Zum Inhalt springen

Geprüfte Ausgabe · qasb-Bericht 10/2026 · Themenbericht · Gesellschaft

KI und Gesellschaft: Wachsende, aber ungleich verteilte Nutzung

In Deutschland nutzten 2026 mehr Menschen KI-Tools als 2025, Jüngere weit öfter als Ältere. In den USA und Großbritannien holten sich wenige Wahlinformationen per Chatbot. Audits zeigen Risiken bei Gesundheits- und Gehaltsfragen.

Veröffentlicht
27. Oktober 2026 · Stand 26. Oktober
Lesezeit
11 Min.
Herausgeber
qasb Research
Methodik
qasb Methodik v1

Kernbefunde

  1. 37 %der Deutschsprachigen ab 14 in Deutschland nutzten 2026 mindestens wöchentlich KI-Tools, 15 Prozentpunkte mehr als 2025.8,9Evidenztyp: beobachtet
  2. 8 %der US-Erwachsenen gaben im Oktober 2026 an, KI-Chatbots für Informationen zu den Wahlen 2026 zu nutzen.1Evidenztyp: beobachtet
  3. bis zu 13 %der britischen Wahlberechtigten nutzten in der Woche vor der Wahl 2024 Chatbots für Wahlinformationen (Schätzung).2Evidenztyp: beobachtet
  4. 15.555 Chatszur Gesundheit mit ChatGPT, gespendet aus vier Ländern: Ein Sprachmodell wertete etwa jeden fünften als hochriskant.16Evidenztyp: beobachtet

1.0Zusammenfassung

Belegt sind vor allem Nutzungsanteile, Einstellungen und geprüftes Modellverhalten in Audits und Experimenten. Dauerhafte Wirkungen auf Wahlen, Gesundheit, Einkommen oder soziale Beziehungen sind nicht nachgewiesen. Mehrere Befunde beruhen auf noch nicht begutachteten Preprints.

  • Jüngere nutzen KI weit häufiger als Ältere: In Deutschland nutzten 2026 68 % der 14- bis 29-Jährigen KI-Tools mindestens wöchentlich, ab 70 Jahren 8 %.
  • In britischen Experimenten lernten Teilnehmer mit gezielter KI-Recherche über Politik so viel wie mit einer Google-Suche. Wahlverhalten und Langzeitwirkung wurden nicht gemessen.
  • In 2.550 simulierten Krisengesprächen nannten 17 Chatbots in 99,7 % der Fälle schon in der ersten Antwort Hilfsangebote. Nach Ablehnungen blieben sie sehr verschieden lange dabei.
  • Vier Sprachmodelle empfahlen für Männernamen höhere Gehaltsziele als für Frauennamen mit gleichem Profil, je Modell verschieden stark. Reale Verhandlungen wurden nicht gemessen.

2.0Ausgangslage: wachsende Nutzung, großes Altersgefälle

In Deutschland nutzten 2026 mehr Menschen KI-Tools als ein Jahr zuvor, Jüngere weit häufiger als die Bevölkerung insgesamt. Ältere EU-Daten aus dem Jahr 2025 zeigen dasselbe Muster. Hinzu kommt eine im Juni 2026 veröffentlichte Befragung von Schülern in England. Die drei Erhebungen fragen unterschiedlich und lassen sich nicht verrechnen.

Abbildung 1

Mindestens wöchentliche Nutzung von KI-Tools nach Alter

Deutschsprachige Bevölkerung ab 14 Jahren in Deutschland, 2026 (insgesamt mit Vergleich 2025), Selbstauskunft

ARD/ZDF-Medienstudie, Wellen 2025 und 2026: private Nutzung laut Selbstauskunft. Keine Unsicherheitsangabe in der Quelle; KI-Zusammenfassungen in Suchmaschinen sind nicht gesondert erfasst.Evidenztyp: beobachtet · Quellen 8–9

In der ARD/ZDF-Medienstudie 2026 nutzten 37 % der deutschsprachigen Bevölkerung ab 14 Jahren KI-Tools wie ChatGPT mindestens einmal pro Woche, 15 Prozentpunkte mehr als 2025; bei den 14- bis 29-Jährigen waren es 68 %, bei den ab 70-Jährigen 8 %.8,9A1

Nach Eurostat nutzten 2025 in der EU 60 % der 16- bis 29-Jährigen generative KI-Tools in den drei Monaten vor der Befragung, fast doppelt so viele wie in der Gesamtbevölkerung von 16 bis 74 Jahren (33 %); in Deutschland lag der Abstand zwischen jungen Menschen und Gesamtbevölkerung bei 21 Prozentpunkten und damit unter den kleinsten in der EU.10A2

Weitere Befunde

  • Im Frühjahr 2026 gaben in England 33 % der Schüler der Key Stage 3 und 48 % der Key Stage 4 (Jahrgänge 7 bis 11) an, KI-Tools zu nutzen.11A3

3.0Information: Wahlen, Nachrichten und Fälschungen

Nutzung ist noch keine Wirkung: Die Studien zu Wahlinformationen und Nachrichten messen vor allem Nutzung und Wissen, die veränderte Nachrichtennutzung nur als Selbsteinschätzung. Die Studien zu Petitionen und gefälschten Inhalten prüfen Texte, Plattformergebnisse, Erkennbarkeit und Schadenspotenzial. Wahlentscheidungen misst keine von ihnen.

Abbildung 2

Online-Nachrichten seit Beginn der KI-Nutzung

Mindestens monatliche Nutzer von KI-Tools in Deutschland, ARD/ZDF-Medienstudie 2026

Selbsteinschätzung der Befragten, keine gemessene Veränderung der Nachrichtennutzung.Evidenztyp: beobachtet · Quellen 8

In einer gewichteten britischen Befragung zur Unterhauswahl 2024 hatten nach Schätzung der Autoren in der Woche vor der Wahl bis zu 13 % der Wahlberechtigten (bis zu 32 % der Chatbot-Nutzer) Konversations-KI für wahlrelevante politische Informationen genutzt; in randomisierten Experimenten steigerte gezielte Recherche mit KI das politische Wissen ebenso stark wie eine selbstgesteuerte Google-Suche.2A4

In einer Pew-Befragung vom Oktober 2026 gaben 8 % der US-Erwachsenen an, KI-Chatbots für Informationen zu den Wahlen 2026 zu nutzen; von ihnen suchten 76 % nach Positionen der Kandidaten und 71 % nach der Richtigkeit anderswo gehörter oder gelesener Aussagen.1A5

In randomisierten Experimenten steigerte gezielte Recherche mit KI das politische Wissen ebenso stark wie eine selbstgesteuerte Google-Suche.

In der ARD/ZDF-Medienstudie 2026 gaben 16 % der mindestens monatlichen Nutzer von KI-Tools an, journalistische Nachrichtenangebote im Internet seither seltener zu nutzen; bei den 14- bis 29-Jährigen waren es 24 %, insgesamt sahen 64 % keine Veränderung.8A6

Weitere Befunde

  • Ein Expertenteam sah in 46 von 112 ausgewählten britischen Faktenchecks zu KI-Falschinhalten (41,1 %) substantielles Schadenspotenzial.19A7
  • Nach Einführung eines KI-Schreibwerkzeugs auf Change.org änderten sich Petitionstexte deutlich, ohne bessere Ergebnisse auf Plattformebene.6A8
  • Im Test waren gefälschte Gesichter neuerer Modelle leichter erkennbar als ältere StyleGAN-Bilder, Training half in 13 von 20 Bedingungen.18A9

4.0Gesundheit und Wohlbefinden: Audits zeigen Risiken

Zwei Audits zeigen Risiken in Gesundheits- und Krisengesprächen mit Chatbots. Eine Längsschnittbefragung untersucht, wie intensive Nutzung von KI-Begleitern mit dem Wohlbefinden zusammenhängt. Dazu kommen zwei experimentelle Studien zu Reaktionen auf offengelegten KI- oder Algorithmuseinsatz und eine Übersicht zur Beteiligung von Menschen mit Behinderungen an KI-Studien im Gesundheitsbereich.

