SozTheo
Thema

Predictive Policing

Predictive Policing bezeichnet den Einsatz datengestützter Verfahren zur räumlich-zeitlichen Vorhersage von Straftaten. Ziel ist es, Polizeiarbeit effizienter zu gestalten, Ressourcen gezielter einzusetzen und Kriminalität möglichst frühzeitig zu verhindern. Im Zentrum stehen algorithmische Modelle, die aus historischen Kriminalitätsdaten Muster ableiten und daraus Prognosen für zukünftige Delikte generieren – etwa wann und wo Einbrüche besonders wahrscheinlich auftreten werden.

Der Ansatz ist Teil einer breiteren Entwicklung innerhalb der Kriminologie, in der digitale Datenanalyse, statistische Prognoseverfahren und neue Formen algorithmischer Entscheidungsunterstützung zunehmend an Bedeutung gewinnen. Eine grundlegende Einführung in das Fach bietet der Überblick Was ist Kriminologie?.

Begriff und Abgrenzung

Der Begriff wurde maßgeblich von Gerstner (2017) geprägt. Im Unterschied zu populären Darstellungen (etwa im Film Minority Report) geht es nicht um die Vorhersage individueller Täter:innen, sondern um die statistische Wahrscheinlichkeit von Delikten. Predictive Policing ist damit Teil der technokratischen Kriminalpolitik, in der Effizienz, Risikominimierung und datenbasierte Steuerung im Vordergrund stehen.

Predictive Policing kurz erklärt

Predictive Policing bezeichnet den Einsatz statistischer und algorithmischer Verfahren, um aus vergangenen Kriminalitätsdaten Vorhersagen über zukünftige Tatorte und Tatzeiten zu treffen. Ziel ist es, Polizeiarbeit präventiver und effizienter zu gestalten.

Ursprünge und internationale Praxis

Predictive-Policing-Modelle wurden erstmals in den USA entwickelt. Die Stadt Los Angeles setzte ab 2011 das System PredPol ein, das Einbrüche, Kfz-Diebstähle und Überfälle vorhersagen sollte. Ausgangspunkt war der Slogan „Do more with less“: In Zeiten knapper Ressourcen sollte Polizeiarbeit effizienter, präziser und vorausschauender werden.

Internationale Modelle umfassen unter anderem:

Die Funktionsweise von Predictive-Policing-Modellen beruht im Kern auf der Analyse vergangener Straftaten. Aus diesen Daten werden statistische Muster abgeleitet, mit denen sich zukünftige Tatwahrscheinlichkeiten berechnen lassen.

Dabei kommen unterschiedliche algorithmische Modelle zum Einsatz. Häufig genutzt wird das sogenannte near repeat-Modell, das davon ausgeht, dass sich bestimmte Delikte – insbesondere Einbrüche – räumlich und zeitlich gehäuft wiederholen. Diese Muster werden statistisch erfasst und in Prognosen überführt.

Andere Ansätze wie das Risk Terrain Modeling (RTM) analysieren nicht nur vergangene Taten, sondern auch umgebungsbezogene Risikofaktoren (z. B. schlechte Beleuchtung, verlassene Gebäude oder Drogenverkaufsorte). Die Modelle erzeugen Risikokarten, in denen sogenannte Hot Spots identifiziert werden – also Orte mit statistisch erhöhter Kriminalitätswahrscheinlichkeit. Tools wie Crime Mapping und Heatmaps visualisieren diese Daten für die Einsatzplanung.

Die Idee: Nicht Täter:innen stehen im Zentrum, sondern potenzielle Tatorte und Risikokonstellationen im Raum. Die Identifikation solcher Hot Spots knüpft an Forschung zur städtebaulichen Kriminalprävention an, in der räumliche Risikofaktoren von Kriminalität untersucht werden.

Kritisch betrachtet: Gotham, Palantir und die Polizei

Ein besonders umstrittenes Beispiel für den Einsatz von Predictive-Policing-Technologie ist die Software Gotham des US-amerikanischen Unternehmens Palantir Technologies. Entwickelt mit Unterstützung des rechtslibertären Investors Peter Thiel, wurde Gotham ursprünglich für militärische Zwecke eingesetzt (z. B. im Irak-Krieg) und später für die polizeiliche Nutzung angepasst. In Deutschland arbeiten inzwischen mehrere Landeskriminalämter mit der Software – u. a. Hessen, Nordrhein-Westfalen und Bayern.

