Künstliche Intelligenz und Barrierefreiheit: Potenziale heben, Grenzen und Risiken kennen

Ende Juli 2026 führe ich an der Fachhochschule Dresden einen Workshop durch, der sich mit der Frage beschäftigt, welchen Beitrag künstliche Intelligenz für digitale Barrierefreiheit und Inklusion leisten kann bzw. wo auch derzeit noch Grenzen bestehen. Nun habe ich mich mit diesem Thema in den vergangenen Jahren bereits intensiv befasst, aber ich empfand es dennoch als angemessen, in Vorbereitung auf die Veranstaltung eine gründliche Recherche nach aktueller Literatur zum Thema zu betreiben. Ein prima Anlass, um die Erkenntnisse hier auch mit Ihnen zu teilen und weiter unten im Artikel auch einige hilfreiche Handlungsempfehlungen für Sie zu entwickeln, falls Sie ebenfalls vor der Frage stehen, wie Sie das Thema Barrierefreiheit bei sich in der Organisation angehen könnten. Viel Freude beim Lesen! Und sollten Sie ebenfalls Interesse an einem Workshop zu diesem Thema in Ihrem Team haben, schreiben Sie mir gern.

Seitdem ChatGPT Ende 2022 das Licht der Welt erblickt hat, ist künstliche Intelligenz praktisch in aller Munde. Was folgte, war und ist ein Hype, der weit über die Fachcommunity hinausging: wirtschaftliche Verwerfungen durch die Knappheit an KI-Chips, milliardenschwere Investitionen in Rechenzentren und eine gesellschaftliche Debatte über Berufsfelder, die durch Automatisierung wegfallen könnten. Aufbruch und Angst lagen und liegen durchaus nah beieinander.

Dabei ist es nur folgerichtig, dass jede Disziplin und jede Branche für sich prüft: Was bedeutet KI für uns – und was kann sie für uns leisten? Kann sie Probleme lösen, die bisher schwer lösbar waren? Kann sie Prozesse beschleunigen oder günstiger machen? Diese Fragen stellen sich Fachleute in der Medizin, in der Bildung, im Recht – und natürlich auch im Bereich der digitalen Barrierefreiheit.

Die Ausgangslage: Digitale Barrierefreiheit und ihre Herausforderungen

Wer im Bereich der digitalen Barrierefreiheit unterwegs ist, kennt die zentralen Herausforderungen meistens nur zu gut. Da ist zunächst die fehlende Sensibilität: Viele, die digitale Systeme entwickeln oder Inhalte erstellen, haben noch kein ausreichendes Bewusstsein dafür, welche Barrieren sie unbeabsichtigt erzeugen. Grobe Grundkenntnisse mögen vorhanden sein, genügen aber nicht, um Barrieren richtig zu identifizieren und zu vermeiden. Barrierefreiheit wird häufig als Kostenfaktor wahrgenommen und leider nicht als Qualitätsmerkmal. Entsprechend niedrig ist die intrinsische Motivation, sie ernsthaft umzusetzen. Dass der Gesetzgeber mittlerweile reagiert hat und Barrierefreiheit für viele digitale Angebote gesetzlich vorschreibt, ist zwar ein wichtiger Schritt, löst das zugrundeliegende Dilemma aber nicht: Pflicht ohne Verständnis erzeugt eher Reaktanz und fördert keine Haltung.

Hinzu kommen handfeste praktische Hürden. Das Aufspüren von Barrieren in digitalen Systemen ist aufwendig: Es braucht Expertise, Zeit und Geld. Automatisierte Prüfwerkzeuge können dabei helfen, decken aber erfahrungsgemäß nur einen Teil der tatsächlich vorhandenen Barrieren auf und sind kaum in der Lage, die Qualität oder Schwere eines Problems zu beurteilen. Ob ein fehlender Alternativtext wirklich eine Barriere darstellt oder ob eine bestimmte Struktur für Screenreader-Nutzende problematisch ist, lässt sich mit automatischen Mitteln allein bisher nicht zuverlässig beantworten. Gute oder tatsächliche Barrierefreiheit bleibt damit auf menschliche Expertise und auf den Einbezug der Betroffenen angewiesen – beides knappe und teure Ressourcen plus Zeitaufwand.

Daraus ergibt sich folgerichtig die Frage: Kann künstliche Intelligenz helfen, diesen Missstand zu verringern? Nicht unbedingt, indem sie Fachleute vollständig ersetzt, sondern indem sie unterstützt und das Thema Barrierefreiheit letztlich auch attraktiver macht.

Blick in die Literatur: Aktueller Stand zu KI und Barrierefreiheit

Die Wissenschafts-Community hat das Thema freilich bereits aufgegriffen: Wer heute nach Forschungsliteratur zur künstlichen Intelligenz im Kontext digitaler Barrierefreiheit sucht, findet inzwischen ein ansehnlich breites und wachsendes Corpus an Veröffentlichungen. Das ist an sich bereits ein gutes Zeichen – und auch ein wenig bemerkenswert, wenn man bedenkt, wie jung das Feld noch ist und wie lang manchmal Publikationsprozesse dauern. Die Quellen, auf die ich mich in diesem Artikel stütze, stammen ausnahmslos aus den letzten drei Jahren. Die jüngsten wurden erst vergangenen Monat publiziert. Besonders aufschlussreich sind sogenannte systematische Literaturübersichten (Systematic Literature Review, SLR), die einen sortierten Gesamtblick auf ein Forschungsfeld ermöglichen. Solche Übersichtsarbeiten bündeln Einzelbefunde, identifizieren Muster und zeigen, wo die Forschung konzentriert ist und wo noch Lücken bestehen. Für diesen Artikel sind deshalb diese Fragen relevant:

• In welchen Bereichen kann KI bereits einen nachweisbaren Beitrag zur Barrierefreiheit leisten?
• Wo funktioniert es bisher nicht zuverlässig?
• Und welche Themen dominieren die aktuelle Forschung so stark, dass sich dahinter möglicherweise besonders hohe Erwartungen oder Potenziale verbergen?

