KI-Transkription prüfen: internationale Konferenz stellt 5 Regeln auf

Auf dem Küchentisch liegt ein Kirchenbuchauszug aus dem Jahr 1843, daneben ein Ausdruck mit der KI-Transkription desselben Eintrags. Zwei Zeilen unter dem Datum steht ein Name, den die Software mit hoher Sicherheit ausgegeben hat: Anna Elisabeth Kürschner. Im Original, bei genauerem Hinsehen und mit der Lupe, könnte es auch Kirschner heißen, oder Kirsch, das Ligatur-„ner" verschwimmt mit einem Tintenfleck. Genau an diesem Punkt beginnt die eigentliche Arbeit der Ahnenforschung. Wer KI-Transkription prüfen will, statt sie einfach zu übernehmen, muss wissen, wo die Software typischerweise irrt und wie man das systematisch nachprüft, nicht auf gut Glück.

Bei Kurrent und Sütterlin ist dieser Prüfschritt kein bürokratisches Extra, sondern die Voraussetzung dafür, dass ein Stammbaum später überhaupt belastbar ist.

KI-Transkription prüfen: Warum das kein Misstrauen, sondern Methode ist

Die Zahlen, die derzeit kursieren, wirken auf den ersten Blick widersprüchlich. Ein arXiv-Preprint zu historischen Handschriften hält fest, dass selbst professionelle menschliche Transkriptionsdienste im Schnitt nur 99 Prozent Genauigkeit garantieren, bei frühneuzeitlichen italienischen Manuskripten lag die Wortfehlerrate (WER) einer getesteten KI zwischen 35 und 43 Prozent. Eine andere, 2025 auf arXiv veröffentlichte Studie zu einem Transformer-Ensemble erreichte auf dem sogenannten Gwalther-Datensatz dagegen eine Zeichenfehlerrate (CER) von nur 1,60. Beides kann gleichzeitig stimmen, weil die Leistung, wie eine im Fachjournal Springer erschienene und peer-reviewte Auswertung von HTR-Engines zeigt, massiv von Sprache, Schrift, Orthografie und physischem Zustand des Dokuments abhängt. Ein sauber erhaltenes Kirchenbuch aus dem württembergischen Pfarramt liest sich anders als ein wasserfleckiger Feldpostbrief.

Belastbare, für Kurrent und Sütterlin spezifische Fehlerquoten in großem Maßstab gibt es bislang kaum, die meisten Studien arbeiten mit englischen oder italienischen Korpora. Das ist eine Lücke, die die Überlieferung der Forschung selbst betrifft.

Eine KI-Transkription ist ein Entwurf, keine Quelle. Namen, Daten und Orte müssen immer gegen das Original und wo möglich gegen eine zweite Quelle geprüft werden.

KI-Fehler Handschrift: Wo Kurrent und Sütterlin besonders anfällig sind

Ligaturen sind der Klassiker. In der Kurrentschrift verschmelzen bestimmte Buchstabenfolgen zu einer einzigen, fließenden Form, das „ch" oder „sch" etwa kann je nach Schreiber kaum von einem einfachen „e" zu unterscheiden sein. Wer sich zum ersten Mal mit den einzelnen Formen vertraut machen will, findet im Kurrent-Alphabet mit allen 26 Buchstaben eine gute Referenz, um Buchstabenformen händisch nachzuschlagen, statt der Maschine blind zu vertrauen.

Umlaute sind das zweite Problembuchstaben. Ein „ü" wird in mancher Handschrift nur durch zwei winzige Punkte oder Striche angedeutet, die in schlechter Scanqualität verschwinden. Historische Namensvarianten kommen als dritte Fehlerquelle hinzu: Meier, Meyer, Mayer und Maier sind orthografisch benachbart, aber genealogisch entscheidend verschieden.

Wie konkret das werden kann, zeigt ein Praxisbeispiel aus dem englischsprachigen Raum, dokumentiert von AI Genealogy Insights: Das Modell Claude 4.5 Sonnet las den Namen „Mrs. Warren Dean Lawrence" fälschlich als „Mrs. Warren Dora Lawrence". Ein einziger Buchstabe, ein anderes Vorleben. Übertragen auf deutsche Kirchenbücher heißt das: Ein Schreibfehler bei einem Vornamen kann eine Person versehentlich mit einer ganz anderen verwechseln lassen, gerade wenn Namen in einer Gemeinde mehrfach vorkommen.

