Wenn Städte beginnen, „alles“ zu „sehen“: Wie KI-Visionsdaten die Grenzen der öffentlichen Governance neu schreiben

Städte treten in eine neue Phase der Wahrnehmung ein. Früher waren Kameras vor allem Aufnahmegeräte; heute ähneln sie, mit KI und Edge Computing im Rücken, immer stärker einem Teil des städtischen Betriebssystems – sie erkennen fortlaufend Verkehrsflüsse, abnormales Verhalten, gefährliche Vorfälle und Belastungen der Infrastruktur und leiten diese Informationen in Echtzeit an Verkehrsingenieure, Sicherheitssysteme und Betriebsplattformen weiter.

Das Vorgehen von Brownsville im US-Bundesstaat Texas liefert ein sehr typisches Beispiel. Die dortige Stadtverwaltung nutzt eine von SHI International integrierte Smart-City-Lösung, um mithilfe von KI visuelle Daten zu analysieren und Menschenmengen, illegale Müllablagerungen, Fahrzeugdiebstähle sowie waffenbezogene Risiken zu überwachen. Das von der CIO der Stadt, Jorge Cardenas, beschriebene Szenario ist alles andere als abstrakt: Wenn jemand im öffentlichen Raum Müll ablädt, Tiere aggressiv werden, Fahrzeuge an unzulässigen Orten parken oder jemand in einem Park stürzt und nicht wieder aufsteht – das System ist darauf ausgelegt, all diese Ereignisse zu erkennen.

Solche Anwendungen zeigen, dass sich das Ziel städtischer Sichtbarkeitstechnologien bereits verändert hat. Es geht nicht mehr nur darum, „Probleme zu sehen“, sondern darum, die Stadtverwaltung, die bislang auf Patrouillen, Augenzeugen, Beschwerden und nachträgliche Ermittlungen angewiesen war, in ein stärker Echtzeit-orientiertes und stärker automatisiertes Netzwerk zur Ereigniswahrnehmung zu verwandeln. Für Grenzstädte kommt zu dieser Fähigkeit noch ein spezifischer Governance-Bedarf hinzu: Brownsville achtet darauf, ob gestohlene Fahrzeuge möglicherweise nach Mexiko fahren, und Kameras können Kennzeichen scannen und mit Diebstahlsdatenbanken abgleichen. Das visuelle System ist hier nicht nur ein Instrument der öffentlichen Sicherheit, sondern wird auch zu einem Teil der governance grenzüberschreitender Bewegungen.

Wirklich bemerkenswert ist jedoch nicht, wie viele Szenarien die Technologie abdeckt, sondern wie Städte beginnen, ihre Daten-Grenzen neu zu gestalten. Cardenas betont, dass die betreffenden Daten das städtische Rechenzentrum nicht verlassen, Zugriffsrechte streng auf bestimmte Mitarbeiter beschränkt sind und das System bewusst lokal betrieben wird. Mit anderen Worten: Brownsville setzt nicht auf „Cloud first“, sondern auf „Souveränität zuerst“ – visuelle Daten, Analysefähigkeiten und Speicherverwaltung werden möglichst in die eigene kommunale Infrastruktur zurückgeholt.

Diese Architektur spiegelt eine nüchterne Einschätzung der Kommunen gegenüber städtischer KI wider: Wenn Städte visuelle Daten für die öffentliche Verwaltung nutzen, geht es nicht nur darum, ob der Algorithmus genau ist, sondern auch darum, ob die Datenkette kontrollierbar bleibt. Wer darf die Rohbilder sehen? Werden die Daten langfristig gespeichert? Haben externe Anbieter Zugriff darauf? Können sie anderweitig verwendet werden? Diese Fragen entscheiden darüber, ob die Technologie ein Instrument der Governance ist oder ein Governance-Risiko.

