Die Attributionskrise

Wir stehen vor einem Paradox des digitalen Zeitalters: Wir teilen mehr Informationen denn je, und doch erinnert sich kaum jemand, woher sie stammen. In einer Ära von Likes und Retweets fliessen Ideen ungehindert durch soziale Plattformen, als gehörten sie niemandem. LinkedIns offizielle Richtlinie versichert Urhebern weiterhin, dass sie „das Eigentum“ an dem behalten, was sie posten, und Transparenzberichte zeigen Tausende gelöster DMCA-Meldungen pro Halbjahr. Aber das fehlende Stück ist Provenienz. Wenn die Einsichten eines menschlichen Autors beiläufig kopiert, leicht umformuliert oder in einen KI-Prompt eingebettet werden, erzwingen Plattformen weder Attribution noch verbinden sie abgeleitete Inhalte öffentlich mit ihrem Ursprung.

Das ist kein blosses Eigenheit von LinkedIn; es ist ein systemisches Problem moderner Wissensverteilung. Soziale Netzwerke belohnen Inhaltsverteilung — Likes, Engagement, „Views“ — weit stärker als intellektuelle Herkunft. In der Praxis bedeutet das: Der Erstveröffentlicher einer wertvollen Einsicht gibt oft Publikum an Dutzende ab, die die Idee lediglich widerhallen. Niemand erhält ein „Wissensabzeichen“ dafür, Urheber eines viralen Gedankens zu sein. Ein LinkedIn-Nutzer, der erstaunt sah, dass sein Konto nach dem Reposten fremder Inhalte gesperrt wurde, beobachtete, dass „X das Reposten erlaubt und sogar fördert“ — und dennoch Copyright willkürlich durchsetzt, wenn Nutzer sich beschweren.

Das Ergebnis ist eine Welt, in der Ideen ohne Credit driften und Provenienz verschwindet. Wir können einen Git-Commit oder eine wissenschaftliche Zitation präzise bis zur Wurzel zurückverfolgen — aber wer kann einen knappen LinkedIn-Post im April auf seinen wahren Vorfahren im Januar zurückführen? Praktisch verliert Wissen seine Rechenschaftspflicht und seinen Audit Trail.

Copyright, nicht Credit

Jede Plattform, die wir heute nutzen, hat einen Griff auf Copyright. LinkedIn, X, Medium, YouTube und andere akzeptieren DMCA-Takedowns und veröffentlichen Transparenzberichte. LinkedIns jüngster Transparenzbericht zeigt fast 3.000 Verletzungsanfragen pro Halbjahr (Januar–Juni 2025), von denen rund 94 % zur Entfernung von Inhalten führten. YouTubes Content-ID-System erzeugte im ersten Halbjahr 2021 still 722 Millionen Copyright-Claims. Selbst GitHub — vor allem für Code genutzt — verlangt explizite Lizenzen oder defaultet auf „alle Rechte vorbehalten“.

Aber rechtliches Eigentum ist nicht dasselbe wie akademische oder ethische Attribution. Auf diesen Plattformen:

• LinkedIn bietet einen „Teilen“-Button, der den Originalautor zeigt, wenn man ihn nutzt. Kopiert jemand den Post-Text jedoch in einen neuen Post, warnt LinkedIn weder noch markiert es den Fall. Es bestraft den Kopierer auch nicht, solange keine DMCA-Meldung eingereicht wird.
• X (Twitter) unterstützt Retweets mit Autorencredit, doch Millionen Nutzer screenshotten oder kopieren Text und posten ihn ohne Credit neu. Technisch ist jeder dieser Fälle Copyright-Verletzung, aber Durchsetzung ist sporadisch, und Nutzer profitieren regelmässig von der Aufmerksamkeit.
• Reddit hat keinen universellen eingebauten Teilen-Mechanismus. Cross-Posting oder Zitieren beruht oft auf manueller Kuratierung; Moderatoren können Posts ohne Credit entfernen — aber das ist ad hoc.
• Medium erlaubt Autoren, über das Import-Tool eine kanonische Verlinkung zur Originalgeschichte zu setzen und damit Suchranking zu erhalten. Andere Autoren können Text trotzdem ohne Attribution kopieren.
• YouTube jagt Reuploads aktiv über Content ID, und Embeds zeigen stets den Originalkanal. Kurze Clips oder Transkripte rutschen dennoch durch.
• GitHub ist dem Ideal am nächsten: Code-Sharing verlangt eine Lizenzdeklaration, und die Plattform liefert transparente Versionskontrolle. Jeder Fork und Merge trackt Commit-Autoren. Code ohne Attribution zu kopieren verletzt klar die Lizenzbedingungen.

