Brücke zwischen urbaner Theorie und künstlicher Intelligenz: Ein Multi-Agenten-Empfehlungssystem für nachhaltige Stadtentwicklung

Warum das für das Stadtleben wichtig ist

Da immer mehr Städte künstliche Intelligenz einsetzen, um Verkehr, Hitzewellen, Kriminalität und Umweltverschmutzung zu bewältigen, tritt ein verborgenes Risiko zutage: Viele KI-Projekte ignorieren jahrzehntelang gewonnenes Wissen darüber, wie echte Nachbarschaften funktionieren. Diese Studie zeigt, dass die meisten urbanen KI-Werkzeuge den neuesten Algorithmen hinterherjagen, statt den tatsächlichen Bedürfnissen der Bewohner zu dienen, und bietet einen neuen Weg, um menschenzentrierte Stadtkonzepte wieder an die Spitze der Technologiegestaltung zu setzen.

Wenn smarte Werkzeuge städtische Weisheit vergessen

Die Autorinnen und Autoren werteten 1.123 Forschungsarbeiten aus, die KI für Stadtplanung und Sicherheit einsetzen. Sie stellten fest, dass weniger als 2 von 100 Arbeiten klassische städtische Konzepte erwähnten, wie etwa wie das Straßenleben zur Sicherheit beiträgt oder wie Dienstleistungen in einem Viertel angeordnet sein sollten. Stattdessen wurden fast die Hälfte der Studien vor allem von der Technologie getrieben: Forschende wählten Algorithmen, weil sie neu oder leistungsstark waren, nicht weil sie zu einem realen städtischen Problem passten. Soziale Gerechtigkeit, langfristige Resilienz und alltägliche Lebensqualität wurden oft nur nachrangig berücksichtigt.

Daten und Algorithmen treiben in die falsche Richtung

Das Team untersuchte außerdem, welche Arten von Algorithmen und Daten in diesen Projekten verwendet wurden. Moderne Machine-Learning- und Deep-Learning-Verfahren dominierten, und neue KI-Modelle wie große Sprachmodelle und generative Werkzeuge wurden fast unmittelbar nach ihrer Veröffentlichung übernommen. Gleichzeitig stützten sich die meisten Projekte auf leicht zugängliche Sensor- und Umweltdaten, etwa Luftqualitätsmessungen oder Verkehrssensoren. Schwerer zu erfassende Informationen über Alltagserfahrungen, soziale Verhältnisse oder Nachbarschaftsstrukturen wurden deutlich seltener genutzt, obwohl viele Stadtmodelle diese Faktoren als entscheidend ansehen. Das Ergebnis ist das, was die Autorinnen und Autoren als „Datenopportunismus“ bezeichnen: Messbares formt die Fragestellungen, statt das, was für das Stadtleben wirklich zählt.

Wie der Eifer für KI das Problem beschleunigt

Bei der zeitlichen Betrachtung beobachteten die Forschenden einen Wandel: KI in der Stadtforschung verschob sich von sorgfältigen, problemorientierten Experimenten zu einem schnellen „Technologie-Push“. Vor 2008 nutzten kaum Stadtplanungsarbeiten KI-Begriffe. Danach, und besonders mit dem Aufschwung des Deep Learning, explodierte die Zahl der als KI gekennzeichneten Studien, mehr als 60 Prozent wurden nach 2020 veröffentlicht. Neue Werkzeuge wie Bild-Sprach-Modelle und große Textmodelle tauchten in der Stadtforschung im selben Jahr auf, in dem sie erfunden wurden. Diese Geschwindigkeit mag aufregend wirken, fördert aber die Nutzung des jeweils Neuesten – selbst wenn es schlecht passt oder Planende für soziale und ökologische Zielkonflikte blind macht.

Ein neues Handbuch für klügere, gerechtere KI in Städten

Um KI wieder mit echten städtischen Bedürfnissen zu verbinden, entwickelten die Autorinnen und Autoren ein auf großen Sprachmodellen basierendes System, das wie ein Gremium von Expertinnen und Experten-Assistenten funktioniert. Bei Beschreibung einer städtischen Herausforderung – etwa Lebensmittelverschwendung, Hitzeexposition oder Katastrophenrisiko – strukturiert ein Agent zunächst das Problem. Ein anderer durchsucht eine Sammlung von 46 klassischen Stadt-Theorien, um die besten Erklärungen zu finden. Ein dritter ordnet passende KI-Methoden zu, ein vierter schlägt benötigte Datenquellen vor, und ein fünfter prüft, ob das Gesamtpaket robust und realistisch ist. Tests an Fallstudien zeigen, dass dieser Prozess Projekte von engen Zielen wie Lieferkostenreduzierung oder Vorhersagegenauigkeit weglenkt und hin zu umfassenderen Zielen, die auch Gerechtigkeit, Gesundheit und Klimaauswirkungen berücksichtigen.

Was das für die Zukunft urbaner KI bedeutet

Kurz gesagt argumentiert die Studie, dass die Frage „Was kann dieser Algorithmus leisten?“ der falsche Ausgangspunkt ist. Stattdessen sollten Planende, Ingenieurinnen und Ingenieure sowie Gemeinschaften zuerst fragen: „Was erfordert dieses städtische Problem wirklich, damit es nachhaltiger und gerechter wird?“ und erst dann die KI-Werkzeuge wählen, die zu diesen Bedürfnissen und den besten verfügbaren Stadt-Theorien passen. Indem diese Theorien in einem KI-Empfehlungssystem sichtbar und nutzbar gemacht werden, zeigen die Autorinnen und Autoren, wie Städte fortschrittliche Rechenverfahren einsetzen können, ohne die menschliche Erfahrung, gemeinschaftliche Räume und langfristige Resilienz aus den Augen zu verlieren.

Zitation: Tong, J., Wang, S., Wang, G. et al. Bridging urban theory and artificial intelligence: a multi-agent recommendation system for sustainable city development. npj Urban Sustain 6, 77 (2026). https://doi.org/10.1038/s42949-026-00377-2

Schlüsselwörter: urbane KI, nachhaltige Städte, Stadtplanung, Multi-Agenten-Systeme, Smart-City-Governance