Googles Gemini stoppt Milliarden schädlicher Anzeigen: Gut, aber längst nicht genug
Google hat seinen Ads Safety Report für 2025 veröffentlicht und liefert darin beeindruckende Zahlen zur Bekämpfung schädlicher Werbung. Im Mittelpunkt steht dabei vor allem die Rolle von Gemini: Die KI-gestützten Tools sollen entscheidend dazu beigetragen haben, betrügerische Anzeigen zu identifizieren und zu stoppen.
Auf den ersten Blick sind die Statistiken in der Tat bemerkenswert: Über 8,3 Milliarden schädliche Anzeigen wurden blockiert oder entfernt, 4,8 Milliarden Anzeigen eingeschränkt und knapp 25 Millionen Werbekonten gesperrt. Google betont, dass 99% aller richtlinienwidrigen Anzeigen abgefangen wurden, noch bevor sie überhaupt ausgespielt werden konnten — dank Gemini.
Man muss anerkennen, dass der Kampf gegen schädliche Werbung essenziell ist. Gleichzeitig ist dies eine Aufgabe, die man von Google als Plattformbetreiber schlichtweg erwartet. Die Ergebnisse sind zwar lobenswert, unterstreichen aber vor allem eines: wie aggressiv und feindselig das heutige Werbe-Ökosystem sein kann.
Wie KI Google dabei hilft, „bad ads“ aufzuspüren
Googles Hauptargument für den Einsatz von KI bei der Anzeigenprüfung: Das System verlässt sich nicht mehr nur auf bloße Keywords. Stattdessen analysiert es komplexe Signale wie das Alter eines Kontos, Verhaltensmuster und Kampagnenstrukturen. Betrüger nutzen mittlerweile selbst generative KI, um massenhaft Varianten ihrer Anzeigen zu erstellen, die legitime Werbung imitieren. Alte Systeme, die lediglich auf einfachem Musterabgleich basierten, stoßen hier schnell an ihre Grenzen.
Vor der KI-Ära funktionierten diese Prüfungen eher wie eine Checkliste: Enthält die Anzeige verbotene Begriffe? Passt die Zielseite zur angezeigten URL? Werden Symbole oder Formatierungstricks wie F₹€€! genutzt? Solche Abfragen sind zwar nützlich, aber auch sehr anfällig für kreative Wortschöpfungen oder clevere Umwege. Ein Versprechen wie „10 Kilo abnehmen in einer Woche“ lässt sich leicht filtern. Schwieriger wird es bei einer Landingpage voller falscher Behauptungen und versteckter Abo-Fallen, bei der kein einzelnes Element sofort den Alarm auslöst.
Hier kommt die KI ins Spiel, die den Kontext versteht. Ein passender Vergleich wäre die Sicherheitskontrolle am Flughafen: Das System sucht nicht mehr nur nach verbotenen Gegenständen im Koffer (das alte System), sondern achtet auf verdächtiges Verhalten — etwa wenn jemand ständig verschiedene Namen verwendet, nur reine Hinflugtickets kauft oder häufig die Reiseroute ändert.
Gemini berücksichtigt diesen gesamten Kontext, um die Absicht hinter einer Anzeige zu bestimmen. Laut Google ist das System extrem effektiv bei der Betrugserkennung — im Jahr 2025 wurden über 600 Millionen betrügerische Anzeigen entfernt und 4 Millionen Konten wegen betrügerischer Aktivitäten gesperrt. Ein weiterer Vorteil von Gemini ist die automatisierte Auswertung von Nutzer-Feedback. Durch die KI-Integration konnten die Google-Teams viermal so viele Meldungen bearbeiten wie noch im Jahr 2024.
Werbeblocker im KI-Wandel
Der Kontrast zwischen alten und neuen Methoden zur Erkennung schädlicher Anzeigen bei Google weist deutliche Parallelen zur allgemeinen Entwicklung bei Werbeblockern auf. Vor vielen Jahren war das Blockieren einer Anzeige noch denkbar einfach: Es genügte, den Server, der die Anzeige ausspielte, mit einer Liste bekannter „böser“ Domains abzugleichen. Alles, was von einer Adresse wie adserver.example.com kam, wurde blockiert — und das war’s. Die DNS-Filterung funktioniert heute noch weitgehend nach diesem Prinzip: Sie ist zwar weniger flexibel, dafür aber extrem effizient, ressourcenschonend und wirkt systemweit.
Heutzutage stehen Werbeblocker jedoch vor ganz anderen Herausforderungen. Werbung und andere unerwünschte Anfragen verschmelzen oft nahtlos mit den eigentlichen Inhalten. Moderne Filterregeln haben nichts mehr mit den kurzen, simplen Befehlen aus der Anfangszeit zu tun. Sie sind hochkomplex und die Filtersyntax erinnert mittlerweile eher an eine richtige Programmiersprache als an einfache Textfilter.
