Jemand nutzte einen Föhn, um eine Wetterstation zu manipulieren. KI könnte das viel schlimmer machen.

Hauptpunkte

• Eine Wetterstation am Flughafen Paris Charles de Gaulle registrierte am 6. April und 15. April 2026 verdächtige Temperaturspitzen, die vermutlich durch einen tragbaren Föhn oder ein Feuerzeug verursacht wurden.
• Eine Person gewann 20.000 Dollar auf einem Online-Vorhersagemarkt – einer Plattform, auf der normale Menschen echtes Geld auf reale Ereignisse wetten – indem sie die falschen Messwerte ausnutzte.
• Eine französische Klimastiftung entdeckte die Manipulation durch Zufall; kein automatisches System erkannte sie zuerst.
• KI-Wettermodelle, die Muster direkt aus historischen Sensordaten lernen, statt physikalische Gleichungen als Kontrolle zu verwenden, sind anfälliger für gefälschte Eingaben als traditionelle Prognoseverfahren.
• Vier Wissenschaftler, darunter Forscher des Europäischen Zentrums für mittelfristige Wettervorhersagen und der Europäischen Kommission, fordern verstärkte Stationssicherheit, bessere Anomalieerkennung und klare Verantwortlichkeit entlang der gesamten Vorhersagekette.

An einem milden Aprilmorgen in Paris hielt jemand offenbar eine Wärmequelle nah an ein Thermometer am Flughafen Charles de Gaulle. Der Sensor schnellte in die Höhe. Menschen, die online darauf gewettet hatten, dass die Temperatur an diesem Tag 22 Grad Celsius erreichen würde, kassierten ihre Gewinne. Eine Person ging 20.000 Dollar reicher weg.

Die tatsächliche Temperatur lag bei etwa 18 Grad Celsius.

Mitglieder einer französischen Klimastiftung bemerkten die seltsamen Messwerte und schlugen Alarm. Kein automatisiertes Qualitätskontrollsystem erkannte es rechtzeitig. Dieser Beinahe-Unfall ist der Ausgangspunkt einer Warnung, die über MIT Technology Review veröffentlicht wurde und von vier Forschern mit direkter Erfahrung in operativer Wettervorhersage und Klimadaten verfasst wurde.

Warum ist das über den einen Betrüger hinaus wichtig?

Derzeit ist eine einzelne manipulierte Station noch zu erkennen. Doch die Forscher beschreiben eine Risikoskala, die schnell unbequem wird.

Am unteren Ende: ein einzelner Spieler mit einem Föhn, wie am CDG. Eine Stufe höher: eine Gruppe von Händlern, die Messwerte an mehreren Stationen diskret verändern, um Großhandelsstrompreise zu beeinflussen. Ganz oben: ein staatlicher Akteur, der einen Frühwarnsensor während eines Sturms ausschaltet oder einen falschen Notfallalarm auslöst. Jede Stufe ist schwerer zu erkennen und hat höhere Konsequenzen.

Was KI hier besonders relevant macht, ist die Art, wie diese neuen Vorhersagesysteme funktionieren. Traditionelle Modelle, wie das des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF), überprüfen jeden eingehenden Sensormesswert gegen das, was die Physik vorhersagt, und gegen benachbarte Stationen. Das ist ein automatischer Plausibilitätscheck namens Datenassimilation.

Neuere KI-Vorhersagesysteme, „datengesteuerte Modelle" genannt, weil sie direkt aus historischen Beobachtungen statt aus physikalischen Regeln lernen, überspringen oder reduzieren diesen Schritt. Füttern Sie sie mit verfälschten Daten, und sie haben weniger eingebaute Gründe, ihnen zu misstrauen. Forscher am ECMWF erkunden bereits Systeme, die Vorhersagen direkt aus rohen Sensordaten erstellen, was Geschwindigkeit und Genauigkeit verbessern könnte, aber ein wichtiges Sicherheitsnetz entfernt.

Einige Systeme gehen noch weiter und kombinieren Sensordaten mit großen Sprachmodellen, der Technologie hinter Chatbots wie ChatGPT, um in Echtzeit Entscheidungen bei Katastrophen ohne menschliche Kontrolle zu treffen. Wenn die Eingaben fehlerhaft sind, sind die Entscheidungen fehlerhaft.

Die Forscher schlagen drei Lösungen vor. Erstens: physische Sicherung von Wetterstationen, kontinuierliche Überwachung hinzufügen und Menschen in der Lage halten, verdächtige Messwerte zu kennzeichnen. Zweitens: Abwehrmechanismen in der gesamten KI-Pipeline selbst aufbauen, mit Tools, die erklären können, was das Modell tut, und erkennen, wenn jemand versucht, es zu täuschen. Drittens: Sicherstellen, dass jede Organisation, die die Daten berührt – vom Techniker einer entfernten Station bis zum Prognosezentrum, das den Alert ausstellt – Anomalien klar kommuniziert, statt zu hoffen, dass jemand anderes sie erkennt.

Für die meisten Menschen wirkt eine Wettervorhersage trivial. Für Landwirte, die überlegen, was sie anpflanzen sollen, für Netzbetreiber, die Strompreise festlegen, und für Rettungsdienste, die entscheiden, wann eine Stadt evakuiert werden soll, ist es alles andere als das. Korrekte Daten sind kein technisches Detail.