Plattdeutsch, Friesisch oder Sorbisch verschwinden nicht, weil ihnen ein Chatbot fehlt. Doch im digitalen Alltag werden Sprachen schnell unsichtbar, wenn es keine brauchbare Suche, keine Spracherkennung und keine Übersetzung gibt. Genau dort kann künstliche Intelligenz helfen. Die entscheidende Frage ist aber nicht, ob ein großes Sprachmodell ein paar Sätze ausgibt. Entscheidend ist, ob die Sprachgemeinschaft die Daten, die Qualitätsmaßstäbe und den Einsatz der Technik mitbestimmt.
Die Europäische Kommission rückt das Thema gerade stärker in den Blick. Ihr neues EU-MMLU soll messen, ob große Sprachmodelle in europäischen Sprachen tatsächlich vergleichbar gut arbeiten, statt nur bei englischen Testfragen zu glänzen. Das ist mehr als eine akademische Korrektur: Wer Verwaltungstexte, Unterrichtsmaterial oder digitale Dienste in einer Sprache nutzen will, braucht verlässliche Ergebnisse und keine höflich formulierten Fehlübersetzungen.
Das Wichtigste in Kürze
- KI kann kleinere Sprachen bei Transkription, Übersetzung, Untertiteln und der Suche in Archiven unterstützen.
- Der Engpass ist selten allein das Modell. Es fehlen vor allem geprüfte Texte, Aufnahmen, Wörterbücher und Rechte für deren Nutzung.
- Gute englische Ergebnisse sagen wenig darüber aus, ob ein Modell regionale Sprachen oder Dialekte korrekt behandelt.
- Automatische Übersetzung darf in Bildung, Verwaltung und Kulturarbeit nur mit menschlicher Prüfung eingesetzt werden.
- Offene Daten und lokale Institutionen sind wichtiger als ein einzelner spektakulärer Chatbot.
Warum digitale Werkzeuge für Sprachen wichtig sind
Eine Sprache lebt vor allem dort, wo Menschen sie sprechen, schreiben und an die nächste Generation weitergeben. Digitale Werkzeuge ersetzen das nicht. Sie können aber die Schwelle senken: Eine Lehrerin kann Audiomaterial verschriftlichen lassen, ein Heimatverein ein durchsuchbares Archiv aufbauen, eine Redaktion Untertitel erzeugen. Für Menschen, die eine regionale Sprache verstehen, aber nicht sicher schreiben, kann eine Rechtschreibhilfe oder ein Wörterbuch ebenfalls nützlich sein.
Solche Anwendungen brauchen mehr als ein großes Modell aus der Cloud. Spracherkennung muss mit Aussprachevarianten zurechtkommen; Übersetzung muss Grammatik, Ortsnamen und historische Begriffe respektieren. Bei kleinen Sprachen ist das besonders anspruchsvoll, weil im Netz deutlich weniger geeignete Texte und Tonaufnahmen liegen. Die Kommission nennt genau diese Sprach- und Datenvielfalt als Schwachstelle heutiger proprietärer und externer Sprachmodelle. Ein Modell kann in einer Weltsprache beeindruckend wirken und in einer kleineren Sprache dennoch Lücken füllen, Dinge erfinden oder Varianten glattbügeln.
Der Datenbestand entscheidet, nicht der Werbespruch
Trainingdaten sind kein neutraler Rohstoff. Sie enthalten Rechtschreibweisen, regionale Varianten, Fehler und oft auch urheberrechtliche oder persönliche Informationen. Wer Sprachdaten sammelt, muss deshalb vorher klären, wer zustimmt, wer sie später verwenden darf und wie sensible Aufnahmen geschützt werden. Gerade bei kleinen Gemeinschaften wäre es ein schlechter Tausch, wenn wertvolles Material in einem geschlossenen System verschwindet, ohne dass die Sprecherinnen und Sprecher davon profitieren.
