Unsichtbare Arbeit hinter KI: Wer die Systeme betreibt

Hinter jedem KI-generierten Text, jeder automatisierten Bildklassifikation und jedem autonom fahrenden Fahrzeug steckt menschliche Arbeit – ausgeführt von Millionen Menschen, deren Namen, Gesichter und Arbeitsbedingungen systematisch unsichtbar bleiben. Dieser Artikel zeigt, wer die KI-Infrastruktur tatsächlich betreibt, welche Zahlen den Markt beschreiben und welche Konsequenzen sich daraus für den Einsatz von KI in der Content-Produktion ergeben.

Wenn ein Sprachmodell eine Marketingkampagne formuliert oder ein Bildgenerator ein Visual erstellt, wirkt das Ergebnis maschinell und autonom. Die Realität sieht anders aus: Jedes dieser Systeme wurde von Menschen trainiert, korrigiert und überwacht. Datenannotation, Reinforcement Learning from Human Feedback (RLHF) und Content-Moderation sind keine Randerscheinungen – sie bilden das Fundament jedes KI-Workflows. Laut dem Stanford HAI AI Index Report 2025 produziert die Industrie über 90 % aller Frontier-Modelle, und deren Produktivitätsgewinne basieren auf genau dieser menschlichen Zuarbeit.¹

Für alle, die KI-Tools in der KI Content Produktion einsetzen, ergibt sich daraus eine unbequeme Frage: Unter welchen Bedingungen entsteht die Infrastruktur, auf der Ihre Marketingprozesse aufbauen? Die Antwort berührt Ethik, Reputation und – ganz konkret – die Budgetplanung der kommenden Jahre. Die Datenbasis dieses Artikels stützt sich auf sechs aktuelle Quellen aus den Jahren 2025 und 2026: den GIZ/Aapti-Report zu Arbeitsbedingungen im Globalen Süden, eine Peer-reviewed-Analyse aus AI & Society, den Stanford HAI Index, zwei Marktprognosen von Oxford Economics und Research and Markets sowie eine Studie der AWU-CWA zu US-basierten Datenarbeitern.²³⁴⁵⁶

KI-Systeme sind nicht autonom: das Konzept der Heteromation

Kein kommerzielles KI-System arbeitet ohne kontinuierliche menschliche Zuarbeit. Das Konzept der Heteromation – geprägt von den Forschern Ekbia und Nardi und weiterentwickelt von Nemer und Sobral (2025) – beschreibt, wie Plattformen Kapital akkumulieren, indem sie billige, computergestützte menschliche Arbeit extrahieren und als maschinelle Leistung vermarkten.³ Die Arbeit verschwindet hinter Interfaces und APIs, während die Wertschöpfung bei den Plattformbetreibern verbleibt.

Selbstfahrende Fahrzeuge und ihre menschliche Fernsteuerung

Autonome Fahrzeuge benötigen Hunderttausende sogenannter Contractors, die Bounding Boxes um Objekte zeichnen, Straßenszenen klassifizieren und in Echtzeit remote eingreifen, wenn das System an seine Grenzen stößt. Laut dem GIZ-Report beschäftigen einzelne Anbieter über 100.000 externe Zuarbeiter für diese Aufgaben.² Die Fahrzeuge fahren nicht autonom – sie fahren mit einer unsichtbaren Belegschaft im Hintergrund.

Sprachmodelle und das menschliche Feedback dahinter

Large Language Models (LLMs) durchlaufen nach dem Vortraining eine Phase des RLHF. Menschen bewerten Antworten, markieren toxische Inhalte und priorisieren hilfreiche Ausgaben. Arbeiter in Kenia erhielten für diese Tätigkeit – die das Sichten von Gewalt-, Missbrauchs- und Extremismus-Inhalten einschloss – weniger als 2 USD pro Stunde.² Ohne diese Arbeit wäre kein Sprachmodell marktfähig.

Hinweis: Jedes KI-Tool, das Sie in Ihrem KI-Workflow einsetzen, basiert auf menschlicher Datenannotation. Die Frage ist nicht ob, sondern unter welchen Bedingungen diese Arbeit stattfindet.