Abbildung 3

Menschen mit Behinderungen in KI-Gesundheitsstudien

Scoping-Review von 93 Studien, 2015 bis 2025

Eine Übersicht über veröffentlichte Studien, keine Messung in der Versorgung.Evidenztyp: beobachtet · Quellen 15

In einem Audit von 2.550 simulierten Gesprächen mit 17 KI-Chatbots verwiesen alle Chatbots nach einer Offenbarung von Suizidgedanken auf Hilfsangebote, in 99,7 % der Gespräche schon in der ersten Antwort; lehnte der simulierte Nutzer ab, blieben die Chatbots sehr unterschiedlich lange bei ihrer Empfehlung (im Mittel 0,01 bis 9,94 Ablehnungen), und bei allen fünf in zwei Versionen getesteten Chatbots hielt die neuere Version weniger lange daran fest.17A10

In 15.555 gespendeten Gesundheitsgesprächen mit ChatGPT aus Indien, Nigeria, Brasilien und Pakistan stufte ein Sprachmodell als Gutachter etwa jedes fünfte Gespräch als hochriskant ein; in der Teilgruppe von 5.657 Gesprächen, denen persönliche Angaben der Nutzer vorausgingen, stieg dieser Anteil um 13 bis 17 Prozentpunkte, wenn diese Angaben berücksichtigt wurden.16A11

Alle Chatbots verwiesen auf Hilfsangebote, doch wenn der simulierte Nutzer ablehnte, blieben sie sehr unterschiedlich lange bei ihrer Empfehlung.

In einer zweiwelligen Längsschnittbefragung von Character.AI-Nutzern in den USA ging anhaltend intensive soziale Nutzung von KI-Begleitern mit geringerem Wohlbefinden einher; der Zusammenhang lief vor allem über weniger persönliche Kontakte mit anderen Menschen.7A12

Weitere Befunde

  • In einem Experiment mit fiktiven Praxisanzeigen wirkten Hausärzte, die KI-Einsatz angaben, weniger warm und kompetent als solche ohne KI.4A13
  • Grippe-Risikohinweise per Algorithmus hoben die Impfquote gegenüber Erinnerungen um 1,1–1,4 Prozentpunkte, ob offengelegt oder nicht.3A14
  • Von 93 gesundheitsbezogenen KI-Studien zu Menschen mit Behinderungen beteiligten nur 6 (6,5 %) diese aktiv, etwa durch Co-Design.15A15

5.0Geld und Arbeit: Verzerrungen in Empfehlungen und Auswahl

Ein Audit prüft Gehaltsempfehlungen von Sprachmodellen für männlich und weiblich benannte Kandidaten, eine Pew-Analyse das Beschäftigungswachstum von Männern und Frauen in KI-exponierten US-Berufen, eine weitere Studie die Attraktivität KI-erzeugter Gesichter. Hinzu kommen ein Audit zur Aktienquote, eine Spielestudie und eine ältere, noch nicht rechtskräftige Behördenentscheidung zu automatischen Kontosperren.

In einem präregistrierten Audit mit 80.000 Anfragen an vier große Sprachmodelle empfahlen alle Modelle männlich benannten Kandidaten bei sonst identischem Profil höhere Gehaltsziele als weiblich benannten, gepoolt 5.820 US-Dollar mehr; Frauen legten sie eher Flexibilität und Elternzeit, Männern eher Aktienbeteiligung und Umzugshilfe als Verhandlungsprioritäten nahe.23A16

Eine Pew-Analyse amtlicher US-Beschäftigungsdaten fand, dass die Beschäftigung von Männern zwischen 2017–19 und 2023–26 je Punkt höherer KI-Exposition eines Berufs um 6,3 % mehr wuchs, die der Frauen dagegen kaum (0,2 %); die Lücke öffnete sich bei Arbeitnehmern ohne Bachelorabschluss, nicht bei Hochschulabsolventen.12A17

Alle Modelle empfahlen männlich benannten Kandidaten bei sonst identischem Profil höhere Gehaltsziele als weiblich benannten.

Eine Prüfung von 27 Text-zu-Bild-Generatoren ergab, dass menschliche Bewerter die erzeugten Gesichter aller 23 dafür bewerteten Generatoren als signifikant attraktiver einstuften als Fotos realer Menschen; nach automatisierten Attraktivitätsmaßen erhielten Gesichter von Gruppen mit dunklerer Hautfarbe tendenziell niedrigere Werte. In einem präregistrierten Experiment verschlechterte der vorherige Anblick besonders attraktiver KI-Gesichter die Bewertung real fotografierter Bewerber.21A18

Weitere Befunde

  • Sieben Sprachmodelle machten die empfohlene Aktienquote für US-Haushalte stark von einer einzigen, wenig verlässlichen Risikofrage abhängig.24A19
  • Die niederländische Datenschutzbehörde verhängte gegen Uber 824,99 Mio. € Bußgeld für automatische Kontosperren (noch nicht rechtskräftig).25A20
  • In Experimenten weckten Spiele eines KI-Coding-Agenten mehr Zahlungsbereitschaft als die von Laien und Kreativprofis mit KI-Unterstützung.20A21

6.0Rechenzentren, Vertrauen und Erwartungen

Erfasst sind vor allem Einstellungen, nicht Fähigkeiten oder Umweltwirkungen: Drei Befragungen gelten Rechenzentren allgemein, dem Vertrauen in KI-Regulierer und Erwartungen an KI. Die Erwartungsbefragung veröffentlichte ein KI-Entwickler, der auch eigene Mitarbeiter befragte. Eine Übersicht zeigt per Modellrechnung, wie stark Wasserschätzungen je nach Studiendesign abweichen können. Gemessen wurde kein Verbrauch.

Abbildung 4

Vertrauen in KI-Regulierer

Median über zwölf Befragungsorte, überwiegend Länder mittleren Einkommens

Pew-Befragung. In der Hälfte der Länder vertrauten die Befragten dem eigenen Land mehr als jeder dieser drei Mächte.Evidenztyp: beobachtet · Quellen 13

Im Sommer 2026 hielten 54 % der US-Erwachsenen Rechenzentren für überwiegend schlecht für die Umwelt (Januar: 39 %) und 50 % für überwiegend schlecht für die Energiekosten der Haushalte (Januar: 38 %); 6 von 10 würden sich mit einem neuen Rechenzentrum in ihrer Gegend wenig oder gar nicht wohlfühlen.14A22

In einer Pew-Befragung an zwölf Orten, überwiegend in Ländern mittleren Einkommens, vertrauten im Median 43 % der Erwachsenen China, 35 % den USA und 34 % der EU, KI wirksam zu regulieren; in der Hälfte der Länder war das Vertrauen in das eigene Land größer als in jede dieser drei Mächte.13A23

Im Sommer 2026 hielten 54 % der US-Erwachsenen Rechenzentren für überwiegend schlecht für die Umwelt, im Januar waren es 39 %.

In einer von Anthropic veröffentlichten Befragung erwarteten 39 % der US-Erwachsenen, dass KI bis 2030 eine Entdeckung auf Nobelpreisniveau machen kann, gegenüber 91 % der befragten Anthropic-Mitarbeiter. Den Anteil ihrer derzeitigen Arbeitsstunden, den KI bis 2030 erledigen könnte (erwartetes Substitutionspotenzial), schätzten US-Erwerbstätige im Mittel auf 28 %, die Anthropic-Mitarbeiter auf 75 %.5A24

Weitere Befunde

  • Modellrechnung (US-Fallstudie): Je nach Studiendesign lagen mögliche Wasserverbrauchswerte von Rechenzentren etwa 24-fach auseinander.22A25

7.0Evidenzlage

Nicht jede Aussage dieses Berichts ist gleich gut belegt. Die Tabelle zeigt die zentralen Aussagen mit Evidenztyp, KI-Bezug und Quellen.

AussageEvidenztypKI-BezugQuellen
37 % der Deutschsprachigen ab 14 in Deutschland nutzten 2026 mindestens wöchentlich KI-Tools, 15 Prozentpunkte mehr als 2025beobachtetnicht ausgewiesen8,9
bis zu 13 % der britischen Wahlberechtigten nutzten in der Woche vor der Wahl 2024 Chatbots für Wahlinformationen (Schätzung)beobachtetnicht ausgewiesen2
8 % der US-Erwachsenen gaben im Oktober 2026 an, KI-Chatbots für Informationen zu den Wahlen 2026 zu nutzenbeobachtetnicht ausgewiesen1
16 % der monatlichen KI-Tool-Nutzer nutzen Online-Nachrichten seither seltenerbeobachtetnicht ausgewiesen8
Alle 17 Chatbots verwiesen bei Suizidgedanken auf Hilfe, 99,7 % in der ersten Antwortbeobachtetnicht ausgewiesen17
15.555 Chats zur Gesundheit mit ChatGPT, gespendet aus vier Ländern: Ein Sprachmodell wertete etwa jeden fünften als hochriskantbeobachtetnicht ausgewiesen16
Sprachmodelle empfahlen männlich benannten Kandidaten gepoolt 5.820 US-Dollar mehr Gehaltbeobachtetnicht ausgewiesen23
Männerbeschäftigung wuchs je Punkt KI-Exposition um 6,3 % mehr, die der Frauen kaumbeobachtetnicht ausgewiesen12
54 % der US-Erwachsenen halten Rechenzentren für überwiegend schlecht für die Umweltbeobachtetnicht ausgewiesen14

Die 25 geprüften Aussagen aus 25 Originalquellen verteilen sich auf die Kapitel 2.0 (3), 3.0 (6), 4.0 (6), 5.0 (6) und 6.0 (4); davon 24 beobachtet, 1 modellgeschätzt. „Nicht ausgewiesen“: Die Ausgabe bewertet den KI-Bezug dieser Aussagen nicht gesondert. Geltungsbereich und Grenzen jeder Aussage stehen im Anhang (A1 bis A25).

