Ä4 zu A2: Künstliche Intelligenz

Positionspapier: Künstliche Intelligenz

Künstliche Intelligenz (KI) ist inzwischen Teil unseres Alltags geworden. Large
Language Models (LLMs) [A] wie ChatGPT oder KI-basierte Bild- und
Videogeneratoren sind heute für viele Menschen leicht zugänglich und eröffnen
neue Möglichkeiten. Gleichzeitig geraten die ökologischen und gesellschaftlichen
Folgen von KI-Entwicklung und -Nutzung oft in den Hintergrund.

Ethik und Soziales

Arbeitsmarkt und soziale Ungleichheit

Der zunehmende Einsatz von KI-Systemen [B] wird den Arbeitsmarkt verändern, was
vor allem Tätigkeiten mit hohem Anteil digitaler und sprachlich strukturierter
Aufgaben von Automatisierung bedroht [1]. Arbeitsplatzverluste oder sinkende
Vergütung können dabei soziale Ungleichheiten verstärken. Um dieser Entwicklung
entgegenzuwirken, sind angepasste rechtliche Rahmenbedingungen und
Arbeitsstrukturen erforderlich [2].

Klickarbeiter*innen und Data-Worker*innen spielen eine zentrale Rolle im Betrieb
vieler KI-Systeme, indem sie diese Systeme trainieren, bewerten und mit
relevanten Daten versorgen. Ihre Arbeitsbedingungen sind häufig prekär und durch
geringe Entlohnung, hohen Leistungsdruck ohne garantierte Arbeitsrechte und
soziale Absicherung sowie teilweise psychisch belastende Tätigkeiten geprägt
[3]. Diese Form an global ungleich verteilter digitaler Arbeit kann als
‚digitaler Kolonialismus‘ [C] bezeichnet werden [4].

Jobs für Berufseinsteiger*innen sind besonders anfällig für Automatisierung
durch KI-Systeme. Zwischen 2022 und 2025 konnten deutliche Rückgänge an
Beschäftigungen junger Menschen, in besonders betroffenen Bereichen von bis zu
16 %, beobachtet werden [5]. Stimmen in der KI-Industrie halten langfristig den
Verlust von bis zu 50 % der Bürojobs realistisch [6].

Datenschutz und Urheberrecht

Die Anwendung der Datenschutz-Grundverordnung (DSGVO) auf KI-Systeme wirft
aufgrund umfangreicher und teilweise intransparenter Datenmengen
Herausforderungen auf. Insbesondere können die Verarbeitung von
personenbezogenen Informationen intransparent sein [7] und die wirksame
Wahrnehmung von Betroffenenrechten erschwert werden [8].

Generative KI-Systeme [D] werden teilweise mit urheberrechtlich geschützten
Werken trainiert, ohne dass vorher die Zustimmung der Urheber*innen vorliegt.
Dies kann insbesondere für freischaffende Künstler*innen problematisch sein, da
ihre Werke potenziell Grundlage für konkurrierende Produkte werden [9]. Zudem
erschweren täuschend echte KI-generierte Inhalte die Unterscheidung zwischen
Original und Reproduktion, was die Marktposition von Künstler*innen schwächt.

Diskriminierung und Inklusion

KI-Systeme können Verzerrungen (Bias) aus ihren Trainingsdaten übernehmen und
dadurch diskriminierenden Entscheidungen oder Ergebnisse begünstigen [10].
Besonders betroffen sind marginalisierte Gruppen, die bereits gesellschaftlich-
strukturellen Benachteiligungen ausgesetzt sind [11].

Bildung und Kompetenzen

Für einen verantwortungsvollen Umgang mit KI-Systemen ist ein grundlegendes
Verständnis ihrer Funktionsweise und Grenzen notwendig. Ein derzeit bestehender
Mangel an digitaler und technischer Bildung erschwert jedoch die kritische
Bewertung algorithmischer Systeme [E] und kann das Risiko erhöhen, dass
Desinformationen nicht erkannt und bestehende soziale Ungleichheiten verstärkt
werden [12].

