Fourcade Zählen, benennen, ordnen

Eine Soziologie des Unterscheidens
1. Auflage 2022
ISBN: 978-3-86854-475-6
Verlag: Hamburger Edition HIS
Format: EPUB
Kopierschutz: 6 - ePub Watermark

E-Book, Deutsch, 148 Seiten

Messungen und Trackings, Rangfolgen und Rankings: Enorme Datenmengen werden gesammelt und analysiert, immer mehr gesellschaftliche Bereiche sind einer ständigen Bewertung unterzogen. Das erleben wir im Alltag, auf dem Wohnungs- und Kreditmarkt, im Gesundheitswesen, in der Bildung und in sozialen Beziehungen. Digitalität ist zu einer bedeutenden Dimension moderner Bürgerschaft geworden. Die Gesellschaft der Gegenwart ist, so Marion Fourcade, von einer Logik der Ordinalisierung durchzogen. Auf den ersten Blick scheint die neue Infrastruktur der Datenanalyse mit einem verheißungsvollen politischen Projekt verknüpft. Die Ordinalisierung mit ihrem System der Benotungen und Rankings geht mit der Vorstellung einer individualistischen Gesellschaft einher, die hierarchisierende Klassifikationen von Gruppen hinter sich lässt. Das Versprechen ist, individuelle Gleichheit durch messbare, objektive Kriterien zu schaffen. Doch wie steht es um dieses Versprechen? Marion Fourcade seziert die Entwicklungen und zeigt, wie kategorische Unterschiede zu wertenden Klassifikationen gerinnen.

Marion Fourcade ist Professorin fu?r Soziologie an der University of California, Berkeley. Außerdem ist sie Associate Fellow am Max Planck Sciences Po Center on Coping with Instability in Market Societies in Paris.

Autoren/Hrsg.

Fourcade, Marion

Weitere Mitwirkende

Bischoff, Ulrike

Leseproben

Aus der Sicht des Marktes

(Mit Kieran Healy)

Quer durch alle institutionellen Bereiche nehmen Tracking und Messungen zu und werden immer detailgenauer.1 Das erleben wir im alltäglichen Konsum, auf dem Wohnungs- und Kreditmarkt, im Gesundheitswesen, auf dem Arbeitsmarkt, in der Bildung2, in sozialen Beziehungen bis hin zu Intimbeziehungen3, bei Rechtsdienstleistungen und sogar im politischen Leben4 sowie in der Privatsphäre.5 Soziologen und Soziologinnen, die Staat, Technologie und Markt untersuchen, haben diese Trends auf unterschiedliche Weise zu beschreiben und zu begreifen versucht. Dieser Artikel schlägt einen Rahmen vor, der ihre Ansätze analytisch zu vereinen und die Auswirkungen gegenwärtiger technologischer Entwicklungen auf Prozesse der Ungleichheit und Stratifizierung zu erfassen versucht.

Wir erörtern das Aufkommen und die Konsolidierung eines neuen Regimes moralisierter sozialer Klassifikation, das sich auf algorithmische Verfahren stützt und auf große Mengen quantitativer Daten angewiesen ist.6 Zunehmend werden digitale Spuren individuellen Verhaltens (bei denen Klassifizierungsinstrumente entscheiden, was »Verhalten« ist und wie es zu messen ist) gesammelt, gespeichert und analysiert. In dem Maße, wie neue Technologien es ermöglichen, Daten aus unterschiedlichen Quellen abzugleichen und zusammenzuführen, kristallisieren sich die Ergebnisse – für die klassifizierten Individuen – zu etwas, was nach einer höchst aufgeladenen Form von Kapital aussieht. Dieses »Überkapital« oder »Eigenkapital«, wie wir es nennen, besteht aus jeglicher Form von Kapital, die aus den digitalen Daten einer Person erwächst. Man denke beispielsweise an Messungen der Zahlungsfähigkeit, des Einflusses in sozialen Netzwerken, gesunder Gewohnheiten oder der Produktivität bei der Arbeit. Die klassifikatorische Architektur der Digitalwirtschaft ermöglicht es Marktinstitutionen ähnlich wie die von James Scott beschriebenen administrativen Pläne,7 ihre Klient:innen, Kund:innen oder Arbeitnehmer:innen durch neue Wissens-, Effizienz- und Wertextraktionsinstrumente zu erfassen. Märkte haben gelernt, auf neue Art zu »sehen«, und lehren uns, auch uns selbst so zu sehen.

