Der Algorithmus als Redakteur unserer Welt

Es ist 7:14 Uhr. Zwei Menschen stehen in derselben Straßenbahn, nur wenige Meter voneinander entfernt, und beide öffnen ihr Telefon. Der erste sieht innerhalb von fünf Minuten einen Angriff auf offener Straße, einen politischen Streit, eine wirtschaftliche Bedrohung und ein Video, das beweist, die „Welt sei völlig verrückt geworden“.

Der zweite sieht eine Französische Bulldogge, ein neues KI-Werkzeug, einen günstigen Flug und die kurze Geschichte eines Menschen, der seine berufliche Laufbahn verändert hat.

Keiner dieser Beiträge muss falsch sein.

Und dennoch können beide nach einigen Wochen eine völlig andere Vorstellung davon mitnehmen, wie die Welt beschaffen ist, womit sich Menschen beschäftigen, wovor wir Angst haben sollten und wohin sich die Gesellschaft bewegt.

Den Unterschied haben nicht nur die Fakten erzeugt.

Sondern ihre Auswahl.

Ein Empfehlungsalgorithmus ist kein Chefredakteur im menschlichen Sinn. Er besitzt weder Überzeugungen noch Gewissen oder eine eigene politische Meinung. Funktional übernimmt er jedoch mehrere Tätigkeiten, die während des größten Teils der Geschichte Redakteuren vorbehalten waren: Er wählt Kandidaten aus, ordnet sie, wiederholt manche, schiebt andere beiseite und zeigt die große Mehrheit überhaupt nicht.

Und er tut das für jeden Menschen einzeln.

Der Redakteur, den niemand ernannt hat

Eine traditionelle Redaktion arbeitet mit begrenztem Raum. Auf eine Titelseite passen nur einige Meldungen, in eine Abendsendung nur einige Dutzend Minuten. Ein Redakteur entscheidet deshalb, was wichtig, aktuell, glaubwürdig oder interessant ist.

Eine digitale Plattform hat das umgekehrte Problem: Inhalte sind nicht knapp. Es gibt zu viele davon.

Ohne Auswahl wären ein soziales Netzwerk, ein Videoportal oder ein Onlineshop nicht benutzbar. Das Empfehlungssystem ist daher kein Zusatz. Es ist die grundlegende Infrastruktur der Aufmerksamkeit.

TikTok beschreibt offiziell, dass der For-You-Feed Videos anhand einer Kombination von Signalen ordnet, darunter Nutzerinteraktionen, Informationen zum Video und bestimmte Kontoeinstellungen. Das vollständige Ansehen eines längeren Videos kann ein stärkeres Signal sein als etwa das gemeinsame Land von Zuschauer und Urheber.¹

YouTube nennt entsprechend den Wiedergabe- und Suchverlauf, Abonnements, Likes, Dislikes, die Auswahl „Kein Interesse“ sowie Zufriedenheitsumfragen. Die Startseite stützt sich vor allem auf den Wiedergabeverlauf, während die Empfehlung „Als Nächstes“ stark von dem Video abhängt, das ein Mensch gerade ansieht.²

Die Einzelheiten unterscheiden sich von Plattform zu Plattform. Die Grundlogik ist jedoch ähnlich:

Aus einer gewaltigen Zahl von Möglichkeiten abzuschätzen, was für einen bestimmten Menschen in einem bestimmten Augenblick mit der höchsten Wahrscheinlichkeit relevant sein wird.

Der Algorithmus weiß nicht, was wichtig ist

Eine Maschine kann keinen unbestimmten Satz wie diesen optimieren:

„Zeige einem Menschen, was für sein Leben langfristig am wichtigsten ist und zugleich der Gesellschaft nützt.“

Zunächst müsste jemand entscheiden, was „wichtig“, „nützlich“ und „langfristig“ bedeutet. Anschließend müssten diese Werte in messbare Signale übersetzt werden.

Genau hier entsteht einer der größten Unterschiede zwischen einem menschlichen und einem maschinellen Ziel.

Wahrheit ist ein Wert.

Glaubwürdigkeit ist ein Wert.

Psychisches Wohlbefinden ist ein Wert.

Pluralität ist ein Wert.

Für ein Modell muss daraus jedoch eine Zahl, eine Kategorie, eine Prognose oder eine Regel werden.