SLRs entstehen naturgemäß immer erst nach einer gewissen Zeit, in der ein Thema relevant bearbeitet wurde, da erst dann nennenswerte Ergebnisse zu berichten sind. Umso erfreulicher ist es, dass ich bereits zwei solcher Arbeiten ausfindig machen konnte, die uns einen Überblick erlauben. Beide Arbeiten widmen sich explizit dem Schnittpunkt von KI und digitaler Barrierefreiheit. Chemnad und Othman [4] analysierten 43 Fachartikel aus dem Zeitraum 2018 bis 2023 und liefern damit einen der ersten umfassenden Überblicke über das Feld. Campoverde-Molina und Luján-Mora [2] führten eine Mapping-Study durch, die 53 Studien bis Mitte 2025 einschließt. Allein die Publikationszahlen sprechen eine deutliche Sprache: Während in den Jahren bis 2022 nur vereinzelte Studien erschienen, wurden 2024 bereits 26 Arbeiten veröffentlicht, 2025 zeichnete sich eine erneute Steigerung ab. Die Erkenntnis: Das wissenschaftliche Interesse am Thema KI und Barrierefreiheit hat sich in kurzer Zeit vervielfacht.

Was kann KI bereits leisten?

Beide Übersichtsarbeiten zeigen, dass KI in mehreren Bereichen bereits nachweislich zur Barrierefreiheit beiträgt. Besonders gut untersucht und erprobt sind Anwendungen rund um die automatische Bildbeschreibung: Systeme, die mithilfe von Computer Vision und Large Language Models Alternativtexte für grafische Inhalte generieren, stehen im Mittelpunkt von knapp 30 % aller analysierten Studien in der Mapping-Study von Campoverde-Molina und Luján-Mora [2]. Auch im Bereich der Barrierefreiheitsprüfung zeigen KI-gestützte Werkzeuge Potenzial: Sprachmodelle wie ChatGPT können HTML-Code auf Zugänglichkeitsprobleme analysieren und Korrekturvorschläge liefern, was eine Erleichterung gegenüber rein manuellen Prüfprozessen sein kann. Ebenso finden sich vielversprechende Anwendungen bei der automatischen Untertitelung von Videos, der Spracherkennung und der Entwicklung von Assistenztechnologien für blinde und sehbeeinträchtigte Menschen. Ferebee [5] beschreibt in ihrer narrativen Übersicht exemplarisch Systeme wie OrCam MyEye (Link: https://orcam.de/de/orcam-myeye), eine KI-gestützte Kamerabrille, die die Umgebung in Echtzeit auditiv beschreibt, sowie die App Seeing AI von Microsoft (Link: https://www.microsoft.com/en-us/garage/wall-of-fame/seeing-ai/), die ähnliche Funktionen auf dem Smartphone zugänglich macht.

Wo besteht noch Nachholbedarf?

Gleichzeitig werden auch Grenzen deutlich. Beispielsweise stellen Campoverde-Molina und Luján-Mora [2] fest, dass KI-Systeme zwar erkennen können, ob ein Alternativtext vorhanden ist, aber nicht, ob er inhaltlich geeignet ist. Insbesondere bei komplexen Grafiken, Diagrammen oder Informationsvisualisierungen scheitern aktuelle Modelle immer wieder. Ähnlich verhält es sich mit sogenannten Overlay-Tools, die versprechen, Websites automatisch barrierefrei zu „reparieren“: Reins und Scheer [12] sowie Fachverbände kritisieren diese Tools scharf, da sie in der Praxis häufig den Einsatz assistiver Technologien wie Screenreadern stören, anstatt ihn zu erleichtern – paradox. Auch die automatische Übersetzung in Leichte Sprache oder Deutsche Gebärdensprache erreicht nach aktuellem Stand nicht die Qualität menschlicher Fachübersetzung. Fisseler [6] weist zudem auf ein strukturelles Problem hin: KI-Systeme, die im Bildungsbereich eingesetzt werden, etwa zur Lernstandserfassung oder Verhaltensanalyse, können Lernende mit Behinderungen unbeabsichtigt benachteiligen, wenn ihr atypisches Nutzungsverhalten, etwa durch den Einsatz assistiver Technologien, von Algorithmen als auffällig eingestuft wird.

Welche Themen dominieren?

Ein auffälliges Muster in beiden Übersichtsarbeiten ist die starke Überrepräsentation von Anwendungen für Menschen mit Sehbeeinträchtigungen. Chemnad und Othman [4] identifizieren dies als wichtigen Schwachpunkt: Obwohl Behinderungen ein breites Spektrum umfassen – von motorischen und kognitiven Einschränkungen über Hör- und Sprachbeeinträchtigungen bis hin zu Autismus-Spektrum-Störungen –, konzentriert sich der Großteil der Forschung auf visuelle Zugänglichkeit. Kognitive Behinderungen sind in KI-Lösungen besonders stark unterrepräsentiert, obwohl sie einen erheblichen Anteil der betroffenen Menschen ausmachen. Außerdem: Campoverde-Molina und Luján-Mora [2] zeigen darüber hinaus, dass in den analysierten Studien nur 47 der 86 Erfolgskriterien der WCAG 2.2 überhaupt adressiert werden. Mehr als die Hälfte der normativen Anforderungen bleibt demnach im Forschungsfokus bislang weitgehend unberücksichtigt.

