die Stadt verfolgt das Ziel, KI-Anwendungen nachvollziehbar und transparent einzusetzen. Öffentliche Informationen über algorithmische Systeme sollen Bürgerinnen und Bürgern ermöglichen nachzuvollziehen, wo automatisierte Verfahren eingesetzt werden und welche Aufgaben sie übernehmen. Dieser Ansatz wird häufig als Bestandteil einer vertrauenswürdigen öffentlichen Digitalisierung betrachtet. 

Amsterdam testet KI unter klaren ethischen Leitlinien 

Amsterdam verfolgt bei der Einführung von KI einen vergleichsweise vorsichtigen Ansatz. Die Stadt veröffentlichte Leitlinien für den verantwortungsvollen Einsatz algorithmischer Systeme und beteiligt sich an europäischen Initiativen zur transparenten Nutzung von KI im öffentlichen Sektor. 

Besondere Aufmerksamkeit gilt der Vermeidung von Diskriminierung sowie der Nachvollziehbarkeit automatisierter Entscheidungen. Amsterdam gehört außerdem zu den Städten, die öffentliche Register für eingesetzte Algorithmen unterstützen oder veröffentlichen. Dadurch soll sichtbar werden, welche digitalen Systeme in Behörden verwendet werden und welche Aufgaben sie erfüllen. 

Wien setzt auf digitale Verwaltung und verantwortungsvolle KI 

Auch Wien treibt die Digitalisierung der Stadtverwaltung kontinuierlich voran. Die österreichische Hauptstadt nutzt bereits zahlreiche digitale Verwaltungsdienste und beschäftigt sich intensiv mit dem zukünftigen Einsatz Künstlicher Intelligenz. Im Mittelpunkt stehen Anwendungen, die Verwaltungsabläufe vereinfachen, Mitarbeitende unterstützen und Bürgerinnen sowie Bürgern einen besseren Zugang zu öffentlichen Dienstleistungen ermöglichen. 

Im Rahmen der Smart-City-Strategie spielen Datenanalysen, digitale Infrastruktur und nachhaltige Stadtentwicklung eine wichtige Rolle. Gleichzeitig betont die Stadt die Bedeutung von Datenschutz, Informationssicherheit und rechtskonformen KI-Anwendungen. Wie in vielen europäischen Kommunen befindet sich ein Teil der KI-Projekte noch im Erprobungsstadium. 

Deutsche Städte bauen kommunale KI-Kompetenzen aus 

Auch zahlreiche deutsche Städte arbeiten an KI-Projekten, häufig im Rahmen von Förderprogrammen des Bundes oder der Europäischen Union. Besonders sichtbar ist dies im Programm "Modellprojekte Smart Cities", das vom Bundesministerium für Wohnen, Stadtentwicklung und Bauwesen begleitet wird. Zahlreiche Kommunen entwickeln dort digitale Lösungen für Mobilität, Energie, Verwaltung oder Stadtplanung. 

Hamburg nutzt bereits umfangreiche digitale Verkehrs- und Infrastrukturinformationen für die Steuerung städtischer Prozesse. München arbeitet an verschiedenen Projekten zur Digitalisierung der Verwaltung und zur Nutzung datenbasierter Entscheidungsgrundlagen. Andere Städte untersuchen den Einsatz generativer KI für interne Verwaltungsabläufe, wobei rechtliche und datenschutzrechtliche Anforderungen derzeit intensiv geprüft werden. 

Ein gemeinsames Merkmal vieler deutscher Projekte besteht darin, dass KI nicht isoliert eingeführt wird. Stattdessen bildet sie einen Baustein umfassender Digitalisierungsstrategien, die Cloud-Technologien, offene Datenplattformen und moderne Verwaltungssoftware miteinander verbinden. 

Digitale Assistenten verbessern den Bürgerservice 

Eine der sichtbarsten Anwendungen kommunaler KI sind digitale Assistenten und Chatbots. Sie beantworten rund um die Uhr häufig gestellte Fragen zu Verwaltungsleistungen, Öffnungszeiten oder Anträgen. Dadurch können Servicecenter entlastet werden, während Bürgerinnen und Bürger schneller Informationen erhalten. 

Mit dem Aufkommen leistungsfähiger Large Language Models erweitert sich das Einsatzspektrum solcher Systeme deutlich. Moderne KI-Assistenten können komplexere Anfragen verstehen, Informationen aus verschiedenen Quellen zusammenführen und natürlichsprachliche Antworten formulieren. Dennoch bleiben menschliche Mitarbeitende notwendig, insbesondere wenn individuelle Entscheidungen oder rechtliche Bewertungen erforderlich sind. 

Viele Kommunen prüfen deshalb hybride Modelle, bei denen KI zunächst Informationen bereitstellt und schwierige Fälle anschließend an Beschäftigte weitergeleitet werden. 

Verkehrsmanagement zählt zu den wichtigsten Einsatzgebieten 

Ein besonders etabliertes Anwendungsfeld kommunaler KI ist die Verkehrssteuerung. Intelligente Systeme analysieren Verkehrsdaten nahezu in Echtzeit und unterstützen die Anpassung von Ampelschaltungen oder die Planung von Umleitungen. Ziel ist es, Staus zu reduzieren, den öffentlichen Nahverkehr zu verbessern und Emissionen zu senken. 

Auch Parkraummanagement profitiert zunehmend von KI-gestützten Analysen. Sensoren und Kameras liefern Informationen über freie Stellplätze oder Verkehrsaufkommen. Algorithmen können daraus Prognosen ableiten und die Auslastung öffentlicher Parkflächen optimieren. 

Im Bereich des öffentlichen Nahverkehrs werden KI-Verfahren genutzt, um Fahrgastströme besser vorherzusagen und Betriebsabläufe effizienter zu planen. Dadurch können Verkehrsunternehmen ihre Kapazitäten gezielter einsetzen. 

KI unterstützt die Stadtplanung 

Kommunale Planungsprozesse erzeugen große Mengen räumlicher Daten. Geoinformationssysteme, Satellitenbilder, Luftaufnahmen und Sensordaten bilden eine wertvolle Grundlage für moderne Stadtentwicklung. 

