Die Künstliche Intelligenz bietet als Querschnitts- und Schlüsseltechnologie unglaubliche Chancen, aber auch Risiken für Soziale Innovationen und Gemeinwohl. Bereits jetzt gibt es unzählige Ansätze und Praktiken, KI für mehr Wirkung einzusetzen. Dabei spielen Soziale Innovationen selbst eine wichtige Rolle bei der Weiterentwicklung von KI. Sie können dabei helfen, unbeabsichtigte Nebeneffekte von neuen technologischen Innovationen wie der KI einzudämmen und die Technologie gemeinwohlorientiert nutzbar zu machen.
AI for Good
Alleine in Deutschland arbeiten Gemeinwohlorientierte Unternehmen (GU) wie Summ AI oder Reflecta bereits erfolgreich daran, KI-basiert komplexe Sprache einfacher zugänglich zu machen oder Organisationen dabei zu helfen, passende Förderprogramme zu finden, Projektideen zu entwickeln und Anträge mit KI-Support zu erstellen. Penemue erkennt und moderiert in Echtzeit Hassrede, toxische Kommentare und rechtsverletzende Inhalte in sozialen Medien (in 89 Sprachen). Caremates bieten ein KI‑gestütztes CRM-System für die Sozial‑ und Pflegewirtschaft, das Anfragen, Aufnahmeprozesse und Pflegeanamnese automatisiert und den Verwaltungsaufwand um bis zu 80 % reduziert. Klimakarl stellt eine KI-gestützte Plattform zur Erfassung, Berechnung und Reduktion des CO2-Fußabdrucks in Unternehmen zur Verfügung. Und, und, und.
Die Künstliche Intelligenz ist schon länger im gemeinwohlorientierten Sektor angekommen.
Mögliche Use Cases (also Anwendungsfälle) für eine gemeinwohlorientierte KI sind ja auch zahlreich vorhanden – gerade in Zeiten, in denen öffentliche Gelder und Ressourcen knapper werden, effiziente Prozesse gefragt sind und unser Innovationsdruck zur Bewältigung von gesellschaftlichen Problemen immens ist.
Culture eats AI for breakfast
Um die Potenziale der Technologie voll ausschöpfen zu können, mangelt es GUs aber häufig an den nötigen Ressourcen, Erfahrungen oder organisatorischer „Readiness“.
So wird beispielsweise in der Wohlfahrt KI für unterschiedlichste Zwecke erprobt, um Innovationen innerhalb ihrer Organisationen voranzutreiben und Mitarbeiter:innen systematisch zu entlasten. Dies geschieht zum Beispiel beim neu geschaffenen Kompetenzzentrum KI für Soziale Services der AWO Thüringen. Ganz konkret entwickeln Mitarbeitende dort in co-kreativen Prozessen KI-unterstützte Hilfsmittel, wie einen Simultan-Übersetzer, einen Fördermittel-Assistenten und ein interaktives Pflegehandbuch.
Andererseits sind die freien Ressourcen, Möglichkeiten oder Kompetenzen, Projekte umzusetzen, insbesondere in Wohlfahrtsorganisationen wie auch vielen anderen GUs begrenzt.
Enter Ashoka AI Lab.
Für Ashoka, ein Netzwerk zur Unterstützung von Social Entrepreneurs, helfen KI-Anwendungen bereits jetzt dabei, Ressourcen vergleichbar mit mehreren Angestellten einzusparen. Ihr Ansatz des „Conscious Tinkering“ ruft alle Kolleginnen innerhalb einer Organisation dazu auf, einfach loszulegen und mit kleinen KI-Experimenten zu starten, gegebenenfalls auch ohne das Okay oder Wissen der Leitungsebene oder eine umfassende KI-Strategie. Das braucht nicht viele Ressourcen. Entscheidend sei es, selbst mögliche Effizienzpotenziale innerhalb einer Organisation oder der eigenen Arbeitsabläufe zu sehen und mithilfe von KI, Lösungen dafür zu entwickeln.
