Altersschätzung per Gesichtsbild und Altersverifikation

Aufsichtsbehörden erwarten inzwischen, dass Online-Plattformen Minderjährige von Inhalten für Erwachsene, Glücksspiel, sozialen Netzwerken und schädlichen Funktionen fernhalten; Händler dürfen Alkohol oder Tabak nicht an Minderjährige verkaufen. Die Altersschätzung per Gesichtsbild sagt aus einem Gesichtsbild ein Alter voraus, vergleicht es mit einer Altersgrenze plus Sicherheitspuffer, gibt nur „über / unter“ zurück und löscht das Bild sofort. Sie ist eine reibungsarme erste Stufe; unsichere Fälle gehen an eine Ausweisprüfung oder einen datenschutzfreundlichen digitalen Nachweis.

Problem & Nutzen

• Heute: Online-Dienste verlassen sich auf selbst angegebene Geburtsdaten (leicht zu umgehen), Kartenprüfungen oder das Hochladen von Ausweisdokumenten (Reibung, datenschutzintensiv, Abbrüche). Im Handel zählt das Urteil des Personals („Challenge 25“ in Großbritannien) und die manuelle Freigabe an Selbstbedienungskassen, was Warteschlangen und Konflikte mit dem Personal erzeugt.
• KI-Nutzen: ein Ergebnis in Sekunden, ohne ein Ausweisdokument herauszugeben, ohne Konto oder Namen, einheitliche Entscheidungen über Personal und Schichten hinweg und eine messbare Falschakzeptanzrate je Altersband.
• Regulatorischer Treiber: Art. 28 DSA und die Leitlinien der Kommission zum Schutz Minderjähriger (2025) sehen Altersverifikation als geeignete Maßnahme bei Inhalten mit hohem Risiko; die EU-Blaupause-App zur Altersverifikation und die geplante EUDI-Wallet sind der datenschutzfreundliche Nachweisweg; der britische Online Safety Act und die Ofcom-Leitlinien verlangen eine „hochwirksame Altersverifikation“ und nennen die Altersschätzung per Gesichtsbild ausdrücklich als anerkannte Methode; in Deutschland genehmigt die KJM nach JMStV seit Jahren Konzepte zur Altersverifikation [1][2][3].
• Kennzahlen zum Nutzen: Anbieter veröffentlichen Werte zum mittleren absoluten Fehler (MAE), und es gibt unabhängige Bewertungen (NIST FATE); der Fehler schwankt stark nach Altersband, Geschlecht und Hautton. Vergleichen Sie daher die Zahlen nur im Schwellenbereich (z. B. 13-17 gegenüber 18+) und nicht den Gesamt-MAE [4][5].

Varianten

• Online-Altersschranke (Art. 28 DSA / EU-Blaupause): Selfie im Browser oder in der App per SDK oder Weiterleitung; Plattformen für Inhalte für Erwachsene, soziale Netzwerke, Spiele, Glücksspiel, Dating; ein Ergebnis-Token geht an den Dienst zurück.
• Selbstbedienungskasse im Handel & Automaten: Eine Kamera am Kiosk prüft den Kunden, wenn ein altersbeschränkter Artikel gescannt wird; bei Nichtbestehen folgt eine Freigabe durch das Personal oder ein Ausweis-Scan. Ebenso an Tankstellen, Zigaretten- und Alkoholautomaten sowie bei der Online-Alkohollieferung (Prüfung an der Haustür per App).
• Geräte-/Betriebssystemebene und App-Stores: Das Altersignal wird mit Apps geteilt (nur Altersbereich).
• Kontobasierte Wiederverwendung: Ein „wiederverwendbares Alterstoken“ wird einmal ausgestellt und andernorts vorgelegt (im Stil der Blaupause).
• Privatnutzung: Einrichtung der Kindersicherung und kindgerechte Modi auf Familiengeräten; kein eigener Anwendungsfall.

