Workshop 2: Crashkurs Technik ohne Kopfschmerzen

Was ein Deepfake, ein Sprachmodell und ein „Nudify”-Tool wirklich sind, erklärt für Menschen, die lieber unterrichten als programmieren

Hinweis zur Einordnung. Dieses Kapitel gibt dir genau so viel Technik, dass dich nichts mehr einschüchtert, und keine Zeile mehr. Es erklärt Denkmodelle, keine Anleitungen. Ziel ist nicht, dass du ein Werkzeug bedienen kannst. Ziel ist, dass du verstehst, was da passiert, wenn ein Schüler „nur eine App” benutzt. Es baut auf Workshop 6 auf und erklärt, warum es dort Welt A und Welt B überhaupt gibt.

Der Weckruf

Elternabend, 20:30 Uhr. Ein Vater meldet sich, Arme verschränkt: „Also, meine Tochter zeigt mir da so KI-Bilder. Aber die kann man doch erkennen, man muss nur auf die Hände schauen, die haben ja immer sechs Finger.” Zustimmendes Nicken im Raum. Eine Mutter ergänzt: „Und wenn nicht, dann sieht man es am Hintergrund.”

Du weißt in diesem Moment zweierlei. Die beiden meinen es ernst und sind erleichtert, eine Faustregel zu haben. Und diese Faustregel ist ungefähr aus dem Jahr 2023, in KI-Zeitrechnung also aus dem Pleistozän. Die sechs Finger sind längst repariert. Der Hintergrund stimmt. Und die Gewissheit im Raum ist gefährlicher als die Unsicherheit, weil sie Menschen dazu bringt, Fälschungen für echt und Echtes für gefälscht zu halten.

Bevor wir also über einzelne Gefahren reden, brauchst du das, was diesem Elternabend fehlt: ein belastbares mentales Modell. Nicht Detailwissen, ein Modell. Der Unterschied ist entscheidend, und er ist die gute Nachricht dieses Kapitels.

Der Befund: Du musst nicht wissen, wie der Motor gebaut ist, nur, was er tut

Hier die Entlastung vorweg, weil sie über deine ganze Haltung entscheidet: Niemand verlangt von dir, ein neuronales Netz zu verstehen. Du fährst vermutlich Auto, ohne die Verbrennung im Zylinder herleiten zu können. Du brauchst kein Ingenieurwissen, du brauchst ein Fahrverständnis: Was tut das Ding, wo sind die Grenzen, wann wird es gefährlich.

Und das Fahrverständnis passt in einen einzigen Satz, den du dir merken solltest, weil er fast alles erklärt.

Generative KI kopiert nicht. Sie erfindet das Plausibelste.

Das klingt harmlos und ist der Schlüssel zu allem. Ein Bildgenerator hat keine Datenbank mit Nacktfotos, aus der er das passende heraussucht. Er hat gelernt, wie Millionen Bilder aussehen, und produziert dann etwas, das plausibel wirkt. Das hat eine verstörende und zugleich wichtige Konsequenz, die du in jedem Deepnude-Fall brauchst: Das gefälschte Nacktbild einer Schülerin zeigt nichts Echtes. Es wurde nichts aufgedeckt, es gibt keinen realen Körper, der da zu sehen wäre. Die KI hat einen Körper erfunden, der plausibel zum Gesicht passt.

An der Verletzung ändert das nichts, und das ist der entscheidende zweite Halbsatz. Für das Opfer ist der Schaden derselbe, ob echt oder erfunden (siehe Workshop 6). Aber es hilft dir im Gespräch mit der Betroffenen und ihren Eltern, einen quälenden Gedanken zu entschärfen: Niemand hat sie wirklich gesehen. Eine Maschine hat gelogen. Das nimmt die Scham nicht weg, aber es verschiebt sie an die richtige Stelle, weg von der Betroffenen, hin zur Fälschung und zum Täter.

So weit das Prinzip. Jetzt die vier Familien, mehr brauchst du nicht.