Zudem kann die ständige Verfügbarkeit KI-generierter Antworten eigenständiges
Denken, kritische Reflexion und aktive Wissensaneignung beeinträchtigen [13].
Häufig werden KI-Systeme als vermeintlich neutrale und objektive Instanzen
wahrgenommen [14]. Dabei bleibt unberücksichtigt, dass diese auf von Menschen
ausgewählten und geprägten Daten beruhen [15].

Desinformation und Machtmissbrauch

Generative KI-Systeme wie LLMs können überzeugend wirkende, jedoch inhaltlich
fehlerhafte oder erfundene Inhalte erzeugen und so zur Verbreitung von
Fehlinformationen [F] beitragen [16]. Werden KI-generierte Inhalte in großem
Umfang und ohne ausreichende Kontrolle als Trainingsdaten für nachfolgende
Modelle verwendet, kann dies zu einer Verschlechterung der Modellqualität führen
und einen Kreislauf aus Informationsverlust und Verzerrung erzeugen
(‚model collapse‘) [17]. Ein ähnliches Phänomen stellt die massenhafte
Verbreitung von sogenanntem KI-Slop [G] dar, bei welchem digitale
Informationsräume (bspw. soziale Medien [18] [19], Webseiten [20], E-Book-
Plattformen [21]) mit massenhaft produzierten, redundanten, qualitativ
minderwertigen oder irreführenden KI-generierten Inhalten gefüllt werden [22].

Darüber hinaus können generative KI-Systeme zur Erstellung und Verbreitung von
Desinformation [H], Hatespeech [I] und zur (gezielten) Beeinflussung eingesetzt
werden [23]. Eine besondere Rolle spielen dabei Deepfakes [J]: Diese Inhalte
imitieren reale Personen täuschend echt oder erzeugen realistisch wirkende, aber
fiktive Personen, und werden gezielt zur Diskreditierung, für Betrug oder zur
Desinformation eingesetzt. Besonders häufig werden sie zur Erstellung nicht
einvernehmlicher pornografischer Inhalte missbraucht, wobei überwiegend Frauen
betroffen sind [24]. Mit wachsender Qualität und Verbreitung können Deepfakes
zunehmend schwer von realen Inhalten zu unterscheiden sein. Die zunehmende
Verbreitung von Deepfakes kann damit die Verlässlichkeit des öffentlichen
Informationsraums beeinträchtigen und eine Herausforderung für das Vertrauen in
demokratische Prozesse und journalistische Medien darstellen [25].

Soziale Folgen

Die zunehmende Nutzung von KI-Systemen kann direkte zwischenmenschliche
Interaktionen beeinflussen oder gar ersetzen. Insbesondere KI-gestützte Chatbots
können emotionale Bindungen erzeugen, die in Fällen intensiver und
problematischer Nutzung zu sozialer Einsamkeit [26] und einer Abnahme von
Fähigkeiten der Empathie und Konfliktlösung beitragen [27]. Darüber hinaus
können starke emotionale Abhängigkeiten von KI-basierten Sprachmodellen
entstehen [28].

Generative KI-Systeme, vor allem LLMs, tendieren dazu, bestehende Überzeugungen
zu bestätigen oder zu verstärken [29] und können damit Filterblasen-Effekte [K]
fördern [30]. Kognitive Verzerrungen [L] in den Eingaben von Nutzer*innen, etwa
der Bestätigungsfehler [M] oder die Verfügbarkeitsheuristik [N], können die KI-
generierten Ergebnisse beeinflussen [31]. Werden Ausgaben zusätzlich
personalisiert, steigt die Gefahr selektiver Informationsdarstellung [30]. Diese
Prozesse können politische Polarisierung begünstigen [32].

Klima und Umwelt

Energieverbrauch und Emissionen

Bei der Ressourcennutzung ist zwischen der Trainings- und Nutzungsphase von KI-
Systemen zu unterscheiden. Die Verarbeitung einer Textanfrage bei ChatGPT
benötigt etwa 2,9 Wh [33], eine Bildgenerierung benötigt je nach Modell zwischen
0,86 bis 4,8 Wh [34]. Eine klassische Google-Suchanfrage im Vergleich benötigt
0,3 Wh [33].