Ein weiteres wiederkehrendes Thema ist das Problem der systemischen Verzerrung (Bias) in KI-Systemen: KI-Modelle werden überwiegend mit Daten trainiert, in denen Menschen mit Behinderungen unterrepräsentiert sind. Fisseler [6] verweist auf die viel zitierte Gender-Shades-Studie, die zeigte, dass kommerzielle Gesichtserkennungssysteme dunkelhäutige Frauen mit einer Fehlerquote von bis zu 35 % falsch klassifizierten, während die Fehlerrate bei hellhäutigen Männern bei unter 1 % lag. Dieses Phänomen überträgt sich auf Barrierefreiheitsanwendungen. Vereinfacht gesagt: Wer in den Trainingsdaten fehlt, wird durch das System schlechter bedient.

Zusammengefasst zeichnet die Literatur ein differenziertes und erkenntnisreiches Bild: KI hat große Potenziale, die bereits in praktischen Anwendungen sichtbar werden, aber die Forschungslandschaft ist noch vergleichsweise jung, thematisch etwas unausgewogen und in zentralen Qualitätsfragen offen. Ein guter Hinweis darauf, wohin es mit der Entwicklung gehen könnte oder sollte.

KI-Einsatz für Barrierefreiheitstests

Ein Bereich, der in der Literatur auffällig häufig aufgegriffen wird, ist der Einsatz von KI zur Unterstützung von Barrierefreiheitstests. Das verwundert freilich nicht: Gerade hier treffen die Stärken generativer KI auf die bisherigen Grenzen bestehender Prüfwerkzeuge.

Automatisierte Testtools sind seit Jahren ein fester Bestandteil im Werkzeugkasten der Barrierefreiheitsprüfung. Sie leisten gute Arbeit darin, ein breites Spektrum potenzieller Probleme zu identifizieren, und sind dabei schnell, liefern reproduzierbare Ergebnisse und reduzieren den manuellen Aufwand. Ihre Grenzen liegen derzeit dort, wo die Güte beurteilt werden muss, um die tatsächliche Auswirkung von Barrieren zu beurteilen. Erneut das klassische Beispiel: Ein automatisiertes Tool kann zuverlässig feststellen, ob zu einer Grafik ein Alternativtext vorhanden ist oder nicht. Ob dieser Alternativtext aber tatsächlich das Wesentliche des Bildes trifft, ob er informativ, präzise und im Kontext der Seite hilfreich ist – das kann das Tool nicht beurteilen. Die finale Bewertung ist ein manueller Arbeitsschritt.

Ähnliches gilt für strukturelle Probleme auf Webseiten: Wenn ein Tool eine bestimmte Anordnung von Elementen als potenzielle Barriere markiert, bleibt häufig offen, ob es sich um ein echtes Zugänglichkeitsproblem handelt oder ob das gewählte Design in diesem Kontext möglicherweise dennoch zweckmäßig ist. Was folglich fehlt, ist die Einschätzung der Schwere (Persistenz und Einfluss): Wie oft tritt das Problem auf? Wie stark hindert es Nutzende daran, ihr Ziel zu erreichen? Auf diese Fragen geben automatisierte Tools bisher keine belastbaren Antworten.

In diesen Lücken kann KI, richtig eingesetzt, einen Mehrwert bieten. Ein multimodales Sprachmodell, das sowohl Bild als auch Text versteht, ist zumindest potenziell in der Lage, einen vorhandenen Alternativtext mit dem tatsächlichen Bildinhalt abzugleichen und eine Einschätzung zu liefern, ob die Beschreibung dem Bild gerecht wird. Es kann Kontext berücksichtigen, manchmal auch Nuancen erkennen und Handlungsempfehlungen formulieren – Fähigkeiten, die klassische Prüfwerkzeuge bislang nicht besitzen. Ein großes Aber bleibt bestehen: Auch KI ersetzt menschliche Expertise nicht. Nutzendenstudien, fachkundige Begutachtung und der direkte Einbezug von Menschen mit Behinderungen sind nach wie vor unerlässlich, um die tatsächliche Zugänglichkeit eines Systems zu beurteilen. KI ist in diesem Kontext ein leistungsfähiges Hilfsmittel – eines, das den Testprozess beschleunigen kann, mehr Informationen über die Qualität von Barrieren liefert und Prüfende gezielter arbeiten lässt.

KI-Einsatz zur Entwicklung barrierefreier Inhalte

Barrieren zu erkennen ist der erste Schritt – sie zu beheben die Königsdisziplin. Auch hier stellt sich die Frage, ob und wie KI unterstützen kann: etwa indem sie konkrete Korrekturvorschläge unterbreitet oder Inhalte direkt so aufbereitet, dass Barrieren gar nicht erst entstehen.

Auf den ersten Blick klingt das vielversprechend. Ein Sprachmodell, das HTML-Code versteht, kann theoretisch identifizierte Barrieren direkt beheben, fehlende ARIA-Attribute ergänzen, eine fehlerhafte Überschriftenhierarchie korrigieren oder unzugängliche Formularelemente anpassen. Für (zumindest statische) Webinhalte ist das ein naheliegender Anwendungsfall, weil der zugrunde liegende Code gut strukturiert und für Sprachmodelle lesbar ist.