Marktgröße der unsichtbaren Arbeit: eine Milliarden-Industrie

Die menschliche Zuarbeit für KI-Systeme ist kein Nischenphänomen, sondern ein globaler Wirtschaftszweig mit zweistelligen Wachstumsraten. Zwei unabhängige Marktanalysen aus dem Jahr 2025 beziffern das Volumen und die Dynamik dieses Sektors – und beide zeigen: Die Kosten für KI-Infrastruktur werden steigen, nicht sinken.

Datenannotation: 8 bis 15 Milliarden USD Umsatz

Oxford Economics schätzt den globalen Datenannotationsmarkt für 2024 auf 8,2 bis 15,1 Milliarden USD.⁵ Die Spanne erklärt sich durch unterschiedliche Abgrenzungen: Manche Schätzungen erfassen nur reine Labeling-Dienste, andere schließen Qualitätssicherung und Datenaufbereitung ein. Selbst die konservative Untergrenze übersteigt den Jahresumsatz vieler DAX-Unternehmen.

Microtasking-Markt: Verdreifachung bis 2030

Der Microtasking-Markt – also die Vergabe kleinteiliger Datenaufgaben über Plattformen – wächst laut Research and Markets von 5,1 Milliarden USD (2025) auf 14,6 Milliarden USD (2030) bei einer jährlichen Wachstumsrate von 23,4 %.⁴ Dieses Wachstum wird direkt von der steigenden Nachfrage nach KI-Trainingsdaten getrieben. Für Budgetverantwortliche bedeutet das: Die Preise für KI-Tools werden mittelfristig steigen, weil die Inputkosten steigen.

Expertentipp: Kalkulieren Sie bei der Budgetplanung für KI-gestützte Content-Produktion einen jährlichen Preisanstieg von 15–20 % ein. Die Datenannotationskosten treiben die Tool-Preise nach oben.

Demografie der Datenarbeiter: jung, gebildet, unterbezahlt

Die Menschen hinter der KI-Infrastruktur sind keine ungelernten Hilfskräfte. Sie sind überwiegend zwischen 20 und 35 Jahre alt, verfügen über einen Hochschulabschluss und leben im Globalen Süden – in Indien, auf den Philippinen, in Kenia oder Venezuela.² Ihre Qualifikation steht in krassem Widerspruch zu ihrer Bezahlung und ihrem arbeitsrechtlichen Status.

Lohngefälle bei identischer Arbeit

Für dieselbe Annotationsaufgabe erhalten US-basierte Arbeiter etwa 15 USD pro Stunde, während ihre Kollegen in Kenia unter 2 USD pro Stunde bekommen.²⁶ Das Lohngefälle beträgt also Faktor sieben bis acht – bei identischer Tätigkeit, identischem Output und identischer Qualitätsanforderung. Die Plattformen nutzen gezielt Lohnunterschiede zwischen Ländern, um ihre Margen zu maximieren.

Kein Arbeitsschutz durch Contractor-Status

Die Klassifizierung als „Independent Contractors" entzieht diese Arbeitskräfte dem Arbeitsrecht ihrer jeweiligen Länder. Kein Kündigungsschutz, keine Krankenversicherung, keine bezahlten Urlaubstage, keine Rentenansprüche. Der GIZ-Report dokumentiert, dass Plattformen Accounts ohne Vorwarnung sperren können – und damit die gesamte Einkommensgrundlage einer Person von einem Algorithmus abhängt.²

Psychische Kosten der KI Content Produktion

Die unsichtbare Arbeit hinter KI-Systemen verursacht dokumentierte gesundheitliche Schäden. Besonders betroffen sind Content-Moderatoren, die toxische Inhalte sichten und klassifizieren müssen, damit Sprachmodelle und Social-Media-Plattformen sicher funktionieren. Die Folgen reichen von Schlafstörungen bis zu Suizidversuchen.²

12-Stunden-Schichten mit traumatisierenden Inhalten

Content-Moderatoren arbeiten in Schichten von bis zu zwölf Stunden und sichten dabei Darstellungen von Gewalt, sexuellem Missbrauch und Kinderpornografie. Der GIZ/Aapti-Report dokumentiert Fälle von posttraumatischer Belastungsstörung (PTSD), chronischer Depression und Schlafstörungen unter diesen Arbeitern.² Psychologische Betreuung wird von den Plattformen entweder gar nicht oder nur minimal angeboten.

