Wie KI-Regulierung verzögert wird

Der Whataboutismus im KI-Diskurs ist eine rhetorische Technik, bei der auf Bedenken über Künstliche Intelligenz mit dem Hinweis auf historische Vorläufer geantwortet wird. »Hatten wir nicht bei der Einführung des Buchdrucks dieselben Debatten?« oder »Das Rad wurde auch nicht reguliert«. Diese Sätze klingen auf den ersten Blick vernünftig. Sie sind es nicht!

Das strukturelle Problem liegt in der Verwechslung von quantitativer und qualitativer Diskontinuität. Jede Technologie bringt Veränderungen, aber nicht jede Technologie verändert die epistemischen, sozialen und wirtschaftlichen Grundlagen einer Gesellschaft in ähnlicher Breite und Geschwindigkeit. Sprachgenerierende KI-Systeme, die in Sekundenbruchteilen Millionen von Texten erzeugen können, die von Menschen nicht als maschinell erkannt werden, sind in ihrer gesellschaftlichen Wirkung nicht mit der Weberei vergleichbar, auch wenn beide »neue Werkzeuge« sind.

Zusätzlich arbeitet der Whataboutismus mit einer impliziten Botschaft: Da frühere Gesellschaften technologische Transformationen »überlebt« haben, wird die aktuelle Generation es ebenso tun und zwar ohne regulatorischen Eingriff. Diese Schlussfolgerung ignoriert, dass frühere Gesellschaften keineswegs schadlos durch Technologiewandel navigierten. Die Industrialisierung etwa produzierte jahrzehntelange Kinderarbeit, Massenverelendung und politische Gewalt, bevor regulatorische Eingriffe die schlimmsten Exzesse einzuhegen begannen.

Im KI-Diskurs dient der Whataboutismus primär der Entschleunigung von Governance-Prozessen: Wer jede Regulierungsdebatte mit historischen Parallelen öffnet, verschiebt den Fokus von konkreten Risikopotenzialen auf abstrakte Kontinuitätsfragen und gewinnt damit Zeit.

Der Individualismus-Reflex im KI-Diskurs übersetzt das systemische Risikoproblem in eine Frage der persönlichen Verantwortung. »Jede:r Nutzer:in kann selbst entscheiden, wie sie oder er KI verwendet.« Klingt nach Freiheit, ist strukturell aber eine Zumutung.

Der Fehler liegt in der Annahme, dass die Schäden durch KI-Systeme vorrangig durch individuelle Nutzungsentscheidungen entstehen. Tatsächlich sind die relevanten Risiken wie etwas algorithmische Diskriminierung in Kreditvergabe oder Bewerbungsverfahren, automatisierte Desinformationsproduktion im politischen Raum, Datenschutzverletzungen durch undurchsichtige Trainingsprozesse, keine Folge individueller Fehlentscheidungen, sondern Eigenschaften von Systemen, die von einzelnen Nutzer:innen weder beeinflussbar noch überschaubar sind.

Wer für einen Kredit abgelehnt wird, weil ein Modell die Postleitzahl als Risikomerkmal gewichtet, trifft keine »schlechte Entscheidung«. Wer als Bewerberin in einem automatisierten Screening-System schlechter abschneidet, weil das Trainingskorpus historische Lohnungleichheiten reproduziert, hat keine Wahl getroffen, die sie durch klügeres individuelles Verhalten hätte korrigieren können.

Die Verortung von Verantwortung auf individueller Ebene ist deshalb nicht nur analytisch unzutreffend, sondern hat eine politische Funktion: Sie entlastet Systementwickler:innen und Plattformbetreibende von struktureller Rechenschaftspflicht. Der Begriff »digitale Mündigkeit«, der in diesem Zusammenhang regelmäßig auftaucht, bezeichnet dann nicht Ermächtigung, sondern Entlastung der Produzentenseite.
Systemische Risiken lassen sich nicht durch individuelle Verantwortungsübernahme regulieren. Das würde voraussetzen, dass Einzelpersonen Zugang, Information und Macht haben, die sie aber strukturell nicht besitzen.