Doch schon beim nächsten Medientyp wird es unter Umständen komplexer: PDF-Dokumente beispielsweise bestehen aus mehreren Ebenen: einer inhaltlich-semantischen Ebene mit Tags und Lesereihenfolge, und einer visuellen Ebene, die bestimmt, was der Nutzende tatsächlich auf dem Bildschirm sieht. Barrierefreiheit bedeutet hier explizit nicht nur, dass ein Screenreader den Text korrekt vorliest, sondern auch, dass etwa Schriftgröße, Schriftart und Kontrastverhältnisse Barrierefreiheitsanforderungen genügen. Diese Mehrdimensionalität macht automatisierte Korrekturen deutlich anspruchsvoller. Die inhaltlich-semantische Ebene liegt etwa auf dem Niveau statischer Websites, aber der dazugehörige visuelle Part erhöht hier den Schwierigkeitsgrad.

Noch eine Stufe weiter oben in der Komplexität liegen interaktive Anwendungen: Apps, Softwaresysteme, öffentlich zugängliche Terminals. Zwar ermöglichen sogenannte Vibe-Coding-Ansätze inzwischen, Anforderungen in natürlicher Sprache zu formulieren und von KI-Systemen direkt in Code umsetzen zu lassen. Das ist für sich genommen schon eine bemerkenswerte Entwicklung. Barrierefreiheit lässt sich so jedoch nicht vollständig abbilden, denn zugängliche interaktive Systeme entstehen nicht allein durch korrekten Code, sondern sie entstehen durch nutzendenzentrierte Entwicklung, also durch den aktiven Einbezug der Zielgruppe. Diesen Prozess kann KI nicht durch die Simulation echter Nutzender ersetzen, wohl aber an einzelnen Stellen sinnvoll unterstützen.

Was sich über alle Medientypen hinweg zeigt: Je komplexer das System, desto stärker ist KI auf menschliche Begleitung angewiesen. Sie kann Vorarbeit leisten, Vorschläge generieren und Routineaufgaben beschleunigen, aber die Verantwortung für die Qualität des Ergebnisses bleibt beim Menschen und in einigen Fällen ist es auch nicht wünschenswert, den Menschen aus dem Entwicklungsprozess auszuschließen.

KI-Einsatz zum Generieren von Alternativtexten

Das Generieren von Alternativtexten für grafische Elemente ist vielleicht der naheliegendste Anwendungsfall für generative KI im Bereich der Barrierefreiheit. Auf den ersten Blick liegt die Idee auf der Hand: KI kann Bilder analysieren und in Textform beschreiben, was sie darin erkennt. Damit ließe sich eine der häufigsten Barrieren im Web automatisch beheben: fehlende oder unzureichende Alternativtexte, auf die blinde und sehbeeinträchtigte Menschen angewiesen sind, um visuelle Inhalte zugänglich zu machen.

Hier aber das Problem: Ein guter Alternativtext beschreibt nicht einfach, was auf einem Bild zu sehen ist. Er vermittelt idealerweise, was das Bild in seinem jeweiligen Kontext bedeutet, welche Information es trägt, welchen Zweck es erfüllt und welche Aussage es transportiert. Ein Foto einer Person kann ein dekoratives Element, das Porträt einer Autorin, Bestandteil einer Nachricht oder Illustration eines Konzepts sein. Je nach Verwendungszweck unterscheidet sich der ideale Alternativtext erheblich. Dasselbe gilt für Diagramme, Piktogramme, Informationsvisualisierungen oder Screenshots: Sie alle folgen unterschiedlichen Beschreibungslogiken, die sich nicht allein aus dem Bildinhalt ableiten lassen, sondern aus dem Kontext, in dem das Bild eingesetzt wird.

Genau diese Unterscheidung fällt KI-Systemen noch schwer. Die Entwicklung lässt sich gut an einem konkreten Beispiel nachvollziehen, das Sie vielleicht selbst schon einmal gesehen haben: Microsoft Office, insbesondere PowerPoint, bot bereits früh eine KI-gestützte Funktion zur automatischen Generierung von Alternativtexten an. Die ersten Ergebnisse waren allerdings kaum verwendbar. Das System lieferte schlichte Auflistungen erkannter Objekte: „Schreibtisch, Laptop, Pflanze, Fenster“. Das ist weit entfernt von einem hilfreichen Alternativtext. Inzwischen hat sich die Qualität spürbar verbessert. Die Systeme beschreiben Bilder zusammenhängender, aber noch immer nicht unbedingt kontextsensibel. Ein Schritt fehlt also: das Verstehen des Zwecks eines Bildes in seinem jeweiligen redaktionellen Kontext.

Das bedeutet hingegen nicht, dass KI hier keinen Nutzen hat – dass wir uns hier nicht missverstehen. Im Gegenteil: Als Unterstützungswerkzeug (schon wieder!) für Autorinnen und Autoren, die Alternativtexte selbst verfassen, kann KI einen brauchbaren Ausgangspunkt liefern, sozusagen einen ersten Entwurf, der dann gezielt angepasst wird. Was sie hingegen ausdrücklich nicht leisten sollte, ist die vollständige Übernahme dieser Aufgabe ohne menschliche Prüfung. Alternativtexte, die niemand kontrolliert hat, sind im besten Fall ungenau und im schlechtesten irreführend. Daraus entsteht für Menschen mit Sehbeeinträchtigung schlimmstenfalls eine neue Barriere.

Exkurs: Wie sollte ein guter Alternativtext aussehen? Der Entscheidungsbaum vom W3C

Bildbeschreibungen verfassen Autorinnen und Autoren übrigens stets am besten selbst und überlassen diesen Schritt nicht einem Dritten. So kann sichergestellt werden, dass inhaltlich die gewünschte Information transportiert wird. Gleichzeitig benötigen Autorinnen und Autoren dafür auch Wissen darüber, wie eine gute Textalternative aussehen könnte. Das W3C hat hierzu auf seiner Website (Link: https://www.w3.org/WAI/tutorials/images/decision-tree/de) einen Entscheidungsbaum veröffentlicht, der dabei unterstützen soll. Werfen Sie gerne mal einen Blick darauf (vgl. Abbildung 1).