Das können, wie bei Ashoka, einfache Ideen wie ein Chatbot mit Zugang zum betriebseigenen Wissenspool sein oder kleine Trainings wie ein Rollenspiel, bei dem Kolleg:innen in einem Echtzeitgespräch die eigene Vision einer Gruppe von Achtjährigen erklären sollen. Nach und nach entstehen somit KI-Lösungen und KI-Kompetenzen innerhalb einer Organisation sowie ein ganzer Fundus an wertvollen Lernerfahrungen.
Ashokas Ansatz schafft damit erst die internen Strukturen und ein schrittweises Verständnis für den Mehrwert von KI-basierten Lösungen innerhalb einer Organisation.
Damit knüpft Conscious Tinkering an ein sichtbares Problem von KI-Projekten an: Sie scheitern. Häufig. Laut einer Unternehmensbefragung von S&P Global stellten 42 % von 1000 befragten Unternehmen aus Europa und den USA, die 2025 KI-Projekte initiierten, ihre Vorhaben frühzeitig wieder ein. Entsprechend warnte auch Microsofts Geschäftsführer Satya Nadella, KI sei keine „Magic Bullet“. Sie allein führe nicht zum Erfolg eines Projekts. Entscheidend seien die richtigen Strukturen und strikt ziel- sowie ergebnisorientiert zu investieren.
Gemäß dem Grundsatz „Culture eats strategy for breakfast“ ist es auch bei durch KI angestoßenen Veränderungsprozessen besonders wichtig, die eigene Belegschaft aktiv in diese Prozesse einzubinden. KI-Projekte scheitern häufig nicht an der Technik hinter der KI, sondern an organisatorischen Rahmenbedingungen und den Menschen, die die KI mitentwickeln und nutzen sollen.
Dabei geht es auch um die Sorge vor einer KI-verursachten Fremdsteuerung, veränderten Verantwortlichkeiten, Routinen und Status. Job-Unsicherheit (einen interessanten Einblick dazu gibt dieser 80.000 Hours-Podcast) oder die Angst vor einem Datenmissbrauch durch die KI – besonders relevant im sozialem Sektor – spielen ebenso eine Rolle wie ethische Bedenken vieler Arbeitnehmer:innen in Gemeinwohlorientierten Unternehmen. Anders gesagt: “People don’t resist change – they resist loss” (Ronald Heifetz).
Mittlerweile gibt es zahlreiche Unterstützungs- und Informationsangebote für die Entwicklung und Umsetzung von KI-Projekten in der eigenen Organisation.
- Der Skala-Campus bietet Kurse und Weiterbildungen für Non-Profits zum
Thema an, zum Beispiel Businessplan erstellen mit KI (06.11.2025, Kosten 200€). Anstehende Events: Clever prompten – ChatGPT & Co. systematisch nutzen (07.10.2025), Konkrete KI-Anwendungen für den Projektalltag (15.10.2025). - Das Mittelstand-Digital Zentrum Berlin unterstützt kleine und mittlere Unternehmen in Berlin, Brandenburg und bundesweit mit kostenfreien Informationen, Workshops, Webinaren und Projekten.
- Der KI-Campus bietet kostenlose Onlinekurse, Videos und Podcasts. Er unterstützt dabei,
KI-Tools richtig einzusetzen und vergibt kostenlose Zertifikate, zum Beispiel
um herauszufinden, wie man einen guten Use Case für KI im eigenen Unternehmen identifiziert - Das Civic Data Lab bietet kostenfreie Tools, Leitfäden und Ressourcen für gemeinwohlorientierte Datennutzung an, unter anderem eine Datensprechstunde zur Orientierung, Feedback und Austausch zur eigenen Datenstrategie, Wirkung, Datenvorhaben, Tools für Datenanalyse und -speicherung.
- KI for Good unterstützen NGOs beim Einsatz von generativer KI.
