Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Monat: Juli 2026

Großes Interesse an NSDAP-Akten

https://www.ndr.de/geschichte/chronologie/war-meine-oma-nazi-grosses-interesse-an-nsdap-akten-im-norden,nsdaparchiv-100.html (Danke an BK)

“Weitergehende Recherchen führen die Nachkommen in die Archive der Bundesländer und zu den Entnazifizierungsakten. Dabei handelt es sich um einen Fragebogen, der nach dem Krieg feststellen sollte, wie ausgeprägt die Zugehörigkeit zum Regime und der Ideologie war. Die Nachfrage danach hat in den Landesarchiven in Niedersachsen, Mecklenburg-Vorpommern, Schleswig-Holstein und im Staatsarchiv in Hamburg zugenommen, sich zum Teil, im Vergleich zum Vorjahreszeitraum, sogar verdoppelt.

“Wir finden den Zulauf gut, dafür machen wir unsere Arbeit. Wir wollen, dass die Akten genutzt werden”, erklärt Michaela Heier, Archivarin der Abteilung Hannover. Entnazifizierungsakten gebe es nicht von jedem Deutschen. Ein Job im öffentlichen Dienst machte es beispielsweise nötig, den Fragebogen auszufüllen. Je mehr Daten es zu einer Person gibt, desto erfolgreicher sei die Suche. Heier rät, möglichst Vor- und Nachnamen, Geburtsdatum und den Ort, an dem die Person nach Kriegsende gelebt hat, im Archiv anzugeben.”

Die Lüge im Antwortfenster: Wie Künstliche Intelligenz zur neuen Quelle von Fake News wird

Adriano Abbondandolo

 

Ein neues Nachrichtenmedium mit Tücken

Wer heute eine Frage zum Zeitgeschehen hat, tippt sie zunehmend nicht mehr in eine Suchmaschine, sondern in ein Chatfenster. ChatGPT, Gemini, Copilot oder Perplexity liefern in Sekundenschnelle eine flüssig formulierte Antwort – souverän im Ton, autoritativ im Auftreten. Genau darin liegt das Problem: Die Studie „News Integrity in AI Assistants“ der European Broadcasting Union (EBU) und der BBC zeigt, dass diese Souveränität oft nur Fassade ist. Fast jede dritte Antwort der getesteten KI-Assistenten enthält handfeste Fehler, jede fünfte ist zumindest ungenau (EBU & BBC, 2025). Wenn Maschinen im großen Stil falsche „Nachrichten“ produzieren, ist das kein Nischenproblem der Technikforschung mehr, sondern eine Frage von gesellschaftlicher Tragweite – für Vertrauen, Meinungsbildung und demokratische Teilhabe.

Die EBU/BBC-Studie: eine globale Bestandsaufnahme

Die im Oktober 2025 veröffentlichte Untersuchung ist die bislang umfangreichste ihrer Art. Koordiniert von der EBU und geleitet von der BBC beteiligten sich 22 öffentlich-rechtliche Medienhäuser aus 18 Ländern und 14 Sprachen, darunter auch die italienische Rai (EBU & BBC, 2025). Journalistinnen und Journalisten stellten den vier marktführenden Assistenten ChatGPT, Gemini, Copilot und Perplexity im Mai und Juni 2025 einen Kernkatalog von 30 Fragen; viele Organisationen ergänzten zusätzlich eigene nationale Fragen. Ausgewertet wurden am Ende 2.709 Antworten auf die Kernfragen sowie 353 Antworten auf Zusatzfragen – insgesamt also mehr als 3.000 Antworten (EBU & BBC, 2025).

Das Ergebnis ist ernüchternd: 45 Prozent aller Antworten wiesen mindestens ein „signifikantes“ Problem auf, das die Nachrichtenintegrität beeinträchtigt; rechnet man kleinere, aber sachlich relevante Verzerrungen hinzu, steigt der Anteil auf 81 Prozent (EBU & BBC, 2025). Größte Einzelursache ist dabei die Quellenlage: Bei 31 Prozent aller Antworten war die Quellenangabe fehlerhaft oder irreführend (EBU & BBC, 2025). Ein besonders anschauliches Beispiel: Noch Wochen nach dem Tod von Papst Franziskus im April 2025 bezeichneten mehrere Assistenten – darunter ChatGPT, Gemini und Copilot – ihn in Antworten vom Mai 2025 fälschlich als amtierenden Papst. Solche Fehler treten laut Studie unabhängig von Sprache, Land oder genutztem System auf – sie sind kein Ausreißer, sondern ein strukturelles Muster.

