KI-„Geisternamen“ sickern in die wissenschaftliche Publikation ein

Fiktive Experten hinterlassen reale Spuren im Netz

Ein neues Preprint schlägt Alarm wegen eines seltsamen Nebenprodukts generativer KI: fiktive Identitäten werden von Sprachmodellen so oft wiederholt, dass sie beginnen, Teile des akademischen und digitalen Archivs zu verunreinigen. Laut einem am 27. August 2026 veröffentlichten Bericht sind Namen wie Elena Vasquez und Marcus Chen in Hunderten von KI-generierten Papers, Artikeln und Büchern aufgetaucht, obwohl sie zu keinen realen Personen gehören.

Die Forschenden hinter dem Paper, von Samsung und der Universität Warschau, beschreiben diese wiederkehrenden Identitäten als eine Art KI-Heimsuchung. Ihre Kernthese ist nicht bloß, dass große Sprachmodelle Namen erfinden, was zu erwarten wäre, sondern dass sie dazu neigen, in ähnlichen Kontexten immer wieder dieselben Namen zu erfinden. Mit der Zeit kann diese Wiederholung falsche Autorität in Suchergebnisse, Repositorien und Veröffentlichungen einspeisen, die an der Oberfläche legitim wirken.

Das ist wichtig, weil Namen Vertrauen transportieren. In der wissenschaftlichen Publikation und Forschungskommunikation nutzen Leser oft den Namen eines Autors, seine institutionelle Rolle oder sein Fachgebiet als Abkürzung für Glaubwürdigkeit. Wenn KI-Systeme wiederholt scheinbar plausible Experten erzeugen und diese Namen in scheinbar formale Dokumente gelangen, wird die Grenze zwischen fabriziertem Inhalt und dem echten wissenschaftlichen Bestand deutlich dünner.

Wie sich wiederholte Namensmuster ergeben

Das Paper konzentriert sich auf das, was die Autoren als korrelierte Namens-Priors bezeichnen. Einfach gesagt generieren manche Modelle fiktive Identitäten nicht zufällig. Sie scheinen bei bestimmten Arten von Experten, Autoren oder Figuren zu bestimmten Namen zu tendieren. Der Bericht nennt mehrere Beispiele: Elena Vasquez, Marcus Chen, Elara Voss, Aris Thorne, Lena Petrova und Elena Amara Okafor tauchen demnach je nach Modell und Prompt-Kontext ungewöhnlich häufig auf.

Das Phänomen beschränkt sich nicht auf einzelne Namen. Die Forschenden sagen, dass Modelle auch „korrelierte Figurenensembles“ erzeugen, was bedeutet, dass manche Namen mit höherer Wahrscheinlichkeit gemeinsam auftreten. Das deutet darauf hin, dass die Modelle nicht nur isolierte Bezeichnungen wiederholen, sondern auch Cluster von Identitätsmustern reproduzieren. Wenn das geschieht, kann falsche Autorenschaft skalierbarer werden. Ein Nutzer, der akademisch klingende Texte, Bücher, Biografien oder Websites generiert, kann immer wieder dieselbe Gruppe erfundener Personen mit scheinbarer Autorität erhalten.

Was das Problem ernster macht, ist die Persistenz. Ein in einer KI-Ausgabe erzeugter falscher Experte mag für sich genommen trivial erscheinen. Doch wenn dieselbe Identität in Repositorien, Websites und Dokumenten wieder auftaucht, kann sie einen digitalen Fußabdruck aufbauen. Suchmaschinen und Zitationssysteme verstärken dann womöglich die Illusion und machen es Lesern schwerer zu erkennen, ob eine Quelle erfunden oder nur schwer auffindbar ist.

Vom Modell-Eigenart zum Publikationsproblem

Der Artikel verbindet das Muster direkt mit der Infrastruktur der wissenschaftlichen Publikation. Die Forschenden suchten Berichten zufolge in Datenbanken nach Namen, von denen sie wussten, dass Modelle sie häufig erzeugen, und fanden diese Namen in einer breiten Menge KI-generierter Materialien eingebettet. Eines der auffälligsten Beispiele ist Zenodo, das vom CERN betriebene Repositorium, das echte DataCite-DOIs vergibt. Das Team gibt an, 1.655 Datensätze identifiziert zu haben, die Geisterautoren zugeschrieben und mit nicht existierenden Zeitschriften sowie erfundenen Veröffentlichungsdaten verknüpft waren.