KI-basierte Assistenztechnologien

Assistenztechnologien, also jene Hilfsmittel, die Menschen mit Behinderungen eine selbstbestimmte Nutzung digitaler Umgebungen ermöglichen, profitieren potenziell auf zwei unterschiedliche Weisen vom Einsatz künstlicher Intelligenz: Bestehende Technologien können durch KI deutlich leistungsfähiger werden, und ganz neue Technologien können entstehen, die ohne KI nicht realisierbar wären. Dieser Bereich gehört für mich mitunter zu den spannendsten Feldern der gesamten Thematik KI und Barrierefreiheit.

Ein anschauliches Beispiel ist die Weiterentwicklung von Screenreadern. Moderne Screenreader integrieren inzwischen KI-gestützte Bildbeschreibung direkt in ihre Funktionalität, etwa durch die Integration entsprechender Plug-ins. Das bedeutet: Auch wenn eine Website keinen Alternativtext für eine Grafik bereitstellt, kann der Screenreader selbstständig eine Beschreibung generieren, und gibt damit der nutzenden Person zumindest einen Anhaltspunkt, worum es sich handelt oder handeln könnte. Das verschiebt bis zu einem gewissen Grad die Abhängigkeit: Zugänglichkeit hängt nicht mehr ausschließlich davon ab, ob Inhaltsersteller ihrer Sorgfaltspflicht nachgekommen sind. Ein Stück Selbstbestimmung, das vorher nicht existierte. Nur Vorsicht vor zu viel Euphorie, denn die Grenzen der automatischen Bildbeschreibung haben wir bereits besprochen und diese treffen natürlich auch hier zu.

Eindrucksvoller ist die Menge der Assistenztechnologien, welche ohne KI gar nicht existieren würden. Ein bekanntes Beispiel ist das System von OrCam: eine vergleichsweise unauffällig getragene Brille mit integrierter Kamera, welche die Umgebung in Echtzeit analysiert und auditiv beschreibt. Ob der Blick auf einen Text fällt, der vorgelesen werden kann, ob eine Person vor einem erkannt wird oder welche Farben und Objekte sich im Sichtfeld befinden. Für blinde und stark sehbeeinträchtigte Menschen eröffnet das eine Form der Umweltwahrnehmung, die bisher nicht zugänglich war.

Ähnlich weitreichend sind Anwendungen, die auf kognitive und neurodivergente Nutzende ausgerichtet sind. Im Rahmen unseres AutARK-Projekts, das die Beschäftigungssituation autistischer Menschen am Arbeitsplatz verbessern sollte, haben wir in verschiedenen Gesprächen erlebt, wie konkret dieser Bedarf tatsächlich ist. Viele Arbeitssituationen stellen für autistische Menschen besondere Herausforderungen dar: das korrekte Interpretieren von E-Mails und impliziten Kommunikationsnormen, das Erkennen von Prioritäten, das Strukturieren von Aufgaben oder das Navigieren direkter Gesprächssituationen. KI-gestützte Systeme können hier zielgerichtet einen Beitrag leisten, etwa indem sie eingehende Nachrichten in brauchbarer Form aufbereiten, Aufgaben und Verantwortlichkeiten herausarbeiten, beim Formulieren von Antworten helfen oder in Live-Gesprächen in Echtzeit unterstützen. Bei den beschriebenen Technologien ist auch Geschwindigkeit ein wichtiger Faktor. Hier liefert aktuelle KI wichtige Fortschritte, bleibt aber noch immer eine Herausforderung, wenn wichtige Anforderungen wie Datenschutz und Privatsphäre hinzukommen.

An dieser Stelle ist eine begriffliche Präzisierung wichtig: Nicht alle diese Anwendungen basieren auf generativer KI im engeren Sinne. Viele Assistenztechnologien nutzen breitere Methoden des maschinellen Lernens, etwa für Bild- und Spracherkennung, Gesichtserkennung oder Echtzeit-Klassifikation. Der Begriff KI umfasst also hier mehr als nur Sprachmodelle/LLMs.

Einen zusammenfassenden Überblick zu den angesprochenen Anwendungsfeldern, den beschriebenen Möglichkeiten und Grenzen inkl. etwaiger Handlungsempfehlungen finden Sie in der nachfolgenden Tabelle 1.

Grenzen und Risiken

So vielversprechend die Potenziale sind, ein nüchterner Blick auf die Grenzen und Risiken des KI-Einsatzes im Bereich der Barrierefreiheit ist unbedingt erforderlich. Die Grenzen hängen dabei oft eng mit den Risiken zusammen: Wer die Grenzen heutiger Systeme nicht kennt, läuft Gefahr, ihnen mehr zu vertrauen, als gerechtfertigt ist. Das wiederum führt zu verschiedenen Risiken im Einsatz – sozusagen aus einer gewissen Naivität heraus, die sich aber leicht beheben lässt.

Die Grenzen heutiger KI-Systeme

Aktuelle KI-Systeme sind leistungsfähig, aber nicht fehlerfrei. Eines der bekanntesten strukturellen Probleme von LLMs ist das sogenannte Halluzinieren: Sprachmodelle produzieren gelegentlich Aussagen, die sachlich falsch sind, aber sprachlich überzeugend klingen. Für manche Anwendungsfälle ist das bis zu einem gewissen Grad tolerierbar, wenn ein Mensch das Ergebnis überprüft. Dadurch ist aber eine vollständige Automatisierung von Prozessen nicht möglich. Im Bereich der Barrierefreiheit kann es konkrete Folgen haben, etwa wenn ein generierter Alternativtext falsche Informationen über ein Bild enthält und diese ungeprüft übernommen werden und so zu Missverständnissen führen.

