Version 2.0 · Stand: 27.07.2026
Der Nutzen generativer KI für die Kommunikation (→ KI für die Kommunikation) hat eine Kehrseite: Gefahren und Risiken, die von Qualitätsproblemen der Ausgaben bis zu gesellschaftlichen Folgewirkungen reichen. Für Organisationen sind sie doppelt relevant – als Anwendungsrisiko im eigenen Haus und als externes Krisenrisiko.
Zentrale Risikofelder
Halluzination und Verallgemeinerung: Sprachmodelle erzeugen plausibel klingende, aber falsche oder quellenlose Aussagen; bei Fallanalysen liefern sie oft generische statt situationsbezogener Resultate (Bender et al., 2021). Krisenspezifisch: KI-generierte Reaktionsstrategien ähneln sich stark (Empathie – Entschuldigung – Anpassung) und ersetzen keine situative Analyse. Urheber- und Quellenprobleme: Trainingsdaten werden ohne Quellenangabe verwertet; es drohen Plagiats- und Rechtsfragen. Verkümmern des Denkens: Schnelle KI-Antworten verdrängen überlegtes Urteilen in Situationsanalysen und Entscheidprozessen; KI besitzt keine emotionale Intelligenz. Desinformation: Generative KI erzeugt gefälschte Nachrichten, Bilder und Videos, die kaum von echten Inhalten zu unterscheiden sind (→ Deepfakes; → Fake News). Datenschutz: Eingaben können sensible Daten und geistiges Eigentum preisgeben. Arbeitswelt: Substitutionsängste erzeugen Unsicherheit, Demotivation und Gerüchte in der Belegschaft – ein internes Kommunikationsthema.
Bedeutung für die Krisenkommunikation (KMK-Bezug)
KI-Risiken wirken in zwei Richtungen auf die Krisenkommunikation. Erstens als Krisenauslöser: Deepfake-Angriffe, Datenlecks durch KI-Nutzung oder öffentlich gewordene KI-Pannen sind eigenständige Krisentypen mit hoher Kippgefahr von der Opfer- zur vermeidbaren Krise, wenn Sorgfaltspflichten verletzt wurden (→ Cyberangriff). Zweitens als Anwendungsrisiko der eigenen Analyse: Das KMK-System begegnet dem Halluzinationsrisiko mit Quellenpriorität (Regelwerk vor Web-Recherche vor Schätzung), transparenter Konfidenzangabe und der 🔴-EST-Markierung für Schätzwerte. Jede KI-gestützte Analyse braucht menschliche Validierung, bevor sie in Strategieentscheide einfliesst.
Literatur
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (S. 610–623). ACM. https://doi.org/10.1145/3442188.3445922
Floridi, L., & Chiriatti, M. (2020). GPT‑3: Its nature, scope, limits, and consequences. Minds and Machines, 30, 681–694. https://doi.org/10.1007/s11023-020–09548‑1