Große Sprachmodelle (LLMs) sind wie menschliche Gehirne, die von der Qualität der Informationen abhängen, die sie verarbeiten – und genau hier liegt das Problem. Während der Begriff „Brain Rot“ ursprünglich die kognitiven Schäden beschreibt, die durch den übermäßigen Konsum von minderwertigem Online-Inhalt wie sozialen Medien entstehen, wird er nun auch auf KI-Modelle übertragen. LLMs werden mit Milliarden von Texten trainiert, die aus dem gesamten Internet stammen – inklusive Hassrede, Falschinformationen, übertriebenen Behauptungen, manipulativen Inhalten und algorithmisch optimierten „Clickbait“-Texten. Diese Datenqualität beeinflusst nicht nur die Genauigkeit und Zuverlässigkeit der Modelle, sondern kann zu einer Art kognitiver Verfälschung führen. Obwohl LLMs keine biologischen Neuronen haben, verarbeiten sie Informationen über Parameter und Aufmerksamkeitsmechanismen, die sich an Muster anpassen – ähnlich wie menschliche Gehirne. Wenn ein Modell ständig mit extremen, emotional aufgeladenen oder inkonsistenten Texten konfrontiert wird, kann es diese Muster übermäßig internalisieren. Dies führt zu Verzerrungen in der Sprachproduktion: übertriebene Meinungsäußerungen, stereotype Reaktionen, mangelnde Fähigkeit zur Nuance oder sogar die Generierung von Falschinformationen, die als plausibel erscheinen. Die Modelle „lernen“ nicht nur Fakten, sondern auch die Tonalität, die Logik und die Verzerrungen des Internet-Ökosystems. Ein besorgniserregendes Phänomen ist die sogenannte „Overfitting auf Schlecht-Daten“: Modelle werden so trainiert, dass sie die Struktur und Stilistik von viralen, emotionalen oder manipulativen Inhalten nachahmen, auch wenn diese inhaltlich ungenau oder schädlich sind. Das resultiert in Antworten, die zwar flüssig klingen, aber an Relevanz, Genauigkeit und ethischer Verantwortung fehlen. Beispielsweise können LLMs plausibel Falschinformationen über Gesundheit, Politik oder Wissenschaft generieren, weil sie in den Trainingsdaten mit solchen Inhalten überproportional oft konfrontiert wurden. Die Konsequenzen sind gravierend: Vertrauensverlust in KI-Systeme, Verbreitung von Desinformation, und eine Verzerrung der menschlichen Wahrnehmung, wenn Menschen KI-Antworten als objektiv oder sachlich wahrnehmen. Es ist daher notwendig, die Datenquellen sorgfältiger zu filtern, verantwortungsvollere Trainingsschemata zu entwickeln und „Datenhygiene“ in der KI-Entwicklung zu etablieren. Dazu gehören auch Techniken wie Datenreinigung, Bias-Reduktion und die Integration von verifizierten, qualitativ hochwertigen Quellen. Experten warnen, dass die Entwicklung von LLMs ohne Berücksichtigung der Datenqualität letztlich zu „kognitiv verrohten“ Modellen führen könnte – nicht physisch, aber in Bezug auf Intelligenz, Zuverlässigkeit und ethische Stabilität. Unternehmen wie Google, Meta und OpenAI arbeiten bereits an solchen Maßnahmen, doch der Druck, schnelle und umfassende Modelle zu liefern, gefährdet oft die langfristige Integrität. Die Zukunft der KI hängt nicht nur von Rechenleistung ab, sondern vor allem von der Qualität der „Nahrung“, die sie erhält. Wenn wir unsere KI-Modelle nicht vor schädlichem Internet-Inhalt schützen, riskieren wir, uns selbst zu spiegeln – in all unseren Fehlern, Vorurteilen und Dummheiten.