Verschwiegenheitsklauseln verhindern Hilfe

Non-Disclosure Agreements (NDAs) verbieten den Arbeitern, über ihre Tätigkeit und deren Auswirkungen zu sprechen – auch gegenüber Therapeuten oder Familienangehörigen. Diese Klauseln schaffen eine doppelte Isolation: Die Arbeit selbst ist traumatisierend, und der Zugang zu Unterstützung wird vertraglich blockiert.² Klagen gegen diese Praxis – etwa in Kenia – laufen seit 2023, ohne dass sich die Branchenstandards grundlegend verändert hätten.

Expertentipp: Fragen Sie Ihre KI-Tool-Anbieter explizit nach deren Content-Moderation-Richtlinien und den Arbeitsbedingungen der beteiligten Personen. Transparenz beginnt mit konkreten Fragen.

Strukturelle Unsichtbarkeit als Geschäftsmodell

Die Unsichtbarkeit der menschlichen Arbeit hinter KI ist kein Versehen – sie ist ein Designprinzip. Plattformen, Subunternehmer-Ketten und algorithmisches Management arbeiten zusammen, um den Eindruck vollständiger Automatisierung aufrechtzuerhalten. Für Unternehmen, die KI-Tools einsetzen, bedeutet das: Die Lieferkette ist absichtlich intransparent gestaltet.

Menschliche Arbeit als maschinelle Leistung geframt

Der Begriff „Artificial Artificial Intelligence" – ursprünglich von einer großen Microtasking-Plattform geprägt – bringt das Prinzip auf den Punkt: Menschliche Arbeit wird so verpackt, dass sie wie eine API-Antwort aussieht.³ Nemer und Sobral (2025) zeigen in ihrer Analyse, dass diese Rahmung kein Marketing-Gag ist, sondern eine systematische Strategie zur Entwertung menschlicher Arbeit. Wenn Arbeit unsichtbar ist, lässt sie sich leichter unterbezahlen.

Algorithmisches Management und Echtzeit-Überwachung

Datenarbeiter unterliegen einer Überwachungsintensität, die in klassischen Arbeitsverhältnissen undenkbar wäre. Keystroke-Tracking, Echtzeit-Produktivitätsmessung und automatische Bestrafung bei Abweichung von Zeitvorgaben sind Standard.² Wer zu langsam arbeitet, verliert Aufträge. Wer zu schnell arbeitet, wird wegen Qualitätsmängeln gesperrt. Der Korridor ist schmal, und die Entscheidung trifft ein Algorithmus ohne Einspruchsmöglichkeit.

Mehrstufige Subunternehmer-Ketten verschleiern Verantwortung

Zwischen dem KI-Unternehmen, das ein Modell veröffentlicht, und der Person, die Daten annotiert, liegen drei bis fünf Ebenen von Subunternehmern. Jede Ebene reduziert die Transparenz und verdünnt die Verantwortung. Der GIZ-Report beschreibt Fälle, in denen Arbeiter nicht einmal wissen, für welches Endprodukt sie Daten labeln.² Diese Struktur macht Due Diligence für Einkäufer von KI-Tools extrem schwierig – aber nicht unmöglich.

KI ersetzt keine Arbeit: sie verlagert sie

Die verbreitete Annahme „KI ersetzt menschliche Arbeit" ist in dieser Pauschalität falsch. KI verlagert Arbeit – geografisch in den Globalen Süden, arbeitsrechtlich in prekäre Contractor-Verhältnisse und sichtbarkeitstechnisch hinter Plattform-Interfaces. Der Stanford HAI Index 2025 bestätigt, dass die Produktivitätsgewinne durch KI auf menschlicher Zuarbeit basieren.¹ Es entstehen neue Arbeitsplätze – aber unter Bedingungen, die dem Fortschrittsnarrativ widersprechen.