Die Syntax von Werbeblockern hat sich ständig weiterentwickelt, um mit den immer komplexeren Herausforderungen Schritt zu halten — und das bisher ziemlich erfolgreich. Doch nur weil der traditionelle, auf Filterregeln basierende Ansatz bisher nicht durch KI ersetzt wurde, heißt das nicht, dass die Entwickler diese Idee verworfen haben. Ganz im Gegenteil: Das Potenzial von KI wird intensiv erforscht, oft auf sehr überraschende Weise.
Versuche, maschinelles Lernen (ML) für Werbeblocker einzusetzen, reichen mindestens bis ins Jahr 2019 zurück. Damals entwickelte Brave mit AdGraph ein Tool, das Werbung und Tracker in Echtzeit blockierte. Obwohl es eine überraschend hohe Genauigkeit aufwies, erforderte es eine tiefe Integration in den Browser und einen enormen Wartungsaufwand, weshalb es sich letztlich nicht durchsetzen konnte. Auch andere Experimente und Forschungsprojekte, die ML nutzten, schafften bisher nicht den Sprung in die breite Anwendung.
In den letzten Jahren ist die Idee, KI für die Filterung von Werbung einzusetzen, angesichts des rasanten technologischen Fortschritts jedoch wieder verstärkt in den Fokus gerückt. Dies war beispielsweise eines der Hauptthemen auf dem letztjährigen Ad Filtering Dev Summit. Mehrere Experten beleuchteten dort die Rolle von KI: Ritik Roongta von der NYU sprach darüber, wie KI dabei helfen kann, Anzeigeninhalte besser zu bewerten — insbesondere bei Werbung auf Zulassungslisten (Allowlists), die zwar unaufdringlich, aber dennoch schädlich sein kann. Anton Lazarev von Brave wiederum erklärte, warum Werbeblocker auch im Zeitalter von KI-Assistenten und sogenannten „Agentic Browsers“ (Browsern, die eigenständig Aufgaben für Nutzer:innen übernehmen) hochrelevant bleiben werden.
Das AdGuard-Experiment: Kann ein LLM Werbung erkennen?
Auch AdGuard erforscht diesen Weg. Maxim Topciu, Teamleiter der Abteilung für Browsererweiterungen bei AdGuard, hat in einer eigenen Untersuchung die Frage analysiert: Kann ein Werbeblocker verstehen, was auf einer Seite passiert, und selbst entscheiden, ob Inhalte ausgeblendet werden sollen? Wie bereits erwähnt, sind Filterlisten nach wie vor ein mächtiges Tool, stoßen aber an ihre Grenzen: Sie müssen manuell gepflegt werden, tun sich schwer mit Native Advertising und unterliegen technischen Einschränkungen — etwa durch die Einführung von Manifest V3.
Wäre es nicht ideal, wenn ein Werbeblocker völlig eigenständig entscheiden könnte, was Werbung ist und was nicht? Die Idee an sich ist nicht neu, wie die Versuche von Brave und anderen zeigen, aber Maxim ging einen Schritt weiter. Ein großer Vorteil von LLMs (Large Language Models) ist, dass sich damit Ideen vergleichsweise schnell in funktionierende Prototypen umsetzen lassen. Maxim entwickelte daher gleich drei verschiedene Prototypen, die Werbung jeweils auf ihre eigene Weise analysieren und blockieren.
Maxim testete die Prototypen im Feed von X. Der erste Prototyp verpixelte zunächst alle Beiträge, analysierte deren Inhalt und gab die „guten“ Posts anschließend wieder frei. Der zweite Prototyp ging ähnlich vor, analysierte die Beiträge jedoch als Bilder und nicht als Code-Blöcke. Beim dritten Ansatz konnten Nutzer:innen selbst bestimmte Kriterien festlegen: Das LLM prüfte dann, ob ein Beitrag diese Kriterien erfüllte, bevor es entschied, ihn anzuzeigen oder auszublenden. Alle drei Ansätze funktionierten, hatten jedoch ihre eigenen Schwachstellen — schließlich handelte es sich um Prototypen, die noch weit von fertigen Endprodukten entfernt waren.
Das Experiment bewies, dass KI-basiertes Blockieren von Werbung technisch möglich ist. Gleichzeitig wurde jedoch deutlich, dass die KI noch nicht bereit ist, den traditionellen, filterbasierten Ansatz komplett zu ersetzen.
Googles Einsatz von Gemini zur Identifizierung schädlicher Anzeigen und AdGuards eigene Experimente deuten — trotz aller Unterschiede in Zweck und Umsetzung — in dieselbe Richtung: Das Filtern von Werbung wird zunehmend semantisch. Das Experiment von AdGuard hat gezeigt, dass LLMs Inhalte anhand ihrer Bedeutung klassifizieren können und nicht nur auf Basis von Selektoren oder URLs. Ein bildbasierter Ansatz kann analysieren, was Nutzer:innen tatsächlich auf dem Bildschirm sehen — ein großer Vorteil, wenn Texte minimal gehalten oder HTML-Codes gezielt verschleiert wurden. Die entscheidende Frage beim Blockieren verschiebt sich damit allmählich von „Passt dieses Web-Element zu einer Regel?“ hin zu „Was ist das Ziel dieses Elements? Welche Absicht steckt dahinter?“.