Auch wenn die Entwickler und Entwicklerinnen dieser Technologien häufig einen »hochmodernen« Glauben an deren Fähigkeit an den Tag legen, zum Besseren der Menschheit alle einzubeziehen, sind ihre sozialen Folgen doch erheblich ambivalenter. Die neuen Linsen erzeugen Klassifikationssituationen:8 Sie werden als Grundlage genutzt, um folgenschwere Formen sozialer Kategorisierung und preisdifferenzierter Chancen zu schaffen. Personen werden aufgrund ihrer digitalen Daten sortiert und bewertet und die Ergebnisse anschließend zum Zweck der Profitmaximierung passend zusammengestellt. Wir skizzieren die Folgen dieser doppelten Prozesse der auf Massendaten (Big Data) basierenden Bewertung (von Individuen) und Wertextraktion (aus Individuen) für die soziale Stratifikation auf materieller und symbolischer Ebene. Die neuen Marktlinsen und besonders die Instrumente der Selbstquantifizierung, auf denen sie beruhen, werden zudem als moralisiertes System von Chancen und gerechten Belohnungen präsentiert. In Gestalt von persönlichen Erfahrungen, Verhaltensaufforderungen und Formen von Achtung und Missachtung haben sie Rückwirkungen auf die Menschen.

Vergangenheit und Zukunft von Daten

Die gegenwärtige Zunahme und wachsende Reichweite automatisierter Entscheidungen lässt unweigerlich an frühere Formen zurückdenken, wie Märkte Sortierung und Bewertung vornahmen. Diese Techniken waren rudimentärer und zeitraubender, arbeiteten aber nach ähnlichen Prinzipien. Moderne Formen der Informationsverarbeitung sind »der jüngste Teilschritt in der anhaltenden Entwicklung der Kontrollrevolution«, die im 19. Jahrhundert in Behörden und Unternehmen begann.9 Auch »Algorithmen« sind nichts Neues. So erörterte schon Max Weber die schrittweisen, verteilten und nominell objektiven Verfahren der Selektion und Sortierung, die Entscheidungsprozesse in modernen Bürokratien prägen.

Weber erkannte, dass kapitalistischen Märkten und bürokratischen Organisationen eine Affinität für die systematische Anwendung von Regeln und Maßen gemeinsam ist, die die Welt lesbar machen, damit sich auf sie einwirken lässt. So entwickelten amerikanische Rating-Agenturen für den Kreditmarkt im 19. Jahrhundert Methoden, um gute Krediterwartungen zu erkennen. Sie sammelten Informationen über die wirtschaftliche Zuverlässigkeit von Personen und Unternehmen. So willkürlich diese Daten auch häufig genutzt wurden, um »Firmen in einen klaren Satz von Ordinalkategorien einzuordnen«, vermittelte ihre Nutzung doch den Eindruck von Präzision und Ordnung innerhalb des Marktes.10 Im Laufe der Zeit wurden die Agenturen darin immer besser. Sie standardisierten die Informationen, die für das Erstellen der Ratings genutzt wurden. Auch das Ordinalschema der Ergebnisseite wurde verfeinert, sodass es mehr Kategorien der Kreditwürdigkeit umfasste. Im ganzen Land stellten spezialisierte Organisationen örtliche Listen von Unternehmen und Personen zusammen und gaben sie mit Adressen, Beruf und numerisch oder piktografisch verschlüsselten Informationen über deren Qualitäten als potenzielle Kreditnehmer an Abonnenten weiter.11 Klassen von Menschen, Bewertungen und Preisen wurden eng verknüpft.

