Begriffsklärung KI, ML, DL, GenAI – Taxonomie & Abgrenzung

Lernziele

• Sie können die vier Begriffe Künstliche Intelligenz (KI), Machine Learning (ML), Deep Learning (DL) und Generative KI (GenAI) korrekt definieren und voneinander abgrenzen.
• Sie ordnen die vier Begriffe in eine hierarchische Beziehung ein und visualisieren diese korrekt als verschachtelte Menge.
• Sie benennen für jeden Begriff mindestens einen konkreten Anwendungsfall aus dem Unternehmensalltag.
• Sie unterscheiden KI-Systeme von verwandten Technologien wie RPA, Business Intelligence und regelbasierter Automatisierung.
• Sie kennen die rechtliche KI-Definition gemäß EU AI Act Art. 3 Nr. 1 und können sie in eigenen Worten erklären.
• Sie bewerten für ein gegebenes Szenario, ob es sich um ein KI-System im Sinne des EU AI Act handelt.

Auf einen Blick

Worum geht es? — Der didaktische Einstieg

Stellen Sie sich vor, ein Gesprächspartner sagt: „Wir wollen KI einsetzen.” Was meint er damit? Geht es um einen Chatbot, eine Bilderkennungslösung für die Qualitätssicherung oder ein Vorhersagemodell für den Vertrieb? Alle drei Anfragen landen heute unter dem Begriff „KI” — und genau darin liegt das erste praktische Problem.

In Meetings, in Ausschreibungsunterlagen und in Fachpublikationen werden die Begriffe Künstliche Intelligenz, Machine Learning, Deep Learning und Generative KI häufig synonym oder zumindest unscharf verwendet. Das führt zu Missverständnissen, falschen Erwartungen und am Ende zu Projekten, die nicht das liefern, was gebraucht wird.

Diese erste Unterrichtseinheit legt das begriffliche Fundament für alle folgenden 119 Einheiten. Sie werden nach dieser Stunde in der Lage sein, im Gespräch präzise nachzufragen: „Welche Art von KI-System meinen Sie?” — und fundiert zwischen den Begriffswelten zu navigieren. Das ist keine akademische Fingerübung, sondern eine direkt verwertbare Arbeitskompetenz.

Gleichzeitig lernen Sie, warum KI-Systeme in Europa einer spezifischen Legaldefinition unterliegen — nämlich derjenigen des EU AI Act — und was das für Organisationen bedeutet, die KI sowohl intern einsetzen als auch gegenüber Kunden oder Partnern empfehlen.

Lerntext — Theorie und Konzepte

KI als Oberbegriff: Was die EU darunter versteht

Der Begriff Künstliche Intelligenz bezeichnet jede Computertechnologie, die Aufgaben ausführt, für die bislang menschliche Intelligenz erforderlich war. Diese umgangssprachliche Definition ist jedoch zu unscharf für den Rechtskontext. Der EU AI Act (Verordnung (EU) 2024/1689) definiert in Art. 3 Nr. 1 ein KI-System als „maschinenbasiertes System, das für einen oder mehrere explizite oder implizite Zwecke konzipiert ist und das, ausgehend von den Eingaben, die es erhält, Ausgaben wie Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte erzeugen kann, die reale oder virtuelle Umgebungen beeinflussen.”

Diese Definition ist bewusst technologieneutral gehalten — sie erfasst heutige wie zukünftige KI-Systeme. Für jeden Berater, Entwickler oder IT-Verantwortlichen ist sie aus zwei Gründen relevant: Erstens bestimmt sie, welche Systeme überhaupt unter das Regulierungsregime des AI Act fallen. Zweitens bildet sie die Grundlage für die Kommunikation im Kundengespräch, wenn die Frage entsteht, ob eine geplante Lösung „KI” im Sinne des Gesetzes ist.

Wichtig ist die Abgrenzung zu einfacher Software: Ein regelbasiertes System, das prüft „Wenn Rechnungsbetrag > 10.000 €, dann eskalieren”, ist kein KI-System im Sinne des AI Act — es lernt nicht, es erzeugt keine Vorhersagen, es folgt explizit programmierten Regeln. Ein System hingegen, das aus historischen Rechnungsdaten lernt, welche Beträge ungewöhnlich sind und dann eine Empfehlung zur Eskalation ableitet, fällt unter die Definition.