Kritiker:innen warnen vor einem Demokratiedefizit in der Verwendung von Gotham. Die Software bleibt intransparent – sowohl hinsichtlich der Datenquellen als auch der genauen Funktionsweise der algorithmischen Analysen. Dadurch wird die Nachvollziehbarkeit polizeilicher Entscheidungen erschwert. Datenschützer:innen beanstanden insbesondere den Zugriff auf große Datenmengen aus polizeilichen und externen Quellen (z. B. Mobilfunk- oder Sozialdaten), ohne dass eine unabhängige Kontrolle der Datennutzung gewährleistet sei.

Zudem steht Palantir Technologies wegen seiner engen Verbindungen zu Sicherheitsdispositiven im Kontext des „War on Terror“ sowie zu umstrittenen Migrations- und Überwachungspolitiken in der Kritik. Die politische Ausrichtung von Gründer Peter Thiel – Unterstützer Donald Trumps und Verfechter autoritärer Staatsvorstellungen – wirft grundsätzliche Fragen auf: Welche Werte und Weltbilder sind in der Software eingeschrieben? Und welche Folgen hat der Import solcher Technologien für eine demokratische Polizeikultur?

In der kritischen Kriminologie wird daher diskutiert, ob durch Systeme wie Gotham eine technokratische Verlagerung polizeilicher Macht stattfindet – weg von demokratischer Aushandlung hin zu datenbasierter Vorstrukturierung. Gotham ist somit nicht nur ein Werkzeug, sondern Ausdruck einer neuen Sicherheitsarchitektur, die normative Grundfragen des Rechtsstaats berührt.

Kritik und problematische Aspekte

Predictive Policing wird zunehmend zum Gegenstand kritischer Auseinandersetzung – sowohl in der rechtswissenschaftlichen und kriminologischen Forschung als auch in zivilgesellschaftlichen Diskursen. Vier zentrale Kritikpunkte lassen sich dabei identifizieren:

Erstens geraten die zugrunde liegenden algorithmischen Verzerrungen (algorithmic bias) in den Fokus. Da die Modelle historisches Datenmaterial verarbeiten – etwa zu vergangenen Tatorten, Verhaftungen oder Einsatzhäufigkeiten –, reproduzieren sie unweigerlich bestehende strukturelle Ungleichheiten. Wenn etwa bestimmte Stadtteile schon in der Vergangenheit überproportional polizeilich kontrolliert wurden, fließt dies als „kriminalitätsrelevante Information“ in das Modell ein. Die Folge: Algorithmen lernen nicht Kriminalität, sondern polizeiliche Selektivität – und zementieren diese systematisch.

Zweitens wird auf die Gefahr von Racial Profiling und diskriminierender Verstärkung hingewiesen. Gerade in städtischen Quartieren mit hohem Anteil migrantischer oder sozial benachteiligter Bevölkerung erfolgt eine überproportionale Datenerhebung. Dies erzeugt einen Rückkopplungseffekt (feedback loop): Mehr Polizei bedeutet mehr registrierte Vorfälle – was wiederum zu mehr algorithmischer „Risikobewertung“ führt. Die Folge ist eine kreisförmige Kriminalisierung bestimmter Gruppen und Orte, ohne dass sich die reale Deliktslage verändert hätte.

Drittens mangelt es vielen Systemen an Transparenz und Nachvollziehbarkeit. Die eingesetzten Algorithmen sind häufig proprietär, also Eigentum privatwirtschaftlicher Unternehmen, und unterliegen dem Schutz von Geschäftsgeheimnissen. Die konkrete Entscheidungslogik – etwa wie Risiko berechnet, gewichtet und dargestellt wird – bleibt intransparent, selbst für die Behörden, die diese Tools nutzen. Dies untergräbt rechtsstaatliche Grundprinzipien wie Rechenschaftspflicht, gerichtliche Überprüfbarkeit und demokratische Kontrolle.

Viertens führt Predictive Policing zu einer zunehmenden Technokratisierung der Kriminalpolitik. Komplexe soziale Phänomene wie Kriminalität, Devianz oder Gewalt werden in mathematische Modelle übersetzt und als technische Steuerungsprobleme behandelt. Dadurch geraten strukturelle Ursachen wie Armut, Bildungsungleichheit oder soziale Exklusion aus dem Blick. Der Fokus verschiebt sich von Prävention durch soziale Investition hin zu Kontrolle durch technische Präzision – eine Entwicklung, die nicht nur kriminologisch fragwürdig, sondern auch gesellschaftspolitisch problematisch ist.