So funktioniert es

1. trigger (age-restricted item scanned / adult page requested)
2. capture (selfie or kiosk frame; on-device or browser SDK)
3. face detection + quality check (pose, blur, light, one face only)
4. liveness / presentation-attack detection (screen replay, mask, injection attack)
5. age regression/classification model
6. estimated age + uncertainty
7. decision: estimate >= threshold + buffer
8. PASS estimate < threshold
9. FAIL in buffer zone / low quality
10. FALLBACK (ID check, wallet proof, staff)
11. return only over/under token; delete image immediately; log result without image

• Modell: ein CNN oder ein Vision-Transformer mit Regressionskopf, trainiert auf großen Gesichtsdatensätzen mit verifiziertem Alter; die Ausgabe wird je Altersband kalibriert. Ein „Puffer“ (z. B. muss die Schätzung für eine 18+-Schranke über 25 liegen; eine Gestaltungsentscheidung je nach Risikobereitschaft) tauscht Falschakzeptanzen gegen Rückfälle ab.
• Keine Identifizierung: keine Galeriesuche und keine gespeicherte Vorlage; das unterscheidet den Fall von VIS-016. Echtheitsprüfungen von Dokumenten gehören zu ANOM-014.
• Mensch-in-der-Schleife (Human-in-the-Loop): Freigabe durch das Personal im Handel, Einspruchsweg online (Ausweis oder Wallet), regelmäßige Prüfung von Grenzfällen und der Fehlerraten nach demografischen Gruppen.

Datenaufbereitung

Dieser Anwendungsfall braucht fast keine historischen Daten: Die Eingabe ist ein Live-Selfie oder Kamerabild, das verarbeitet und sofort gelöscht wird. Die Vorbereitung besteht überwiegend aus Konfiguration und Testdaten. Legen Sie die gesetzliche Altersgrenze und den Sicherheitspuffer je Produkt fest (z. B. Alkohol, Tabak, Glücksspiel, Inhalte für Erwachsene) und dokumentieren Sie sie im Shopsystem, im ERP oder in der Richtliniendatei, in der die Regeln für altersbeschränkte Artikel ohnehin liegen.

Typische Lücken: Artikelstammdaten ohne Kennzeichen „altersbeschränkt“, kein festgelegter Rückfall bei unsicherer Schätzung (Ausweisprüfung durch Personal, Dokumentenprüfung, Wallet-Nachweis) und unklare Aufbewahrung der Protokolle. Vorbereitungsschritte: beschränkte Artikel im ERP oder Shop kennzeichnen, den Rückfallprozess definieren und die Protokollierung so einstellen, dass nur die Entscheidung gespeichert wird, nie das Bild. Stellen Sie eine kleine Testmenge mit einwilligenden Mitarbeitenden verschiedener Altersgruppen, Hauttöne und Lichtverhältnisse zusammen, um Genauigkeit und Verzerrung an Ihren eigenen Kassen oder in Ihrem eigenen Web-Ablauf zu prüfen.

Aufwandsanteil: etwa 10-15 Prozent des Projekts; der größte Teil ist Prozess- und Rechtsgestaltung, nicht Daten. Grundlagen dazu: PREP-024 (Regeln, was in welches KI-Werkzeug darf), PREP-025 (Prüfung von Zweck und Rechtsgrundlage) und PREP-018 (Evaluationsdatensätze aufbauen).