Das geopolitische Argument ist das Trittbrettfahrer-Problem in seiner reinsten Form: Da andere Akteure (meist China oder »Silicon Valley«) ohne regulatorische Einschränkungen entwickeln, erscheint eigene Regulierung nicht nur wirkungslos, sondern selbstschädigend. Regulierung wird als einseitige Abrüstung im Technologiewettbewerb gerahmt.

Dieser Denkfehler lässt sich auf mehreren Ebenen rekonstruieren. Erstens ist die empirische Prämisse falsch: Sowohl die Europäische Union mit dem AI Act als auch einzelne US-amerikanische Bundesstaaten und zunehmend auch chinesische Behörden haben regulatorische Frameworks entwickelt oder angekündigt. Der »regulierungsfreie Wilde Westen« ist eine Rahmung, keine Beschreibung der tatsächlichen globalen Governance-Landschaft.

Zweitens verwechselt das Argument Wettbewerbsfähigkeit mit Rücksichtslosigkeit. Es gibt erhebliche Evidenz dafür, dass Regulierungsrahmen (insbesondere verbindliche Qualitäts- und Transparenzstandards) langfristig Vertrauen in Technologien erzeugen und damit Marktdurchdringung erleichtern, nicht erschweren. Das Beispiel der DSGVO zeigt, dass europäische Datenschutzstandards sich als globales Regulierungsexport-Modell etabliert haben, nicht als Wettbewerbsnachteil.

Drittens transportiert das Argument eine problematische Logik: Wenn alle Akteure mit dem Verhalten anderer argumentieren, um die eigene Passivität zu rechtfertigen, produziert das kollektive Unterregulierung als strukturelles Gleichgewicht - eine typische Anreizproblematik kollektiven Handelns, das sich nicht durch den Verweis auf andere lösen lässt, sondern nur durch koordinierte Governance.

»Responsible AI«, »Ethical AI by Design«, »AI Safety Teams« - der inflationäre Gebrauch dieser Begriffe in den Selbstdarstellungen großer Technologieunternehmen ist so bemerkenswert wie die gleichzeitige Abwesenheit verbindlicher Mechanismen, die diesen Versprechen Substanz verleihen würden. Das Phänomen wurde in der Forschung als »Ethics Washing« beschrieben: symbolische Compliance ohne strukturelle Konsequenz.

Das Muster ist konsistent: Ein Unternehmen kündigt ein Ethik-Board an. Das Board trifft sich, veröffentlicht Prinzipien. Die Prinzipien sind formuliert als Aspirationen, nicht als verbindliche Anforderungen. Sie enthalten keine Sanktionsmechanismen, keine unabhängige Überprüfung, keine Eskalationspfade. Das Board wird aufgelöst oder umstrukturiert, wenn seine Empfehlungen produktpolitisch unbequem werden - was regelmäßig vorkommt.

Besonders aufschlussreich ist die Sprache dieser Initiativen. »Wir glauben, dass KI sicher, fair und transparent sein sollte« ist keine Governance-Aussage. Es ist eine Meinungsäußerung. Die entscheidende Frage »Und was passiert, wenn Ihre Systeme das nicht sind?« bleibt in Corporate-Ethik-Papieren strukturell unbeantwortet.

Das Ethik-Theater hat eine wichtige politische Funktion: Es besetzt den Raum, den verbindliche Regulierung ausfüllen würde, mit weichen Signalen und kommuniziert damit an Regulierungsbehörden: »Wir regeln das selbst.« Dass diese Selbstregulierung in strukturell unterregulierten Märkten systematisch versagt, ist keine Überraschung, sondern eine vorhersehbare Konsequenz fehlender Durchsetzungsmechanismen.

