Wessen Daten? Die Sprache, die KI nie gelernt hat

Stell dir vor, jemand baut eine Bibliothek, die das Wissen der Welt enthalten soll. Beim Befüllen greift er sich, was am leichtesten erreichbar ist: alles, was schon digital herumliegt, in der Sprache, in der am meisten herumliegt. Am Ende steht ein beeindruckendes Gebäude, in dessen Regalen die halbe Menschheit kaum vertreten ist. Nicht aus böser Absicht, sondern weil das Wissen dieser Menschen nie in der Form vorlag, die der Bauplan vorsah.

Genau das ist mit den großen Sprachmodellen passiert, die seit drei Jahren unseren Alltag durchziehen. Und es ist der Einstieg in eine Frage, die diese Reihe durchzieht: Wer besitzt eigentlich die Bausteine der KI, und wer wird mit ihnen gebaut, ohne gefragt zu werden?

Ich versuche, sie über vier Teile hinweg möglichst genau zu beantworten – genauer, als es die meisten Texte zu diesem Thema tun. Das heißt auch: Ich werde mehrfach gegen den eigenen Affekt anschreiben und Geschichten kassieren, die sich gut anfühlen, aber dem Faktencheck nicht standhalten. Wer linke Kritik an Big Tech ernst meint, kann sie sich nicht leisten, an Übertreibungen zu scheitern.

Eine Zahl, die man nicht wegdiskutieren kann

Große Sprachmodelle lernen aus Text, den jemand aus dem Netz gefischt hat. Die zentrale, frei zugängliche Quelle dafür heißt Common Crawl – ein gigantisches Archiv gescrapter Webseiten, das laut einer Untersuchung der Mozilla Foundation von KI-Entwicklern „oft unkritisch“ als Rohstoff verwendet wird. Wer wissen will, welche Welt ein Modell beim Lernen sieht, schaut sich an, welche Sprachen in diesem Archiv vorkommen.

Die Sprachstatistik von Common Crawl ist öffentlich, und sie ist eindeutig: Englisch macht rund 41 Prozent aller Seiten aus. Swahili, gesprochen von über hundert Millionen Menschen, kommt auf 0,011 Prozent. Tagalog auf 0,010, Amharisch auf 0,004, Hausa auf 0,003, Yoruba auf 0,0015 Prozent. Das ist kein Rundungsfehler. Swahili ist im wichtigsten Trainingskorpus des Webs etwa dreitausendsiebenhundert Mal schwächer vertreten als Englisch.

Und das Wenige, das es gibt, ist oft unbrauchbar. Ein peer-reviewtes Audit von Kreutzer und Kolleg:innen prüfte 205 sprachspezifische Webkorpora – in mindestens 15 davon fand sich überhaupt kein verwertbarer Text; viel Material für marginalisierte Sprachen war falsch etikettiert oder schlicht Müll. Wer eine dieser Sprachen spricht, ist also doppelt betroffen: unterrepräsentiert beim Lernen und schlechter bedient beim Anwenden – mit teils gefährlich falschen Übersetzungen, ausgerechnet dort, wo es um Gesundheit oder Behördengänge geht.

Eine Zahl, die in diesem Zusammenhang oft fällt, lasse ich bewusst weg: dass das Modell Llama 2 angeblich zu 89,7 Prozent auf Englisch trainiert worden sei. Sie stammt aus Metas eigener Modellkarte und ließ sich nicht am Original gegenprüfen. Solche Angaben gehören attribuiert, nicht als harte Tatsache verkauft – auch das ist Teil der Genauigkeit, die ich versprochen habe.

Hier der erste nüchterne Zwischenruf. Diese Schieflage ist real und belegt, aber sie ist kein Komplott. Sie ist das mechanische Ergebnis davon, dass Modelle nehmen, was da ist, und dass das meiste Digitalisierte aus dem reichen, anglophonen Norden stammt. Das macht die Folge nicht harmloser, nur erklärbarer als mit dem Wort „Diebstahl“.