Originalquellen geprüft am 27. Oktober 2026.

8.0Was Organisationen jetzt tun können

  1. Gehaltsempfehlungen auf Verzerrungen testen: Wer Sprachmodelle für Gehalts- oder Verhandlungsfragen einsetzt, kann Ergebnisse mit identischen Profilen und unterschiedlichen Namen gegenprüfen. Im Audit schwankte die Gehaltslücke je Modell stark.
  2. Rückfragen prüfen: Im Skripttest eines noch nicht begutachteten Preprints beseitigte eine einzige klärende Rückfrage fast die ganze Schwankung der empfohlenen Aktienquote. Wer beratende Anwendungen baut, kann testen, ob Rückfragen Empfehlungen stabiler machen.
  3. Entscheidungen über Menschen von Menschen prüfen lassen: Die niederländische Datenschutzbehörde verhängte gegen Uber ein Bußgeld, weil Fahrerkonten ohne menschliche Prüfung automatisch gesperrt wurden. Die ältere Entscheidung ist noch nicht rechtskräftig.
  4. Sicherheitsverhalten über das erste Hilfsangebot hinaus prüfen: Im Audit verwiesen alle Chatbots auf Hilfe, hielten nach Ablehnungen aber sehr unterschiedlich lange daran fest. Wer Chatbots für offene Gespräche anbietet, kann auch solche Verläufe testen.

9.0Methodik und Grenzen

Berichtszeitraum: 1. Oktober 2026 bis zum Datenstand 26. Oktober 2026 um 13:00 Uhr MEZ (Berliner Zeit). Dieser Themenbericht erscheint vor Monatsende; Quellen, die danach erscheinen, folgen in der nächsten Ausgabe der Reihe. Zusammenstellung: 27. Oktober 2026 um 00:23 Uhr MEZ. Diese Ausgabe ist die erste Bestandsaufnahme. Die Quellen stammen aus unterschiedlichen Jahren; ihr Erscheinungsdatum ist kein Ereignis des Berichtsmonats. Es gibt keinen gemessenen Vergleich zu einer früheren Ausgabe.

Grundlage sind ausschließlich geprüfte öffentliche Originalquellen. Kundenunterhaltungen, private Akten und personenbezogene Kundenbewertungen sind keine Eingaben. Beobachtet, modellgeschätzt, Szenario und offen beschreiben die jeweilige Evidenz. Quellenwerte behalten ihre eigene Einheit und Vergleichsbasis; sie werden nicht zu einem Gesamtwert zusammengezogen.

Redaktionelle Freigabe: qasb-Redaktion · Freigabe: 27. Oktober 2026 um 00:25 Uhr MEZ. Die redaktionelle Darstellung ordnet die geprüften Aussagen und enthält keine Zahl, die nicht in ihnen steht. Freigabe der Darstellung: qasb-Redaktion · 27. Oktober 2026 um 14:27 Uhr MEZ.

Grenzen

  • Dieser Themenbericht umfasst einen Themenbereich: „Gesellschaft“. Er ist keine vollständige Erhebung aller Studien oder Vorfälle.
  • Ein enger Studienbefund ist keine Prognose für einen bestimmten Kunden, Beruf oder Sicherheitssystem.
  • Eine fehlende qualifizierte Aussage belegt keine fehlende Wirkung; Abruflücken werden gesondert ausgewiesen.
  • Dieser Bericht enthält keine illustrative Messreihe und keine erfundene Confidence-Einstufung.

