Künstliche Intelligenz (KI)

Gemeint ist Software, die Aufgaben übernimmt, für die bisher menschliches Urteil nötig war: Sprache verstehen, Bilder auswerten, Texte entwerfen, Muster in Zahlen erkennen. Der Unterschied zu gewöhnlicher Software liegt im Weg zum Ergebnis. Ein klassisches Programm führt Regeln aus, die ein Mensch Schritt für Schritt festgelegt hat. Ein KI-System leitet selbst ab, wie es aus einer Eingabe eine Ausgabe macht, meistens, weil es dieses Vorgehen vorher aus vielen Beispielen gelernt hat.

KI ist ein Fachgebiet der Informatik und zugleich ein Sammelbegriff. Darunter fallen Machine Learning, Deep Learning und generative KI, aber auch ältere wissensbasierte Verfahren, in denen Fachleute ihr Wissen als Regeln und Fakten hinterlegt haben. Alle heute eingesetzten Systeme sind auf abgegrenzte Aufgaben zugeschnitten. Fachleute sprechen von enger oder schwacher KI. Eine allgemeine KI, die wie ein Mensch beliebige Aufgaben lernt und löst, gibt es bisher nicht; ob und wann sie kommt, ist in der Forschung umstritten (Stand November 2026).

Für Unternehmen ist KI seit der europäischen KI-Verordnung (AI Act) auch ein Rechtsbegriff. Ob eine Software als KI-System gilt, entscheidet mit darüber, welche Pflichten beim Einsatz gelten. Es entscheidet auch, ob ein Anbieter „KI“ zu Recht auf sein Produkt schreibt. Wer KI einkauft, sollte deshalb wissen, welche Form von KI hinter einem Werkzeug steckt.

Die Definition im AI Act.

Die Verordnung (EU) 2024/1689 definiert in Artikel 3 Nummer 1 ein KI-System als „ein maschinengestütztes System, das für einen in unterschiedlichem Grade autonomen Betrieb ausgelegt ist und das nach seiner Betriebsaufnahme anpassungsfähig sein kann und das aus den erhaltenen Eingaben für explizite oder implizite Ziele ableitet, wie Ausgaben wie etwa Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erstellt werden, die physische oder virtuelle Umgebungen beeinflussen können“. Die Änderungsverordnung (EU) 2026/1744 hat Artikel 3 ergänzt, diese Nummer aber unverändert gelassen.

Die EU-Kommission hat am 6. Februar 2025 Leitlinien zu dieser Definition veröffentlicht. Sie zerlegen sie in sieben Merkmale: maschinengestützt, in unterschiedlichem Grad autonom, möglicherweise anpassungsfähig, auf Ziele ausgerichtet, ableitend, mit Ausgaben wie Vorhersagen oder Inhalten und mit Wirkung auf eine Umgebung.

Das tragende Merkmal ist die Fähigkeit, abzuleiten. Erwägungsgrund 12 nennt dafür zwei Gruppen von Verfahren: Machine Learning, das aus Daten lernt, und logik- und wissensbasierte Ansätze, die aus hinterlegtem Wissen Schlüsse ziehen. Ausgenommen sind Systeme, die nur von Menschen festgelegte Regeln automatisch ausführen. Die Leitlinien sind nicht verbindlich; die maßgebliche Auslegung liegt beim Europäischen Gerichtshof.

Was nicht als KI gilt.

Die Leitlinien der Kommission nennen mehrere Gruppen von Software, die zwar rechnen oder sogar in engem Rahmen ableiten, aber nicht unter die Definition fallen. Dazu gehört einfache Datenverarbeitung: eine Datenbankabfrage wie „alle Kunden, die im letzten Monat Produkt X gekauft haben“ oder eine Tabellenkalkulation ohne KI-Funktion. Ebenso ausgenommen sind Auswertungen, die Daten nur beschreiben und darstellen, etwa ein Verkaufsdashboard mit Summen, Durchschnitten und Trends.

