In dem kartierten Netzwerk aus 127 Instagram-Accounts geht nachweisbare Monetarisierung systematisch mit der Verbreitung belegbarer Falschbehauptungen einher. 71 % der Accounts mit hartem Affiliate-Beleg verbreiten mindestens eine dokumentierte Falschbehauptung — gegenüber 24 % ohne erkennbaren Geldfluss. Das ist ein Zusammenhang, keine Kausalität — aber ein deutlicher, und er ist die Grundlage für einen gezielten Monitoring-Ansatz statt Suche im Heuhaufen.
Ausgangspunkt
MoreBusters setzt auf der Claim-Ebene an: Falschbehauptungen erkennen, prüfen, beantworten. Bei der Arbeit an den Claims fiel auf, dass dieselben Ernährungsmythen — und Angriffe auf evidenzbasierte Anbieter — wiederholt aus einem erkennbaren Umfeld kamen: Accounts, die alternative Gesundheitsprodukte verkaufen oder bewerben. Daraus entstand die Arbeitshypothese dieser Exploration:
Ernährungs-Desinformation im deutschsprachigen Instagram ist zu einem relevanten Teil ökonomisch incentiviert — sie fungiert als Verkaufs-Setup für eigene Produkte, Affiliate-Provisionen und Coaching-Funnels. Arbeitshypothese, nicht Vorverurteilung — die Gegenrichtung (Reichweite durch Schwurbel → Monetarisierungsangebote) ist mit denselben Daten vereinbar, siehe Limitationen.
Die Hypothese ist anschlussfähig an die Literatur: Capocasa et al. (Clin Nutr ESPEN 2026;72:102947) benennen kommerzielle Interessen als zentralen Treiber von Ernährungs-Desinformation — bleiben aber auf der Ebene der Inhalte. Welche Akteure und Netzwerke dahinterstehen, ist die offene Lücke. Genau dort setzt diese Exploration an.
Wie wir das gemessen haben
Ausgehend von 12 manuell kuratierten Seed-Accounts wurde das Netzwerk über Instagrams „ähnliche Profile", Bio-Erwähnungen und gemeinsame Shop-Verlinkungen expandiert. Für jeden Account wurden die reichweitenstärksten Videos transkribiert und die Inhalte durch eine mehrstufige LLM-Pipeline geprüft:
→ Transkription (Whisper, 539 Videos / 661 Min. Audio)
→ Claim-Extraktion (Haiku, 1 Agent je Account, wörtliches Zitat als Beleg-Pflicht)
→ Antisemitismus-Verify (Sonnet, 2 unabhängige Prüfperspektiven, Label nur bei 2/2-Konsens)
→ Dedup je Themenfeld (Sonnet: 252 Instanzen → 227 kanonische Claims)
→ Index + Graph (DuckDB: Schwurbel-Score, Kantentypen, Tier-Einstufung)
Konservative Label-Vergabe
Die teuerste Fehlerklasse ist der False Positive — jemanden zu Unrecht als Desinformanten oder gar Antisemiten zu führen. Deshalb gilt durchgehend: Jeder Claim braucht ein wörtliches Zitat als Beleg. Wissenschaftlich haltbare Aussagen und gewöhnliches Fitness-Marketing sind explizit kein Claim. Antisemitismus-Flags werden nur bestätigt, wenn zwei unabhängige Prüf-Agents mit unterschiedlichen Analyse-Perspektiven übereinstimmen — von 21 automatisch geflaggten Fällen überlebten diese Prüfung genau 2. Grenzfälle bleiben als solche markiert und werden nicht mitgezählt.
Monetarisierungs-Erhebung in zwei Iterationen
Die erste Erhebung erfasste nur Link-Tracking (Partner-Parameter wie sca_ref) und Rabattcodes. Ein Validierungsversuch deckte auf, dass die so gebildete Vergleichsgruppe kontaminiert war: Eine Tiefenprüfung aller 95 „Nicht-Affiliate"-Accounts (Transkript-Analyse plus gerendertes Verfolgen der Bio-Links) fand bei 82 % doch Monetarisierung — Eigenprodukte, Bücher, Coachings, MLM-Strukturen — sowie 9 zuvor übersehene harte Tracking-Belege. Die folgende Analyse beruht auf dem korrigierten Datenstand.
Der Monetarisierungs-Gradient
Gruppiert man die 127 Accounts nach der Härte des Monetarisierungs-Belegs, zeigt sich ein monotoner Zusammenhang mit der Verbreitung belegbarer Falschbehauptungen:
Die haltbare Formulierung: Nachweisbare Monetarisierung und Desinformations-Output gehen in diesem Netzwerk systematisch zusammen. Je härter der Geldfluss-Beleg, desto wahrscheinlicher verbreitet ein Account dokumentierbare Falschbehauptungen.
