SPOOFER
Tarnung im Zeitalter von KI zwischen Human Vision und Machine Recognition.Masterarbeit Kommunikationsdesign · HTWG Konstanz · 2026
Was passiert mit öffentlicher Gestaltung, wenn Räume nicht mehr nur für Menschen sichtbar, sondern auch für Maschinen lesbar sein müssen?
SPOOFER ist eine spekulative Designarbeit über die Zukunft des öffentlichen Raums. Sie untersucht, wie sich Gestaltung verändern könnte, wenn Kameras, Sensoren, KI-Systeme und autonome Roboter zunehmend dieselben Räume nutzen wie wir Menschen.
Im Mittelpunkt steht dabei kein grundsätzliches Gegeneinander von Mensch und Maschine. Die Arbeit fragt vielmehr, wie sich technische Lesbarkeit integrieren lässt, ohne dass öffentliche Räume ihre menschliche, gestalterische und soziale Qualität verlieren.
Was passiert, wenn Maschinen den öffentlichen Raum lesen?
Ein mögliches Zukunftsbild:
Autonome Fahrzeuge, Lieferroboter, Wartungssysteme und KI-gestützte Kameras benötigen Informationen, um sich zu orientieren, Objekte zu erkennen und mit ihrer Umgebung zu interagieren. Technische Systeme funktionieren besonders zuverlässig, wenn ihre Umgebung eindeutig, regelmäßig und möglichst störungsfrei aufgebaut ist. Wiederkehrende Marker, klare Kontraste, standardisierte Formen und maschinenlesbare Codes können ihnen dabei helfen.
Was technisch sinnvoll ist, muss gestalterisch jedoch nicht automatisch gut für Menschen sein. Würde der öffentliche Raum hauptsächlich für die zuverlässige Erkennung durch Maschinen optimiert, könnten Objekte zunehmend mit Markierungen, Codes, technischen Kontrasten und wiederkehrenden Orientierungsmustern versehen werden. Visuelle Ruhe, Atmosphäre und räumliche Qualität würden dabei möglicherweise in den Hintergrund treten. Diese Entwicklung ist keine sichere Vorhersage. Sie ist ein spekulatives Szenario, mit dem SPOOFER eine zentrale Frage stellt:
Wer steht künftig im Mittelpunkt öffentlicher Gestaltung – der Mensch, die Maschine oder eine bewusste Verbindung aus beiden?
Der Konflikt zwischen Mensch und Maschine –Zwei Systeme lesen dieselbe Welt unterschiedlich
Um Gestaltung zwischen Menschen und Maschinen vermitteln zu können, muss zunächst verstanden werden, dass beide Systeme visuelle Informationen grundlegend anders verarbeiten. Menschen nehmen ihre Umgebung nicht neutral auf. Wahrnehmung wird durch Erfahrungen, Erwartungen, Erinnerungen, Aufmerksamkeit und den jeweiligen Kontext beeinflusst. Wir erkennen Situationen, interpretieren Bedeutungen und priorisieren Informationen. Maschinen verfügen nicht über dieselbe Form von Wahrnehmung. Sie verarbeiten Bilder als numerische Daten und suchen darin nach erlernten Merkmalen, Mustern und statistischen Zusammenhängen. Der Mensch sieht eine Situation.
Die Maschine berechnet eine mögliche Zuordnung.
Human Vision
Wahrnehmung ist mehr als Sehen. Das menschliche Gehirn verarbeitet visuelle Reize zu Formen, Objekten und räumlichen Zusammenhängen und verbindet sie zu einer Gesamtwahrnehmung.
Wichtige Prinzipien sind:
Figur und Grund – Objekte werden vom Hintergrund getrennt – durch Kontrast, Farbe und Konturen.
Gestaltpsychologie – Einzelne Elemente werden zu zusammenhängenden Formen organisiert.
Visuelle Aufmerksamkeit – Nicht alles wird gleich stark wahrgenommen. Gestaltung kann Aufmerksamkeit lenken oder reduzieren.
Machine Recognition
Erkennen durch Daten und Wahrscheinlichkeiten. KI-Systeme verarbeiten Bilder als numerische Daten und erkennen darin Muster.
Typische Aufgaben sind:
Klassifikation – Zuordnung zu einer Kategorie
Detektion – Lokalisierung von Objekten
Segmentierung – Trennung von Objekt und Hintergrund
Die Ergebnisse hängen von Trainingsdaten und Modellstruktur ab. Maschinen können sehr präzise sein, ohne die Bedeutung einer Szene wirklich zu verstehen.
Wenn KI-Systeme falsch hinschauen – Technische Leistung bedeutet nicht automatisch stabiles Verständnis
Visuelle KI-Systeme können beeindruckende Ergebnisse liefern und trotzdem auf unerwarteten oder fragilen Entscheidungsgrundlagen arbeiten.
Beim sogenannten Shortcut Learning nutzt ein Modell möglicherweise nicht das eigentliche Objekt, sondern wiederkehrende Begleitmerkmale aus den Trainingsdaten. Statt eines Gegenstands werden beispielsweise typische Hintergründe, Kameraperspektiven oder Bildartefakte ausgewertet.
Ähnlich funktionieren Clever-Hans-Effekte. Ein System liefert formal richtige Ergebnisse, hat aber nicht die beabsichtigte Aufgabe gelernt. Die gute Ausgabe verdeckt dabei eine falsche Entscheidungsstrategie.
Adversarial Effects zeigen zusätzlich, dass bereits kleine Veränderungen eines Bildes zu stark veränderten Klassifikationen führen können. Für Menschen kann das Bild weiterhin nahezu identisch wirken, während das Modell ein anderes Ergebnis berechnet.
Diese Fragilität war für die Arbeit entscheidend. Sie zeigt, dass Menschen und Maschinen nicht nur unterschiedlich erkennen, sondern auch unterschiedlich getäuscht, gestört oder unterstützt werden können.
„Dieser Artikel befindet sich derzeit in Bearbeitung. Weitere Informationen sowie die Fertigstellung des Artikels folgen in den nächsten Tagen! Schauen Sie also gerne nochmal vorbei!“
Falls Sie weitere Informationen zu diesem Projekt erhalten möchten, stehe ich Ihnen jederzeit für Nachfragen zur verfügung. Sie erreichen mich über die Unterseite „Über mich”.