Will Greenberg, leitender Techniker bei der Electronic Frontier Foundation (EFF), weist darauf hin, dass die Öffentlichkeit und die Kommunen sich zu Recht dafür interessieren sollten, was nach der Erfassung der Daten geschieht: wie lange sie aufbewahrt werden, wer darauf zugreifen kann, wie sie sicher gespeichert werden und ob sie nach der Erhebung durch städtische Kameras, Sensoren oder WLAN-Hotspots weiter im Umlauf bleiben. Auf den ersten Blick ist dies eine Datenschutzfrage, in Wirklichkeit jedoch eine Frage der digitalen Governance – sie prüft nicht, ob eine Stadt über Technologie verfügt, sondern ob sie institutionelle Fähigkeiten aufbauen kann, die dieser Technologie ebenbürtig sind.Der Verkehrsversuch in Las Vegas zeigt wiederum, wie dieselbe Art von Technologie in einem anderen öffentlichen Kontext eingesetzt werden kann. Die Stadt genehmigte ein einjähriges Projekt zur „fortgeschrittenen Verkehrssicherheitsanalyse“, bei dem an 12 Kreuzungen ein System aus Kameras und Radar installiert wird, um Fahrzeugtypen, Geschwindigkeiten, Tageszeiten, Beinahe-Unfälle, Rotlichtverstöße und ähnliches zu erkennen und dem realen Druck durch die Zunahme schwerer Unfälle zu begegnen. Im Mittelpunkt steht hier nicht die „klügere Kamera“, sondern dass die Verkehrsplanung sich von statischer Signalsteuerung hin zu Echtzeitwahrnehmung und Verhaltensmodellierung verlagert.

Das bedeutet, dass städtische Verkehrssysteme von einer Phase des „Lichtschaltens nach Erfahrung“ in eine Phase des „Steuerns nach Daten“ eintreten. Früher konnten Verkehrsbehörden Kreuzungsprobleme meist nur anhand begrenzter Zähler, Stichprobenerhebungen und nachträglicher Unfallberichte beurteilen; heute kann KI Fahrradfahrer, Autos und andere Verkehrsteilnehmer unterscheiden und so fein granularere Daten für Risikoerkennung und Kreuzungsoptimierung liefern. Die Verkehrssteuerung verschiebt sich damit von einer Ergebnis- zu einer Prozessorientierung: nicht nur Unfälle zu zählen, sondern Unfallvorzeichen möglichst früh zu erkennen.

Dieser Trend ist nicht auf Las Vegas beschränkt. Im vergangenen Jahr sank in Oklahoma City nach dem Einsatz von KI-Verkehrsanalysen an fünf Ampeln die Stauverzögerung um 24 %; in Houston ging nach der Einführung eines ähnlichen Systems entlang eines stark frequentierten Korridors die Stauung um 15 % und das Überfahren roter Ampeln um 42 % zurück. Diese Zahlen stammen von den Projektträgern, aber sie verdeutlichen gemeinsam eine Richtung: Das städtische Verkehrsmanagement verbindet sich mit Computer Vision, Echtzeitoptimierung und Edge-Datenverarbeitung und bildet so ein Betriebsmodell, das einem „geschlossenen Regelkreis“ immer näherkommt.

Für Stadtverwaltungen ist die Attraktivität dieses Regelkreises unmittelbar. Er kann Warteschlangen reduzieren, die Durchflussleistung erhöhen, die Sicherheits­erkennung verbessern und Städten möglicherweise helfen, in Zeiten knapper Budgets mit weniger Personal eine höhere Managementabdeckung zu erreichen. Gleichzeitig entstehen jedoch neue institutionelle Kosten: Wenn das System den öffentlichen Raum fortlaufend aufzeichnet, wie können Bürgerinnen und Bürger feststellen, ob sie sich unter permanenter Überwachung befinden? Wenn Videos nur „nach der Datenerhebung nicht gespeichert“ werden, wie lässt sich dieses Versprechen auditieren? Wenn der Anbieter nur die Technologie liefert, aber keinen Zugang zu den Daten hat, wie sollen dann die Verantwortungsgrenzen in Beschaffungs-, Betriebs- und Aufsichtsregeln festgehalten werden?