Zwei Einzelbefunde illustrieren die Struktur dahinter: Der Shop nature-heart.de ist mit 20 verlinkten Accounts (davon mehrere mit persönlicher sca_ref-Partner-ID) der zentrale Monetarisierungs-Hub des Netzwerks. Und identische kanonische Claims tauchen bei mehreren, formal unverbundenen Accounts auf — im Graphen als Shared-Narrative-Kanten sichtbar, der Wirkmechanismus (Illusory-Truth-Effekt) ist in der Literatur beschrieben.
Aufschlussreich ist der Vergleich der Kantenschichten im interaktiven Graphen: Instagrams „ähnliche Profile" — zugleich unser Discovery-Mechanismus, also erwartbar dicht — zeichnen einen kompakten Klüngel. Blendet man sie aus, bleibt die unabhängig erhobene Geld-Schicht übrig, und die hat eine eigene, andere Struktur: Hub-and-Spoke-Ringe um einzelne Shops, ein wirtschaftlich mehrfach verflochtener Kern, und am Rand Accounts mit genau einer Shop-Verbindung. Die ökonomische Struktur der Szene ist kein Abbild ihrer Ähnlichkeits-Struktur — sie trägt eigene Information.
Was diese Studie nicht kann
Diese Exploration ist eine Hypothesen-generierende Kartierung, keine konfirmatorische Studie. Die Grenzen im Einzelnen:
- Selektions-Bias im Sampling. Das Netzwerk wurde über kuratierte Schwurbel-Seeds expandiert — es ist kein Zufallssample deutschsprachiger Gesundheits-Accounts. Der Gradient gilt innerhalb dieses Netzwerks; Basisraten außerhalb sind daraus nicht ableitbar.
- Korrelation, nicht Kausalität. Ob Monetarisierung Desinformation incentiviert oder Desinformations-Reichweite Monetarisierungsangebote anzieht (oder beides zirkulär), ist mit diesem Querschnitt nicht entscheidbar. Dafür bräuchte es Längsschnittdaten.
- LLM-Extraktion ohne formale Evaluation. Die Claim-Extraktion erzwingt wörtliche Belegzitate und die sensibelste Kategorie ist doppelt verifiziert — aber Precision/Recall auf einem handgelabelten Sample stehen noch aus. Ein bekannter Miss (eine übersehene Aussage, die erst durch menschliches Review auffiel) zeigt, dass der Recall nicht vollständig ist.
- Themen-Cluster sind stance-blind. Die Embedding-Karte gruppiert nach Thema und Duktus, nicht nach Wahrheitsgehalt — ein Video, das eine Verschwörungserzählung entlarvt, liegt neben einem, das sie verbreitet. Bewertungen kommen ausschließlich aus der Claim-Pipeline.
- Monetarisierungs-Klassifikation im Einzeldurchlauf. Die Tiefenprüfung (Stufe 2) beruht auf je einem Agent-Durchlauf pro Account; schwache Signale (z. B. generische UTM-Parameter) wurden für die Tier-Einstufung bewusst nicht gezählt, eine Zweitprüfung strittiger Fälle steht aus.
- Momentaufnahme. Alle Daten stammen aus einem Scrape-Fenster (Juli 2026). Drift — Accounts, die sich radikalisieren oder deradikalisieren — ist erst mit wiederholten Erhebungen messbar.
Implikationen für MoreBusters
Für den Produktansatz ändert die Netzwerk-Ebene die Ökonomie des Monitorings grundlegend: Statt den gesamten Plattform-Feed nach Falschbehauptungen zu durchsuchen (Needle in Haystack), lässt sich ein kartiertes Netzwerk gezielt beobachten — priorisiert nach Tier (Härte des Geldfluss-Belegs) und Schwurbel-Score.
Die beiden Ebenen greifen ineinander: MoreBusters beantwortet Claims, die Akteurs-Landkarte sagt, wessen Claims am wahrscheinlichsten relevant werden — weil ökonomisch incentivierte Accounts nachweislich häufiger und breiter Falschbehauptungen produzieren. Neue Accounts, neue Videos und neue Hops lassen sich mit derselben Pipeline inkrementell einarbeiten; der naheliegende Ausbau (siehe Limitationen) ist die Zeitachse: wiederholte Scrapes, Drift-Detection, Frühwarnung bei Eskalation.
Wie es dazu kam
Nachdem ich euch den „Pflichtteil" eingereicht habe, hat mein Kopf nicht aufgehört zu rattern. Ich wollte herausfinden, wie die Strukturen hinter den Accounts organisiert sind. Dabei ist meines Erachtens nicht nur eine interessante Hypothese herausgefallen, sondern auch ein System, wie man MoreBusters gezielt mit neuen Review-Kandidaten füttern kann, ohne dabei blind nach Keywords zu suchen.