Weitere Gruppen sind klassische Heuristiken, also Problemlösungen nach festen Erfahrungsregeln. Die Leitlinien nennen als Beispiel ein Schachprogramm, das Stellungen mit einer festen Bewertungsfunktion durchrechnet, ohne aus Daten gelernt zu haben. Dazu kommen einfache Vorhersagen, die nur einen Mittelwert fortschreiben, und Systeme, die bewährte mathematische Optimierungsverfahren beschleunigen.

Für die Praxis heißt das: Ein Produkt mit dem Etikett „KI“ ist nicht automatisch ein KI-System, und viele „intelligente“ Funktionen sind gut gebaute Regelwerke. Das ist kein Qualitätsmangel. Es wird erst zum Problem, wenn ein Anbieter mehr verspricht, als die Technik leistet. Für diesen Fall hat sich der Begriff AI Washing eingebürgert. Grenzfälle lassen sich nur am konkreten System entscheiden, die Leitlinien geben dafür Beispiele, keine abschließende Liste.

Eine kurze Geschichte der KI.

Alan Turing stellte 1950 in seinem Aufsatz „Computing Machinery and Intelligence“ die Frage, ob Maschinen denken können. Der Begriff selbst stammt aus einem Förderantrag vom 31. August 1955. John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon beantragten darin ein Sommerprojekt zur „artificial intelligence“, das 1956 am Dartmouth College stattfand. Ihre Ausgangsvermutung: Jeder Aspekt des Lernens und jedes andere Merkmal von Intelligenz lasse sich im Prinzip so genau beschreiben, dass eine Maschine ihn nachbilden kann.

1959 verwendete Arthur Samuel von IBM den Begriff Machine Learning für ein Dame-Programm, das durch eigenes Spielen besser wurde. In den 1970er- und 1980er-Jahren prägten Expertensysteme das Feld, in denen Fachwissen als Wenn-dann-Regeln hinterlegt war. Sie waren teuer in der Pflege, und auf überzogene Erwartungen folgten Phasen mit wenig Geld und Interesse, die als KI-Winter bekannt sind.

Den heutigen Schub brachten große Datenmengen und günstige Rechenleistung. 2012 gewann ein tiefes neuronales Netz von Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton den Bilderkennungswettbewerb ImageNet mit deutlichem Abstand. 2017 stellten Forschende von Google die Transformer-Architektur vor, auf der heutige Sprachmodelle beruhen. Mit ChatGPT erreichte generative KI Ende 2022 ein breites Publikum.

Die Formen von KI und wie sie zusammenhängen.

Am einfachsten lässt sich das Feld als ineinander liegende Kreise beschreiben. Der äußere Kreis ist künstliche Intelligenz. Darin liegen zwei große Ansätze: wissensbasierte Systeme, die aus von Menschen hinterlegtem Wissen Schlüsse ziehen, und Machine Learning, bei dem Software ihre Regeln aus Beispieldaten lernt.

Innerhalb von Machine Learning liegt Deep Learning. Es arbeitet mit künstlichen neuronalen Netzen aus vielen Schichten und hat seit etwa 2012 Bild-, Sprach- und Texterkennung stark verbessert. Generative KI ist der Teil, der neue Inhalte erzeugt, etwa Texte, Bilder oder Programmcode; technisch beruht sie heute fast immer auf Deep Learning. Große Sprachmodelle (LLM) sind die Form generativer KI für Text. KI-Agenten wiederum bauen auf Sprachmodellen auf und erledigen mehrschrittige Aufgaben mit Werkzeugen.

