Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
aisi25. Februar 2026 · Q001826

A pipeline for transcript analysis using Inspect Scout

aisi.gov.uk · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt Inspect Scout und einen siebenstufigen Ablauf zur Analyse von KI-Transkripten vor: von der Forschungsfrage und Datenaufbereitung über Scanner-Entwurf und Validierung bis zur Nutzung der Ergebnisse. Die vorgeschlagenen Auswertungen können laut Beitrag unmittelbare Probleme sichtbar machen oder weitere Forschung unterstützen; offene Fragen und fehlende umfassende Validierungsnachweise bleiben bestehen.

Mittel

Der Bericht beschreibt Inspect Scout, ein gemeinsam mit Meridian Labs entwickeltes, quelloffenes Werkzeug zur systematischen Auswertung von KI-Transkripten. Laut Beitrag kann es auf Basis der Plattform Inspect Tausende Transkripte parallel analysieren. Dazu dienen Scanner, die gezielt Signale erkennen und in strukturierte Ergebnisse umwandeln. Beispiele sind Verweigerungen, Hinweise auf Evaluationserkennung und Aufrufe nicht verfügbarer Werkzeuge.

Für die Analyse empfiehlt der Bericht sieben Schritte: Zweck und Forschungsfrage festlegen, Transkripte strukturiert sammeln und gegebenenfalls vorverarbeiten, Stichproben manuell prüfen, die Frage auf konkrete Signale zuspitzen, passende Scanner entwerfen, deren Ergebnisse anhand einer Grundwahrheit validieren und schließlich die Befunde nutzen. Sprachmodelle könnten die Sichtung einzelner Transkripte oder die Suche nach Mustern unterstützen. Bei subjektiven Bewertungen empfiehlt der Beitrag mehrere Annotierende, um Unterschiede und Verzerrungen zu berücksichtigen.

Ergebnisse könnten unmittelbare Anpassungen an Evaluationen anstoßen oder weitere Forschung zu Verhalten und Fähigkeiten unterstützen. Der Blog bietet einen Überblick über ein begleitendes Methodenpapier. Die Autorinnen und Autoren weisen auf offene Fragen hin; der Beitrag selbst präsentiert keine umfassenden Validierungsdaten oder einen abschließenden Zuverlässigkeitsnachweis für die Scanner.

Ausführlich lesen

Der Bericht stellt Inspect Scout vor, ein quelloffenes Werkzeug zur systematischen und quantitativen Analyse von KI-Transkripten. Die Autorinnen und Autoren betonen, dass Systeme bei mehrstufigen Aufgaben und beim Einsatz von Werkzeugen sehr viele Ausgaben erzeugen. Deren Auswertung könne helfen, Fähigkeiten und Verhaltensweisen eines Systems sowie seine Einsatzumgebung besser zu verstehen. Transkripte könnten etwa zeigen, warum ein Agent bei einer Evaluation scheitert: Ein Fehlschlag könne auf tatsächliche Grenzen zurückgehen, aber auch auf Fehler oder eine sicherheitsbedingte Verweigerung. Außerdem ließen sich Hinweise auf sicherheitsrelevantes Verhalten finden, etwa falsche Fortschrittsmeldungen oder ausgelassene Informationen. Das sind die im Bericht genannten möglichen Erkenntnisse, keine hier unabhängig belegten Ergebnisse.

Inspect Scout wurde laut Bericht gemeinsam mit Meridian Labs entwickelt, baut auf der Evaluationsplattform Inspect auf und könne Tausende Transkripte parallel untersuchen. Dafür verwendet es „Scanner“: Funktionen, die bestimmte Informationen aus Transkripten in auswertbare Ergebnisse umwandeln. Nutzende können eigene Scanner erstellen; als Beispiele nennt der Bericht Scanner für Verweigerungen, Anzeichen dafür, dass ein Modell seine Evaluation erkennt, und Aufrufe nicht verfügbarer Werkzeuge. Solche Erkennungen könnten etwa dazu führen, dass Forschende die Umgebung anpassen oder untersuchen, ob Evaluierungserkennung das Verhalten beeinflusst.

Der vorgeschlagene Analyseablauf umfasst sieben Schritte. Zunächst wird festgelegt, welche übergeordnete Frage die Analyse beantworten soll, beispielsweise ob ein Agent eine Programmieraufgabe lösen kann oder ob Evaluationsergebnisse vertrauenswürdig sind. Danach werden die Transkripte strukturiert gesammelt und gegebenenfalls gefiltert oder vorverarbeitet, etwa durch Entfernen personenbezogener Daten oder Ergänzen fehlender Werte. Anschließend sollen Forschende einige Beispiele manuell prüfen, um Aufbau und Inhalt der Daten kennenzulernen. Die Auswahl kann sich unter anderem an Transkriptlänge oder Erfolg und Misserfolg orientieren. Sprachmodelle könnten diese Sichtung teilweise unterstützen, sowohl für einzelne Transkripte als auch bei der Suche nach statistischen Mustern im Datenbestand.

