---
title: "Hypersichtbar? Queerness im Zeitalter generativer KI"
date: 2026-06-26
last_modified: 2026-06-26T08:35:46+02:00
generated_at: 2026-06-26T12:15:46Z
url: "https://www.schirn.de/schirnmag/hypersichtbar-queerness-im-zeitalter-generativer-ki/"
description: "Mit generativer KI werden nicht nur Bilder produziert, sondern auch Vorstellungen davon reproduziert, was als „normal“ gilt. Was passiert, wenn mittels digitaler Systeme Geschlecht, Identität und Zugehörigkeit zugeordnet werden?"
image: "https://www.schirn.de/wp-content/uploads/2026/06/Gabriele-Duenwald-mit-KI-1434x1920.jpg"
language: "de"
---

# Hypersichtbar? Queerness im Zeitalter generativer KI

![Person in glänzendem rot-orangefarbenem Gewand mit Augenbinde sitzt auf einer Couch vor neutralem Hintergrund.](https://schirn.b-cdn.net/wp-content/uploads/2026/06/Gabriele-Duenwald-mit-KI.jpg)

Foto: Gabriele Dünwald mit KI

# Hypersichtbar? Queerness im Zeitalter generativer KI

1 min Lesezeit

Mit generativer KI werden nicht nur Bilder produziert, sondern auch Vorstellungen davon reproduziert, was als „normal“ gilt. Was passiert, wenn mittels digitaler Systeme Geschlecht, Identität und Zugehörigkeit zugeordnet werden?

Generative Systeme Künstlicher Intelligenz (KI) erzeugen Texte, Bilder, Videos oder Sound auf Grundlage statistischer Berechnungen. Anders als klassische algorithmische Systeme, die primär Informationen sortieren oder analysieren, kombinieren sie vorhandene Daten zu scheinbar neuen Inhalten. Die Grundlage dieser Systeme ist also weder eigene Kreativität noch Intentionalität, sondern die Berechnung statistischer Wahrscheinlichkeiten auf Basis vorhandener Datenbestände. Daher stehen generative KI-Systeme zunehmend im Zentrum feministischer und queerer Kritik: Sie lernen aus digitalen Datenbeständen, die von Normierungen und Ausschlüssen durchzogen sind, und reproduzieren genau die Bilder, Kategorien und Wissensordnungen, die innerhalb der Trainingsdatensätze bereits dominant vorhanden sind. Dominant sind sie deshalb, weil digitale Infrastrukturen historisch entlang hegemonialer Macht- und Bildordnungen entstanden sind und gesellschaftliche Realität nicht objektiv abbilden. Was in Datenbanken häufig sichtbar ist, erscheint dem System als Norm; was selten sichtbar ist, wird zur Ausnahme erklärt – zum Fehler. Und wie mit Fehlern wird auch meist mit diesen Abweichungen verfahren: Sie werden „korrigiert“.

[![Junger Mann sitzt unter Wasser, umgeben von grünlichem Licht und silhouettierten Tauchgeräten.](https://schirn.b-cdn.net/wp-content/uploads/2026/04/Schirn-Presse_WTAI_Gregory-Chatonsky_La-Quatrieme-Memoire_2025_©-Gregory-Chatonsky.jpg)

Ähnlicher Artikel

### Jetzt in der SCHIRN: The World Through AI](https://www.schirn.de/schirnmag/bald-in-der-schirn-the-world-through-ai/)

## Queere Kritik

Akademische, aktivistische und künstlerische Debatten um „Queere KI“ knüpfen an dieser Problematik an. Der Begriff „queer“ bezeichnet dabei nicht einfach nicht-heterosexuelle oder nonbinäre Identitäten. Er hinterfragt vielmehr Kategorien wie männlich/weiblich, natürlich/künstlich oder normal/abweichend sowie die Bedingungen, die diese Kategorien hervorgebracht haben. Zentral ist die Einsicht, dass Identität kulturell, rechtlich, medizinisch oder medial produziert ist. Queerness verweigert sich festen Zuschreibungen und destabilisiert normative Systeme, die Eindeutigkeit erzwingen sollen. Queering bezeichnet dementsprechend die Praxis, solche Normierungen sichtbar zu machen, sie zu kritisieren und umzudeuten. In Bezug auf KI-Systeme bedeutet das zunächst, vielfältigere Datensätze in bestehende technologische Infrastrukturen einzuspeisen. Aus queer-theoretischer Perspektive stellt sich dabei die Frage, welche Körper und Identitäten innerhalb digitaler Reproduktionsordnungen sichtbar gemacht werden. Trainingsdatensätze populärer Bildgeneratoren basierten lange überwiegend auf weißen, cisgeschlechtlichen und able-bodied Körpern. Queere, trans\*, crip – also vorgeblich ‚behinderte‘ – und nicht-weiße Körper erschienen kaum. Doch Plattformökonomien und Diversitätsstrategien haben Queerness zunehmend als Markt entdeckt und ihre Systeme entsprechend ‚diversifiziert‘. Große Technologiekonzerne integrieren vorgeblich queere Bildwelten in ihre Trainingsdaten, um ihre Systeme als divers und inklusiv vermarkten zu können. Dadurch entstehen neue Formen algorithmischer Repräsentation, in denen Queerness auf konsumierbare Ästhetiken reduziert ist. Prompts erzeugen standardisierte Lifestyle-Bilder, die queere Identität an urbane, modische und überwiegend weiße Konsumästhetiken koppeln; Blackness erscheint dabei häufig exotisiert oder wird über stereotype Marker wie Streetwear, bestimmte Haarstile oder hypermaskuline Körpercodierungen repräsentiert. Algorithmische Sichtbarkeit bleibt damit an Bildpolitiken gebunden, die Differenz nur insofern zulassen, wie sie konsumierbar und visuell eindeutig lesbar ist.

