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
pai13. April 2022 · Q003503

1cd275a

partnershiponai.org · Originalbericht öffnen ↗

Zusammenfassung

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

Kurz

Der vorliegende Auszug argumentiert, dass geringe Vielfalt in Tech- und KI-Teams das Erkennen gesellschaftlicher Schäden erschweren kann und dass unfairer Umgang zu Abgängen beiträgt. Die angeführten Daten zeigen anhaltende Unterrepräsentation, sind aber lückenhaft und überwiegend US-bezogen; der Auszug fordert bessere Arbeitsbedingungen und die dauerhafte Einbeziehung unterschiedlicher Perspektiven.

Mittel

Der vorliegende Text ist ein Auszug aus dem Hintergrundteil eines Berichts über Vielfalt in Technologie- und KI-Berufen. Er argumentiert, dass unterrepräsentierte Perspektiven dazu beitragen können, schädliche Folgen von KI zu erkennen. Als Beispiele nennt er berichtete Benachteiligungen bei Kreditentscheidungen, medizinischen Anwendungen und Hypotheken. Vielfalt könne auch Entscheidungen und Innovation verbessern; rein symbolische Repräsentation genüge jedoch nicht.

Angeführte Unternehmens- und Arbeitsmarktdaten zeigen laut Auszug einzelne Fortschritte, aber anhaltende Unterrepräsentation, besonders in Führungspositionen. Die Datenlage zu KI-Teams und Beschäftigten mit Behinderungen sei dünn; viele Zahlen beträfen die USA und seien international nur eingeschränkt vergleichbar. Ungleichheiten in Schule und Studium trügen zwar zu Engpässen beim Nachwuchs bei, erklärten aber nach Einschätzung des Berichts nicht allein die geringe Vielfalt in Unternehmen. Als Ursachen für Abgänge in der Tech-Branche hebt der Auszug unfairen Umgang hervor: Eine zitierte Studie berichtet, 37 Prozent hätten Unfairness als Hauptgrund für ihren Weggang genannt. Weitere Studien verweisen auf unterschiedliche Arbeitsbedingungen und höhere Abgangsraten von Frauen in KI-Berufen.

Die Darstellung fasst veröffentlichte Studien, Umfragen und Unternehmensberichte zusammen; eine eigene Erhebung wird nicht beschrieben. Ihre Übertragbarkeit auf andere Branchen und Länder ist begrenzt. Der Text fordert, interne Arbeitsbedingungen zu verbessern und vielfältige Perspektiven in KI-Ethik und Entwicklung einzubeziehen.

Ausführlich lesen

Der vorliegende Text ist ein Auszug aus dem Hintergrundteil eines Berichts über Vielfalt und Zugehörigkeit in Technologie- und KI-Berufen. Er argumentiert, dass Teams mit geringer Vielfalt das Risiko erhöhen, wichtige Erfahrungen und Auswirkungen auf unterschiedliche Bevölkerungsgruppen zu übersehen. Der Auszug verweist auf berichtete Fälle algorithmischer Benachteiligung, etwa bei Kreditlimits für Frauen, der Ausgrenzung transgeschlechtlicher Menschen durch medizinische Anwendungen und höheren Hypothekenkosten für Schwarze und Latinx-Antragstellende. Eine vielfältigere Belegschaft könne dabei helfen, solche Folgen zu erkennen; bloß symbolische Repräsentation reiche dafür jedoch nicht aus. Die angeführten Studien verbinden vielfältige Teams außerdem mit besseren Entscheidungen, mehr Innovation und wirtschaftlichen Vorteilen.

Zur Lage in der Branche führt der Text Unternehmens- und Arbeitsmarktdaten an. Diese zeigten zwar einzelne Fortschritte, aber weiterhin deutliche Unterrepräsentation, besonders in Führungspositionen. Als Beispiele nennt der Auszug Google-Daten zu steigenden Abgangsraten bei mehreren Gruppen von Frauen, geringe Frauenanteile in technischen Berufen sowie wenige Schwarze Forschende und Frauen unter KI-Promovierten. Die Angaben zu Menschen mit Behinderungen und zur Vielfalt in konkreten KI-Teams seien besonders lückenhaft. Die Zahlen stammten überwiegend aus den USA; der Bericht warnt vor direkten Vergleichen von Angaben zu ethnischer Zugehörigkeit zwischen Ländern.

Der Text prüft auch die Erklärung, der geringe Anteil vielfältiger Beschäftigter gehe hauptsächlich auf einen Mangel an geeigneten Nachwuchskräften zurück. Daten aus Schule und Hochschulbildung belegten zwar Ungleichheiten und Engpässe im sogenannten Pipeline-Verlauf, etwa bei Informatikkursen und Studiengängen. Daraus lasse sich aber laut Bericht nicht schließen, dass diese Engpässe überwiegend die geringe Vielfalt in Unternehmen erklärten. Zudem seien getrennte Zuständigkeiten für Diversitätsarbeit und KI-Ethik problematisch: Fachleute, die gesellschaftliche Auswirkungen verstehen, müssten an der Entwicklung und Bewertung von KI-Systemen beteiligt sein. Organisationen sollten daher auch ihre internen Arbeitsbedingungen überprüfen.

Beim Verlassen von Tech-Unternehmen hebt der Auszug unfairen Umgang als wichtigen Faktor hervor. Eine US-Studie des Kapor Center habe ergeben, dass 37 Prozent der Befragten Unfairness als Hauptgrund für ihren freiwilligen Weggang nannten und 78 Prozent unfair behandelt worden seien. Weitere berichtete Erfahrungen umfassen übergangene Beförderungen, Stereotype, unerwünschte sexuelle Aufmerksamkeit und Mobbing; die Häufigkeit unterscheide sich zwischen Gruppen. Eine Studie zu Frauen in Datenwissenschaft und KI habe zudem Unterschiede bei Status, Bezahlung und Tätigkeitsprofilen sowie höhere Abgangsraten von Frauen berichtet.

Der Text stützt seine Darstellung auf bereits veröffentlichte Studien, Umfragen und Unternehmensberichte; eine eigene Erhebungsmethode wird in diesem Auszug nicht beschrieben. Er schränkt ein, dass Befunde zu allgemeiner Arbeitsplatzfluktuation nicht ohne Weiteres auf KI, Tech oder Länder außerhalb der USA übertragbar seien. Insgesamt plädiert er für gezielte Maßnahmen, die Zugehörigkeit und faire Arbeitsbedingungen stärken und unterschiedliche Perspektiven dauerhaft in KI-Teams einbeziehen.

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
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 26 %Hintergrund, keine Belege
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 71 %Hintergrund, keine Belege
    • JEV 37 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O1 Wie können Mitarbeitende Sicherheitsbedenken melden, ohne alles zu riskieren?
    • clef 100 %kein Bezug
    • Luna 47 %einzelne zitierbare Belege
    • JEV 100 %kein Bezug
    • amos 27 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 41 %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 39 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 58 %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 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 79 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 46 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra offen
  3. 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 50 %Hintergrund, keine Belege
    • JEV 36 %Hintergrund, keine Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • 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 →