Im vierten Schritt wird die Forschungsfrage so präzisiert, dass konkrete, in Transkripten auffindbare Signale erkennbar sind. Diese Signale bestimmen im fünften Schritt die Scanner. Dabei ist auch zu entscheiden, welche Arten von Inhalten untersucht werden, etwa Nutzernachrichten, Reasoning-Spuren oder Werkzeugaufrufe. Nach einem ersten Durchlauf sollen ausgewählte Scanner-Ergebnisse anhand einer Grundwahrheit überprüft werden. Objektive Kriterien könnten von einer Person bewertet werden; bei subjektiven Urteilen wie der Einschätzung möglicher Schädlichkeit könnten mehrere Annotierende nötig sein, um Meinungsunterschiede und Verzerrungen zu berücksichtigen.

Schließlich können die Ergebnisse laut Bericht unmittelbare Maßnahmen auslösen oder in weitere Forschung einfließen. Häufige Verweigerungen könnten weitere Versuche zur Aufgabenerfüllung nahelegen; Probleme mit Werkzeugzugriff könnten eine Anpassung der Evaluationsumgebung begründen. Die Scanner wandeln unstrukturierte Transkripte außerdem in strukturierte Daten um, die für Analysen zu Verhalten und Fähigkeiten oder für Prognosen genutzt werden könnten.

Der Beitrag fasst ein begleitendes Papier zusammen, das ausführlichere Umsetzungshinweise zu den sieben Schritten enthalten soll. Die Autorinnen und Autoren beschreiben den Ablauf als ersten Schritt hin zu einem schlanken Rahmenwerk und erklären ausdrücklich, dass offene Fragen verbleiben. Der Blog selbst liefert einen Überblick, aber keine detaillierten Validierungsergebnisse, Messwerte oder abschließenden Nachweis, dass die vorgeschlagenen Scanner in allen Anwendungsfällen zuverlässig arbeiten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Stufen beziehen sich auf die Einschätzung, wie stark der Bericht die jeweilige Frage beantwortet, unabhängig von Lunas Angaben. Die Zusammenfassungen (kurz und mittel) werden gemeinsam bewertet; beide geben den Bericht ohne erfundene Fakten wieder.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Zusammenarbeit mit Meridian Labs fehlt in der kurzen Fassung.
  • Die Beispiele für Scanner (Verweigerungen, Evaluationserkennung, Aufrufe nicht verfügbarer Werkzeuge) fehlen in der kurzen Fassung.
  • Der Hinweis, dass Transkriptanalyse erklärt, warum Agenten scheitern (z. B. Fehler oder Verweigerungen statt echter Fähigkeitsgrenzen), fehlt.
  • Der Hinweis auf sicherheitsrelevante Eigenschaften wie falsche Fortschrittsmeldungen oder ausgelassene Informationen fehlt.
  • Die Vorverarbeitung in Stufe 2 (etwa Entfernen personenbezogener Daten) und die Filterung von Stichproben in Stufe 3 fehlen.
  • Die Teilautomatisierung durch Sprachmodelle wird in der kurzen Fassung nicht erwähnt.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 29 %Hintergrund, keine Belege
    • Luna 48 %Hintergrund, keine Belege
    • JEV 45 %Hintergrund, keine Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 27 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
    • SF-F1-T10 Was wäre nötig, damit eine staatliche Aufsichtsplattform für KI-Sicherheit und unabhängige Prüfer mit dauerhaftem Zugang im Labor nach einem gemeinsamen öffentlichen Protokoll dieselben Cyber-Tests in einer gemeinsamen Testumgebung durchführen, die Prüfer zweier Staaten jeweils am Modell des anderen, und die Ergebnisse in beiden veröffentlichen? Und könnten zwei Staaten eine gemeinsam bezeugte Prüfung desselben führenden KI-Modells durchführen und übereinstimmende Prüfsummen (Hashes) der Ergebnisse veröffentlichen? Luna: Stufe 3 · 27 % · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %Hintergrund, keine Belege
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen

  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 47 %gleiches Oberthema, hilft nicht
    • amos 29 %nur am Rande erwähnt
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 29 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 29 %nur am Rande erwähnt
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 26 %nur am Rande erwähnt
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 19 %Hintergrund, keine Belege
    • Luna 62 %einzelne zitierbare Belege
    • JEV 43 %beantwortet teilweise oder widerspricht
    • amos 32 %einzelne zitierbare Belege
    • SubQ 27 %Hintergrund, keine Belege
    • drex 29 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-P3-T01 Welcher gemeinsame Rahmen für Labore macht Selbstüberwachung überprüfbar, ohne geschütztes geistiges Eigentum offenzulegen, und welche unabhängigen Verfahren Dritter, falls es sie gibt, bestätigen, dass die Selbstüberwachung riskantes Verhalten vor der Freigabe wirklich findet und nicht nur Schein ist? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
    • SF-P3-T07 Wird jede öffentliche Aussage, ein führendes KI-Modell sei „besser ausgerichtet“ als ein anderes (folge also seinen vorgesehenen Zielen und Werten besser), reproduzierbare Kriterien, externe Prüfungen und widersprechende Ergebnisse enthalten? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege
    • SF-P3-T08 Welche gemeinsame Bezugsgröße für den Umfang der Nutzung, welcher Beobachtungszeitraum, welcher Stichprobenplan, welche Definition von Beinahe-Vorfall und welche statistische Obergrenze (obere Konfidenzgrenze) würden es jedem erlauben zu sagen: „keine erkennbare systemische Fehlausrichtung (Verhalten gegen die vorgesehenen Ziele oder Werte) im Einsatzmaßstab“? Und wie muss dargestellt werden, dass die Erkennung lückenhaft ist? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  4. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 28 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 52 %Hintergrund, keine Belege
    • JEV 37 %gleiches Oberthema, hilft nicht
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 34 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 62 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 23 %Hintergrund, keine Belege
    • Luna 53 %Hintergrund, keine Belege
    • JEV 35 %Hintergrund, keine Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 30 %einzelne zitierbare Belege
    • drex 24 %einzelne zitierbare Belege
    • d3-ultra offen

