Feedback Loops sind Rückkopplungsschleifen. Im Zusammenhang mit künstlicher Intelligenz entstehen sie, wenn die Ergebnisse eines Systems beeinflussen, welche Daten oder Entscheidungen später wieder in dieses System zurückfließen. Ein Empfehlungsalgorithmus kann etwa bestimmte Inhalte häufiger anzeigen. Werden diese dadurch öfter angeklickt, wertet das System die gestiegene Aufmerksamkeit möglicherweise als Bestätigung seiner ursprünglichen Auswahl.

Solche Schleifen können sinnvoll sein, wenn Rückmeldungen gezielt zur Verbesserung eines Modells genutzt werden. Problematisch werden sie, wenn sich Fehler oder Verzerrungen selbst verstärken. Studien zeigen, dass bereits kleine menschliche Vorurteile von KI-Systemen übernommen und anschließend durch die weitere Interaktion verstärkt werden können. Auch bei regelmäßig aktualisierten Modellen können frühere Modellentscheidungen die späteren Trainingsdaten verändern.

Ein Feedback Loop bedeutet deshalb nicht automatisch Verbesserung. Entscheidend ist, welche Rückmeldung zurückfließt und ob sie die Wirklichkeit zuverlässig abbildet oder bereits vom System selbst beeinflusst wurde.