#### „KI-generierte Bilder naturalisieren heteronormative Geschlechterrollen und -zuschreibungen, weiße Identitätsvorstellungen und normative Familienmodelle, während sie soziale Ungleichheiten und queere Lebensrealitäten ausblenden.“

## Autoritäre Bildpolitiken

Abseits dieser ökonomischen Dynamiken werden smarte technologische Systeme zunehmend auch für Prozesse politischer Willensbildung entwickelt, trainiert und eingesetzt. Neoreaktionäre Bewegungen – etwa anti-demokratische Tech-Strömungen, die für absolutistische, autokratische Diktaturen plädieren – arbeiten verstärkt mit autoritären Bildpraktiken, die sich über soziale Medien, algorithmische Feeds und KI-generierte Bildwelten verbreiten. Ziel dieser visuellen Strategien ist es, einheitliche Vorstellungen von Geschlecht, Körpern und nationaler Zugehörigkeit zu erzeugen und zu stabilisieren. KI-generierte Bilder fungieren dabei als faschisierende Werkzeuge gesellschaftlicher Wirklichkeitsproduktion. Durch ihre vorgebliche Echtheit aber auch durch ihre massenhafte Verbreitung wirken sie wie sichtbare Beweise. Sie naturalisieren heteronormative Geschlechterrollen und -zuschreibungen, weiße Identitätsvorstellungen und normative Familienmodelle, während sie soziale Ungleichheiten und queere Lebensrealitäten ausblenden. Auf diese Weise tragen sie dazu bei, reduktive Vorstellungen von Geschlecht und gesellschaftlicher Zugehörigkeit zu stabilisieren und die Idee einer technokratischen, alternativlosen Gesellschaft zu befördern. Gleichzeitig zeigt sich eine weitere Verschiebung: Sichtbarkeit ist nicht länger ausschließlich als emanzipatorisches Ziel zu denken. Für marginalisierte Gruppen kann Sichtbarkeit zunehmend zur Gefahr werden. Damit ein KI-System Menschen in digitalen Bildern erkennen oder klassifizieren kann, müssen Daten standardisiert werden: Gesichter erhalten Labels, Geschlechter werden Kategorien zugewiesen, Körper in Datenschemata übersetzt. Was innerhalb solcher Systeme als realistisch oder wahrscheinlich gilt, orientiert sich an Mehrheiten innerhalb der Datensätze. Besonders problematisch wird das im Kontext automatisierter Geschlechtszuweisung – also KI-Verfahren, die aus biometrischen Merkmalen wie Gesichtern oder Bewegungsmustern auf das Geschlecht einer Person schließen.

![](https://musermeku.org/wp-content/uploads/2019/09/a.schoder-musermeku-imagenet_roulette-3.jpg)  Kate Crawford und Trevor Paglen, [ImageNet Roulette ](https://paglen.studio/2020/04/29/imagenet-roulette/)

Image via [musermeku.org](https://musermeku.org/imagenet-roulette/)

#### „Eine queere Kritik generativer KI verweist auf die Notwendigkeit, die skizzierten Grundlagen digitaler Klassifikation selbst infrage zu stellen – und damit auch jene gesellschaftlichen Ordnungen, die sich in diesen Systemen sedimentieren.“

## Algorithmische Diskriminierung

Die potenziellen Folgen solcher algorithmischen Diskriminierung zeigen sich deutlich im Zusammenhang mit Rassifizierung. Bekannt wurde etwa der Fall automatischer Seifenspender, die Schwarze Haut nicht erkannten, weil die Sensorik primär auf weiße Haut trainiert worden war. Noch gravierender sind rassistische Verzerrungen in Gesichtserkennungssystemen. Studien zeigen, dass Schwarze in automatisierten Überwachungssystemen häufiger erkannt und damit überkriminalisiert werden. Die historischen Trainingsdaten solcher Systeme stammten häufig aus staatlichen Bildarchiven, darunter Fahndungsfotos und Gefängnisdaten. Da Schwarze Menschen aufgrund rassistischer Strukturen überproportional kriminalisiert wurden und werden, entstanden Datensätze, die diese Ungleichheiten bereits in sich trugen. KI-Systeme übernehmen solche Verzerrungen und verstärken sie. Darauf aufbauend stellt sich die Frage, welche Konsequenzen eine erhöhte algorithmische Erkennbarkeit queerer Personen innerhalb repressiver politischer Systeme hätte. In autoritären Kontexten – etwa im Zusammenhang digitaler Überwachung in China oder anti-queerer Gesetzgebung in den USA – kann algorithmische Lesbarkeit queerer Identität zu einem Instrument politischer Repression werden. Gleichzeitig wird darin ein widerständiges Potenzial von Queerness sichtbar: ihre partielle Unlesbarkeit gegenüber datenbankbasierten Regimen der Identifikation. Maschinelles Lernen operiert über Klassifikation, während Queerness diese Eindeutigkeit unterläuft. Eine queere Kritik generativer KI erschöpft sich daher nicht in Forderungen nach mehr Sichtbarkeit oder Diversität innerhalb bestehender Systeme. Sie verweist vielmehr auf die Notwendigkeit, die skizzierten Grundlagen digitaler Klassifikation selbst infrage zu stellen – und damit auch jene gesellschaftlichen Ordnungen, die sich in diesen Systemen sedimentieren.

![Person in glänzendem rot-orangefarbenem Gewand mit Augenbinde sitzt auf einer Couch vor neutralem Hintergrund.](https://schirn.b-cdn.net/wp-content/uploads/2026/06/Gabriele-Duenwald-mit-KI.jpg)

Foto: Gabriele Dünwald mit KI