- Das Handbuch Tech & KI for Impact von zukunft zwei zeigt, wie KI für das Gemeinwohl und in Organisationen eingesetzt werden kann.
KI als Schlüsseltechnologie und die Rolle von Sozialen Innovationen
Die neue High-Tech-Agenda der Bundesregierung (2025) nimmt KI als eine von sechs sogenannten Zukunfts- oder Schlüsseltechnologien in den Blick.
Definition Zukunfts- und Schlüsseltechnologien
Für das Bundeministerium für Forschung, Technologie und Raumfahrt (BMFTR) sind Zukunfts- und Schlüsseltechnologien Technologien, die „von zentraler Bedeutung für die volkswirtschaftliche Wettbewerbsfähigkeit Deutschlands sind. Es handelt sich um forschungsintensive, innovative Technologien mit hohem Potenzial, die langfristig zukunftsfähig und in branchenübergreifendend von großem Nutzen sind.”
Dabei soll KI unter anderem für eine zunehmend „prädiktive [also vorhersagende] und präventive [also vorsorgende] Medizin der Zukunft“ gefördert werden. Außerdem sollen etwa „Transfer-Leitprojekte für KI-Anwendungen in Schlüsselbranchen (zum Beispiel Automobil, Chemie, Biotechnologie, Cleantech, Medizin, Agrifood) und zentralen Forschungsfeldern (unter anderem Material-, Klima-, Biodiversitäts-, Energie- und Nachhaltigkeitsforschung) besonders forciert werden.“
Hier wird deutlich, welche Wechselwirkungen, gegenseitigen Abhängigkeiten und Verstärkungspotenziale zwischen Technologischen und Sozialen Innovationen bestehen – etwa zur Stärkung der gesellschaftlichen Widerstandsfähigkeit, einer nachhaltigen Entwicklung von Wirtschaft, Sozialstaat oder Lebensräumen sowie bei „sozio-technischen Systemen“ wie Mobilität. Denn „Fertigungstechnologien oder Robotik-Systeme können ihr volles Potenzial beispielsweise erst dadurch entfalten, dass im Zuge ihrer Einführung auch neue Arbeitsmodelle für das Zusammenwirken von Menschen und Fertigungsrobotern, beziehungsweise weiteren autonomen Systemen (etwa autonome Fahrzeuge in der Produktion) eingeführt werden“ (Matthias Weber, AIT).
„Technologische Innovationen benötigen oft die Unterstützung Sozialer Innovationen, um realisiert und breit umgesetzt zu werden, während Soziale Innovationen zunehmend auf technologische Infrastrukturen angewiesen sind.“
– Prof. Dr. Matthias Weber, Austrian Institute of Technology (AIT)
Sehr gut sieht man das auch bei den Reallaboren. Dabei handelt es sich um zeitlich und oft räumlich oder sachlich begrenzte Testräume, in denen innovative Technologien oder Geschäftsmodelle unter realen Bedingungen erprobt werden. Dort lässt sich unter anderem herausfinden, ob eine KI-Entwicklung sich an gesellschaftlichen Bedarfen orientiert und wirksam ist. Sie zeigen an, ob nicht-beabsichtigte Nebenfolgen von einzelnen Innovationsprozessen ausgehen und wie sie vermieden werden könnten. Reallabore dienen als Reality Check zur Verbesserung und Anpassung technischer Lösungen, insbesondere unter Zuhilfenahme sozial-innovativer Beobachtungen, Überlegungen und Konzepte.
Mehr zu den Verstärkungspotenzialen und zur Wechselwirkung zwischen Sozialen Innovationen und Technologischen Innovationen finden sich in unseren Spotlights Wissenschaft.
Einige grundsätzliche Definitionen und Wissenswertes zu KI kurz und knapp zusammengefasst:
Grundsätzlich beschreibt KI Computersysteme, die menschliche kognitive Fähigkeiten (Lernen, Problemlösen, Sprachverständnis) nachahmen. Generative KI ist dabei in der Lage, vollständig neue Inhalte zu erschaffen: Texte, Bilder, Audiodateien oder sogar Software-Code. Im Gegensatz zu rein klassischer KI, die vorrangig analysiert oder Vorhersagen trifft, „kreiert“ generative KI gesamte Dateninstanzen neu und für individuelle Zwecke.