Das Werkzeug, Teil 1: Die vier Familien der generativen KI

Alles, worüber in diesem Buch geredet wird, gehört in eine von vier Schubladen. Wer die vier kennt, ordnet jede neue App vom Schulhof in Sekunden ein.

Familie 1, Text (die alltägliche, meist harmlose). Sprachmodelle wie ChatGPT. Sie erzeugen Wort für Wort das jeweils wahrscheinlichste nächste Wort. Das ist die Familie, die dir Arbeit abnimmt (Workshop 4) und die deine Schüler für Hausaufgaben, aber auch für Beleidigungen und Fake-Nachrichten nutzen. Wichtig zu wissen: Sie verstehen nichts, sie rechnen Wahrscheinlichkeiten. Deshalb erfinden sie gelegentlich überzeugend klingenden Unsinn, im Fachjargon Halluzinationen, ein Punkt, der gleich für die Quellenkritik zählt.

Familie 2, Bild (die für Deepfakes und Deepnudes). Das Herzstück des Problems. Die heute dominante Technik heißt Diffusionsmodell. Man kann sie sich anschaulich vorstellen: Im Training nimmt die KI ein echtes Bild und verrauscht es Schritt für Schritt, bis nur noch Grieß übrig ist. Dann lernt sie, den Weg rückwärts zu gehen, aus Rauschen wieder ein Bild zu formen (Plattform Lernende Systeme, o. J.). Wenn man diesen Prozess mit einem Sprachmodell koppelt, ein Durchbruch von 2021, kann ein kurzer Textbefehl steuern, was aus dem Rauschen entsteht (Spektrum der Wissenschaft, 2023). Genau das ist Text zu Bild.

Familie 3, Stimme (die für Betrug und Bloßstellung). Sogenanntes Voice Cloning oder Voice Conversion: Ein Audiosignal wird so umgerechnet, dass es wie die Stimme einer Zielperson klingt, für Menschen und für automatische Erkennung kaum unterscheidbar (Plattform Lernende Systeme, o. J.). Für die Schule heißt das: Eine gefälschte Sprachnachricht der Lehrerin oder der Mutter ist keine Science-Fiction mehr. Sie ist eine Minutensache.

Familie 4, Video (die neue, die früher unmöglich war). Die Kombination aus allem. Lange galt Video als fälschungssicher, weil zu aufwendig. Das ist vorbei: Echtzeit-Video-Deepfakes sind technisch ausgereift und breit verfügbar (webconsulting, 2026). Wie real das ist, zeigt ein vielzitierter Fall aus der Wirtschaft, ein Unternehmen verlor durch einen gefälschten Videoanruf, in dem Gesicht, Stimme und Gestik stimmten, einen zweistelligen Millionenbetrag. Für die Schule liegt die Lehre im Prinzip und nicht im Betrag: Ein Video zu sehen ist kein Beweis mehr, dass etwas passiert ist.

Fachlich unterscheidet man noch feiner, Gesichtstausch, Lippensynchronisation, Ganzkörper-Animation und weitere (webconsulting, 2026). Für dich reichen die vier Familien. Sie sind die Landkarte, die Details sind Straßennamen, die du nachschlagen kannst, wenn du sie brauchst.

Der Spiegel: Zwei Denkfehler, die klüger klingen, als sie sind

Denkfehler 1: „Ich verstehe die Technik nicht, also darf ich nicht urteilen.” Das ist der Reflex aus Workshop 1 in technischer Verkleidung. Er stimmt nicht. Um zu erkennen, dass ein Deepfake ein Kind verletzt und was jetzt zu tun ist, brauchst du keine Zeile Code. Das mentale Modell oben genügt. Die Technik zu bauen ist Expertensache. Ihre Wirkung einzuordnen ist deine.