Wirtschaftliche Folgenabschätzungen sind legitime und notwendige Bestandteile von Regulierungsdebatten. Die Frage, welche ökonomischen Kosten und Nutzen eine Regulierungsmaßnahme erzeugt, verdient sorgfältige empirische Analyse. Das Muster, das hier beschrieben wird, ist ein anderes: die selektive, asymmetrische Verwendung ökonomischer Argumente zur Delegitimierung von Regulierung.

Die Asymmetrie zeigt sich typischerweise darin, dass Regulierungskosten präzise benannt werden: Compliance-Aufwände, potenzielle Verlangsamung von Entwicklungszyklen, hypothetische Wettbewerbsnachteile, während die ökonomischen Kosten fehlender Regulierung unsichtbar bleiben. Was kostet es, wenn KI-basierte Kreditscoring-Systeme diskriminieren? Was kostet es volkswirtschaftlich, wenn Desinformationssysteme das Vertrauen in demokratische Institutionen erodieren? Was kosten die Beschäftigungseffekte unregulierter Automatisierung, wenn keine Qualifizierungsbegleitung vorgesehen ist?

Diese Fragen verschwinden in der Kostendebatte systematisch, weil ihre Beantwortung methodisch schwieriger ist und weil die Betroffenen weniger gut organisiert sind als die regulierten Unternehmen. Ökonominnen sprechen von negativen Externalitäten: Kosten, die von Dritten getragen werden und deshalb in privatwirtschaftliche Kalkulationen nicht eingehen - es sei denn, Regulierung zwingt zur Internalisierung.

Besonders aufschlussreich ist der Vergleich mit anderen Regulierungsfeldern: Lebensmittelsicherheitsstandards »kosten« die Nahrungsmittelindustrie Geld. Abgasvorschriften »kosten« Automobilhersteller Geld. Die Frage ist nicht, ob Regulierung Kosten produziert (das tut sie immer), sondern ob diese Kosten im Verhältnis zu den vermiedenen Schäden stehen. Diese Verhältnisfrage wird in der Angstmacherei konsequent nicht gestellt.

Die »Nirvana-Fallacy« (Trugschluss der perfekten Lösung) ist ein klassisches argumentatives Muster: Eine reale, imperfekte Lösung wird nicht an anderen realen, imperfekten Alternativen gemessen, sondern an einem idealen Zustand, der per Definition unerreichbar ist. Im KI-Regulierungskontext lautet die entsprechende Aussage: »Wir sollten nur solche Regulierungen einführen, die von allen relevanten Stakeholdern vollständig getragen werden.«

In komplexen Politikfeldern mit heterogenen Interessenlagen )das KI-Governance-Feld ist ein solches) gibt es keinen Zustand universellen Einvernehmens. Regulierungsmaßnahmen betreffen unterschiedliche Akteure unterschiedlich stark und produzieren regelmäßig Verlierer wie Gewinner. Das Anforderungsprofil des vollständigen Konsenses ist deshalb kein anspruchsvoller Standard, sondern ein strukturelles Vetorecht für jeden einzelnen Akteur mit Interessenkollision.

Demokratische Gesellschaften haben für dieses Problem Lösungen entwickelt: Mehrheitsentscheidungen, Kompromissverfahren, rechtlich strukturierte Interessenabwägungen. Diese Mechanismen produzieren nicht perfekte, aber legitime und revisierbare Entscheidungen. Die Forderung nach Konsens ist deshalb keine demokratiepolitische Stärkung, sondern ihre Umgehung durch Entscheidungsblockade.

Besonders wirkmächtig ist der Perfektionismus in Kombination mit Zeitdruck: Solange über den idealen Regulierungsrahmen verhandelt wird, können Systeme ausgerollt werden, die unter einem hypothetisch besseren Regime möglicherweise nicht genehmigt worden wären. Die Temporalität ist also nicht neutral: Jede Verzögerung im Regulierungsprozess ist gleichzeitig eine Erlaubnis zum weiteren unregulierten Einsatz.

