Algorithmen: Von der Tontafel zur Blackbox

Eine Spurensuche durch die unsichtbare Architektur unserer digitalen Welt

Von DerSchneider

Einleitung: Die unsichtbare Macht

Stellen Sie sich eine Bibliothek mit Millionen von Büchern vor. Sie suchen ein bestimmtes Werk. Sie könnten jedes Buch durchblättern – oder Sie verstehen das Regalsystem und sind in Minuten am Ziel. Algorithmen sind solche Regalsysteme: Schritt-für-Schritt-Verfahren, die aus einer Eingabe eine gewünschte Ausgabe erzeugen. Der Begriff geht auf den persischen Mathematiker al-Chwarizmi zurück, doch die Wurzeln reichen weiter: Babylonische Tontafeln aus der Zeit um 2000 v. Chr. enthalten Verfahren zur Lösung quadratischer Gleichungen; der euklidische Algorithmus zur Bestimmung des größten gemeinsamen Teilers ist über zwei Jahrtausende alt.

Was heute als Inbegriff digitaler Moderne gilt, hat eine lange Vorgeschichte. Und doch hat sich etwas fundamental geändert: Algorithmen entscheiden heute, welche Nachrichten wir sehen, welche Kredite wir erhalten, welche Jobs wir bekommen. Sie sind zu einer unsichtbaren Infrastruktur geworden, die unsere Wirklichkeit formt – oft ohne dass wir es bemerken. Dieser Artikel versucht, den Faden von den antiken Anfängen bis zu den heutigen Blackbox-Systemen zu spinnen und dabei jene Fragen zu stellen, die im Lärm der technischen Begeisterung oft untergehen.

I. Die Werkzeuge des Geistes: Klassische Algorithmen

Suchen und Sortieren: Die Grundlagen

Die binäre Suche findet in einer sortierten Liste von einer Million Einträgen jeden Wert in höchstens zwanzig Vergleichen. Man halbiert die Suchmenge mit jedem Schritt. Das ist die Essenz dessen, was Informatiker mit „O(log n)“ bezeichnen: Die Laufzeit wächst so langsam, dass selbst eine Milliarde Einträge nur etwa dreißig Schritte erfordert. Doch die binäre Suche hat eine unverhandelbare Voraussetzung: Die Daten müssen sortiert sein.

Dies führt zu den Sortieralgorithmen. Bubble Sort, Selection Sort, Insertion Sort sind intuitiv verständlich, aber ineffizient: Ihre Laufzeit wächst quadratisch mit der Datenmenge. Die eleganteren Verfahren wie Merge Sort und Quicksort nutzen „Teile und herrsche“ und erreichen O(n log n). Timsort, eine Hybridvariante in Python und Java, kombiniert die Stärken mehrerer Ansätze: Es erkennt bereits sortierte Abschnitte, sortiert kleine Stücke mit Insertion Sort und fügt alles effizient zusammen. Diese klassischen Algorithmen stecken in Datenbanken, Suchmaschinen und jedem System, das große Informationsmengen verwaltet. Sie machen bereits deutlich, was Algorithmen im Kern sind: strukturierte Verfahren für spezifische Probleme – nicht magische Intelligenz.

Rekursion und Backtracking: Die Kunst der Selbstbezüglichkeit

Die Rekursion ruft eine Funktion mit einer kleineren Version desselben Problems auf. Um dies sicher zu tun, braucht es eine Abbruchbedingung – den Basisfall –, eine Verkleinerung des Problems und die Garantie, dass man sich diesem Basisfall nähert. Bäume, verschachtelte Ordnerstrukturen, fraktale Muster lassen sich so natürlich durchqueren.