Genau an diesem Punkt setzt Abeba Birhane an, eine der schärfsten Stimmen des Feldes. Sie beschreibt, wie die Rede vom „Anschluss der Unverbundenen“ – the unconnected, die es ins Netz zu holen gelte – die alte koloniale Zivilisierungserzählung wiederhole: Auch damals kam der Eingriff im Gewand der Wohltat. Wer entscheidet, dass eine Sprache, eine Wissensform, eine Lebensweise erst dann zählt, wenn sie maschinenlesbar vorliegt? Diese Frage lässt sich nicht mit besseren Datensätzen beantworten. Sie ist politisch.

Der Begriff, um den gestritten wird

An dieser Stelle taucht zum ersten Mal das Wort auf, das dieser Reihe ihren Namen gibt: digitaler Kolonialismus. Bevor ich es weiter benutze, muss ich offenlegen, dass es umkämpft ist – und das ist keine akademische Fußnote, sondern entscheidend für die Glaubwürdigkeit der ganzen Debatte.

Es gibt nicht den einen Begriff, sondern eine Familie. Nick Couldry und Ulises Mejias sprechen von „Datenkolonialismus“ und meinen eine Enteignungslogik, die alle Menschen erfasst, auch im Norden. Michael Kwet meint mit „digitalem Kolonialismus“ die geopolitische Nord-Süd-Achse: wem die Infrastruktur gehört. Abeba Birhane beschreibt eine „algorithmische Kolonisierung“ Afrikas, getrieben nicht von Armeen, sondern von Konzernen im Gewand der „KI-Lösung“. Diese Begriffe synonym zu verwenden ist der häufigste Fehler der deutschsprachigen Berichterstattung – und ich will ihn hier nicht wiederholen.

Wichtiger noch: Die Kolonialismus-Rahmung wurde nicht von Nord-Akademiker:innen über den Süden gestülpt. Sie kam wesentlich aus dem Süden. Als Facebook 2015 seinen Gratisdienst „Free Basics“ in Indien ausrollte – ein abgespecktes Internet, in dem Facebook entscheidet, was kostenlos erreichbar ist –, wies die indische #SaveTheInternet-Kampagne ihn als verkappten digitalen Kolonialismus zurück. Die indische Regulierungsbehörde untersagte das Modell 2016.

Und trotzdem ist es bestritten. Die schärfste Gegenrede stammt von María Soledad Segura und Silvio Waisbord aus Argentinien: „Kolonialismus ist ohne Gewalt undenkbar.“ Datenkapitalismus nutze heimtückische Extraktionstechniken, aber „seine Taktiken werden nicht von stehenden Heeren und Sklaverei gestützt“. Wer Nutzungsbedingungen mit der Conquista vergleicht, überdehne die Analogie und verharmlose die historische Gewalt. Von marxistischer Seite kommt der umgekehrte Einwand: Wenn das alles ohnehin kapitalistische Landnahme ist – braucht es dann das Kolonialvokabular überhaupt, oder politisiert es nur anders?

Eine Pointe gehört hier dazu, weil sie zur Vorsicht mahnt: Ausgerechnet im Zentrum der „dekolonialen KI“-Debatte sitzt ein Interessenkonflikt. Der vielzitierte Aufsatz „Decolonial AI“ stammt von drei Autor:innen, von denen zwei zum Zeitpunkt der Veröffentlichung bei DeepMind angestellt waren, dem KI-Labor von Alphabet. Das entwertet die Argumente nicht, aber es zeigt, wie verflochten selbst die Kritik mit den Konzernen ist, die sie kritisiert. Ein Motiv, das uns in dieser Reihe noch öfter begegnet.