Denkfehler 2: „Man erkennt Fälschungen ja doch, wenn man genau hinschaut.” Der sympathischere und gefährlichere Irrtum, der Irrtum vom Elternabend. Ja, 2023 gab es Anhaltspunkte: seltsame Hände, unpassende Schatten, wirre Hintergründe (Spektrum, 2023). Diese Ära ist im Wesentlichen vorbei. Fachleute beschreiben eine wachsende Asymmetrie: Fälschen wird leichter, Erkennen schwerer (webconsulting, 2026). Und der ehrlichste Satz zur Erkennung stammt sinngemäß von den Herstellern selbst: Keine Erkennungsmethode ist absolut sicher (OpenAI, 2026).

Die unbequeme Konsequenz, die das Buch aussprechen muss: Hör auf, deinen Schülern beizubringen, Deepfakes am Bild zu erkennen. Das war ein Kompetenzziel für ein Zeitfenster, das sich schließt. Das neue Kompetenzziel heißt nicht hinschauen, sondern nachfragen. Woher kommt das? Wer hat es zuerst geteilt? Passt es zur Quelle? Das ist Medienkompetenz, nicht Bildforensik, und die hält länger.

Das Werkzeug, Teil 2: Herkunft statt Hellsehen (und warum das auch keine Garantie ist)

Wenn das bloße Auge versagt, was dann? Die Antwort der Fachwelt lautet: Herkunftsnachweise (Provenance) statt Echtheitsraten. Zwei Ansätze solltest du dem Namen nach kennen, samt ihrer Grenzen, denn ein ehrliches Buch verkauft dir keine Wunderwaffe.

C2PA, „Content Credentials”. Kryptografisch signierte Metadaten, die an einer Datei mittragen, woher sie stammt und wie sie bearbeitet wurde. Robust in der Idee, aber fragil in der Praxis: Ein Screenshot, ein Formatwechsel, ein Upload, und die Metadaten sind oft weg (OpenAI, 2026).

SynthID (Google DeepMind). Ein unsichtbares Wasserzeichen, direkt in die Bildpixel oder Audiodaten eingebettet, das Screenshots eher übersteht (it-boltwise, 2026). Auch das ist nicht unknackbar: Forschungsarbeiten von 2025/26 zeigen Angriffe, die solche Wasserzeichen in einem erheblichen Teil der Fälle entfernen (USENIX Security 2025; Hersteller bestreiten die genauen Quoten).

Die beiden ergänzen sich und werden zunehmend gekoppelt (OpenAI, 2026; it-boltwise, 2026). Aber der Satz, den du dir merken musst, ist der nüchternste von allen: Ein fehlendes Herkunftssiegel beweist nicht, dass ein Bild echt ist, und ein vorhandenes nicht, dass es harmlos ist. Verlässliche Prüfung kombiniert Herkunft, Wasserzeichen, Quellenverlauf, Rückwärts-Bildersuche und menschliches Urteil (EyeSift, 2026).

Für den Schulalltag heißt das entlastend: Du bist nicht die Prüfstelle. Deine Aufgabe ist es, zu wissen, wie schwer Verifikation ist, und nicht, ein Bild zu verifizieren, und im Ernstfall (Workshop 6) genau deshalb nicht auf „echt oder nicht” zu warten, sondern zu schützen und zu stoppen.

Ein Wort zu „Nudify”-Tools, bewusst ohne Anleitung

Weil das Buch ehrlich ist: Ja, es gibt Apps, die aus einem angezogenen Foto ein gefälschtes Nacktbild rechnen. Nein, hier steht nicht, welche, und nicht, wie. Was du wissen musst, ist Folgendes, und es ist genug. Sie sind ein Spezialfall von Familie 2. Sie entfernen keine Kleidung, sie erfinden einen Körper, der plausibel zum sichtbaren Rest passt (siehe der Kernsatz oben). Die Einstiegshürde ist zu niedrig: Was früher teure Software, starke Hardware und Fachkenntnis brauchte, verlangt heute oft nur ein Foto, eine Website und ein paar Minuten (vgl. Norton, 2025). Und, bittere Pointe der Technikgeschichte, die gesamte Deepfake-Welle nahm 2017 ihren Anfang ausgerechnet mit nicht einvernehmlicher Pornografie (the-decoder, 2022). Der Missbrauch war nicht ein Nebeneffekt der Technik. Er war ihr Geburtsort.