KI kann diese Daten analysieren und beispielsweise Veränderungen von Grünflächen erkennen, Verkehrsbelastungen prognostizieren oder den Energiebedarf einzelner Stadtgebiete modellieren. Solche Analysen ersetzen keine politischen Entscheidungen, liefern jedoch zusätzliche Informationen für Planungsprozesse. 

Auch beim Klimaschutz gewinnt KI an Bedeutung. Städte analysieren Temperaturentwicklungen, Starkregenereignisse oder Luftqualitätsdaten, um Maßnahmen zur Klimaanpassung gezielter planen zu können. 

Datenschutz und Transparenz bleiben zentrale Voraussetzungen 

Der Einsatz von KI im öffentlichen Sektor unterliegt besonders hohen Anforderungen. Behörden verarbeiten häufig personenbezogene Daten und treffen Entscheidungen mit unmittelbaren Auswirkungen auf Bürgerinnen und Bürger. Deshalb spielen Datenschutz, Informationssicherheit und Transparenz eine wesentlich größere Rolle als in vielen privatwirtschaftlichen Anwendungen. 

In Europa bilden die Datenschutz-Grundverordnung sowie der europäische AI Act wichtige rechtliche Rahmenbedingungen. Insbesondere Hochrisiko-Anwendungen müssen umfangreiche Anforderungen hinsichtlich Dokumentation, Risikomanagement und menschlicher Aufsicht erfüllen. Viele Kommunen entwickeln deshalb interne Richtlinien für den verantwortungsvollen Umgang mit KI. 

Fachleute weisen außerdem darauf hin, dass algorithmische Systeme regelmäßig überprüft werden müssen, um Verzerrungen oder unbeabsichtigte Benachteiligungen einzelner Bevölkerungsgruppen möglichst früh zu erkennen. 

Offene Standards und Open Source gewinnen an Bedeutung 

Viele Kommunen möchten langfristig vermeiden, vollständig von einzelnen Softwareanbietern abhängig zu werden. Deshalb wächst das Interesse an offenen Standards und Open-Source-Lösungen. Sie ermöglichen grundsätzlich mehr Transparenz, erleichtern den Austausch zwischen Behörden und können die langfristige Weiterentwicklung kommunaler Systeme unterstützen. 

Ob Open Source in jedem Fall wirtschaftlicher oder sicherer ist, hängt allerdings vom jeweiligen Einsatzgebiet, den verfügbaren Fachkräften und den konkreten Anforderungen einer Kommune ab. Daher verfolgen viele Städte einen technologieoffenen Ansatz und kombinieren unterschiedliche Softwarelösungen. 

Fachkräftemangel bremst die Umsetzung 

Neben technischen Fragen stellt der Mangel an qualifizierten Fachkräften eine der größten Herausforderungen dar. Viele Kommunen konkurrieren mit der Privatwirtschaft um Expertinnen und Experten für Datenanalyse, Softwareentwicklung und Künstliche Intelligenz. 

Hinzu kommt, dass bestehende Verwaltungsprozesse häufig angepasst werden müssen, bevor KI sinnvoll eingesetzt werden kann. Digitalisierung allein bedeutet nicht automatisch effizientere Abläufe. Erst wenn Prozesse standardisiert und Daten in ausreichender Qualität vorliegen, können KI-Systeme ihr Potenzial entfalten. 

Aus diesem Grund investieren zahlreiche Städte zunehmend in Weiterbildung, Kooperationen mit Hochschulen sowie gemeinsame Kompetenzzentren für digitale Verwaltung. 

Die Zukunft kommunaler KI 

Aktuelle Entwicklungen deuten darauf hin, dass generative KI in den kommenden Jahren verstärkt Einzug in kommunale Verwaltungen halten wird. Wahrscheinlich ist insbesondere eine stärkere Unterstützung bei der Erstellung von Dokumenten, der Recherche interner Informationen oder der Bearbeitung standardisierter Verwaltungsprozesse. Gleichzeitig wird erwartet, dass menschliche Kontrolle bei rechtlich relevanten Entscheidungen weiterhin unverzichtbar bleibt. 

Auch digitale Zwillinge ganzer Städte gewinnen zunehmend an Bedeutung. Dabei werden reale Stadtmodelle mit aktuellen Daten kombiniert, um Infrastruktur, Energieversorgung oder Verkehrsflüsse virtuell zu simulieren. KI kann diese Modelle ergänzen, indem sie Prognosen erstellt und verschiedene Entwicklungsszenarien berechnet. 

Mit der zunehmenden Verfügbarkeit leistungsfähiger Cloud-Plattformen, standardisierter Datenräume und europäischer KI-Infrastrukturen dürfte die Zahl kommunaler Anwendungen weiter wachsen. Gleichzeitig werden Transparenz, Datenschutz und vertrauenswürdige KI entscheidend dafür sein, ob Bürgerinnen und Bürger diese Technologien langfristig akzeptieren. 

Fazit 

Kommunale KI-Projekte haben sich von ersten Pilotversuchen zu einem wichtigen Bestandteil moderner Stadtentwicklung entwickelt. Städte in Europa und weltweit setzen Künstliche Intelligenz bereits in unterschiedlichen Bereichen ein, darunter Bürgerservice, Verkehrsmanagement, Stadtplanung und Verwaltungsdigitalisierung. Dabei zeigt sich, dass erfolgreiche Projekte nicht allein auf leistungsfähigen Algorithmen beruhen, sondern ebenso auf einer hochwertigen Datenbasis, klaren rechtlichen Rahmenbedingungen und einer verantwortungsvollen Umsetzung. 

Gleichzeitig befinden sich zahlreiche Anwendungen noch in einer frühen Entwicklungsphase. Insbesondere generative KI eröffnet neue Möglichkeiten für die öffentliche Verwaltung, wirft aber auch Fragen hinsichtlich Datenschutz, Transparenz und Qualität automatisierter Ergebnisse auf. Die weitere Entwicklung wird maßgeblich davon abhängen, wie Kommunen technologische Innovation mit rechtsstaatlichen Grundsätzen, demokratischer Kontrolle und dem Vertrauen der Bevölkerung verbinden können. 