10.0Quellen

  1. 1Few Americans Say They Are Asking AI Chatbots for 2026 Election InformationTed Van Green, Pew Research Center (Short Read mit Topline und Methodenbericht)23. Oktober 2026www.pewresearch.org/short-reads/2026/10/23/few-americans-say-they-are-asking-ai-chatbots-for-2026-election-information/
  2. 2Conversational AI increases political knowledge as effectively as self-directed internet searchL. Luettgau, H. R. Kirk, K. Hackenburg, J. Bergs, H. Davidson, H. Ogden, D. Siddarth, S. Huang & C. Summerfield, PNAS Nexus 5(10), pgag3056. Oktober 2026doi.org/10.1093/pnasnexus/pgag305
  3. 3Algorithm-assisted personalized risk communication to encourage flu vaccination in the USA: three randomized field trialsG. M. Rosenbaum, A. Goren, M. Shermohammed, D. M. Wolk, A. M. Tice, J. J. Doyle, M. N. Meyer & C. F. Chabris, Nature Human Behaviour5. Oktober 2026www.nature.com/articles/s41562-026-02603-4
  4. 4Influence of physician and consumer demographics on AI-use penalties in primary care: a vignette-based studyM. Reis, J. Choi, Y. J. Kim, Y. L. Luan, P. Lyu & F. Reis, npj Digital Medicine 9, 7431. Oktober 2026www.nature.com/articles/s41746-026-03361-3
  5. 5The AI expectations gapSzymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek & Peter McCrory, Anthropic (The Anthropic Institute)16. Oktober 2026www.anthropic.com/research/ai-expectations-gap
  6. 6Introducing AI to an online petition platform changed outputs but not outcomesI. Corpus, E. Gilbert, A. Koenecke & M. Naaman, Nature Human Behaviour30. September 2026www.nature.com/articles/s41562-026-02580-8
  7. 7Living with AI Companions: Sustained AI Companionship Predicts Lower Well-Being Through Lower Human InteractionYutong Zhang, Dora Zhao, Yixin Wang, Rebecca Anselmetti, Jeffrey T. Hancock, Robert Kraut & Diyi Yang, arXiv:2609.07243 (Preprint, Version 3 vom 20.10.2026)7. September 2026arxiv.org/abs/2609.07243v3
  8. 8Nutzung und Wahrnehmung von KI-Tools. Ergebnisse der ARD/ZDF-Medienstudie 2026Thomas Kupferschmitt, Media Perspektiven 25/2026 (ARD/ZDF-Medienstudie)22. September 2026www.media-perspektiven.de/fileadmin/user_upload/media-perspektiven/pdf/2026/MP_25_2026_ARD-ZDF-Medienstudie_2026_Nutzung_und_Wahrnehmung_von_KI-Tools.pdf
  9. 9ARD/ZDF-Medienstudie 2026: Basispräsentation (Ergebnis-Charts)ARD/ZDF-Medienstudie 2026, Durchführung GIM; veröffentlicht über Media Perspektiven22. September 2026www.media-perspektiven.de/fileadmin/user_upload/media-perspektiven/Medienstudie/Basispraesentation_ARD-ZDF-Medienstudie_2026.pdf
  10. 10Young people - digital worldEurostat, Statistics Explained (Datenstand März 2026, Fassung vom 17.09.2026)17. September 2026ec.europa.eu/eurostat/statistics-explained/index.php?title=Young_people_-_digital_world
  11. 11Parent, pupil and learner voice: March 2026Department for Education (England), Parent, Pupil and Learner Voice Omnibus Survey25. Juni 2026www.gov.uk/government/publications/parent-pupil-and-learner-voice-omnibus-surveys-for-2025-to-2026/parent-pupil-and-learner-voice-march-2026
  12. 12Men Are Experiencing More Job Growth Than Women in AI-Exposed OccupationsNicole Smith, Pew Research Center (Short Read)22. Oktober 2026www.pewresearch.org/short-reads/2026/10/22/men-are-experiencing-more-job-growth-than-women-in-ai-exposed-occupations/
  13. 13Do people trust China, the U.S. or the EU to regulate AI?Laura Silver, Richard Wike, Moira Fagan & Jordan Lippert, Pew Research Center (Kapitel des Berichts „Globally, More People Expect AI to Cause Job Loss Than Growth“)17. September 2026www.pewresearch.org/global/2026/09/17/do-people-trust-china-the-u-s-or-the-eu-to-regulate-ai/
  14. 14Americans’ views of data centers have turned more negativeBrian Kennedy, Pew Research Center (Short Read)22. September 2026www.pewresearch.org/short-reads/2026/09/22/americans-views-of-data-centers-have-turned-more-negative/
  15. 15Contribution of artificial intelligence research to the development of inclusive applications for people with disabilities: A scoping review (2015–2025)S. S. Kaboré, A. Bayani, L. P. Epoh Ewane, D. Santos Oliveira dos Anjos, J. N. Nikiéma & M. Mac-Seing, PLOS Digital Health 5(10), e000174915. Oktober 2026doi.org/10.1371/journal.pdig.0001749
  16. 16How Safe Is ChatGPT Health Advice? Evidence from Real User Conversations in Four Global South CountriesShreyasi Roy Chowdhury & Kiran Garimella, arXiv:2610.18465 (Preprint, Version 1)13. Oktober 2026arxiv.org/abs/2610.18465v1
  17. 17What do AI chatbots do after users decline therapeutic redirection for suicide thoughts?Subigya Nepal, Ruth Heo, Emma M. Parrish & Colin A. Depp, arXiv:2610.21253 (Preprint, Version 1)15. Oktober 2026arxiv.org/abs/2610.21253v1
  18. 18From GAN-Based Models to GPT-5: A Taxonomy-Guided Study of Human Performance in Detecting Deepfake Face ImagesZ. Guo, L. Jia, L. Sun, X. Chen, G. Yu, L. Wang, G. Yang, D. Stillwell, T. Holz & S. Li, arXiv:2610.23144 (Preprint, Version 2 vom 19.10.2026; laut Autoren für IEEE S&P 2027 angenommen)16. Oktober 2026arxiv.org/abs/2610.23144v2
  19. 19AI-Generated Disinformation in the UK: Risk of Harm, Context, and ClassificationPeter Cunliffe-Jones (University of Westminster), Joseph O’Leary, David Corney & Andrew Dudfield (Full Fact), arXiv:2610.06084 (Bericht, gefördert über den AISI Challenge Fund)5. Oktober 2026arxiv.org/abs/2610.06084v1
  20. 20Creative destruction: Human-AI competition in an experimental marketJohn Conlon & Peter Schwardmann, arXiv:2610.18921 (Preprint, Version 1)12. Oktober 2026arxiv.org/abs/2610.18921v1
  21. 21Generative AI Produces and Transmits Beauty BiasA. Alvero, D. Varuvel Dennison, A. Crespin, H. Kim, A. Regla-Vargas, A. Akerkar, J. McNealy & R. Kizilcec, arXiv:2610.22553 (Preprint, Version 1)15. Oktober 2026arxiv.org/abs/2610.22553v1
  22. 22Estimating data center water use: Best practices and critical questionsEric Masanet, arXiv:2610.04735 (Preprint, Version 1)3. Oktober 2026arxiv.org/abs/2610.04735v1
  23. 23AI Advice Reinforces Traditional Gender RolesNadja Born, Jared R. Curhan & Hannah Riley Bowles, arXiv:2610.14036 (Preprint, Version 1)1. Oktober 2026arxiv.org/abs/2610.14036v1
  24. 24Same Person, Different Advice: Auditing LLM Financial Advice with Repeated Risk-Tolerance ResponsesS. Bakshi, A. Bose, A. Bose & S. Nandi (unabhängige Forscher), arXiv:2610.23060 (Preprint, Version 1)16. Oktober 2026arxiv.org/abs/2610.23060v1
  25. 25Uber fined nearly 825 million euros for automated driver blockingAutoriteit Persoonsgegevens (niederländische Datenschutzbehörde), Mitteilung zur Bußgeldentscheidung21. August 2026www.autoriteitpersoonsgegevens.nl/en/current/uber-fined-nearly-825-million-euros-for-automated-driver-blocking
Autoren, Nutzungsgrundlagen und Rechtebelege
  1. 1Ted Van Green, Pew Research Center (Short Read mit Topline und Methodenbericht) · Nutzungsgrundlage: Pew-Nutzungsbedingungen: Nutzung mit Quellenangabe 'Pew Research Center' gestattet, sofern Hinweise erhalten bleiben und Pew keine politische Position zugeschrieben wird; bei Übersetzung Hinweis, dass Pew die Übersetzung nicht geprüft hat; eigene Paraphrase und Link, keine Grafiken · Rechte- und Lizenzbeleg
  2. 2L. Luettgau, H. R. Kirk, K. Hackenburg, J. Bergs, H. Davidson, H. Ogden, D. Siddarth, S. Huang & C. Summerfield, PNAS Nexus 5(10), pgag305 · Nutzungsgrundlage: © Crown copyright 2026; Open-Access-Artikel mit Informationen des öffentlichen Sektors unter Open Government Licence v3.0; eigene Paraphrase mit Quellenangabe und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  3. 3G. M. Rosenbaum, A. Goren, M. Shermohammed, D. M. Wolk, A. M. Tice, J. J. Doyle, M. N. Meyer & C. F. Chabris, Nature Human Behaviour · Nutzungsgrundlage: © 2026 Autoren, exklusive Lizenz an Springer Nature; alle Rechte vorbehalten; nur eigene kurze Tatsachenparaphrase der frei zugänglichen Zusammenfassung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  4. 4M. Reis, J. Choi, Y. J. Kim, Y. L. Luan, P. Lyu & F. Reis, npj Digital Medicine 9, 743 · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namens-, Publikations- und Linkangabe, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  5. 5Szymon Sacher, Tess Cotter, Charles I. Jones, Anton Korinek & Peter McCrory, Anthropic (The Anthropic Institute) · Nutzungsgrundlage: © 2026 Anthropic PBC, keine offene Lizenz; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  6. 6I. Corpus, E. Gilbert, A. Koenecke & M. Naaman, Nature Human Behaviour · Nutzungsgrundlage: © 2026 Autoren, exklusive Lizenz an Springer Nature; alle Rechte vorbehalten; nur eigene kurze Tatsachenparaphrase der frei zugänglichen Zusammenfassung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  7. 7Yutong Zhang, Dora Zhao, Yixin Wang, Rebecca Anselmetti, Jeffrey T. Hancock, Robert Kraut & Diyi Yang, arXiv:2609.07243 (Preprint, Version 3 vom 20.10.2026) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namens-, Versions- und Linkangabe, keine Abbildungen · Rechte- und Lizenzbeleg
  8. 8Thomas Kupferschmitt, Media Perspektiven 25/2026 (ARD/ZDF-Medienstudie) · Nutzungsgrundlage: © ARD MEDIA GmbH (Media Perspektiven); Wiedergabe oder Weitergabe von Teilen nur mit schriftlicher Zustimmung; nur eigene Tatsachenparaphrase und Link, keine Übernahme von Text, Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  9. 9ARD/ZDF-Medienstudie 2026, Durchführung GIM; veröffentlicht über Media Perspektiven · Nutzungsgrundlage: © ARD MEDIA GmbH (Media Perspektiven); Wiedergabe oder Weitergabe von Teilen nur mit schriftlicher Zustimmung; nur eigene Tatsachenparaphrase und Link, keine Übernahme von Text, Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  10. 10Eurostat, Statistics Explained (Datenstand März 2026, Fassung vom 17.09.2026) · Nutzungsgrundlage: © Europäische Union; CC BY 4.0, Weiterverwendung mit Quellenangabe gestattet; eigene Paraphrase und Link, keine Karten oder Abbildungen · Rechte- und Lizenzbeleg
  11. 11Department for Education (England), Parent, Pupil and Learner Voice Omnibus Survey · Nutzungsgrundlage: © Crown copyright 2026; Open Government Licence v3.0; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  12. 12Nicole Smith, Pew Research Center (Short Read) · Nutzungsgrundlage: Pew-Nutzungsbedingungen: Nutzung mit Quellenangabe 'Pew Research Center' gestattet, sofern Hinweise erhalten bleiben und Pew keine politische Position zugeschrieben wird; bei Übersetzung Hinweis, dass Pew die Übersetzung nicht geprüft hat; eigene Paraphrase und Link, keine Grafiken · Rechte- und Lizenzbeleg
  13. 13Laura Silver, Richard Wike, Moira Fagan & Jordan Lippert, Pew Research Center (Kapitel des Berichts „Globally, More People Expect AI to Cause Job Loss Than Growth“) · Nutzungsgrundlage: Pew-Nutzungsbedingungen: Nutzung mit Quellenangabe 'Pew Research Center' gestattet, sofern Hinweise erhalten bleiben und Pew keine politische Position zugeschrieben wird; bei Übersetzung Hinweis, dass Pew die Übersetzung nicht geprüft hat; eigene Paraphrase und Link, keine Grafiken · Rechte- und Lizenzbeleg
  14. 14Brian Kennedy, Pew Research Center (Short Read) · Nutzungsgrundlage: Pew-Nutzungsbedingungen: Nutzung mit Quellenangabe 'Pew Research Center' gestattet, sofern Hinweise erhalten bleiben und Pew keine politische Position zugeschrieben wird; bei Übersetzung Hinweis, dass Pew die Übersetzung nicht geprüft hat; eigene Paraphrase und Link, keine Grafiken · Rechte- und Lizenzbeleg
  15. 15S. S. Kaboré, A. Bayani, L. P. Epoh Ewane, D. Santos Oliveira dos Anjos, J. N. Nikiéma & M. Mac-Seing, PLOS Digital Health 5(10), e0001749 · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namens-, Publikations- und Linkangabe, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  16. 16Shreyasi Roy Chowdhury & Kiran Garimella, arXiv:2610.18465 (Preprint, Version 1) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht exklusive Verbreitungslizenz); Rechte bei den Autoren; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  17. 17Subigya Nepal, Ruth Heo, Emma M. Parrish & Colin A. Depp, arXiv:2610.21253 (Preprint, Version 1) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namens-, Versions- und Linkangabe, keine Abbildungen · Rechte- und Lizenzbeleg
  18. 18Z. Guo, L. Jia, L. Sun, X. Chen, G. Yu, L. Wang, G. Yang, D. Stillwell, T. Holz & S. Li, arXiv:2610.23144 (Preprint, Version 2 vom 19.10.2026; laut Autoren für IEEE S&P 2027 angenommen) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht exklusive Verbreitungslizenz); Rechte bei den Autoren; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  19. 19Peter Cunliffe-Jones (University of Westminster), Joseph O’Leary, David Corney & Andrew Dudfield (Full Fact), arXiv:2610.06084 (Bericht, gefördert über den AISI Challenge Fund) · Nutzungsgrundlage: CC BY-SA 4.0; nur eigene Paraphrase mit Namens- und Linkangabe, keine Übernahme von Textteilen oder Abbildungen · Rechte- und Lizenzbeleg
  20. 20John Conlon & Peter Schwardmann, arXiv:2610.18921 (Preprint, Version 1) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht exklusive Verbreitungslizenz); Rechte bei den Autoren; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  21. 21A. Alvero, D. Varuvel Dennison, A. Crespin, H. Kim, A. Regla-Vargas, A. Akerkar, J. McNealy & R. Kizilcec, arXiv:2610.22553 (Preprint, Version 1) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namens-, Versions- und Linkangabe, keine Abbildungen · Rechte- und Lizenzbeleg
  22. 22Eric Masanet, arXiv:2610.04735 (Preprint, Version 1) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht exklusive Verbreitungslizenz); Rechte bei den Autoren; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  23. 23Nadja Born, Jared R. Curhan & Hannah Riley Bowles, arXiv:2610.14036 (Preprint, Version 1) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht exklusive Verbreitungslizenz); Rechte bei den Autoren; nur eigene kurze Tatsachenparaphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  24. 24S. Bakshi, A. Bose, A. Bose & S. Nandi (unabhängige Forscher), arXiv:2610.23060 (Preprint, Version 1) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namens-, Versions- und Linkangabe, keine Abbildungen · Rechte- und Lizenzbeleg
  25. 25Autoriteit Persoonsgegevens (niederländische Datenschutzbehörde), Mitteilung zur Bußgeldentscheidung · Nutzungsgrundlage: Copyright der Autoriteit Persoonsgegevens; laut Copyright-Hinweis dürfen Texte mit Quellenangabe zitiert und genutzt werden, Fotos, Abbildungen und Logo nicht; eigene Tatsachenparaphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg

Zitiervorschlag

qasb Research (2026). KI und Gesellschaft: Wachsende, aber ungleich verteilte Nutzung. Themenbericht 10/2026, Datenstand 26. Oktober 2026. https://www.qasb.ai/reports/2026-10-gesellschaft

Anhang

Zu jeder Aussage: Evidenztyp, Änderungsstatus, Geltungsbereich und Grenzen, dazu Beobachtungszeitraum, Quellenwert, Vergleich und Unsicherheit, soweit die Quelle sie angibt. Die Texte sind die freigegebenen Angaben der Ausgabe, ebenso ihre Zusammenfassung.

Geltungsbereiche und Grenzen aller 25 Aussagen (A1–A25)

Zusammenfassung der Ausgabe

Die Originale aus Oktober und September 2026 zeigen eine wachsende, aber ungleich verteilte Alltagsnutzung von KI: Wahlinformationen holt sich nur eine Minderheit per Chatbot, in Deutschland nutzen Jüngere KI-Tools weit häufiger als Ältere, und Prüfungen realer Gesundheitsgespräche, simulierter Krisendialoge sowie von Gehalts- und Finanzempfehlungen durch Sprachmodelle zeigen messbare Risiken und Verzerrungen. Belegt sind vor allem Nutzungsanteile, Einstellungen und geprüftes Modellverhalten in Audits und Experimenten; dauerhafte Wirkungen auf Wahlen, Gesundheit, Einkommen oder soziale Beziehungen sind nicht nachgewiesen, mehrere Befunde beruhen auf noch nicht begutachteten Preprints oder auf Erhebungen aus dem Frühjahr 2026.

  1. A1Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quellen 8, 9

    Geltungsbereich
    Zufallsstichprobe von 2.462 deutschsprachigen Personen ab 14 Jahren in Deutschland (70 % telefonisch, 30 % online), befragt vom Institut GIM vom 27.01. bis 19.04.2026, gewichtet; Vergleich mit der Vorjahreswelle (n = 2.512). Zumindest gelegentlich nutzten 59 % KI-Tools (2025: 42 %).
    Grenzen
    Selbstauskunft zur privaten Nutzung; KI-Zusammenfassungen in Suchmaschinen wurden nicht gesondert erfasst. Herausgeber sind die öffentlich-rechtlichen Sender ARD und ZDF, die selbst Medienangebote betreiben. Keine Unsicherheitsangaben im geprüften Text; Erhebung im Frühjahr, Veröffentlichung im September 2026.
    Beobachtungszeitraum
    27.01.–19.04.2026; Veröffentlichung 22.09.2026
    Quellenwert
    37 % der deutschsprachigen Bevölkerung ab 14 Jahren (mindestens wöchentliche private Nutzung von KI-Tools)
    Vergleichsbasis
    2025: 22 %
    Vergleich
    14- bis 29-Jährige 68 %, ab 70-Jährige 8 %
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  2. A2Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 10

    Geltungsbereich
    Eurostat-Statistikartikel Young people - digital world (Fassung vom 17.09.2026, Datenstand März 2026) auf Basis der EU-Erhebung zur IKT-Nutzung in Haushalten 2025 (Gesamtbevölkerung bedeutet hier 16- bis 74-Jährige); bei den 16- bis 29-Jährigen reichten die Länderwerte von 38 % (Rumänien) bis 82 % (Griechenland).
    Grenzen
    Ältere Kontextdaten: Die Werte beziehen sich auf das Erhebungsjahr 2025 und stehen mit Datenstand März 2026 in der Eurostat-Datenbank; der Artikel trägt den Stand 17.09.2026, eine frühere Fassung ist nicht ausgeschlossen. Selbstauskunft ohne Angaben zu Intensität, Zweck oder Wirkung der Nutzung; Kinder unter 16 Jahren sind nicht erfasst.
    Beobachtungszeitraum
    Erhebungsjahr 2025; Datenstand März 2026; Artikelfassung 17.09.2026
    Quellenwert
    60 % der 16- bis 29-Jährigen in der EU (Nutzung generativer KI-Tools in den drei Monaten vor der Befragung 2025)
    Vergleichsbasis
    Gesamtbevölkerung von 16 bis 74 Jahren: 33 %
    Vergleich
    Griechenland 82 %, Rumänien 38 %; Abstand Jüngere zu Gesamtbevölkerung in Deutschland 21 Prozentpunkte
    Unsicherheit
    Keine Unsicherheitsangabe im Artikel

  3. A3Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 11

    Geltungsbereich
    Parent, Pupil and Learner Voice Survey des Department for Education: Onlinebefragung vom 11.03. bis 07.04.2026, Panel aus zufällig aus der National Pupil Database gezogenen Eltern und Schülern; Basis 1.315 Schüler der Key Stage 3 und 1.003 der Key Stage 4 mit Internetnutzung sowie 1.096, 1.511 und 601 Eltern von Grund-, Sekundar- und Förderschülern.
    Grenzen
    Ältere Kontextstudie (Veröffentlichung 25.06.2026); nur England. Mehrfachauswahl ohne Angaben zu Häufigkeit, Zweck oder Wirkung der Nutzung; KI-Tools sind in der Frage nicht näher bestimmt.
    Beobachtungszeitraum
    11.03.–07.04.2026; Veröffentlichung 25.06.2026
    Quellenwert
    48 % der Schüler der Key Stage 4 in England mit Internetnutzung (Nutzung von KI-Tools oder KI-Apps)
    Vergleichsbasis
    Key Stage 3: 33 %
    Vergleich
    Eltern, die KI-Tools als Ratgeber nutzen würden: 20 % (Grundschule), 22 % (Sekundarschule), 14 % (Förderschule)
    Unsicherheit
    Keine Unsicherheitsangabe im Bericht