Wenn Wahrscheinlichkeit auf Wahrheit trifft

Warum liefern Systeme, die Milliarden von Textbausteinen verarbeitet haben, derart häufig falsche Auskünfte? Die Antwort liegt im Funktionsprinzip großer Sprachmodelle selbst. Sie erzeugen Texte nicht, indem sie Fakten aus einer Datenbank abrufen, sondern indem sie – Wort für Wort – die statistisch wahrscheinlichste Fortsetzung eines Satzes berechnen (Ji et al., 2023). Ein umfassender Survey von Ji und Kolleginnen und Kollegen (2023) in ACM Computing Surveys beschreibt dieses Phänomen als „Halluzination“: sprachlich kohärente, aber sachlich falsche oder frei erfundene Inhalte. Exakt dieses Muster identifiziert auch die EBU-Studie: Ankündigungen werden als bereits eingetretene Ereignisse dargestellt, Details werden hinzuerfunden, und Antworten bleiben oft rudimentär oder irreführend, obwohl sie selbstbewusst formuliert sind (EBU & BBC, 2025). Auch aktuelle Übersichtsarbeiten zur generativen KI im Kontext von Desinformation kommen zu einem ähnlichen Befund: Je leistungsfähiger die Modelle im Formulieren werden, desto schwerer lässt sich am Text allein erkennen, ob eine Aussage überhaupt belegt ist (Kumar et al., 2025).

Das Quellenproblem als Kernrisiko

Als Hauptursache identifiziert die EBU-Studie mangelhafte Quellenangaben: Aussagen ganz ohne Beleg, Verweise auf Quellen, die die eigentliche Behauptung gar nicht stützen, oder vollständig fehlende Nachweise (EBU & BBC, 2025). Für den Journalismus, dessen Glaubwürdigkeit auf Nachprüfbarkeit beruht, ist das brisant: Wenn ein Assistent eine Behauptung mit einem Link „belegt“, der beim Nachlesen etwas anderes aussagt, wird das Vertrauen nicht nur in die KI, sondern potenziell auch in die zitierten Medien selbst beschädigt. Auch der Blick auf multimodale Inhalte verschärft das Bild: Bild-, Audio- und Videogeneratoren ermöglichen mittlerweile die Produktion täuschend echter Deepfakes, die klassische Text-Verifikation an ihre Grenzen bringen (Kumar et al., 2025). Eine europaweite Befragung von mehr als 7.000 Personen in sieben Ländern zeigt zudem, dass die wahrgenommenen Risiken von KI-generierten Deepfakes den wahrgenommenen Nutzen in allen untersuchten Ländern übersteigen – am stärksten bei älteren, einkommensschwächeren und weiblichen Befragten (Hynek et al., 2025).

Junge Nutzende und die Erosion des Vertrauens

Diese Schwächen träfen weniger ins Gewicht, würden KI-Assistenten kaum zur Nachrichtenbeschaffung genutzt. Genau das ändert sich jedoch rasant. Laut dem Digital News Report 2025 des Reuters Institute, der knapp 100.000 Menschen in 48 Ländern befragte, nutzen bereits 7 Prozent der Online-Nachrichten-Nutzenden KI-Assistenten für den Nachrichtenzugang – bei den Unter-25-Jährigen sind es 15 Prozent, Tendenz steigend (Newman et al., 2025). Diese wachsende Nutzung zeigt, dass es hier nicht nur um technische Fehlerquoten geht. Die EBU warnt ausdrücklich davor, dass systematisch fehlerhafte KI-Antworten das Vertrauen der Bevölkerung in Informationen insgesamt untergraben und damit die Fähigkeit zu informierter demokratischer Teilhabe schwächen können (EBU & BBC, 2025).