Machine Learning (ML) ist ein Teilbereich der künstlichen Intelligenz, bei dem Computer mithilfe von Algorithmen aus Daten Muster erkennen und sich ohne direkte Programmierung selbstständig verbessern, um Vorhersagen zu treffen oder Probleme zu lösen. Mit Hilfe von Machine Learning können Systeme auf Basis von Erfahrungswerten eigenständig aus großen Datenmengen lernen und Lösungen für neue Aufgaben ableiten.
Deep Learning ist eine spezielle Unterkategorie von Machine Learning. Während Machine Learning viele verschiedene Methoden umfasst, zeichnet sich Deep Learning dadurch aus, dass es künstliche neuronale Netzwerke mit vielen Schichten (daher „deep“, also tief) verwendet, um aus großen Datenmengen zu lernen. Diese Netze sind Computerprogramme, die grob dem menschlichen Gehirn nachempfunden sind: Sie bestehen aus miteinander verbundenen „Knoten“, die Daten Schritt für Schritt durch verschiedene Schichten weiterreichen und daraus lernen, Muster zu erkennen, Zusammenhänge zu finden oder Entscheidungen zu treffen.
Large Language Models (LLM) sind Deep Learning-basierte Modelle, die mit enorm vielen Textdaten trainiert wurden, um Sprache zu verstehen und zu erzeugen. Sie sind fähig, Texte zusammenzufassen, zu übersetzen, zu generieren und Muster zu erkennen. Grundlage sind Milliarden von Parametern, die komplexe Sprachprozesse abbilden.
RAG steht für Retrieval-Augmented Generation. Ein RAG ist eine KI-Technik, die Large Language Models mit externen Wissensquellen kombiniert, um bessere und genauere Antworten zu erzeugen. Dabei greift das System nicht nur auf das Wissen zurück, das im Modell beim Tarining “gelernt” wurde, sondern es ruft zusätzlich relevante Inormationen aus Datenbanken, Dokumentensammlungen oder anderen Quellen ab, bevor es eine Antwort generiert. So bleiben die Antworten aktuell, genau und beziehen sich auf verlässliche Informationen statt nur auf das im Modell gespeicherte Wissen.
Diese Methode verbessert vor allem die Verlässlichkeit und Aktualität von Antworten und wird oft bei Chatbots oder bei der Nutzung von firmeneigenen Daten eingesetzt, ohne dass das Sprachmodell neu trainiert werden muss.
In modernen Rechenzentren werden KI-Modelle auf Clustern von Servern ausgeführt, die mit speziellen Chips ausgestattet sind: sogenannten Grafikprozessoren (GPUs). Besonders im Fokus steht dabei ein Modell von Nvidia – der H100. Dieser Chip kam im Oktober 2022 auf den Markt, nur einen Monat bevor ChatGPT für die breite Öffentlichkeit verfügbar wurde. Seitdem sind die Verkaufszahlen des H100 regelrecht explodiert und tragen maßgeblich dazu bei, dass Nvidia regelmäßig zu den wertvollsten börsennotierten Unternehmen der Welt zählt. Mittlerweile gibt es einen leistungsstärkeren Chip, den H200.
Bei AGI (oder Strong AI) handelt es sich um ein theoretisches Konzept für eine KI, die generell wie ein Mensch verschiedenste kognitive Aufgaben lösen kann. Sie müsste flexibel lernen, Wissen übertragen und in unbekannten Situationen bestehen. AGI hätte demnach eine Art Bewusstsein oder Selbstwahrnehmung und die Fähigkeit, eigenständig zu lernen, ohne auf eng gefasste Trainingsdaten und reine Mustererkennung beschränkt zu sein. Fiktive Szenarios wie bei Matrix oder dem Terminator bauen auf der Idee einer AGI auf.