Die EU versucht mit dem Language Data Space und weiteren Sprachprojekten, die Verfügbarkeit hochwertiger Daten zu verbessern. Parallel wurde im Juli ein mehrsprachiger EU-MMLU-Benchmark vorgestellt. Er umfasst über tausend übersetzte und revidierte Testfragen und soll sichtbar machen, wo Modelle in europäischen Kontexten unterschiedlich gut abschneiden. Das ist ein sinnvoller Schritt, aber noch kein Gütesiegel für jede Sprache: Ein Test misst nur, was in seinen Aufgaben vorkommt. Für regionale Sprachen braucht es zusätzliche Prüfungen mit lokalen Texten, Sprecherinnen und Sprechern sowie klar dokumentierten Fehlerfällen.
Wo KI heute sinnvoll helfen kann
Am stärksten ist KI dort, wo sie wiederholbare Vorarbeit beschleunigt und Menschen die letzte Entscheidung behalten. Denkbar sind erste Transkripte alter Interviews, Vorschläge für Untertitel, eine Suche über digitalisierte Zeitungen oder Übersetzungsentwürfe für zweisprachige Informationsseiten. Auch Lernmaterial kann leichter entstehen, wenn Fachleute Beispiele prüfen und anpassen. So bleibt die Technik Werkzeug und wird nicht zur vermeintlichen Autorität über die Sprache.
Weniger geeignet ist der vollautomatische Einsatz bei offiziellen Bescheiden, medizinischen Informationen oder Lehrmaterial ohne Kontrolle. Schon eine kleine Verschiebung bei Verneinung, Höflichkeitsform oder Ortsbezeichnung kann den Sinn verändern. Forschung zu maschineller Übersetzung für datenarme Sprachen kommt deshalb zu einem nüchternen Ergebnis: Große Sprachmodelle verbessern manches, beseitigen den Abstand zu gut versorgten Sprachen aber nicht automatisch. Wer ein Ergebnis nutzt, sollte Quellen und Unsicherheiten sehen können, statt einem flüssigen Satz blind zu vertrauen.
Europa sucht nach sprachlicher Fairness
Die politische Dimension ist leicht zu übersehen. Digitale Teilhabe hängt zunehmend daran, ob eine Sprache in Suchmaschinen, Assistenten und Übersetzungstools vorkommt. Die Kommission hat im Juni zudem ein europäisches Open-Source-Modellprojekt für alle 24 Amtssprachen angekündigt. Das kann die Abhängigkeit von wenigen Anbietern verringern und Forschung zugänglicher machen. Für regionale und Minderheitensprachen ist es jedoch nur der Anfang, denn sie fallen nicht automatisch in den Kreis der 24 Amtssprachen.
Der faire Maßstab lautet daher nicht: Kann eine KI einen folkloristischen Beispielsatz ausgeben? Besser ist: Hilft sie einer Gemeinschaft, ihr Wissen auffindbar, nutzbar und unter eigener Kontrolle zu halten? Das verlangt langfristige Pflege, Geld für Datenarbeit und öffentliche Einrichtungen, die Qualität sichern. Wie sich KI im Arbeitsalltag eher über konkrete Aufgaben als über große Berufsversprechen auswirkt, zeigt auch unsere Einordnung zu KI im Job. Bei Sprache gilt das genauso: Der Nutzen entsteht in vielen kleinen, überprüfbaren Anwendungen.
Ausblick: Technik braucht eine Sprachgemeinschaft
KI kann kleinen Sprachen ein zusätzliches digitales Leben geben, wenn sie Archive erschließt, Lernende unterstützt und Übersetzungsarbeit vorbereitet. Sie kann sie aber weder konservieren noch authentisch vertreten. Die nächste sinnvolle Etappe sind offene, gut dokumentierte Datensammlungen und Tests, die von den jeweiligen Gemeinschaften mitgestaltet werden. Dann wird aus einem generischen Sprachmodell vielleicht ein Werkzeug, das Vielfalt nicht nur nachahmt, sondern ihr im Alltag tatsächlich Raum verschafft.