Merksatz

KI im Sinne des EU AI Act erzeugt Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte auf Basis von Daten. Regelbasierte Systeme, die keine Lernkomponente besitzen, fallen nicht darunter — auch wenn sie als „KI” vermarktet werden.

Machine Learning: Lernen aus Daten

Machine Learning (ML) ist die erste und wichtigste Teilmenge der KI. Der Kern von ML: Das System lernt aus Daten, ohne dass jede Regel explizit programmiert werden muss. Statt IF Spam-Wort IN Betreff THEN Spam lernt ein ML-Modell aus Tausenden von Beispiel-E-Mails, welche Muster auf Spam hindeuten — und generalisiert dieses Wissen auf neue, ungesehene Mails.

Der Unterschied zu klassischer Software ist fundamental. Klassische Software ist eine explizite Abbildung von Regeln in Code. ML ist eine implizite Abbildung von Mustern in Modellgewichten, die aus Daten extrahiert wurden. Das macht ML deutlich flexibler — aber auch schwerer zu erklären und zu debuggen.

Typische ML-Anwendungen im Unternehmenskontext: Spam-Filter, Anomalieerkennung in Netzwerktraffic, Kreditscoring, Vorhersage von Projektlaufzeiten auf Basis historischer Daten, Kundensegmentierung. In all diesen Fällen wäre regelbasierte Programmierung entweder unmöglich (zu viele Variablen) oder prohibitiv aufwändig in der Wartung.

Historisch gesehen entwickelte sich ML aus der Statistik und der Mustererkennung der 1950er bis 1980er Jahre. Der Begriff wurde 1959 von Arthur Samuel geprägt, der an Schachprogrammen arbeitete. Erst mit der Verfügbarkeit großer Datensätze in den 2000er Jahren und preiswerterer Rechenleistung wurde ML zur dominierenden Methode in der angewandten KI.

Deep Learning: Neuronale Netze mit Tiefe

Deep Learning (DL) ist eine Teilmenge des Machine Learning, die auf künstlichen neuronalen Netzen mit vielen Schichten (englisch: Layers) basiert. Der Begriff „deep” bezieht sich auf die Tiefe dieser Netzwerke — moderne Modelle können Hunderte von Schichten haben.

Der Durchbruch von Deep Learning kam 2012, als das Modell AlexNet beim ImageNet-Wettbewerb eine Fehlerrate von 15,3 % erzielte — gegenüber 26,2 % des besten nicht-DL-Ansatzes. Dieser Sprung war möglich, weil drei Faktoren gleichzeitig konvergierten: große Trainingsdatensätze, leistungsstarke GPUs (Graphics Processing Units) und verbesserte Trainingsalgorithmen.

Deep Learning ermöglicht Aufgaben, die mit klassischem ML kaum lösbar waren: Bilderkennung auf menschlichem Niveau, Sprach- und Textverständnis, Übersetzungen zwischen Sprachen. Es ist die technologische Basis für alle modernen Sprachmodelle, Bildgenerierungssysteme und Sprachassistenten.

Die biologische Analogie zum menschlichen Gehirn — daher der Begriff „neuronales Netz” — ist allerdings mit Vorsicht zu genießen. Künstliche neuronale Netze modellieren nur sehr vereinfacht die Funktionsweise biologischer Neuronen; die Parallelen betreffen eher die schematische Struktur der Informationsübertragung als die neurowissenschaftliche Realität.

Generative KI: Inhalte erzeugen statt klassifizieren

Generative KI (GenAI) ist eine Teilmenge des Deep Learning. Der entscheidende Unterschied zu früheren KI-Systemen liegt nicht im „Verstehen”, sondern im „Erzeugen”: Generative Modelle produzieren neue Inhalte — Texte, Bilder, Audio, Video, Code — die so nicht in den Trainingsdaten vorhanden waren.

Die klassische Unterscheidung in der KI-Forschung ist die zwischen diskriminativen und generativen Modellen. Ein diskriminatives Modell (z. B. ein Spam-Klassifikator) entscheidet, zu welcher Kategorie ein Eingabedatum gehört. Ein generatives Modell (z. B. ein Large Language Model) erzeugt neue Daten, die der Verteilung der Trainingsdaten entsprechen.