BONUSFOLGE: Robo-Guru: Wie professionelle Robotik zum strategischen Werkzeug für Unternehmen wird

21 Minuten
---werbung---

️ Du hörst Podcasts – warum nicht bald deinen eigenen haben? Mit KI geht’s einfacher, als du denkst. Jetzt unverbindlich auf die Founderliste!

https://podcast-mit-ki.systeme.io/home

---werbung---

Professionelle Robotik erreicht den Unternehmensalltag 

Robotik wird zunehmend zu einem praktischen Bestandteil betrieblicher Prozesse. Während Roboter lange Zeit vor allem mit industriellen Fertigungsanlagen verbunden waren, hat sich das Einsatzspektrum deutlich erweitert. Heute übernehmen autonome Systeme unter anderem Reinigungsaufgaben, transportieren Waren, unterstützen Serviceprozesse, navigieren durch Gebäude oder werden für Empfangs- und Kommunikationsaufgaben eingesetzt. 

Die Plattform Robo-Guru positioniert sich in diesem Umfeld als herstellerunabhängige Vergleichs- und Beratungsplattform für professionelle Robotik im deutschsprachigen Raum. Nach eigenen Angaben richtet sich das Angebot insbesondere an Unternehmen, die Roboter nicht nur technisch bewerten, sondern auch hinsichtlich ihrer wirtschaftlichen Eignung für einen konkreten Anwendungsfall beurteilen möchten. Das Spektrum reicht von Reinigung und Logistik über Service und Inspektion bis hin zu humanoider Robotik. 

Damit verschiebt sich auch die zentrale Frage bei der Einführung von Robotik. Entscheidend ist nicht mehr ausschließlich, ob eine Maschine technisch autonom arbeiten kann. Für Unternehmen wird vielmehr relevant, ob sie unter den konkreten Bedingungen eines Betriebs zuverlässig funktioniert, welche Aufgaben sie tatsächlich übernehmen kann, welche laufenden Kosten entstehen und wie sich die Investition über die Nutzungsdauer wirtschaftlich auswirkt. 

Robo-Guru konzentriert sich auf den professionellen Robotikmarkt 

Auf der Plattform werden derzeit 24 Robotermodelle in einem zentralen Verzeichnis geführt. Die verfügbaren Systeme lassen sich unter anderem nach Robotertyp, Einsatzbereich, Aufgabe, Bodenart, Hersteller, Anschaffungsart, Preis und möglicher Einsatzfläche filtern. Zu den erfassten Kategorien gehören Transportroboter, Empfangsroboter, Serviceroboter, Reinigungsroboter, Desinfektionsroboter, Roboterhunde und humanoide Roboter. 

Die Auswahl zeigt zugleich, wie heterogen der Markt für professionelle Robotik inzwischen ist. Im Katalog finden sich beispielsweise Systeme von Gausium, Pudu, Keenon, LionsBot, Nexaro, OrionStar, Autoxing, Sparkoz, IKitbot und weiteren Herstellern. Die auf der Plattform ausgewiesenen Preise reichen je nach Modell und Kategorie von mehreren Tausend Euro bis in den höheren fünfstelligen Bereich. 

Diese Bandbreite ist ein wichtiger Hinweis darauf, dass „der Roboter“ als allgemeine Produktkategorie für betriebliche Entscheidungen zu unspezifisch ist. Ein autonomer Saugroboter für ein Büro verfolgt andere technische und wirtschaftliche Ziele als ein Scheuersaugroboter für eine Produktionshalle oder ein Serviceroboter in einem Hotel. 

Die Einsatzumgebung entscheidet daher wesentlich darüber, welche Technologie sinnvoll ist. Robo-Guru ordnet Systeme unter anderem den Bereichen Büro, Industrie und Logistik, Einzelhandel, Hotel und Gastronomie, Gesundheitswesen, Schulen und Universitäten sowie weiteren gewerblichen Einsatzfeldern zu. 

Reinigungsrobotik ist derzeit besonders weit entwickelt 

Ein großer Schwerpunkt des Angebots liegt auf autonomen Reinigungsrobotern. Das ist kein Zufall. Reinigungsaufgaben weisen mehrere Eigenschaften auf, die sie grundsätzlich für Automatisierung geeignet machen. Arbeitsabläufe wiederholen sich, Flächen lassen sich definieren und viele Tätigkeiten folgen vergleichbaren Prozessmustern. 

Moderne professionelle Reinigungsroboter können je nach Modell saugen, wischen, kehren oder scheuersaugen. Entscheidend ist dabei nicht nur die eigentliche Reinigungsmechanik. Ein wesentlicher Teil der technologischen Entwicklung betrifft Navigation, Hinderniserkennung, Kartierung und autonome Routenplanung. 

Der Nexaro NR 1700 beispielsweise wird auf Robo-Guru als professioneller Saugroboter beschrieben, der mit Lasernavigation, KI-gestützter Kartierung und umfangreicher Sensorik arbeitet. Das System kann laut Plattform Hindernisse und Personen erkennen und seine Route entsprechend anpassen. Eine integrierte Mobilfunkverbindung soll zudem einen Betrieb unabhängig von der lokalen WLAN-Infrastruktur ermöglichen. 

Andere Systeme setzen auf noch umfangreichere Sensorik. Beim Gausium Mira wird beispielsweise eine Kombination aus 3D-LiDAR, 2D-Laser, 3D-Kameras und Millimeterwellenradar beschrieben. Diese Sensoren dienen dazu, die Umgebung zu erfassen, Hindernisse zu erkennen und die Navigation auch in belebten oder veränderten Umgebungen zu ermöglichen. 