Der Transfer: vom Buch in die Realität

Für die Landkarte im Kopf. Genau hier setzt das begleitende Tool-Observatory zu diesem Buch an. Seine Bewertungsdimensionen, unter anderem Provenance, Transparenz und Deepfake-Schutz, sind die praktische Übersetzung dieses Kapitels: Sie fragen für ein konkretes Tool, ob es Herkunft kennzeichnet, ob es offenlegt, was es tut, und wie leicht es sich missbrauchen lässt.

Für den Elternabend. Dieses Kapitel ist als 30-Minuten-Input gebaut. Der Einstieg ist der Sechs-Finger-Mythos, er entwaffnet den Raum, weil fast alle ihn glauben, und öffnet ihn für das, was heute wirklich gilt.

In einem Satz

Du musst nicht wissen, wie generative KI gebaut ist, nur, dass sie das Plausibelste erfindet statt zu kopieren, dass man Fälschungen nicht mehr am Bild erkennt und dass die richtige Frage nicht „echt oder nicht?” lautet, sondern „woher kommt das?“.

Am Rand notiert (der zynische Kasten)

Die Tech-Konzerne bauen die Werkzeuge, die diese Bilder ermöglichen, und verkaufen uns anschließend die Werkzeuge, mit denen wir sie erkennen sollen. Das ist ungefähr so, als würde eine Firma Streichhölzer und Feuerlöscher im Doppelpack anbieten und das „Verantwortung” nennen. Man kann darüber zynisch werden, man sollte es sogar. Aber die praktische Konsequenz für dich ist unzynisch und schlicht: Verlass dich auf keinen einzelnen Detektor, kein einzelnes Siegel, keine einzelne Faustregel. Verlass dich auf die langweiligste Kompetenz von allen: Herkunft prüfen, Quelle hinterfragen, im Zweifel nicht teilen. Die hält länger als jede App.

Quellen (Workshop 2)

Plattform Lernende Systeme (acatech): KI und Deepfakes (Diffusionsmodelle, GANs und Autoencoder, Voice Conversion). plattform-lernende-systeme.de

Spektrum der Wissenschaft: Deepfake, wie lassen sich KI-generierte Bilder enttarnen? 2023. spektrum.de

heise online: Deepfakes, KI gegen KI. 2023. heise.de

Norton: Was sind Deepfakes und wie erkennt man sie? 2025. de.norton.com

the-decoder: Geschichte der Deepfakes, 2022 (Ursprung des Begriffs 2017). the-decoder.de

webconsulting: Deepfakes erkennen, von Indizien zum kryptografischen Beweis. 2026. webconsulting.at

OpenAI: Inhaltsherkunft für ein sichereres KI-Ökosystem. 2026 (keine Erkennungsmethode ist absolut sicher). openai.com

IT Boltwise: SynthID, C2PA-Rollout und Partner. 2026. it-boltwise.de

USENIX Security 2025 (u. a. UnMarker), rezipiert 2026: Angriffe auf generative Wasserzeichen. vgl. IEEE Spectrum

EyeSift: C2PA Deepfake Detection 2026. eyesift.com

Quellen-Ehrlichkeit. Zwei Punkte altern besonders schnell. Erstens die Wasserzeichen-Angriffsquoten: Wie leicht sich Wasserzeichen wie SynthID entfernen lassen, ist zwischen unabhängiger Forschung und den Herstellern offen umstritten, beide Seiten haben ein Interesse, und konkrete Prozentzahlen sollte man mit Vorsicht zitieren. Der durable Kern bleibt: Kein Wasserzeichen ist unknackbar. Zweitens der Reifegrad von Echtzeit-Video-Deepfakes, der sich rasch verschiebt. Ein Technik-Kapitel muss sein eigenes Verfallsdatum kennen, deshalb setzt es auf Denkmodelle statt auf eingefrorene Zahlen.