Die sogenannten Foundation Models — GPT-Modelle (OpenAI), Claude (Anthropic), Gemini (Google) — sind großskalige generative Modelle, die auf enormen Textmengen trainiert wurden und dann für viele verschiedene Aufgaben eingesetzt werden können. Sie sind „foundation” (Fundament), weil darauf aufbauend spezialisierte Modelle für bestimmte Domänen entwickelt werden können.

Merksatz

KI ⊃ ML ⊃ DL ⊃ GenAI: Jeder Begriff ist Teilmenge des nächstgrößeren. Generative KI erzeugt neue Inhalte; diskriminative KI klassifiziert bestehende Daten. Foundation Models wie GPT, Claude und Gemini sind die Basis der meisten GenAI-Anwendungen.

Abgrenzung zu verwandten Begriffen

In der Praxis werden drei weitere Begriffe oft mit KI gleichgesetzt, obwohl sie konzeptionell verschieden sind:

Robotic Process Automation (RPA): RPA-Software imitiert menschliche Interaktion mit digitalen Oberflächen — Klicks, Dateneingabe, Formulare ausfüllen. RPA ist regelbasiert und nicht lernend. Es handelt sich um Automatisierung, nicht um KI im Sinne des EU AI Act. Allerdings entstehen zunehmend Hybridlösungen, bei denen RPA und KI kombiniert werden (z. B. RPA für strukturierte Schritte, KI für unstrukturierte Dokumente).

Business Intelligence (BI): BI-Systeme analysieren und visualisieren vorhandene Daten — Dashboards, Reports, OLAP-Würfel. BI erzeugt keine Vorhersagen aus Daten, es wertet bestehende Daten aus. Der Übergang zu ML-gestützter prädiktiver Analytik ist fließend — Power BI mit AutoML-Funktion ist ein Beispiel für diese Hybridzone.

Klassische Expertensysteme: Regelbasierte Systeme aus den 1980er Jahren, die menschliches Expertenwissen in IF-THEN-Regeln kodieren. Kein Lernmechanismus, keine statistische Verarbeitung. Historisch relevant (und Thema in UE 2), im heutigen Praxisalltag weitgehend von ML abgelöst.

Abb. 1.1 — Taxonomie KI, ML, DL, GenAI als verschachtelte Hierarchie

Wo ordnen sich bekannte Tools ein?

Um das Konzept zu verankern, lohnt sich ein Blick auf Tools, die aus dem Arbeitsalltag bekannt sind:

• Microsoft Outlook Spam-Filter: Machine Learning (klassisch) — kein Deep Learning, kein generatives Modell.
• GitHub Copilot: Generative KI — ein Large Language Model, das Code vorschlägt.
• Microsoft Copilot in Teams/Word: Generative KI, basierend auf GPT-4-Architektur.
• Power BI AutoML: Machine Learning für prädiktive Analytik.
• Sprach-zu-Text in Teams: Deep Learning (Whisper-ähnliche Architektur).
• Regelbasierter Ticket-Router in Helpdesk-Software: RPA / regelbasierte Automatisierung — kein KI-System im Sinne des EU AI Act.

Diese Einordnung ist praktisch wichtig: Bei Projekten, in denen über KI-Compliance gesprochen wird, muss klar sein, welche Systeme unter den EU AI Act fallen und welche nicht.

Vertiefung — Warum die Taxonomie im Regulierungskontext entscheidend ist

Die EU hat mit dem AI Act (in Kraft getreten August 2024, schrittweise anwendbar bis 2026) erstmals einen umfassenden Rechtsrahmen für KI geschaffen. Das Besondere: Die Pflichten hängen nicht von der Technologie ab, sondern vom Risiko des konkreten Einsatzzwecks. Ein einfaches ML-Modell, das im Hochrisikobereich eingesetzt wird (z. B. automatisierte Kreditvergabe), hat strenge Anforderungen. Ein hochkomplexes Generatives Modell, das für Brainstorming eingesetzt wird, hat geringere Pflichten.