  4. A4Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 2

    Geltungsbereich
    PNAS Nexus, 06.10.2026: Onlinebefragung von 2.499 Wahlberechtigten in den vier Tagen nach der Wahl vom 04.07.2024, gewichtet nach amtlichen Bevölkerungsmerkmalen; zwei randomisierte Experimente mit zusammen 2.858 britischen Teilnehmern (Prolific) zu vier Themen mit GPT-4o, Claude 3.5 und Mistral sowie schmeichelnd oder überzeugend instruierten Modellvarianten.
    Grenzen
    Ein Land, eine Wahl, vier Themen, kurze aufgabengesteuerte Sitzungen und faktische Wissensfragen; keine Messung von Wahlverhalten oder langfristiger Wirkung. Die Daten stammen von 2024; eine Vorabfassung ist seit September 2025 öffentlich. Autorenteam überwiegend aus dem britischen AI Security Institute; ein Autor ist laut Interessenerklärung inzwischen bei einem KI-Unternehmen (Anthropic) beschäftigt, die Arbeit entstand während seiner Zeit am Institut.
    Beobachtungszeitraum
    Befragung in den vier Tagen nach der Wahl vom 04.07.2024; Zeitpunkt der Experimente im geprüften Text nicht angegeben; Veröffentlichung 06.10.2026
    Quellenwert
    13 % der Wahlberechtigten im Vereinigten Königreich (Obergrenze)
    Vergleichsbasis
    Gewichtete Stichprobe von 2.499 Wahlberechtigten
    Vergleich
    bis zu 32 % der Chatbot-Nutzer
    Unsicherheit
    Keine Unsicherheitsangabe; die Autoren nennen den Wert als Obergrenze (as many as)

  5. A5Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 1

    Geltungsbereich
    Befragung von 5.273 US-Erwachsenen des American Trends Panel vom 12. bis 18.10.2026, gewichtet auf die erwachsene US-Bevölkerung; Detailfragen an 427 Personen, die Chatbots für Wahlinformationen nutzen.
    Grenzen
    Selbstauskunft; nicht gemessen wurde, welche Inhalte die Chatbots lieferten, wie zutreffend sie waren oder ob sie Wahlentscheidungen beeinflussten. Kumulierte Antwortquote des Panels 3 %; die Teilgruppe der Nutzer ist klein.
    Beobachtungszeitraum
    12.–18.10.2026
    Quellenwert
    8 % der US-Erwachsenen
    Vergleichsbasis
    US-Erwachsene, gewichtete Panelstichprobe (n = 5.273)
    Vergleich
    Unter 50-Jährige 11 %, ab 50-Jährige 4 %; unter Chatbot-Nutzern 15 %
    Unsicherheit
    Stichprobenfehler der Gesamtstichprobe ±1,5 Prozentpunkte (Pew-Methodenbericht)

  6. A6Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 8

    Geltungsbereich
    Teilgruppe der mindestens monatlichen Nutzer von KI-Tools ab 14 Jahren (n = 1.225) in der repräsentativen Befragung der ARD/ZDF-Medienstudie 2026 (GIM, 27.01.–19.04.2026); Frage nach veränderter Nutzung von Nachrichten-Websites und Nachrichten-Apps seit Beginn der KI-Nutzung.
    Grenzen
    Rückblickende Selbsteinschätzung, keine gemessene Nutzungsänderung und kein Kausalnachweis; 6 % gaben eine häufigere Nutzung an. Herausgeber sind öffentlich-rechtliche Sender mit eigenem Interesse an Nachrichtenreichweiten.
    Beobachtungszeitraum
    27.01.–19.04.2026; Veröffentlichung 22.09.2026
    Quellenwert
    16 % der mindestens monatlichen Nutzer von KI-Tools ab 14 Jahren (seither seltenere Nutzung von Online-Nachrichten)
    Vergleichsbasis
    64 % keine Veränderung, 6 % häufigere Nutzung
    Vergleich
    14- bis 29-Jährige 24 %, 30- bis 49-Jährige 13 %, ab 50-Jährige 10 %
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  7. A7Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 19

    Geltungsbereich
    Bericht von Full Fact und der University of Westminster (arXiv, 05.10.2026), gefördert über den Challenge Fund des britischen AI Security Institute; Grundlage sind von Full Fact zwischen 01.01.2025 und 31.03.2026 veröffentlichte Faktenchecks, bewertet mit einem eigenen Schadensrisikomodell.
    Grenzen
    Keine repräsentative Stichprobe aller KI-erzeugten Falschinhalte, sondern Fälle, die ein Faktencheck-Team ausgewählt hat; die Schadensbewertung ist eine Expertenbeurteilung der Autoren. Nur in 33 der 112 Fälle stellte der Faktencheck eindeutig fest, dass KI beteiligt war. Kein Nachweis tatsächlich eingetretener Schäden.
    Beobachtungszeitraum
    01.01.2025–31.03.2026; Veröffentlichung 05.10.2026
    Quellenwert
    41,1 % der 112 untersuchten Fälle (substantielles Potenzial für konkrete Schäden)
    Vergleichsbasis
    112 Faktenchecks zu KI-erzeugten oder KI-veränderten Falschinhalten
    Vergleich
    58,9 % ohne oder mit sehr begrenztem Schadenspotenzial; 83,9 % mit insgesamt irreführender Wirkung
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  8. A8Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 6

    Geltungsbereich
    Nature Human Behaviour, 30.09.2026; natürliches Experiment auf der Plattform Change.org; ergänzende Analyse von 4.611 wiederkehrenden Verfassern aus Ländern mit Zugang zum Werkzeug, deren zweite Petition mit KI-Zugang länger war und schlechter abschnitt.
    Grenzen
    Eine Plattform und ein konkretes Werkzeug; Ergebnisse sind plattformbezogene Erfolgsmaße von Petitionen, keine politischen Wirkungen. Geprüft wurden die frei zugängliche Zusammenfassung und Abbildungslegende; Volltext kostenpflichtig. Eine Vorabfassung ist seit November 2025 öffentlich (arXiv 2511.13949). Septemberquelle.
    Beobachtungszeitraum
    Zeitraum vor und nach Einführung des Werkzeugs (in der frei zugänglichen Zusammenfassung nicht datiert); Veröffentlichung 30.09.2026

  9. A9Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 18

    Geltungsbereich
    arXiv-Preprint (Version 2 vom 19.10.2026, laut Autoren für IEEE S&P 2027 angenommen): 524 auswertbare Teilnehmer über Prolific, Bilder aus fünf Modellen (StyleGAN2, StyleGAN3, GRAM-HD, SD3.5, GPT-5) und echte Fotos; Vergleich allgemeiner und modellspezifischer Trainingsmaterialien; Nachtest mit 342 Teilnehmern nach fünf Monaten.
    Grenzen
    Einzelne Standbilder von Gesichtern unter Testbedingungen, keine Videos, Stimmen oder Kontexte sozialer Medien; englischsprachige Onlinestichprobe. Die Bilder wurden vom Forschungsteam erzeugt und ausgewählt; Zahlenwerte zur Treffsicherheit sind hier nicht übernommen.
    Beobachtungszeitraum
    Erhebungszeitraum im geprüften Text nicht angegeben; Veröffentlichung 16.10.2026, Version 2 am 19.10.2026

  10. A10Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 17

    Geltungsbereich
    arXiv-Preprint vom 15.10.2026 (University of Virginia, University of California San Diego): 17 öffentlich verfügbare Chatbots von 8 Unternehmen, skriptgesteuerte Mehrfachdialoge im September 2026 mit drei Schweregraden, bis zu zehn standardisierten Ablehnungen und anschließendem Themenwechsel; für fünf Chatbots wurden zwei aufeinanderfolgende Versionen getestet.
    Grenzen
    Simulierte Skripte statt echter Nutzer; die Antworten wurden von einem weiteren Sprachmodell (Grok 4.3) nach Codebuch kodiert (gegen einen menschlichen Kodierer geprüft, Übereinstimmung 90,9 %), dessen Anbieter auch einen getesteten Chatbot stellt. Momentaufnahme der im September 2026 verfügbaren Modelle; keine Messung von Folgen für Betroffene. Noch nicht begutachtet.
    Beobachtungszeitraum
    September 2026; Veröffentlichung 15.10.2026
    Quellenwert
    99,7 % der 2.550 Gespräche mit Hilfsverweis in der ersten Antwort
    Vergleichsbasis
    2.550 simulierte Gespräche mit 17 Chatbots
    Vergleich
    Nur 173 von 8.818 Antworten nach einer Ablehnung (2,0 %) fragten nach Hürden, Hilfe anzunehmen
    Unsicherheit
    Keine Unsicherheitsangabe für diesen Anteil in der Quelle

