Estimating AI Harm Rates for Germany: Applying Epidemiological Methods to Incident Monitoring

Mentor: Branwen Nia Owen
Project area: The epidemiology of AI risk

Bewirb dich!

Project Language

English or German.

Forschungsmanagement ist oft ein Engpass: Diese Rollen sind schwer zu besetzen, da sie sowohl Vertrautheit mit der AI Safety-Forschung als auch starke zwischenmenschliche Fähigkeiten und Managementerfahrung erfordern. Zudem wollen wirkungsorientierte Menschen, die sich für AI Safety interessieren, meist selbst forschen – anstatt die Forschung anderer zu managen! Entscheidend ist jedoch: Du musst oft selbst nicht in der Forschung brillieren, um exzellent im Forschungsmanagement zu sein. Menschen mit Erfahrung als Projektmanager:innen, People Manager:innen und Executive Coaches eignen sich oft hervorragend dafür.

Es mangelt an Führungskräften: Das technische Feld der AI Safety könnte sehr von mehr Menschen mit Hintergrund in Strategie, Management und Operations profitieren. Wenn du Erfahrung darin hast, ein Team von mehr als 30 Personen zu leiten und weiterzuentwickeln, könntest du in einer führenden AI Safety-Organisation einen großen Unterschied machen – auch wenn du wenig direkte Erfahrung mit KI hast.

Wir brauchen Gründer:innen, Gestalter:innen des Ökosystems und Kommunikator:innen: Es gibt viel Raum, um neue Organisationen zu gründen und das Ökosystem zu erweitern. Zudem gibt es viel verfügbare Finanzierung, besonders im gewinnorientierten Bereich für AI Interpretability und Sicherheit. Unsere Arbeit am Job Board profitiert ebenfalls davon, wenn Leute neue Organisationen starten: Sie schaffen neue Rollen, auf die wir unsere Nutzer:innen vermitteln können!

Wir brauchen mehr Berufserfahrene: Da immer mehr Arbeit an KI delegiert wird, sind wir zunehmend auf erfahrene Manager:innen angewiesen. Sie können KI-generierte Ergebnisse (Outputs) überwachen, andere im Umgang mit KI-Tools schulen und Teams aus Menschen und KIs koordinieren.

Wir brauchen Menschen, die sich für „Support“-Rollen begeistern: Es mag weniger aufregend wirken, nicht direkt an den Kernproblemen zu arbeiten. Doch gerade in Rollen wie Operations und Management vervielfachst du den Impact anderer. Diese Bereiche werden oft vernachlässigt, obwohl sie sehr wirkungsvoll sind. Und als jemand, dessen Job es ist, anderen zu Jobs zu verhelfen, finde ich diese Art von Arbeit ziemlich spannend!


Minimum Time Commitment

8 hours per week.

Project Abstract

AI incident databases are gaining traction, but raw counts don't tell policymakers much. A rise in reported harms could mean genuine risk escalation — or just improved reporting, or increased AI deployment. To distinguish these, you need both a numerator (how many harms actually occurred, adjusted for reporting gaps) and a denominator (how many opportunities for harm existed).

This project adapts epidemiological methods to estimate AI harm rates for incident types relevant to German policy priorities — such as hiring algorithms under anti-discrimination law, clinical decision support in the German healthcare system, or content moderation on platforms operating under the DSA.


The work has two components:
1. Exposure estimation: How many opportunities for harm existed? Depending on data availability, we use direct measurement (e.g., DSA transparency reports), category-based assignment, decomposition into bounded components, or structured expert judgment.

2. Harm estimation: How many incidents actually occurred? Reported counts underestimate true incidence. We apply methods from disease surveillance — such as capture-recapture across overlapping sources and multiplication factors from analogous domains — to adjust for underreporting.


Mentees will:

- Select incident types relevant to German AI governance;
- Estimate both exposure and harm counts, with documented assumptions;
- Calculate crude harm rates and assess trends;
- Produce standardised output cards suitable for policy communication;

Expected outputs include worked examples for German-relevant incident types, a practical methodology guide, and a gap analysis identifying where better data collection would most improve monitoring capacity.

Theory of Change

Bad frameworks produce bad decisions. The question of machine moral status will increasingly affect AI development and governance. Currently, most people reasoning about it lack adequate conceptual tools. This matters for catastrophic risk in several ways.

Under-reaction: if AI systems develop welfare-relevant internal states and we lack frameworks to recognize this, we may create systems with misaligned interests while dismissing their signals as "mere computation." A system that experiences something like suffering under certain conditions, and whose operators dismiss this, is a system with reason to deceive.

Over-reaction: anthropomorphizing systems that lack morally relevant properties wastes attention and resources, and may constrain beneficial AI development without corresponding benefit.

Poor discourse: without shared conceptual foundations, public debate about AI consciousness polarizes between dismissive and credulous positions. Neither serves good governance.

The primer addresses these by training researchers and practitioners to reason carefully across multiple frameworks, recognize what each assumes, and navigate uncertainty without false confidence. The German focus (incorporating European philosophical traditions, piloting with German-speaking users) builds SAIGE's national infrastructure while contributing to the broader field.

Conceptual clarity is infrastructure. This project builds it.

Desired Mentee Background

Any or all, it's more about skills and resourcefulness than a field of study.

Desired Mentee Level of Education

Masters and above.

Other Mentee Requirements

* Comfort with quantitative reasoning (e.g., interpreting rates, proportions, uncertainty)
* Familiarity with basic statistics (confidence intervals, bias, sampling, regression at a conceptual level)
* Ability to read technical papers and policy documents
* Comfort working under ambiguity and with incomplete data
* Ability to produce clear, policy-facing summaries (not just technical notes)
* Pragmatic, impact-oriented mindset