Besonders energieintensiv ist das Training von KI-Systemen, welches je nach
Modell mehrere hundert bis über tausend MWh (z. B. 433 mWh für BLOOM, 1.287 MWh
für GPT-3) benötigt [35]. Nach Schätzungen benötigten Rechenzentren für KI-
Systeme im Jahr 2024 weltweit etwa 415 TWh [36]. Das entspricht ungefähr dem
jährlichen Energieverbrauch Deutschlands [37].

Der hohe Energiebedarf führt zudem zu erheblichen Treibhausgasemissionen. In der
EU wurden 2023 für jede erzeugte kWh durchschnittlich 207.1 g CO2e produziert,
in Deutschland waren es im Schnitt 320 g CO2e [38]. Für das KI-Modell BLOOM
wurden beispielsweise während der Trainingsphase 24,7 t CO2e allein durch den
Energieverbrauch verursacht. Unter Berücksichtigung aller Prozesse wie der
Bauteileproduktion waren es 50,5 t CO2e [39].

Wasserverbrauch

Der Betrieb von Rechenzentren erfordert große Mengen an Wasser zur Kühlung von
u. a. Servern [40]. Ein Großteil des Wassers verdunstet im Prozess. Allein das
Training von GPT-3 verbrauchte in der Rechenzentrumskühlung 700.000 Liter
Wasser. Der komplette Trainingsprozess inklusive der Erzeugung des benötigten
Stroms benötigte 5,4 Millionen Liter Wasser. Auch die Nutzung verursacht
indirekt Wasserverbrauch: Eine Anfrage an GPT-3 mit 10 bis 50 (je nach Standort
und Kühlung) mittellangen Antworten verbraucht etwa 500 mL Wasser [41].

Energiepolitische Folgen

Die zunehmende Nutzung von KI sorgt für ein erneutes Interesse einiger
Unternehmen an Atomenergie, um dadurch die steigenden hohen Energieanforderungen
zu decken [42][43]. Die NAJU spricht sich konsequent gegen Atomkraft als
Energiequelle aus, da sie weder sicher noch nachhaltig oder generationengerecht
ist (vgl. Positionspapier Atomkraft). Statt auf Atomkraft zu setzen, muss der
zusätzliche Bedarf durch den konsequenten Ausbau erneuerbarer Energien und mehr
Effizienz gedeckt werden.

Umgang mit KI innerhalb der NAJU

Auch innerhalb der NAJU wollen wir verantwortungsvoll mit KI umgehen. Dafür gelten für uns folgende Grundsätze:

1. Die Verantwortung bleibt bei uns: Für Inhalte (Texte, Bilder, Videos, etc.) die innerhalb oder für die NAJU mit KI-Unterstützung oder durch KI entstehen, übernehmen wir die inhaltliche Verantwortung und prüfen sie vor der Veröffentlichung auf Richtigkeit.

2. Keine Personenbezogenen Daten in KI-Tools: Personenbezogene und sensible Daten (wie Namen, Adressen, ect.) geben wir grundsätzlich nicht in KI-Anwendungen ein. Ist die Nutzung solcher Daten unumgänglich, setzen wir ausschließlich anonymisierte, pseudonomisierte oder Testdaten ein.

3. Bewusste Nutzung: Wir setzen KI gezielt nur dann in Anwendungsfällen ein, in denen sie einen klaren Mehrwert bietet.

Gesellschaftliche Appelle

Als Jugendumweltverband verstehen wir die verantwortungsvolle und umweltbewusste
Nutzung als notwendigen Umgang mit künstlicher Intelligenz in jeglicher Form.
Daher appelliert die NAJU an die Gesellschaft, ...

... Eigenverantwortung im verantwortungsvollen Umgang mit KI zu zeigen.

... Transparenz in der Datennutzung (z. B. die Verwendung von KI-Tools in der
direkten Arbeit mit personenbezogenen Daten öffentlich und deutlich kennzeichnen
sowie in der Datenschutzerklärung verankern) zu gewährleisten.

