Politische und gesellschaftliche Handlungsoptionen

1. Regulieren

Regulierung ist für nachhaltige KI wichtig, weil sie die Frage stellt, unter welchen Bedingungen KI überhaupt entwickelt und eingesetzt werden sollte. Ohne klare Regeln bleibt Nachhaltigkeit oft nur ein Versprechen von Unternehmen. Dann können ökologische und soziale Kosten leicht in den Hintergrund geraten, solange eine KI-Anwendung nützlich, profitabel oder innovativ wirkt.

Für nachhaltige KI reicht es aber nicht, nur zu fragen, ob ein System gut funktioniert. Man muss auch fragen, wie viel Energie und Wasser es verbraucht, welche Rohstoffe dafür gebraucht werden, welche Menschen daran arbeiten und welche gesellschaftlichen Folgen sein Einsatz hat. Regulierung kann helfen, genau diese Fragen verbindlicher zu machen. Sie kann Unternehmen dazu verpflichten, Risiken offenzulegen, Grundrechte zu schützen, transparenter zu arbeiten und besonders problematische Anwendungen zu begrenzen oder zu verbieten.

Gleichzeitig darf man Regulierung nicht überschätzen. Eine KI kann rechtlich erlaubt sein und trotzdem auf hohem Ressourcenverbrauch, schlechter Datenarbeit oder der Macht weniger großer Konzerne beruhen. Deshalb muss nachhaltige KI mehr bedeuten als bloße Regelkonformität. Es geht auch darum, wem die Infrastruktur gehört, wer von KI profitiert, wer ihre Kosten trägt und wer bei ihrem Einsatz mitentscheiden kann.

Regulierung ist also ein wichtiger Ausgangspunkt, weil sie Mindeststandards und Grenzen setzt. Wirklich nachhaltig wird KI aber erst, wenn ökologische Verantwortung, faire Arbeit und demokratische Kontrolle zusammengedacht werden.

2. Gemeinwohlorientierung, Suffizienz, Rechenzentrenpolitik, öffentliche Infrastruktur

Damit kommen wir zur Frage des „Anders Bauens“. Feministische und designkritische Ansätze zeigen, dass Technik nicht erst bei der Nutzung politisch wird, sondern schon in der Problemdefinition, im Datensatz, im Interface, in der Zielgruppe und in der Frage, wessen Erfahrungen als relevant gelten. Sasha Costanza-Chock formuliert mit Design Justice einen Ansatz, bei dem marginalisierte Communities nicht bloß konsultiert, sondern zu führenden Akteur:innen im Designprozess werden (Costanza-Chock, 2020).

Für KI ist das zentral:

• Gesichtserkennung,
• Kreditbewertung,
• Übersetzungssysteme,
• automatisierte Bewerbungsverfahren oder
• medizinische Diagnostik

können bestehende Ungleichheiten reproduzieren, wenn die betroffenen Gruppen nicht an Zielsetzung, Datenauswahl, Testverfahren und Governance beteiligt sind.

Ähnlich wichtig ist Data Feminism von Catherine D’Ignazio und Lauren Klein (D’Ignazio & Klein, 2020). Ihr Ansatz beginnt mit der Einsicht, dass Daten nie neutral sind. Sie entstehen in Institutionen, Machtverhältnissen, Kategorien und politischen Interessen. Data Feminism fragt deshalb nicht nur, ob Daten korrekt sind, sondern wer gezählt wird, wer nicht gezählt wird, welche Kategorien verwendet werden, wer Zugang zu Daten hat und wer von datenbasierten Entscheidungen betroffen ist. Für eine konstruktive KI-Zukunft ist das entscheidend: Gute KI bedeutet nicht einfach „mehr Daten“, sondern bessere, gerechtere und manchmal auch weniger Datenerhebung. In manchen Situationen kann die gerechteste Datenpolitik darin bestehen, bestimmte Daten gar nicht erst zu sammeln, etwa wenn vulnerable Gruppen durch Datenspeicherung stärker überwachbar oder angreifbar werden. Diese Perspektive zeigt: Feministische Technikpolitik ist nicht ein Zusatzkapitel zu KI-Ethik, sondern eine grundlegende Kritik daran, wer Zukunft entwerfen darf.

Die nächste Verschiebung betrifft konviviale Technik. Der Begriff geht auf Ivan Illich zurück und wurde in Degrowth-Debatten weiterentwickelt. Konviviale Technik meint Werkzeuge, die Menschen befähigen, statt sie abhängig zu machen; die verständlich, reparierbar, zugänglich, begrenzbar und sozial eingebettet sind (Illich, 1973; Vetter, 2018).

