Der weltweit bedeutendste Trainingskorpus für große Sprachmodelle wird zunehmend von den Texten vergiftet, die diese Modelle selbst generieren. Auf der englischsprachigen Wikipedia kämpfen Kontrolloren täglich gegen eine Flut maschinengenerierter Artikel an. Messungen des Erkennungstools Pangram ergaben, dass Ende 2025 rund 20% aller neuen Wikipedia-Einträge synthetische Spuren aufwiesen. Modelloutput fließt ungefiltert zurück in die Wissensdatenbank und kontaminiert schleichend das Rohmaterial künftiger Modellgenerationen.
Die von Wikipedia-Freiwilligen initiierte Säuberungsaktion wirkt auf den ersten Blick wie routinemäßige Community-Pflege. In Wahrheit entscheidet dieser Abwehrkampf über das fundamentale Datenfundament der gesamten KI-Industrie. Ein Wissensschatz, den Menschen über mehr als zwei Jahrzehnte hinweg akribisch geprüft haben, droht im Sumpf erfundener Fakten zu versinken.
Fünf lange Artikel in fünf Minuten: Kontrolloren entlarven 20% synthetische Einträge
Das Backend von Wikipedia erlebt derzeit einen beispiellosen Ansturm automatisierter Inhalte. Ein menschlicher Autor recherchiert Literatur, feilt an Formulierungen und benötigt oft Tage, um einen fundierten, mehrere tausend Wörter umfassenden Artikel fertigzustellen. In den Serverprotokollen des Jahres 2026 tauchen jedoch neu registrierte Konten auf, die innerhalb von fünf Minuten fünf umfangreiche Artikelentwürfe einreichen.
Automatisierte Skripte haben die Grenzkosten der Texterstellung auf null gedrückt. Um dieser industriellen Flutwelle die Stirn zu bieten, ergriff Ellia Lebleu, KI-Doktorandin am französischen Forschungsinstitut Inria Rennes, die Initiative. Im Dezember 2023 gründete sie gemeinsam mit weiteren Ehrenamtlichen auf Discord das Projekt WikiProject AI Cleanup. Ihr Ziel: zehntausende maschinell fabrizierte Enzyklopädie-Einträge aufzuspüren und systematisch zu löschen.
Diese von automatisierten Werkzeugen zusammengeschusterten Texte tragen unverkennbare stilistische Fingerabdrücke. Sie bevorzugen monotone Dreierketten, mechanisch aneinandergereihte Aussagen und eine Absatzstruktur, die wirkt wie am Fließband gegossen. Die Sätze klingen oberflächlich flüssig, ergehen sich jedoch in hohlen Adjektiven und enthalten keinerlei originäre, nachprüfbare Fakten.
Monitoring-Daten von Pangram zeigten, dass Ende 2025 etwa 20% aller neuen Einträge mutmaßlich maschinell erzeugt wurden. Durch unermüdliche Prüfungen sank dieser Wert Anfang 2026 auf rund 16%. Dennoch stammt weiterhin fast jeder sechste neue Artikel aus dem Generator. Die Hürde zur Massenproduktion von digitalem Müll ist auf null gesunken, während der zeitliche Aufwand für menschliche Verifikation unverändert hoch bleibt.
Abb.: Visuelle Komposition aus dem Wikipedia-Globus und redaktionellen Bearbeitungswerkzeugen. Quelle: IEEE Spectrum
Scheinbar korrekte Zitate: Wenn echte Quellen den Fließtext nicht stützen
Die Freiwilligen des Projekts stellten fest, dass die Gegenseite ihre Methoden im vergangenen Jahr spürbar verfeinert hat. Frühere KI-Halluzinationen waren plump und leicht zu durchschauen. Die Modelle erfanden nicht existierende Wissenschaftler oder dachten sich willkürliche Zeitschriftenbände aus. Den Kontrolloren genügte ein kurzer Blick in akademische Suchmaschinen, um den Schwindel binnen Sekunden auffliegen zu lassen.
Moderne Generierungsskripte setzen inzwischen flächendeckend auf Retrieval-Augmented Generation (RAG). Das Modell ruft vor dem Verfassen reale Fachliteratur ab und bettet echte Weblinks sowie reale Literaturangaben am Textende ein. Die Quellen existieren tatsächlich und die Links funktionieren einwandfrei – die offensichtlichen Halluzinationen scheinen verschwunden.