  11. A11Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 16

    Geltungsbereich
    arXiv-Preprint vom 13.10.2026: Datenspende-Korpus von 202.590 Gesprächen von 1.252 Nutzern (Dezember 2022 bis Februar 2026) mit Angaben zu Alter und Geschlecht; Sicherheitsbewertung nach einem veröffentlichten Raster durch Gemini 3.1 Pro Preview, Plausibilitätsprüfung der 128 Hochrisikofälle einer Stichprobe durch einen Autor.
    Grenzen
    Noch nicht begutachteter Preprint. Gelegenheitsstichprobe bezahlter Crowdworker, in Indien und Pakistan überwiegend jung und männlich; keine Prävalenzschätzung für die Länder. Gemessen wurden Risikobewertungen eines Sprachmodells, keine tatsächlichen Gesundheitsfolgen; der Korpus mischt mehrere Modellversionen. Die Bewertung mit Nutzerkontext betrifft nur die genannte Teilgruppe (19 bis 60 % der Gesundheitsgespräche je Land), die schon ohne Kontext riskanter war, und lässt sich nicht auf alle Gesundheitsgespräche übertragen.
    Beobachtungszeitraum
    Gespräche Dezember 2022 bis Februar 2026; Veröffentlichung 13.10.2026

  12. A12Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 7

    Geltungsbereich
    arXiv-Preprint 2609.07243 (Version 3 vom 20.10.2026, erste Fassung 07.09.2026); 1.182 Teilnehmer zu Beginn, 439 nach im Mittel rund zwölf Monaten; über Prolific rekrutierte englischsprachige US-Nutzer mit mindestens einem Monat Nutzung.
    Grenzen
    Noch nicht begutachteter Preprint; Selbstauskünfte; Zusammenhänge, kein Kausalnachweis; die standardisierten Zusammenhänge sind klein. Hohe Ausfallquote (62,9 %), nur eine Plattform, mögliche Plattformänderungen im Zeitraum nicht beobachtbar. Septemberquelle.
    Beobachtungszeitraum
    Erste Welle September 2024 bis September 2025, zweite Welle August 2025 bis Mai 2026

  13. A13Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 4

    Geltungsbereich
    npj Digital Medicine, 01.10.2026; Prolific-Stichprobe mit Quoten nach Alter, Geschlecht und Herkunft (Erhebung November 2025); fiktive Praxisanzeigen, in denen die KI-Angabe sowie Alter, Geschlecht und Herkunft des Arztes variiert wurden.
    Grenzen
    Hypothetische Anzeigen und Absichtsangaben, kein reales Verhalten; Onlinepanel statt Zufallsstichprobe; 14 % der Teilnehmer wegen Manipulationschecks ausgeschlossen. Stärkere Effekte bei Jüngeren beruhen auf explorativen Analysen.
    Beobachtungszeitraum
    November 2025; Veröffentlichung 01.10.2026

  14. A14Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 3

    Geltungsbereich
    Nature Human Behaviour, 05.10.2026; Patienten eines US-Gesundheitssystems, die ein validiertes Machine-Learning-Modell als Hochrisikogruppe einstufte; zufällige Zuteilung zu keiner Nachricht oder zu verschiedenen Nachrichtenvarianten; Primärergebnis Grippeimpfung.
    Grenzen
    Ein Gesundheitssystem und ein konkreter Anwendungsfall (Risikohinweise per Nachricht), kein generatives KI-System. Gemessen wurde Impfverhalten, nicht Einstellungen oder Vertrauen allgemein. Geprüft wurde die frei zugängliche Zusammenfassung; der Volltext ist kostenpflichtig, die Daten stammen aus Impfkampagnen der Jahre 2020 bis 2022 und spiegeln nicht den heutigen Stand der KI-Nutzung.
    Beobachtungszeitraum
    Drei Feldexperimente zu Grippeimpfungen; Beginn laut den im Abstract genannten ClinicalTrials.gov-Einträgen (NCT04323137, NCT05009251, NCT05509283) im September 2020, 2021 und 2022; Veröffentlichung 05.10.2026

  15. A15Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 15

    Geltungsbereich
    PLOS Digital Health, 15.10.2026: Suche in MEDLINE, Embase, Web of Science und CINAHL von Januar 2015 bis Mai 2025 (Englisch und Französisch), 4.233 Treffer; 68 der 93 Studien (73,1 %) stammten aus Ländern mit hohem Einkommen.
    Grenzen
    Nur gesundheitsbezogene Forschung, fast ausschließlich in klinischen Settings; graue Literatur, Preprints und Tagungsbeiträge wurden ausgeschlossen, wodurch Beteiligungsansätze unterschätzt sein können. Aussage über Forschungsdesigns, nicht über eingesetzte Produkte oder deren Nutzung im Alltag.
    Beobachtungszeitraum
    Studien von Januar 2015 bis Mai 2025; Veröffentlichung 15.10.2026
    Quellenwert
    6,5 % der 93 eingeschlossenen Studien mit aktiver Beteiligung von Menschen mit Behinderungen
    Vergleichsbasis
    93 Studien aus 4.233 Treffern
    Vergleich
    Rund 60 % erwähnten Chancengerechtigkeit, 12,9 % setzten konkrete Maßnahmen um
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  16. A16Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 23

    Geltungsbereich
    arXiv-Preprint vom 01.10.2026 (Born, Curhan, Bowles): Studie 1 mit 6.000 offenen Anfragen; Studie 2 mit GPT-5.4-mini, Claude Sonnet 4.6, Gemini 2.5 Flash und Llama 3.3 70B, Geschlecht nur über Vornamen und Pronomen signalisiert; Abgleich mit Einschätzungen von 500 US-Erwachsenen zu Ernährer- und Fürsorgerollen.
    Grenzen
    Modellverhalten unter kontrollierten englischsprachigen Prompts mit US-Kontext; keine Messung realer Verhandlungen oder Einkommensfolgen, und Modellversionen ändern sich häufig. Die Lücke schwankte je Modell stark (1.594 bis 15.915 US-Dollar). Noch nicht begutachtet.
    Beobachtungszeitraum
    Abfragezeitpunkte laut Autoren im Anhang dokumentiert, im geprüften Text nicht genannt; Veröffentlichung 01.10.2026
    Quellenwert
    5.820 US-Dollar höheres empfohlenes Gehaltsziel für männlich benannte Kandidaten (gepoolt über vier Modelle)
    Vergleichsbasis
    Sonst identische Profile; 80.000 Anfragen
    Vergleich
    Je Modell 1.594 US-Dollar (Llama 3.3 70B) bis 15.915 US-Dollar (Claude Sonnet 4.6)
    Unsicherheit
    95-%-Konfidenzintervall 5.547 bis 6.092 US-Dollar

  17. A17Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 12

    Geltungsbereich
    Pew Short Read vom 22.10.2026: Expositionswerte für 480 Berufe aus O*NET-Aufgaben, verknüpft mit den monatlichen Current Population Survey-Daten 2017–19 und Januar 2023 bis Juni 2026; 2020–22 wegen der Pandemie ausgeschlossen. Bei Arbeitnehmern mit höchstens einem High-School-Abschluss wuchs die Beschäftigung der Männer um 8,8 % je Punkt, die der Frauen sank um 9,5 %.
    Grenzen
    Zusammenhang, kein Kausalnachweis: Andere Entwicklungen im Zeitraum können die Beschäftigung beeinflusst haben. Vergleiche innerhalb von Berufen; nur USA. Die Expositionswerte beruhen auf Einschätzungen, ob generative KI Aufgaben ausführen oder unterstützen kann.
    Beobachtungszeitraum
    2017–2019 und Januar 2023 bis Juni 2026; Veröffentlichung 22.10.2026
    Quellenwert
    6,3 % zusätzliches Beschäftigungswachstum der Männer je Punkt KI-Exposition eines Berufs
    Vergleichsbasis
    Vergleich 2017–19 mit Januar 2023 bis Juni 2026
    Vergleich
    Frauen: 0,2 %
    Unsicherheit
    Keine Unsicherheitsangabe im Kurzbericht