2.1. Auf KI übertragen

Auf KI übertragen heißt das: Ein System ist nicht deshalb gut, weil es maximal leistungsfähig, möglichst autonom oder möglichst groß ist. Es ist dann gut, wenn es menschliche Fähigkeiten erweitert, demokratische Kontrolle zulässt, lokale Kontexte respektiert, Ressourcen schont und sich auch abschalten, reparieren oder verändern lässt. Ein konviviales KI-System könnte etwa eine kommunale Übersetzungshilfe sein, die lokale Sprachen unterstützt und öffentlich betrieben wird; ein medizinisches Assistenzsystem, das Ärzt:innen und Patient:innen nachvollziehbare Zweitmeinungen liefert; oder ein Werkzeug für Energiegenossenschaften, das Lastmanagement unterstützt, ohne Haushalte in ein undurchsichtiges Scoring-System zu verwandeln.

Nicht konvivial wäre dagegen ein KI-System, das Menschen in Abhängigkeit von proprietären Clouds bringt, Entscheidungswege verschleiert, lokale Expertise entwertet und den Energie- und Rohstoffverbrauch massiv erhöht.

Degrowth-orientierte Technik geht noch einen Schritt weiter. Sie fragt nicht nur: Wie bauen wir Technik gerechter? Sondern auch: Welche Technik sollten wir nicht bauen, nicht skalieren oder wieder zurückbauen? Degrowth bedeutet in diesem Kontext nicht Technikfeindlichkeit, sondern eine Kritik an der Idee, dass jede Effizienzsteigerung, jede Automatisierung und jede neue digitale Anwendung automatisch gesellschaftlichen Fortschritt darstellt (Schmelzer, Vetter & Vansintjan, 2022).

Gerade bei KI ist diese Frage dringend. Wenn jedes Unternehmen, jede Verwaltung, jede Schule und jede Suchanfrage mit generativer KI aufgerüstet wird, entsteht ein enormer zusätzlicher Bedarf an Rechenzentren, Chips, Energie, Wasser und Datenarbeit.

3. Demokratisieren: digitale Souveränität, Vergesellschaftung, Commons

KI erscheint dann nicht länger als neutrale Innovationsmaschine, sondern als Teil einer gesellschaftlichen Infrastruktur, die privat-monopolistisch, demokratisch-öffentlich, genossenschaftlich oder commons-basiert organisiert werden kann. Damit verschiebt sich der Fokus von der bloßen Leistungsfähigkeit technischer Systeme hin zu Fragen von Eigentum, Kontrolle, Teilhabe, ökologischen Grenzen und gesellschaftlichem Zweck.

Cecilia Rikaps Arbeiten sind für diese Perspektive besonders wichtig, weil sie Big Tech nicht nur als Marktproblem beschreibt. Es geht nicht bloß darum, dass einige Unternehmen zu groß geworden sind oder dass Wettbewerbspolitik nachjustiert werden müsste. Rikap analysiert Big Tech als eine Form von intellektuellem Monopolkapitalismus: Unternehmen wie Amazon, Microsoft und Google kontrollieren nicht nur Plattformen, sondern zunehmend die Bedingungen, unter denen Wissen produziert, gespeichert, verarbeitet und ökonomisch verwertet wird (Rikap, 2025). Besonders die Cloud ist dabei zentral. Wer heute KI-Modelle trainieren, Daten analysieren, Software entwickeln oder digitale Dienste skalieren will, landet häufig in den Infrastrukturen genau dieser Konzerne. Rikap spricht deshalb von einer quasi-souveränen Stellung der Cloud-Giganten: Sie stellen nicht einfach Werkzeuge bereit, sondern setzen technische, ökonomische und organisatorische Regeln, von denen andere Unternehmen, Forschungseinrichtungen, Verwaltungen und sogar Staaten abhängig werden. Ihre Macht besteht also nicht nur im Besitz von Daten, sondern in der Kontrolle über Rechenkapazität, Schnittstellen, Entwicklerumgebungen, KI-Modelle und Plattformökosysteme.

Digitale Souveränität darf nicht nationalistisch missverstanden werden. Es geht nicht darum, „eigene“ europäische Big-Tech-Konzerne aufzubauen, die dann dieselbe Logik von Extraktion, Skalierung und Abhängigkeit reproduzieren. Rikap argumentiert vielmehr für eine demokratische und ökologische digitale Souveränität: Gesellschaften müssen über jene digitalen Infrastrukturen verfügen können, die für Selbstregierung, öffentliche Dienste, Wissen, Kommunikation und wirtschaftliche Koordination notwendig sind (Rikap, 2025). Entscheidend ist der Gedanke, dass Regulierung allein nicht reicht. Wenn Staaten nur Regeln für private Plattformen schreiben, aber selbst von deren Cloud, Modellen und Dateninfrastrukturen abhängig bleiben, verschiebt sich Macht nicht grundlegend. Eine konstruktive KI-Zukunft müsste daher öffentliche, demokratisch kontrollierte und international kooperierende Alternativen aufbauen.