Zwischen Regulierung und Medienkompetenz: mögliche Auswege

Was folgt daraus? Die EBU spricht sich für verbindliche Sorgfaltspflichten der KI-Anbieter aus: transparente Quellenangaben, verlässliche Kennzeichnung unsicherer Fakten und eine engere Zusammenarbeit mit Nachrichtenorganisationen (EBU & BBC, 2025). Auf technischer Seite existieren bereits Ansätze, um Halluzinationen zu reduzieren – etwa Verfahren, die Antworten enger an geprüfte Quellen binden, sowie nachgelagerte Detektionssysteme (Ji et al., 2023; Kumar et al., 2025). Ebenso zentral bleibt die menschliche Seite: Auch die europäische Deepfake-Studie betont, dass gezielte Medienkompetenz-Programme notwendig sind, um Nutzerinnen und Nutzer für Grenzen und Fehlerquellen generativer KI zu sensibilisieren (Hynek et al., 2025). Wer weiß, dass ein Chatbot mit hoher Wahrscheinlichkeit falsch liegen kann, liest dessen Antworten anders – kritischer, nachprüfender, mündiger.

Fazit

Künstliche Intelligenz ersetzt keine journalistische Redaktion, auch wenn sie deren Tonfall täuschend gut imitiert. Die vorgestellten Studien zeigen übereinstimmend: Aktuelle KI-Assistenten sind als alleinige Nachrichtenquelle unzuverlässig, ihre häufigste Schwäche liegt im Umgang mit Quellen, und die Folgen betreffen nicht nur einzelne Falschauskünfte, sondern das gesellschaftliche Vertrauen in Information insgesamt. Solange diese strukturellen Probleme nicht gelöst sind, gilt für Nachrichten aus dem Chatfenster dasselbe wie für jede andere unbelegte Behauptung: nachfragen, gegenprüfen, einordnen.

Literatur- und Quellenverzeichnis

European Broadcasting Union & BBC (2025). News Integrity in AI Assistants: An international PSM study. Genf: EBU. Online: https://www.ebu.ch/files/live/sites/ebu/files/Publications/Intelligence/open/EBU-Intelligence-BBC_News_Integrity_in_AI_Assistants_Report_2025.pdf (Letzter Zugriff: 30.07.2026).

Hynek, N., Gavurova, B. & Kubak, M. (2025). Risks and benefits of artificial intelligence deepfakes: Systematic review and comparison of public attitudes in seven European countries. Journal of Innovation & Knowledge, 10(5), Art. 100782. Online: https://www.sciencedirect.com/science/article/pii/S2444569X25001271 (Letzter Zugriff: 30.07.2026).

Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A. & Fung, P. (2023). Survey of hallucination in natural language generation. ACM Computing Surveys, 55(12), Art. 248. Online: https://doi.org/10.1145/3571730 (Letzter Zugriff: 30.07.2026).

Kumar, S., Sai, S., Chamola, V., Gaur, A., Agarwal, C., Huang, K. & Hussain, A. (2025). Peeping into the future: Understanding and combating generative AI-based fake news. Cognitive Computation, 17(3), 103. Online: https://doi.org/10.1007/s12559-025-10457-7 (Letzter Zugriff: 30.07.2026).

Newman, N., Fletcher, R., Robertson, C. T., Ross Arguedas, A. & Nielsen, R. K. (2025). Digital News Report 2025. Oxford: Reuters Institute for the Study of Journalism, University of Oxford. Online: https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2025/dnr-executive-summary (Letzter Zugriff: 30.07.2026).

Historische Literatur digital erschließen – Wie Künstliche Intelligenz Bibliotheken verändert

Die Digitalisierung historischer Literatur hat in den vergangenen Jahren enorme Fortschritte gemacht. Millionen Bücher, Zeitungen und Handschriften wurden eingescannt und online zugänglich gemacht. Doch ein Digitalisat allein macht eine Quelle noch nicht nutzbar. Erst wenn Texte durchsuchbar sind, Inhalte erkannt werden und Dokumente sinnvoll erschlossen werden können, entsteht ein echter Mehrwert für Forschung und Öffentlichkeit. Genau an diesem Punkt gewinnt Künstliche Intelligenz zunehmend an Bedeutung.