Ausweitung prädiktiver Technologien: Vom Polizeialgorithmus zur Migrationskontrolle

Ein aktuelles Beispiel für die mögliche Ausweitung solcher Technologien findet sich in der US-amerikanischen Migrationspolitik. Die Einwanderungsbehörde U.S. Immigration and Customs Enforcement (ICE) arbeitet seit Jahren mit der Datenanalysefirma Palantir Technologies zusammen. Neue Verträge sehen vor, dass Palantir Systeme entwickelt, die große Datenbestände aus unterschiedlichen Behörden zusammenführen und analysieren, um Personen mit ungültigem Aufenthaltsstatus zu identifizieren und Abschiebungen zu koordinieren. Dazu gehört etwa die Plattform ImmigrationOS, die Daten aus verschiedenen staatlichen Quellen aggregiert und den Behörden eine priorisierte Liste möglicher Zielpersonen liefert. Ziel ist es, Abschiebungen effizienter zu organisieren und Aufenthaltsverstöße schneller aufzuspüren (vgl. Ho, 2025). Kritiker:innen sehen darin ein Beispiel dafür, wie ursprünglich für kriminalpolizeiliche Prognosen entwickelte Analyseverfahren auf andere Felder staatlicher Kontrolle ausgeweitet werden können. Menschenrechtsorganisationen warnen, dass solche Systeme Massendatenanalysen ermöglichen, die Überwachung, Razzien und Abschiebungen systematisch erleichtern und dadurch grundlegende Fragen nach Diskriminierung, Rechtsstaatlichkeit und demokratischer Kontrolle aufwerfen.

Auch in Europa hat diese Entwicklung eine politische Debatte ausgelöst. In Deutschland wird der Einsatz von Palantir-Software durch Polizeibehörden seit Jahren kontrovers diskutiert. Datenschützer:innen und Bürgerrechtsorganisationen warnen vor mangelnder Transparenz, möglicher Diskriminierung und einer Abhängigkeit staatlicher Sicherheitsbehörden von einem US-Technologiekonzern. Mehrere Politiker:innen und Expert:innen fordern daher, die Zusammenarbeit mit Palantir zu beenden oder zumindest stark einzuschränken und stattdessen europäische Alternativen zu entwickeln (vgl. Loll, 2025).

Begriff erklärt: Technokratische Kriminalpolitik

Eine technokratische Kriminalpolitik zielt auf Effizienzsteigerung, Risikosteuerung und Kontrolle durch Technik. Sie ersetzt gesellschaftliche Debatten über Gerechtigkeit, Teilhabe und soziale Ursachen von Devianz durch datengestützte Steuerungsinstrumente. Predictive Policing steht damit in einem Spannungsfeld klassischer Kriminalitätstheorien und neuer technokratischer Steuerungslogiken.

In der kriminologischen Diskussion wird dies häufig mit Begriffen wie Actuarial Justice oder risikoorientierter Kriminalpolitik beschrieben.

Vor- und Nachteile von Predictive Policing im Überblick

VorteileNachteile
1Effizientere Ressourcennutzung durch vorausschauende EinsatzplanungReproduktion bestehender Verzerrungen durch historische Daten
2Potenziell präventive Wirkung durch Präsenz in Hot SpotsGefahr des Overpolicing in bestimmten Stadtteilen
3Unterstützung bei strategischen Entscheidungen in der PolizeiarbeitIntransparente Algorithmen und mangelnde Nachvollziehbarkeit
4Möglichkeit zur frühzeitigen Erkennung von KriminalitätsschwerpunktenVerstärkung von Racial Profiling und diskriminierenden Praktiken
5Vermeintliche Objektivierung durch datenbasierte AnalyseVerschleierung politischer und sozialer Ursachen von Devianz

Harcourts Kritik: Gegen die Vorhersagelogik

Der amerikanische Rechtswissenschaftler Bernard E. Harcourt kritisiert in seinem Werk Against Prediction (2007) die prädiktive Wende in der Kriminalpolitik fundamental. Seine These: Die Vorhersagelogik verschiebt das Strafrecht von einem repressiven zu einem präventiven Paradigma – auf Kosten rechtsstaatlicher Prinzipien.

