Anfang 2023 wurde die Kunstwelt von einer Nachricht aufgeschreckt, die wie eine Entdeckung der Generation klang. Die de-Brécy-Tondo-Madonna,ein kleines Andachtsbild, das lange bewundert, aber vorsichtig klassifiziert worden war, wurde plötzlich als verlorenes Meisterwerk Raffaels ausgerufen. Grundlage dieser dramatischen Neu-Zuschreibung war künstliche Intelligenz. Forscher der University of Bradford erklärten, ihr KI-System habe eine 95-prozentige Übereinstimmung zwischen dem Gesicht der Madonna und jenem von Raffaels Sixtinischer Madonna in der Gemäldegalerie Alte Meister festgestellt. Die Schlagzeilen folgten umgehend. Gewissheit, so schien es, war per Algorithmus eingetroffen.

Bei Art Recognition war diese Ankündigung sofort Anlass für Fragen. Nicht zu Raffael selbst und auch nicht zur Qualität des Gemäldes, sondern zur Methodik. Wir führten daher eine unabhängige KI-Analyse der de-Brécy-Tondo-Madonna, mit unserem eigenen System durch. Unser Ergebnis wies in die entgegengesetzte Richtung. Unser Modell klassifizierte das Gemälde mit mit einer Wahrscheinlichkeit von 85 Prozent als nicht eigenhändig von Raffael. Anstatt die Debatte zu beenden, hatte KI sie nun weit aufgerissen.

Der Grund für diese Divergenz liegt in grundlegend unterschiedlichen Funktionsprinzipien. Das Bradford-System basierte auf Gesichtserkennung. Diese Art von KI ist darauf trainiert, Ähnlichkeiten zwischen Gesichtern über Variationen von Blickwinkel, Beleuchtung, Alter oder Bildqualität hinweg zu identifizieren. Es ist die Technologie, mit der Smartphones entsperrt oder Fotobibliotheken sortiert werden. Entscheidend ist: Sie ist nicht für Kunstauthentifizierung konzipiert.

When applied to the de-Brécy-Tondo-Madonna, und the Sistine MadonnaAngewandt auf die de-Brécy-Tondo-Madonna und die Sixtinische Madonna tat das Bradford-System genau das, wofür es gebaut wurde. Es stellte fest, dass sich die beiden Gesichter sehr ähnlich sind. Das ist kaum überraschend. Renaissancekünstler arbeiteten routinemässig innerhalb geteilter Schönheitsideale, insbesondere bei der Darstellung der Jungfrau Maria. Die Ähnlichkeit des Gesichtstyps ist ein Merkmal der Epoche, kein Beweis für Autorschaft. Der Sprung von „Diese Gesichter ähneln sich“ zu „Dieses Gemälde stammt zweifellos von Raffael“ wird von der Logik des Werkzeugs selbst nicht getragen.

En pratique, le résultat de l’IA a été surinterprété. Une ressemblance faciale a été transformée en affirmation d’attribution, puis amplifiée par la presse sans compréhension claire de ce que la technologie pouvait — ou ne pouvait pas — conclure de manière légitime. Le résultat fut un récit séduisant, mais dépourvu de fondement scientifique solide.

Der Ansatz von Art Recognition operiert auf einer anderen Ebene. Anstatt Gesichter zu isolieren, analysieren unsere Modelle ein ganzes Gefüge künstlerischer Merkmale: Pinselduktus, chromatisches Verhalten, kompositorische Struktur, Objektplatzierung und räumliche Beziehungen. Die Trainingsdatensätze werden von Teams aus Kunsthistorikern und KI-Entwicklern zusammengestellt und umfassen nicht nur alle bekannten authentischen Werke eines Künstlers, sondern auch eine breite Palette negativer Beispiele. Dazu zählen Fälschungen, Imitationen und stilistisch benachbarte Werke, sodass das System nicht nur lernt, was ein Künstler tut, sondern auch, was andere tun, wenn sie versuchen, ihn zu imitieren.

Als Reaktion auf die Kritik an ihrer ursprünglichen Methodik entwickelte die Bradford-Gruppe später ein zweites KI-Modell, das den von Art Recognition verwendeten Prinzipien näherkam. Dieses System lieferte erneut ein „authentisches“ Ergebnis. Doch hier trat ein weiterer entscheidender Unterschied zutage. Das Bradford-Modell wurde mit nur 49 Bildern trainiert. Der Raffael-Datensatz von Art Recognition umfasste mehr als einhundert. Noch wichtiger: Bradfords Negativbeispiele enthielten keine Imitationen von Madonna-Kompositionen, während unser Datensatz gezielt gefälschte Madonnen ebenso einschloss wie Imitationen anderer rafaelitischer Motive, etwa Allegorien und religiöse Szenen.

Dieser Unterschied ist entscheidend. KI-Systeme können nur aus dem lernen, was man ihnen zeigt. Lücken in den Trainingsdaten schlagen sich unmittelbar in Lücken im Verständnis nieder. Wenn eine KI nie mit überzeugenden Imitationen eines bestimmten Motivs konfrontiert wurde, fehlt ihr der Vergleichsrahmen, um diese kritisch zu bewerten. Die daraus resultierenden Schlussfolgerungen mögen selbstsicher wirken, doch diese Sicherheit beruht auf unvollständigem Wissen.

Vor dem Hintergrund der Kontroverse traf Art Recognition eine bewusste Entscheidung. Wir veröffentlichten unseren vollständigen Raffael-Trainingsdatensatz, einschliesslich Bilder und Dokumentation, damit andere ihn prüfen, kritisieren und weiterentwickeln können. Transparenz ist keine PR-Geste. Sie ist eine Voraussetzung für Glaubwürdigkeit, wenn KI in einem so folgenreichen Feld wie der Kunstauthentifizierung eingesetzt wird. Der Datensatz ist hier frei zugänglich hier..

Die Debatte um die de-Brécy-Tondo-Madonna, veranschaulicht eine zentrale Wahrheit über KI in der Kunstwelt. Die Technologie selbst ist weder Heilsbringer noch Saboteur.Ihre Schlussfolgerungen sind nur so belastbar wie ihr Design, ihre Daten und die Sorgfalt, mit der ihre Ergebnisse interpretiert werden. Mit dem wachsenden Einfluss von KI wächst auch der Bedarf an Verantwortlichkeit, fachlicher Prüfung und methodischer Klarheit. Ohne diese laufen Algorithmen Gefahr, zu Orakeln zu werden. Mit ihnen werden sie das, was sie sein sollten: mächtige Werkzeuge in einer weit grösseren Diskussion darüber, wie wir entscheiden, was echt ist.

< Retour