... das Thema "Umgang mit KI" weiter zu tragen sowie das eigene Umfeld für das
Thema zu sensibilisieren.

... bestmöglich die Verwendung von KI-generierten Inhalten (z. B. für
Printmedien und Social-Media-Kanäle) zu vermeiden.

Unsere Forderungen an die Politik

Aus Sicht der NAJU ist es dringend notwendig, dass die Bundesregierung die
Weichen für eine nachhaltige und verantwortungsvolle KI-Nutzung stellt. Wir
fordern daher...

1. eine Gesetzgebung, die Anbieter*innen von KI-Systemen verpflichtet, diese
Systeme sowie KI-bezogene Infrastruktur langfristig klimaneutral und
ressourcenschonend zu betreiben, sowie den Ressourcenverbrauch in der Trainings-
und Betriebsphase transparent zu veröffentlichen .

2. Plattformen zu einer stärkeren Kontrolle und Regulierung von KI-generierten
Inhalten, insbesondere von Bildern, Videos und Audios, zu verpflichten.

3. einen umfassenden Ausbau von Bildungs- und Aufklärungsangeboten und die
Schulung von Fachpersonal zum Thema KI in allen Bereichen.

4. eine konsequente Regulierung und wirksame Kontrolle von KI-generierten
Inhalten, die gezielt zur Manipulation von Meinungen oder Verhalten eingesetzt
werden.

5. ein Verbot des Einsatzes von KI-generierten Inhalten für politische Werbung.

6. eine Verschärfung und gezielte Weiterentwicklung der Datenschutz-
Grundverordnung (DSGVO) im Hinblick auf den Einsatz von KI-Systemen zur
Verarbeitung von personenbezogenen Daten.

7. einen besseren rechtlichen Schutz von Künstler*innen im Umgang mit KI-
generierten Inhalten, z. B. über Lizenzmodelle oder Beteiligungsrechte,
ergänzend zu den bestehenden Opt-out-Regelungen.

8. eine Gesetzgebung, welche die Reproduktion von bestehenden gesellschaftlichen
Diskriminierungen durch KI-Systeme verhindert und die Unternehmen hinter KI-
Systemen zum aktiven Abbau von diskriminierenden Strukturen verpflichtet.

9. ein Verbot der Generierung und Verbreitung von Inhalten wie Deepfakes, die
reale Personen täuschend echt imitieren oder realistisch wirkende Personen
darstellen.

Glossar

[A] "Große KI-Sprachmodelle (engl.: Large Language Models – LLMs) sind eine
Teilmenge der unimodalen Text-to-Text-Modelle (T2T-Modell), die textuelle
Eingaben, sog. Prompts, verarbeiten und darauf basierend Textausgaben erzeugen."
(Bundesamt für Sicherheit in der Informationstechnik (2023). Generative KI-
Modelle: Chancen und Risiken für Industrie und Behörden .
https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/Generative_KI-
Modelle.pdf)

[B] "„KI-System“ [ist] ein maschinengestütztes System, das für einen in
unterschiedlichem Grade autonomen Betrieb ausgelegt ist und das nach seiner
Betriebsaufnahme anpassungsfähig sein kann und das aus den erhaltenen Eingaben
für explizite oder implizite Ziele ableitet, wie Ausgaben wie etwa Vorhersagen,
Inhalte, Empfehlungen oder Entscheidungen erstellt werden, die physische oder
virtuelle Umgebungen beeinflussen können;" (Europäisches Parlament und Rat der
Europäischen Union (2024). Verordnung (EU) 2024/1689 des europäischen Parlaments
und des Rates vom 13. Juni 2024 über Künstliche Intelligenz.
http://data.europa.eu/eli/reg/2024/1689/oj)