Harcourt argumentiert, dass „actuarial justice“ – also prädiktive Risikosteuerung – dazu führt, dass bestimmte Gruppen systematisch überüberwacht werden. Die Folge sei ein Teufelskreis aus Überwachung, Kriminalisierung und Repression, insbesondere für sozial benachteiligte Gruppen. Predictive Policing ist für Harcourt ein Ausdruck neoliberaler Sicherheitsdispositive, in denen soziale Probleme technisch verwaltet statt politisch gelöst werden.

Praxis in Deutschland

In Deutschland wurde Precobs in mehreren Bundesländern getestet (z. B. Bayern, Baden-Württemberg, Hessen). Die Anwendung beschränkte sich meist auf Wohnungseinbruchsdiebstahl. Inzwischen wurde der Einsatz vielfach beendet oder pausiert – auch wegen mangelnder wissenschaftlicher Evidenz für die Wirksamkeit der Systeme (vgl. Egbert 2017).

Parallel dazu entstehen neue Formen prädiktiver Polizeiarbeit im Bereich der inneren Sicherheit, etwa im Kontext von Gefährderprognosen, Social Media Monitoring oder Data Mining zur Terrorismusabwehr.

Predictive Policing: Chancen und Risiken im Überblick

AspektBewertungErläuterung
EffizienzsteigerungChanceAlgorithmen ermöglichen gezielte Planung und vermeiden Streuverluste.
Vorausschauende EinsatzplanungChancePrognosen helfen, Hot Spots frühzeitig zu identifizieren.
RessourcenschonungChancePersonaleinsatz kann fokussierter gesteuert werden.
Potenzielle PräventionChanceTheoretisch können Delikte durch sichtbare Präsenz verhindert werden.
Gefahr algorithmischer VerzerrungRisikoModelle basieren auf Daten, die bestehende Ungleichheiten widerspiegeln.
Verstärkung von Racial ProfilingRisikoBestimmte Gruppen und Orte werden systematisch überüberwacht.
Intransparente EntscheidungslogikRisikoDie Funktionsweise der Algorithmen ist oft nicht öffentlich einsehbar.
Technokratisierung von KriminalpolitikRisikoSoziale Ursachen von Devianz werden zugunsten technischer Lösungen vernachlässigt.

Fazit und Ausblick

Predictive Policing steht exemplarisch für eine Kriminalpolitik, die sich zunehmend datenbasierten Steuerungslogiken unterwirft. Während Verfechter:innen Effizienz und Prävention betonen, zeigen Kritiker:innen wie Bernard Harcourt, dass die zugrundeliegenden Modelle rechtsstaatliche Prinzipien, Gleichheit vor dem Gesetz und soziale Ursachen von Devianz aus dem Blick verlieren.

Für die Soziologie wie für die Kriminologie stellt sich damit die Frage, ob Sicherheit algorithmisch erzeugt – oder nur simuliert – werden kann. Der Diskurs um Predictive Policing verweist auf grundlegende Konflikte zwischen Kontrolle, Freiheit und sozialer Gerechtigkeit im digitalen Zeitalter.

Gedankenexperiment: Predictive Policing umgekehrt

Was wäre, wenn nicht nur die Polizei, sondern auch Kriminelle algorithmische Vorhersagemodelle nutzen würden? Denkbar wäre eine Art „Reverse Predictive Policing“ – also die gezielte Suche nach Orten mit geringer Polizeipräsenz, vorhersehbaren Streifenrouten oder strukturellen Kontrolllücken. Aus öffentlich zugänglichen Quellen (z. B. Polizeiberichte, Einsatzstatistiken, Twitter-Daten) ließen sich sogenannte Cold Spots modellieren – also Räume mit statistisch niedrigem Entdeckungsrisiko. Auch das Verhalten von Strafverfolgungsbehörden ließe sich mit geeigneter Software prognostizieren und gezielt umgehen.

Solche Szenarien sind bislang vor allem ein spekulatives Gegenbild – aber sie werfen wichtige Fragen auf: Wer kontrolliert die Kontrolleure? Und wie transparent darf Sicherheitspolitik sein, ohne sich selbst zu unterminieren?

Weiterführend

Literatur und weiterführende Informationen

Werbefilm von Palantir Gotham: Europa

Bericht der faz über Möglichkeiten und Grenzen von Predictive Policing

Bericht über den Einsatz der Prognosesoftware „Precobs“ bei der Schweizer Polizei