Ein aktuelles Beispiel für diese Hybridisierung: Ein großer Mobilitätsanbieter lässt seit 2025 Fahrer in zwölf indischen Städten nebenbei Daten labeln – während sie auf Fahrgäste warten.² Die Grenze zwischen „Gig Work" und „Datenarbeit" verschwimmt. Für Unternehmen, die KI-Tools einkaufen, wird die Lieferkette damit noch unübersichtlicher. Die genaue Zahl der weltweit involvierten Datenarbeiter ist unbekannt – Schätzungen reichen von mehreren Millionen bis in den zweistelligen Millionenbereich. Die Intransparenz der Lieferketten verhindert eine exakte Quantifizierung.

Konsequenzen für den Einsatz von KI im Marketing

Jedes KI-Tool in der Content-Produktion basiert auf der beschriebenen Lieferkette. Das ist kein abstraktes ethisches Problem – es ist ein konkretes Reputationsrisiko und eine Due-Diligence-Frage. Die EU-Plattformarbeitsrichtlinie 2024/2831 wird regulatorischen Druck auf diese Strukturen erhöhen. Wer heute die richtigen Fragen stellt, vermeidet morgen unangenehme Überraschungen.

Lieferketten-Transparenz aktiv einfordern

Fragen Sie Ihre KI-Tool-Anbieter: Wer annotiert die Trainingsdaten? Unter welchen vertraglichen Bedingungen? In welchen Ländern? Mit welcher Vergütung? Die meisten Anbieter werden diese Fragen nicht proaktiv beantworten – aber die Frage selbst setzt ein Signal. Unternehmen wie Crispy Content® integrieren solche Prüfungen bereits in die Bewertung von KI-Tools für Kundenprojekte, weil ethische Lieferketten Teil einer konsistenten Markenkommunikation sind.

Ethische KI-Nutzung als Differenzierungsmerkmal

Marken, die transparent kommunizieren, wie sie KI einsetzen und welche Standards sie an ihre Lieferkette anlegen, schaffen Vertrauen. Das gilt besonders im B2B-Kontext, wo Geschäftspartner zunehmend ESG-Kriterien an ihre Dienstleister anlegen. Ethische KI-Nutzung ist kein Wohlfühl-Thema – es ist ein Wettbewerbsfaktor in Ausschreibungen und Partnerschaftsverhandlungen.

Budgetplanung: steigende Kosten einkalkulieren

Die vermeintlich günstige KI Content Produktion externalisiert Kosten auf prekäre Arbeitskräfte. Wenn regulatorischer Druck und steigende Datenannotationskosten (CAGR 23,4 %) diese Externalisierung verteuern, steigen die Tool-Preise. Planen Sie Ihre KI-Budgets nicht auf Basis heutiger Preise, sondern rechnen Sie mit jährlichen Steigerungen von 15–25 % für die nächsten drei bis fünf Jahre.

1. KI-Tool-Inventar erstellen: Listen Sie alle KI-Tools auf, die in Ihrem Marketing-Workflow aktiv sind.
2. Anbieter befragen: Fordern Sie von jedem Anbieter Informationen zu Datenannotation, Arbeitsbedingungen und Subunternehmer-Ketten an.
3. Risikobewertung durchführen: Bewerten Sie jedes Tool nach Reputationsrisiko, regulatorischem Risiko und Preisrisiko.
4. Alternativen identifizieren: Prüfen Sie, welche Anbieter transparente Lieferketten nachweisen können.
5. Kommunikationsstrategie anpassen: Integrieren Sie Ihre KI-Nutzungsstandards in die externe Markenkommunikation.

Hybride Workflows bewusst gestalten statt verschleiern

„KI-generierter Content" ist nie rein maschinell. Diese Erkenntnis verändert die Bewertung von Qualität und Verantwortung in der Content-Strategie. Wer hybride Workflows – also die Kombination aus menschlicher Expertise und KI-Unterstützung – bewusst gestaltet und transparent kommuniziert, positioniert sich glaubwürdiger als Unternehmen, die den menschlichen Anteil verschleiern.

Die Parallele zur eigenen Organisation liegt auf der Hand: Wenn globale KI-Unternehmen die menschliche Arbeit hinter ihren Produkten unsichtbar machen, sollten Marketing-Teams den umgekehrten Weg gehen. Benennen Sie, wo KI unterstützt und wo Menschen entscheiden. Das schafft Vertrauen bei Kunden, Partnern und der eigenen Belegschaft. Ein KI-Workflow, der menschliche Expertise sichtbar macht, ist langfristig belastbarer als einer, der Automatisierung vortäuscht.