Beim LionsBot R5 steht wiederum die Fähigkeit im Mittelpunkt, auch in engen und verwinkelten Bereichen autonom zu navigieren. Das System verfügt laut Robo-Guru über eine 360-Grad-Wendemöglichkeit und eine KI-gestützte Navigation, die Hindernisse erkennen und Routen anpassen kann. 

Diese Beispiele verdeutlichen, dass die eigentliche Innovation moderner Reinigungsrobotik nicht allein im Motor, in den Bürsten oder im Saugaggregat liegt. Ein erheblicher Teil der technologischen Leistungsfähigkeit entsteht durch die Verbindung von Sensorik, Software, Navigation und automatisierter Entscheidungslogik. 

Mapping und Navigation als Grundlage autonomer Systeme 

Damit sich ein Roboter selbstständig durch ein Gebäude bewegen kann, muss er seine Umgebung technisch erfassen. Ein wichtiger Bestandteil moderner Robotik ist deshalb das sogenannte Mapping. Dabei wird eine digitale Repräsentation der Umgebung erstellt, anhand derer der Roboter seine Position bestimmen und Bewegungen planen kann. 

Technologien wie LiDAR, Kameras, Tiefensensoren, Ultraschall und weitere Sensoren können dabei unterschiedliche Informationen liefern. LiDAR-Systeme arbeiten beispielsweise mit Laserimpulsen, um Entfernungen zu bestimmen und räumliche Strukturen zu erfassen. Kameras liefern visuelle Informationen, während andere Sensoren ergänzende Daten über Abstände oder Hindernisse bereitstellen. 

Die Herausforderung besteht darin, aus diesen Sensordaten eine verwertbare Umgebungskarte und eine zuverlässige Positionierung abzuleiten. In der Robotik werden dafür unter anderem Verfahren aus dem Bereich SLAM eingesetzt. Die Abkürzung steht für „Simultaneous Localization and Mapping“ und bezeichnet Verfahren, bei denen ein mobiles System gleichzeitig seine Position innerhalb einer unbekannten Umgebung bestimmt und eine Karte dieser Umgebung erstellt oder aktualisiert. 

Robo-Guru beschreibt Mapping entsprechend als zentrale Grundlage für die autonome Navigation von Reinigungsrobotern. Die Plattform verweist dabei auf das Zusammenspiel von LiDAR, Tiefenkameras, Ultraschall, Bumpern und Algorithmen zur Umgebungserfassung. 

Die technische Entwicklung geht dabei zunehmend in Richtung dynamischer Navigation. Ein Roboter muss nicht mehr nur eine einmal erstellte Karte abfahren. In realen Gebäuden verändern sich Umgebungen ständig. Menschen bewegen sich, Möbel werden verschoben, Türen können geschlossen sein und Gegenstände können vorübergehend Wege blockieren. Autonome Systeme müssen deshalb mit dynamischen Situationen umgehen können. 

Künstliche Intelligenz ist Bestandteil eines größeren technischen Systems 

Der Begriff „KI“ wird bei Robotern häufig verwendet, darf jedoch nicht mit einem menschenähnlichen Verständnis der Umgebung gleichgesetzt werden. In einem professionellen Robotersystem wirken verschiedene Technologien zusammen. 

Machine-Learning-Verfahren können beispielsweise für Objekterkennung, Klassifizierung oder Entscheidungsprozesse eingesetzt werden. Deep-Learning-Modelle ermöglichen insbesondere bei Bild- und Sensordaten komplexe Mustererkennung. Gleichzeitig bleiben klassische Verfahren der Robotik, Sensorfusion, Regelungstechnik, Pfadplanung und Sicherheitslogik wesentliche Bestandteile eines autonomen Systems. 

Ein Roboter, der eine Person erkennt und ihr ausweicht, benötigt deshalb nicht nur eine Kamera. Er muss die Sensordaten verarbeiten, die erkannte Umgebung interpretieren, seine aktuelle Position bestimmen, eine sichere Bewegungsstrategie berechnen und diese anschließend mechanisch umsetzen. 

Die Bezeichnung „KI-Roboter“ beschreibt somit häufig ein Gesamtsystem, in dem künstliche Intelligenz mit klassischen Automatisierungs- und Robotikverfahren kombiniert wird. 

Wirtschaftlichkeit entscheidet über den praktischen Nutzen 

Für Unternehmen ist die technische Leistungsfähigkeit nur eine Seite der Entscheidung. Die zweite Seite ist die Wirtschaftlichkeit. 

Robo-Guru stellt deshalb einen eigenen ROI-Rechner zur Verfügung, mit dem sich unter anderem Reinigungsfläche, Reinigungsfrequenz, Personalkosten, Anschaffungspreis, Stromverbrauch, Wartung und Verbrauchsmaterial berücksichtigen lassen. Die Berechnung kann sowohl für Kauf als auch für Leasing durchgeführt werden. 

Das ist insbesondere deshalb relevant, weil ein Roboter nicht automatisch wirtschaftlich ist, nur weil er Arbeitsstunden einsparen kann. Entscheidend ist das Verhältnis zwischen eingespartem Aufwand und den Gesamtkosten des Roboters. 

Neben dem Anschaffungspreis müssen unter anderem Wartung, Verschleißteile, Verbrauchsmaterial, Energie, Software beziehungsweise Dienstleistungen und gegebenenfalls Leasingkosten berücksichtigt werden. Hinzu kommen Kosten für Einführung, Schulung und die Anpassung betrieblicher Abläufe. 

Robo-Guru nennt für gewerbliche Reinigungsroboter je nach Größenklasse unterschiedliche Preisbereiche. Auf der Plattform werden für 2026 beispielsweise kompakte Systeme ab etwa 18.500 Euro, Mittelklassegeräte ab etwa 20.000 Euro und Großflächenlösungen ab etwa 49.000 Euro genannt. Gleichzeitig weist die Plattform darauf hin, dass konkrete Preise je nach Modell und Angebot variieren können. 

