Ein Experiment aus den USA löst eine hitzige Debatte aus: Werden Frauen auf LinkedIn systematisch benachteiligt – oder zeigt der Fall nur, wie tief Gender-Bias in unserem eigenen Verhalten verwurzelt ist? Ein Klick genügte, um die Diskussion weltweit zu entfachen.
Ein Mausklick, der alles verändert: Aus Lucy wird Luke
Am 16. November entscheidet sich die US-Nutzerin Lucy für ein ungewöhnliches Selbstexperiment. Sie ändert in ihrem LinkedIn-Profil ein paar Details: aus der Frau mit blondem Bob wird „Luke“, ein männliches Profil. Die Inhalte bleiben dieselben, der Ton bleibt der gleiche – nur das ersichtliche Geschlecht wechselt.
Das Ergebnis ist dramatisch.
Innerhalb von 24 Stunden erreicht Lukes neuer Beitrag achtmal so viele Menschen wie Lucys vergleichbarer Post zuvor in einem gesamten Monat. Die Reichweite explodiert laut ihrer eigenen Darstellung um über 800 Prozent.
Lucy deckt das Experiment wenig später auf – und entfacht damit eine Diskussion, die weit über ihre persönliche Erfahrung hinausgeht.
#wearthepants: Ein Hashtag wird zur Protestbewegung
Zahlreiche Nutzerinnen und Nutzer – in den USA und zunehmend auch in Deutschland – probieren das gleiche Experiment aus. Unter dem Hashtag #wearthepants teilen sie ihre Erfahrungen. Viele berichten ebenfalls von massiv steigender Reichweite, sobald sie in ihren Profilen Männerrollen vortäuschen.
Für viele ein klares Indiz: Auf LinkedIn erhalten männlich gelesene Accounts mehr Sichtbarkeit, Reichweite und Interaktionschancen.
Doch so einfach ist es nicht.
LinkedIn widerspricht – und verweist auf KI ohne Geschlechterwissen
LinkedIn selbst weist die Vorwürfe zurück.
Tim Jurka, einer der Entwickler des Feeds, erklärt bereits im Sommer, das System basiere auf KI-Modellen, die keine demografischen Informationen wie Geschlecht oder Hautfarbe kennen.
Stattdessen reagiere der Algorithmus auf „Signale“ wie:
– Interaktionen
– thematische Relevanz
– Netzwerkverhalten
– Posting-Frequenz
– Reaktionen früherer Inhalte
Auch Sakshi Jain, Leiterin der Abteilung Responsible AI, betont: Die Modelle würden regelmäßig auf Neutralität überprüft.
Doch diese technische Erklärung liefert keine zufriedenstellende Antwort darauf, warum vermeintlich männliche Profile plötzlich durch die Decke gehen.
Wenn nicht die KI diskriminiert – tun wir es selbst?
Einige Expertinnen glauben, dass nicht der Algorithmus das eigentliche Problem ist – sondern die Menschen, die ihn füttern. Die Beraterin Geri Stengel schreibt, Algorithmen bräuchten gar keine Geschlechtsdaten, um Bias nachzubilden. Es reiche, menschliches Verhalten zu lernen:
– Wer klickt häufiger auf welche Profiltypen?
– Welche Sprache erzeugt mehr Vertrauen?
– Welche Persönlichkeitsmerkmale werden positiv wahrgenommen?
Wenn Männer in bestimmten Kontexten mehr Beachtung erhalten, kann eine KI automatisch solche Muster verstärken – ohne zu „wissen“, dass es sich um Männer handelt.
Das wirft eine grundsätzliche Frage auf: Spiegelt der Algorithmus nur unsere eigenen unbewussten Vorurteile?
Welche Sprache belohnt der Feed – und wen benachteiligt sie?
LinkedIn-Nutzerin und Marketing-Trainerin Sabrina Walter-Ewert fasst das Problem treffend zusammen: Für sie sei weniger die Frage wichtig, ob LinkedIn „sexistisch“ sei, sondern welche Sprach- und Verhaltensmuster der Feed bevorzugt:
– mehr Dominanz?
– mehr Selbstbewusstsein?
– bestimmte Schlüsselwörter?
– bestimmtes Auftreten?
Wenn bestimmte Kommunikationsstile häufiger mit „männlich“ assoziiert werden und der Algorithmus genau diese Stile belohnt, entsteht struktureller Bias – selbst wenn das Geschlecht technisch keine Rolle spielt.
Walter-Ewert kündigt an, das Experiment selbst durchzuführen.
Was bedeutet das für unsere digitale Arbeitswelt?
Der Vorfall zeigt, wie komplex das Thema Gleichberechtigung im Internet geworden ist. KI-Feeds entscheiden zunehmend, wer sichtbar wird, wessen Stimme Reichweite erhält und wer berufliche Chancen bekommt.
Wenn dabei alte Muster unbewusst verstärkt werden, stellt sich die Frage:
Wie fair kann ein digitaler Arbeitsmarkt sein, der auf menschlichen Reaktionen basiert?
Eines macht das Experiment eindeutig klar:
Die Diskussion um Gender Bias endet nicht beim Menschen – sie beginnt gerade erst im Algorithmus.