Das bedeutet nicht, dass Plattformen ausschließlich Zeit oder Klickzahlen optimieren. Heutige Systeme verwenden mehrere Signale, darunter Feedback, Sicherheit und erklärte Zufriedenheit. Dennoch arbeiten sie stets mit messbaren Stellvertretergrößen.

Ein zu Ende angesehenes Video ist nicht dasselbe wie ein wertvolles Video.

Ein Kommentar ist nicht dasselbe wie Zustimmung.

Langes Innehalten ist nicht immer Interesse. Es kann Schock, Ablehnung oder der Versuch sein zu begreifen, was man gerade sieht.

Für das System ist jedoch jedes beobachtbare Verhalten eine Spur.

Der Algorithmus lernt von Ihnen. Sie lernen vom Algorithmus.

Personalisierung wird häufig als einseitiger Prozess beschrieben:

Sie haben Interessen → das System erkennt sie → es zeigt Ihnen passende Inhalte.

Tatsächlich wirkt die Beziehung in beide Richtungen.

Der Algorithmus beobachtet, was Sie tun. Danach verändert er das nächste Angebot. Das neue Angebot beeinflusst, worauf Sie achten. Ihre neue Reaktion wird zum nächsten Signal. Und der Zyklus setzt sich fort.

Bleiben Sie einmal bei einem Video über einen Kriminalfall stehen, kann das System ein weiteres ausprobieren. Bleiben Sie erneut stehen, erhält die Kategorie mehr Gewicht. Nach einer Woche kann der Feed wirken, als sei Kriminalität zum Hauptthema der Gesellschaft geworden.

Vielleicht hat sich die Gesellschaft nicht verändert.

Verändert hat sich die Wahrscheinlichkeit, dass gerade Sie dieses Thema erhalten.

Dieser zweite Effekt wird häufig übersehen.

Der Algorithmus ist nicht nur Redakteur bereits fertiger Inhalte. Nach und nach beeinflusst er auch, welche Inhalte überhaupt entstehen.

Offizielle TikTok-Empfehlungen für Urheber wiesen beispielsweise offen darauf hin, dass die Wiedergabedauer in Empfehlungen einfließt und es vorteilhaft ist, die Aufmerksamkeit vom Anfang bis zum Ende zu halten.¹ Das ist ein vernünftiger Rat. Zugleich ist es ein kultureller Anreiz.

Wenn ein schneller Hook funktioniert, entstehen mehr schnelle Hooks.

Wenn Konflikt Reaktionen erzeugt, entsteht mehr Konflikt.

Wenn Nuance das Tempo verringert, kann sie gekürzt werden – nicht weil sie falsch ist, sondern weil sie im Wettbewerb um anhaltende Aufmerksamkeit verliert.

Der größte Eingriff ist das, was wir nicht sehen

Veröffentlicht ein Redakteur eine tendenziöse Überschrift, können wir sie kritisieren.

Bei einem algorithmischen Feed bleibt ein Teil der Redaktion unsichtbar.

Wir wissen nicht, wie viele alternative Beiträge an derselben Stelle hätten stehen können. Wir sehen den Artikel nicht, der einige Punkte weniger erhielt. Wir wissen nicht, dass einem anderen Menschen im selben Augenblick die gegenteilige Deutung desselben Ereignisses angeboten wurde.

Gerade Abwesenheit lässt sich am schwersten analysieren.

Wir können einem Argument nicht widersprechen, das uns nie erreicht hat.

Wir können einen Irrtum nicht korrigieren, von dessen Existenz wir nichts wissen.

Wir können nicht bemerken, dass ein Thema keine gesamtgesellschaftliche Obsession ist – sondern lediglich unseren eigenen Feed dominiert.

Das ähnelt der klassischen Idee des Agenda-Settings in den Medien: Medien müssen Menschen nicht unmittelbar sagen, was sie denken sollen; sie können erheblich beeinflussen, worüber sie nachdenken. Der personalisierte Feed führt diese Logik weiter, weil die Agenda nicht mehr gemeinsam sein muss.

Die Blase ist nicht allein das Werk des Algorithmus

Die Erzählung vom „bösen Algorithmus“ hat einen Vorteil: Sie lässt uns unschuldig erscheinen.