Auch Aussagen zur Amortisation müssen entsprechend als modellabhängige Berechnungen verstanden werden. Robo-Guru nennt für einen Reinigungsroboter der 25.000-Euro-Klasse unter bestimmten Annahmen eine typische Amortisationszeit von zwölf bis 18 Monaten. Grundlage sind unter anderem angenommene Personalkosten von 22 Euro pro Stunde und fünf Reinigungen pro Woche. 

Solche Werte sind keine allgemeingültigen Garantien. Die tatsächliche Wirtschaftlichkeit hängt wesentlich von Fläche, Reinigungsintervallen, Personalstruktur, tatsächlicher Maschinenleistung, Wartungsaufwand und der konkreten betrieblichen Organisation ab. 

Die richtige Maschine ist wichtiger als die maximale technische Ausstattung 

Ein häufiger Fehler bei Investitionen in neue Technologien besteht darin, die technisch leistungsfähigste Maschine automatisch als die beste Lösung zu betrachten. Für Robotik gilt das nur eingeschränkt. 

Ein System mit besonders hoher Flächenleistung kann beispielsweise für eine kleine Fläche wirtschaftlich überdimensioniert sein. Umgekehrt kann ein kompakter Roboter in einer großen Produktionshalle zu geringe Kapazitäten besitzen. 

Robo-Guru stellt bei seiner Kaufberatung deshalb die Bedarfsanalyse an den Anfang. Branche, Fläche, Bodenart, Reinigungsfrequenz und Personalkosten werden als zentrale Faktoren für die Modellauswahl beschrieben. 

Auch technische Kennzahlen wie Akkulaufzeit, Reinigungsleistung, Tankvolumen, Geräuschpegel und die Verfügbarkeit eines Service-Netzes spielen eine Rolle. Für professionelle Anwendungen kann außerdem entscheidend sein, ob ein System in bestehende Softwarelandschaften eingebunden werden kann. 

Gerade die Geräuschentwicklung zeigt, wie stark der Anwendungsfall die Bewertung verändert. Ein Roboter, der in einer Produktionshalle eingesetzt wird, unterliegt anderen Anforderungen als ein Gerät, das während des laufenden Betriebs in einem Hotel, Büro oder Geschäft arbeitet. 

Robotik muss sich in bestehende Arbeitsprozesse integrieren 

Die Einführung eines Roboters bedeutet nicht zwangsläufig, dass menschliche Arbeit vollständig entfällt. In vielen realen Szenarien verändert sich vielmehr die Aufgabenverteilung. 

Ein Reinigungsroboter kann beispielsweise große, wiederkehrende Flächen automatisiert bearbeiten. Mitarbeiter müssen dennoch möglicherweise Bereiche vorbereiten, Verbrauchsmaterial kontrollieren, Tanks leeren, Bürsten warten oder schwer zugängliche Stellen manuell bearbeiten. 

Die erfolgreiche Einführung hängt deshalb nicht ausschließlich von der Maschine ab. Auch Prozesse, Verantwortlichkeiten und Mitarbeiter müssen berücksichtigt werden. 

Robo-Guru empfiehlt für professionelle Reinigungsrobotik einen Pilotbetrieb von vier bis sechs Wochen, um tatsächliche Reinigungsleistung, Akzeptanz im Team und Integration in den Tagesbetrieb zu überprüfen. Erst nach einem erfolgreichen Pilotprojekt soll die Skalierung auf weitere Standorte erfolgen. 

Diese Vorgehensweise entspricht einem grundlegenden Prinzip der Automatisierung: Technische Machbarkeit und praktische Einsatzfähigkeit sind zwei unterschiedliche Fragen. 

Sicherheit bleibt eine zentrale Herausforderung 

Autonome Roboter bewegen sich zunehmend in Umgebungen, in denen Menschen arbeiten oder sich aufhalten. Dadurch gewinnt die funktionale Sicherheit an Bedeutung. 

Sensoren zur Hindernis- und Personenerkennung können dazu beitragen, Kollisionen zu vermeiden. Zusätzlich existieren mechanische und elektronische Sicherheitsmechanismen. Robo-Guru nennt unter anderem Personenerkennung, Notabschaltung und CE-Konformität als relevante Kriterien bei der Bewertung professioneller Systeme. 

Eine technische Fähigkeit zur Hinderniserkennung darf allerdings nicht mit einer pauschalen Sicherheitsgarantie gleichgesetzt werden. Die tatsächliche Sicherheit hängt vom konkreten Gerät, seiner Konfiguration, der Umgebung und dem vorgesehenen Einsatz ab. 

Besonders anspruchsvoll sind dynamische Umgebungen. Ein Lager mit definierten Fahrwegen ist anders zu bewerten als ein Einkaufszentrum mit ständig wechselnden Personenströmen. Ebenso stellen Treppen, Glasflächen, unübersichtliche Bereiche, Kabel, Flüssigkeiten oder unvorhersehbare Hindernisse unterschiedliche Anforderungen an die Sensorik und Navigation. 

Daten, Vernetzung und Software werden wichtiger 

Mit zunehmender Autonomie wird Robotik immer stärker zu einem Softwarethema. Ein moderner Roboter besteht nicht mehr nur aus Mechanik und Elektronik. Karten, Sensordaten, Softwareupdates, Telemetrie, Flottenmanagement und Schnittstellen können einen erheblichen Teil des Gesamtsystems ausmachen. 

Robo-Guru nennt deshalb die mögliche Integration über APIs oder Webhooks in Systeme wie CAFM, WMS oder Hotel-PMS als relevantes Auswahlkriterium. 

Damit entsteht gleichzeitig eine neue Abhängigkeit von Software und Infrastruktur. Ein Unternehmen muss nicht nur fragen, wie gut ein Roboter heute funktioniert. Ebenso wichtig ist, wie lange Software unterstützt wird, wie Updates verteilt werden, welche Schnittstellen zur Verfügung stehen und welche Serviceleistungen langfristig angeboten werden. 

Bei vernetzten Systemen kommen zudem Fragen des Datenschutzes und der IT-Sicherheit hinzu. Kameras, Sensoren und Netzwerkverbindungen können je nach Einsatzumgebung Informationen über Personen und betriebliche Abläufe erfassen. Die konkrete datenschutzrechtliche Bewertung hängt dabei von der jeweiligen technischen Implementierung und dem Einsatzgebiet ab. 

