Die Falle: Wie KI-Entwürfe die Qualität senken
Bereits eine grundlegende Untersuchung von Microsoft Research aus dem Jahr 2021 deckte ein überraschendes Paradoxon auf: Sobald Verfasserinnen und Verfasser einen automatisch generierten Textvorschlag als Startpunkt im Editor erhielten, sank die finale Qualität der erstellten ALT-Texte signifikant von durchschnittlich 2,96 auf 2,38 auf einer vierstufigen Skala[1].
Verantwortlich dafür ist eine Form der kognitiven Bequemlichkeit. Wenn ein Textfeld bereits ausgefüllt ist, betrachten Autor:innen den KI-Entwurf fälschlicherweise als eine Art „Goldstandard“, der lediglich leicht angepasst wird, anstatt die wesentlichen Bildinformationen eigenständig zu durchdenken. Das führt zu einer gefährlichen Wahrnehmungslücke: Während Autor:innen ungenaue Formulierungen wie die Verwechslung von Präpositionen oft noch als akzeptabel einstufen, werden solche Fehler von Menschen, die auf Screenreader angewiesen sind, einstimmig als unbrauchbar abgelehnt.
Fortschritt mit Schattenseiten: Wo moderne Modelle scheitern
Aktuelle Studien aus dem Jahr 2026 zur Nutzung multimodaler Sprachmodelle zeigen zwar deutliche technische Fortschritte[2]. Wenn Systeme wie GPT-4o nicht nur das reine Bild analysieren, sondern auch den umgebenden Text der Webseite und vorgegebene Richtlinien einbeziehen, steigen die Akzeptanzwerte der generierten Vorschläge.
Dennoch zeigen die empirischen Daten erhebliche Risiken für die Praxis:
- Hohe Ausschussquote: Selbst unter optimalen Testbedingungen lehnten Fachexpert:innen 22,5 % aller KI-generierten Entwürfe vollständig ab. Meistens aufgrund von Faktenfehlern, Halluzinationen oder gravierenden Auslassungen.
- Versagen bei komplexen Inhalten: Bei Dokumenten, Infografiken, Diagrammen oder Kunstwerken stieg die Ablehnungsquote der KI-Entwürfe auf 36 % bis 40 %. Algorithmen scheitern hier regelmäßig daran, den Kern einer komplexen Grafik herauszuarbeiten.
- Datenschutzbedingte Lücken: Da Sprachmodelle aus Sicherheits- und Datenschutzgründen häufig darauf trainiert sind, Namen von Personen nicht zu nennen, unterschlägt die KI oft konkrete Identitäten, selbst wenn diese für das Verständnis des Bildes zentral sind.
- Störende Redundanz: Für Screenreader-Nutzende entsteht durch schlecht konfigurierte KI häufig eine Ermüdung durch Redundanz. Ein ALT-Text soll nicht den Fließtext wiederholen, sondern ihn gezielt und nahtlos ergänzen.
Warum Algorithmen den menschlichen Kontext nicht ersetzen können
Das grundlegende Problem automatisierter Bildbeschreibungen liegt in der Natur der Technologie: Ein KI-Modell liest Muster in Pixeln und Texten, kennt aber niemals die spezifische Kommunikationsabsicht der Redaktion. Ein und dasselbe Foto kann je nach Artikelkontext völlig unterschiedliche ALT-Texte erfordern. Soll das Bild die Stimmung einer Szene vermitteln, eine bestimmte Handlung dokumentieren oder ein Detail hervorheben?
Wer sich darauf verlässt, dass eine Software diese Entscheidung übernimmt, missversteht das Prinzip barrierefreier Kommunikation. KI-Systeme besitzen kein Bewusstsein dafür, warum eine Autorenschaft ein konkretes Bild ausgewählt hat und welche Information den Lesenden ohne dieses Bild fehlen würde.
Erst verstehen, dann veröffentlichen
Künstliche Intelligenz kann im Erstellungsprozess als intelligenter Ideengeber dienen, der das Verfassen des ersten Satzes erleichtert. Sie darf jedoch niemals als finale Abkürzung verstanden werden.
Echte digitale Barrierefreiheit erfordert, dass man sich intensiv mit den fachlichen und inhaltlichen Anforderungen an ALT-Texte auseinandersetzt. Bevor ein Bild veröffentlicht wird, muss die Kernfrage stehen: Welche Botschaft soll dieses Visuelle an dieser konkreten Stelle vermitteln? Erst wenn die eigene Kommunikationsabsicht klar definiert ist, lässt sich prüfen, ob ein KI-Vorschlag diesen Zweck erfüllt oder komplett am Ziel vorbeischießt. Die inhaltliche und ethische Verantwortung für die Barrierefreiheit bleibt vollumfänglich beim Menschen.
[1] Designing Tools for High-Quality Alt Text Authoring, Mack et al., 2021, https://dl.acm.org/doi/10.1145/3441852.3471207
[2] Evaluating the Quality of LLM Alt-Text for Wikipedia: Insights from Editors, Blind and Low-Vision Users, and Crowdworkers, Wei et al., 2026, https://doi.org/10.1145/3797867.3841219
Weitere Informationen
Kontakt
Adrian Wegener
- Karlsruher Institut für Technologie
- Mittelstand 4.0-Kompetenzzentrum Usability
- Mittelstand-Digital Zentrum Fokus Mensch
- Kaiserstraße 89-93
- 76133 Karlsruhe