Narrow AI meint dagegen Systeme, die für ganz bestimmte Aufgaben (deswegen Narrow, also schmal) entwickelt wurden, zum Beispiel für die Bilderkennung, Sprachübersetzung, Schach spielen oder Empfehlungssysteme. Sie sind extrem leistungsfähig in ihrem Gebiet, können aber nicht selbstständig Wissen übertragen oder Aufgaben außerhalb ihres Trainingsgebiets lösen. Alle heutigen KI-Anwendungen sind Narrow AIs. Beispiel: ChatGPT, Google Translate, Gesichtserkennung in Smartphones.
KI als Querschnittstechnologie
Dabei war KI natürlich lange vor ChatGPT ein fester Bestandteil unseres Lebens:
- Maschinelle Übersetzung: Dienste wie DeepL sind schon lange im Einsatz.
- Rechtschreib- und Grammatikprüfung: Tools wie Grammarly oder die in Word/Google Docs integrierten Korrekturfunktionen nutzen KI-Modelle.
- Medizinische Bildanalyse: KI wird in der Radiologie und Diagnostik genutzt, um Tumore oder Auffälligkeiten auf MRT/CT-Bildern zu erkennen.
- Streaming-Plattformen: Netflix, YouTube oder Spotify nutzen seit den 2010er-Jahren KI-basierte Systeme, um Inhalte zu personalisieren.
Um ein paar davon zu nennen.
Das Bundesumweltministerium allein fördert bereits seit 2017 KI-Projekte für mehr Innovation im Klimaschutz und eine ressourceneffiziente KI.
Das Neue und Besondere bei ChatGPT war, dass es erstmals generative KI in einer allgemein zugänglichen, leicht nutzbaren Form für ein breites Publikum verfügbar machte. ChatGPT zeigt auch Nicht-Tekkis, welch Potenzial in dieser Technologie steckt.
Das GPT im Namen bringt es dabei auf den Punkt: General. Purpose. Technology. Zu Deutsch: Querschnittstechnologie.
Eigentlich steht das GPT bei ChatGPT für Generative Pre-trained Transformer und meint ein KI-Sprachmodell, das zunächst mit großen Mengen Text vortrainiert wird, um Sprachmuster zu erlernen, und anschließend Texte eigenständig erzeugen (umwandeln) oder verstehen kann.
Die Bezeichnung „General Purpose Technology“ stammt dagegen aus den Wirtschaftswissenschaften und bezeichnet Innovationen mit außergewöhnlichen Eigenschaften, die aber auch auf KI zutreffen:
- Hohe Breitenwirkung (zum Beispiel Elektrizität, Internet, KI)
- Lösen Produktivitäts- und Innovationssprünge in vielen Bereichen aus
- Sie sind langfristige Treiber eines strukturellen Wandels
Laut Wikipedia kennen wir aus der gesamten Geschichte der Menschheit nur um die 30 solcher Querschnittstechnologien (dazu gehören unter anderem so fundamentale Neuerungen wie die Sprache, das Beherrschen von Feuer, Kleidung oder die Wulsttechnik für Tongefäße – alle stammen aus der Zeit vor 10.000 vor der Zeitrechnung. Aber auch der Buchdruck, die Dampfmaschine, Elektrizität oder das Internet gehören dazu).
Die Unwucht, die jede Einzelne dieser Querschnittstechnologien in die Menschheitsgeschichte brachten, ist unvorstellbar. Ohne sie wäre gesellschaftlicher Fortschritt unmöglich.
Bemerkenswert ist, dass allein 4 GPTs ins 19. und 6 GPTs ins 20. Jahrhunderts fallen. Von ca. 300.000 Jahren Menschheitsgeschichte (wenn wir den Homo Sapiens hierfür als Ausgangspunkt nehmen) stammen also ein Drittel aller Querschnittstechnologien aus den letzten 200 Jahren.