Kurz: Das Recht kümmert sich um Eigentum, nicht um Ehre, Credit oder Vertrauen. Plattformen stellen sicher, dass Rechteinhaber Takedowns aussprechen können, aber sie kultivieren keine Kultur des „Credit where due“. Die wenigen eingebauten Mechanismen — Retweet, Teilen, kanonische Links — lassen sich durch Copy-Paste oder Umformatierung leicht umgehen. Das Ergebnis ist sichtbar: Auf vielen Netzwerken können Kopien originales Engagement übertreffen. Die Person, die die Einsicht zuerst gebaut hat, verschwindet oft aus dem Blick.

Anreize und Engagement

Diese Attributionslücke existiert aus einem Grund: Moderne soziale Netzwerke sind Optimierungsmaschinen. Sie justieren Metriken, um Engagement über alles zu maximieren. Wie ich andernorts argumentiert habe, optimieren Social-Media-Plattformen Engagement statt gesunden Diskurs. Jedes dieser Systeme verhält sich genau so, wie es incentiviert wurde. Aufmerksamkeit ist die Währung, und jede Content-Strategie, die Blicke anzieht, wird belohnt. Einen populären Post wörtlich oder mit catchy Headline zu kopieren ist leichter, als etwas Neues zu schaffen — und kann genauso oder wirksamer Likes erzeugen.

Ironischerweise kündigte Instagram kürzlich an, Originalinhalte zu priorisieren und direkte Reposts abzuwerten, um den Kreislauf der „Clickbait-Dörfer“ zu durchbrechen, in dem recycelte Posts unverhältnismässige Reichweite bekommen. Netzwerke wie LinkedIn oder X haben solche Schritte nicht systematisch unternommen. In der Praxis gewinnen virale Recycler Aufmerksamkeit, während Originatoren die kognitive und zeitliche Kosten der Schöpfung tragen.

Die Optimierungsfalle ist real: Plattformen unterscheiden nicht zwischen „Originalgeschichte“ und „Aggregator-Repost“, solange beide Nutzer scrollen lassen. Creators haben keinen einfachen Weg zu signalisieren „Ich bin der Originator“, und das System hebt das auch nicht hervor. Umgekehrt gibt es im Modell keinen Anreiz, Quellen zu zitieren oder zurückzuverlinken. In einem Goodhart’s-Law-Szenario wurde die Metrik — Engagement — zum Ziel, und Attribution wird als Rauschen verworfen.

Wenn KI deine Ideen frisst

Dieses Problem wird durch KI vergrössert. Generative Modelle trainieren auf riesigen Pools von Internettext, typischerweise ohne preiszugeben, wer jeden Satz geschrieben hat. Das Paper zum Sovereign Context Protocol beschreibt genau das: LLMs konsumieren enorme Mengen menschlich erzeugter Inhalte, doch die Schöpfer bleiben in der Wertschöpfungskette weitgehend unsichtbar. Selbst wenn eine KI deinen Blogpost regeneriert oder paraphrasiert, siehst du keine Zitation — und der Nutzer weiss vielleicht nicht einmal, dass der Text KI-abgeleitet ist.

Wir sehen bereits Forks der Ideen-Provenienz: Original-Blog → LinkedIn-Post → Tweet-Thread → Newsletter → KI-Recap → neuer LinkedIn-Rant. Wenn die Idee zurückkommt, erinnert sich niemand an den Ausgangspunkt. Eine kulturelle Folge: Menschen beschuldigen KI der Plagiate, ohne zu erkennen, dass die KI selbst aus uncredited menschlicher Arbeit gelernt hat. Eine Studie fand, dass Teilnehmende Plagiat von einer KI — oder einem Freund — als weniger unmoralisch bewerteten als das Kopieren von einem unbekannten Blogger, besonders wenn sie die KI als stille Erlaubnis wahrnehmen. Mit anderen Worten: Die Quelle hat sich geändert — ChatGPT-Output zu kopieren fühlt sich moralisch lockerer an als eine Person zu kopieren.