Ein anschauliches Beispiel für diese Richtung ist Decidim, eine aus Barcelona stammende freie und offene Plattform für Bürger:innenbeteiligung. Decidim beschreibt sich selbst als digitale Infrastruktur für partizipative Demokratie: Menschen können Vorschläge einbringen, diskutieren, abstimmen, Beteiligungsprozesse verfolgen und öffentliche Entscheidungen nachvollziehen. Hier kommen mehrere Ebenen zusammen:

• freie Software,
• öffentliche Förderung,
• zivilgesellschaftliche Nutzung,
• demokratische Governance und
• die Idee, dass digitale Plattformen nicht zwangsläufig Werbe-, Überwachungs- oder Profitmaschinen sein müssen.

Decidim ist kein perfektes Gegenmodell zu Big Tech, aber ein konkreter Hinweis darauf, wie öffentliche digitale Infrastruktur anders gestaltet werden kann: offen, überprüfbar, weiterentwickelbar und politisch eingebettet.

3.1. Digitale Commons

Damit ist bereits eine erste konstruktive These formuliert: Zukunftsfähige KI braucht nicht nur ethische Leitlinien, sondern andere Eigentums- und Governance-Formen. Hier setzt die Debatte um digitale Commons an. Digitale Commons sind gemeinsam entwickelte und verwaltete digitale Ressourcen: freie Software, offene Wissensbestände, gemeinsam gepflegte Dateninfrastrukturen oder föderierte Plattformen. Eine Studie von Open Future beschreibt digitale Commons als Systeme, die nicht von Einzelunternehmen kontrolliert werden, sondern durch Gemeinschaften entstehen, die über Regeln, Zugang, Weiterentwicklung und Nutzung kollektiv entscheiden (Open Future, 2024). Beispiele reichen von Wikipedia über freie Software bis zu spezialisierten Infrastrukturen wie scikit-learn, Decidim oder öffentlichen Open-Source-Bausteinen. Der Punkt ist nicht, dass Commons automatisch gut funktionieren. Sie haben Probleme: Unterfinanzierung, Abhängigkeit von Freiwilligenarbeit, ungleiche Beteiligung, Gefahr der Vereinnahmung durch Unternehmen. Aber sie zeigen, dass digitale Infrastruktur nicht zwingend exklusiv, proprietär und renditegetrieben organisiert sein muss.

An dieser Stelle lässt sich gut eine Brücke zu Plattformsozialismus und Plattformgenossenschaften schlagen. Plattformgenossenschaften versuchen, digitale Plattformen in die Hände jener zu legen, die auf ihnen arbeiten oder sie nutzen. Trebor Scholz hat diesen Ansatz als Gegenentwurf zur sogenannten Sharing Economy formuliert: Warum sollten bei Fahrdiensten, Lieferdiensten, Reinigungsplattformen, Musikstreaming oder kreativen Marktplätzen Investor:innen die Hauptprofiteure sein, wenn Arbeiter:innen, Nutzer:innen und lokale Communities die eigentliche Wertschöpfung tragen (Scholz, 2016)? Statt Uber ohne Uber-Fahrer:innen zu denken, fragt Plattformkooperativismus: Was wäre, wenn Fahrer:innen, Pflegearbeiter:innen, Musiker:innen, Fotograf:innen oder Haushaltsarbeiter:innen ihre Plattformen selbst besitzen und demokratisch steuern? Diese Frage eignet sich didaktisch sehr gut, weil sie die scheinbare Natürlichkeit heutiger Plattformen aufbricht. Eine App ist nicht automatisch kapitalistisch; kapitalistisch ist das Eigentums-, Finanzierungs- und Kontrollmodell, in das sie eingebettet ist.

Diese Fragen führen zur vielleicht wichtigsten Pointe des Kapitels: Zukunftsfähige KI heißt nicht maximale KI. Der dominante Diskurs setzt Zukunft häufig mit Skalierung gleich: größere Modelle, mehr Daten, mehr Rechenleistung, mehr Automatisierung, mehr Integration in Alltag, Arbeit und Verwaltung.

Eine demokratische, commons-basierte, feministische, konviviale und degrowth-orientierte Perspektive dreht diese Logik um. Sie fragt zuerst nach gesellschaftlichen Zwecken und Grenzen.

• Welche Probleme wollen wir lösen?
• Welche Mittel sind angemessen?
• Welche Schäden nehmen wir nicht in Kauf?
• Welche Gruppen müssen mitentscheiden?
• Welche Infrastrukturen gehören in öffentliche oder gemeinschaftliche Hand?
• Und welche Technologien widersprechen so grundlegend einer sozial und ökologisch gerechten Zukunft, dass sie nicht verbessert, sondern verhindert werden sollten?