Das Gleiche passierte auch in anderen Bereichen. Lebensversicherungen gehörten »zu den ersten Unternehmen, die von Datenverarbeitung zu profitieren suchten: New York Life […] führte um 1903 das erste numerische Versicherungs-Ratingsystem des Landes ein, das verschiedenen, die Versicherbarkeit von Patienten betreffenden Faktoren Punktwerte zuordnete.«12 Wegen der Schwierigkeit, Informationen auf individueller Ebene zu speichern und zu verbreiten, wurden sie häufig zu umfassenden, bevölkerungsweiten Zusammenfassungen aggregiert. Regionale Karten und statistische Diagramme ermöglichten es, Vorstellungen – und Kontrolle – über demografische Aggregate zu entwickeln.13 Von Beginn des 20. Jahrhunderts bis in die 1970er Jahre ordnete man Individuen in statistische Verteilungen ein, die von IQ-Werten bis zu Schuleignungstests reichten, und begriff sie nicht aufgrund ihrer Zugehörigkeit zu einer Kategorie, sondern anhand der Perzentilposition. Aber zunehmend steht für den Einzelnen (sozusagen als »Datendouble«)14 nicht mehr ein Aggregat oder eine Position in einer statistischen Verteilung, sondern ein präziser, aus einer großen Bandreite von Quellen gewonnener Satz digitaler Daten, die maßgeschneiderte Bewertungsmöglichkeiten bieten. Dieses Regime kehrt zum Versprechen der sorgsam gesammelten und häufig höchst subjektiven, persönlichen Unterlagen der Kreditauskunft des 19. Jahrhunderts zurück – allerdings ist der neue Datensatz weitaus umfassender, seine Komponenten werden automatisch verarbeitet, und er lässt sich erheblich einfacher in Institutionen und Märkten verbreiten.15

Die Nutzung von Daten und die Regeln der Berechnung und Vorhersage sind zwar alt, aber es gibt etwas Neues unter der algorithmischen Sonne. Inzwischen lassen sich Aggregatanalysen und individualisierte Informationen gleichzeitig verwalten. Die Datenerhebung findet kontinuierlich statt und besitzt das Potenzial, Individuen endlos zu folgen. (Selbst falsche Daten lassen sich nur schwer löschen.) Der Markt ist zu einem Klassifizierer geworden. Persönliche Daten und Bewertungen sowie daraus abgeleitete Kategorien sind Handelsware. Auch andere Arten staatlich erzeugter Daten, die zwar nominell öffentlich, aber praktisch nicht in großem Maßstab zugänglich sind, haben Eingang in den Marktbereich gefunden. Gerichtsunterlagen, Informationen über Wähler und Wählerinnen, Autofahrer und Autofahrerinnen, Immobilienbesitz oder Bußgelder – sie alle wurden umfunktioniert, um den ständig wachsenden Hunger von Privatunternehmen und Datenbrokern zu stillen, die sie an Drittparteien und zuweilen sogar an den Staat verkaufen. Diese klassifizierenden Aktivitäten wurden zudem automatisiert, was die Rolle menschlicher Mittelsleute kaschiert. Während das dokumentierte Individuum voll ins Blickfeld gerückt wurde, ist das dokumentierende Individuum so weit in den Hintergrund getreten, dass es nahezu verschwindet. Eine Maschine oder ein »Deep-Learning«-System entscheidet möglicherweise selbst, welche allgemeinen Regeln und Variablen es für eine Vorhersage nutzt, und zwar auf eine Weise, die für die meisten seiner Nutzer und Nutzerinnen undurchschaubar ist.16 Ingenieursteams arbeiten fortwährend daran, ihre Methoden zu verfeinern, und mittlerweile experimentieren auch die Maschinen. Die Grundlage, auf der Menschen bewertet, eingestuft und evaluiert werden, ist für die meisten, die sich darauf verlassen, weniger vorhersehbar oder auch nur erkennbar.

Die Prozesse, um die es uns hier geht, lassen sich anhand von drei Fällen aus der neuen Ära der Datenerhebung und -analyse an greifbaren Beispielen festmachen: an den Snowden-Enthüllungen; an der Zunahme der im weitesten Sinne...