Die Rechtsstreitigkeiten unterstreichen, wie dringend die Attributionslücke ist. Die New York Times und die Authors Guild haben KI-Firmen wegen Scraping urheberrechtlich geschützten Journalismus verklagt. Die Transparenzpflichten des EU AI Act verlangen sogar gewisse Offenlegung von Trainingsdaten. Aber Gerichte und Regulatoren bewegen sich langsam. Währenddessen läuft die eigentliche Pipeline der Wissenslieferung weit offen und untethered.

Provenienz in anderen Domänen

Jedes ernsthafte Wissenssystem hat eingebaute Lineage. Akademisches Publizieren missbilligt eine Tatsache oder Idee ohne Zitation. Jeder mathematische Beweis, jedes wissenschaftliche Ergebnis und selbst Patentanmeldungen führen auf frühere Arbeit zurück. Die Finanzwelt nutzt auditierbare Ledger und Blockchains; Journals verlangen Referenzen; Ingenieure nutzen Versionskontrolle. Diese Systeme teilen eine Schlüsselinsight: Information ist nur so zuverlässig wie ihre Quelle.

Soziale Medien dagegen sind quellenblind. Es gibt keinen forensischen Trail für einen viralen Post oder einen cleveren Tweet. Schlimmer noch: Die Plattformen, die amplifizieren, haben ein Interesse daran, klare Autorschaft zu verdrängen. Ein Beitragender in einer Diskussion über Social-Media-Anreize formulierte es so: Soziale Plattformen verhalten sich oft, als teilten sie das Copyright-Konzept eines Teenagers — das heisst, sie setzen es nicht durchdacht durch.

Von erfolgreichen Provenienzsystemen lernen wir mögliche Lösungen. Gits Modell — Branches, Commits, Merges — protokolliert jeden Contributor explizit. Digitale Bibliotheken und Wikipedia verlangen Quellen und ermöglichen Wahrheitschecks. Selbst Blockchains „beweisen“ konzeptionell, wer eine Transaktion oder einen Token ausgestellt hat. Könnten wir etwas Analoges für Ideen in sozialen Medien denken? Einige Forschende schlagen kryptographische Signaturen oder unsichtbare Wasserzeichen für Text vor, oder Protokolle wie das Sovereign Context Protocol, bei dem jeder Zugriff auf Inhalte eines Creators mit Identität und Bedingungen geloggt wird. Diese Ideen zielen darauf, Attribution zur Default-Eigenschaft des Datenzugriffs zu machen — nicht zum Nachgedanken.

Hin zu provenienzbewussten Plattformen

Wir müssen Ideen wie Assets mit Lineage behandeln. Das heisst, Policy, Design und Technologie zu kombinieren.

Plattformänderungen

Netzwerke sollten Attribution leicht und sichtbar machen. Ein „Teilen“- oder „Zitieren“-Button sollte so prominent sein wie das Reposten von Text. Wenn du einen LinkedIn-Post repostest, könnte der Name des Originalautors standardmässig erscheinen — wie bei verschachtelten Kommentaren — statt in einem Link begraben zu sein. Algorithmen könnten Originalitätssignale stärken: Wenn ein Post einem früheren Post exakt oder nahezu entspricht, den Original höher ranken oder zumindest beide nebeneinander zeigen. Instagrams Test ist ein Modell: Der Feed labelt und ersetzt Reposts sogar durch Originale. LinkedIn oder X könnten ähnliches Cross-Checking machen.

Automatische Erkennungswerkzeuge

Plattformen betreiben bereits Virenscanner und Content-Filter. Warum keine Text-Scanner? So wie YouTubes Content ID nach Video-Matches sucht, könnten wir eine „Content ID für Worte“ entwickeln, die wahrscheinliche Plagiate — exakte Matches oder Paraphrasen aus bekannten Quellen — flaggt und Attribution anregt. Das könnte sogar community-getrieben sein, wie Duplicate Detection auf Stack Overflow, um hochwertige Posts zu schützen.