Backtracking erlaubt einem Algorithmus, einen Weg einzuschlagen, festzustellen, dass er in eine Sackgasse führt, umzukehren und einen anderen Weg zu probieren. Man stelle sich ein Labyrinth vor: Man wählt eine Tür, geht weiter, stößt auf eine Wand, kehrt zum letzten Abzweig zurück und wählt eine andere Tür. Das klingt primitiv, ist aber die Grundlage für Lösungen des Acht-Damen-Problems, für Sudoku-Solver, für Routenplanung mit Hindernissen. Entscheidend ist die „Pruning“ genannte Technik: Wenn bereits klar ist, dass ein Teilweg niemals zu einer gültigen Lösung führen kann, wird der gesamte Zweig abgeschnitten, anstatt ihn weiter zu verfolgen.

Hashing: Der Sprung ins Koordinatensystem

Hash-Tabellen erlauben es, Werte in konstanter Zeit zu speichern und abzurufen – vorausgesetzt, die Hash-Funktion verteilt gleichmäßig und Kollisionen werden geschickt behandelt. Python-Dictionaries, Datenbank-Indizes, Caches: Überall dort, wo schnelle Lookups gefragt sind, steckt Hashing dahinter.

Doch nicht alle Hash-Verfahren dienen demselben Zweck. Kryptographische Hashes wie SHA-256 sind Einwegfunktionen: Sie verwandeln beliebige Daten in einen Fingerabdruck fester Länge, der bei geringster Änderung der Eingabe völlig anders aussieht. Konsistentes Hashing wiederum verteilt Daten über mehrere Server so, dass das Hinzufügen oder Entfernen eines Servers nur einen kleinen Teil der Daten verschiebt – ein fundamentales Verfahren für verteilte Systeme.

II. Von der Optimierung zur Intelligenz

Dynamische Programmierung: Das Gedächtnis der Algorithmen

Manche Probleme haben die unangenehme Eigenschaft, dass eine naive rekursive Lösung dieselben Teilprobleme immer wieder neu berechnet. Die Fibonacci-Folge ist das klassische Beispiel: Um die fünfte Zahl zu berechnen, braucht man die vierte und die dritte; um die vierte zu berechnen, wiederum die dritte und die zweite – und die dritte wird doppelt berechnet. Bei größeren Eingaben wächst dieser Redundanzaufwand exponentiell.

Die dynamische Programmierung löst dies, indem sie Zwischenergebnisse speichert. „Memoization“ beginnt mit der Frage und arbeitet sich abwärts vor, „Tabulation“ beginnt bei den kleinsten bekannten Antworten und baut das Ergebnis von unten auf. Beide Strategien reduzieren die Laufzeit drastisch – von exponentiell auf polynomial. Der entscheidende intellektuelle Schritt besteht nicht im Programmieren, sondern im Erkennen der Struktur: Welche Teilprobleme wiederholen sich? Welche Zustände beschreiben den Kern des Problems? Die Wahl des richtigen Zustands ist oft schwieriger als die Implementierung selbst.

Graphen: Die Vernetzung der Welt

Viele reale Probleme lassen sich als Graphen modellieren: Städte als Knoten, Straßen als Kanten; Personen als Knoten, Freundschaften als Kanten; Webseiten als Knoten, Links als Kanten. Die Breitensuche (BFS) durchsucht einen Graphen schichtweise und findet in ungewichteten Graphen die kürzesten Pfade. Die Tiefensuche (DFS) folgt einem Pfad bis zum Ende und eignet sich für Zyklen-Erkennung und topologische Sortierung.

Sobald Kanten Gewichte erhalten – Kosten, Entfernungen, Zeiten –, wird Dijkstras Algorithmus relevant, der kürzeste Pfade in Graphen mit nicht-negativen Gewichten findet. Der A*-Algorithmus ergänzt dies um eine Heuristik, eine Schätzung der verbleibenden Distanz, und kann dadurch zielgerichteter suchen. Für minimale Spannbäume, also die günstigste Vernetzung aller Knoten, stehen Prims und Kruskals Algorithmen bereit. Ihnen allen gemeinsam ist eine „gierige“ Strategie: Triff die lokal beste Entscheidung und hoffe, dass sie sich global als richtig erweist. Dass dies bei Dijkstra, Prim und Kruskal tatsächlich funktioniert, ist keine Trivialität, sondern mathematisch beweisbar.