Dadurch wird die Täuschung weitaus tückischer. Das heute dominierende Problem: Die Quellenangabe existiert zwar real, stützt die getroffene Behauptung im Fließtext jedoch mit keinem Wort. So verwies etwa ein historischer Eintrag detailliert auf ein renommiertes Fachbuch inklusive konkreter Seitenzahlen. Schlugen die Freiwilligen die physische Ausgabe auf, fand sich an besagter Stelle nicht der geringste Hinweis auf die im Artikel geschilderten Geschehnisse.
Derartige Fälschungen lassen sich beim Überfliegen nicht mehr enttarnen. Die Kontrolloren müssen wie wissenschaftliche Ermittler gedruckte Bücher herbeischaffen oder dutzende Seiten von Forschungsberichten durchforsten. Die Überprüfung eines einzigen Einzelnachweises dauert nun nicht mehr wenige Sekunden, sondern bis zu einer halben Stunde.
Um der Lage Herr zu werden, führte die englischsprachige Wikipedia im März 2026 die offizielle Richtlinie WP:LLM ein, die den Einsatz von Sprachmodellen zur direkten Erstellung oder Umformulierung von Artikeltexten strikt untersagt. Zudem schuf die Community mit WP:G15 ein neues Kriterium zur Schnelllöschung KI-generierter Inhalte. Wenn Maschinen falsche Behauptungen in authentische Fachquellen hüllen, bleibt die akribische manuelle Prüfung Wort für Wort die letzte Verteidigungslinie.
Abb.: Startseite von WikiProject AI Cleanup, die die Bekämpfung automatisierter Textfluten als Kernaufgabe definiert. Quelle: Wikipedia
Corpus-Vergiftung und die Gefahr des Modellkollapses
Wäre Wikipedia nur ein herkömmliches Diskussionsforum, würde Spam lediglich das Leseerlebnis beeinträchtigen. In der Wertschöpfungskette der künstlichen Intelligenz nimmt Wikipedia jedoch eine strategische Ausnahmestellung ein. Nahezu alle führenden Sprachmodelle gewichten Wikipedia-Daten beim Pre-Training überproportional stark.
Die hohe Qualität von Wikipedia basiert auf mehr als zwei Jahrzehnten strenger Überprüfung durch Freiwillige weltweit. Führende Forschungslabore verließen sich auf dieses saubere Wissensreservoir, um ihren Modellen Allgemeinwissen und logisches Denken beizubringen. Wird Wikipedia jedoch durch synthetischen Text verwässert, absorbieren die Sprachmodelle ihre eigenen maschinellen Erzeugnisse als angebliche Fakten.
In der Forschung wird dieses Phänomen als Model Autophagy Disorder (MAD) oder schlicht Modellkollaps bezeichnet. Trainieren Modelle wiederholt auf synthetischen Daten, schaukeln sich anfängliche statistische Fehler über Modellgenerationen hinweg exponentiell auf. Die Modellausgaben driften zum statistischen Mittelwert ab; seltenes, aber essenzielles Randwissen geht verloren, bis die Systeme schließlich in logischer Verwirrung enden.
Eine frühere Recherche der MIT Technology Review dokumentierte diesen Verfallsprozess bereits in Wikipedia-Ausgaben kleinerer Sprachräume. Wo es an einer aktiven menschlichen Autorenschaft fehlte, erreichte der Anteil maschinengenerierter Artikel alarmierende Höhen. Nachfolgende Modelle, die auf diesen Daten trainiert wurden, zeigten massive Leistungseinbrüche, halluzinierten hemmungslos und verloren jegliche Kohärenz.
Sprachmodelle gedeihen an hochwertigem menschlichem Wissen – füttert man sie mit synthetischem Abfall, degenerieren sie unweigerlich. Jeder einzelne Artikel, den die Freiwilligen tilgen, rettet ein Stück unberührten Wissens für die KI-Modelle von morgen.
Archive von vor 2022: Der „Low-Background-Steel“ der digitalen Welt
In den Diskussionen der Entwickler-Communitys vergleichen viele Programmierer Internet-Archive von vor Ende 2022 mit dem Phänomen des Low-Background-Steel in der Physik. Es ist eine ernüchternde Metapher aus Industriegeschichte und Kernphysik.