    • SF-V1-T01 Welche beobachtbaren Belege zeigen die Ziele und Werte eines Modells und ob es noch ausgerichtet ist, wenn seine sichtbaren Gedankengänge kein verlässlicher Hinweis mehr darauf sind oder ihre Überwachung nachlässt? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 4 · 49 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
    • SF-V1-T03 Was ist das Kleinste, das ein Modell öffentlich vorlegen kann (ein Test, ein Protokoll, eine Spur), das als Beleg für Ausrichtung an den vorgesehenen Zielen und Werten zählt und nicht nur für Leistung? Luna: Stufe 3 · 42 % · Hintergrund, keine Belege
    • SF-V1-T04 Wie misst man die Überwachbarkeit des Denkens mit einem gemeinsamen, reproduzierbaren Maßstab, bevor sie versagt, und wie prüft man verlässlich, ob das sichtbare Denken das tatsächliche Vorgehen des Modells treu wiedergibt, auch wenn Modelle lernen, ihre Denkschritte zu optimieren? Und wenn Überwachungsergebnisse beeinflussen, welche Trainingsdaten oder Zwischenstände behalten werden: Wie prüft man, ob diese Auswahl weniger erkennbares Fehlverhalten statt weniger Fehlverhalten begünstigt, auch wenn der Denktext nie direkt bewertet wird? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege
    • SF-V1-T06 Was bedeutet Aufsicht, wenn man das Denken, auf das man sich am meisten verlässt, nicht mehr verlässlich überwachen kann? Und wenn ein Labor die Gedankenkette verbirgt, um sie vor dem Druck zu schützen, der entstünde, wenn sie im Training bewertet würde: Wer kann seine Sicherheitsdarstellung dann noch widerlegen? Luna: Stufe 3 · 41 % · Hintergrund, keine Belege
    • SF-V1-T07 Lieber ein Modell, das immer seinen Lösungsweg zeigen muss, oder eines, das im Stillen mehr kann: Welches Risiko nimmt man in Kauf? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-V1-T09 Wenn Labore bessere Überwacher bauen, Modelle lernen, ihnen auszuweichen, und sich dieses Wechselspiel in jedem Labor beschleunigt: Behandeln Regierungen diesen Wettlauf selbst als Sicherheitsfrage zwischen Staaten, und welche gemeinsamen Belege würden zeigen, dass er beherrscht ist? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-V1-T10 Kann etwas, das Modelle über sich und ihre Absichten sagen, als Beleg für Ausrichtung zählen, wenn es nur weiterer erzeugter Text ist, und welche Verfahren machen solche Selbstauskünfte vertrauenswürdig statt nur flüssig? Luna: Stufe 4 · 40 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-V1-T15 Welches messbare Maß für Überwachbarkeit könnte neben Fähigkeitstests stehen, und würden Labore es tatsächlich über weitere Skalierung entscheiden lassen? Welcher gemessene Verlust an Überwachung würde Einschränkungen der Selbstständigkeit eines Modells auslösen, und wie erkennt man Fehler, die im sichtbaren Denken nicht auftauchen? Luna: Stufe 4 · 40 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 23 %Hintergrund, keine Belege
    • Luna 64 %Hintergrund, keine Belege
    • JEV 43 %Hintergrund, keine Belege
    • amos 33 %Hintergrund, keine Belege
    • SubQ 32 %gleiches Oberthema, hilft nicht
    • drex 28 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 37 % · Hintergrund, keine Belege
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 22 %Hintergrund, keine Belege
    • Luna 71 %Hintergrund, keine Belege
    • JEV 40 %Hintergrund, keine Belege
    • amos 31 %Hintergrund, keine Belege
    • SubQ 40 %gleiches Oberthema, hilft nicht
    • drex 30 %Hintergrund, keine Belege
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 28 %Hintergrund, keine Belege
    • Luna 30 %Hintergrund, keine Belege
    • JEV 36 %Hintergrund, keine Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 26 %Hintergrund, keine Belege
    • Luna 33 %Hintergrund, keine Belege
    • JEV 35 %nur am Rande erwähnt
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →