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
pai7. April 2022 · Q003380

80d8d1b

partnershiponai.org · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Auszug argumentiert, dass mangelnde Vielfalt in Tech- und KI-Teams mit diskriminierenden Systemen und unfairen Arbeitsbedingungen zusammenhängen kann. Er verweist auf anhaltende Repräsentationslücken und häufige Benachteiligung als Kündigungsgrund, betont aber, dass Daten zu KI-Teams oft fehlen und US-Befunde nicht ohne Weiteres verallgemeinert werden können.

Mittel

Der bereitgestellte Text ist ein Auszug über Vielfalt in Tech- und KI-Teams. Er beschreibt Beispiele, in denen KI-Anwendungen Menschen aufgrund von Geschlecht, Hautfarbe oder Geschlechtsidentität benachteiligt haben sollen. Der Bericht folgert, dass vielfältige Daten und menschliche Kontrolle allein nicht genügen könnten: Teams müssten auch verstehen, wie systemische Vorurteile wirken. Symbolische Repräsentation reiche nicht aus. Studien, auf die der Auszug verweist, verbinden vielfältige Teams zudem mit besseren Entscheidungen, Innovation und wirtschaftlichen Vorteilen.

Angeführte Beschäftigungsdaten zeigen zwar teilweise Zuwächse, aber weiter deutliche Lücken bei Frauen und rassistisch marginalisierten Gruppen. Für KI-Teams fehlen besonders oft aussagekräftige Zahlen. Bildungsdaten weisen auf Unterschiede beim Zugang zu Informatik hin; der Bericht hält jedoch fest, dass die Nachwuchslage die geringe Diversität großer Tech-Unternehmen nicht ausreichend erklären dürfte. Eine US-Studie zu Tech-Beschäftigten nennt Unfairness als häufigen Grund für Kündigungen und berichtet von verbreiteter Benachteiligung, die Gruppen unterschiedlich trifft. Der Auszug plädiert für unterstützende, faire Arbeitsumfelder. Die Belege sind begrenzt: Viele Daten sind lückenhaft oder US-spezifisch und lassen sich nicht ohne Weiteres auf KI und andere Länder übertragen.

Ausführlich lesen

Der bereitgestellte Text ist ein Auszug aus einem Bericht über Vielfalt in Technologie- und KI-Teams. Er behandelt, wie mangelnde Repräsentation und Benachteiligung die Entwicklung und den Einsatz von KI beeinflussen können, welche Hinweise es zur Zusammensetzung der Belegschaften gibt und welche Faktoren mit dem Ausscheiden von Beschäftigten verbunden sind.

Der Bericht führt Beispiele an, in denen algorithmische Systeme Menschen aufgrund von Geschlecht, Hautfarbe oder Geschlechtsidentität benachteiligt haben sollen, etwa bei Kreditlimits, medizinischen Anwendungen und Hypotheken. Er argumentiert, dass vielfältige Trainingsdaten und menschliche Kontrolle zwar als Gegenmaßnahmen empfohlen werden, dafür aber Teams nötig seien, die die Erfahrungen betroffener Gruppen und systemische Vorurteile verstehen. Eine rein symbolische Vielfalt reiche demnach nicht aus. Studien, auf die der Text verweist, verbinden vielfältige Teams außerdem mit besseren Entscheidungen, mehr Innovation und wirtschaftlichem Erfolg; ein Bericht zur Beschäftigung von Menschen mit Behinderungen habe unter anderem höhere Umsätze und Nettoeinkommen bei Unternehmen mit starken Inklusionsprogrammen festgestellt.

Die angeführten Beschäftigungsdaten zeigen einzelne Fortschritte, zugleich aber anhaltende Ungleichheiten. So seien Frauen in US-Techberufen deutlich seltener vertreten als in der Gesamtbelegschaft; auch der Anteil von Frauen in Führungspositionen sei niedrig. Unternehmensberichte meldeten zwar Zuwächse bei bestimmten Gruppen, Google habe jedoch zugleich steigende Abwanderungsraten bei mehreren rassistisch marginalisierten Gruppen ausgewiesen. Für KI selbst seien belastbare Zahlen besonders rar. Der Text verweist unter anderem auf geringe Anteile Schwarzer Informatik-Promovierender und weiblicher KI-Promovierender sowie auf von Mitgliedern von Queer in AI genannte fehlende Vorbilder als Hindernis.

Zum Nachwuchs beschreibt der Auszug Unterschiede entlang der Bildungskette, darunter geringere Beteiligung von Mädchen und marginalisierten Gruppen an Informatikangeboten sowie eine Unterrepräsentation von Menschen mit Behinderungen. Diese Befunde könnten einen Teil der späteren Unterschiede erklären. Der Bericht hält jedoch fest, dass es wenig Belege dafür gebe, dass Pipeline-Probleme den geringen Diversitätszuwachs in großen Tech-Unternehmen überwiegend erklären.

Für das Verlassen von Tech-Berufen verweist der Text auf eine US-Studie des Kapor Center: 37 Prozent der Befragten hätten Unfairness als Hauptgrund für ihren Weggang genannt, und 78 Prozent hätten Benachteiligung am Arbeitsplatz erlebt. Die berichteten Erfahrungen unterschieden sich nach Gruppen; genannt werden etwa übergangene Beförderungen, Stereotype, unerwünschte sexuelle Aufmerksamkeit und Mobbing. Weitere angeführte Untersuchungen deuteten auf schlechter bezahlte und weniger technische KI-Stellen für Frauen sowie höhere Abwanderung hin. Der Auszug empfiehlt deshalb, Arbeitsumfelder und interne Systeme inklusiver zu gestalten und Zugehörigkeit gezielt zu fördern. Seine Aussagen beruhen jedoch überwiegend auf zitierten Studien und Unternehmensangaben. Daten zu KI-Teams und zu Beschäftigten mit Behinderungen seien lückenhaft; manche Befunde stammten aus den USA und ließen sich nicht ohne Weiteres auf KI oder andere Länder übertragen.

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

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 7 von 7
Angezeigte Modelle
Vorfälle melden
  1. SF-M5 Was muss vor und nach einem Vorfall geschehen, damit Verantwortliche einstehen, man daraus lernt, Beweise bleiben und Betroffene auch über Grenzen hinweg zu ihrem Recht kommen?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 25 %Hintergrund, keine Belege
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  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 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • 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 84 %Hintergrund, keine Belege
    • JEV 33 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 69 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 73 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 63 %Hintergrund, keine Belege
    • JEV 49 %einzelne zitierbare Belege
    • amos 26 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
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 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 77 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Offenlegung und Rechenschaft
  1. SF-O1 Wie können Mitarbeitende Sicherheitsbedenken melden, ohne alles zu riskieren?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 80 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  3. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 73 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  4. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 40 %Hintergrund, keine Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Wirtschaft und Haftung

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 →