Yuval Noah Harari argumentiert dagegen in seinem Buch “Eine kurze Geschichte der Menschheit“, dass erst die technologiebedingte Sesshaftwerdung des Menschen und die damit verbundene arbeitsintensive kultivierte Landwirtschaft mit schädlingsanfälligen Getreide zur eigentlichen Verarmung, Mangelernährung und Hungersnot menschlicher Gesellschaften führte – mindestens ein interessantes Gedankenspiel.
Die neue Welle
Nun also Künstliche Intelligenz.
In seinem Buch “The coming Wave – Technology, Power, and the 21st Century’s Greatest Dilemma” (2025) nennt DeepMind-Gründer Mustafa Suleyman Künstliche Intelligenz die nächste große Welle der Geschichte („History’s next great wave“). Die Gründe dafür liegen auf der Hand: KI wird ständig leistungs- und anwendungsstärker, effizienter, günstiger und zugänglicher. Sie verbreitet sich rasend schnell und bettet sich dadurch in nahezu jede Lebenslage ein.
ChatGPT ist die am schnellsten wachsende App aller Zeiten. Nach nur 5 Tagen hatte die App 1 Millionen Nutzer:innen. Nach 64 Tagen 100 Millionen. Facebook brauchte 4,5 Jahre für 100 Millionen Nutzer:innen. Heute nutzen 700 Millionen Menschen ChatGPT. Die App liegt weltweit auf Platz fünf der meistbesuchten Websites (facebook ist noch immer auf Position 3). Im Dezember 2024 erhielt ChatGPT laut eigener Aussage ungefähr 1 Milliarde Suchanfragen am Tag. Inzwischen sind es circa 2,5 Milliarden, Tendenz rapide steigend – Keine Querschnittstechnologie hat sich damit auch nur ansatzweise so schnell verbreitet wie diese. Die KI bringt dadurch ein unaufhaltsames und noch nie dagewesenes Momentum der exponentiellen Innovation und Veränderung mit sich.
Für Suleyman geht es jetzt darum, KI systematisch und konsequent für Gemeinwohl und Nachhaltigkeit einzusetzen. Andernfalls stünden wir vor großen Problemen.
Das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) nennt diesbezüglich selbst die „zunehmenden Risiken der KI für Gesellschaft und Umwelt, die bisher nur teilweise erfasst werden.“ Die Zukunftsforscher:innen vom AI Futures Projekt zeichnen mit AI 2027 ein eindrückliches Szenario, in dem KI-Agenten allein bis 2027 zunehmend Fähigkeiten übernehmen, die heute Menschen vorbehalten sind und die KI in manchen Bereichen die menschliche Intelligenz sogar übertrifft und eigenständiger agiert (siehe AGI/Strong AI). Organisationen wie 80.000 Hours gehen sogar so weit, KI als die größte Gefahr für unsere Zukunftsfähigkeit zu sehen.
Aus heutiger Sicht bergen wohl insbesondere Narrow AI-Modelle (siehe Definition oben) und unser Umgang damit Risiken:
Ein zentrales Problem ist dabei etwa die systematische Benachteiligung von bestimmten Personengruppen: KI-Systeme lernen aus vorhandenen Daten, die oft Vorurteile enthalten. So kann es passieren, dass Menschen aufgrund von Geschlecht, Hautfarbe oder Alter durch die KI systematisch diskriminiert und benachteiligt werden – Gesichtserkennungs-Software hat beispielsweise deutlich höhere Fehlerquoten bei Menschen mit dunklerer Haut.
Zunehmende Standardisierung: Wenn Daten und Leistungen vermehrt nach strikten Mustern bewertet werden, geraten individuelle Situationen und Bedürfnisse schnell in den Hintergrund. In vielen sozialen Bereichen kann dies zu gravierenden Problemen führen, zum Beispiel in der Sozialhilfe, im Kinder- und Jugendschutz oder in der Pflege.