Robotik beschränkt sich nicht auf Reinigung 

Obwohl Reinigungsrobotik derzeit einen wichtigen Schwerpunkt des Marktes bildet, reicht die Entwicklung deutlich weiter. 

Transportroboter können Material oder Waren innerhalb von Gebäuden bewegen. Serviceroboter werden beispielsweise in Gastronomie und Hotellerie eingesetzt. Empfangsroboter können Besucher begrüßen, Informationen bereitstellen oder Personen innerhalb eines Gebäudes unterstützen. 

Ein Beispiel ist der OrionStar Nova, den Robo-Guru als KI-gestützten Empfangsroboter beschreibt. Das System soll autonom navigieren und interaktive Kommunikation in mehr als 30 Sprachen ermöglichen. Die Plattform weist für das Modell einen UVP-Einstiegspreis von 17.800 Euro aus. 

Auch Pudu Robotics zeigt die zunehmende Breite des Marktes. Robo-Guru beschreibt Pudu als einen Anbieter, dessen Portfolio sich von Servicerobotern für Gastronomie und Transport zunehmend in Richtung verschiedener Robotikformen entwickelt. Auf der Plattform wird außerdem angegeben, dass Pudu nach eigenen Angaben mehr als 130.000 Einheiten in mehr als 85 Ländern ausgeliefert hat. 

Die unterschiedlichen Systeme machen deutlich, dass Robotik nicht als einzelner Markt betrachtet werden sollte. Reinigung, Logistik, Empfang, Gastronomie, industrielle Automatisierung und humanoide Systeme unterscheiden sich technisch erheblich und befinden sich jeweils auf unterschiedlichen Entwicklungsstufen. 

Humanoide Roboter stehen vor einer anderen Entwicklungsphase 

Besonders viel öffentliche Aufmerksamkeit erhalten derzeit humanoide Roboter. Ihr Ziel ist es, menschlich geprägte Umgebungen mit einer Körperform zu nutzen, die grundsätzlich für viele vorhandene Arbeitsumgebungen geeignet ist. 

Technisch ist die Herausforderung jedoch wesentlich größer als bei einem spezialisierten Reinigungsroboter. Ein System, das zuverlässig saugt oder wischt, muss eine klar definierte Aufgabe in einer relativ begrenzten Umgebung ausführen. Ein humanoider Roboter soll dagegen potenziell eine Vielzahl unterschiedlicher Tätigkeiten übernehmen. 

Dafür sind Fortschritte bei Computer Vision, Bewegungsplanung, Manipulation, künstlicher Intelligenz und der Verarbeitung multimodaler Informationen erforderlich. 

Robo-Guru greift diese Entwicklung in seiner Berichterstattung zur Robotik auf und ordnet die zunehmende Entwicklung humanoider Systeme als einen wichtigen aktuellen Trend ein. 

Die tatsächliche Geschwindigkeit, mit der humanoide Roboter wirtschaftlich relevante Aufgaben in großem Maßstab übernehmen werden, lässt sich derzeit jedoch nicht zuverlässig bestimmen. Zwischen Demonstrationen, Pilotprojekten und einem robusten, kosteneffizienten industriellen Betrieb bestehen erhebliche Unterschiede. 

Robotik und der Arbeitsmarkt 

Mit zunehmender Automatisierung stellt sich zwangsläufig die Frage nach den Auswirkungen auf Beschäftigung und Arbeitsorganisation. 

Bei der professionellen Reinigungsrobotik ist ein vollständiger Ersatz menschlicher Arbeitskräfte nicht automatisch zu erwarten. Vielmehr kann sich die Zusammensetzung der Arbeit verändern. Roboter übernehmen repetitive Tätigkeiten, während Menschen stärker für Kontrolle, Vorbereitung, Sonderaufgaben, Wartung und Tätigkeiten eingesetzt werden, die eine flexible Reaktion auf ungewöhnliche Situationen erfordern. 

Gleichzeitig kann Automatisierung den Bedarf an bestimmten manuellen Tätigkeiten tatsächlich reduzieren. Wie stark dieser Effekt ausfällt, hängt von Branche, Prozessgestaltung, Robotikgrad und wirtschaftlichen Rahmenbedingungen ab. 

Aus Sicht der Unternehmen steht dabei häufig nicht nur die Reduzierung von Personalkosten im Vordergrund. Angesichts des Fachkräfte- und Arbeitskräftemangels kann Automatisierung auch dazu dienen, vorhandene Mitarbeiter gezielter einzusetzen und repetitive Tätigkeiten zu reduzieren. 

Der Markt bewegt sich in Richtung Robot-as-a-Service 

Neben dem klassischen Kauf gewinnt das Modell „Robot-as-a-Service“, kurz RaaS, an Bedeutung. Dabei wird Robotik nicht zwingend als einmalige Investition erworben. Stattdessen kann ein Unternehmen ein Gerät beziehungsweise eine entsprechende Leistung gegen eine laufende Gebühr beziehen. 

Der Vorteil liegt vor allem in einer geringeren Anfangsinvestition und einer besser planbaren Kostenstruktur. Gleichzeitig können langfristige Vertragsbindungen, Servicebedingungen und Gesamtkosten eine wichtige Rolle spielen. 

Auch Robo-Guru berücksichtigt neben dem Kauf Leasingmodelle. Der eigene ROI-Rechner ermöglicht die Betrachtung unterschiedlicher Leasinglaufzeiten zwischen 24 und 60 Monaten. 

Für Unternehmen verschiebt sich damit die Beschaffungsentscheidung von einer reinen Investitionsfrage zu einer Total-Cost-of-Ownership-Betrachtung. Entscheidend ist nicht allein der Kaufpreis, sondern die Gesamtheit der Kosten und Leistungen über die Nutzungsdauer. 