Gerechtigkeitsdiskurse sind im KI-Kontext notwendig und berechtigt. KI-Systeme reproduzieren und verstärken bestehende Ungleichheiten - durch verzerrte Trainingsdaten, durch ungleiche Zugangsbedingungen, durch die geografische Konzentration von KI-Wertschöpfung im Globalen Norden. Diese Probleme sind real und verlangen strukturelle Antworten.

Das Muster, das hier beschrieben wird, ist ein anderes: die Instrumentalisierung legitimer Gerechtigkeitsdiskurse als rhetorisches Mittel gegen jede Form von KI-Regulierung, ohne dass alternative Schutzmaßnahmen vorgeschlagen werden. »Regulierung schadet dem Globalen Süden« - dieser Satz erscheint häufig in Debatten über Regulierungsmaßnahmen, ohne dass er je mit einer konkreten Analyse unterfüttert wird, warum ausgerechnet Schutzstandards für marginalisierte Gruppen diese benachteiligen würden.

Die empirische Evidenz zeigt vielmehr das Gegenteil: KI-Systeme ohne Qualitätsstandards und Rechenschaftspflicht schaden überproportional denjenigen, die wenig politischen und rechtlichen Zugang zur Durchsetzung ihrer Interessen haben. Automatisierte Entscheidungssysteme in Asylverfahren, in sozialen Transferleistungen oder in der Kreditvergabe ohne Regulierung benachteiligen systematisch vulnerable Gruppen.

Die Unehrlichkeit dieser Argumentationsfigur liegt nicht in den Worten, sondern in dem, was sie verschweigt: Wer Gerechtigkeitsdiskurse gegen Regulierung einsetzt, ohne gleichzeitig alternative Schutzmaßnahmen zu benennen, benutzt Marginalisierung als Schild für etwas anderes. Die Frage, »cui bono« (wem nützt diese Argumentation?) ist hier besonders aufschlussreich zu stellen.

Das Argument für freiwillige Selbstverpflichtung als Ersatz für verbindliche Regulierung ist im Kern eine Governance-Theorie: Industrieakteure kennen ihre Technologien besser als staatliche Behörden, haben ein Eigeninteresse an sicherem Betrieb (Reputationsrisiko) und können schneller reagieren als demokratische Gesetzgebungsprozesse. Alle drei Prämissen sind zumindest diskussionswürdig.

Das Informationsgefälle zwischen Industrie und Regulierung ist real - aber es ist kein Argument gegen Regulierung, sondern für bessere Regulierungskapazitäten und Transparenzpflichten. Reputationsrisiken disziplinieren Unternehmen in sichtbaren Konsumgütersektoren; in B2B-KI-Anwendungen, in Entscheidungsunterstützungssystemen für Behörden oder in algorithmischen Systemen, deren Wirkungen diffus und verzögert auftreten, ist der Disziplinierungsmechanismus erheblich schwächer. Und Reaktionsgeschwindigkeit ist kein Wert an sich - schnelles Handeln ohne Verbindlichkeit produziert bloß eine höhere Frequenz unverbindlicher Commitments.

Empirisch zeigt die Evidenz aus anderen Sektoren - Finanzmarktregulierung, Umweltschutz, Lebensmittelsicherheit - dass freiwillige Selbstverpflichtung als alleiniger Regulierungsmodus in Bereichen mit Externalisierungsanreizen systematisch versagt. Wenn die Kosten von Schäden auf Dritte abgewälzt werden können, gibt es keinen ausreichenden Marktanreiz für ausreichende Schutzmaßnahmen.

Was Soft Law (unverbindliche Übereinkünfte oder Absichtserklärungen) in hybriden Governance-Architekturen leisten kann: Flexibilität, sektorspezifische Expertise oder schnelle Anpassung an technologische Entwicklungen ist durchaus wertvoll. Die Forderung nach Soft Law als exklusivem Steuerungsinstrument jedoch delegitimiert verbindliche Governance ohne empirische Grundlage. Der »Kleinfinger-Schwur« mit sich selbst ist kein Ersatz für eine Vertragsbeziehung mit der Gesellschaft.