Algorithmus verstärkt Inhalte effizient – unabhängig von Politik!

„Der Algorithmus“ ist die praktischste Erklärung des Internets. Der Facebook-Feed ist voller politischer Wut? Der Algorithmus. Auf TikTok tauchen fünf Videos mit derselben Verschwörungserzählung hintereinander auf? Der Algorithmus. YouTube empfiehlt nach einem fragwürdigen Video gleich das nächste? Wieder der Algorithmus. Das klingt manchmal, als säße tief im Rechenzentrum eine digitale Redaktion und entscheide: Dieser Nutzer bekommt heute Klimawandelleugnung, jene Nutzerin drei Videos über Migration und der 15-Jährige dort hinten noch ein bisschen Antisemitismus.

So funktioniert es nicht. Ein Empfehlungssystem hat keine politische Gesinnung. Es glaubt nichts, hasst niemanden und will niemanden von einer Weltanschauung überzeugen. Es versucht vorherzusagen, welche Inhalte für einen bestimmten Menschen in einer bestimmten Situation relevant sein könnten – und welche Signale dabei zählen, unterscheidet sich erheblich zwischen Plattformen und sogar zwischen Bereichen derselben Plattform.

Gesellschaftlich bedeutungslos macht das die Systeme allerdings nicht. Im Gegenteil: Eine Maschine muss keine Ideologie haben, um ideologische, falsche oder extremistische Inhalte sehr effizient zu verteilen. Die interessantere Frage lautet deshalb nicht, was der Algorithmus glaubt, sondern was er optimiert – und welche Nebenwirkungen dabei entstehen.

Den einen Algorithmus gibt es nicht

Schon der Begriff führt in die Irre. Große Plattformen haben kein einzelnes Programm, das sämtliche Inhalte nach einer simplen Regel sortiert, sondern Empfehlungssysteme aus vielen Modellen, Filtern und Rankingverfahren. YouTube beschreibt sein System als eines, das aus einer Vielzahl von Signalen lernt: Wiedergabe- und Suchverlauf, Abonnements, Likes und Dislikes, ausdrückliches Feedback wie „Kein Interesse“ oder „Keine Videos von diesem Kanal empfehlen“, geteilte Inhalte und zusätzlich Zufriedenheitsbefragungen, damit Empfehlungen nicht nur danach bewertet werden, wie lange jemand zugeschaut hat. Täglich, so YouTube, lernt das System aus mehr als 80 Milliarden solcher Signale.

Auch Meta erklärt für Facebook und Instagram, dass KI-Systeme Inhalte anhand zahlreicher Vorhersagen ordnen. Was jemand sieht, hängt davon ab, wie er sich zuvor auf der Plattform verhalten hat; gleichzeitig fließen negative Rückmeldungen sowie Qualitäts- und Sicherheitssysteme ein. Das ist eine wichtige Einschränkung für einen Satz, den man oft hört: Der Algorithmus belohne einfach alles, was Engagement bringt. Ganz so simpel ist es nicht. Ein Like kann ein Signal sein, eine lange Betrachtungsdauer ebenfalls, ein Share auch – aber Plattformen können daneben Zufriedenheitswerte, Qualitätskriterien und Sicherheitsregeln berücksichtigen. Ein modernes Empfehlungssystem ist mehr als ein Zähler, der bei jedem Klick um eins nach oben springt.

Und trotzdem bleibt ein grundsätzliches Problem: Die Systeme müssen aus unserem Verhalten ableiten, was uns vermutlich interessiert. In den Kopf schauen können sie nicht.

Wenn Wut wie Interesse aussieht

Stellen wir uns ein Video mit einer absurden Verschwörungserzählung vor. Ein Nutzer sieht es und denkt: Was für ein Unsinn. Er schaut trotzdem bis zum Ende, weil er wissen will, wie absurd die Geschichte noch wird. Danach öffnet er das Profil des Accounts, schaut ein zweites Video und schickt eines davon mit der Nachricht „Schau dir diesen Blödsinn an“ an einen Freund. Aus menschlicher Sicht ist die Sache eindeutig: Der Nutzer lehnt den Inhalt ab.