Doch Gier ist nicht immer eine Tugend. Beim Rucksackproblem mit diskreten Gegenständen – entweder ganz oder gar nicht – kann die gierige Wahl, das Objekt mit dem besten Verhältnis von Wert zu Gewicht zu nehmen, eine suboptimale Gesamtlösung erzeugen. Hier zeigt sich, dass Algorithmen nicht universell klug sind, sondern problemspezifisch: Was bei einem Problem funktioniert, kann bei einem strukturell ähnlichen scheitern.

Textsuche und Kompression: Muster erkennen, Daten verdichten

Die naive Textsuche vergleicht Zeichen für Zeichen und beginnt nach einem Misserfolg eine Position weiter – im schlimmsten Fall mit quadratischer Laufzeit. Der Knuth-Morris-Pratt-Algorithmus (KMP) analysiert das Muster vorab und nutzt die Information, ob ein Teil des Musters bereits übereinstimmte, um Sprünge zu machen, ohne den Text jemals zurückzuspulen. Rabin-Karp verwendet rollende Hashes, um Fenster des Textes mit dem Muster zu vergleichen. Trie-Datenstrukturen organisieren Wörter nach gemeinsamen Präfixen und eignen sich für Autovervollständigung und Rechtschreibprüfung.

Huffman-Kodierung beantwortet eine andere Frage: Wie lassen sich Daten mit möglichst wenigen Bits darstellen? Häufige Zeichen bekommen kurze Codes, seltene lange. Der resultierende Code ist präfixfrei, sodass Decoder ihn ohne Trennzeichen lesen können. In Kombination mit LZ77, das wiederkehrende Sequenzen durch Verweise ersetzt, entsteht Deflate – der Algorithmus hinter ZIP und PNG.

III. Lernen aus Daten

Die Anfänge: Statistik und Mustererkennung

Maschinelles Lernen markiert einen kategorialen Wandel. Statt Regeln explizit zu programmieren, werden Beispiele präsentiert, und das System extrahiert Muster. Lineare Regression schätzt kontinuierliche Werte, logistische Regression klassifiziert in Kategorien. K-Nearest-Neighbors speichert einfach alle Trainingsdaten und klassifiziert neue Punkte nach ihren nächsten Nachbarn – ein Verfahren, das fast kein Training erfordert, aber mit wachsender Datenmenge langsam wird. Naive Bayes kombiniert bedingte Wahrscheinlichkeiten unter der Annahme, dass Merkmale unabhängig sind, und funktioniert dennoch erstaunlich gut für Textklassifikation.

Entscheidungsbäume zerlegen den Merkmalsraum durch eine Abfolge von Fragen. Random Forests kombinieren viele Bäume, die auf zufälligen Teilmengen von Daten und Merkmalen trainiert wurden, und mitteln ihre Vorhersagen – ein Verfahren, das einzelne Fehler ausgleicht. Gradient Boosting hingegen trainiert Bäume sequenziell, wobei jeder neue Baum die Fehler der vorherigen korrigiert.

Die Blackbox: Neuronale Netze

Neuronale Netze verzichten weitgehend auf explizite Struktur. Schichten künstlicher Neuronen transformieren Eingaben durch gewichtete Summen und nichtlineare Aktivierungsfunktionen. Backpropagation berechnet, wie stark jedes Gewicht zum Fehler beigetragen hat, und ein Optimierer passt die Gewichte an. Das Training erfordert große Datenmengen, viel Rechenleistung und sorgfältige Regularisierung, um Überanpassung zu vermeiden.

Was diese Modelle verbindet, ist die Verschiebung von erklärbarer Logik zu statistischer Korrelation. Ein lineares Regressionsmodell kann man lesen: „Für jeden Quadratmeter steigt der Preis um X.“ Ein neuronales Netz mit Millionen von Gewichten kann man nicht lesen. Diese Opazität ist nicht nur ein ästhetisches Problem, sondern hat handfeste Konsequenzen – für die Nachvollziehbarkeit von Entscheidungen, für die Anfechtbarkeit von Urteilen, für die Zurechenbarkeit von Verantwortung.