Umsetzungswege

Welcher Weg für wen

• smb: A - zertifizierte Dienste zur Altersschätzung sind ausgereift, in der EU hostbar und werden pro Prüfung abgerechnet; der Ablauf (Schranke über/unter) ist Standard.
• enterprise: A - Altersschranken sind eine Standard-Compliance-Funktion; ein zertifizierter Anbieter trägt zudem den Test- und Prüfaufwand.
• developer: B - binden Sie eine Anbieter- oder Cloud-API in Ihre eigene App oder Ihren Kassenablauf ein und behalten Sie die Rückfalllogik (Ausweisprüfung, Wallet-Nachweis) unter eigener Kontrolle.
• public: B - integrieren Sie auf EU-gehosteten APIs oder nationalen Altersverifikations-Apps; Selbstbetrieb lohnt sich selten, und nur zertifizierte Produkte genügen regulierten Pflichten.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Spezialisierte Anbieter von Altersverifikation: Yoti (UK, im Handel und auf Plattformen in UK/EU weit verbreitet), Privately (CH), k-ID (Altersignal-Plattform für Spiele), AgeChecked, VerifyMy (UK), Veriff, Persona, Incode, Entrust/Onfido, Idemia Public Security (FR, EU), Signicat (NO/EU), IDnow (DE, EU), AU10TIX. Viele bieten Altersschätzung per Gesichtsbild samt Dokumenten- und Wallet-Rückfall in einem SDK.
• Handel: Anbieter binden sich an die Selbstbedienungskassen-Stacks von NCR Voyix, Diebold Nixdorf (DE, EU) und Toshiba an oder liefern eigenständige Kioske und Module für Automaten.
• Prüfen: unabhängige Bewertung (NIST FATE, Lebenderkennungstest nach ISO/IEC 30107-3 durch ein akkreditiertes Labor, Konformität mit ISO/IEC 27566-1 und IEEE 2089.1), Datenhaltung in der EU, Löschen der Bilder binnen Sekunden, keine Aufbewahrung von Vorlagen, Liste der Unterauftragnehmer, Genauigkeit je Altersband und Hautton, Unterstützung bei der DSFA [5][6].
• Wählen Sie A, wenn: Sie schnell Compliance brauchen und kein Evaluationsprogramm für Biometrie betreiben können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Allgemeine Bild-APIs passen schlecht: Die meisten Gesichts-APIs der Hyperscaler haben die Ableitung von Alter und Attributen entfernt oder eingeschränkt (Microsoft hat sie in Azure Face eingeschränkt). Nutzen Sie daher spezialisierte APIs zur Altersschätzung der Anbieter aus Weg A oder verarbeiten Sie auf dem Gerät.
• Orchestrierung: Regelwerk für Schwellen je Produkt, Rückfall auf EUDI-/Blaupause-Verifikation, Ausstellung von Tokens (signiert, kurzlebig, Claim „age_over_18“) und Protokollierung ohne Bilder.
• EU Digital Identity Wallet / Blaupause: Die Open-Source-Referenzimplementierung unterstützt Zero-Knowledge- oder selektive Offenlegungsnachweise für „über 18“ und sollte der bevorzugte zweite Faktor sein [2].

Weg C — Selbst betreiben (Open Source)

• Modelle: MiVOLO (Altersschätzung aus Gesicht und Körper), InsightFace-Attributmodelle, Regressoren im DEX-Stil sowie Gesichtserkennung wie RetinaFace oder YuNet; Lebenderkennung über Silent-Face-Anti-Spoofing oder Ähnliches. Ausführung über ONNX Runtime, OpenVINO oder TensorRT.
• Datensätze: Öffentliche Sätze wie UTKFace, FairFace, Adience, MORPH, AgeDB und IMDB-WIKI haben verrauschte Labels und Lizenzgrenzen; prüfen Sie die Lizenzen vor kommerzieller Nutzung.
• Hardware: HW1 genügt (CPU oder kleine Edge-GPU, Jetson Orin Nano), weil die Modelle klein sind; halten Sie die Inferenz am Kiosk, damit kein Bild das Gerät verlässt.
• Vorsicht: Lebenderkennung und Schutz vor Injektionsangriffen sind der schwierige Teil; Open Source allein erreicht selten das Sicherheitsniveau, das Aufsichtsbehörden akzeptieren (z. B. Ofcom „hochwirksam“).

Weg D — Eigenes Training

Lohnt sich nur für Anbieter von Altersverifikation oder sehr große Plattformen. Es braucht Zehntausende Gesichts- bilder mit verifizierten Geburtsdaten, Einwilligung und DSFA, ausgewogen nach Alter, Geschlecht und Hautton, mit einer Hold-out-Menge, die sich auf die gesetzliche Schwelle konzentriert. Bewerten Sie im Schwellenbereich, nicht am Gesamt-MAE.

Stand der Technik (2026)