Für ein Empfehlungssystem ist die Interpretation komplizierter. Es sieht Verhaltenssignale, die je nach Plattform unterschiedlich verarbeitet werden: Der Nutzer hat Zeit mit dem Inhalt verbracht und ihn weitergegeben. Gleichzeitig könnte er mit einem Dislike oder „Kein Interesse“ ein ausdrücklich negatives Signal setzen. Deshalb wäre die Behauptung falsch, jedes empörte Ansehen führe automatisch zu mehr vergleichbaren Inhalten. Ebenso falsch wäre die Vorstellung, unser Verhalten habe mit dem künftigen Feed nichts zu tun.

Interessant ist dabei eine Feinheit: Selbst ein Share muss nicht für jeden Nutzer dasselbe bedeuten. YouTube erklärt, dass Signale personalisiert gewichtet werden können – wer regelmäßig Videos weiterleitet, mit denen er selbst unzufrieden ist, wird nicht automatisch so behandelt, als wäre jeder Share ein starkes Zeichen der Zustimmung. Genau deshalb lässt sich aus dem sogenannten Hate-Watching keine einfache Regel ableiten. Problematisch werden kann es trotzdem: Wer immer wieder Inhalte einer bestimmten Art vollständig ansieht, weitere ähnliche Videos aufruft oder gezielt danach sucht, produziert Verhaltensdaten. Auch wenn die Motivation Ablehnung ist.

Sehen ist nicht glauben

Eine 2024 in PNAS Nexus veröffentlichte Untersuchung macht diesen Unterschied anschaulich. Die Forschenden arbeiteten sowohl mit 8.600 automatisierten YouTube-Testprofilen als auch mit 2.142 häufigen YouTube-Nutzern, die einen Monat lang eine Browsererweiterung installierten. Eine gezielte Veränderung der Watch-History führte dazu, dass häufiger verifizierte und ideologisch ausgewogenere Nachrichten empfohlen und anschließend tatsächlich häufiger konsumiert wurden. Die Empfehlungen beeinflussten also messbar, welche Informationen Menschen erreichten.

Trotzdem fanden die Forschenden keine entsprechenden Veränderungen bei politischen Einstellungen, bei Polarisierung oder bei der Genauigkeit politischer Überzeugungen. Ein Empfehlungssystem kann die Informationsumgebung eines Menschen erheblich verändern – daraus folgt noch lange nicht, dass dieser Mensch anschließend seine Meinung ändert. Zwischen sehen und glauben liegt ein Unterschied, den die Debatte gern überspringt.

Warum Empörung trotzdem im Vorteil ist

Dazu kommt eine zweite Ebene: Manche Inhalte lösen schlicht mehr Reaktionen aus als andere. Empörung, Angst, Skandalisierung oder starke politische Identifikation können Menschen dazu bringen, länger hinzusehen oder etwas weiterzuleiten. Desinformation ist zudem häufig sensationell formuliert und konkurriert damit nicht unter denselben Bedingungen wie eine nüchterne Richtigstellung. Wie Aufmerksamkeit, Überschriften und das Teilen von Inhalten zusammenspielen, haben wir auch in unserem Beitrag „Lesen im Feed“ genauer untersucht.

Eine 2025 in Scientific Reports veröffentlichte Untersuchung wertete mehr als 20 Millionen Beiträge über Klimawandel auf Facebook, Instagram, Twitter und YouTube aus. Beiträge, die auf als unzuverlässig klassifizierte Quellen verwiesen, erzielten auf allen untersuchten Plattformen mit Ausnahme von Twitter im Durchschnitt ein höheres relatives Engagement als Beiträge mit zuverlässigen Quellen. Die Formulierung ist wichtig: Geprüft wurde nicht jede einzelne Behauptung jedes Posts, sondern die Zuverlässigkeit der verlinkten Quellen. Als mögliche Erklärung nennen die Forschenden unter anderem den sensationellen und provokanten Charakter solcher Inhalte. Was die Studie nicht zeigt: dass Facebook, Instagram oder YouTube eine eingebaute Regel besitzen, nach der Falschinformationen bevorzugt ausgespielt werden. Sie beobachtet Engagement und Quellenqualität; algorithmische Verstärkung, Nutzerverhalten und Änderungen der Plattformen lassen sich dabei nicht sauber trennen.

