Die Anomalieerkennung strebt danach, ungewöhnliche Phänomene zu identifizieren, eine zentrale Aufgabe in Wissenschaft und Industrie. Diese Aufgabe ist inhärent unsupervisiert, da Anomalien während des Trainings unerwartet und unbekannt sind. Kürzliche Fortschritte im Bereich des selbstsupervisierten Repräsentationslernens haben direkt Verbesserungen in der Anomalieerkennung bewirkt. In dieser Positionspaper erläutern wir zunächst, wie selbstsupervisierte Repräsentationen leicht eingesetzt werden können, um den aktuellen Stand der Technik in gängigen Benchmarks für Anomalieerkennung zu erreichen. Wir argumentieren anschließend, dass die Bewältigung der nächsten Generation von Anomalieerkennungsaufgaben neue technische und konzeptionelle Verbesserungen im Repräsentationslernen erfordert.