---
title: KI hat etwas gegen Sachsen-Anhalt.
date: 2025-10-16T00:00:00.000Z
tags:
  - ki
  - ethics
  - data
summary: ''
source: linkedin-post
visibility: primary
linkedin_url: 'https://www.linkedin.com/feed/update/urn%3Ali%3Ashare%3A7384700359056785408'
---

KI hat etwas gegen Sachsen-Anhalt.
Aktuelle Forschung zeigt: Große Sprachmodelle bewerten ostdeutsche Bundesländer konsistent schlechter, sogar bei scheinbar objektiven Eigenschaften wie Körpertemperatur. Das ist kein Kuriosum, sondern ein Lehrstück für systemischen Bias: Modelle spiegeln Daten, Daten spiegeln die Gesellschaft.
Was folgt daraus? Fairness ist kein Add-on, sondern Teil des gesamten KI-Lebenszyklus.
Woran Teams arbeiten müssen
- Vielfalt schon in der Datenerhebung sicherstellen.
- Fairness regelmäßig messen (z. B. statistische Parität, Equal Opportunity).
- Debiasing in die Pipeline integrieren (Pre-, In- und Post-Processing).
- Nach dem Go-Live kontinuierlich monitoren und auditieren.

Was können wir beim Einsatz von KI dagegen tun?
- Bias-sensibel prompten: geschlechtsneutral schreiben, multiple Perspektiven benennen, Beispiele aus unterschiedlichen Gruppen einbauen, stereotype Begriffe vermeiden, Begründungen anfordern („nenne Kriterien und Quellen“).
- Counterfactual-Prompts testen („gleiche Antwort für Person A und Person B mit nur geänderter Herkunft?“).
- Konsens-Prompts nutzen („antworte erst nach kritischer Prüfung und nenne Unsicherheiten“).
- Ergebnisse systematisch gegenprüfen und Feedback melden.

Fazit
KI ist nie neutral. Wer faire Systeme will, muss Fairness von Anfang an designen und im Betrieb belegen. Das Sachsen-Anhalt-Beispiel zeigt: Verzerrungen sind messbar und damit auch reduzierbar.
—
Quellen
• Heise-Bericht zur Studie (Kurzüberblick)
https://lnkd.in/eVgWRGbM
• Originalstudie „Saxony-Anhalt is the Worst“ (Springer, KI 2024)
https://lnkd.in/e8GtZhgp
• Überblick zu Bias in LLMs: Herkunft, Messung, Mitigation (arXiv)
https://lnkd.in/e5ffcwJE
• Fairness-Überblick mit Metriken und Trade-offs (HHU Düsseldorf, PDF)
https://lnkd.in/eeSVdJFt
• Prompt-basierte Bias-Mitigation: systematische Übersicht (arXiv, PDF)
https://lnkd.in/eRCZB_KP
• IBM AI Fairness 360 Toolkit (70+ Metriken, 10 Mitigations)
https://lnkd.in/esPuwgJ3