Eine 2026 im Journal of Public Economics erschienene Arbeit nähert sich dem Problem von der anderen Seite, mit einem theoretischen Modell und einer ergänzenden empirischen Prüfung. Im Modell reagieren ideologisch extremere Nutzer stärker auf bestimmte Inhalte als moderatere; dadurch können Rückkopplungen zwischen Sichtbarkeit und Interaktion entstehen. Die Autoren vergleichen ihre Vorhersagen zusätzlich mit Daten rund um Facebooks Umstellung auf „Meaningful Social Interactions“ im Jahr 2018. Auch daraus folgt kein Beweis, dass jede reale Plattform exakt so funktioniert. Die Arbeit zeigt aber, weshalb die Optimierung auf Nutzerreaktionen strukturelle Folgen haben kann. Verstärkung braucht keine politische Absicht.

Zehn Fünfzehnjährige, die es nie gab

Wie problematisch solche Pfade werden können, zeigte im Mai 2026 eine Untersuchung des Institute for Strategic Dialogue gemeinsam mit dem Antisemitism Policy Trust. Die Forschenden richteten zehn TikTok-Profile ein, die 15-jährige Nutzer mit unterschiedlichen politischen und kulturellen Interessen simulierten. Nach einer manuellen Anfangsphase wurden die Accounts 14 Tage lang von einem eigens entwickelten Bot weitergeführt; insgesamt analysierte die Untersuchung mehr als 5.500 empfohlene Videos. Dabei fanden die Forschenden thematische Verbindungen zwischen Lifestyle-Inhalten, politischem Material, Verschwörungserzählungen und antisemitischen Inhalten. Auch Kommentare, Sticker und Sounds spielten als Brücken eine Rolle.

Hier braucht es allerdings eine methodische Einschränkung, die in der Berichterstattung gern verloren geht. Die Testprofile starteten nicht als unbeschriebene, durchschnittliche Jugendliche. Sie wurden gezielt auf Themen konditioniert: Ein ausdrücklich als „Far right“ angelegter Account wurde mit Suchbegriffen trainiert, die bereits klar in antisemitische und rechtsextreme Themenwelten führen, darunter „ZOG“, „jewish lobby“ und „rothschilds“. Andere Profile wurden auf Migration, „anti-woke“, „red pill“, den Israel-Palästina-Konflikt oder linke Politik ausgerichtet. Und der Bot war kein passiver Beobachter: Für jedes Profil waren passende Schlüsselbegriffe definiert; entsprach ein empfohlenes Video diesen Begriffen, sah der Bot es länger an, nicht passende Inhalte wurden weitergewischt.

Das ist methodisch sinnvoll, wenn man wissen will, ob ein Empfehlungssystem bestimmte thematische Pfade erzeugen kann. Es beantwortet aber eine andere Frage nicht: Wie wahrscheinlich ist es, dass ein durchschnittlicher 15-Jähriger ohne diese Startsignale denselben Weg nimmt? Die Untersuchung zeigt, dass unter den getesteten Bedingungen problematische Empfehlungspfade und Cluster entstehen konnten. Sie liefert keine Radikalisierungsquote realer Jugendlicher und beweist keine Veränderung ihrer Einstellungen. Das nimmt dem Befund nichts weg. Es sagt nur präzise, was tatsächlich untersucht wurde.

Ein Feed, der messbar verschiebt

Dass ein Algorithmus politische Folgen haben kann, ohne eine politische Meinung zu besitzen, zeigt eine im Februar 2026 in Nature veröffentlichte Studie über X. In einem randomisierten Feldexperiment mit knapp 5.000 Nutzern in den USA verwendeten die Teilnehmenden 2023 entweder den algorithmischen „For You“-Feed oder einen chronologischen Feed – im Schnitt rund sieben Wochen lang.

Bei Menschen, die zuvor chronologisch gelesen hatten und im Experiment auf den algorithmischen Feed wechselten, verschoben sich bestimmte politische Einstellungen messbar in eine konservativere Richtung: bei politischen Prioritäten, bei der Bewertung der strafrechtlichen Untersuchungen gegen Donald Trump und bei Positionen zum russischen Angriffskrieg gegen die Ukraine. Der Feed selbst sah anders aus: Konservative politische Inhalte waren im algorithmischen Feed häufiger vertreten, traditionelle Nachrichtenorganisationen wurden seltener ausgespielt, politische Aktivisten häufiger. Gleichzeitig fanden die Forschenden keinen signifikanten Effekt auf die selbst angegebene Parteizugehörigkeit und keinen auf die affektive Polarisierung – also darauf, wie negativ Menschen die jeweils andere politische Seite bewerten. Und in der Gegenrichtung, vom algorithmischen zum chronologischen Feed, blieb ein vergleichbarer Effekt aus.

Das ist ein bemerkenswerter Befund. Er bedeutet aber nicht, dass Algorithmen Menschen rechts machen. Er bedeutet, dass ein konkreter Empfehlungsalgorithmus auf einer konkreten Plattform zu einem konkreten Zeitpunkt messbare politische Auswirkungen hatte. Diese Einschränkung ist keine Wortklauberei, denn Empfehlungssysteme verändern sich, Plattformen unterscheiden sich, Nutzergruppen ebenfalls. Genau das zeigen die Untersuchungen zu Facebook und Instagram.

Andere Plattform, andere Wirkung

Bei großen Experimenten rund um die US-Wahl 2020 wurde für einen Teil der Facebook- und Instagram-Nutzer die algorithmische Sortierung durch einen umgekehrt chronologischen Feed ersetzt. Dadurch veränderte sich erheblich, was Menschen sahen und wie intensiv sie die Plattform verwendeten. Bei mehreren wichtigen politischen Einstellungsmaßen und Polarisierungsindikatoren fanden die Forschenden jedoch keine signifikanten Veränderungen. Bemerkenswert ist außerdem: Unter der chronologischen Sortierung nahm der Anteil politischen und als unzuverlässig klassifizierten Contents teilweise sogar zu.

Die Facebook-Ergebnisse widersprechen der X-Studie nicht. Sie betreffen andere Plattformen, andere Algorithmen, einen anderen Zeitraum und eine andere politische Situation. Gerade daraus ergibt sich die eigentliche Erkenntnis: Nach bisherigem Forschungsstand gibt es keine universelle Regel, wonach jeder Empfehlungsalgorithmus dieselben politischen Auswirkungen erzeugt.

Chronologisch heißt nicht neutral

Der chronologische Feed wird gern als Gegenmodell dargestellt – als unverfälschte Version dessen, was wirklich passiert. Auch das ist zu einfach. Ein chronologischer Feed entscheidet zwar nicht anhand eines Interessenprofils, welcher Beitrag zuerst erscheint, sondern zeigt Inhalte im Wesentlichen nach Veröffentlichungszeitpunkt. Neutral wird er dadurch nicht. Schon die Frage, welchen Accounts jemand folgt, bestimmt massiv, welche Wirklichkeit auftaucht. Dazu kommt, dass manche Accounts wesentlich häufiger veröffentlichen als andere: Ein sehr aktiver politischer Account kann einen chronologischen Feed problemlos dominieren, während selten publizierende Quellen nach wenigen Minuten verschwunden sind. Und die Facebook-Experimente zeigen, dass chronologische Sortierung nicht automatisch einen gesünderen Informationsraum erzeugt – unter den dort untersuchten Bedingungen wurde politischer und als unzuverlässig klassifizierter Content teilweise häufiger sichtbar.

Die Gleichung „algorithmisch gleich manipuliert, chronologisch gleich neutral“ funktioniert also nicht. Aber auch die Umkehrung stimmt nicht: Dass ein Algorithmus keine Gesinnung hat, heißt nicht, dass seine Ergebnisse neutral wären. Jedes Empfehlungssystem wurde für bestimmte Ziele gebaut. Entwickler entscheiden, welche Signale zählen, wie Modelle trainiert werden, welche Inhalte überhaupt empfohlen werden dürfen und wann Sicherheitsmechanismen eingreifen. Schon die Entscheidung, ob ein Feed standardmäßig personalisiert oder chronologisch angezeigt wird, ist eine Designentscheidung. Ein System kann deshalb gesellschaftliche Auswirkungen haben, ohne dass irgendjemand diese konkrete Auswirkung beabsichtigt hat – so wie eine Navigations-App keine Meinung über Stadtplanung hat und trotzdem den Verkehr in einer Nebenstraße verändert, wenn sie tausende Autofahrer regelmäßig dort durchschickt. Optimierungsentscheidungen erzeugen Verteilungseffekte.