Ein zentrales Anwendungsfeld ist die Verbesserung der optischen Zeichenerkennung (OCR). Sie wandelt gescannte Seiten in maschinenlesbaren Text um und bildet damit die Grundlage für Volltextsuchen in digitalen Bibliotheken. Gerade bei älteren Drucken oder Frakturschriften stößt klassische OCR häufig an ihre Grenzen. KI-gestützte Verfahren können Fehler deutlich reduzieren, unterschiedliche Schriftarten besser erkennen und aus bereits korrigierten Texten lernen. Dadurch werden historische Bestände nicht nur besser lesbar, sondern auch wesentlich einfacher recherchierbar.

Noch anspruchsvoller ist die Erkennung handschriftlicher Quellen. Briefe, Tagebücher oder Archivbestände galten lange Zeit als nur mit großem personellem Aufwand erschließbar. Moderne KI-Systeme ermöglichen inzwischen eine automatische Handschriftenerkennung (HTR), die historische Handschriften transkribieren kann. Zwar müssen die Ergebnisse weiterhin überprüft und gegebenenfalls nachbearbeitet werden, dennoch eröffnet diese Entwicklung neue Möglichkeiten, umfangreiche Quellenbestände in deutlich kürzerer Zeit zugänglich zu machen.

Auch die inhaltliche Erschließung verändert sich durch KI. Bibliotheken vergeben seit jeher Schlagwörter und Metadaten, damit Literatur zuverlässig gefunden werden kann. KI kann diesen Prozess unterstützen, indem sie Personen, Orte, Zeiträume oder zentrale Themen automatisch erkennt und passende Schlagwörter vorschlägt. Gerade bei großen Digitalisierungsprojekten lassen sich so Arbeitsabläufe beschleunigen und Zusammenhänge zwischen Beständen sichtbar machen, die bei einer rein manuellen Erschließung möglicherweise verborgen geblieben wären.

Meiner Meinung nach liegt die eigentliche Stärke der KI jedoch nicht darin, Bibliothekarinnen und Bibliothekare zu ersetzen. Vielmehr übernimmt sie zeitaufwendige Routineaufgaben und schafft Freiräume für Tätigkeiten, die historisches, bibliothekarisches und archivfachliches Urteilsvermögen erfordern. Ob eine Transkription korrekt ist, welche Schlagwörter tatsächlich geeignet sind oder wie ein Werk wissenschaftlich eingeordnet werden sollte, kann KI unterstützen – die Verantwortung für diese Entscheidungen bleibt jedoch beim Menschen.

Gleichzeitig sollten die Möglichkeiten der KI nicht überschätzt werden. Fehlerhafte Texterkennungen, ungenaue Verschlagwortungen oder algorithmische Fehlinterpretationen können die Qualität digitaler Bestände beeinträchtigen. Gerade bei historischen Quellen, deren Sprache, Schrift oder Überlieferung oft komplex ist, bleibt eine fachliche Kontrolle unverzichtbar. KI kann Erschließungsprozesse beschleunigen und unterstützen, sie ersetzt jedoch weder bibliothekarische Expertise noch den kritischen Blick auf die Quellen.

Die digitale Erschließung historischer Literatur steht damit nicht vor einer vollständigen Automatisierung, sondern vor einem Wandel der Arbeitsprozesse. KI verbessert die Zugänglichkeit historischer Bestände und eröffnet neue Möglichkeiten für Forschung, Bibliotheken und Archive. Ihr größtes Potenzial liegt nicht darin, menschliche Expertise zu ersetzen, sondern sie dort zu ergänzen, wo große Datenmengen effizient verarbeitet werden müssen.

Einen guten Überblick über die Digitalisierung des kulturellen Erbes und die digitale Erschließung von Bibliotheks-, Archiv- und Museumsbeständen bieten sowohl die Deutsche Digitale Bibliothek als auch Europeana. Beide Plattformen zeigen anhand zahlreicher Projekte, wie historische Quellen digital zugänglich gemacht, miteinander vernetzt und langfristig nutzbar werden. Sie verdeutlichen, welche Bedeutung moderne Technologien – und zunehmend auch Künstliche Intelligenz – für die Erschließung des schriftlichen Kulturerbes besitzen.