Der Fünf-Schritte-Workflow zur Verifikation

Die Forscherin Odette Scharenborg empfiehlt in einem Interview mit Science, grundsätzlich jede KI-Transkriptionsausgabe manuell zu prüfen, weil Halluzinationen und systembedingte Fehler nicht zuverlässig vorhersehbar sind. Für die Praxis lässt sich daraus ein Ablauf in fünf Schritten destillieren, der sich an Alltagsdokumenten aus Kirchenbuch, Standesamt und Nachlass orientieren lässt.

1. Original in guter Auflösung neben die Transkription legen Nicht nur den fertigen Text lesen, sondern parallel das gescannte Original vergrößern. Wer beim Scannen sparsam war, holt das jetzt oft nicht mehr auf, deshalb lohnt ein Blick in die Hinweise zum richtigen Scannen historischer Dokumente.

2. Eigennamen und Zahlen zuerst prüfen Vornamen, Nachnamen, Ortsnamen, Jahreszahlen. Diese vier Kategorien tragen das größte genealogische Gewicht und gleichzeitig das größte Fehlerrisiko, weil sie im KI-Training seltener und uneinheitlicher vorkommen als Fließtext.

3. Konfidenzwerte nicht mit Richtigkeit verwechseln Ein hoher Konfidenzwert bedeutet nur, dass das Modell sich selbst sicher ist, nicht dass es richtig liegt. Automation Bias, also die Neigung, automatisierten Ausgaben blind zu vertrauen, wird auch in Artikel 14 des EU AI Act als Risiko benannt, dem Aufsichtspersonen aktiv entgegenwirken sollen.

4. Zweitquelle heranziehen Ein Kirchenbucheintrag lässt sich oft gegen ein Standesamtsregister, ein Adressbuch oder eine Passagierliste abgleichen. Stimmen zwei unabhängige Quellen überein, steigt die Sicherheit erheblich, auch wenn beide theoretisch fehlerhaft sein könnten.

5. Unsicherheiten dokumentieren, statt sie zu glätten Wo sich ein Name oder Datum nicht abschließend klären lässt, gehört das in die eigene Notiz hinein, nicht in den fertigen Stammbaum als vermeintliche Gewissheit.

Der Konfidenzwert einer KI sagt etwas über das Modell aus, nicht über die historische Wahrheit.

Kurrent-Transkription Genauigkeit: Was CER-Werte wirklich bedeuten

CER steht für Character Error Rate, also den Anteil falsch erkannter Zeichen im Verhältnis zur Gesamtzeichenzahl. Eine CER von 5 Prozent klingt nach wenig, bedeutet aber bei einem Kirchenbuchtext mit 400 Zeichen im Schnitt 20 fehlerhafte Zeichen, verteilt über mehrere Wörter. Die eingangs erwähnte Studie zu KI-gestützter Transkription historischer Dokumente erreichte im Zero-Shot-Einsatz CER-Werte zwischen 5,7 und 7 Prozent, das transformerbasierte Ensemble auf dem Gwalther-Datensatz kam wie erwähnt auf 1,60. Beide Zahlen stammen jedoch nicht aus deutschsprachigen Kurrent-Korpora, weshalb sich CER-Werte nicht unbesehen von einer Sprache auf die andere übertragen lassen.

Was heißt das für die Praxis? Eine niedrige CER bei einem sauberen Testdatensatz sagt wenig darüber aus, wie das gleiche Modell mit einem stockfleckigen Feldpostbrief von 1917 umgeht, dessen Genauigkeit ausführlicher im Beitrag zur Genauigkeit der KI-Transkription bei Handschriften eingeordnet wird. Wer wissen will, wie belastbar ein konkretes Ergebnis ist, kommt am Stichprobenvergleich mit dem Original nicht vorbei, gerade bei Dokumenten mit persönlichem oder rechtlichem Gewicht wie Testamenten oder Erbverträgen.

Verantwortungsvoller KI-Einsatz in der Genealogie: CRAIGEN und der EU AI Act

Auf der RootsTech 2026 stellte die Coalition for Responsible AI in Genealogy, kurz CRAIGEN, fünf Grundsätze für den Umgang mit KI in der Ahnenforschung vor: Genauigkeit, Offenlegung, Datenschutz, Aufklärung und rechtliche Konformität. Die Berichterstattung von Church News fasst die zentrale Warnung des Panels so zusammen: KI kann falsche, verzerrte oder schlicht erfundene Informationen erzeugen, weshalb jede Ausgabe gegen historische Aufzeichnungen und glaubwürdige Quellen geprüft werden sollte.