Weiterhin stoßen KI-Systeme an inhaltliche Grenzen, die über das Halluzinieren hinausgehen: Manche Aufgaben erfordern mehr Kontext oder Domänenwissen, als ein Modell selbst zuverlässig bereitstellen kann. Die Beurteilung, ob eine Webseite für eine bestimmte Zielgruppe tatsächlich zugänglich ist, lässt sich beispielsweise nicht allein aus dem Code ableiten. Sie entsteht vielmehr im echten Nutzungserleben. Dieses Erleben kann KI leider nicht zuverlässig simulieren.

Daraus ergibt sich wiederum eine praktische Konsequenz: Der Wunsch, durch KI-Einsatz auf Fachexpertise im Bereich Barrierefreiheit verzichten zu können, wird sich auf absehbare Zeit nicht erfüllen. Sensibilisierung, Methodenwissen und der Einbezug von Menschen mit Behinderungen bleiben unerlässlich. KI kann diese Kompetenz allerdings sinnvoll ergänzen, etwa als Werkzeug, das effizienter und schneller macht. Wer sie dennoch als Ersatz einsetzt, riskiert dabei Ergebnisse, die den Anschein von Barrierefreiheit erwecken, ohne tatsächlich barrierefrei zu sein.

Datenschutz und Vertrauen

Ein zweites, gerne unterschätztes Risiko betrifft den Umgang mit Daten. Das Bewusstsein darüber wächst in der Bevölkerung zwar, allerdings führt das häufig eher zu Angst im Einsatz oder zum Vermeiden der Tools. Damit ist natürlich auch keinem geholfen. Daher: Wer KI-Systeme einsetzt, um digitale Inhalte auf Barrieren zu prüfen oder zu verbessern, übermittelt dabei Inhalte an das jeweilige System, und damit möglicherweise auch sensible Informationen. Das ist dann relevant, wenn es sich beispielsweise um interne Dokumente, personenbezogene Daten oder vertrauliche Inhalte handelt.

Grundsätzlich sind LLMs nicht darauf ausgelegt, Eingaben dauerhaft zu speichern: Das Modell selbst verarbeitet eine Anfrage und gibt eine Antwort, ohne dass dabei ein Lernprozess oder eine Speicherung stattfindet. Die Anbieter solcher Systeme sind jedoch frei darin, die übermittelten Daten auf ihren Servern zu protokollieren und für das weitere Training ihrer Modelle zu verwenden. Das ist im Grunde auch ein legitimes Interesse, aber eben eines, das Nutzende kennen und einkalkulieren müssen. Hier öffnet sich nicht zuletzt ein grundlegendes Spannungsfeld: Die leistungsstärksten KI-Systeme laufen auf externen Servern großer Anbieter und werden über das Internet angesprochen. Sie liefern die besten Ergebnisse, erfordern aber Vertrauen in den jeweiligen Anbieter. Alternativ lassen sich KI-Modelle lokal auf dem eigenen Gerät betreiben, mit dem Vorteil, dass keine Daten nach außen übertragen werden. Der Nachteil: Lokale Modelle sind in ihrer Leistungsfähigkeit begrenzt, da sie mit den Ressourcen handelsüblicher Hardware auskommen müssen und entsprechend kleiner dimensioniert sind.

Die gute Nachricht ist, dass nicht jede Aufgabe die volle Leistungsfähigkeit eines großen externen Modells erfordert. Viele Routineaufgaben lassen sich auch mit lokalen Modellen in ausreichender Qualität lösen. Die Faustregel sollte daher lauten: Sobald sensible Daten im Spiel sind, sollten bevorzugt lokale Systeme eingesetzt werden. Damit das gelingt, müssen die Aufgaben, die an die KI gestellt werden, entsprechend vereinfacht werden. Externe Systeme sollten nur dann verwendet werden, wenn die Datenschutzbedingungen des Anbieters sorgfältig geprüft wurden und keine schützenswerten Informationen übertragen werden.

Handlungsempfehlungen: Was bedeutet das für Ihre Organisation?

Drei Dinge, die Sie jetzt erledigen können

1. KI als Ergänzung einführen. Betrachten Sie sie aber nicht als die eine Lösung.

Sprechen Sie mit Ihrer IT oder Ihrem Dienstleister: Welche bestehenden Tools unterstützen bereits KI-gestützte Barrierefreiheitsprüfung? Gibt es Alternativen? So können Sie durch den behutsamen Einsatz von KI-Systemen für eine effiziente Verbesserung der Barrierefreiheit sorgen.

2. Den Datenschutz vor dem Einsatz klären.

Bevor KI-Tools in barrierefreiheitsrelevante Prozesse integriert werden, klären Sie unbedingt, welche Daten dabei verarbeitet werden und wohin sie fließen. Für interne Dokumente und personenbezogene Inhalte gilt: lokale Modelle bevorzugen oder Anbieterverträge sorgfältig prüfen.

3. Fachexpertise nicht ersetzen, aber gezielter einsetzen.

KI spart Zeit bei Routineaufgaben. Lenken Sie diese eingesparte Zeit um, etwa in die Arbeit, die die KI nicht erledigen kann: den Einbezug von Menschen mit Behinderungen, die Bewertung von Nutzungsqualität, die Sensibilisierung von Teams. Barrierefreiheit bleibt eine menschliche Aufgabe. KI macht sie, richtig eingesetzt, deutlich effizienter.