Ich finde beide Einwände stark genug, dass man sie nicht wegwischen sollte. Mein Vorschlag für diese Reihe: Ich behandle „digitalen Kolonialismus“ nicht als bewiesene Tatsache, sondern als Deutungsangebot für ein Muster, das sich unabhängig vom Etikett belegen lässt. Dieses Muster hat einen nüchternen Namen, strukturierte Abhängigkeit, und es lässt sich an konkreten Fällen zeigen. Einer davon hat eine silberne Kugel als Logo.

Der Augenscanner, der im Süden übte

2021 begann ein Unternehmen namens Tools for Humanity, Menschen die Iris zu scannen. Das Projekt hieß Worldcoin, heißt heute „World“ und gehört zum Umfeld von OpenAI-Chef Sam Altman. Die Idee: ein weltweiter biometrischer Identitätsnachweis, bezahlt in Kryptowährung. Wer seine Iris von einer silbernen Kugel scannen ließ, bekam Token.

Wo das Unternehmen seine ersten rund 500.000 Testnutzer:innen rekrutierte, hat die MIT Technology Review 2022 in einer Recherche über sechs Länder dokumentiert: überwiegend im Globalen Süden, mit täuschenden Marketingpraktiken, ohne echte informierte Einwilligung, teils mit Nutzungsbedingungen nur auf Englisch. Menschen gaben ihr unveränderlichstes Datum her – das Muster ihrer Iris – für ein paar Token und ein Versprechen, das sie nicht lesen konnten.

Was danach geschah, wird in der aufgeregten Debatte gern übergangen, weil es nicht ins Bild vom hilflosen Süden passt. Es waren gerade die Behörden und Gerichte des Südens, die weltweit am härtesten durchgriffen. Der kenianische High Court hob die Datenverarbeitung im Mai 2025 auf: Die Einwilligung sei „durch Anreiz einer Kryptowährung“ erschlichen worden, eine Datenschutz-Folgenabschätzung habe gefehlt. Das Gericht ordnete die Löschung aller biometrischen Daten unter Behördenaufsicht an. Brasiliens Datenschutzbehörde verbot finanzielle Anreize für die Iris-Erfassung, weil Bezahlung die freie Einwilligung Bedürftiger aushöhle.

Die Liste wird länger, je weiter man schaut: Kolumbien ordnete die endgültige Schließung an, Thailand die Löschung von 1,2 Millionen Iris-Scans, in der argentinischen Provinz Buenos Aires fiel ein Bußgeld, Stopps oder Löschanordnungen kamen aus Spanien, Portugal, Indonesien und von den Philippinen. Auch das deutsche Bayerische Landesamt für Datenschutzaufsicht erließ eine Löschanordnung. Bemerkenswert bleibt die Reihenfolge: Nairobi, Brasília und Bogotá waren schneller und schärfer als der Norden. Das Bild vom handlungsunfähigen Süden, dem Technologie einfach übergestülpt wird, stimmt hier schlicht nicht. Der Engpass liegt weniger in der punktuellen Durchsetzungsfähigkeit als in den Ressourcen für flächendeckende, vorbeugende Aufsicht.

Und parallel? Expandiert World in die USA: Verifikationspartnerschaften mit Tinder, Zoom und Docusign im Frühjahr 2026, nach Unternehmensangaben über 16 Millionen verifizierte Personen (Stand Juni 2026). Das Muster, vorsichtig als Deutung markiert: Die biometrischen Daten wurden zuerst dort gesammelt, wo die Aufsicht schwächer und der ökonomische Anreiz wirksamer war. Kommerzialisiert wird das Produkt nun in regulierungsärmeren US-Bundesstaaten.

Audiatur et altera pars: Tools for Humanity erklärt durchgängig, Iris-Codes würden anonymisiert und fragmentiert gespeichert, die Behördenentscheidungen beruhten auf „veralteten Richtlinien und Technologien“, und legt gegen praktisch jede Anordnung Rechtsmittel ein. Man muss das mitschreiben. Es ändert wenig an der Chronologie.