Dieses Detail ist wichtig, weil ein DOI eines der stärksten Signale für Legitimität in der wissenschaftlichen Kommunikation ist. Er garantiert keine Qualität, signalisiert aber, dass ein Datensatz in ein organisiertes Publikations- und Indexierungsökosystem eingegangen ist. Wenn erfundene Zeitschriften, Daten und Autoren auf echter DOI-Infrastruktur mitreiten können, dann beschränken sich Vertrauensversagen nicht mehr auf Spam-Blogs oder minderwertige Content-Farmen. Sie beginnen, Systeme zu berühren, die von Forschern, Bibliothekaren und Institutionen genutzt werden.

Der Artikel verknüpft das Muster auch mit früheren Berichten über KI-generierte „Forschung“, die so verkauft wurde, als stamme sie von Menschen. In einem zitierten Fall hatte ein Unternehmen für medizinische Forschung eine Gründerin und leitende Methodikerin namens Elena Vasquez angegeben, die nicht existierte. Nach der Berichterstattung über den Fall wurde dieser Name Berichten zufolge von der Website des Unternehmens entfernt. Ein weiteres Beispiel beschrieb eine falsche Aussage, die auf Facebook verbreitet und einem nicht existierenden „Executive Director Dr. Elena Vasquez“ zugeschrieben wurde.

Zusammengenommen legen diese Fälle nahe, dass das Problem nicht rein akademisch ist. Dieselben fabrizierten Identitäten können zwischen Gesundheitsbehauptungen, Social-Media-Gerüchten, kommerziellen Diensten und Publikationsplattformen wandern. Diese domänenübergreifende Verbreitung verleiht dem Phänomen seine breitere Relevanz.

Warum das Kontaminationsrisiko wächst

Generative KI senkt die Kosten für die massenhafte Erstellung überzeugender Texte. Dazu gehören Papers, Berichte, Webseiten und buchähnliche Dokumente, die institutionelle Formate imitieren können. Wenn Modelle zudem dazu neigen, einen kleinen Pool überzeugender fiktiver Namen wiederzuverwenden, müssen böswillige Akteure nicht einmal jedes Mal eine neue Persona erfinden. Das Modell erledigt einen Teil der Arbeit für sie, indem es wiederkehrende Identitäten liefert, die bereits glaubwürdig klingen.

Die Gefahr beschränkt sich nicht auf vorsätzlichen Betrug. Manche Nutzer prüfen generierte Namen möglicherweise nicht genau, besonders wenn sie Entwürfe schnell erstellen. In automatisierten oder halbautomatisierten Publishing-Pipelines kann ein falscher Experte in öffentliche Aufzeichnungen rutschen, weil niemand überprüft, ob die Person überhaupt existiert. Nach der Veröffentlichung kann die Identität zitiert, gescraped, indexiert und an anderer Stelle wiederverwendet werden.

Dadurch entsteht eine Rückkopplungsschleife. Wiederholung durch Modelle führt zu Wiederholung im Web, und Wiederholung im Web kann wiederum verstärken, was zukünftige Modelle vorfinden. Mit der Zeit kann die Unterscheidung zwischen einem Modellartefakt und einer dokumentierten Person für alle verschwimmen, die sich auf Suche statt auf direkte Verifikation verlassen.

Eine Integritätsherausforderung für Forschungssysteme

Der Bericht liefert keine vollständige Lösung, macht aber die Größenordnung des Integritätsproblems schwerer abstreitbar. Wissenschaftliche Publikation kämpft seit Langem mit Plagiaten, Paper Mills und gefälschter Begutachtung. KI-Geisterautoren bringen eine andere Art von Fehler ein: synthetische Identitätsverschmutzung in Systemen, die auf Annahmen menschlicher Zuordnung beruhen.

Diese Herausforderung betrifft Repositorien, Redaktionen, Verlage, Indexierungsdienste und Suchplattformen. Strengere Autorverifikation, bessere Prüfungen auf fabrizierte Zeitschriften und mehr Aufmerksamkeit für verdächtig wiederholte Identitätsmuster könnten alle nötig werden. Der größere Punkt ist, dass es bei KI-Missbrauch nicht nur darum geht, ob ein Text maschinell geschrieben wurde. Es geht auch darum, ob die mit diesem Text verbundenen Personen überhaupt existieren.

Die Ergebnisse des Preprints dürften auf Resonanz stoßen, weil sie einen subtilen, aber strukturell wichtigen Wandel beschreiben. Sprachmodelle erzeugen nicht mehr nur fehlerhafte Prosa oder erfundene Zitate. Sie könnten auch falsche Experten standardisieren und sie stillschweigend in das Wissensökosystem einschleusen. Wenn dieser Prozess unkontrolliert weiterläuft, könnte der wissenschaftliche Bestand gerade deshalb schwerer zu prüfen sein, weil die Fehler so alltäglich wirken.

Dieser Artikel basiert auf Berichterstattung von 404 Media. Den Originalartikel lesen.