Ein Wort zum BSFG

Das Barrierefreiheitsstärkungsgesetz (BFSG) gilt seit Juni 2025. Wer jetzt noch keine Barrierefreiheitsstrategie hat, ist spät dran und riskiert Strafen, vor allem aber Reputationsverlust. KI kann helfen, Rückstände aufzuholen. Der erste Schritt ist immer der gleiche: verstehen, wo die eigenen Barrieren liegen. Danach entscheidet sich, welche Werkzeuge – ob KI oder nicht – sinnvoll sind.

Fünf verbreitete Missverständnisse

„KI macht meine Website automatisch barrierefrei.“

Sehr deutliches Nein. KI kann Probleme identifizieren und Korrekturen vorschlagen, aber sie kann nicht beurteilen, ob eine Website für echte Nutzende tatsächlich zugänglich ist. Das erfordert immer menschliches Urteilsvermögen.

„Overlay-Tools lösen das Problem auf Knopfdruck.“

Im Gegenteil: Viele dieser Tools stören den Einsatz assistiver Technologien mehr, als sie helfen. Fachverbände und Betroffene lehnen sie überwiegend ab.

„Wir sind ein kleines Unternehmen. Das BFSG betrifft uns nicht.“

Teilweise richtig, aber nicht pauschal. Kleinstunternehmen sind bislang ausgenommen, aber die Definition ist enger als viele annehmen. Wer öffentliche Aufträge anstrebt oder digitale Produkte und Dienstleistungen anbietet, sollte die eigene Betroffenheit konkret prüfen. Zudem ist es denkbar, dass die Ausnahme von Kleinstunternehmen künftig fallen könnte. Und ultimativ: Überlegen Sie bitte, aus welchem Antrieb heraus Sie das Thema Barrierefreiheit angehen wollen: aus der reinen Verpflichtung oder aus einem gesellschaftlichen Verantwortungsgefühl heraus?

„Wenn kein Nutzender sich beschwert, gibt es kein Problem.“

Menschen mit Behinderungen verlassen schlicht Angebote, die ihnen zu viel Aufwand bereiten. Sie beschweren sich oft nicht. Das bedeutet erst einmal nur, dass Sie keine Rückmeldung erhalten, allerdings nicht, dass keine Barrieren vorliegen.

„Mit KI brauchen wir keine Barrierefreiheits-Expertise mehr.“

Das Gegenteil ist der Fall: KI-Einsatz erfordert Menschen, die die Ausgaben einschätzen, einordnen und korrigieren können. Ohne Grundverständnis für Barrierefreiheit kann nicht beurteilt werden, ob das, was die KI produziert, tatsächlich gut ist. Das trifft auf eigentlich alle Anwendungsfelder von KI zu, so auch hier.

Fazit

Um den Begriff aus der Einleitung oben wieder aufzugreifen: Künstliche Intelligenz ist im Bereich der digitalen Barrierefreiheit weit mehr als ein Hype-Thema. Sie bringt potenziell tatsächlich Verbesserungen, eröffnet neue Möglichkeiten und verändert bereits heute zunehmend, wie Barrierefreiheit geprüft und umgesetzt wird. Das ist die gute Nachricht. Zur Wahrheit gehört aber auch: Die sehr hohen Hoffnungen, die manche mit dem KI-Einsatz verbinden, etwa dass Barrierefreiheit plötzlich zum Selbstläufer werden könnte, günstig, schnell und ohne Fachexpertise, können derzeit noch nicht erfüllt werden.

Was KI heute schon leisten kann, ist dennoch sehr beachtlich: Sie beschleunigt Testprozesse, liefert brauchbare Einschätzungen zu gefundenen Barrieren, unterstützt bei der Korrektur von Inhalten und treibt eine neue Generation von Assistenztechnologien an, die für viele Menschen mit Behinderungen mehr Selbstbestimmung ermöglichen. Entscheidend ist dabei natürlich vor allem, wie sie eingesetzt wird: nämlich als Unterstützung für menschliche Expertise.

Gleichzeitig lohnt ein Blick in die Zukunft: Die Bereiche, in denen KI-Systeme heute noch schwächeln, also kontextuelles Verstehen und zuverlässige Qualitätsbeurteilung, werden sich weiterentwickeln. Die Geschwindigkeit, mit der sich das Feld in den vergangenen Jahren verändert hat, lässt darauf hoffen, dass manche der heutigen Grenzen in wenigen Jahren keine mehr sein werden. Das wissenschaftliche Interesse ist groß, die Literatur wächst rasant. Das alles stimmt optimistisch.

Für diejenigen, die im Bereich Barrierefreiheit tätig sind, bedeutet das primär eines: Jetzt ist ein guter Zeitpunkt, sich mit diesen Werkzeugen vertraut zu machen, um die eigene Expertise auszubauen und für die Zukunft entsprechend gewappnet zu sein. Und vielleicht noch etwas: Bei der Recherche bin ich immer wieder auf Schilderungen von Herausforderungen gestoßen, die sich vermutlich lösen ließen, wenn konsequenter Mensch-zentriert gearbeitet würde. Hier also auch der Aufruf dazu: Beziehen Sie wann immer möglich Ihre Zielgruppe strukturiert und systematisch in Ihre Entwicklungsprozesse ein! Das ist praktisch immer ein Gewinn für alle Seiten.

Gemeinsam weitermachen

Wenn Sie das Thema beschäftigt, ob als Entwicklerin oder Entwickler, kommunikationsverantwortliche Person oder Organisation, welche Barrierefreiheit ernstnehmen möchte, stehe ich gerne als Ansprechpartner zur Verfügung. Als Berater und Trainer mit langjähriger Erfahrung in digitaler Barrierefreiheit und Mensch-Computer-Interaktion helfe ich dabei, KI-gestützte Ansätze sinnvoll und nachhaltig in bestehende Prozesse zu integrieren. Melden Sie sich gerne direkt bei mir, für ein unverbindliches Gespräch, eine Beratung oder einen Workshop, der zu Ihnen und Ihrer Organisation passt.