Doch Menschen wählten bereits lange vor sozialen Netzwerken gleichgesinnte Freunde, Zeitungen und Gemeinschaften. Wir folgen Konten, die uns interessieren. Wir klicken auf Themen, die unsere Befürchtungen oder unsere Identität bestätigen. Gegner können wir blockieren. Unbequeme Meinungen überspringen.

Der Algorithmus erschafft Präferenzen daher häufig nicht aus dem Nichts. Er verstärkt, verfeinert und automatisiert eine Auswahl, an der der Nutzer selbst beteiligt ist.

Eine große, 2023 in Nature veröffentlichte Facebook-Studie stellte fest, dass der Großteil der Inhalte, die erwachsene US-Nutzer sahen, aus politisch ähnlich ausgerichteten Quellen stammte, obwohl politische und nachrichtenbezogene Inhalte nur einen kleinen Teil der Gesamtexposition ausmachten. Eine experimentelle Verringerung von Inhalten aus ähnlich ausgerichteten Quellen um etwa ein Drittel veränderte die Zusammensetzung des Feeds, führte aber bei acht vorab festgelegten Indikatoren für Einstellungen und Polarisierung zu keinen messbaren Veränderungen.³

Ein verwandtes Experiment mit chronologischem Feed auf Facebook und Instagram während der US-Wahl 2020 veränderte ebenfalls erheblich, was Menschen sahen und wie sie die Plattformen nutzten, fand jedoch keine nachweisbaren Veränderungen der untersuchten politischen Einstellungen.⁴

Das ist eine wichtige Bremse für die einfache Behauptung:

„Man muss nur den Algorithmus abschalten, dann hört die Gesellschaft auf, sich zu polarisieren.“

Das genügt nicht.

Aus diesen Studien folgt aber auch nicht der gegenteilige Schluss, Algorithmen hätten keine politischen oder gesellschaftlichen Wirkungen. Sie untersuchten bestimmte Plattformen, bestimmte Eingriffe, bestimmte Zeiträume und bestimmte Ergebnisse.

Warum Studien einander scheinbar widersprechen

2026 erschien in Nature eine unabhängige randomisierte Studie zum algorithmischen Feed auf X. Aktive Nutzer in den USA wurden sieben Wochen lang einem algorithmischen oder einem chronologischen Feed zugewiesen.

Die Aktivierung des algorithmischen Feeds erhöhte das Engagement und verschob bestimmte Einstellungen zu politischen Prioritäten und aktuellen Ereignissen in konservativer Richtung. Zugleich fand die Studie keine signifikante Veränderung der erklärten Parteizugehörigkeit oder der affektiven Polarisierung.⁵

Im selben Jahr veröffentlichte Nature ein TikTok-Audit zur US-Wahl 2024. Die Forschenden führten 323 Audit-Experimente mit kontrollierten Konten durch und sammelten mehr als 280.000 Empfehlungen. Sie fanden systematische Asymmetrien in der politischen Exposition zwischen Konten, die zuvor mit demokratischen beziehungsweise republikanischen Inhalten „trainiert“ worden waren.⁶

Dieses Audit maß jedoch nicht, ob sich die Ansichten realer Menschen änderten. Außerdem weisen die Autoren ausdrücklich darauf hin, dass sich anhand der Daten nicht genau bestimmen lässt, ob die beobachtete Differenz durch Regeln des Algorithmus, das Angebot verfügbarer Inhalte oder einen anderen Teil des Systems verursacht wurde.

Ein weiteres, 2025 in Science veröffentlichtes Feldexperiment sortierte Beiträge auf X in Echtzeit danach neu, ob sie antidemokratische Haltungen und parteipolitische Feindseligkeit ausdrückten. Eine höhere oder geringere Exposition gegenüber solchen Inhalten verschob die Bewertung der politischen Gegenseite um mehr als zwei Punkte auf einer hundertstufigen Skala.⁷

Es braucht keinen geheimen Plan

Der Algorithmus muss die Gesellschaft nicht „polarisieren wollen“.

Es muss keinen Menschen geben, der den Befehl erteilt hat:

„Zeige jedem eine extremere Welt.“

Eine systematische Wirkung kann auch ohne systematisch böse Absicht entstehen.