IV. Die algorithmische Gesellschaft

Diskriminierung durch Algorithmen

Sind Algorithmen neutral? Die Antwort ist ein klares Nein. Sie sind so neutral wie die Daten, auf denen sie trainiert wurden, und so fair wie die Ziele, die ihnen gesetzt wurden. Wenn historische Daten vergangene Diskriminierung widerspiegeln, wird ein darauf trainiertes Modell diese Diskriminierung nicht nur reproduzieren, sondern durch seine scheinbare Objektivität legitimieren.

Die Beispiele sind zahlreich. Ein KI-gestütztes Bewerbungssystem eines großen Online-Versandhändlers bevorzugte systematisch männliche Bewerber – nicht aus böser Absicht, sondern weil es aus früheren Einstellungsdaten gelernt hatte, dass Männer in technischen Positionen erfolgreicher waren. Gesichtserkennungssysteme zeigen höhere Fehlerraten bei dunkelhäutigen Menschen und Frauen. Das britische Ofqual-System zur Notenvergabe 2020 senkte die Bewertungen von etwa 40 % der Schüler:innen, wobei die Abweichungen systematisch benachteiligte Gruppen trafen.

Der EU AI Act: Risikobasierte Regulierung und ihre Grenzen

Die Europäische Union hat mit der Verordnung (EU) 2024/1689 („AI Act“) den weltweit ersten umfassenden Rechtsrahmen für künstliche Intelligenz geschaffen. Der Ansatz ist risikobasiert: Je höher das Risiko eines Systems für Gesundheit, Sicherheit oder Grundrechte, desto strenger die Pflichten. Vier Kategorien werden unterschieden: inakzeptables Risiko (verbotene Praktiken nach Art. 5), hohes Risiko (Art. 6 i. V. m. Anhang I und III), Transparenzrisiko (Art. 50) und minimales Risiko .

Die Hochrisiko-Klassifizierung ist anbietergetrieben. Entgegen einer verbreiteten Vereinfachung erfolgt die Einstufung nicht „top-down durch Regulatoren“. Entscheidend ist der vom Anbieter selbst deklarierte „intended purpose“ – die Zweckbestimmung, die in Art. 3 Nr. 12 definiert ist. Die Kommission hat in ihren Entwurfsleitlinien von 2026 klargestellt: „Intended purpose is determinative“ – er muss klar, konsistent und eindeutig über alle Materialien hinweg beschrieben sein. Eine Diskrepanz zwischen tatsächlicher Funktion und deklariertem Zweck schützt den Anbieter nicht vor der Hochrisiko-Einstufung . Dieses Selbstbewertungsmodell wird in der Fachliteratur genau deshalb kritisiert, weil es Anbietern erheblichen Einfluss auf die eigene regulatorische Behandlung gibt.

Anhang III listet acht Bereiche, in denen KI besonders sensibel ist: Biometrie, kritische Infrastruktur, allgemeine und berufliche Bildung, Beschäftigung und Arbeitnehmerführung, Zugang zu grundlegenden privaten und öffentlichen Dienstleistungen (einschließlich Kreditwürdigkeitsprüfung und Risikobewertung bei Lebens- und Krankenversicherungen), Strafverfolgung, Migration und Grenzkontrolle sowie Rechtspflege und demokratische Prozesse . Die Pflichten für Hochrisiko-Systeme umfassen ein Risikomanagementsystem, Daten-Governance, technische Dokumentation, Protokollierung, Transparenz und menschliche Aufsicht sowie Genauigkeit und Robustheit. Anbieter müssen ihr System zudem in der EU-Datenbank registrieren .