Nach der ersten Kernwaffenexplosion im Jahr 1945 verteilten sich künstliche Radionuklide weltweit in der Atmosphäre. Jeder seither an Land verhüttete Stahl nahm während des Hochofenprozesses Spuren dieser Strahlung auf. Für den Bau hochempfindlicher Strahlungsdetektoren durften Wissenschaftler daher keinen modernen Stahl verwenden; sie mussten Panzerplatten aus im Ersten Weltkrieg versenkten Kriegsschiffen vom Meeresgrund bergen.
Das Erscheinen von ChatGPT Ende 2022 war die erste atomare Detonation des Informationszeitalters. Seither wird das öffentliche Web von maschinengeneriertem Output überflutet. Fließband-Müll verstopft die Suchergebnisse, während saubere, von Menschen verfasste Originaltexte rasant schwinden.
Internet-Archive aus der Zeit vor 2022 besitzen heute denselben unersetzlichen Wert wie jener historische Stahl. Führende KI-Konzerne erwerben zu horrenden Preisen Verlagsrechte und kaufen Berichten zufolge ganze Bibliotheksbestände an Altbüchern auf. Hinter diesen Manövern steht stets dieselbe Logik: die Jagd nach unberührtem menschlichem Denken, frei von maschineller Kontamination.
Einst schienen Texte im Internet eine unerschöpfliche Ressource zu sein. Doch während der radioaktive Niederschlag maschineller Texte das Netz bedeckt, sind unverfälschte menschliche Worte zu einer endlichen, strategischen Ressource geworden.
Manuelle Einzelprüfung sichert das menschliche Faktenfundament
Gegen die heranrollende Flut synthetischer Inhalte stoßen rein algorithmische Gegenmaßnahmen rasch an ihre Grenzen. Statistische KI-Detektoren neigen zu Fehlalarmen und übersehen raffinierte Fälschungen. Es genügt, wenige Prompts anzupassen oder Synonyme auszutauschen, um automatisierte Filter problemlos zu überwinden.
Projektgründerin Ellia Lebleu räumt offen ein, dass es noch zu früh sei, die langfristige Wirkung der neuen Richtlinien zu beurteilen. Regeln binden ehrliche Autoren, halten jedoch skrupellose Bot-Betreiber nicht von automatisierten Masseneinreichungen ab.
Die wirksamste Verteidigungslinie bilden nach wie vor die traditionellen Autoren von Wikipedia. Ehrenamtliche schlagen alte Fachbücher auf und gleichen Scans von Fachjournalen ab. Mit der mühsamsten aller Methoden tilgen sie Zeile für Zeile erfundene Behauptungen. Ein kurzes Python-Skript benötigt wenige Sekunden, um über eine API zehntausende Wörter Text zu erzeugen; ein Mensch braucht einen halben Tag, um die Fakten eines einzigen Absatzes verlässlich zu verifizieren.
Es ist ein asymmetrischer Zermürbungskrieg. Doch genau diese unbezahlten Freiwilligen halten inmitten der wirbelnden synthetischen Trümmer den Damm der objektiven Fakten aufrecht.
Künstliche Intelligenz kontaminiert ihr eigenes Lehrbuch. Wikipedias Kampf gegen maschinengenerierte Einträge schützt das faktische Fundament, auf dem die Zukunft der gesamten KI-Branche ruht. Wenn wir die Wachsamkeit gegenüber Grundtatsachen aufgeben und zulassen, dass Modelle ihre eigenen Absonderungen wiederkäuen, wird das digitale Wissensgebäude bald zu einer hohlen Illusion verkommen. Um die Wahrheit zu verteidigen, braucht es nach wie vor die prüfende Hand des Menschen.
Weiterführende Links:
- Ausführliche Hintergrundberichterstattung bei IEEE Spectrum
- Richtlinien WP:LLM und WP:G15 der englischsprachigen Wikipedia
- Projektseite der Initiative WikiProject AI Cleanup
- Recherche der MIT Technology Review zur Korpus-Kontamination
- Debatten in Entwicklerforen zu Low-Background-Steel und Modellkollaps