Unabhängigkeit ist bei der Auswahl ein entscheidender Faktor 

Ein wesentlicher Anspruch von Robo-Guru besteht darin, herstellerunabhängig zu arbeiten. Die Plattform gibt an, keine Hersteller-Provisionen zu erhalten und keine sogenannten Pay-to-Play-Listings anzubieten. Empfehlungen sollen demnach auf der Eignung für den jeweiligen Anwendungsfall basieren. 

Für Beschaffungsentscheidungen ist eine solche Trennung grundsätzlich relevant. Herstellerangaben sind wichtige Informationsquellen, enthalten jedoch naturgemäß die Perspektive des jeweiligen Anbieters. Ein unabhängiger Vergleich kann zusätzliche Orientierung schaffen, insbesondere wenn mehrere Hersteller ähnliche Produkte anbieten. 

Gleichzeitig sollte auch eine unabhängige Plattform nicht als Ersatz für eine technische Prüfung vor Ort verstanden werden. Produktdaten, Preise und Verfügbarkeiten können sich verändern. Bei einer Investition in professionelle Robotik bleiben deshalb Herstellerunterlagen, praktische Tests, Referenzen, Servicebedingungen und ein realer Pilotbetrieb wichtige Bestandteile einer belastbaren Entscheidung. 

Praxisdaten gewinnen an Bedeutung 

Technische Datenblätter können wichtige Informationen liefern, beantworten aber nicht jede Frage. Ein Roboter kann unter idealisierten Bedingungen eine bestimmte Flächenleistung erreichen und in einer realen Umgebung dennoch deutlich andere Ergebnisse liefern. 

Praxisberichte können deshalb einen zusätzlichen Informationswert besitzen. Robo-Guru veröffentlicht Erfahrungsberichte zu verschiedenen Robotern und nennt unter anderem Bewertungen für Modelle wie den Pudu CC1 Pro, Gausium Marvel und Gausium Phantas. 

Dabei ist allerdings zwischen einer individuellen Erfahrung und einer statistisch belastbaren Untersuchung zu unterscheiden. Einzelne Praxisberichte können wertvolle Hinweise auf konkrete Einsatzbedingungen geben, sind aber nicht automatisch auf jedes Unternehmen übertragbar. 

Für eine professionelle Beschaffung ist daher die Kombination verschiedener Informationsquellen sinnvoll: technische Spezifikationen, unabhängige Vergleiche, Referenzprojekte, Wirtschaftlichkeitsrechnungen und ein Praxistest. 

Was in den kommenden Jahren entscheidend werden dürfte 

Die Entwicklung der Robotik wird voraussichtlich nicht nur durch bessere Hardware bestimmt. Einen wesentlichen Einfluss dürfte die zunehmende Leistungsfähigkeit von Software und künstlicher Intelligenz haben. 

Roboter werden zunehmend in der Lage sein, ihre Umgebung detaillierter zu erfassen, Veränderungen schneller zu berücksichtigen und Aufgaben flexibler zu planen. Fortschritte bei Computer Vision und multimodaler KI könnten außerdem dazu beitragen, dass Roboter Anweisungen natürlicher verstehen und komplexere Situationen verarbeiten können. 

Parallel dazu dürfte die Vernetzung von Robotern zunehmen. Statt einzelne Maschinen isoliert einzusetzen, können Unternehmen mehrere Roboter als Flotte verwalten. Daten aus verschiedenen Maschinen können dabei zentral ausgewertet und Einsatzpläne koordiniert werden. 

Auch die Integration in bestehende Unternehmenssoftware dürfte wichtiger werden. Robotik kann langfristig nicht nur als einzelne Maschine betrachtet werden, sondern als Bestandteil eines digitalen Betriebssystems für Gebäude, Lager, Hotels oder Produktionsumgebungen. 

Die größten Herausforderungen bleiben in der Praxis 

Trotz des technologischen Fortschritts sind autonome Roboter noch keine universell einsetzbaren Maschinen. Ihre Leistungsfähigkeit hängt stark von der Umgebung und der konkreten Aufgabe ab. 

Unvorhersehbare Hindernisse, wechselnde Lichtbedingungen, komplexe Grundrisse, unterschiedliche Bodenbeläge und hohe Personenfrequenzen können die Anforderungen an Navigation und Sensorik erhöhen. Auch Wartung, Akkumanagement und Verbrauchsmaterial bleiben praktische Faktoren. 

Hinzu kommen wirtschaftliche Risiken. Ein Roboter kann sich nur dann rechnen, wenn er tatsächlich ausreichend eingesetzt wird und die erwartete Leistung erreicht. Ein technisch leistungsfähiges System, das aufgrund organisatorischer Probleme nur einen Teil seiner möglichen Betriebszeit genutzt wird, kann wirtschaftlich hinter den Erwartungen zurückbleiben. 

Deshalb ist die wichtigste Entwicklung möglicherweise nicht der vollständig autonome Roboter, sondern die Fähigkeit von Unternehmen, Robotik systematisch in ihre Prozesse zu integrieren. 

Von der Einzelmaschine zur automatisierten Flotte 

Langfristig zeichnet sich ein Wandel vom einzelnen autonomen Gerät hin zu vernetzten Roboterflotten ab. In großen Gebäuden oder Industrieanlagen könnten unterschiedliche Robotertypen jeweils spezialisierte Aufgaben übernehmen. 

Ein Reinigungsroboter könnte beispielsweise Flächen bearbeiten, während Transportroboter Material bewegen und Inspektionssysteme technische Bereiche überwachen. Eine zentrale Software könnte dabei Einsatzzeiten, Standortinformationen und Betriebszustände koordinieren. 

Eine solche Entwicklung würde Robotik stärker mit Konzepten aus dem Internet of Things, Cloud Computing, Edge Computing und Unternehmenssoftware verbinden. Die Grenze zwischen physischer Maschine und digitaler Infrastruktur würde damit zunehmend verschwimmen. 

Allerdings setzt eine solche Vision standardisierte Schnittstellen, zuverlässige Kommunikation, geeignete Sicherheitskonzepte und wirtschaftlich tragfähige Geschäftsmodelle voraus. Wie schnell sich solche vollständig integrierten Systeme verbreiten werden, ist derzeit offen. 

