Eine aktuelle Studie der Tel Aviv University und der Ben-Gurion-Universität des Negev deckt versteckte Vorurteile in generativen KI-Modellen auf. Forschende um Professor Michael Gilead und Dr. Gal Gutman haben in einer im Fachjournal American Psychologist veröffentlichten Untersuchung nachgewiesen, dass Large Language Models Namen mit jüdischem Hintergrund mit spezifischen, historisch geprägten Stereotypen verknüpfen. Dabei entsteht kein explizit antisemitischer Inhalt, jedoch ein Muster, das alten kulturellen Klischees entspricht. Die Methodik umfasste die Generierung von Lebensläufen für hundert amerikanische männliche Namen, darunter jüdische und nichtjüdische Varianten. Die KI-Modelle extrapolierten aus den Namen Wohnort, Beruf, Werte sowie positive und negative Charaktereigenschaften. Nach der Anonymisierung dieser Profile bewerteten sowohl die Modelle als auch eine US-amerikanische Validierungsgruppe die sozialen und psychologischen Merkmale isoliert. Die Ergebnisse zeigen eine konsistente Zuordnung von hoher Intelligenz, Effizienz, Führungsstärke und sozialem Einfluss zu jüdischen Namen. In Kombination mit moralischer Ambivalenz, emotionaler Distanz und einem kontrollierenden Verhalten entsprechen diese Profile exakt historischen antisemitischen Tropen, die Juden oft mit Macht, sozialer Abgrenzung und Rigorosität assoziierten. Um diese Assoziationen im zeitgenössischen kulturellen Kontext zu verorten, ließen die Forschenden die KI-Modelle die generierten Profile mit bekannten fiktiven Figuren abgleichen. Die Zuordnungen fielen auf Charaktere wie Sherlock Holmes, Dr. House, Walter White, Tony Stark und Michael Corleone. Diese Figuren teilen exakt die gemischten Merkmale, die die KI bei jüdischen Namen identifizierte: außergewöhnliche kognitive Fähigkeiten, extreme Unabhängigkeit, moralische Komplexität und einhergehende soziale Isolation. Professor Gilead weist darauf hin, dass sich diese historischen Narrative unsichtbar in den Algorithmen befinden, die täglich von Millionen genutzt werden. Die KI-Ausgaben seien zwar explizit unbedenklich, doch die zugrundeliegende Bewertung präge jüdische Personen implizit nach alten Klischees. Dr. Gutman präzisiert, dass KI-Systeme keine bewusste Voreingenommenheit zeigen, sondern gelernte Muster der Trainingsdaten replizieren. Selbst nach der Anwendung von Alignment- und Bias-Mitigationsverfahren bleiben diese tief verwurzelten kulturellen Annahmen bestehen. Die Studie nutzt Jüdinnen und Juden als Fallstudie, warnt jedoch, dass ähnliche Latenzmuster bei nahezu jeder Bevölkerungsgruppe nachweisbar wären. Angesichts der zunehmenden Integration von KI in Bildung, öffentliche Dienstleistungen und Entscheidungsprozesse fordern die Forschenden dringend, die versteckten kulturellen Prämissen in diesen Systemen zu adressieren. Die Ergebnisse unterstreichen die Notwendigkeit, über reine Inhaltsfilterung hinauszugehen und die strukturellen Verzerrungen in den Trainingsdaten sowie in den Architekturen generativer Modelle fundamental zu hinterfragen.