Es genügt ein Ziel, das in einer bestimmten Umgebung auf menschliche Psychologie, das Inhaltsangebot und ein Geschäftsmodell trifft. Wenn eine Art von Beitrag zuverlässiger Aufmerksamkeit oder Interaktion auslöst, kann sie mehr Verbreitung erhalten, obwohl ihre gesellschaftliche Wirkung nie ausdrücklich das Ziel war.

Ebenso wichtig ist es, die andere Seite anzuerkennen.

Personalisierung ist nicht an sich schlecht.

Sie hilft, kleine Urheber, Fachmaterialien, Musik, Gemeinschaften, Arbeitsmöglichkeiten oder Themen zu entdecken, die in einem chronologischen Ozean niemals auf dem Bildschirm erschienen wären. TikTok selbst räumt in seiner Erklärung das Risiko einer homogenen „Filterblase“ ein und beschreibt Eingriffe, die vielfältigere Inhalte einfügen und sich wiederholende Muster unterbrechen sollen.¹

Die Frage lautet daher nicht:

„Algorithmus: ja oder nein?“

Sondern:

„Nach welchen Werten redigiert er, was wissen wir über diese Redaktion, und wie viel Kontrolle besitzen wir darüber?“

Europa beginnt, eine andere Art der Redaktion zu verlangen

Der europäische Digital Services Act – das Gesetz über digitale Dienste, kurz DSA – behandelt Empfehlungssysteme als Angelegenheit öffentlichen Interesses und nicht bloß als internes Produktgeheimnis.

Sehr große Online-Plattformen und Suchmaschinen müssen Transparenz über ihre Empfehlungssysteme schaffen, systemische Risiken bewerten, geprüften Forschenden unter bestimmten Bedingungen Zugang gewähren und mindestens eine Empfehlungsoption anbieten, die nicht auf Nutzerprofiling beruht.⁸

Im Zusammenhang mit der europäischen Umsetzung des DSA kündigte TikTok an, dass sich Personalisierung abschalten lässt; sein nicht personalisierter For-You-Feed arbeitet dann mit populären Inhalten aus der Region und der Welt, während die Feeds gefolgter Konten chronologisch geordnet werden.⁹

Doch auch ein „nicht personalisierter“ Feed ist nicht ohne Redakteur.

Popularität ist ein Redakteur.

Chronologie ist ein Redakteur.

Die Auswahl gefolgter Konten ist ein Redakteur.

Der Unterschied besteht darin, ob ein Mensch das Auswahlprinzip kennt und zwischen verschiedenen Prinzipien wechseln kann.

Wie wir einen Teil der Redaktion zurückgewinnen

Für die meisten Menschen ist es unrealistisch, die algorithmische Umgebung vollständig zu verlassen – und häufig auch gar nicht wünschenswert.

Sehr viel praktischer ist es, den Feed nicht länger für ein neutrales Fenster zu halten.

TikTok ermöglicht es, den Feed zurückzusetzen, „Kein Interesse“ zu verwenden, Themen zu verwalten und Schlüsselwörter zu filtern. YouTube erlaubt das Löschen oder Deaktivieren des Verlaufs und verändert damit die Grundlage der Personalisierung erheblich.² Diese Werkzeuge sind nicht vollkommen, erinnern aber an etwas Wichtiges:

Der Nutzer ist nicht nur Publikum. Er ist auch eine Quelle redaktioneller Signale.

Die Welt passt nicht in einen Feed

Der Algorithmus löst ein reales Problem.

Aus Millionen Möglichkeiten muss er einige wenige auswählen.

Ohne ihn würden wir uns im digitalen Raum verlieren.

Doch jede Vereinfachung der Welt ist zugleich ihre Interpretation.

Reihenfolge erzeugt Wichtigkeit.

Wiederholung erzeugt Normalität.

Auslassung erzeugt Unsichtbarkeit.

Personalisierung erzeugt das Gefühl, dass alle häufig sehen, was ich häufig sehe.

Die größte Gefahr muss daher nicht darin liegen, dass der Algorithmus Menschen eine bestimmte Meinung unmittelbar in den Kopf setzt.

Eine sehr viel subtilere Macht besitzt er in dem Augenblick, in dem er jedem eine andere Liste von Fragen zusammenstellt, über die dieser nachdenken wird.

Wir müssen Algorithmen nicht dämonisieren.

Wir müssen endlich anfangen, sie als das zu betrachten, was sie funktional sind:

redaktionelle Systeme mit Zielen, blinden Flecken und Folgen.