[C] "Der Begriff „Digitaler Kolonialismus“ beschreibt Macht- und
Abhängigkeitsverhältnisse, die durch die globale Digitalisierung entstehen oder
verstärkt werden. Technologiekonzerne und Staaten aus den westlichen
Industriestaaten – zunehmend auch aus China – kontrollieren digitale
Infrastruktur, Plattformen und Datenströme und nutzen Rohstoffe, Arbeitskraft
und Daten des sogenannten Globalen Südens unter häufig ausbeuterischen
Bedingungen. Konkret zeigt sich dies etwa im Abbau kritischer Rohstoffe für
digitale Geräte, in „Clickwork“ oder in der Abschöpfung von Daten ohne
angemessene Gegenleistung." (Angela Chukunzira, Nina Grünberger, Philine Janus,
Marvin Brodersen für bpb.de (2026). „Das derzeitige Fundament von KI ist nicht
tragfähig“ Digitaler Kolonialismus – unsichtbare Arbeits- und Machtverhältnisse
hinter KI.

https://www.bpb.de/lernen/digitale-bildung/werkstatt/577276/das-derzeitige-
fundament-von-ki-ist-nicht-tragfaehig/)

[D] "Generative KI-Modelle [...] erlernen während des Trainings Muster aus
vorhandenen Daten und können in der Folge neue Inhalte wie Texte, Bilder, Audios
und Videos erzeugen, die ebenfalls diesen Mustern folgen." (Bundesamt für
Sicherheit in der Informationstechnik (2023). Generative KI-Modelle: Chancen und
Risiken für Industrie und Behörden.
https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/Generative_KI-
Modelle.pdf)

[E] "Ein Algorithmus ist eine eindeutige Handlungsvorschrift, um ein vorab
definiertes Problem zu lösen. [...] Algorithmisches System: Ein System eines
oder mehrerer Algorithmen, die in Software implementiert sind, um Daten zu
erfassen, zu analysieren und Schlüsse zu ziehen, die zur Lösung eines vorher
definierten Problems beitragen sollen." (Innovationsbüro des Bundesministeriums
für Familie, Senioren, Frauen und Jugend (2021). Wegweiser "Digitale Debatten",
Teil 1: Algorithmische Systeme.
https://www.bmbfsfj.bund.de/resource/blob/186298/975f96f2e962ef4354ce9b54c81822c-
7/wegweiser-digitale-debatten-teil-1-data.pdf)

[F] "[...] falsche oder irreführende Informationen, die ohne Täuschungsabsicht,
also etwa durch mangelnde Recherche, falsche Interpretation von Fakten oder
durch Missverständnisse entstehen bzw. verbreitet werden. Dann handelt es sich
lediglich um Fehlinformationen [...]." (Bundesamt für Sicherheit in der
Informationstechnik (2025). Desinformation im Internet: Eine Bedrohung für
Freiheit und Demokratie. https://www.bsi.bund.de/DE/Themen/Verbraucherinnen-und-
Verbraucher/Informationen-und-Empfehlungen/Onlinekommunikation/Soziale-
Netzwerke/Sichere-Verwendung/Desinformation/desinformation_node.html)

[G] "Als Slop (auch KI-Slop, [...]) werden Medieninhalte – einschließlich Text
und Bilder – von niedriger inhaltlicher Qualität bezeichnet, die mit Hilfe von
generativer künstlicher Intelligenz erzeugt werden." (Wikipedia – Die freie
Enzyklopädie. (7. Oktober 2025). "Slop".
https://de.wikipedia.org/w/index.php?title=Slop&oldid=263763778)

[H] "Desinformation ist die Verbreitung falscher oder irreführender
Informationen, um Einzelpersonen, Gruppen oder die öffentliche Meinung als
Ganzes zu beeinflussen. Eine Desinformation liegt vor, wenn sie nach objektiven
Maßstäben inhaltlich unzutreffend ist, der Urheber dies weiß und sie dennoch mit
dem Ziel der Beeinflussung verwendet. Gleiches gilt für das Verschweigen
wesentlicher Teile einer Information." (Bundesamt für Verfassungsschutz (2025).
https://www.verfassungsschutz.de/SharedDocs/glossareintraege/DE/D/desinformation-
.html)

[I] "Hatespeech ist ein Oberbegriff für verbal oder schriftlich geäußerte,
gruppenbezogene Menschenfeindlichkeit. Dazu zählen u. a. Rassismus, Sexismus
oder Antisemitismus. Unter Hatespeech fallen Beleidigungen, Aufrufe zur Gewalt,
Drohungen und weitere Äußerungen, unabhängig davon, ob diese strafbar sind oder
nicht. Der Begriff Hatespeech ist allerdings nicht ganz klar definiert und wird
manchmal auch dann verwendet, wenn ganz allgemein Hass im Internet gemeint ist."
(HateAid (2023). Hatespeech: Von Sprache als Gefahr.
https://hateaid.org/hatespeech/)

[J] "Deepfakes sind aufwändig erstellte beziehungsweise verfälschte Bilder,
Tonaufzeichnungen oder Videos. Sie entstehen auch unter Einsatz Künstlicher
Intelligenz (KI) und dienen insbesondere der Desinformation." (Bundesamt für
Verfassungsschutz (2025).
https://www.verfassungsschutz.de/SharedDocs/glossareintraege/DE/D/deepfake.html)

[K] "Als Filterblase, engl. »Filter Bubble« [Pariser 2012], wird der Effekt
bezeichnet, im Internet bevorzugt Suchergebnisse zu erhalten, die aufgrund
persönlicher Neigungen zum eigenen Welt bild passen." (Kompetenzzentrum
Öffentliche IT (2016). Digitalisierung des Öffentlichen.
https://www.oeffentliche-it.de/publikationen/digitalisierung-des-
oeffentlichen/Digitalisierung des Öffentlichen.pdf)

[L] "Kognitive Verzerrungen oder kognitive Fehler sind ein
kognitionspsychologischer Sammelbegriff: Eigenschaften der zu verarbeitenden
Information werden dabei systematisch verzerrt verstanden bzw. mental
repräsentiert. [...] Dies kann ggf. fehlerhafte oder suboptimale Entscheidungen
oder Handlungen forcieren." (Wikipedia – Die freie Enzyklopädie. (23. November
2025). "Kognitive Verzerrung".
https://de.wikipedia.org/w/index.php?title=Kognitive_Verzerrung&oldid=261799928)

[M] "Ein Bestätigungsfehler (auch Bestätigungsfehlschluss oder
Bestätigungsverzerrung, engl. confirmation bias) ist ein Begriff der
Kognitionspsychologie, der die Neigung bezeichnet, Informationen so zu
ermitteln, auszuwählen und zu interpretieren, dass diese die eigenen Erwartungen
erfüllen (bestätigen)." (Wikipedia – Die freie Enzyklopädie. (2. Februar 2026).
"Bestätigungsfehler" .
https://de.wikipedia.org/w/index.php?title=Bestätigungsfehler&oldid=263930666)

[N] "Verfügbarkeitsheuristik (englisch availability heuristic) ist eine
verkürzende kognitive Operation, die zu Urteilsfehlern führt. Sie ersetzt die
schwierige Frage nach der Häufigkeit eines Ereignisses oder dem Umfang einer
Kategorie durch die einfachere Frage, wie leicht es fällt, sich an passende
Beispiele zu erinnern." (Wikipedia – Die freie Enzyklopädie. (14. Juli 2025).
"Verfügbarkeitsheuristik".
https://de.wikipedia.org/w/index.php?title=Verfügbarkeitsheuristik&oldid=2578878-
71)

Literaturverzeichnis

[1] Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi,
B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and jobs: a refined
global index of occupational exposure. https://doi.org/10.54394/HETP0387

[2] Lane, M. (2024). Who will be the workers most affected by AI?: A closer look
at the impact of AI on women, low-skilled workers and other groups.
https://doi.org/10.1787/14dc6f89-en

[3] Deutschlandfunk (2024). Data Worker - Die harte Arbeit der menschlichen KI-
Trainer. https://www.deutschlandfunk.de/ki-data-worker-clickworker-deep-
learning-100.html 

[4] Angela Chukunzira, Nina Grünberger, Philine Janus, Marvin Brodersen für
bpb.de (2026). „Das derzeitige Fundament von KI ist nicht tragfähig“ Digitaler
Kolonialismus – unsichtbare Arbeits- und Machtverhältnisse hinter KI.

https://www.bpb.de/lernen/digitale-bildung/werkstatt/577276/das-derzeitige-
fundament-von-ki-ist-nicht-tragfaehig/

[5] Brynjolfsson, E., Chandar, B., Chen, R. (2025). Canaries in the Coal Mine?
Six Facts about the Recent Employment Effects of Artificial Intelligence.
https://digitaleconomy.stanford.edu/app/uploads/2025/11/CanariesintheCoalMine_No-
v25.pdf

[6] Morris, C. (2025). Anthropic CEO warns AI could eliminate half of all entry-
level white-collar jobs.

https://fortune.com/2025/05/28/anthropic-ceo-warning-ai-job-loss/

[7] Lucchi, N., Hunter, S. (2025). Generative AI and Copyright:
Training, Creation,
Regulation. https://www.europarl.europa.eu/thinktank/en/document/IUST_STU(2025)7-
74095 

[8] Pasetti, M., Santos, J.W., Corrêa, N.K. et al. (2025). Technical, legal,
and ethical challenges of generative artificial intelligence:
an analysis of the governance of training data and copyrights. https://doi.org/1-
0.1007/s44163-025-00379-6 

[9] Hutson, J. (2024). The Evolving Role of Copyright Law in the Age of AI-
Generated Works. https://doi.org/10.21202/jdtl.2024.43 

[10] Deckker, D., & Sumanasekara, S. (2025). Bias in AI Models: Origins, Impact,
and Mitigation Strategies. https://doi.org/10.20944/preprints202503.1629.v1 

[11] Sun et al. (2025). Uncovering Bias in Foundation Models: Impact, Testing,
Harm, and Mitigation. https://arxiv.org/abs/2501.10453 

[12] European Commission (2025). The
State of the Digital Decade 2025 report. https://digital-
strategy.ec.europa.eu/en/policies/2025-state-digital-decade-package 

[13] Gerlich, M. (2025). AI Tools in Society: Impacts
on Cognitive Offloading and the Future of Critical Thinking. https://www.mdpi.co-
m/2075-4698/15/1/6 

[14] Gerlich, M. (2024). Exploring Motivators for Trust
in the Dichotomy of Human—AI Trust
Dynamics. https://doi.org/10.3390/socsci13050251 

[15] Wan, He et al. (2023). BiasAsker: Measuring the Bias in Conversational AI
System. https://doi.org/10.1145/3611643.3616310 

[16] Park, S., Nan, X. (2025). Generative AI and misinformation:
a scoping review of the role of generative AI
in the generation, detection, mitigation,
and impact of misinformation. https://doi.org/10.1007/s00146-025-02620-3 

[17] Shumailov, I., Shumaylov, Z., Zhao, Y. et al. (2024).
AI models collapse when trained on recursively generated data. https://doi.org/1-
0.1038/s41586-024-07566-y 

[18] Sun, Z. et al. (2024). Are We in the AI-Generated Text
World Already? Quantifying and Monitoring AIGT
on Social Media. https://arxiv.org/abs/2412.18148 

[19] Gillham J. (2024). Over ½ of Long Posts on LinkedIn are Likely AI-
Generated Since ChatGPT Launched. https://originality.ai/blog/ai-content-
published-linkedin 

[20] Law, R., Guan, X., Soulo, T. (2025). 74% of New Webpages Include AI Content
(Study of 900k Pages). https://ahrefs.com/blog/what-percentage-of-new-content-
is-ai-generated/ 

[21] Brodsky S. (2024). The AI-generated Books
Trend is Getting Worse. https://aibusiness.com/responsible-ai/the-ai-generated-
books-phenomenon-is-getting-worse 

[22] Stanusch, N. et al. (2025). AI-Generated Algorithmic Virality.

https://arxiv.org/abs/2508.01042 

[23] Park, S., Nan, X. (2025). Generative AI and misinformation:
a scoping review of the role of generative AI
in the generation, detection, mitigation,
and impact of misinformation. https://doi.org/10.1007/s00146-025-02620-3 

[24] Lazard, L., Capdevila, R., Turley, E. L., Gilfoyle, K., & Stavropoulou, N.
(2025). Deepfake Technology and Gender-Based Violence: A scoping review.
https://doi.org/10.1177/15248380251384271

[25] Barari, S., Lucas, C., & Munger, K. (2024). Political deepfakes are as
credible as other fake media and (Sometimes) real media.
https://doi.org/10.1086/732990

[26] Folk, D., & Dunn, E. (2026). How Does Turning to AI for Companionship
Predict Loneliness and Vice Versa?. https://doi.org/10.1177/09567976261427747

[27] Talmaţchi, M.L. (2025). The Influence of Artificial Intelligence on
Communication. https://doi.org/10.2478/bsaft-2025-0014 

[28] Chu, M.D., Gerard, P., Pawar, K., Bickham, C., & Lerman, K.
(2025). Illusions of Intimacy: Emotional Attachment and Emerging
Psychological Risks in Human-AI
Relationships. https://doi.org/10.48550/arXiv.2505.11649 

[29] Rrv, A., Tyagi, N., Uddin, M. N., Varshney, N., & Baral, C. (2024). Chaos
with Keywords: Exposing Large Language Models Sycophancy to Misleading Keywords
and Evaluating Defense Strategies. https://doi.org/10.18653/v1/2024.findings-
acl.755

[30] Lazovich, T. (2023). Filter bubbles and affective polarization in user-
personalized large language model outputs. https://proceedings.mlr.press/v239/la-
zovich23a.html

[31] Sun, Y., & Kok, S. (2025). Investigating the Effects of Cognitive Biases in
Prompts on Large Language Model Outputs. https://arxiv.org/abs/2506.12338

[32] Rodilosso, E. (2024). Filter Bubbles and the Unfeeling: How
AI for Social Media Can
Foster Extremism and Polarization. https://doi.org/10.1007/s13347-024-00758-4 

[33] International Energy Agency: Electricity 2024. 

 https://iea.blob.core.windows.net/assets/6b2fd954-2017-408e-bf08-
952fdd62118a/Electricity2024-Analysisandforecastto2026.pdf 

[34] Bertazzini, G., Albisani, C., Baracchi, D., et al. (2025). The
Hidden Cost of an Image: Quantifying the Energy Consumption of AI Image
Generation. https://arxiv.org/html/2506.17016v1 

[35] de Vries, A. (2023).
The growing energy footprint of artificial intelligence. https://doi.org/10.1016-
/j.joule.2023.09.004 

[36] IEA (2025). Energy and AI. https://www.iea.org/reports/energy-and-ai

[37] Bundesnetzagentur: Der Strommarkt im Jahr 2024. 

 https://www.smard.de/page/home/topic-article/211784/215556 

[38] European Environment Agency. (2025). Greenhouse
gas emission intensity of electricity generation in Europe. 

 https://www.eea.europa.eu/en/analysis/indicators/greenhouse-gas-emission-
intensity-of-1 

[39] Luccioni, A., Viguier, S., Ligozat, A. (2023). Journal of Machine Learning
Research. https://www.jmlr.org/papers/v24/23-0069.html 

[40] Jennings, C. (2025). The Cloud is Drying our Rivers: Water Usage of AI Data
Centers. https://ethicalgeo.org/the-cloud-is-drying-our-rivers-water-usage-of-
ai-data-centers/ 

[41] Li, P., Yang, J., Islam, M., et al. (2025). Making
AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI
Models. https://arxiv.org/abs/2304.03271

[42] da Silva, J. (2024). Google turns to nuclear to power AI data centres. 

 https://www.bbc.com/news/articles/c748gn94k95o 

[43] Browne, R. (2024). Sustainable Future: Why Big
Tech is turning to nuclear to power its energy-intensive AI ambitions. 

 https://www.cnbc.com/2024/10/15/big-tech-turns-to-nuclear-energy-to-fuel-power-
intensive-ai-ambitions.html