Die Grundrechte-Folgenabschätzung (FRIA) nach Art. 27 AI Act verpflichtet bestimmte Betreiber – öffentliche Stellen, private Einrichtungen mit öffentlichen Dienstleistungen sowie Betreiber in den Bereichen Kreditwürdigkeit und Versicherung (Anhang III Nr. 5 lit. b und c) –, vor der ersten Nutzung eines Hochrisiko-Systems eine Folgenabschätzung für Grundrechte durchzuführen. Sie umfasst eine Beschreibung der Verarbeitungsprozesse, der betroffenen Personengruppen, der spezifischen Schadensrisiken, der menschlichen Aufsichtsmaßnahmen und der Beschwerdemechanismen. Die Ergebnisse müssen der Marktüberwachungsbehörde mitgeteilt werden . Diese Mechanismen schaffen tatsächlich Transparenz – bleiben aber auf bestimmte Betreibertypen beschränkt.

Transparenzpflichten nach Art. 50 gelten unabhängig von der Hochrisiko-Klassifizierung für Systeme mit „Transparenzrisiko“. Anbieter müssen sicherstellen, dass Personen informiert werden, wenn sie direkt mit einem KI-System interagieren (es sei denn, dies ist offensichtlich). Betreiber müssen Personen informieren, wenn sie Emotionserkennung oder biometrischer Kategorisierung ausgesetzt sind, und Deepfakes sowie KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse ohne menschliche Überprüfung kennzeichnen. Diese Pflichten gelten ab dem 2. August 2026 . Die Aussage, nicht-hochriskante Systeme blieben „weitgehend unreguliert“, ist daher zu pauschal: Der AI Act enthält auch für diese Kategorie verbindliche Transparenzpflichten.

Der AI Omnibus (Verordnung (EU) 2026/1744, in Kraft seit Juli 2026) hat einige Fristen und Verfahren angepasst. Die Compliance-Fristen für Hochrisiko-Systeme nach Anhang III wurden bis Dezember 2027 verlängert, für eingebettete Produkte bis August 2028. Das Registrierungsverfahren in der EU-Datenbank wurde vereinfacht, und die Pflichten für KMU wurden proportionaler gestaltet . Der Omnibus betrifft jedoch nicht unmittelbar die von der Kritik angesprochene Frage der „Selbstregistrierung als nicht-hochriskant“ – diese Diskussion ist älteren Datums und speist sich aus der allgemeinen Registrierungspflicht und der Rolle der Selbstdeklaration.

Algorithmische Verstärkung und die Formung der Wahrnehmung

Jenseits expliziter Entscheidungssysteme wirken Algorithmen auch subtiler: durch Verstärkung. Empfehlungssysteme auf Social-Media-Plattformen bestimmen, welche Inhalte sichtbar werden. Sie optimieren auf Engagement – Klicks, Likes, Verweildauer – und können dadurch Inhalte bevorzugen, die emotional polarisieren, ohne dass dies beabsichtigt wäre. Diese „algorithmische Verstärkung“ ist konzeptionell unscharf definiert, und Plattformen halten die Mechanismen bewusst intransparent. Die Forschung ist auf Beobachtung und Inferenz angewiesen; vollständige Einsicht in Ranking-Faktoren besteht nicht. Deutschland ist zu einem Testfeld für algorithmische Rechenschaftspflicht geworden, mit Verfahren gegen X, TikTok, Amazon und Meta, die sich auf den Digital Services Act, die DSGVO und das Wettbewerbsrecht stützen.

Die Machtasymmetrie ist erheblich: Organisationen können individuelles Verhalten in Echtzeit beobachten, kontinuierlich A/B-Tests durchführen und jede Person individuell ansprechen. Individuen sehen nur die Oberfläche – eine Push-Nachricht, einen Preis, eine Empfehlung – ohne zu wissen, warum sie genau das sehen.

Die Frage der Verantwortung

Wenn ein Algorithmus diskriminiert, wer ist schuld? Der Entwickler, der die Trainingsdaten ausgewählt hat? Das Unternehmen, das die Ziele definiert hat? Die Gesellschaft, deren Ungleichheiten sich in den Daten spiegeln? Algorithmen treffen Entscheidungen, aber sie übernehmen keine Verantwortung. Sie sind keine moralischen Akteure. Die Verantwortung liegt bei den Menschen, die sie bauen, trainieren, einsetzen und regulieren.