Daraus folgt: Die korrekte taxonomische Einordnung eines Systems ist kein akademisches Hobby, sondern Voraussetzung für die Compliance-Einschätzung. Wer nicht unterscheiden kann, ob ein System ML oder GenAI ist, kann auch nicht beurteilen, welche Dokumentations-, Transparenz- und Überwachungspflichten gelten.

Zudem spielt die Frage der Trainingsart eine Rolle: Systeme, die aus menschlichen Entscheidungen lernen (z. B. Kreditscoring), tragen das Risiko, bestehende Diskriminierungen zu reproduzieren — ein Kern-Anliegen des AI Act in Art. 10 (Anforderungen an Trainingsdaten). Systeme, die rein regelbasiert arbeiten, haben dieses Risiko nicht. Auch aus diesem Grund ist die Abgrenzung zwischen KI und Nicht-KI keine triviale Frage.

Ein weiterer Vertiefungsaspekt: Die Europäische Kommission hat bewusst eine technologieneutrale Definition gewählt, um auch zukünftige Entwicklungen zu erfassen. Das bedeutet, dass neue KI-Architekturen — etwa neuartige Varianten von Foundation Models oder Hybridansätze — grundsätzlich in den Anwendungsbereich fallen, sobald sie Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte erzeugen. Für Praktiker:innen bedeutet das: Die Frage „Ist das KI im Sinne des AI Act?” ist bei neuen Systemen immer neu zu stellen — und die Antwort nicht immer trivial.

Vertiefung II — Wirtschaftliche Wellen der KI: Von der Symbolik der 1950er bis zur GenAI-Ära

Die Geschichte der Künstlichen Intelligenz lässt sich nicht nur als technische Chronologie erzählen, sondern auch als Abfolge wirtschaftlicher Investitionswellen — mit markanten Boom- und Bust-Phasen, die viel darüber aussagen, wie Gesellschaften mit transformativen Technologien umgehen.

Die erste Welle: Symbolische KI und staatliche Förderung (1956–1974)

Die erste wirtschaftliche Investitionswelle in die KI war staatlich getrieben. In den USA floss Risikokapital der DARPA in ambitionierte Forschungsprojekte: maschinelle Übersetzung, Schachcomputer, Expertensysteme. Die Sowjetunion investierte parallel in ähnliche Programme. Die wirtschaftlichen Erwartungen waren damals explizit: KI sollte den Bedarf an hochqualifizierten menschlichen Experten (Ärzte, Dolmetscher, Ingenieure) reduzieren und so enorme Effizienzgewinne erzielen.

Das zentrale Problem: Die Forschung unterschätzte systematisch die Komplexität natürlicher Sprache, visueller Wahrnehmung und logischen Denkens außerhalb eng umrissener Gebiete. Als der ALPAC-Report 1966 nachwies, dass maschinelle Übersetzung teurer und schlechter war als menschliche Übersetzung, war das nicht nur eine wissenschaftliche Blamage — es war ein wirtschaftliches Signal. Die Fördergelder wurden umgelenkt. Der erste KI-Winter hatte eine klare ökonomische Ursache: Die Return-on-Investment-Erwartungen wurden nicht erfüllt.

Die zweite Welle: Expertensysteme und privates Kapital (1980–1987)

In den frühen 1980er Jahren entstand eine neue, diesmal stärker kommerziell getriebene Welle. Expertensysteme — regelbasierte Systeme, die menschliches Fachwissen in IF-THEN-Logik kodierten — galten als Durchbruch. Unternehmen gründeten eigene KI-Abteilungen, Risikokapitalgeber investierten in Start-ups wie Symbolics und Lisp Machines Inc. In Japan startete das ehrgeizige „Fifth Generation Computer Systems”-Programm mit staatlichem Budget von mehreren hundert Millionen Dollar.

Der wirtschaftliche Zusammenbruch von 1987 folgte dem klassischen Muster übertriebener Erwartungen. Die Wartungskosten von Expertensystemen explodierten mit ihrer Komplexität. Kein regelbasiertes System konnte mit dem dynamischen Wandel realer Märkte Schritt halten. Die Aktienkurse von KI-Unternehmen brachen ein, Förderprogramme wurden eingestellt, Forschungsabteilungen abgebaut.