Wenn Kinderfotos zum Trainingsmaterial werden

Ein zweiter dokumentierter Fall zeigt, wie wenig Kontrolle Menschen über die Verwertung ihrer Daten haben – diesmal nicht biometrisch, sondern ganz alltäglich. Human Rights Watch wies 2024 nach, dass der weit verbreitete Trainingsdatensatz LAION-5B Links zu mindestens 170 identifizierbaren Fotos brasilianischer Kinder enthielt – und das bei einer Stichprobe von weniger als 0,0001 Prozent des Datensatzes. Viele Bilder stammten aus privaten Blogs und waren über normale Suchmaschinen gar nicht auffindbar. LAION bestätigte die Funde, sagte Entfernung zu – und verwies die Verantwortung an Eltern und Kinder.

Hier muss ich ehrlich sein, auch gegen den Effekt: Die gesamte Folgeberichterstattung hängt an dieser einen HRW-Recherche. Das macht sie nicht falsch – die Methodik ist offengelegt, LAION hat eingeräumt. Aber es ist eine Quelle, kein Chor. Diese Reihe wird das öfter so sagen, weil das Feld klein ist und viele scheinbare Mehrfachbelege in Wahrheit Echos derselben Investigation sind. Wer das verschweigt, verkauft Empörung als Faktenlage.

Was das für NGOs bedeutet

Drei praktische Konsequenzen ziehe ich aus dem Datenkapitel.

Erstens: Behandelt KI-Übersetzungen in seltenen oder nicht-europäischen Sprachen als Arbeitsgrundlage, nicht als Ergebnis. Die Sprachasymmetrie der Trainingsdaten ist messbar, und sie schlägt direkt in die Qualität durch. In einer Beratung, die über Schutz oder Abschiebung mitentscheidet, hat ein Übersetzungsfehler eine andere Qualität als in einer Reise-App.

Zweitens: Seid vorsichtig mit biometrischen „Geschenken“. Wo ein Dienst Daten gegen Geld oder Token einsammelt – Iris, Gesicht, Fingerabdruck –, ist die Einwilligung in dem Moment am wenigsten frei, in dem sie am dringendsten gebraucht wird. Genau das war die Begründung der brasilianischen Behörde. Für Organisationen, die mit ökonomisch verletzlichen Menschen arbeiten, ist das ein konkreter Maßstab, kein abstraktes Prinzip.

Drittens: Wenn ihr über digitalen Kolonialismus sprecht – und es gibt gute Gründe, das zu tun –, dann mit den belegbaren Asymmetrien, nicht mit der größten verfügbaren Geste. „Der Süden ist hilflos“ ist nachweislich falsch; die kenianische Justiz hat es vorgeführt.

Fazit

Wessen Daten stecken in der KI? Die Antwort ist für beide Lager unbequem. Ein Raubzug mit gezückter Waffe ist es nicht: Daten lassen sich kopieren, ohne dass jemandem etwas weggenommen wird, und der Süden ist kein passives Opfer. Ein neutraler Marktvorgang ist es deshalb noch lange nicht. Auf jeder Ebene, die wir bisher betrachtet haben, gilt dasselbe: Menschen im Globalen Süden liefern das Material – ihre Sprache, ihre Bilder, ihre Iris – und haben so gut wie nichts darüber zu sagen, was damit geschieht.

Das ist der Kern, den die Theoriedebatte umkreist, ob man ihn nun „Kolonialismus“ nennt oder strukturierte Abhängigkeit. Nutzungszugang ohne Eigentums- und Mitspracherecht. Im nächsten Teil wird aus dem Material ein Mensch: Wir gehen nach Nairobi, zu den Beschäftigten, die KI überhaupt erst funktionsfähig machen – für Löhne, über die ein Gericht inzwischen verhandelt.

Wo eine Aussage nur an einer einzigen Quelle hängt, steht das im Text. Zeitlich instabile Angaben – Verfahrensstände, Marktanteile, Regulierung – sind auf dem Stand Juni 2026. Zur Quellenbasis der ganzen Reihe: siehe die Übersicht.