Was das Gesetz dazu sagt

Genau deshalb beschäftigt sich der europäische Digital Services Act mit Empfehlungssystemen. Artikel 27 verpflichtet Online-Plattformen, die wichtigsten Parameter ihrer Empfehlungssysteme und die Möglichkeiten, diese zu beeinflussen, in verständlicher Form offenzulegen. Für sehr große Online-Plattformen und Suchmaschinen gilt mit Artikel 38 zusätzlich: Sie müssen mindestens eine Empfehlungsoption anbieten, die nicht auf Profiling im Sinne der Datenschutz-Grundverordnung beruht. Außerdem müssen diese Dienste systemische Risiken untersuchen und geeignete Gegenmaßnahmen treffen, zu denen auch Anpassungen an Empfehlungssystemen gehören können.

Dass es dabei nicht nur um Theorie geht, zeigt das Vorgehen der EU-Kommission gegen X. Am 26. Jänner 2026 teilte die Kommission mit, ihre bereits seit Dezember 2023 laufende Untersuchung gegen die Plattform um die Frage zu erweitern, ob X seinen Risikomanagementpflichten im Zusammenhang mit Empfehlungssystemen nachkommt. Das ist zunächst eine Untersuchung. Einen Rechtsverstoß beweist sie für sich allein nicht.

Und was macht man jetzt damit?

Eine Gebrauchsanweisung für den perfekten Feed liefert die Forschung nicht. Sie zeigt aber ziemlich deutlich, dass wir Empfehlungssystemen nicht ausgeliefert sind und dass unser Verhalten mehr Gewicht hat, als vielen bewusst ist. Der wichtigste Punkt ist banal: Wer etwas nicht sehen möchte, sollte dem System das möglichst eindeutig mitteilen. Ein Video aus Empörung vollständig anzusehen, danach das Profil aufzurufen und noch drei weitere Beiträge anzuschauen, erzeugt andere Signale als „Kein Interesse“ oder „Keine Videos von diesem Kanal empfehlen“ – YouTube erklärt ausdrücklich, dass genau diese Rückmeldungen künftige Empfehlungen anpassen. Ein einzelner Klick programmiert deshalb noch keinen Feed um; die Systeme lernen aus vielen Signalen und gewichten sie unterschiedlich. Aber wer regelmäßig sagt, was unerwünscht ist, gibt dem System weniger Anlass zum Raten.

Das gilt besonders für das Hate-Watching. Natürlich darf man sich einen absurden Beitrag ansehen, um zu verstehen, worum es geht. Problematisch wird es, wenn daraus ein Ritual entsteht: ansehen, Profil öffnen, fünf weitere Videos, ab in die Kommentare, später wiederkommen und nachschauen, was dort inzwischen passiert ist. Für einen Menschen kann das alles Ablehnung sein. Für ein Empfehlungssystem ist es zunächst eine ganze Reihe von Verhaltensdaten rund um genau dieses Thema. Gerade bei politischen und emotionalen Inhalten lohnt sich deshalb eine kurze Frage vor dem nächsten Video: Warum schaue ich mir das gerade an? Weil ich etwas wissen will, weil ich eine Behauptung prüfen will – oder nur, weil mich der Beitrag aufregt? Plattformen sind sehr gut darin, das nächste ähnliche Video bereitzuhalten. Man muss das Angebot nicht jedes Mal annehmen.

Dasselbe gilt fürs Teilen. Wer einen problematischen Beitrag mit „Schaut euch diesen Wahnsinn an!“ weiterleitet, verbreitet ihn trotzdem. Das kann sinnvoll sein, wenn man ihn einordnet, widerlegt oder dokumentiert. Reines Weiterreichen aus Empörung verschafft dem Inhalt dagegen zusätzliche Aufmerksamkeit, ohne dass für alle Empfänger klar ist, dass er falsch oder problematisch ist.