Hinweis: Die EU-Plattformarbeitsrichtlinie 2024/2831 wird ab 2026 schrittweise umgesetzt. Unternehmen, die KI-Tools mit intransparenten Lieferketten einsetzen, tragen ein wachsendes regulatorisches Risiko.

Häufig gestellte Fragen

Was bedeutet unsichtbare Arbeit im Kontext von KI-Infrastruktur?

Unsichtbare Arbeit bezeichnet die menschliche Zuarbeit – Datenannotation, RLHF, Content-Moderation –, die KI-Systeme funktionsfähig macht, aber von Plattformen und Anbietern systematisch verborgen wird. Mehrere Millionen Menschen weltweit verrichten diese Arbeit unter prekären Bedingungen.

Wie groß ist der Markt für Datenannotation und Microtasking?

Der globale Datenannotationsmarkt umfasst 8,2 bis 15,1 Milliarden USD Umsatz (2024). Der Microtasking-Markt wächst von 5,1 Milliarden USD (2025) auf prognostizierte 14,6 Milliarden USD (2030) – eine jährliche Wachstumsrate von 23,4 %.

Welche Risiken entstehen für Unternehmen, die KI-Tools im KI-Workflow einsetzen?

Drei Risikokategorien: Reputationsrisiko durch Assoziation mit ausbeuterischen Arbeitsbedingungen, regulatorisches Risiko durch die EU-Plattformarbeitsrichtlinie 2024/2831 und Preisrisiko durch steigende Datenannotationskosten, die KI-Tool-Preise mittelfristig erhöhen werden.

Wie können Marketing-Teams die Lieferkette ihrer KI Content Produktion prüfen?

Fragen Sie Ihre KI-Tool-Anbieter konkret nach Annotationsstandorten, Vergütungsmodellen, Subunternehmer-Strukturen und arbeitsrechtlichem Status der Datenarbeiter. Dokumentieren Sie die Antworten und bewerten Sie jedes Tool nach Transparenzgrad und Risikopotenzial.

Werden KI-Tools durch steigende Arbeitskosten teurer?

Ja. Die Datenannotationskosten wachsen mit einer CAGR von 23,4 %. Zusätzlich erhöht die EU-Regulierung den Druck auf faire Arbeitsbedingungen. Beide Faktoren werden die Betriebskosten von KI-Anbietern steigern und sich in den Tool-Preisen niederschlagen – voraussichtlich mit jährlichen Steigerungen von 15–25 % in den nächsten drei bis fünf Jahren.

Quellen:

¹ Stanford University (2025): AI Index Report 2025. URL: https://hai.stanford.edu/ai-index/2025-ai-index-report (Zugriff am 25.05.2026).

² GIZ / Aapti Institute (2026): Invisible Workers, Visible Harms: Perils and Precarities of AI Labour. URL: https://www.bmz-digital.global/wp-content/uploads/2026/02/GIZ_2026_InvisibleWorkersVisibleHarms-1.pdf (Zugriff am 25.05.2026).

³ Nemer, D. / Sobral, V. (2025): Artificial Intelligence as Heteromation: The Human Infrastructure Behind the Machine. In: AI & Society, Springer. URL: https://link.springer.com/article/10.1007/s00146-025-02664-5 (Zugriff am 25.05.2026).

⁴ Research and Markets (2025): Microtasking Market Forecasts Report 2025–2030. URL: https://uk.finance.yahoo.com/news/microtasking-market-forecasts-report-2025-091300646.html (Zugriff am 25.05.2026).

⁵ Oxford Economics / Scale AI (2025): Impact of Data Annotation. URL: https://static.scale.com/uploads/6691558a94899f2f65a87a75/Oxford%20Economics_%20Impact%20of%20Data%20Annotation%20%20Dec%202025.pdf (Zugriff am 25.05.2026).

⁶ AWU-CWA / TechEquity (2025): Ghost Workers in the AI Machine. URL: https://cwa-union.org/ghost-workers-ai-machine (Zugriff am 25.05.2026).