  18. A18Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 21

    Geltungsbereich
    arXiv-Preprint vom 15.10.2026: 51.300 erzeugte Gesichter von Generatoren der Jahre 2022 bis 2026 und 160.196 Fotos realer Personen, drei automatisierte Maße und Bewertungen durch 550 menschliche Bewerter; Einstellungssimulation mit 570 Teilnehmern, gemessen an Einstellbarkeit, Vertrauenswürdigkeit und Weiterkommen zum Vorstellungsgespräch.
    Grenzen
    Noch nicht begutachteter Preprint; die Rangfolge nach Hautfarbe beruht auf automatisierten Maßen, die untereinander nur mäßig übereinstimmen. Die Einstellungssimulation ist ein Onlineexperiment mit hypothetischen Entscheidungen, keine reale Personalauswahl.
    Beobachtungszeitraum
    Generatoren mit Veröffentlichung 2022 bis 2026; Veröffentlichung der Studie 15.10.2026

  19. A19Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 24

    Geltungsbereich
    arXiv-Preprint vom 16.10.2026 (unabhängige Forscher): Haushaltsprofile aus dem Panel des Survey of Consumer Finances 2007–09, in dem 41 % der Haushalte die Risikofrage beim zweiten Mal anders beantworteten; Modelle unter anderem Claude Sonnet 5.5, GPT-6.1 Sol, Gemini 3.8 Flash, Grok 4.7 und Mistral Large 4; Vergleich mit 0,6 bis 4,2 Punkten Abweichung bei identischer Wiederholung.
    Grenzen
    Einmalige Empfehlung ohne Rückfragen; in einem Skripttest beseitigte eine einzige klärende Rückfrage fast die gesamte Schwankung. Ältere Paneldaten, keine Messung realer Anlageentscheidungen oder Vermögensfolgen. Noch nicht begutachtet.
    Beobachtungszeitraum
    SCF-Panel 2007–2009; Modellabfragen im geprüften Text nicht datiert; Veröffentlichung 16.10.2026

  20. A20Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 25

    Geltungsbereich
    Mitteilung der Autoriteit Persoonsgegevens vom 21.08.2026 zu ihrer Entscheidung nach dem Verbot vollautomatisierter Entscheidungen der DSGVO und wegen unzureichender Information der Fahrer; Verfahren nach Beschwerden von 171 französischen Fahrern über die Menschenrechtsorganisation LDH bei der CNIL, abgestimmt mit anderen europäischen Aufsichtsbehörden.
    Grenzen
    Ältere Kontextentscheidung vom August 2026, noch nicht rechtskräftig. Geprüft wurde die Mitteilung der Behörde, nicht der Bescheid selbst. Betrifft algorithmische Entscheidungen einer Plattform, keinen Einsatz generativer KI.
    Beobachtungszeitraum
    Verstöße 2018–2022; Mitteilung 21.08.2026

  21. A21Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 20

    Geltungsbereich
    arXiv-Preprint vom 12.10.2026 (Ohio State University, Carnegie Mellon University): Onlineexperiment über Prolific mit Produzenten- und Konsumentenrolle; 296 Laien, 180 Teilnehmer aus der Kreativwirtschaft (Spieleentwicklung, Grafikdesign, Content Creation) und 549 Konsumenten; anreizkompatible Messung der Zahlungsbereitschaft.
    Grenzen
    Einfache Browserspiele in einem Experiment mit kleinen Beträgen; kein realer Markt und keine Messung längerfristiger Folgen für Berufe der Kreativwirtschaft. Die Befunde gelten für die eingesetzten Modelle. Noch nicht begutachtet.
    Beobachtungszeitraum
    Erhebungszeitraum im geprüften Text nicht angegeben; Veröffentlichung 12.10.2026

  22. A22Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 14

    Geltungsbereich
    Pew Short Read vom 22.09.2026: Befragung von 10.548 US-Erwachsenen des American Trends Panel vom 20.07. bis 09.08.2026, Vergleich mit einer Erhebung vom Januar 2026; auf dem Land stieg der Anteil mit negativer Umweltsicht von 32 % auf 50 %.
    Grenzen
    Einstellungen, keine gemessenen Umwelt- oder Preiswirkungen. Der Kurzbericht fragt nach Rechenzentren allgemein und trennt nicht nach KI-Rechenzentren. Keine Unsicherheitsangabe im Kurzbericht; nur USA.
    Beobachtungszeitraum
    20.07.–09.08.2026, Vergleich Januar 2026; Veröffentlichung 22.09.2026
    Quellenwert
    54 % der US-Erwachsenen (Rechenzentren überwiegend schlecht für die Umwelt)
    Vergleichsbasis
    Januar 2026: 39 %
    Vergleich
    Energiekosten der Haushalte 50 % (Januar 38 %); Lebensqualität in der Nähe 49 % (Januar 30 %)
    Unsicherheit
    Keine Unsicherheitsangabe im Kurzbericht

  23. A23Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 13

    Geltungsbereich
    Repräsentative Befragungen von 13.696 Erwachsenen in Bangladesch, Chile, Ghana, Kolumbien, Malaysia, Pakistan, Peru, den Philippinen, Singapur, Sri Lanka, Thailand sowie im Westjordanland und Ost-Jerusalem (08.02.–13.05.2026); Teil einer Studie in 36 Ländern, veröffentlicht am 17.09.2026.
    Grenzen
    Weder EU-Staaten noch die USA gehören zu den zwölf Befragungsorten. Vertrauen wurde als Einschätzung abgefragt und hängt laut Pew stark von der allgemeinen Sicht auf China, die USA und die EU ab. Erhebung im Frühjahr 2026.
    Beobachtungszeitraum
    08.02.–13.05.2026; Veröffentlichung 17.09.2026
    Quellenwert
    43 % (Median über zwölf Befragungsorte) mit Vertrauen in China als wirksamen KI-Regulierer
    Vergleichsbasis
    Median USA 35 %, EU 34 %
    Vergleich
    In Pakistan und Bangladesch vertrauten rund acht von zehn Befragten dem eigenen Land
    Unsicherheit
    Keine Unsicherheitsangabe für die Mediane in der Quelle

  24. A24Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 5

    Geltungsbereich
    Bericht vom 16.10.2026: Onlinebefragung von 10.980 US-Erwachsenen durch Morning Consult (11.–23.08.2026, gewichtet) und interne, ungewichtete Umfrage unter 1.334 Anthropic-Mitarbeitern (09.–12.08.2026); die Fragen zu 2030 erhielt nur die Hälfte der US-Stichprobe, die andere Hälfte wurde zu 2027 befragt.
    Grenzen
    Erwartungen, keine Messung tatsächlicher Fähigkeiten oder Arbeitsmarktwirkungen. Opt-in-Onlinepanel, dessen Gewichtung nicht alle Verzerrungen ausgleichen kann; kein Peer-Review. Unterschiedliche Antwortformate: Mitarbeiter antworteten mit Schieberegler, US-Erwachsene wählten Spannen, deren Mittelpunkte verwendet wurden. Interessenkonflikt: Herausgeber ist ein KI-Entwickler, der seine eigenen Mitarbeiter befragte. Eine Wiederholung im September (7.613 US-Erwachsene) ergab 44 % für die Nobelpreis-Frage.
    Beobachtungszeitraum
    11.–23.08.2026 (US-Erwachsene); 09.–12.08.2026 (Mitarbeiter); Wiederholung 17.–24.09.2026
    Quellenwert
    39 % der US-Erwachsenen
    Vergleichsbasis
    Gewichtete Onlinestichprobe von 10.980 US-Erwachsenen (Morning Consult, August 2026)
    Vergleich
    91 % der 1.334 befragten Anthropic-Mitarbeiter (ungewichtet)
    Unsicherheit
    Keine Unsicherheitsangabe für diesen Anteil in der Quelle

  25. A25Zurück zu Kapitel 6.0

    Evidenztyp: modellgeschätzt · Bestandsaufnahme · Quelle 22

    Geltungsbereich
    arXiv-Preprint vom 03.10.2026 (Eric Masanet): 14 vorgeschlagene Gute-Praxis-Kriterien, Bewertung von 31 Studien anhand eines strukturierten Rasters und Fallstudie mit beobachteten Designvarianten US-amerikanischer Studien.
    Grenzen
    Übersicht eines einzelnen Autors, noch nicht begutachtet. Die 24-fache Spanne ist eine Modellrechnung möglicher Ergebnisse, kein gemessener Verbrauch; keine Aussage über einzelne Standorte.
    Beobachtungszeitraum
    Literaturstand im geprüften Text nicht datiert; Veröffentlichung 03.10.2026

Und in deinem Fall? Prüf ihn mit Quellen.

Analyse startenFür Organisationen
Alle Berichte