Deutsche Digitale Bibliothek: https://www.deutsche-digitale-bibliothek.de/

Europeana: https://www.europeana.eu/de

Generative KI in der Quellenkritik

Seit der Veröffentlichung von ChatGPT Ende 2022 ist generative Künstliche Intelligenz auch in der Geschichtswissenschaft angekommen. KI-Systeme können historische Texte zusammenfassen, übersetzen oder bei der Transkription alter Handschriften unterstützen. Damit stellt sich die Frage: Kann generative KI historische Quellen tatsächlich kritisch analysieren oder bleibt sie lediglich ein unterstützendes Werkzeug?

Im Bereich der äußeren Quellenkritik bietet KI bereits großes Potenzial. Sie kann Metadaten auswerten, Digitalisate erschließen und Archive bei der Erfassung großer Quellenbestände unterstützen. Auch bei der Texterkennung historischer Dokumente oder der Übersetzung lateinischer Quellen erzielt sie beachtliche Ergebnisse. Die Prüfung von Authentizität und Überlieferungszusammenhang bleibt jedoch Aufgabe von Archivaren und Historikern. KI kann diese Arbeit erleichtern, aber nicht vollständig übernehmen.

Interessanter wird es meiner Meinung nach, wenn KI nicht mehr nur bei der Erschließung und Aufbereitung von Quellen eingesetzt wird, sondern auch im Bereich der inneren Quellenkritik. Welche Absicht verfolgte der Verfasser? Welche Interessen oder Wertvorstellungen spiegeln sich im Text wider? Wie glaubwürdig sind die Aussagen, und in welchem historischen Kontext sind sie entstanden? Genau diese Fragen verlangen historisches Urteilsvermögen und die Fähigkeit, eine Quelle kritisch einzuordnen. Ist generative KI dazu bereits in der Lage?

Ihr Nutzen liegt vor allem darin, den Analyseprozess anzuregen. Sie kann umfangreiche Texte schnell zusammenfassen, wiederkehrende Begriffe und Argumentationsmuster erkennen oder unterschiedliche Deutungsansätze gegenüberstellen. Gerade bei großen Quellenbeständen hilft sie dabei, Auffälligkeiten, Widersprüche und mögliche Perspektiven sichtbar zu machen. Dadurch kann sie neue Fragen an eine Quelle anstoßen und als eine Art digitale Gesprächspartnerin dienen.

Bei einer eigenen Quellenanalyse habe ich generative KI bereits unterstützend eingesetzt. Besonders hilfreich war sie dabei, sprachliche Muster und mögliche Deutungsansätze zu sammeln. Gleichzeitig wurde deutlich, dass ihre Vorschläge immer am Originaltext und am historischen Kontext überprüft werden müssen. Denn generative KI arbeitet auf Grundlage statistischer Muster und kann auch ungenaue oder falsche Aussagen überzeugend formulieren. Zu diesen sogenannten Halluzinationen gehören etwa erfundene Fakten oder Literaturangaben. Deshalb müssen auch KI-Antworten kritisch geprüft und mit weiteren Informationen abgeglichen werden.

Die Leitfrage lässt sich daher nur eingeschränkt bejahen. Generative KI kann historische Quellen nicht eigenständig im wissenschaftlichen Sinn beurteilen. Sie kann jedoch den Blick auf eine Quelle erweitern, neue Lesarten vorschlagen und erste Analyseschritte beschleunigen. Die eigentliche Einordnung bleibt beim Menschen, denn Kontextwissen, Urteilsfähigkeit sowie die Bewertung von Absichten und Glaubwürdigkeit lassen sich (noch) nicht vollständig an ein technisches System übertragen. Die Stärke generativer KI liegt somit nicht darin, endgültige Antworten zu liefern, sondern darin, bessere Fragen anzustoßen.

Ein empfehlenswerter Beitrag mit praxisnahen Beispielen und einer kritischen Einordnung des Einsatzes generativer KI in der historischen Forschung findet sich hier:

https://programminghistorian.org/en/lessons/?activity=analyzing