Offene Protokolle unterstützen

Die Idee des Sovereign Context Protocol lädt zu einem offenen Standard ein. Soziale Netzwerke und KI-Dienste könnten ein Content Provenance Protocol analog zu Anthropics MCP übernehmen, bei dem jedes Content-Stück Metadaten trägt: Originalautor, Lizenz und Usage-Log. LLMs könnten gezwungen werden, Provenienz-Strings — wie in der aufkommenden Wasserzeichen-Forschung — einzuschliessen, wenn sie Text aus Trainingsdaten generieren. Das ist ein systemischer Eingriff, aber er liegt im Trend von Regulierung zur Datentransparenz.

Best Practices für Creators

Auf Nutzerseite müssen Autoren ihre eigene Provenienz schützen. Wie Wissenschaftler können sie Inhalte explizit lizenzieren — etwa Creative Commons BY —, um Attribution zu verlangen. Sie können Signaturen, Zeitstempel oder steganographische Codes in Bilder oder Text einbetten. Journalistennetzwerke haben begonnen, versteckte Copyright-Zeilen einzufügen oder Clients zur Registrierung von Posts zu verpflichten. Unvollkommen setzen solche Handlungen Normen: bitte Autor creditieren und beim Resharen verlinken. Eine klare Attributionskultur — auch wenn nur durch Peer Pressure durchgesetzt — zählt.

Bildung und Normen

Schliesslich dürfen wir die Rolle von Normen nicht unterschätzen. Guides wie das Michigan Online Handbook erinnern Creators daran, dass Kopieren ohne Credit Vertrauen beschädigt und im Wesentlichen intellektueller Diebstahl ist. Kampagnen zur Bewusstseinsbildung — wie Wikimedia sie für Contributors führt — könnten Professionals lehren, dass jeder LinkedIn-Post jemandes IP ist und bei Wiederverwendung Zitation verdient. Wenn auch nur ein Bruchteil der Nutzer einen Höflichkeitslink oder Autor-Tag hinzufügte, könnte Momentum entstehen.

Wie messen wir Erfolg?

Um zu wissen, ob diese Ideen wirken, brauchen wir Metriken. Mögliche Experimente und KPIs:

• Original-zu-Kopie-Verhältnis — den Anteil hochengagierter Posts tracken, die früheren Inhalten entsprechen. Ein Rückgang nach einer Intervention (etwa einer Algorithmusänderung) würde mehr Credit für Originatoren anzeigen.
• Engagement-Redistribution — A/B-Tests, in denen ein Feed Posts strikt nach Timestamp ordnet (Originalität belohnt) und ein anderer nach Popularität. Messen, ob Originalautoren einen grösseren Anteil an Likes und Views erhalten.
• Creator-Partizipationsumfragen — so wie Wissenschaftler mehr zitieren, wenn Credit zählt, messen, ob Creators mehr oder weniger publizieren, wenn sie sich geschützt fühlen. Eine Längsschnittstudie könnte Top-LinkedIn-Autoren fragen: Seit der neuen Policy — fühlst du dich sicherer, neuartige Inhalte zu teilen?
• Plagiatsvorfälle — Plattformen könnten nicht nur Copyright-Takedowns, sondern auch geflaggte Plagiatsfälle melden. Ein Anstieg erkannter Kopien, die durch Attribution statt Entfernung gelöst werden, könnte sogar Beleg sein, dass Quellen korrekt credited werden.
• KI-Nutzungsmetriken — wenn LLMs eine Provenienzschicht übernehmen, könnte man tracken, wie oft der Content eines Users vom Modell abgerufen wird. Ähnlich wie Views in Wikipedias Edit History könnten Creators Echtzeit-Zähler der Nutzung ihrer Ideen sehen. Wachstum dieser Zahlen — und Creator-Vergütung — würde ein funktionierendes System signalisieren.

