Max Schrems - Kämpf um deine Daten

Das ist natürlich kein unmittelbares Problem von Big Data. Wir Menschen tun das auch. Wir sind leider oft nicht in der Lage oder einfach zu faul, um die wahren Zusammenhänge zu erforschen und zu erkennen. Wir haben aber gleichzeitig einen inneren Drang, Zusammenhänge als Kausalitäten zu sehen und nicht als Korrelationen. Wir wollen einfache Erklärungen, auch wenn wir keine haben.

Was Menschen betrifft, sollten wir aber inzwischen wissen, dass Korrelationen nicht der Königsweg sind. Nicht alle Menschen einer Gruppe sind gleich, auch wenn vielleicht gewisse Faktoren mit der Zugehörigkeit zu einer Gruppe korrelieren. Diese Unterstellung, dass jemand »eh so wie alle anderen einer Gruppe« ist, nennen wir daher heute schlichtweg Diskriminierung. Wenn Sie einem Schwarzen sagen: »Du bist arm, weil viele Schwarze arm sind«, ist das für viele Menschen offensichtlich. Wenn Sie aber Frauen eine billigere Versicherung anbieten, weil die Gruppe »männlich« generell mehr Kosten verursacht, dann ist das schon weniger offensichtlich. Es ist aber nichts anderes: Weil viele Männer für eine Versicherung teurer sind, soll ich ebenfalls mehr zahlen. Wie komme ich aber dazu, nur weil meine Geschlechtsgenossen mehr Unfälle bauen oder eher ungesund leben, wenn ich das genaue Gegenteil bin? Das ist nichts anderes als eine geschlechtsbasierte Gruppenhaftung. Die EU unterband diese Form der Diskriminierung aufgrund eines X- oder Y-Chromosoms mit »Unisex-Versicherungen«. Eigentlich nur logisch, trotzdem eine große Diskussion und ein Dammbruch in vielen Ländern.

In den USA ist es weiter vollkommen normal, dass der Tarif Ihrer Autoversicherung je nach Automarke, Autotyp, Alter, Bildung, Wohnort, Geschlecht und unzähligen anderen Faktoren berechnet wird. Nur die Hautfarbe wird noch nicht herangezogen, das wäre wohl dann politisch inkorrekt.

Wenn Sie dann, so wie ich, einen ausländischen Führerschein haben, den Sie nach unzähligen Fahrstunden und Kursen langwierig erworben haben, müssen Sie trotzdem deutlich mehr zahlen, als jemand der einen US-Führerschein hat, den man auch in 30 Minuten bekommt. Ich wurde als Ausländer einfach in einen Topf mit Leuten geworfen, die für ein Kilo Kaffee Ihren Führerschein in irgendeinem Entwicklungsland bekommen haben. Das ist eine der Unschärfen in der Praxis. Pech.

Bei massenhafter Datenverarbeitung und Analyse zahlt es sich einfach nicht aus, auf den Einzelfall einzugehen. Das ist wie beim Tontaubenschießen. Wenn Sie nur wenige Schüsse haben und nur wenige Tontauben, dann konzentrieren Sie sich auf die eine Tontaube und zielen genau. So war das in unserer kleinen analogen Welt. Wenn Sie aber 100 Gewehre haben, die pro Sekunde 1 000 Schüsse abgeben und Sie müssen 10 000 Tontauben treffen, dann drücken Sie einfach nur drauf. Durch die Masse an Schüssen und Objekten treffen Sie im Großen und Ganzen schon irgendwas, solange Sie generell in die richtige Richtung zielen.

Ähnlich passiert das auch in vielen neuen Systemen zur massenhaften Datenauswertung. Die paar Schuss, die danebengehen, sind einfach nur eine Fehlerquote. Dabei fällt auch die Individualität des einzelnen Menschen in den Bereich Fehlerquote. Bleibt nur abzuwarten, ob durch noch mehr Daten und noch mehr Analysen dieser Daten die Auflösung höher und die Fehlerquoten kleiner werden. Eine paradoxe Hoffnung.

Ein weiteres Problem bei vielen der Phänomene, die als Big Data bezeichnet werden, ist, dass Sie in den meisten Fällen gar nicht nachvollziehen können, welche Faktoren in welchem Verhältnis bei einer solchen Analyse eine Rolle spielen. Nicht mal die Techniker, die diese Systeme erstellen, können das immer genau erklären. Ihnen reicht es oft, dass das System am Ende ein möglichst gutes Ergebnis bringt. Man probiert einfach verschiedene Versionen und vergleicht die Ergebnisse (»trial and error«). Die Version mit dem besten Ergebnis wird genommen. Details zu erforschen wäre auch wieder sinnlos investiertes Geld.