Merksatz

Beide historischen KI-Winter folgten demselben ökonomischen Muster: Staatliches oder privates Kapital floss in Technologien, die kurzfristig vielversprechend wirkten, aber mittelfristige Leistungsversprechen nicht erfüllten. Nicht mangelnder technischer Fortschritt, sondern überzogene Renditeerwartungen in zu kurzen Zeiträumen waren die eigentliche Ursache.

Die dritte Welle: Internetdaten und Machine Learning (2000–2012)

Die Wiedergeburt des Interesses an KI in den 2000er Jahren war weniger dramatisch, aber nachhaltiger. Sie wurde durch drei konvergierende Entwicklungen ermöglicht: die Entstehung massiver digitaler Datensätze durch das Web, sinkende Rechenkosten und verbesserte ML-Algorithmen wie Support Vector Machines, Random Forests und Gradient Boosting. Diese Welle war vorwiegend industriell getrieben — Suchmaschinen, Spam-Filter, Empfehlungssysteme, Kreditscoring. Die wirtschaftlichen Anwendungen waren bescheiden, aber real: Sie lieferten nachweisbaren Nutzen ohne dramatische Überversprechungen.

Die vierte Welle: Deep Learning und Risikokapital (2012–2022)

Mit AlexNet 2012 begann die bislang kapitalintensivste Phase der KI-Geschichte. Risikokapital floss in DeepMind (2014 von Google für 500 Millionen Dollar akquiriert), in OpenAI (gegründet 2015, umstrukturiert 2019 mit erstem Milliarden-Investment von Microsoft), in Anthropic (2021 gegründet von ehemaligen OpenAI-Mitarbeitenden). Die Bewertungen von KI-Unternehmen stiegen in Dimensionen, die an frühere Hype-Phasen erinnerten. Der entscheidende Unterschied: Die wirtschaftlichen Anwendungen existierten bereits vor dem Hype-Peak.

Die fünfte Welle: Foundation Models und Unternehmens-KI (ab 2022)

ChatGPT markiert den Beginn einer Welle, die strukturell anders ist als alle vorherigen. Erstmals ist die Technologie direkt für Millionen von Nutzern ohne technische Vorkenntnisse zugänglich. Die wirtschaftliche Transformation betrifft diesmal nicht nur IT-Unternehmen, sondern jeden wissensintensiven Beruf: Juristen, Unternehmensberater, Mediziner, Kreative, Ingenieure. Für Organisationen stellt sich nicht mehr die Frage, ob KI wirtschaftlich sinnvoll ist, sondern wer die Wertschöpfung aus KI-Anwendungen extrahiert — Anbieter, Integratoren oder die Endunternehmen selbst.

Internationale KI-Investitionsdynamiken im Überblick

Die wirtschaftliche Dimension der aktuellen KI-Welle lässt sich an konkreten Zahlen ablesen. Laut Stanford AI Index 2024 wurden 2023 weltweit rund 95 Milliarden US-Dollar in KI-Unternehmen investiert — ein Rückgang gegenüber dem Rekordjahr 2021 (237 Milliarden), aber strukturell weit über dem Vorkrisenniveau (2019: ca. 37 Milliarden). Die Investitionen konzentrieren sich auf drei geografische Cluster: USA (ca. 67 % aller globalen KI-Investitionen), China (ca. 10 %) und Europa (ca. 8 %). Der europäische Rückstand ist trotz regulatorischer Stärke ein strukturelles Wachstumsrisiko.

Für Unternehmen und Berater ist diese Investitionsdynamik aus zwei Gründen relevant. Erstens signalisieren hohe Investitionen in eine Technologie-Klasse, dass deren Reifegrad und wirtschaftliche Attraktivität von institutionellen Akteuren — Risikokapitalgebern, Corporates, Staatsfonds — als belastbar eingeschätzt werden. Zweitens verändert die Konzentration auf wenige Anbieter die Verhandlungsposition von Unternehmenskunden: Abhängigkeit von einer kleinen Gruppe von Modellanbietern ist ein strategisches Risiko, das durch Open-Source-Strategien und Multi-Vendor-Ansätze gemindert werden kann.

Praxisvertiefung: KI-Definitionen im internationalen Vergleich

Neben der EU-Definition aus dem AI Act existieren weitere international relevante KI-Definitionen, die für global tätige Unternehmen und Berater relevant sind.