Parallel dazu verändert sich der rechtliche Rahmen in Europa. Die Europäische Kommission hat für den EU AI Act Transparenzregeln festgelegt, die ab August 2026 gelten. Betreiber von KI-Systemen müssen dann unter anderem sicherstellen, dass Nutzer erkennen können, wo KI beteiligt war, und dass eine menschliche Aufsicht existiert. Für Genealogie-Software bedeutet das keine Revolution im Arbeitsalltag, aber eine Bestätigung dessen, was ohnehin sinnvoll war: KI liefert den ersten Entwurf, der Mensch das letzte Wort.

Die Kombination aus wissenschaftlicher Fehlerrate, regulatorischem Rahmen und persönlicher Sorgfalt macht aus einer Software-Ausgabe erst eine belastbare Quelle.

Auch aus der akademischen Ecke kommt Rückenwind für diese Vorsicht. Eine 2026 in Springer erschienene Untersuchung zu KI-Halluzinationen im wissenschaftlichen Schreiben beschreibt Transparenz, systematische Verifikation und menschliche Aufsicht als ethische Pflicht, nicht als optionalen Zusatz. Das lässt sich eins zu eins auf die private Ahnenforschung übertragen, auch wenn hier niemand ein Ethikgremium einberuft, bevor er den nächsten Kirchenbucheintrag transkribiert.

Zweite Quelle, sicherer Befund

Ein Kirchenbucheintrag allein steht selten für sich. Wer den Namen, das Datum oder den Beruf eines Vorfahren absichern will, findet in Deutschland meist mehrere unabhängige Register: das Standesamt ab 1876, kommunale Adressbücher, Grundbucheinträge oder Militärakten. Wie sich einschätzen lässt, welches dieser Dokumente die Mühe der Transkription überhaupt lohnt, beschreibt der Beitrag zu Kirchenbüchern, Militärakten und Grundbüchern. Die grundsätzliche Frage, was KI-Transkription in dieser Kette leisten kann und was Historiker selbst prüfen müssen, arbeitet der Beitrag zur Quellenkritik im digitalen Zeitalter im Detail heraus.

Die Überlieferung ist dabei nicht immer freundlich. Manche Gemeinden führten Kirchenbücher lückenhaft, andere gingen im Krieg verloren, wieder andere liegen bis heute unverzeichnet in Kommunalarchiven. Wo eine Zweitquelle fehlt, bleibt nur die genaue Lektüre des Originals und die ehrliche Notiz, dass sich ein Name oder ein Datum nicht abschließend klären lässt. Das ist kein Scheitern der Methode, sondern ihr ehrlichstes Ergebnis.

Am Ende bleibt der Kirchenbuchauszug vom Anfang auf dem Tisch liegen, jetzt mit einer Bleistiftnotiz am Rand: „Name unsicher, Standesamtseintrag 1876 abgleichen." Kein triumphaler Schlussstrich, eher eine Aufgabe für den nächsten Archivbesuch, und genau das ist der Unterschied zwischen einer Software-Ausgabe und einer Quelle, der man traut.

Häufige Fragen

Wie genau ist KI-Transkription bei Kurrent und Sütterlin wirklich? Das hängt stark vom Dokument ab. Studien zu historischen Handschriften zeigen Fehlerraten zwischen unter 2 Prozent bei gut erhaltenen, klaren Texten und über 40 Prozent bei schwer leserlichen frühneuzeitlichen Quellen. Namen, seltene Wörter und verblasste Tinte sind die häufigsten Fehlerquellen.

Muss ich jede KI-Transkription komplett gegenlesen? Nicht Wort für Wort, aber Namen, Daten, Ortsangaben und Berufsbezeichnungen sollten immer gegen das Original geprüft werden. Bei Kirchenbucheinträgen oder Testamenten mit rechtlicher Bedeutung ist eine vollständige Gegenprüfung empfehlenswert.

Was mache ich, wenn KI-Transkription und Original nicht übereinstimmen? Zuerst das Original noch einmal in guter Auflösung und mit Vergrößerung ansehen. Hilft das nicht weiter, lohnt der Blick in eine zweite Quelle, etwa das Standesamtsregister zum Kirchenbucheintrag oder ein Adressbuch zum Personennamen.

Warum lesen KI-Modelle Namen besonders oft falsch? Namen kommen im Trainingsmaterial seltener vor als Alltagswörter, und historische Schreibweisen variieren stark. Ligaturen in Kurrent und Sütterlin verstärken das Problem, weil ähnliche Buchstabenkombinationen leicht verwechselt werden.

Gilt der EU AI Act auch für Genealogie-Software? Die Transparenzregeln des EU AI Act treten im August 2026 in Kraft und verlangen unter anderem, dass Nutzer erkennen können, wo KI beteiligt war. Für Anwender bedeutet das vor allem: menschliche Aufsicht bleibt Pflicht, nicht Kür.