KI gilt als Haupttreiber des stark steigenden Strombedarfs von Rechenzentren. Die KI-bezogene Nachfrage nach Rechenleistung verdoppelt sich inzwischen alle 3–4 Monate. Dadurch steigen bereits die Emissionen der Technologiekonzerne. Im Jahr 2024 meldete Microsoft einen Anstieg der Emissionen um 29 % seit 2020, während Google seit 2019 einen Zuwachs um 48 % verzeichnete – jeweils bedingt durch den Energiebedarf von KI-Berechnungen. Bis 2028 könnte KI demnach allein in den USA so viel Energie verbrauchen wie 22 % aller dortigen Haushalte (siehe World Fund White Paper „Green Computing in the AI era, ebenfalls empfehlenswert MIT-Studie zum Stromverbrauch durch KI).
Damit ist auch klar: „Wir brauchen […] nicht nur Nachhaltigkeit durch KI, sondern zunächst einmal eine nachhaltige KI.“ (Ali Aslan Gümüşay, LMU Munich School of Management)
Die Rolle Sozialer Innovationen für eine gemeinwohlorientierte KI
Die Herausforderungen für eine gemeinwohlorientierte KI sind also immens. Umso mehr stellt sich die Frage, wie wir diesen Prozess aktiv mitgestalten können. Sozialen Innovationen kommt hierbei eine wichtige Rolle zu. Denn wenn technologische und Soziale Innovationen zusammengedacht werden, können Chancen und Risiken in ein ausgewogenes Verhältnis gebracht werden.
Technologische Innovationen wie die KI könnten daher zunehmend mit sozialinnovativen Ansätzen verknüpft werden – etwa durch interdisziplinäre Projekte, Reallabore oder partizipative Formate, in denen gemeinsam mit Bürgerinnen und Bürgern, Kommunen oder Unternehmen neue Lösungen zum Umgang mit und zur Nutzung der Technologie entwickelt und erprobt werden.
Beispielhaft sind hierbei das Reallabor Quartier Zukunft – Labor Stadt, der Innovationscampus Mobilität der Zukunft oder der Innovationscampus Nachhaltigkeit.
Ein weiteres Beispiel: Earthly Insight. Das Unternehmen aus San Francisco setzt sich schon jetzt für eine gemeinwohlorientierte KI ein. Es bietet einen KI-Chatassistent, der Nutzer:innen bei Aufgaben wie Schreiben, Recherchieren, Brainstorming und so weiter unterstützt – zugleich legt das Unternehmen großen Wert auf Nachhaltigkeit und spendet 33 % seiner Einnahmen an Renaturierungs- beziehungsweise Rewilding-Projekte, quasi wie Ecosia für KI.
Governance-Ansätze wie Verantwortungseigentum oder die genossenschaftliche Organisation von KI-Betreibern könnten weiterhin dafür sorgen, die Entwicklung der Technologie in Zukunft verantwortungsvoller zu begleiten. Allerdings zeigt gerade die sich wandelnde Organisationsstruktur von OpenAI, dass eine gemeinwohlorientierte Organisationsstruktur nicht immer ohne jeden Zweifel auch im Sinne des Gemeinwohls arbeitet, wenn gleichzeitig Milliardeninvestitionen eingeworben werden.
Ein Beispiel dafür, wie Genossenschaften profitorientierte Unternehmensmodelle weiterdenken können, liefert FairBNB.coop. Die Genossenschaft aus der italienischen Region Emilia-Romagna – der Genossenschaftsregion schlechthin – ist eine kooperative Plattform für nachhaltigen Tourismus, die sich als Alternative zu klassischen Kurzzeitvermietungs-Plattformen wie Airbnb versteht.
Reihe: Wege für eine Gemeinwohlorientierte KI
Um der Frage nach möglichen Wegen und Möglichkeiten im Umgang mit KI nachzugehen, lassen wir in den nächsten Monaten Expert:innen zu Wort kommen, die zu spannenden Lösungsansätzen und einer verantwortungsvollen Zukunft mit KI arbeiten.