OECD-Definition (2019, aktualisiert 2024): Die Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) definiert KI als „maschinenbasiertes System, das für eine gegebene Menge von menschlich definierten Zielen Vorhersagen, Empfehlungen oder Entscheidungen erzeugen kann, die reale und virtuelle Umgebungen beeinflussen.” Diese Definition ist dem EU AI Act inhaltlich ähnlich, aber technologieneutraler formuliert. Sie wurde von 46 Ländern — darunter alle G20-Staaten — anerkannt und bildet die Basis für internationale KI-Governance-Initiativen.

ISO/IEC 22989:2022: Die internationale Normungsorganisation ISO hat mit dieser Norm einen technischen Referenzrahmen für KI-Konzepte und -Terminologie geschaffen. Die Norm definiert über 100 KI-Fachbegriffe — eine wichtige Referenz für technische Dokumentation und Vergabeverfahren.

Warum Definitionen divergieren: Die unterschiedlichen Definitionen spiegeln unterschiedliche Regulierungsziele wider. Die EU AI Act-Definition ist risikoorientiert und auf Compliance ausgelegt. Die OECD-Definition ist innovationsfördernd und international anerkannt. Die ISO-Norm ist technisch präzise und für Normierung ausgelegt. Für Praktiker gilt: In rechtlichen Kontexten (Compliance, Verträge) ist die EU AI Act-Definition maßgeblich; in technischen Ausschreibungen und internationalen Projekten können OECD- oder ISO-Referenzen relevant sein.

Achtung

Die EU AI Act-Definition gilt für alle Systeme, die in der EU eingesetzt werden — unabhängig davon, wo der Anbieter seinen Sitz hat. Auch US-amerikanische oder asiatische Anbieter müssen sich an die EU-Definition halten, wenn ihre Systeme in der EU verwendet werden. Das ist das Marktortprinzip des EU AI Act, analog zur DSGVO.

Branchen-Anwendungen

IT-Dienstleistung & Beratung

In einem IT-Beratungshaus mit 80 Mitarbeitenden wird die Frage nach KI-Einsatz täglich gestellt — und täglich unterschiedlich beantwortet. Ein Berater arbeitet mit einem regelbasierten Ticket-Router im ITSM-System: Tickets werden anhand von Schlüsselwörtern automatisch kategorisiert und an die zuständige Gruppe weitergeleitet. Das ist RPA, kein KI-System im Sinne des EU AI Act. Ein anderer Berater nutzt GitHub Copilot, um Code für kundenspezifische Integrationen zu generieren: Das ist eindeutig Generative KI.

Wenn nun ein Kunde anfragt: „Wir brauchen KI für unser Helpdesk” — ist die erste professionelle Reaktion keine Produktempfehlung, sondern eine Klärungsfrage: Geht es um automatische Ticket-Kategorisierung (klassisches ML, bereits vorhanden), um intelligente Antwortvorschläge (Generative KI, RAG-basiert) oder um vollautomatische Ticketbearbeitung (höheres Risikoniveau, AI-Act-Prüfung nötig)? Die Begriffsklarheit aus dieser UE macht den Unterschied zwischen einer flachen Tool-Empfehlung und einer fundierten Beratungsleistung.

Industrie & Fertigung

Ein Hersteller von Präzisionsbauteilen steht vor der Entscheidung: Soll das neue Qualitätsprüfungssystem mit einem regelbasierten Prüfroutinen-System (Messwert außerhalb Toleranz = Ausschuss) oder mit einem Deep-Learning-Bilderkennungssystem (CNN-Modell erkennt auch subtile Oberflächenfehler) ausgestattet werden? Beide lösen das Problem — aber unterschiedlich und mit unterschiedlichen Compliance-Konsequenzen.

Das regelbasierte System fällt nicht unter den EU AI Act. Das Deep-Learning-System schon. Wenn es in einem sicherheitsrelevanten Fertigungsbereich eingesetzt wird (z. B. Teile für die Automobilindustrie nach IATF 16949), könnte es sogar als Hochrisiko-KI-System einzustufen sein. Diese Unterscheidung hat unmittelbare Folgen für das Projektbudget (Compliance-Dokumentation), die Einführungsdauer und die Betreiberpflichten. Wer die Taxonomie nicht kennt, kann diese Fragen weder stellen noch beantworten.