Eine Timeline der Reise einer Idee würde die Drift grafisch sichtbar machen: Originalpost → Reposts → KI-Erwähnungen → späterer Artikel — alles ohne Credit — bis schliesslich jemand fragt: „Moment, wer hat das zuerst gesagt?“

Empfehlungen

1. Attribution in die UX bauen. Plattformen sollten credited Share so leicht machen wie Kopieren. Den Originalautor beim Teilen prominent zeigen. Near-Duplicate-Reposts abwerten oder labeln. Instagrams Originalitäts-Push ist ein Proof of Concept.
2. Erkennen und anstupsen. Ähnlichkeitschecks deployen. Wenn ein Post früherem Content entspricht, den Poster anregen: Das sieht aus wie Content von [Autor] — möchtest du creditieren? Für automatisierte Pipelines Netzwerke des Kopierens flaggen.
3. Offene Provenienzprotokolle. Standards wie das Sovereign Context Protocol über Dienste hinweg übernehmen. Wenn jeder Content-Fetch Quelle und Zeit loggen muss, bauen wir ein gemeinsames Audit-Log für Ideen. LLM-Anbieter ermutigen oder verpflichten, solche APIs für Training und Datenabruf zu nutzen.
4. Creator-Absicherungen. Schreibende sollten Arbeit wasserzeichnen oder lizenzieren. Creative Commons BY oder andere Attribution-pflichtige Terms nutzen und versteckte digitale Signaturen erwägen. In LinkedIn-Posts könnte man sogar ergänzen: © [Name], mit Link zurück teilen.
5. Messung und Anreize. Plattformen sollten Attributionsmetriken veröffentlichen — etwa den Anteil Posts mit klaren Quellen oder die Engagement-Verteilung zwischen Originalen und Kopien. Experimente, ob das Belohnen von Originatoren Verhalten ändert. Badges oder Status für verifizierte Originatoren nur, wenn sie konsistent Originalarbeit posten.

Was wir nicht messen, können wir nicht reparieren. Mögliche Metriken: Anteil des Engagements für Originalautoren über die Zeit, subjektive Zufriedenheit der Creators und die Zahl automatisierter Attributionen. Experimente könnten vorübergehend Citations-Prompts für eine Teilmenge von Posts aktivieren oder einen Feed mit Wasserzeichen gegen einen normalen Feed simulieren.

Schluss

In einer Wissensökonomie sind Ideen Währung — und Währung ohne Ledger lässt sich leicht fälschen. LinkedIn und seinesgleichen haben das DMCA-System geerbt — Copyright —, aber kein wissenschaftliches Peer-Review-System — Attribution. Bis wir Provenienz in unsere Plattformen einbauen, werden wir den Schatten anonymer Content-Erzeugung weiter sehen: virale Posts, deren Eltern längst vergessen sind.

Der Fix ist nicht Zensur, sondern Engineering: Design-Features, die Autorschaft nachverfolgen und anzeigen, Anreize, die Originatoren belohnen, und Protokolle, die jedes Teilen loggen. Stell dir vor, wir setzen Bremsen und GPS auf die durchgehende Kopiermaschine der sozialen Medien. Wir kehren nie in eine Ära zurück, in der komplexe Systeme alle Entscheidungen verstecken — wir suchen Transparenz in KI, Finanzen, Recht und sogar Stromnetzen. Warum sollte Wissen eine Ausnahme sein?

Indem wir das Problem neu rahmen, sehen wir es als systemisches Provenienzproblem, nicht bloss als Frage der Etikette. Es verlangt, die Philosophie von Evidenz und Lineage in das soziale Web zu erweitern. Eine Library, die „Verstehen vor Technologie“ verpflichtet ist, muss diese Lücke anerkennen: Ideen brauchen Lineage ebenso wie Daten einen Checksum.

Provenienz wiederherzustellen ist nicht nur fair, es ist praktisch: Vertrauen in Information erodiert, wenn Autorschaft verdunkelt wird. Jeder wissenschaftliche Paper, jedes Stück Code, jedes auditierte System stützt sich auf eine Chain of Custody. Jetzt müssen unsere Gespräche und unser geteiltes Wissen nachziehen. Scheitern wir daran, schaffen wir fruchtbaren Boden für Desinformation, Streit und Disengagement — eine Welt, in der wir Bäume von Content sehen, aber den Wald der Fakten verlieren.