Die DSGVO gibt Individuen das Recht, automatisierte Entscheidungen anzufechten. Die FRIA nach Art. 27 AI Act setzt genau hier an – allerdings nur für bestimmte Betreiber. Für Systeme außerhalb dieser Kategorien bleibt die Anfechtbarkeit automatisierter Entscheidungen oft Theorie. Wie soll man eine Entscheidung anfechten, deren Logik man nicht versteht? Transparenz ist die Voraussetzung für Rechenschaft. Ohne Einblick in die Funktionsweise algorithmischer Systeme bleibt der Ruf nach Fairness eine leere Formel.

Fazit: Werkzeuge mit Gewicht

Algorithmen sind Werkzeuge – mächtige Werkzeuge. Sie können Datenmengen durchdringen, die für menschliche Kognition undurchdringlich wären. Sie können Muster erkennen, die wir übersehen. Aber sie sind nicht neutral, nicht allwissend, nicht unfehlbar.

Die Geschichte der Algorithmen ist eine Geschichte der Abstraktion: von konkreten Rechenaufgaben zu formalen Verfahren, von mechanischen Rechenmaschinen zu elektronischen Computern, von explizit programmierten Regeln zu statistisch gelernten Mustern. Mit jeder Abstraktionsstufe wächst die Macht, aber auch die Distanz zwischen dem, was ein System tut, und dem, was ein Mensch nachvollziehen kann.

Vielleicht besteht die wichtigste Aufgabe der nächsten Jahre nicht darin, immer leistungsfähigere Algorithmen zu entwickeln, sondern darin, die bestehenden verstehbar und beherrschbar zu machen. Das erfordert technische Forschung – interpretierbare Modelle, Fairness-Audits, robuste Evaluationsmethoden. Es erfordert rechtliche Rahmen, die nicht nur Rechte postulieren, sondern durchsetzbar machen. Und es erfordert eine breite gesellschaftliche Debatte darüber, welche Entscheidungen wir an Maschinen delegieren wollen und welche nicht.

Die Babylonier, die ihre Rechenverfahren in Ton ritzten, konnten den gesamten Prozess überblicken. Wir können das nicht mehr. Aber wir können verlangen, dass diejenigen, die algorithmische Systeme einsetzen, Rechenschaft ablegen über deren Funktionsweise, deren Grenzen und deren mögliche Schäden. Ein Algorithmus, der nicht erklärt werden kann, sollte nicht über Menschen entscheiden dürfen.

Quellen:

1. Freshfields (2026): EU AI Act Unpacked #32: Draft Commission Guidelines on „High-Risk“ AI – Implications for Classification in Practice. Abrufbar unter: freshfields.com
2. AI Act Service Desk der Europäischen Kommission: Article 27: Fundamental rights impact assessment for high-risk AI systems (konsolidierte Fassung, Stand 27. Juli 2026)
3. Europäische Kommission, Generaldirektion Kommunikationsnetze, Inhalte und Technologien (2026): Kurze Fakten: Transparenzregeln für KI-Systeme (Art. 50 KI-VO)
4. Europäische Kommission (2026): Leitlinien zu Transparenzverpflichtungen für Anbieter und Betreiber bestimmter KI-Systeme (Art. 50 KI-VO), veröffentlicht am 5. August 2026
5. AI Act Service Desk der Europäischen Kommission: Welche Verpflichtungen bestehen für KI-Systeme mit hohem Risiko, Transparenzrisiko und minimalem Risiko?
6. Verordnung (EU) 2026/1744 zur Änderung der Verordnung (EU) 2024/1689 („AI Omnibus“), ABl. L 2026/1744 vom 24. Juli 2026
7. Tech Law Blog (2026): High Risk AI System Guidance Published, 24. Mai 2026
8. Europäische Kommission: AI Act Service Desk – Article 50: Transparency obligations for providers and deployers of certain AI systems