Museen brauchen von KI keine Orakel, sondern bessere Spurenleser
- Benjamin Metzig
- 31. Mai
- 6 Min. Lesezeit
Wer an KI im Museum denkt, hat schnell sprechende Avatare, virtuelle Führungen oder futuristische Schauräume im Kopf. In der Praxis beginnt die Sache oft viel nüchterner: mit schlecht lesbaren Inventarbüchern, Lücken in Besitzgeschichten, zehntausenden Bildern im Depot und der Frage, wie aus all dem mehr wird als ein digitales Lager. Gerade deshalb ist das Thema interessant. Denn KI kommt im Museum dort ins Spiel, wo Sammlungen zu groß, Archive zu unübersichtlich und Daten zu heterogen geworden sind, um sie nur mit Handarbeit sinnvoll zu erschließen.
Kernaussagen
KI hilft Museen heute vor allem beim Erschließen, Ordnen und Zugänglichmachen großer Bestände, nicht beim Ersetzen kuratorischer Verantwortung.
In der Provenienzforschung kann sie Handschriften transkribieren, Texte strukturieren und Zusammenhänge sichtbar machen, aber nicht selbst entscheiden, was eine Lücke, ein Gewaltkontext oder ein Restitutionsfall bedeutet.
Computer Vision macht visuelle Ähnlichkeiten in Sammlungen auffindbar, verwechselt jedoch leicht formale Nähe mit historischer oder kultureller Bedeutung.
Für Besucherinnen und Besucher wird KI dort nützlich, wo sie auf verlässliche Museumsdaten aufsetzt und ihre Grenzen offen mitliefert.
Die eigentliche Qualitätsfrage lautet nicht, wie spektakulär ein System wirkt, sondern wie transparent es mit Unsicherheit, Bias und Datenlücken umgeht.
Der erste sinnvolle Einsatzort liegt meist im Archiv
Viele Museumsobjekte sind digital sichtbar, aber ihre Geschichte ist es oft nicht. Genau dort wird KI interessant. Das Metropolitan Museum of Art beschreibt Provenienzforschung als Kernaufgabe für mehr als 1,5 Millionen Objekte. Das ist ein wichtiger Ausgangspunkt: Noch bevor ein System Bilder clustert oder Fragen beantwortet, muss geklärt werden, was ein Objekt ist, woher es kommt und unter welchen Umständen es in eine Sammlung gelangt ist.
Gerade bei Provenienzen stößt klassische Museumsarbeit schnell an Skalengrenzen. Historische Besitzgeschichten liegen häufig als freie Texte vor, nicht als sauber strukturierte Daten. Genau deshalb ist der Beitrag Teaching Provenance to AI so aufschlussreich: Er zeigt, dass KI in diesem Feld nicht mit einer mystischen Gesamterkenntnis arbeitet, sondern mit sehr konkreten Schritten wie Satztrennung, Ereignislogik, Orts- und Personenerkennung. Erst wenn Fachleute definieren, wie Besitzwechsel, Orte, Zeitangaben oder Akteure markiert werden, kann ein Modell solche Texte überhaupt sinnvoll verarbeiten.
Das klingt technisch, ist aber kulturpolitisch brisant. Denn strukturierte Provenienzdaten sind nicht bloß Komfort. Sie können helfen, Gewaltkontexte, Enteignungen und koloniale Erwerbswege über Institutionsgrenzen hinweg besser auffindbar zu machen. Genau in diese Richtung zielt das Berliner Pilotprojekt Artificial Intelligence and Colonial Provenance: Dort wird KI genutzt, um schwer lesbare historische Dokumente zu transkribieren, in mehrere Sprachen zu übersetzen und für die Provenienzforschung zu visualisieren.
Der entscheidende Punkt ist aber: KI löst das historische Problem nicht, sie verschiebt nur dessen Bearbeitungsgrenze. Aus unlesbaren Quellen werden lesbare. Aus freien Texten werden strukturierbare Daten. Doch ob ein Besitzwechsel legal, gewaltsam, erzwungen oder nur lückenhaft dokumentiert ist, bleibt eine Frage fachlicher Interpretation. Genau hier passt der interne Anschluss an KI in der Geschichtsforschung: Der Scan ist noch keine Quelle: Digitalisierung und Auswertung erhöhen die Reichweite der Forschung, aber sie heben Quellenkritik nicht auf.
Merksatz: Im Museum ist KI dann stark, wenn sie Sucharbeit beschleunigt, ohne historische Verantwortung zu automatisieren.
Bildanalyse kann Sammlungen öffnen, aber nicht von selbst verstehen
Der zweite große Einsatzbereich liegt nicht im Text, sondern im Bildbestand. Museen besitzen enorme Mengen an Werken, Fotografien, Skizzen und Objektdokumentationen, von denen nur ein kleiner Teil regulär ausgestellt ist. Die Frage lautet dann nicht mehr nur: Was wissen wir über ein einzelnes Werk? Sondern auch: Welche visuellen Beziehungen bleiben im Bestand unsichtbar, solange man nur über Titel, Epochen oder Schlagwörter sucht?
Genau hier setzt Computer Vision an. Die Studie This is not an apple! Benefits and challenges of applying computer vision to museum collections bündelt fünf Museumsfallstudien und zeigt den Kern des Problems sehr gut: Solche Systeme können neue Wege eröffnen, Sammlungen zu analysieren, zu beschreiben und zu präsentieren, sind aber in der realen Produktivnutzung noch begrenzt, weil Ressourcen fehlen und algorithmische Fehler nicht trivial sind.
Ein frühes, greifbares Beispiel ist die Barnes Foundation. Dort wurden Machine Learning und Computer Vision genutzt, um Werke nicht nur über Metadaten, sondern auch über visuelle Ähnlichkeiten zugänglich zu machen. Für Besucherinnen und Besucher ist das attraktiv, weil man nicht erst kunsthistorische Fachbegriffe kennen muss, um in eine Sammlung hineinzufinden. Man kann von einer Farbe, einer Form oder einer Bildwirkung ausgehen.
Aber genau an dieser Stelle kippt die Sache schnell in einen Denkfehler. Visuelle Nähe ist nicht dasselbe wie historische Bedeutung. Zwei Objekte können sich formal ähneln und doch aus völlig verschiedenen kulturellen Kontexten stammen. Umgekehrt kann eine politisch, biografisch oder materiell entscheidende Beziehung visuell unscheinbar bleiben. Deshalb ist es sinnvoll, Computer Vision als Ergänzung zu kuratorischem Wissen zu betrachten, nicht als dessen Abkürzung.
Das zeigt auch LiviaAI am Belvedere Wien. Dort geht es darum, Muster, Verbindungen und Assoziationen zwischen digitalisierten Objekten aus mehreren Sammlungen sichtbar zu machen. Das ist stark, weil Museen damit nicht nur ihre Bestände besser durchsuchen, sondern auch neue Querbezüge testen können. Es bleibt aber ein Werkzeugkasten für Fachleute und Vermittlung, kein autonomer Deutungsapparat.
Hilfreich ist hier der Vergleich mit dem internen Beitrag Wenn Steine ein zweites Gedächtnis bekommen: Wie 3D-Scans Kulturerbe sichern. Ein Scan konserviert Form, Oberfläche oder räumliche Information. KI versucht darüber hinaus, Beziehungen, Cluster und Suchpfade herzustellen. Beides ist wertvoll, aber beides ist noch keine Bedeutungsgarantie.
Aus Sammlungsdaten wird erst dann Vermittlung, wenn jemand Fragen stellen kann
Der sichtbarste KI-Einsatz liegt inzwischen an der Oberfläche: Besucherinnen und Besucher sollen Sammlungen nicht nur anklicken, sondern befragen können. Das London Museum testet mit Clio 1.0 genau diese Idee. Interessant daran ist weniger der Chat selbst als die institutionelle Selbstbeschreibung: Das System greift nur auf vertrauenswürdige Museumsdaten zurück, kann Antworten vereinfachen oder runden und bleibt dort schwach, wo die zugrunde liegenden Daten lückenhaft sind. Das Museum weist sogar ausdrücklich darauf hin, dass eine konversationelle Suche keine gute Stelle für präzise Positions- oder Policyfragen ist, weil sie Bestandsdaten in natürliche Sprache paraphrasiert.
Das ist ein erstaunlich erwachsener Umgang mit KI. Viele Systeme wirken überzeugend, weil sie sprachlich glatt antworten. Museen haben aber ein anderes Problem als Marketing-Chatbots. Sie arbeiten mit Unsicherheit, konkurrierenden Deutungen, historisch belasteten Begriffen und oft auch mit ungleichen Quellenlagen. Ein System, das diese Unsicherheit unsichtbar macht, wäre gerade im Museum kein Fortschritt, sondern eine hübsch verpackte Verfälschung.
Darum ist der interne Bezug zu Museumsroboter sind keine Spielerei mehr. Sie verändern, wie Kultur erklärt und erlebt wird wichtig. Sobald Technik in die Vermittlung rückt, verändert sie nicht nur den Zugang, sondern auch die Form des Fragens. Sie legt fest, was leicht auffindbar ist, welche Sprache als normal gilt und welcher Kontext zuerst erscheint.
Noch deutlicher wird das mit Informationsdesign ist leise Macht. Ein Museums-Chat wirkt freundlich und offen, ist aber immer auch eine Oberfläche mit impliziten Entscheidungen. Zeigt er eher bekannte Objekte? Vereinfacht er schwierige koloniale oder restitutionsrelevante Zusammenhänge? Lässt er Widersprüche sichtbar oder glättet er sie in flüssige Sprache? Gerade Museen können sich diese Fragen nicht ersparen, weil ihre Glaubwürdigkeit daran hängt, wie sie Komplexität zugänglich machen, ohne sie wegzudesignen.
Die eigentliche Engstelle heißt nicht KI, sondern Datenqualität
Je konkreter man auf reale Projekte schaut, desto klarer wird: Der Flaschenhals ist selten das Modell allein. Häufiger fehlen saubere Metadaten, konsistente Terminologien, nachvollziehbare Provenienztexte, Zeit für Annotationen und personelle Ressourcen für Kontrolle. Die Goldsmiths-Studie über Computer Vision in Museumsbeständen betont genau diese Mischung aus Potenzial und Reibung. Vieles ist technisch möglich, aber nicht automatisch belastbar.
Das ist kein Zeichen des Scheiterns, sondern eine realistische Beschreibung kultureller Arbeit. Museumssammlungen sind keine neutralen Datensätze. Sie sind über Jahrzehnte oder Jahrhunderte gewachsen, oft mit ungleichen Standards, blinden Flecken und historisch belasteten Kategorien. Wer KI darauf ansetzt, übernimmt diese Geschichte mit. Das gilt besonders dort, wo koloniale Erwerbungswege, problematische Zuschreibungen oder lückenhafte Objektbiografien eine Rolle spielen.
Darum führt am internen Beitrag Vertrauen braucht Beipackzettel: Was Model Cards und Datenblätter über KI-Systeme sichtbar machen kaum ein Weg vorbei. Museen brauchen keine magischen Antworten, sondern dokumentierte Systeme: Welche Daten wurden genutzt? Was kann das Modell gut? Wo vereinfacht es? Welche Fehlerrisiken sind bekannt? Und an welcher Stelle muss zwingend ein Mensch nachsehen?
Gerade im Museum ist das keine technische Nebensache. Wer Herkunft, Kontext und Bedeutung öffentlich ausstellt, arbeitet immer auch an Vertrauen. Eine KI, die elegant formuliert, aber unklare oder verzerrte Daten kaschiert, beschädigt dieses Vertrauen schneller, als sie Vermittlung verbessert.
KI macht Museen nicht automatischer, sondern anspruchsvoller
Der wichtigste Befund ist deshalb fast ein paradoxes Ergebnis: Gute KI nimmt Museen nicht Arbeit ab, sondern verändert ihre Arbeit. Sie kann Archive lesbarer machen, Bildbestände neu durchsuchbar, Sammlungen gesprächsfähiger. Aber jeder dieser Gewinne setzt mehr Präzision voraus, nicht weniger. Mehr Datenpflege. Mehr Dokumentation. Mehr Transparenz über Unsicherheit. Mehr kuratorische Entscheidungen darüber, was eine Maschine zeigen darf und was nicht.
Gerade darin liegt der eigentliche Wert. Wenn KI Museen zwingt, ihre Daten, Begriffe und Provenienztexte sauberer zu strukturieren, dann verbessert sie nicht nur Interfaces, sondern auch die wissenschaftliche und öffentliche Nachvollziehbarkeit von Sammlungen. Das ist unspektakulärer als der Traum vom allwissenden Kulturassistenten. Es ist aber sehr viel näher an dem, was Museen tatsächlich brauchen.
Am Ende geht es also nicht darum, ob KI im Museum kreativ, schnell oder beeindruckend wirkt. Entscheidend ist, ob sie Spuren sichtbar macht, ohne ihre Brüche zu glätten. Ein gutes Museum braucht von KI keine Orakel. Es braucht Werkzeuge, die beim Lesen, Vergleichen und Einordnen helfen und dabei offenlassen, wo Geschichte kompliziert bleibt.
Autorenprofil
Benjamin Metzig ist Gründer, Autor und redaktionell Verantwortlicher von Wissenschaftswelle.de. Wissenschaftswelle ist ein persönlich geführtes redaktionelles Wissensprojekt, das komplexe Themen aus unterschiedlichen Fachbereichen sorgfältig recherchiert, strukturiert und verständlich aufbereitet. Moderne Recherche-, Analyse- und KI-Werkzeuge dienen dabei als Unterstützung, während Auswahl, Einordnung, Ton, Quellenbewertung und Veröffentlichung redaktionell bei Benjamin Metzig verantwortet bleiben. Mehr zum Profil: Autorenprofil von Benjamin Metzig.
Kommentare