Literatur

1. Goenawan Brotosaputro, Agung Supriyadi, and Michael Jones. 2024. AI-Powered Assistive Technologies for Improved Accessibility. International Transactions on Artificial Intelligence (ITALIC) 3, 1: 76–84. https://doi.org/10.33050/italic.v3i1.645
2. Milton Campoverde-Molina and Sergio Luján-Mora. 2026. Artificial intelligence in web accessibility: A systematic mapping study. Computer Standards & Interfaces 96: 104055. https://doi.org/10.1016/j.csi.2025.104055
3. Caroline Kopp. 2025. Einsatzpotenziale von Large Language Models zur Verbesserung der Barrierefreiheit im automatisierten Website-Testing. Hochschule der Medien Stuttgart, Stuttgart. Retrieved from https://hdms.bsz-bw.de/frontdoor/deliver/index/docId/7244/file/Bachelorarbeit_Kopp.pdf
4. Khansa Chemnad and Achraf Othman. 2024. Digital accessibility in the era of artificial intelligence—Bibliometric analysis and systematic review. Frontiers in Artificial Intelligence 7: 1349668. https://doi.org/10.3389/frai.2024.1349668
5. Susan Ferebee. 2025. AI and Accessibility: Breaking Barriers for People with Disabilities. Premier Journal of Artificial Intelligence. https://doi.org/10.70389/PJAI.100012
6. Björn Fisseler. 2023. Künstliche Intelligenz, Behinderung und Technoableism. In Künstliche Intelligenz in der Bildung, Claudia De Witt, Christina Gloerfeld and Silke Elisabeth Wrede (eds.). Springer Fachmedien Wiesbaden, Wiesbaden, 313–330. https://doi.org/10.1007/978-3-658-40079-8_15
7. Andreas Hinderks, Artak Davtyan, and Dennis Allerkamp. 2025. Automatisierte Barrierefreiheitsprüfung mit Large Language Models: Eine vergleichende Analyse von GPT-4o und traditionellen Tools zur WCAG 2.1-Konformitätsprüfung. In Mensch und Computer. https://doi.org/10.18420/muc2025-up-362 or https://dl.gi.de/items/811bdef0-2f16-44cd-aa1a-bfaea0094764
8. Selina Hölzl and Christian Langenbach. 2025. Künstliche Intelligenz zur Verbesserung der Zugänglichkeit von Business-Graphiken für Menschen mit Sehbeeinträchtigungen. HMD Praxis der Wirtschaftsinformatik 62, 6: 1312–1331. https://doi.org/10.1365/s40702-025-01222-3
9. Juan-Miguel López-Gil and Juanan Pereira. 2025. Turning manual web accessibility success criteria into automatic: an LLM-based approach. Universal Access in the Information Society 24, 1: 837–852. https://doi.org/10.1007/s10209-024-01108-z
10. Niklas Metzinger. 2025. Einsatz von Large Language Models bei der Generierung von Alternativtexten für Grafiken und Bilder in E-Books. HTWK Leipzig, Leipzig. Retrieved from https://nbn-resolving.org/urn:nbn:de:bsz:l189-qucosa2-988979
11. Achraf Othman, Amira Dhouib, and Aljazi Nasser Al Jabor. 2023. Fostering websites accessibility: A case study on the use of the Large Language Models ChatGPT for automatic remediation. In Proceedings of the 16th International Conference on PErvasive Technologies Related to Assistive Environments, 707–713. https://doi.org/10.1145/3594806.3596542
12. Frank Reins and Birgit Scheer. 2024. Barrierefreiheit von Software, Apps und Web in Arbeitsumgebungen – Grundlagen für Berufliche Inklusion. In Die Rehabilitationstechnologie im Wandel: Eine Mensch-Technik-Umwelt Betrachtung, Vanessa Heitplatz and Leevke Wilkens (eds.). Eldorado, Dortmund, 481–506. Retrieved from http://hdl.handle.net/2003/42377
13. Sabrina Berg. 2025. Large Language Model unterstützte Barrierefreiheitsprüfung für Websites – Analyse und proof of concept. Hochschule der Medien Stuttgart, Stuttgart. Retrieved from https://hdms.bsz-bw.de/frontdoor/deliver/index/docId/7304/file/Masterarbeit_Sabrina_Berg_pub.pdf
14. Vagner Santana, Reinaldo Ferraz, and Jeniffer Vieira De Deus. 2026. On the Limits for Web Accessibility Evaluation Using AI Agents. In Proceedings of the 23rd International Web for All Conference, 187–197. https://doi.org/10.1145/3800424.3800445
15. Diana Schneider. 2025. Künstliche Intelligenz: Ein Motor für Inklusion? EthikJournal, 2: 73.

David Gollasch

Hi, ich bin David! Als Informatiker und HCI-Wissenschaftler arbeite ich seit vielen Jahren auf dem Feld der Mensch-Computer-Interaktion und digitalen Barrierefreiheit. Hier schlummert ein großes Potenzial, einerseits gesellschaftlich, aber auch wirtschaftlich. Deshalb befasse ich mich vor allem mit Lösungen, die Barrierefreiheit zu einer wirtschaftlichen Stärke machen anstelle einer gesetzlich vorgeschriebenen Pflicht. Gleichzeitig begegne ich Fragen mit besonderer gesellschaftlicher Relevanz, indem ich an Lösungen arbeite, die sehr heterogene Zielgruppen adressieren: neurodivergente Menschen und auch die Herausforderungen einer alternden Gesellschaft.