Positionspapier Meeresschutz

Einleitung:
Die Vielfalt der Lebensräume im Meer und an den Küsten in Deutschland ist einzigartig. Ihnen kommt eine hohe ökologische Bedeutung zu. Sie sind aber auch in hohem Maße einer starken Nutzung ausgesetzt. Daher fordern wir eine Nutzung im Einklang mit der Natur und setzen uns für ihren Erhalt ein.
Unsere Meere erfüllen sehr viele Funktionen und sind sowohl natürlicher Lebensraum als auch Ressource für viele menschliche Aktivitäten. Diese miteinander zu vereinen und den Erhalt unserer Meere langfristig zu sichern ist Aufgabe für uns alle. Die NAJU fordert daher:

Forderungen:

1. Eine nachhaltige Raumnutzung, wo alle Parteien einen Bereich bekommen, aber nur in einem Rahmen der dem Meerökosystem nicht schadet.

2. Einen Stopp von Verschmutzung jeglicher Art: Durch Nähr- und Schadstoffe, sowie Plastikmüll und Unterwasserlärm.

3. Die Wiederherstellung und Erhaltung von Ökosystemen und die Einrichtung von großflächigen Meeresschutzgebieten, damit die Widerstandskräfte des Meeres gegenüber dem Klima wirken können.

4. Unterstützung und Ausbau von BNE, Citizen Science Projekten und Forschung.

5. Die Förderung von internationaler Zusammenarbeit und die Gerichtbarkeit von internationalen Abkommen.

Erläuterungen:

1. Nachhaltige Raumnutzung:

“Die Meeresraumordnung hat die Aufgabe, die vielfältigen, zum Teil konkurrierenden Raumbedürfnisse menschlichere Nutzung in den heimischen Meeren planerisch aufeinander abzustimmen und dabei nach Ökosystemansatz die Belastungsgrenzen der Ökosysteme einzuhalten. So soll die Raumordnung absichern, dass unsere Meere in einem guten ökologischen Zustand überführt werden können.” (NABU)

1.1 Tourismus

An Nord- und Ostsee ist der Tourismus wichtig. Um Konflikte zwischen Akteuren zu vermeiden ist eine gezielte und nachhaltige Lenkung der Besuchenden notwendig, um unter anderem für Sicherheit, Schutz der Natur und Rücksicht auf die lokale Bevölkerung zu sorgen. Um den Tourismus nachhaltig zu gestalten ist ein guter ÖPNV ausschlaggebend. Dabei ist die Möglichkeit des Erlebens der Küstengebiete und deren Ökosysteme ein wichtiger Bestandteil, da eher das geschützt wird, was man kennt.

1.2 Energien

Durch wiederkehrende Krisen wird immer wieder bemerkbar, wie wichtig es ist, sich zügig von fossilen Energien unabhängig zu machen. Neue Genehmigungen für Förderungen von Erdöl und Erdgas in der Nord- und Ostsee sind Schritte in die falsche Richtung und sollten deswegen nicht erteilt werden
Im schleswig-holsteinischen Wattenmeer in mitten des Nationalparks darf noch bis 2041 Erdöl gefördert werden. Seit einigen Jahren wird auch von Land in das Ölfeld hineingebohrt. In der Wirtschaftszone der Doggerbank liegt zusätzlich noch ein Erdgasförderfeld. Trotz hoher Sicherheitsvorkehrungen bleibt ein Risiko von Leckagen und Ölunfällen an den Förderplattformen, Pipelines oder beim Transport. Allein die Vorerkundung hat große Einflüsse auf das marine Leben. (Q6) Daher ist es insbesondere im Nationalpark wichtig, dass keine weitere Vorerkundung und anschließende Förderung genehmigt wird und die auslaufenden Genehmigungen nicht verlängert werden. Wir fordern daher, die Erdgasfelder an der deutsch-niederländischen Grenze nicht weiter auszuschöpfen. Sie würden nur 1% des Bedarfs der Erdgasmenge von Deutschland ausmachen, aber dafür das fragile Ökosystem und seltene Steinriffe zerstören. (Q7)
Windenergie wird immer weiter ausgebaut und ist ein wichtiger Teil der Energie aus Erneuerbaren Quellen (Q8). Bei dem Ausbau der Offshore-Windkraftfelder muss ausgiebig auf Umweltverträglichkeit geprüft werden und das Installieren der Windkraftanlagen mit so wenig Störung der Meeresökosysteme wie möglich verbunden werden.
Weiteres dazu steht im NAJU-Positionspapier zu erneuerbaren Energien. (NAJU-Positionspapier - NAJU Bundesgeschäftsstelle)

1.3 Fischerei

Fischerei hat in Nord- und Ostsee eine lange Tradition. Der Einzug moderner und großflächiger industrieller intensiver Befischung hat zusammen mit Umweltfaktoren die Fischbestände gefährlich schrumpfen lassen. Europaweit galten zeitweise 90% der Fischbestände als überfischt (Quelle: Meeresatlas). Um den gefährdeten Fischbeständen eine Möglichkeit zur Erholung zu geben, müssen Fangquoten und Praktiken angepasst und reguliert werden. Das gilt insbesondere in geschützten Meeresgebieten. Soziale Faktoren und Tourismus sollten dabei berücksichtigt werden und nachhaltige Fang- und Vermarktungsmethoden (beispielsweise durch zertifizierte Siegel für Verbraucher erkennbar) gestärkt werden.

1.4 Schutzgebiete

In den Meeren vor unserer Haustür sind sehr wertvolle Ökosysteme: von den Wattflächen, Salzwiesen und Prielen in der Nordsee bis zu den Seegraswiesen und Steilküsten der Ostsee. Sie sind Brut-, Mauser- und Rastplätze sowie Kinderstuben für verschiedenste Arten, die es gilt zu bewahren und zu schützen. Wenn sie durch menschliches Einwirken zerstört wurden, gilt es sie zu renaturieren und den Schutzstatus auszuweiten.
Dazu zählt das Einhalten und Ausbauen der Nullnutzungszonen (nutzungsfreie Zonen) in Nationalparks und das Erweitern der Nationalparkflächen in der Ostsee. Schutzgebiete sind ein wichtiges Mittel zum Meeresschutz und unsere Meere sind in keinem guten Zustand. Die Nutzung der Meere ist so stark ausgeprägt, dass die Ökosysteme darunter leiden (Q9). Darunter fällt auch die Nutzung durch Traditionsrechte. Die Ökosysteme sind allerdings ein wichtiger Teil im globalen Klimasystem und leisten daher einen wichtigen Beitrag zum Klimaschutz leisten. Wir müssen daher, auch zu unserem eigenen Schutz, den Zustand der Ökosysteme an Meer und Küste verbessern.

2. Verschmutzung

Durch die konventionelle Landwirtschaft wurden 2022 rund 16.000 Tonnen Stickstoff und etwa 520 Tonnen Phosphor über deutsche Flüsse in die Ostsee gespült. Deutschland hat die Nitrat-Grenzwerte seit ihrer Einführung 2006 kein einziges Mal eingehalten (Q2). Durch den Nährstoffeintrag kommt es jedoch zu erhöhten Algenblüten im Oberflächenwasser des Meeres, deren Biomasse absinkt und am Boden unter Sauerstoffverbrauch abgebaut wird. In sauerstoffarmen Sedimenten wird jedoch zusätzliches Phosphat freigesetzt, der die Eutrophierung weiter antreibt. Die Ostsee gilt als weltweit größte zusammenhängende Fläche, die von Sauerstoffmangel betroffen ist und zählt zu den am stärksten vom Menschen beeinflussten Meeren weltweit (Q4). Daher müssen die Nährstoffeinträge sofort und konsequent eingedämmt werden, um die anthropogenen Belastungen der Meere zu verringern.

Ein weiteres Problem ist der entstehende Lärm durch Bauarbeiten, Schifffahrt oder Militärische Übungen im Bereich der Meere, in der Luft oder vom Boden aus. Dieser ist eine große Störung für das Ökosystem und deren Lebewesen, der den ruhenden Zugvögeln wichtige Energie raubt und beim Schweinswal bis zur Taubheit führen kann. Durch beispielsweise eine Geschwindigkeitsreduzierung um 20 Prozent für Containerschiffe kann deren Lärmeintrag um 60 Prozent verringert werden (Q: BUND).

Zusätzlich liegen circa 1,6 Millionen Tonnen rostende Altmunition in Nord- und Ostsee. Dabei lösen sich Schwermetalle und Sprengstoff aus den Überresten, welche die Umgebung vergiften (Q5). Neben der Altmunition befinden sich immer noch Wracks aus dem 2. Weltkrieg in unseren Meeren, die zurzeit eine tickende Zeitbombe darstellen. Ein Lösungsansatz wäre, dass die Munition auf den Wracks entschärft und der Treibstoff abgepumpt wird. (Q5.1) Wir fordern die Bergung dieser Altlasten; Sprengungen (nur mit Blasenschleiern) sollten nur durchgeführt werden, wenn eine Bergung nicht möglich ist!

Plastikmüll stellt eine erhebliche Belastung für Nord- und Ostsee dar und gelangt sowohl vom Land, etwa durch Tourismus und Freizeitaktivitäten, als auch durch Schifffahrt und Fischerei ins Meer. An den Stränden des OSPAR-Gebiets (Nordsee und Nordatlantik) macht Plastik rund 95% der gefundenen Müllteile aus (Q11). Zusätzlich hatten 51% der untersuchten, an der Nordsee gestrandeten Eissturmvögel Plastik in ihren Mägen (Q11).

Besonders problematisch sind verlorene oder zurückgelassene Fanggeräte („Geisternetze“), die über lange Zeit im Meer verbleiben und sich zunehmend zu Mikroplastik zersetzen (Q12). Zusätzlich bilden die Netze eine Todesfalle für jährlich hunderttausende Seevögel, Wale und andere Meerestiere, wenn sie sich in ihnen verfangen. Eine weitere ökologische Bedrohung sind sogenannte Dollyropes, Plastikschnüre die den einzigen Zweck haben, dass Schleppnetze am Meeresgrund nicht beschädigt werden. Stattdessen enden die Dollyropes im Meer und werden zur Gefahr für bspw. Seevögel wie den Basstölpel, die diese als Nistmaterial verwenden. Insbesondere Jungvögel verheddern sich darin und verenden. Erfolgreiche Versuche zur Modifizierung von Netzen müssen zeitnah zur Anwendung gebracht werden. (Q17)

3. Klimawandel

Der Klimawandel verändert die Lebensbedingungen in Nord- und Ostsee grundlegend: Steigende Wassertemperaturen und zunehmende Versauerung beeinflussen Artenzusammensetzung, Nahrungsnetze und die Produktivität der Ökosysteme. Besonders kalkbildende Organismen wie Muscheln und Krebstiere sind von der zunehmenden Versauerung betroffen (Q14), während sich durch die Erwärmung die Zusammensetzung von Phyto- und Zooplankton sowie die Verbreitung wärmeliebender und gebietsfremder Arten (Neobiota) verändern kann (Q15,16). Auch Seegraswiesen geraten durch steigende Temperaturen und weitere Umweltveränderungen unter Druck. Diese bieten wichtige Lebensräume für zahlreiche Organismen und speichern große Mengen Kohlenstoff (Q13). In der Ostsee können klimawandelbedingte Veränderungen von Niederschlag und Süßwasserzuflüssen die empfindlichen Ökosysteme zusätzlich unter Druck setzen. Auch Veränderungen der für den Sauerstoffhaushalt wichtigen Salzwassereinströme aus der Nordsee könnten die Lebensbedingungen in der Ostsee beeinflussen (Q13).

Um die Widerstandsfähigkeit der Meere gegenüber den Folgen des Klimawandels zu erhalten und weitere irreversible Schäden zu begrenzen, fordern wir eine konsequente Reduktion der Treibhausgasemissionen mit dem Ziel, die globale Erwärmung so weit wie möglich auf 1.5°C zu begrenzen. Gleichzeitig müssen bestehende Ökosysteme wie Seegraswiesen konsequent geschützt und wiederhergestellt werden, um ihre Funktion als Lebensraum und Kohlenstoffspeicher zu erhalten.

4. BNE und Citizen Science

Um das Erleben der Küstengebiete und deren Ökosysteme Touristen und Bewohner*innen näher zu bringen ist Bildung für Nachhaltige Entwicklung wichtig. Eine Möglichkeit wären Citizen Science Projekte oder Freiwilligendienste. Citizen Science Projekte sind niedrigschwellige Angebote an alle Menschen, um Daten zu sammeln und gleichzeitig die Selbstwirksamkeit zu stärken. Interessierte Personen können so an den Meeresschutz herangeführt werden und zum Schutz der Ökosysteme beitragen. Der Ausbau und die Förderung dieser Projekte sind wichtig, - und eine gute Ergänzung zum fachlichen Monitoring. Letzteres bleibt dabei aber unersetzlich. Daher muss auch Meeresforschung zum Schutz und Erhalt unserer Meere finanziell unterstützt werden.

5. Internationale Zusammenarbeit

Unsere Meere sind von einer Vielzahl von Staaten umgeben, die Ökosysteme und die darin lebenden Lebewesen kennen aber keine Grenzen. Es gibt bestehende Verträge und Abkommen (z.B. Helsinki-Kommission HELCOM, Hansa-Abkommen) zur internationalen Zusammenarbeit, bei denen es an der Einhaltung und Umsetzung mangelt. Das muss dringend geändert werden! Die HELCOM beispielsweise beinhaltet eine Vereinbarung zu Schutzmaßnahmen, um einen guten ökologischen Zustand der Ostsee zu erreichen (Q10). Diese vereinbarten Schutzmaßnahmen müssen nun wirksam durchgeführt werden, denn wenn die gesetzten Ziele in der aktuellen Periode bis 2030 nicht erreicht werden, müssen Konsequenzen für die Staaten folgen und somit die Vereinbarung gerichtbar gemacht werden.

Quellen:
Q1: Wasseratlas, S. 14
Q2: Wasseratlas, S. 20
Q3: Thuenen: Deutsche Aquakultur im Überblick
Q4: Naumann, M. (2022). Sauerstoffmangel– das zentrale ökologische Problem der Ostsee. Geographische Rundschau, 74, 16–21.
Q5: Zeitbomben im Meer: Weltkriegsmunition bedroht Nord- und Ostsee | National Geographic
Q5.1: https://www.ndr.de/nachrichten/info/weltkriegs-schiffswracks-am-meeresboden-die-stille-bedrohung,schiffswracks-100.html
Q6: Öl- und Gasgewinnung in der Nordsee
Q7: Gasbohrungen vor Borkum – Deutsche Umwelthilfe e.V.
Q8: Windenergie auf See (Offshore-Windenergie) | Umweltbundesamt
Q9:Wissenschaftlich begründete Widerlegung einiger Argumente gegen einen möglichen Nationalpark Ostsee
Q10: BMUKN: Internationales Übereinkommen zum Schutz der Meeresumwelt des Ostseegebiets – Helsinki-Kommission (HELCOM)
Q11: https://www.ospar.org/work-areas/eiha/marine-litter
Q12: https://www.wwf.de/fileadmin/fm-wwf/Publikationen-PDF/WWF-Brosch%C3%BCre-Geisternetze-Gefahr-f%C3%BCr-Tier-und-Mensch.pdf (WWF-Broschüre “Geisternetze - Gefahr für Tier und Mensch”)
Q13: https://stateofthebalticsea.helcom.fi/findings/pressures/climate-change/
Q14: https://oap.ospar.org/en/ospar-assessments/quality-status-reports/qsr-2023/other-assessments/ocean-acidification/
Q15: https://oap.ospar.org/en/ospar-assessments/quality-status-reports/qsr-2023/indicator-assessments/changes-plankton-communities/
Q16: https://helcom.fi/baltic-sea-trends/climate-change/
Q17: https://www.thuenen.de/de/themenfelder/meere/bewertung-der-meeresumwelt-und-schutzkonzepte/bunt-unkaputtbar-und-ueberfluessig

Politische Bildung und Teilhabe junger Menschen

Digitale Teilhabe ist ein Kinder- und Jugendrecht

Digitale Räume sind für junge Menschen fester Bestandteil ihrer Lebensrealität und zugleich Teil der demokratischen Öffentlichkeit. Sie sind Orte des Austauschs, des Lernens, der politischen Meinungsbildung und des gesellschaftlichen Engagements.

Umso wichtiger ist es, dass junge Menschen in digitalen Räumen geschützt werden. Gleichzeitig darf dieser Schutz nicht dazu führen, dass ihnen der Zugang pauschal verwehrt wird. Ein Ausschluss aus digitalen Räumen würde ihre gesellschaftliche Teilhabe und demokratische Mitgestaltung erheblich begrenzen.

Digitale Teilhabe ist daher als grundlegendes Recht von Kindern und Jugendlichen zu verstehen und entsprechend zu gewährleisten. Der Deutsche Ethikrat spricht sich klar gegen ein gesetzliches Mindestalter für die Nutzung sozialer Medien aus. Die NAJU teilt diese Einschätzung und lehnt ein gesetzliches Mindestalter zur Nutzung sozialer Medien ebenfalls ab. Kinder und Jugendliche wachsen heute mit digitalen Angeboten auf, die für Kommunikation, Information und gesellschaftliche Teilhabe eine wichtige Rolle spielen. Statt pauschaler Verbote braucht es daher einen Ausgleich zwischen dem Schutz junger Menschen und ihren Rechten auf digitale Teilhabe, Befähigung und Mitbestimmung. [1]

NAJU Kernforderungen:

1. Plattformen in die Verantwortung nehmen

Verbindliche Regulierung digitaler Plattformen, die Schutz konsequent im Design verankert. Dazu gehören effektive Jugendschutzmechanismen sowie leicht zugängliche, transparente und wirksame Melde- und Beschwerdestrukturen gegen Hass und (sexualisierte) Gewalt. Ein nationaler Alleingang bei der Regulierung ist nicht ausreichend. Stattdessen braucht es gemeinsame europäische Lösungen.

2. Manipulative Mechanismen eindämmen
   Manipulative, suchtfördernde und intransparente Plattformmechanismen müssen konsequent begrenzt werden. Digitale Angebote dürfen junge Menschen nicht gezielt in ihrem Verhalten oder ihrer Nutzung beeinflussen.

3. Medienbildung und digitale Jugendarbeit ausbauen

4. Deutliche Stärkung von Medienbildung und digitaler Jugendarbeit. Schutz im digitalen Raum gelingt nur durch die Kombination aus Regulierung und Befähigung.

Deutliche Stärkung von Medienbildung und digitaler Jugendarbeit. Schutz im digitalen Raum gelingt nur durch die Kombination aus Regulierung und Befähigung.

5. Beteiligung junger Menschen verbindlich sichern
   Die Perspektiven junger Menschen müssen verbindlich in Regulierung, Evaluation und Monitoring einbezogen werden.

[1] Deutscher Ethikrat (2026): Kein pauschales Social-Media-Verbot für Kinder und Jugendliche – Ethikrat empfiehlt risikobasiertes Schutzkonzept, Pressemitteilung vom 11.06.2026, abrufbar unter: https://www.ethikrat.org/presse/mitteilungen/kein-pauschales-social-media-verbot/ (Zugriff: 23.07.2026).

Nachhaltige KI-Nutzung

Künstliche Intelligenz (KI) ist inzwischen Teil unseres Alltags geworden. Large Language Models (LLMs) wie ChatGPT oder KI-basierte Bildgeneratoren 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.

Der Einsatz und das Training von KI wird langfristig den Arbeitsmarktes transformieren, was zu einer Verschärfung sozialer Ungleichheiten und globaler Machtverhältnisse führen kann. Datenschutz und Urheberrecht stellen nach wie vor Probleme vor allem für Künstler*innen beim Training von KI-Systemen dar. Verzerrte Trainingsdaten, kognitive Biases, sowie Fehl- uns Desinformation können Hatespeech, Misstrauen und politischen Polarisation fördern.

NAJU-Kernforderungen:

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

Um KI als sinnvolles Werkzeug einsetzen zu können, KI-generierte Inhalte als solche zu erkennen und die Verbreitung von Fehl- und Desinformation einzudämmen, braucht es praxisnahe und kritische (Fort-)Bildungsangebote für alle Zielgruppen.

2. Regulierung von KI-generierten Inhalten auf Plattformen.

KI-generierte Bilder, Audios und Videos, besonders solche, die echte Personen imitieren, können schnell in die Irre führen und zur Meinungsmanipulation verwendet werden. Eine durchgängige Kennzeichnung und Moderation von KI-generierten Inhalten ist daher unerlässlich.

1. Klimaneutraler und ressourcenschonender Betrieb der Infrastruktur für KI-Systeme und verpflichtende Transparenz über Verbrauchswerte (Strom, CO2, Wasser)

Das Training und der Betrieb von KI-Modellen ist ressourcenaufwändig, die Verbrauchswerte sind häufig intransparent, was einen Vergleich zwischen KI-Modellen erschwert. KI-Infrastruktur leistet einen erheblichen Beitrag am weltweiten Stromverbrauch und dem damit verbunden Treibhausgasemissionen.

Eine ausführliche Positionierung findet ihr hier: [LINK]

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 [O] 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 dur, durch teilweise psychisch belastende Tätigkeiten sowie fehlende soziale Absicherung und unsichere Arbeitsrechte 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].

Sicherheitsrisiken durch KI

Das Sicherheitsrisiko durch KI ist extrem hoch und stellt die Gesellschaft vor enorme Herausforderungen. Es reicht von gezieltem Missbrauch, etwa durch automatisierte Cyberangriffe, Desinformation und Manipulation über Fehlverhalten in sicherheitskritischen Anwendungen bis hin zu einer starken Machtkonzentration bei wenigen Unternehmen und Staaten [44].

Der hohe Druck Entwicklungsfortschritte vor die Sicherheit von KI-Systemen zu stellen, um unproportional hohen Gewinn zu erzielen, führt zu unvorhersehbaren und höchstwahrscheinlich gefährlichen KI-Systemen. In der KI-Entwicklung gilt aktuell das „The winner takes it all" Prinzip, welches dieses Verhalten unproportional belohnt.

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).  Grundsätzlich lehnt die NAJU jede Energiequelle ab, die nicht nachhaltig ist, dies gilt neben der Atomkraft ebenso für fossile Energieträger wie Kohle, Öl und Gas (vgl. Positionspapier Keine Braunkohle). Statt auf diese Energieträger zu setzen, muss der zusätzliche Bedarf durch den konsequenten Ausbau erneuerbarer Energien und mehr Effizienz gedeckt werden.

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/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822c7/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/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/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=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871)

[O] "Klickarbeiter*innen und Data-Worker*innen" sind Menschen, die KI-Systeme weltweit mit Daten versorgen. Sie bennen zum Beispiel Gegenstände auf Fotos, klassifizieren Texte oder transkribieren Tonaufnahmen, sodass diese Informationen als Trainingsmaterial für KI-Modelle genutzt werden können. Ihre Arbeit ist für die Entwicklung von KI essentiell, bleibt aber weitgehend unsichtbar und findet häufig unter prekären Bedingungen statt. (Der Spiegel 2026 - "So sieht die Arbeit von Clickworkern aus". https://www.spiegel.de/netzwelt/web/training-fuer-kuenstliche-intelligenz-so-sieht-die-arbeit-von-clickworkern-aus-a-7c018325-440d-461c-a004-6b3b35fb9ed1"

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-edu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/Canaries-intheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/-2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_No-edu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/Canaries-intheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/-2025/11/CanariesintheCoalMine_Nov25.pdf

[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_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.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-eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7-eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7-eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7-eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7-eu/thinktank/en/document/IUST_STU(2025)774095 

[7] Lucchi, N., Hunter, S. (2025). Generative AI and Copyright: Training, Creation, Regulation. https://www.europarl.europa.eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)774095 

[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/1org/10org/10org/10org/10org/10org/10org/10org/10org/10org/10.1007/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.cococococococococococom/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/1org/10org/10org/10org/10org/10org/10org/10org/10org/10org/10.1038/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/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lazovich23a.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/10.10161016/j1016/j1016/j1016/j1016/j1016/j1016/j1016/j1016/j1016/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
 

[44] Markov, G., Segerie, C.-R. (2025). The AI Risk Spectrum: From Dangerous Capabilities to Existential Threaths.
https://arxiv.org/pdf/2508.13700

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 [O] 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 dur, durch teilweise psychisch belastende Tätigkeiten sowie fehlende soziale Absicherung und unsichere Arbeitsrechte 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].

Sicherheitsrisiken durch KI

Führende KI-Forscher*innen schätzen das Risiko für die Auslöschung der Existenz der Menschheit durch KI als realistisch ein [44]. Der Druck, Entwicklungsgeschwindigkeit über die Sicherheit von KI-Systemen zu stellen, ist aktuell hoch. Dies begründet sich in einem unproportional hohen Gewinn bei schneller Entwicklung und führt zu unvorhersehbaren und höchstwahrscheinlich gefährlichen KI-Systemen.
Die Entwicklung der KI funktioniert aktuell nach einem "The Winner takes it all" Prinzip, da der, dessen KI zuerst gewisse Schlüsselfähigkeiten erreicht, einen überproportionalen Gewinn, sei es Geld oder Macht, erzielen kann [44]. Dadurch herrscht ein hoher Druck auf KI-Entwickler Entwicklungsgeschwindigkeit über die Sicherheit der KI-Systeme zu priorisieren. Dies sorgt für eine Weiterentwicklung bei KI welcher unvorhersehbar ist und höchstwahrscheinlich gefährlich.

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).  Grundsätzlich lehnt die NAJU jede Energiequelle ab, die nicht nachhaltig ist, dies gilt neben der Atomkraft ebenso für fossile Energieträger wie Kohle, Öl und Gas (vgl. Positionspapier Keine Braunkohle). Statt auf diese Energieträger zu setzen, muss der zusätzliche Bedarf durch den konsequenten Ausbau erneuerbarer Energien und mehr Effizienz gedeckt werden.

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.

10. eine weltweite Verpflichtung zu unabhängigen Sicherheitstests für jedes KI-Modell

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/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822cde/resource/blob/186298/975f96f2e962ef4354ce9b54c81822c7/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/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/SharedDocs/glossareintraege/DE/D/desinformationde/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=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871php?title=Verfügbarkeitsheuristik&oldid=257887871)

[O] "Klickarbeiter*innen und Data-Worker*innen" sind Menschen, die KI-Systeme weltweit mit Daten versorgen. Sie bennen zum Beispiel Gegenstände auf Fotos, klassifizieren Texte oder transkribieren Tonaufnahmen, sodass diese Informationen als Trainingsmaterial für KI-Modelle genutzt werden können. Ihre Arbeit ist für die Entwicklung von KI essentiell, bleibt aber weitgehend unsichtbar und findet häufig unter prekären Bedingungen statt. (Der Spiegel 2026 - "So sieht die Arbeit von Clickworkern aus". https://www.spiegel.de/netzwelt/web/training-fuer-kuenstliche-intelligenz-so-sieht-die-arbeit-von-clickworkern-aus-a-7c018325-440d-461c-a004-6b3b35fb9ed1"

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_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Noedu/app/uploads/2025/11/CanariesintheCoalMine_Nov25.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)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)7eu/thinktank/en/document/IUST_STU(2025)774095 

[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/10org/10org/10org/10org/10org/10org/10org/10org/10org/10.1007/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.cocococococococococom/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/10org/10org/10org/10org/10org/10org/10org/10org/10org/10.1038/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/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lapress/v239/lazovich23a.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/j1016/j1016/j1016/j1016/j1016/j1016/j1016/j1016/j1016/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
 

[44] Markov, G., Segerie, C.-R. (2025). The AI Risk Spectrum: From Dangerous Capabilities to Existential Threaths.
https://arxiv.org/pdf/2508.13700

Präambel:

Die Natur und die Menschen sind in Städten zu Zeiten der Klimakrise und des Artensterbens global extremen Belastungen ausgesetzt. Um diesen Herausforderungen gerecht zu werden, müssen unsere Städte zu natur- und menschengerechten Orten umgestaltet werden. Die aktuelle Stadtplanung konzentriert sich vorrangig auf Autos und missachtet dabei die menschlichen und ökologischen Interessen und Bedürfnisse. Städte der Zukunft müssen menschengerecht, das heißt klimagerecht, emissionsarm und biodivers sein. In einer solchen Stadt haben alle Menschen unmittelbaren Zugang zu Grünflächen und insgesamt kürzere Wege zwischen Wohnen, Arbeiten, Einkauf und Erholung.

Deshalb brauchen Städte der Zukunft den rasanten Ausbau von Grünflächen. In der Stadtplanung müssen natürlicher Klimaschutz und der Schutz der Biodiversität immer eine vorrangige Rolle spielen, um eine weitere Bewohnbarkeit und ein angenehmes Leben in der Stadt zu erhalten.

Die NAJU fordert daher:

1. Umfassende Begrünung aller Städte

2. Entsiegelung möglichst vieler Flächen und die Begrenzung weiterer Versieglung

3. Verbindliche und ambitionierte gesetzliche Obergrenzen für den Flächenverbrauch, die ihn zunächst auf höchsten 2,5 Hektar pro Tag begrenzen und bis 2035 auf Netto-Null senken

4. Wasserhaushaltskonzepte mit dem Ziel einer Schwammstadt

5. Grüne (Um)planung des Straßenraums

6. Verschärfte Maßnahmen zur Emissionsreduktion

7. Zugang zu Grünflächen für alle

8. Vernetzung von Grünflächen und Biotopen

9. Gestaltung öffentlicher Grünflächen für eine biodiverse Stadt

Zu 1.

Durch die Klimakrise bedingte Hitzewellen töten jährlich tausende Menschen in Deutschland. Das zeigt, dass ein grüner Umbau unserer Städte unausweichlich ist, um diese zu kühlen und die Hitzeeffekte abzuschwächen. Diese kann in Städten durch grüne und blaue Infrastruktur (also Grün- und Wasserflächen) deutlich verringert werden. Grüne und blaue Infrastruktur kühlen nicht nur, sondern reduzieren Schäden durch Hochwasser, Starkregen, Sturm, Dürre oder Hitze.[1] Ziel ist eine ganzheitlich sinnvoll (um)geplante Stadt, welche Extremwetterereignisse infolge des Klimawandels besser puffern kann.

Deshalb fordern wir die Kommunen auf, neue Grünflächen und Parks anzulegen, Straßen, Plätze, Dächer und Fassaden zu begrünen. Städte müssen sich anpassen, um fit zu sein, gegenüber einer Zukunft in der Hitze und Extremwetter zur Normalität gehören. Die Sicherheit und das Wohlbefinden von Mensch und Natur können nur in grünen Städten gewährleistet sein. In Anbetracht steigender Krankheits- und Sterbefälle und der stärkeren Belastung der älter werdenden Bevölkerung, fordern wir eine stärkere Verschattung innerhalb der Stadt.

Zu 2.

Fläche ist eine knappe Ressource vor allem in der Stadt. Dabei sind freie, versickerungsfähige Böden notwendig für Klimaanpassung, als Gesundheitsschutz, für den Erhalt der Biodiversität und des natürlichen Wasserkreislaufes. Das bundesweite Ziel von nur 30 ha Neuversiegelung pro Tag bis 2030 halten wir für zu unambitioniert, zumal es in den vergangenen Jahren stark überschritten wurde [2].

Wenn gebaut wird, muss das flächensparend erfolgen, zum Beispiel durch Bebauung bereits versiegelter Flächen oder sozialverträgliche Nachverdichtung, durch platzsparende Bauweisen oder durch Teil- statt Vollversiegelung.

Wir fordern verbindliche gesetzliche Obergrenzen für die Flächenneuinanspruchnahme, die den täglichen Zuwachs der Versiegelung zunächst auf höchstens 2,5 ha. pro Tag begrenzen und weiterhin bis 2035 auf Netto Null senken, statt wie bisher geplant erst bis 2050. Grünflächen dürfen nicht länger überbaut werden, ohne eine Entsiegelung im gleichen Umfang an anderer Stelle durchzuführen. Nach einer Entsiegelung muss der ökologische Wert der Fläche Priorität haben. So kann eine erhöhte Biodiversität durch Bepflanzung mit ökologisch wertvollen, insektenfreundlichen Arten gewährleistet werden.

Zu 3.

Städte, in denen Niederschlagswasser nicht über die Kanalisation abgeführt wird, sondern lokal versickert, verdunstet oder gespeichert wird, werden als „Schwammstädte“ bezeichnet.[3]Unversiegelte Böden dienen dem Hochwasserschutz, der Grundwasserneubildung und damit der Trinkwasserversorgung.

Städte müssen so gestaltet sein, dass Wasser möglichst lange gehalten wird, um Hochwasser- und Dürreperioden abzufedern und an heißen Tagen zu kühlen.[3] Dächer, Fassaden und Straßen müssen begrünt werden. Überflutungsflächen und unversiegelte Grünflächen müssen flächendeckend angelegt werden. Bei bebauten Flächen müssen versickerungsfähige Materialien verwendet werden. Wir fordern die Kommunen auf Anreize zu schaffen, Wasser versickern zu lassen, statt es dem Abwasser zuzuführen. [4]

Zu 4.

2024 waren in Deutschland über 18.000 km² ausgewiesene Verkehrsflächen. Der Versiegelungsanteil bei Verkehrsflächen ist mit 50 bis 70% dabei besonders hoch[5], obwohl es auch hier Hebel für eine grünere Planung gibt. Die Bepflanzung von Straßenrändern mit Bäumen und anderer Vegetation wird nicht nur positiv von der Bevölkerung aufgenommen, sondern dient dem Klimaschutz, der Klimaanpassung, der Filterung von Feinstaub und der Artenvielfalt. [6, 7]

Wir fordern die Kommunen auf, ihren Straßenbaumbestand zu erhöhen. Weiterhin sollen zwischen und neben Straßenbäumen Wildpflanzenbiotope gefördert werden, beispielsweise indem auf begrünten Straßenrändern maximal 2 mal im Jahr gemäht wird. Neupflanzungen und Ausgleichspflanzungen soll durch möglichst klimaresiliente Bäume sowie ökologisch wertvolle Arten erfolgen.

Betonierte und gepflasterte Flächen heizen sich im Vergleich zu anderen Flächen besonders stark auf. Wir fordern einen weitreichenden Ausbau von grüner und blauer Infrastruktur auch im Straßenraum, um die Hitzebelastung zu reduzieren und Hitzetode zu verhindern.[8]

Zu 5.

Lärm- und Abgasemissionen sind eine hohe Belastung für die Menschen in der Stadt und macht sie auf Dauer krank. [9] Aufgrund des andauernden Anstiegs des Individualverkehrs steigen diese stetig an, trotz effizienterer und emissionsärmerer Fahrzeuge. [10] Zur Reduktion muss öffentlicher Nahverkehr attraktiv gestaltet (günstiger/kostenlos) und grüne Infrastruktur verstärkt ausgebaut werden.^[1] Dadurch wird die Belastung von Mensch und Natur durch Lärm, Abgase und Feinstaub signifikant reduziert. [1]

Die räumliche Trennung von Wohnen, Arbeit, Einkauf und Erholung erhöht den Bedarf an Verkehr. Wir fordern eine Verkehrsplanung, die auf kurze Wege und die Vermeidung unnötigen Verkehrs setzt, das wünscht sich auch eine Mehrheit der Menschen. [11] Daher fordern wir, dass Wohnsiedlungen nicht ohne notwendige Infrastruktur geplant werden.

[1] Forderungen zur Mobilität sind in der “NAJU-Resolution für eine umweltverträgliche Mobilitätswende” und in “NAJU-Position zur Verkehrspolitik” aufgeführt.

Zu 6.

Grünflächen dienen als Erholungsraum und verbessern nachweislich das Wohlergehen und die psychische Gesundheit. Sie dienen vor allem für Kinder und Jugendliche auch als Ort für Bewegung und als sozialer Treffpunkt. [4] Alle Menschen müssen in unmittelbarer Umgebung ihres Wohnortes jederzeit Zugang zu Grünflächen haben.

Daher fordern wir Kommunen dazu auf, Stadtviertel so zu planen, dass Grünflächen mit einer Mindestgröße von einem Hektar zu Fuß in maximal 500 m erreicht werden können. [12] Ergänzende kleine Grünflächen dienen als Trittsteinbiotope und kühle Inseln.

Zu 7.

Die Vernetzung von Grünflächen und Biotopen ist für biodiverse Städte wichtig. Sie ermöglicht Wanderungen von Tieren und damit eine Lebensraumvergrößerung sowie den genetischen Austausch aller Arten mit dem Umland. [13] Des Weiteren können so grüne, kühle und ruhige Geh- und Radwege durch die ganze Stadt geschaffen werden.

Wir fordern daher die Vernetzung des gesamten städtischen Grün durch grüne Korridore. Diese dienen auch als Kalt- und Frischluftschneisen und verbessern so die Luftqualität und senken die Temperatur im Sommer.[1] Dabei sollte spontane Natur gefördert werden, indem Bereiche nicht aktiv gepflegt werden, sondern wild und natürlich wachsen können.

Zu 8.

Grünflächen in Städten müssen im Sinne des Erhaltes der Biodiversität gestaltet werden. Wir fordern auch innerhalb von Städten Vorranggebiete für Umwelt- und Naturschutz, die zudem zur Naherholung zugänglich sind. Wir fordern die Nutzung klimaresilienter und ökologisch wertvoller Pflanzenarten zur Begrünung und eine vielfältige Gestaltung der Grünflächen. Dazu sollten keine invasiven (und wenn möglich keine gebietsfremden) Arten verwendet werden. Dabei sollten Standortunterschiede sowie historisch gewachsene Strukturen berücksichtigt werden. Eingriffe in die Stadtnatur müssen reduziert werden, darunter Mähen von Rasenflächen oder die Entfernung von Fugenvegetation.

[1]: Tim Kaysers (2026): Stadtbegrünung - Für klimaresiliente, biodiverse und gesunde Städte. Springer Vieweg Wiesbaden. (https://link.springer.com/book/10.1007/978-3-658-51457-0)

[2]: Deutsche Nachhaltigkeitsstrategie. (o. D.). Transformation gemeinsam gerecht gestalten Deutsche Nachhaltigkeitsstrategie Weiterentwicklung 2025. https://www.bundesregierung.de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13de/resource/blob/975274/2335292/c4471db32df421a65f13f9db3b5432ba/2025-02-17-dns-2025-data.pdf?download=1

[3]: Lena Jourdan (2025): Schwammstadt-Konzept - Einflussmöglichkeiten für ein nachhaltigeres Wohnquartier, Springer Vieweg, Wiesbaden. (https://link.springer.com/book/10.1007/978-3-658-48366-1)

[4] Säumel et al. (2016): Stadtnatur fördert saubere Luft. In Ökosystemleistungen in der Stadt, Naturkapital Deutschland – TEEB.de. 86-95, 99 https://www.ufz.de/export/data/global/190508_TEEB_DE_Stadtbericht_Langfassung.pdfpdfpdfpdfpdfpdfpdfpdfpdfpdfpdfpdfpdf

[5] Siedlungs- und Verkehrsfläche. (o. D.). Umweltbundesamt.

https://www.umweltbundesamt.de/daten/umweltzustand-trends/flaeche-boden-land-oekosysteme/flaechennutzung-in-deutschland/siedlungs-verkehrsflaeche

[6] Weber, F., Kowarik, I. & Säumel, I. (2014). A walk on the wild side: Perceptions of roadside vegetation beyond trees. Urban Forestry & Urban Greening, 13(2), 205–212. https://doi.org/10.1016/j.ufug.2013.10.010

[7] Weber, F., Kowarik, I. & Säumel, I. (2014b). Herbaceous plants as filters: Immobilization of particulates along urban street corridors. Environmental Pollution, 186, 234–240. https://doi.org/10.1016/j.envpol.2013.12.011

[8] Mohammad A. Rahman, Eleonora Franceschi, Nayanesh Pattnaik, Astrid Moser-Reischl, Christian Hartmann, Heiko Paeth, Hans Pretzsch, Thomas Rötzer & Stephan Pauleit:
Spatial and temporal changes of outdoor thermal stress: influence of urban land cover types.
Scientific Reports. Date: 13.01.2022.

[9] Rainer Fehr, Claudia Hornberg (Hrsg.): Stadt der Zukunft – Gesund und nachhaltig: Brückenbau zwischen Disziplinen und Sektoren. Edition Nachhaltige Gesundheit in Stadt und Region / Band 1. Oekom.

[10] https://www.umweltbundesamt.de/daten/umweltzustand-trends/verkehr/emissionen-des-verkehrs

[11] Suffizienz im Verkehr. (2024, 3. August). Umweltbundesamt. https://www.umweltbundesamt.de/themen/verkehr/nachhaltige-mobilitaet/suffizienz-im-verkehr#bedeutung

[12] Bundesamt für Naturschutz (2024): Orientierungswerte für öffentliches Grün. https://www.bfn.de/publikationen/broschuere/orientierungswerte-fuer-oeffentliches-gruen

[13] BfN-Skripten 563 (2020): Schutz und Weiterentwicklung der biologischen Vielfalt im Rahmen der integrierten Stadtentwicklung unter Berücksichtigung der Möglichkeiten der deutschen Städtebauförderung.

https://bfn.bsz-bw.de/frontdoor/deliver/index/docId/81/file/Skript_563.pdf