Es lohnt sich außerdem, die eigenen Abonnements hin und wieder anzuschauen. Wer nur Accounts folgt, die dieselben Ansichten vertreten, bekommt auch in einem chronologischen Feed keine ausgewogene Abbildung der Wirklichkeit – der Algorithmus kann bestehende Interessen verstärken, die Grundlage dafür liefern wir aber teilweise selbst. Hilfreich ist, bewusst unterschiedliche seriöse Quellen zu abonnieren und nicht nur jene, deren Beiträge ohnehin zur eigenen Haltung passen. Das heißt nicht, sich gezielt Desinformation oder extremistische Inhalte in den Feed zu holen: Vielfalt entsteht nicht dadurch, dass Wahrheit und Falschinformation künstlich gleichgestellt werden, sondern durch verschiedene verlässliche Quellen, Perspektiven und journalistische Zugänge. Und die Steuerungsmöglichkeiten der Plattformen darf man ruhig verwenden – Kanäle ausblenden, Wiedergabe- und Suchverlauf prüfen, und wer möchte, probiert die Empfehlungsvariante ohne Profiling aus, die sehr große Plattformen in der EU unter dem DSA anbieten müssen.

Daraus folgt allerdings nicht, dass Nutzer allein für ihren Feed verantwortlich wären. Plattformen entscheiden über die Architektur ihrer Systeme, darüber, welche Signale erhoben und wie sie verarbeitet werden. Inhalteanbieter lernen, welche Formate Reichweite erzeugen. Nutzer reagieren auf das, was ihnen gezeigt wird, und produzieren dadurch neue Signale. Das Ganze ist eine Rückkopplung, und deshalb führt die Frage, wer schuld ist – der Nutzer oder der Algorithmus – nicht besonders weit.

Die vielleicht wichtigste Konsequenz ist eine andere. Ein Feed vermittelt sehr schnell den Eindruck, ein Thema sei überall. Wenn zehn Videos hintereinander dieselbe Behauptung wiederholen, fühlt es sich an, als würde das ganze Internet darüber sprechen. Tatsächlich sieht man eine Auswahl, die aus Plattformregeln, bisherigen Interessen, den verfügbaren Inhalten und dem eigenen Verhalten entstanden ist. Häufig im Feed bedeutet deshalb weder häufig in der Bevölkerung noch wahr noch gesellschaftlich repräsentativ. Wer diesen Unterschied im Kopf behält, hat einen erheblichen Teil dessen verstanden, was Medienkompetenz bei Empfehlungssystemen bedeutet. Wir müssen den Algorithmus nicht besiegen. Wir sollten nur aufhören, jeden Feed für ein Fenster auf die Wirklichkeit zu halten.

Das Problem mit der einfachen Erklärung

„Der Algorithmus ist ein Nazi“ wäre eine wunderbar einfache Erklärung für ein kompliziertes Problem. Man könnte der Maschine eine Ideologie zuschreiben und hätte einen klaren Schuldigen. Die Wirklichkeit ist unangenehmer. Ein Empfehlungssystem braucht keine politische Überzeugung, um extremistische Inhalte zu verstärken. Es muss eine Falschinformation nicht für wahr halten, um ihr Reichweite zu geben. Und es muss niemanden hassen, damit menschenfeindliche Inhalte in bestimmten Situationen besonders sichtbar werden. Dafür genügt unter Umständen eine Kombination aus Inhalten, die starke Reaktionen erzeugen, Nutzern, die darauf reagieren, und einem System, das aus diesen Reaktionen die nächsten Empfehlungen berechnet.

Gleichzeitig wäre es falsch, daraus eine automatische Radikalisierungsmaschine zu konstruieren. Die Forschung findet je nach Plattform und Versuchsaufbau unterschiedliche Effekte. Menschen sind keine passiven Empfänger und Algorithmen keine allmächtigen Manipulationsapparate. Was wir sehen, hängt von Plattformdesign, Nutzerverhalten, bestehenden Interessen und dem verfügbaren Content ab.

Der Algorithmus ist weder rechts noch links.

Aber beim Verteilen von Weltanschauungen
ist er verdammt effizient.