Könnte man jede Anzeige, jeden gesponserten Beitrag, jeden Tracker und jeden Betrugsversuch zuverlässig allein durch das Erkennen der dahinterstehenden Absicht identifizieren, wären Filterregeln überflüssig. Doch offensichtlich sind wir noch nicht an diesem Punkt angelangt. LLM-basierte Ansätze sind derzeit noch stark durch Faktoren wie Kosten, Rechengeschwindigkeit und praktische Umsetzbarkeit limitiert. Es zeichnet sich daher ab, dass die Rolle der KI im Bereich Werbeblocker zwar stetig wachsen wird, sie die traditionellen Methoden in naher Zukunft jedoch nicht ersetzen kann. Vielmehr wird die KI eine wichtige Ergänzung dort sein, wo klassische Filterregeln allein an ihre Grenzen stoßen.
Plattformsicherheit ist nicht gleich Nutzerkontrolle
An diesem Punkt endet jedoch der Vergleich zwischen Google und unabhängigen Werbeblockern. Der fundamentale Unterschied zwischen Googles Einsatz von Gemini und dem KI-Einsatz bei Werbeblockern liegt in den jeweiligen Zielen: Google nutzt KI, um seine eigenen Werberichtlinien durchzusetzen — Werbeblocker hingegen existieren, um die Präferenzen der Nutzer:innen durchzusetzen.
Momentan legen Anwendende diese Präferenzen fest, indem sie Filterlisten auswählen oder eigene Regeln hinzufügen. Das Experiment von AdGuard hat jedoch gezeigt, dass es absolut im Bereich des Möglichen liegt, künftig auch nutzergesteuerte Kriterien in einen KI-basierten Werbeblocker zu integrieren. Dies unterscheidet sich deutlich von Googles Algorithmen. Diese blockieren zwar schädliche Anzeigen — was durchaus lobenswert ist —, tun dies aber vor allem im Sinne der eigenen Geschäftsinteressen. Als Nutzer:in hat man keinerlei Mitspracherecht dabei, was genau gefiltert wird und was durchkommt. Doch eine Anzeige muss nicht zwangsläufig gegen Googles Richtlinien verstoßen, um unerwünscht zu sein: Sie kann ablenken, die Privatsphäre verletzen, das System verlangsamen oder schlicht irrelevant sein.
Hier liegt der Kern des Konflikts: Google sorgt sich nur darum, ob eine Anzeige innerhalb seines Ökosystems erlaubt ist. Aus Sicht der Nutzer:innen ist die Frage jedoch grundlegender: Möchte ich diese Werbung überhaupt auf meinem Gerät haben?
Googles Arbeit gegen Werbebetrug ist zwar notwendig, aber letztlich nichts anderes als seine Pflicht als Plattformbetreiber. Der Ads Safety Report sollte daher nicht als endgültige Lösung des Problems gesehen werden. Milliarden von Anzeigen zu blockieren ist zwar beachtlich, aber noch weitaus mehr Werbung bleibt bestehen. Diese Zahlen verdeutlichen vor allem, wie viel schädliches oder fragwürdiges Material das Online-Werbeökosystem flutet.
Und genau hier liegt der wahre Grund für Googles Bemühungen: Google ist in erster Linie ein Werbeunternehmen. Sein Geschäftsmodell basiert nicht auf dem Verkauf von Hardware, sondern auf dem Werbenetzwerk, das es aufgebaut hat. Fast alle anderen Unternehmenszweige dienen dazu, dieses System zu stützen. Google hat immer und wieder bewiesen, dass der Schutz des Werbegeschäfts bei Produktentscheidungen schwerer wiegt als alles andere. Die Sicherheitsmaßnahmen sind da keine Ausnahme: Sie sind ein notwendiges Zugeständnis, um die Nutzer:innen innerhalb des Google-Ökosystems zu halten.
Das bedeutet nicht, dass Googles Kampf gegen Betrug bedeutungslos ist — natürlich ist es besser, keine betrügerischen Anzeigen auf dem Smartphone zu haben. Noch besser ist es jedoch, wenn Sie selbst die volle Kontrolle darüber haben, was auf Ihrem Gerät passiert. Googles Bericht hat gezeigt, wie effizient KI bei der Identifizierung unerwünschter Inhalte sein kann. Nun ist es an den Werbeblockern, diese mächtige Waffe noch besser einzusetzen — im Dienste der Nutzer:innen und für eine gute Sache.