Robo-Guru als Beispiel für den Wandel der Robotikbeschaffung 

Die Entwicklung von Robo-Guru verdeutlicht eine grundlegende Veränderung im Umgang mit professioneller Robotik. Unternehmen benötigen zunehmend nicht nur Informationen über einzelne Maschinen, sondern Unterstützung bei der Auswahl, Bewertung und wirtschaftlichen Einordnung. 

Der Ansatz der Plattform verbindet deshalb einen Robotik-Katalog mit Vergleichsfunktionen, einem Robot-Finder, einem ROI-Rechner, Praxisberichten und einem KI-basierten Beratungsangebot. Der Robot-Finder soll anhand weniger Angaben eine Auswahl geeigneter Modelle treffen, während der ROI-Rechner eine individuelle Wirtschaftlichkeitsberechnung ermöglicht. 

Damit wird die Beschaffung von Robotik stärker datengetrieben. Statt sich ausschließlich an Produktnamen oder Herstellerempfehlungen zu orientieren, können Unternehmen Einsatzfläche, Aufgabe, Bodenart, Kosten und technische Eigenschaften miteinander verbinden. 

Fazit: Robotik wird vom Zukunftsthema zum Wirtschaftsfaktor 

Professionelle Robotik befindet sich inzwischen in einer Phase, in der zahlreiche Anwendungen nicht mehr ausschließlich als technologische Demonstrationen betrachtet werden müssen. Insbesondere bei klar definierten und wiederkehrenden Aufgaben wie der gewerblichen Reinigung existieren bereits Systeme, die autonom navigieren, Umgebungen erfassen und Arbeitsabläufe selbstständig durchführen können. 

Die entscheidende Frage lautet deshalb zunehmend nicht mehr, ob Roboter grundsätzlich eingesetzt werden können. Entscheidend ist, wo ihr Einsatz technisch sinnvoll, wirtschaftlich tragfähig und organisatorisch beherrschbar ist. 

Plattformen wie Robo-Guru reagieren auf diesen Wandel, indem sie technische Produktdaten, Anwendungsfälle und Wirtschaftlichkeitsberechnungen miteinander verbinden. Der Nutzen eines solchen Ansatzes liegt vor allem darin, dass die Auswahl eines Roboters stärker an den tatsächlichen Anforderungen eines Unternehmens ausgerichtet werden kann. 

Für die kommenden Jahre ist mit weiteren Fortschritten bei Navigation, Sensorik, künstlicher Intelligenz, Vernetzung und Robotersoftware zu rechnen. Gleichzeitig werden Fragen zu Sicherheit, Datenschutz, Service, Standardisierung, Kosten und Auswirkungen auf Arbeitsprozesse an Bedeutung gewinnen. 

Die Zukunft der Robotik wird daher vermutlich weniger durch eine einzelne spektakuläre Maschine geprägt sein als durch die zunehmende Integration autonomer Systeme in bestehende Geschäftsprozesse. Unternehmen, die Robotik erfolgreich einsetzen wollen, werden nicht nur leistungsfähige Maschinen benötigen, sondern vor allem belastbare Daten, realistische Wirtschaftlichkeitsmodelle und ein klares Verständnis dafür, welche Aufgaben tatsächlich automatisiert werden sollen.

https://robo-guru.de/
Alle Folgen ansehen (21)
In Podcasts werben
Schalte jetzt Werbung in Podcasts.

Über diesen Podcast

Wie verändert Künstliche Intelligenz unser Leben – heute und morgen? Im künstliche Intelligenz Podcast tauchst du ein in die spannende Welt von KI, maschinellem Lernen, Deep Learning und neuronalen Netzen. Wir zeigen, wie intelligente Systeme Entscheidungen treffen, Unternehmen effizienter machen und unseren Alltag revolutionieren – verständlich, praxisnah und immer aktuell.  Von Sprachmodellen wie ChatGPT über Robotik und Smart Factories bis zu KI in Medizin, Forschung, Bildung und kreativen Projekten – jede Folge liefert Einblicke in Trends, Chancen, Risiken und die Technologien der Zukunft. Gleichzeitig beleuchten wir gesellschaftliche, ethische und politische Fragen: Datenschutz, Deepfakes, KI-Regulierung und globale Wettläufe im Bereich künstlicher Intelligenz.  Ob Einsteiger oder Profi: Begleite uns auf einer Reise durch die digitale Transformation und entdecke, wie KI unsere Arbeitswelt, Wirtschaft und Gesellschaft nachhaltig verändert. Jede Episode inspiriert, informiert und macht die Welt der künstlichen Intelligenz greifbar.
Webseite
Der künstliche Intelligenz Podcast
Urheberangabe
Martin Benes
Durchschnittliche Länge
Ø 20 Min.
Erscheinungsweise
Wöchentlich
Letzter Check
vor 2 Std.
Zuerst veröffentlicht
vor 1 J.
Podcast melden

„Der künstliche Intelligenz Podcast“

Worum geht es? Danach fragen wir noch nach dem Grund.

Folgende Podcasts könnten dich auch interessieren
Programmieren, WS19/20, Vorlesung
Programmieren, WS19/20...
Programmieren, WS19/20, V...
F.A.Z. Künstliche Intelligenz
F.A.Z. Künstliche Inte...
Programmieren lernen - Der Developer Akademie Podcast
Programmieren lernen -...
Sprachventure Podcast - Sprachen lernen, Sprachreisen & mehr
Sprachventure Podcast...
WORK IT OUT! Der Podcast über New Work
WORK IT OUT! Der Podca...
IT im Gespräch
IT im Gespräch
Business IT Solutions – E...
BURN 4 IT
BURN 4 IT
BURN 4 IT dein Podcast fü...
Get Sh*t done in IT (DE)
Get Sh*t done in IT (D...
And so it is! Für Frauen, die alles wollen
And so it is! Für Frau...
IT as a Pro
IT as a Pro

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz