Wikipedia verbietet KI-generierte Inhalte, erlaubt aber eingeschränkte KI-Nutzung mit menschlicher Prüfung

Wikipedia hat eine neue Richtlinie eingeführt, die KI-generierte Enzyklopädieeinträge verbietet, während begrenzter KI-Einsatz unter menschlicher Aufsicht erlaubt ist.
Richtliniendetails
Die Wikimedia Foundation hat für ihre Flaggschiff-Website eine Richtlinie genehmigt, die Bearbeitern untersagt, große Sprachmodelle wie ChatGPT zur Erstellung enzyklopädischer Inhalte zu nutzen. Das Verbot wurde von Freiwilligen mit 40 zu 2 Stimmen nach monatelangen Debatten unter Moderatoren beschlossen.
Wikipedia-Führungskräfte nennen mehrere spezifische Bedenken gegenüber KI-generierten Texten:
- Verstößt gegen Kernprinzipien der Überprüfbarkeit und Neutralität
- KI-Halluzinationen erfinden Fakten
- Defekte Links und Quellenangaben, die ins Leere führen
- Ungenau oder gefälschte Zitate
- Überstrapazierte Phrasen und Klischees
- Weitschweifige Erklärungen und plötzliche Stilwechsel
Erlaubte KI-Nutzungen
Gemäß der neuen Richtlinie können Wikipedias 260.000 Bearbeiter KI weiterhin auf diese spezifischen Arten nutzen:
- Übersetzen von Artikeln aus anderen Sprachen
- Vorschlagen kleinerer Textkorrekturen
Alle Änderungen müssen von Menschen überprüft werden, und keine neuen Informationen dürfen durch KI-Unterstützung eingeführt werden.
Erkennung und Durchsetzung
Wikipedia entwickelte letztes Jahr Bot-Erkennungsrichtlinien, die Bearbeitern helfen, KI-geschriebene Texte zu identifizieren. Der freiwillige Bearbeiter Ilyas Lebleu, ein Gründungsmitglied der WikiProject AI Cleanup-Gruppe, merkte an, dass verdächtige Artikel oft „einen Stil haben, der nicht zu dem passt, was wir normalerweise auf Wikipedia sehen“. Verdachtsfälle werden von anderen Bearbeitern geprüft, die fragwürdige Inhalte anfechten, überarbeiten oder entfernen können.
Kontext und Auswirkungen
Wikipedia-Mitgründer Jimmy Wales nannte aktuelle KI-Modelle im Oktober unzuverlässig und beschrieb die Situation als „Chaos“, warnte davor, dass die Technologie noch nicht bereit sei, menschliche Bearbeiter zu ersetzen. Die Richtlinienänderung erfolgt, als der ChatGPT-Verkehr die monatlichen Seitenaufrufe von Wikipedia überstieg, wobei menschliche Seitenaufrufe Ende 2025 im Vergleich zu 2024 um 8 % zurückgingen.
Lebleu, der an der neuen Richtlinie mitgeschrieben hat, sagte gegenüber 404Media, dass die wachsende Zahl KI-generierter Artikel für Bearbeiter unüberschaubar geworden sei, wobei „Inseln vorsichtigen Optimismus in echte Besorgnis umschlugen“. Er warnte, dass Wikipedias Entscheidung eine breitere Abrechnung einleiten könnte, und sagte: „Ich sehe einen Dominoeffekt voraus, der Gemeinschaften auf anderen Plattformen befähigt, selbst zu entscheiden, ob KI auf ihren eigenen Bedingungen willkommen sein sollte.“
📖 Read the full source: HN AI Agents
👀 Siehe auch

Lokale vs. Cloud-Modelle: Qwen-3.6-27B, Gemma-4-31B, Claude Haiku, Codex-Spark bei schwerer Code-Generierung
Ein Benutzer testete Qwen-3.6-27B (q4_k_m) lokal auf einer RTX 5080 gegen die API-basierten Modelle Gemma-4-31B, Claude Haiku 4.5 und Codex-Spark bei einer komplexen Code-Aufgabe. Nur Codex-Spark lieferte vollständigen Code (aber mit Importfehlern); alle anderen scheiterten teilweise. Kosten: Gemma verbrauchte 0,112 $ für 803k Eingabe-Tokens.

Bram Cohen kritisiert 'Vibe Coding' und KI-gestützte Entwicklungspraktiken
Bram Cohen argumentiert, dass 'Vibe Coding' – bei dem Entwickler den Code vermeiden, während sie KI-Assistenten nutzen – zu schlechter Softwarequalität führt, und verwendet den Quellcode-Leak von Claude als Beispiel für die Probleme mit exzessivem Dogfooding.

Mark Zuckerberg entwickelt KI-Agenten zur Unterstützung von CEOs
Mark Zuckerberg baut laut einem Wall Street Journal-Bericht, der auf Hacker News mit 37 Punkten und 30 Kommentaren diskutiert wurde, einen KI-Agenten, um ihn bei seinen CEO-Aufgaben zu unterstützen.

Wenn RLVR kleinen feinabgestimmten Modellen hilft: Eine Analyse mit 12 Datensätzen
Ein kontrolliertes Experiment testete das Hinzufügen von RLVR-Verstärkungslernen auf 1,7-Milliarden-Parameter-Modelle, die mit SFT feinabgestimmt wurden. Die Ergebnisse zeigen, dass Textgenerierungsaufgaben im Durchschnitt um +2,0 Prozentpunkte verbessert wurden, während strukturierte Aufgaben um -0,7 Prozentpunkte zurückgingen.