Das ist die wichtigste Veränderung, wenn KI in die Stadt einzieht: Die Stadt kauft nicht mehr nur Software oder Kameras, sondern eine neue Fähigkeit zur öffentlichen Wahrnehmung. Je stärker die Wahrnehmung, desto feiner die Steuerung; je feiner die Steuerung, desto höher die Anforderungen an Privatsphäre, Rechenschaftspflicht und Transparenz. Die Stadt muss deshalb vom „Projektmanagement“ zu einer „Datenverfassung“ aufsteigen – also ein Regelwerk für Erhebung, Zugriff, Speicherung, De-Identifizierung und Löschung schaffen.Die Einschätzung von Michael Samuelian, dem Leiter des Cornell-Tech-Zentrums für Stadtechnologie, ist dafür sehr typisch. Er weist darauf hin, dass Kameras und Computer Vision in Städten nichts Neues sind, dass KI diese Bildverarbeitungskapazitäten jedoch „superverstärkt“ habe. Anders gesagt: Nicht die Existenz der Kameras ist die Veränderung, sondern dass visuelle Daten nun von Maschinen fortlaufend analysiert, kategorisiert, für Warnungen genutzt und mit anderen Systemen verknüpft werden können. Das bringt eine neue städtische Realität mit sich: Details des öffentlichen Raums, die sich früher nur schwer im großen Maßstab verarbeiten ließen, können heute in die Karte des städtischen Betriebs aufgenommen werden.

Samuelian betont auch, dass Bürgerinnen und Bürger ebenso wie Amtsträger bei solchen Systemen wachsam bleiben sollten: Wie Daten erhoben, mit wem sie geteilt und wo sie schließlich gespeichert werden, braucht klare Regeln. Für relativ alltägliche Anwendungen wie Müllabfuhr und Verkehrsoptimierung empfiehlt er sogar, Gesichter zu de-identifizieren. Im Kern erinnert dieser Vorschlag die Stadt daran: Nicht alles, was „sichtbar“ ist, muss auch „identifizierbar“ sein; nicht jede Effizienzsteigerung muss auf Kosten einer stärkeren Überwachung gehen.

Das ist auch eine der wichtigsten Grenzlinien der Stadt der Zukunft. Während KI-gestützte visuelle Systeme zunehmend in Verkehr, Stadtreinigung, Parksicherheit, das Management öffentlicher Veranstaltungen und die Fahrzeugsteuerung eingebettet werden, wird die Stadt immer mehr wie ein Echtzeit-Berechnungssystem erscheinen. Doch eine wirklich ausgereifte digitale Stadt ist nicht die, die „mehr sieht“, sondern die, die „grenzbewusster sieht“. Sie muss in der Lage sein, die Sicherheit an Kreuzungen und die öffentliche Ordnung zu verbessern, ohne den städtischen Raum in ein unterschiedsloses Daten-Erfassungsfeld zu verwandeln; sie muss Technologie in den Dienst der Governance stellen, statt sich von der Technologie treiben zu lassen.

Aus dieser Perspektive stehen Brownsville und Las Vegas nicht für zwei isolierte Projekte, sondern für verschiedene Seiten derselben technologischen Stadtroute: Die eine betont lokale Kontrolle und die Erkennung mehrerer Szenarien, die andere Verkehrssicherheit und Effizienz an Kreuzungen. Gemeinsam zeigen sie, dass Städte visuelle Daten von der „Aufzeichnungsebene“ auf die „Operationsebene“ heben.

Sobald eine Stadt die Operationsebene erreicht, geht es im Wettbewerb nicht mehr nur darum, wie viele Kameras gekauft oder wie viele KI-Modelle eingebunden wurden, sondern darum, wer eine stärkere Datengovernance, eine verlässlichere lokale Infrastruktur, eine klarere Zugriffskontrolle und eine von der Öffentlichkeit eher akzeptierte technologische Grenze aufbauen kann. Die künftige Differenzierung von Städten könnte weniger davon abhängen, ob es intelligente Systeme gibt, als davon, ob diese Systeme weiterhin öffentlichen Regeln unterliegen.

In diesem Sinne ist visuelle KI nicht das Endziel der Stadtverwaltung, sondern eine neue institutionelle Bewährungsprobe. Sie macht Städte agiler, legt aber auch transparenter offen, wie leistungsfähig ihre Governance ist: ob sie ein Gleichgewicht zwischen Echtzeitfähigkeit und Privatsphäre finden kann, ob sie zwischen Automatisierung und Rechenschaftspflicht Schnittstellen schaffen kann, ob sie zwischen digitaler Effizienz und öffentlichem Vertrauen Stabilität bewahren kann.

Vielleicht ist das die wichtigste Lehre solcher Projekte heute: Städte beginnen, „mehr zu sehen“, doch was die künftige Form der Stadt wirklich bestimmt, ist nicht das Sehen selbst, sondern wie nach dem Sehen regiert wird.