Finanzdienstleistung & Versicherung

Ein mittelständischer Versicherungsbroker evaluiert drei Angebote zur Automatisierung seiner Schadensmeldungsbearbeitung. Angebot A nutzt Regeln und Templates — kein AI Act-Bezug. Angebot B nutzt ein klassisches ML-Modell, das Schadensfälle automatisch in Kategorien einstuft — AI Act anwendbar, Risikobewertung nötig. Angebot C nutzt ein LLM, das Schadensbeschreibungen liest, Rückfragen formuliert und eine Empfehlung zur Regulierungshöhe generiert — Hochrisiko-Prüfung erforderlich, da es sich um eine Entscheidung mit finanziellen Folgen für Versicherte handelt.

Ohne die taxonomische Grundlage aus dieser UE kann der IT-Verantwortliche beim Versicherungsbroker die drei Angebote nicht sinnvoll differenzieren. Mit ihr ist er in der Lage, bereits im ersten Evaluationsgespräch die richtigen Fragen zu stellen und die Lieferantenverantwortlichkeiten zu klären.

Öffentliche Verwaltung

Eine Kommunalverwaltung plant die Einführung eines KI-Systems zur Unterstützung bei Bürgeranfragen. Der Stadtrat stellt die Frage: „Ist das wirklich KI — und brauchen wir dann eine Datenschutz-Folgenabschätzung und eine AI-Act-Konformitätsprüfung?” Die Antwort hängt davon ab, was das System tut. Wenn es nur FAQs abrufbar macht (kein Lernen, kein Erzeugen) — nein. Wenn es Antworten auf individuelle Anfragen formuliert — ja. Wenn es automatisiert Bearbeitungsprioritäten festlegt — höchstwahrscheinlich Hochrisiko nach Anhang III des AI Act (automatisierte Verwaltungsentscheidungen).

Für kommunale IT-Verantwortliche und Datenschutzbeauftragte ist die Begriffsklarheit aus UE 1 der erste Schritt zu einer rechtskonformen KI-Einführung.

Übung 1 — Begriffslandkarte erstellen

Übung 1 — Begriffslandkarte

Aufgabe: Sie erstellen eine eigene Begriffslandkarte der vier KI-Begriffe und ordnen darin sechs vorgegebene Werkzeuge und Technologien korrekt ein. Ziel ist es, das abstrakte Hierarchiemodell an konkreten Beispielen zu verankern.

Material: Whiteboard oder Papier (alternativ: Miro, draw.io, PowerPoint). Die folgenden sechs Einträge müssen eingeordnet werden: (1) ChatGPT, (2) Microsoft Excel mit Regression-Funktion, (3) Outlook Spam-Filter, (4) GitHub Copilot, (5) Robotic Process Automation (UiPath), (6) Stable Diffusion (Bildgenerierung).

Schritt-für-Schritt: 1. Zeichnen Sie vier konzentrische Kreise oder Rechtecke (wie russische Matrjoschka-Puppen). Beschriften Sie sie von außen nach innen: KI → ML → DL → GenAI. 2. Notieren Sie in der äußersten Zone (KI, aber nicht ML) alle Systeme, die KI-Eigenschaften haben, aber nicht aus Daten lernen. 3. Notieren Sie in der ML-Zone alle lernenden Systeme, die keine neuronalen Netze verwenden. 4. Notieren Sie in der DL-Zone alle Systeme, die Deep Neural Networks verwenden, aber keine neuen Inhalte erzeugen. 5. Notieren Sie in der innersten Zone (GenAI) alle Systeme, die neue Inhalte generieren. 6. Für RPA und BI: Platzieren Sie diese bewusst außerhalb aller Kreise mit einer kurzen Begründung. 7. Diskutieren Sie Ihre Zuordnungen mit einer anderen Person und begründen Sie eventuelle Unterschiede.

Erwartetes Ergebnis: Korrekte Einordnung aller sechs Werkzeuge mit kurzer schriftlicher Begründung je Zuordnung. Mögliche Grenzfälle werden erkannt und begründet.