• Die laufende NIST-Evaluation FATE Age Estimation & Verification vergleicht kommerzielle Algorithmen und berichtet die Genauigkeit nach Alter, Geschlecht und Region; die besten Algorithmen liegen im Durchschnitt innerhalb weniger Jahre, doch die Fehler wachsen nahe der Schwellen und bei einigen demografischen Gruppen [5].
• Normen sind gereift: ISO/IEC 27566-1 (Rahmenwerk für Altersverifikationssysteme) und IEEE 2089.1 definieren Begriffe und Testmetriken; PAS 1296 (UK) ging ihnen voraus [6].
• Aufsichtsbehörden sind von „Altersschätzung ist erlaubt“ übergegangen zu „Falschakzeptanzrate angeben, auf Verzerrung testen und Alternativen anbieten“ (Ofcom, CNIL, Leitlinien der Europäischen Kommission, Australian Age Assurance Technology Trial).
• Datenschutzfreundliche Nachweise (EU-Blaupause-App, EUDI-Wallet, doppelt blinde „Alterstokens“) konkurrieren mit der Gesichtsschätzung und sollen für Dienste mit hohem Risiko zum Standard werden; die Schätzung bleibt der reibungsarme Rückfall.
• Grenzen und Fehlerbilder: Fehler nahe der Schwelle (z. B. bei 16- bis 20-Jährigen), Verzerrung nach Haut- ton und Geschlecht, Make-up, Licht und Brillen, Angriffe mit Ausdrucken, Bildschirmen, Deepfakes oder Kamera- Injektion sowie Kinder, die als Erwachsene durchgehen. Nutzen Sie die Schätzung bei Waren mit hohem Risiko nie als einzige Hürde.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack (face-biometrics + Lebenderkennung + edge-runtime): VIS-016 Gesichtserkennung (Vorlagen oder Galerien nicht teilen), ANOM-014 Dokumenten- und Lebenderkennungsprüfungen, VIS-017 Kameras für kassenlosen Handel.
• Kombination: VIS-027 Inhaltsmoderation (was altersgeschützt wird), VIS-008 Personenzählung (anonyme Auswertung an denselben Kameras, getrennter Zweck) und VIS-030 Anonymisierung von aufbewahrtem Videomaterial.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für die SDK-Integration; die Preise gelten meist pro Prüfung (nach Volumen gestaffelt).
• Weg B: 1-3 Monate, um Regelwerk, Rückfall und Token-Schichten um einen Anbieter herum zu bauen.
• Weg C: 3-6 Monate, überwiegend für Härtung der Lebenderkennung, Evaluation und DSFA; geringe Hardwarekosten.
• Kostentreiber: Gebühren pro Prüfung, Rückfall-Ausweisprüfungen, Kiosk-Hardware, Verzerrungstests, Unterstützung bei Einsprüchen.
• Kennzahlen: Falschakzeptanzrate (durchgelassene Minderjährige) und Falschabweisungsrate im Schwellenbereich, Rückfallquote, Abbruchquote im Vergleich zum Ausweis-Upload, Zeit pro Prüfung, Anteil erkannter Angriffe, Freigabequote durch das Personal, Beschwerden.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Fachbereichsleitung (Handel, Plattform oder Compliance), um die gesetzlichen Altersgrenzen festzulegen und die Restfehlerquote zu akzeptieren. Binden Sie die IT früh für Kamera-, Kiosk- und Kassenintegration ein, ebenso die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und Recht/Compliance vor jedem Pilotbetrieb: Gesichtsbilder sind biometrienahe Daten, führen Sie also eine DSFA (Art. 35 DSGVO) durch, schließen Sie mit dem Anbieter einen AVV (Art. 28 DSGVO) und veröffentlichen Sie eine klare Kundeninformation.

Betriebsrat: kommt darauf an. Reine Kundenprüfungen überwachen in der Regel keine Beschäftigten; Kassenkameras, die auch Kassierende erfassen, oder Protokolle, aus denen hervorgeht, welche Mitarbeitenden welche Prüfung bearbeitet haben, können jedoch der Mitbestimmung unterliegen (§ 87 Abs. 1 Nr. 6 BetrVG, wobei die objektive Eignung zur Überwachung genügt). Informieren Sie den Betriebsrat rechtzeitig (§ 90 Abs. 1 Nr. 3 BetrVG) und vereinbaren Sie, dass keine Leistungsbewertung der Beschäftigten abgeleitet wird. Öffentliche Stellen beteiligen den Personalrat.

KI-Kompetenz: Unterstützen Sie das Personal mit einer kurzen Schulung dazu, was die Schätzung bedeutet, wie der Puffer wirkt und wie der manuelle Rückfall abläuft (Art. 4 KI-Verordnung). Kommunizieren Sie Kundinnen und Kunden offen, dass keine Identifizierung stattfindet. Starten Sie den Pilot in einer Filiale, an einem Kiosk oder in einem Web-Ablauf und behalten Sie den Menschen in der Kontrolle: Das Personal kann jederzeit übersteuern und einen Ausweis verlangen, und Kundinnen und Kunden müssen eine nicht-biometrische Alternative haben.

