Restaurantbesucher empfinden KI-generierte Menübilder zunehmend als irritierend und unappetitlich. Die Darstellungen, oft von generativer Künstlicher Intelligenz (KI) erstellt, weisen eine unnatürliche Perfektion und Homogenität auf, die bei Kunden ein Gefühl des Unbehagens auslöst, selbst wenn der genaue Grund dafür schwer zu benennen ist.
Die Ästhetik der Künstlichen Intelligenz
Wenn Gäste Speisekarten mit KI-generierten Illustrationen sehen, fallen ihnen oft makellose, präzise symmetrische und ungewöhnlich glatte Bilder auf. Diese können von übertrieben künstlich wirkendem Käse auf Burritos bis hin zu subtil veränderten Bagel-Sandwiches reichen, die erst bei näherer Betrachtung als „falsch“ empfunden werden.
Alex Lisle, CTO von Reality Defender, einem Anbieter von KI-Erkennungstools, erklärt, dass die Art und Weise, wie diese Modelle trainiert werden, die spezifische Ästhetik erklärt. Große Sprachmodelle (LLMs) und Diffusionsmodelle, die Bildgeneratoren wie Midjourney antreiben, werden mit riesigen Datenmengen trainiert. Dabei erkennen sie Muster, um Anfragen wie „Erstelle ein Menü für ein Burgerrestaurant“ zu erfüllen. Lisle vergleicht die Ergebnisse oft mit Menüs von Fast-Food-Ketten aus der Vergangenheit, beispielsweise einem „Chili’s-Menü von 2015“, da diese den Korpus der Trainingsdaten bildeten.
Gefahr der Homogenisierung und Konvergenz
Die Optimierung der Trainingsdaten auf „Gefälligkeit“ oder „Nicht-Anstößigkeit“ führt laut Lee Rainie, Direktor des Imagining the Digital Future Center der Elon University, zu einer Homogenisierung. KI-Modelle neigen dazu, „die Kanten abzuschneiden“, was zu einer Vereinheitlichung der Bilder führt. Diese Glättung verstärkt sich offenbar, wenn Nutzer KI-generierte Menübilder wiederholt bearbeiten. Ein Experiment auf X (ehemals Twitter) zeigte, dass nach 100 Bearbeitungen die abgebildeten Speisen zunehmend unnatürlich und rund wirkten.
Ein weiteres Problem entsteht, wenn KI-Modelle zu viel ihres eigenen, bereits KI-generierten Inhalts als Trainingsdaten verwenden. Dies kann zu einer „Konvergenz“ führen, einer Art Qualitätsabbau, der die Ausgaben der KI verschlechtert, ohne sie völlig unbrauchbar zu machen. Lisle vergleicht dies mit einer milderen Form des „Modellkollapses“, bei dem sich die Inzucht in den Daten irgendwann zu stark auswirkt.
Die Reaktion der Kunden: Uncanny Valley
Forscher der Universität Duisburg-Essen haben herausgefunden, dass KI-generierte Lebensmittelbilder einen „Uncanny Valley“-Effekt hervorrufen. Das bedeutet, Bilder, die fast echt aussehen, aber subtile Fehler aufweisen, lösen bei Betrachtern mehr Ekel und Unbehagen aus als offensichtlich gefälschte Bilder. Dieses Unbehagen der Kunden, die zwar nicht immer artikulieren können, was sie stört, aber spüren, dass etwas nicht stimmt, ist laut Rainie ein Hauptgrund für die teils starke Ablehnung von Restaurants, die solche Menüs verwenden.
Diese Entwicklung hat weitreichendere Implikationen, die über Speisekarten hinausgehen. Lisle warnt, dass das Prinzip „Sehen und Hören ist Glauben“ in Frage gestellt wird. Wenn selbst visuelle Beweismittel durch die Fähigkeit der KI zur Erzeugung überzeugender, aber unauthentischer Inhalte manipuliert werden können, verschiebt sich die Grundlage der Wahrheitsfindung fundamental.
Thema: Technologie / KI allgemein. Quelle/Inspiration: TechCrunch.