Output Access

Wer ein KI-System benutzt, kann unterschiedlich tief hineinschauen. Output Access ist die flachste dieser Stufen. Man schickt eine Eingabe an das System und erhält eine fertige Antwort zurück. Was dazwischen passiert, bleibt vollständig verborgen: die internen Rechenschritte, die Einstellungen, die Daten, mit denen das System gelernt hat. Der englische Begriff bedeutet wörtlich „Zugang zur Ausgabe“ und beschreibt genau das. Man sieht das Ergebnis, sonst nichts.

Warum Forscher damit an Grenzen stoßen

Wer ein KI-System auf Sicherheit oder Fairness prüfen will, braucht Belege. Mit Output Access kann man nur Fragen stellen und Antworten sammeln. Man stellt vielleicht fest, dass ein System bei Bewerbungen weibliche Namen schlechter bewertet. Warum es das tut, lässt sich so nicht klären. Man beobachtet ein Symptom, kommt aber nicht an die Ursache.

Dazu kommt ein praktisches Problem: Der Anbieter kann das System jederzeit ändern. Eine Untersuchung von heute lässt sich in drei Monaten womöglich nicht wiederholen, weil im Hintergrund eine neue Version läuft. In der Wissenschaft ist das ein ernstes Hindernis. Ergebnisse gelten erst als belastbar, wenn andere sie nachprüfen können.

Deshalb fordern Forschungsgruppen und Aufsichtsbehörden seit Jahren mehr als nur Output Access. Der AI Act der EU verpflichtet Anbieter besonders leistungsfähiger Modelle, Prüfern zusätzliche Informationen zu geben. Der Streit dreht sich darum, wie viel mehr das sein muss. Anbieter verweisen auf Geschäftsgeheimnisse und auf die Gefahr, dass offengelegte Details missbraucht werden.

Was hinter der Schnittstelle passiert

Technisch läuft Output Access fast immer über eine API. Das ist eine festgelegte Schnittstelle, über die zwei Programme Daten austauschen. Ein Programm schickt einen Text an die Server des Anbieters, dort rechnet das Modell, und ein Text kommt zurück. Der Nutzer bezahlt meist pro verarbeiteter Textmenge. Das Modell selbst verlässt die Server des Anbieters nie.

Meist bekommt man ein paar Stellschrauben dazu. Man kann etwa einstellen, wie zufällig die Antworten ausfallen sollen oder wie lang sie werden dürfen. Manche Anbieter liefern zusätzlich Wahrscheinlichkeitswerte für einzelne Wörter mit. Das ist bereits mehr als reiner Output Access, geht aber immer noch nicht ans Innenleben heran.

Zur Einordnung hilft ein Blick auf die anderen Stufen. Bei Weight Access bekommt man die trainierten Zahlenwerte des Modells und kann es auf eigener Hardware betreiben. Bei Training Data Access sieht man zusätzlich, womit es gelernt hat. Ein häufiger Irrtum ist, dass „Open Source“ bei KI automatisch die volle Offenheit bedeutet. Viele frei verfügbare Modelle geben nur die Gewichte heraus, die Trainingsdaten bleiben geheim.

Der Normalfall bei ChatGPT und Co.

Praktisch jede Nutzung der bekannten Chatbots ist Output Access. Wer ChatGPT im Browser öffnet, Gemini auf dem Handy nutzt oder Claude Fragen stellt, sieht nur Eingabe und Ausgabe. Dasselbe gilt für Firmen, die solche Modelle in ihre eigenen Produkte einbauen. Ein Onlineshop mit KI-Kundenberatung greift über eine Schnittstelle auf ein fremdes Modell zu und kennt dessen Innenleben nicht.

In Nachrichten taucht der Begriff meist im Zusammenhang mit Regulierung auf. Wenn über Transparenzpflichten, unabhängige Prüfungen oder den AI Act berichtet wird, geht es fast immer um die Frage, welche Zugriffsstufe Behörden und Forscher bekommen sollen. Auch Streit um gesperrte Forschungskonten fällt in dieses Feld.

Für dich als Nutzer hat das eine handfeste Folge. Du kannst nicht überprüfen, warum eine KI etwas Bestimmtes geantwortet hat. Du kannst nur beobachten, ob die Antwort plausibel ist, und sie im Zweifel selbst nachrecherchieren. Genau deshalb ist die Debatte über weitergehenden Zugang mehr als ein Thema für Fachleute.