Leitfäden: GUIDE-005, GUIDE-004, GUIDE-006.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt vom Aufbau ab. Altersschätzung ist selbst nicht in Anhang III aufgeführt und keine „biometrische Fernidentifizierung“. Sie kann als biometrische Kategorisierung gelten (Art. 3 Nr. 40), doch nur die Ableitung der sensiblen Merkmale nach Art. 5 Abs. 1 Buchst. g (Rasse, politische Meinung usw.) ist verboten, und das Alter gehört nicht dazu; die Ableitung von Emotionen aus Gesichtern am Arbeitsplatz oder in der Schule ist verboten (Art. 5 Abs. 1 Buchst. f) und darf nicht ergänzt werden. Nutzen Sie die Schätzung nicht zur Ableitung anderer Merkmale. Transparenzpflichten können gelten (Art. 50 Abs. 3), wenn biometrische Kategorisierung eingesetzt wird; holen Sie eine rechtliche Prüfung ein und behandeln Sie typische Einsätze als begrenztes oder minimales Risiko [7].
• DSGVO: Ein Gesichtsbild ist ein personenbezogenes Datum; ob es „biometrische Daten“ nach Art. 9 sind, hängt davon ab, ob es zur eindeutigen Identifizierung verarbeitet wird; Anbieter verneinen das, doch eine DSFA ist ratsam. Nutzen Sie ausdrückliche Einwilligung oder berechtigtes Interesse mit einer nicht-biometrischen Alternative; Datenminimierung: auf dem Gerät verarbeiten, sofort löschen, keine Vorlage, keine Weiterverwendung für Training ohne Einwilligung. Kinderdaten erfordern besondere Sorgfalt nach Art. 8 und Erwägungsgrund 38.
• DSA / Branchenrecht: Art. 28 DSA und Leitlinien der Kommission (verhältnismäßige, genaue, zuverlässige, robuste, nicht aufdringliche und nicht diskriminierende Altersverifikation); deutsches JuSchG/JMStV mit KJM-Genehmigung; britischer Online Safety Act; nationale Gesetze zum Verkauf von Alkohol und Tabak (Deutschland: JuSchG, 18+ für Spirituosen, 16+ für Bier/Wein).
• Risiken: Diskriminierung (ungleiche Fehler), falsches Sicherheitsgefühl, Angriffe, schleichende Zweckausweitung auf Identifizierung oder Marketing, eingeschränkter Zugang für Menschen ohne Kamera. Gegenmaßnahmen: gleichwertige Alternativen, Verzerrungsprüfungen, Verarbeitung auf dem Gerät, kurze Aufbewahrung, Schulung des Personals, veröffentlichte Genauigkeit.

Erste Schritte

1. Gesetzliche Schwellen je Produkt oder Dienst und die Risikobereitschaft (Puffer, Rückfallquote) festlegen.
2. Eine DSFA durchführen und die Rechtsgrundlage bestimmen, einschließlich eines nicht-biometrischen Alternativwegs.
3. 2-3 Anbieter mit unabhängigen Testergebnissen vorauswählen; Fehlerraten in Ihrem Schwellenbereich anfordern.
4. In einer Filiale oder einem Ablauf pilotieren, Falschakzeptanzen mit einer vom Personal geprüften Stichprobe vergleichen, Abbrüche verfolgen.
5. Den Weg über die EU-Blaupause oder EUDI-Wallet als Rückfall ergänzen und die Richtlinie zweimal jährlich überprüfen.

Quellen

1. European Commission - Guidelines on the protection of minors online under the DSA - https://digital-strategy.ec.europa.eu/en/policies/guidelines-protection-minors
2. European Commission - EU age verification blueprint - https://digital-strategy.ec.europa.eu/en/policies/eu-age-verification
3. Ofcom - Age assurance guidance under the Online Safety Act - https://www.ofcom.org.uk/online-safety/protecting-children/age-assurance
4. Yoti - Facial age estimation - https://www.yoti.com/business/facial-age-estimation/
5. NIST - Face Analysis Technology Evaluation (FATE) Age Estimation & Verification - https://pages.nist.gov/frvt/html/frvt_age_estimation.html
6. ISO/IEC 27566-1:2025 Age assurance systems - https://www.iso.org/standard/88143.html
7. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. MiVOLO age and gender estimation - https://github.com/WildChlamydia/MiVOLO
9. EU Digital Identity Wallet age verification reference implementation - https://github.com/eu-digital-identity-wallet