Noch einen großen Schritt weiter in unsere intimen Informationen geht es, wenn aus den bestehenden Daten nicht nur neue Daten generiert werden, sondern auch noch unser zukünftiges Verhalten hochgerechnet werden kann. Das hört sich jetzt für Sie vielleicht etwas absurd, futuristisch und nach dem Film »Minority Report« an, ist aber heute schon in vielen Bereichen Realität.

Ein Kreditranking ist nichts anderes als eine Wahrscheinlichkeit, dass Sie zukünftig Ihre Rechnungen zahlen. Errechnet wird das, je nach Kreditbüro, aus Ihrem bisherigen Verhalten und dem Vergleich mit dem Verhalten anderer Menschen, die Ihnen ähnlich sind. Die Prognosen sind so gut, dass Unternehmen durchaus viel für diese Informationen bezahlen.

Auch die Idee, Zukunftsvoraussagen mit unglaublich großen Datenmengen zu machen, ist nicht wirklich neu. Denken Sie an den Wetterbericht. Hier werden schon lange Milliarden Datenpunkte von Messstationen auf der ganzen Welt verrechnet, und am Ende kommt das Wetter der nächsten Stunden oder der nächsten zwei Wochen auf ein paar Kilometer genau raus. Das Ganze funktioniert auch mit einer sehr hohen Trefferwahrscheinlichkeit. Mit der immer billigeren Rechenleistung zogen solche Systeme auch bereits in anderen Bereichen, wie der Naturwissenschaft oder im Börsenhandel, ein.

Problematisch wird es für Sie, wenn nicht mehr das Wetter, Aktienkurse oder irgendwelche Objekte mit Milliarden Datenpunkten erfasst und dann analysiert werden, sondern Sie das Objekt der Berechnung werden. Wenn die Kosten für solche Analysen immer billiger werden und die Daten immer umfangreicher und genauer, so ist es nicht unwahrscheinlich, dass genau das die Zukunft ist. Die Messpunkte gibt es heute schon, und sie liefern jetzt schon Unmengen an Daten: Ihre Klicks, Ihre Suchanfragen, Ihre Handydaten und die Daten der vernetzten Geräte, die Sie täglich verwenden. Anreichern kann man das immer noch mit Daten von Datenhändlern oder anderen Personen. Aus all diesen kleinen Informationen wird Ihre persönliche Großwetterlage errechnet. Was Sie denken werden, was Sie zukünftig wollen könnten, wer Sie zukünftig sein werden. Dabei lassen sich Dinge vorhersagen, die Sie selbst noch gar nicht wissen. Weil das immer leichter und billiger wird, werden das auch immer mehr Unternehmen oder Staaten anwenden. Dass Unternehmen unser Kaufverhalten analysieren und uns dann gezielt sagen, was uns sonst noch interessieren könnte, ist heute schon Realität – vor allem im Netz. Ein extremeres Beispiel sind Systeme, die in den USA ausrechnen, ob ein Straftäter rückfällig werden könnte, was in die Bewährungsentscheidung einfließt. Andere Systeme berechnen Orte, an denen nach den neuesten Daten vermehrt Straftaten auftreten werden, die Polizeikräfte patrouillieren dort präventiv und kontrollieren vermehrt Leute. In den USA werden Verbrechensrückgänge von bis zu 30% kolportiert. Was vor 10 Jahren also noch Science-Fiction war, ist heute schon zu einem gewissen Grad real.

Nicht alle theoretisch möglichen Prognosesysteme werden uns morgen in der Realität beschäftigen. Wenn Sie aber an die Verbrechensbekämpfung denken, ist sowas wie in »Minority Report« nicht mal so absurd: IT-Systeme können heute schon mit einer respektablen Trefferwahrscheinlichkeit unser Verhalten berechnen und damit unter Umständen auch Verdachtsmomente gegen einzelne Personen liefern. Diese Systeme werden auch immer weiter verbessert. Wenn sie gut genug funktioniert, kann eine solche Analyse durchaus einen ernstzunehmenden Verdacht darstellen, dass jemand etwas getan hat oder zukünftig tun wird.

Genau so ein begründeter Verdacht oder ähnliche Ansatzpunkte sind in demokratischen Ländern üblicherweise die Basis, um Maßnahmen gegenüber den einzelnen Bürgern zu erlauben (zum Beispiel Hausdurchsuchungen, Identitätsfeststellungen, DNA-Tests oder der Ausspruch von Wohnungsverboten gegenüber potenziell gewalttätigen Ehemännern). Solche Maßnahmen werden heute schon gesetzt, um in der Folge überhaupt feststellen zu können, ob jemand tatsächlich ein Täter ist oder um zukünftige Gefahren zu vermeiden. Heute braucht man dazu einen begründeten Verdacht, also einen analogen Anhaltspunkt.