Virginia zeigt das alte Problem in neuer Form: KI-Überwachung trifft schwarze Viertel viel härter

In Virginia bekommt ein altes US-Problem eine neue technische Hülle. Ein neues KI-gestütztes Überwachungsnetz erfasst mehrheitlich schwarze Wohngebiete laut den vorliegenden Erkenntnissen achtmal so häufig wie andere Viertel. Der konkrete Auslöser ist die ungleiche Verteilung von ALPR-Systemen, also automatischen Kennzeichenscannern, die Fahrzeuge im öffentlichen Raum massenhaft erfassen.

Der Punkt ist nicht nur die Zahl. Der Punkt ist das Muster. Wenn Überwachung sich so klar auf bestimmte Nachbarschaften konzentriert, entsteht kein neutrales Sicherheitsnetz. Es entsteht digitale Verdachtslogik. Wer dort wohnt, fährt oder zu Besuch ist, gerät häufiger in Datensätze, wird häufiger verfolgbar und bleibt länger Teil eines Systems, das seine Umgebung als Risikoraum behandelt.

Besonders heikel: Die Debatte dreht sich hier nicht um ein abstraktes KI-Risiko. Es geht um ganz konkrete Infrastruktur. Kameras hängen an Straßen. Nummernschilder werden erfasst. Bewegungsprofile lassen sich daraus zusammensetzen. Wird so ein Netz ungleich verteilt, dann skaliert Technik bestehende Ungleichheit einfach nach oben.

In Virginia ist das mehr als ein Ausrutscher. Die Überwachung mit ALPR-Technik läuft demnach auch dort weiter, wo Verträge mit Flock Safety bereits gekündigt wurden. Das wirft zwei unangenehme Fragen auf. Erstens: Wer kontrolliert solche Systeme nach politischen oder behördlichen Kurswechseln wirklich? Zweitens: Wie real ist die versprochene Rechenschaft, wenn die technische Präsenz im Alltag bestehen bleibt?

Die Bezeichnung „Redlining 2.0“ ist deshalb hart, aber treffend. Historisch meinte Redlining die systematische Benachteiligung schwarzer Nachbarschaften etwa bei Krediten, Infrastruktur und Investitionen. Heute geht es nicht um Hypothekenkarten, sondern um Datennetze. Das Prinzip ist ähnlich: Bestimmte Räume werden markiert, anders behandelt und enger kontrolliert.

Für Behörden ist solche Technik leicht zu verteidigen. Mehr Kameras, mehr Daten, mehr Aufklärung. Das klingt pragmatisch. Das Problem: Wenn schon die Platzierung verzerrt ist, dann ist auch der Datenstrom verzerrt. Und auf verzerrten Daten baut man keine faire Sicherheitsstrategie. Man baut ein System, das seine eigenen Vorurteile mit Zahlen füttert.

Für Anwohner hat das direkte Folgen. Wer in diesen Vierteln lebt, bewegt sich unter dichterer Beobachtung als anderswo. Das verändert Verhalten. Es erhöht das Risiko falscher Zuordnungen. Und es verschiebt die Beweislast im Alltag still in Richtung der Überwachten. Technik wirkt hier nicht unsichtbar, sondern tief sozial.

Der Fall aus Virginia ist damit ein Lehrstück für die aktuelle KI-Politik. Das Hauptproblem liegt oft nicht in futuristischen Algorithmen, sondern in banal wirkender Infrastruktur mit sehr realen Verteilungsfolgen. Eine Kamera an der falschen Stelle ist keine neutrale Hardware. Sie setzt Prioritäten. Viele Kameras in denselben Vierteln setzen ein politisches Signal.

Wer KI-Überwachung ernsthaft regulieren will, muss daher früher ansetzen: bei Standortwahl, Datenspeicherung, Löschfristen, externer Kontrolle und öffentlicher Transparenz. Sonst bleibt von der versprochenen Sicherheit vor allem eines übrig: ein digital verstärktes Muster, das schwarze Nachbarschaften wieder zuerst trifft.