Quer dazu liegt die Unterscheidung nach Reichweite. Enge KI löst abgegrenzte Aufgaben. Allgemeine KI (oft AGI genannt) würde beliebige Aufgaben auf menschlichem Niveau lernen und ist bisher ein Forschungsziel. Im Unternehmen hilft die Einordnung bei einer einfachen Frage: Hat die Aufgabe klare, stabile Regeln, reicht oft klassische Software. Gibt es viele Beispiele, aber keine aufschreibbaren Regeln, ist Machine Learning der Weg. Soll ein Text, Bild oder Entwurf entstehen, kommt generative KI infrage.

Was im Betrieb über Erfolg entscheidet.

Ein KI-System ist so gut wie die Daten, mit denen es gelernt hat, und wie die Daten, die es im Betrieb bekommt. Lückenhafte oder veraltete Daten führen zu schlechten Ergebnissen, und historische Daten tragen alte Verzerrungen weiter. Wer etwa ein Modell mit früheren Personalentscheidungen trainiert, übernimmt deren Muster, auch die ungewollten. Datenqualität ist deshalb meist die erste Baustelle, lange vor der Modellwahl.

Die zweite ist die Prüfung. KI arbeitet mit Wahrscheinlichkeiten und liegt deshalb mit einem gewissen Anteil daneben. Bei einer Sortieraufgabe lässt sich dieser Anteil an Testdaten messen. Bei generativer KI klingt auch eine falsche Antwort überzeugend, weshalb Ergebnisse vor der Weitergabe geprüft werden müssen. Die Verantwortung bleibt bei dem Menschen, der ein Ergebnis verwendet.

Die dritte betrifft Kosten und Ordnung. Im laufenden Betrieb kosten Modellaufrufe, Datenpflege, Schulung und Kontrolle oft mehr als die Lizenz. Sinnvoll ist, Kosten je Anwendung zu erfassen und Zugänge und Rechte zu klären, bevor einzelne Werkzeuge in die Fläche gehen. Gemessen wird ein KI-Einsatz am bisherigen Ablauf: Wird er schneller, günstiger oder besser, und um wie viel?

Was der AI Act von Unternehmen verlangt.

Der AI Act ist am 1. August 2024 in Kraft getreten und gilt gestaffelt. Er ordnet Pflichten nach dem Risiko eines Einsatzzwecks, nicht nach der Technik. Seit dem 2. Februar 2025 sind bestimmte Praktiken verboten, etwa Social Scoring, und Artikel 4 verlangt Maßnahmen für die KI-Kompetenz der Beschäftigten. Seit dem 2. August 2025 gelten Pflichten für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck; sie treffen in der Regel die Modellhersteller.

Seit dem 2. August 2026 gilt die Verordnung allgemein, darunter die Transparenzpflichten nach Artikel 50, zum Beispiel für Chatbots und für Deepfakes. Die Änderungsverordnung (EU) 2026/1744 ist seit dem 27. Juli 2026 in Kraft. Sie verschiebt die Pflichten für Hochrisiko-Systeme auf den 2. Dezember 2027, für KI in regulierten Produkten auf den 2. August 2028 (Stand November 2026).

Die meisten Unternehmen sind beim Einsatz eingekaufter KI Betreiber, nicht Anbieter. Für sie zählen vor allem drei Fragen: Fällt ein Werkzeug überhaupt unter die Definition? Gehört der Einsatzzweck zu den Hochrisiko-Bereichen, etwa Bewerberauswahl oder Kreditwürdigkeit? Und welche Transparenzpflichten greifen? Die Datenschutz-Grundverordnung gilt daneben unverändert, sobald personenbezogene Daten verarbeitet werden.

Die Grenze des Begriffs

Künstliche Intelligenz ist ein Oberbegriff und sagt nichts über die Qualität oder den Nutzen eines Systems. Machine Learning, Deep Learning, generative KI und Sprachmodelle sind Teilmengen davon, keine Synonyme. Regelbasierte Automatisierung wie RPA ist für sich genommen keine KI, kann aber KI-Bausteine enthalten. Der Rechtsbegriff „KI-System“ im AI Act ist enger als der Alltagsgebrauch des Wortes KI.