Musterlösung:

Hinweis zu Microsoft Excel: Die eingebaute Regressionsfunktion im Datenanalyse-Add-in gilt klassisch als statistisches Verfahren, nicht als ML. Moderne „Ideas”-Funktionen in Excel 365 nutzen hingegen tatsächlich ML. Diese Grauzone ist typisch für die Praxis — und ein gutes Argument dafür, immer nachzufragen, wie eine Technologie intern funktioniert.

Übung 2 — Kundendialog: Begriffsklärung in der Beratung

Übung 2 — Begriffsklärung im Dialog

Aufgabe: Sie üben das Handwerk der Begriffsklärung im simulierten Gespräch. Eine anfragende Person formuliert eine unspezifische KI-Anfrage — Sie stellen gezielte Rückfragen, um die Anfrage in die richtige Kategorie einzuordnen und eine fundierte erste Einschätzung zu geben.

Material: Die drei nachfolgenden Szenarien. Bearbeiten Sie alle drei schriftlich (je ca. 100 Wörter) oder mündlich in Zweiergruppen (Rolle: Berater:in und anfragende Person).

Schritt-für-Schritt: 1. Lesen Sie das jeweilige Szenario. 2. Identifizieren Sie, welche KI-Kategorie (ML, DL, GenAI, oder keine KI) wahrscheinlich gemeint ist. 3. Formulieren Sie zwei präzise Rückfragen, die helfen, die Anfrage einzugrenzen. 4. Geben Sie eine vorläufige Einordnung und nennen Sie eine passende Technologiekategorie. 5. Benennen Sie eine potenzielle Compliance-Frage, die Sie im Folgegespräch klären würden.

Szenario A: „Wir möchten KI in unseren Kundensupport einbauen. Die Leute sollen schnellere Antworten bekommen.”

Szenario B: „Unser Qualitätssicherungsteam soll KI nutzen, um Fotos von Produktionsfehlern automatisch zu erkennen.”

Szenario C: „Wir wollen mit KI unsere Verträge prüfen lassen, bevor sie zum Kunden gehen.”

Erwartetes Ergebnis: Für jedes Szenario: korrekte Kategorie, zwei sinnvolle Rückfragen, ein Compliance-Hinweis.

Musterlösung:

Szenario A — Kundensupport: - Wahrscheinliche Kategorie: Generative KI (LLM-basierter Chatbot) oder ML-basiertes Ticket-Routing — abhängig von der gewünschten Funktionalität. - Rückfragen: „Soll das System selbstständig Texte formulieren, oder soll es vorhandene FAQs abrufen und zuordnen?” / „Wie hoch ist das Risiko, wenn das System eine falsche Auskunft gibt?” - Compliance-Hinweis: Wenn das System automatisch Kundenanfragen bearbeitet, könnte es als KI-System im Sinne des EU AI Act eingestuft werden — ggf. Transparenzpflicht gegenüber Kunden (Art. 50 EU AI Act).

Szenario B — Qualitätssicherung Bildanalyse: - Wahrscheinliche Kategorie: Deep Learning (Bildklassifikation, z. B. CNN-basiert) — kein generatives Modell. - Rückfragen: „Soll das System nur klassifizieren (Fehler / kein Fehler) oder auch Fehlertypen benennen?” / „Welche Konsequenzen hat eine fehlerhafte Klassifikation für die Produktion?” - Compliance-Hinweis: Bei sicherheitsrelevanter Qualitätssicherung (z. B. in der Medizin- oder Luftfahrttechnik) könnte das System unter Hochrisiko-Kategorien des EU AI Act fallen.

Szenario C — Vertragsanalyse: - Wahrscheinliche Kategorie: Generative KI (LLM für Dokumentenanalyse und Textgenerierung von Zusammenfassungen und Hinweisen). - Rückfragen: „Soll KI Verträge zusammenfassen und kritische Klauseln markieren — oder soll sie eigene Vertragsformulierungen vorschlagen?” / „Wer ist letztverantwortlich für die Freigabe des Vertrags?” - Compliance-Hinweis: KI-gestützte Vertragsanalyse in Rechtsfragen kann dem EU AI Act Art. 6 (Hochrisiko-Systeme im Rechtsbereich) unterliegen — rechtliche Ersteinschätzung empfohlen.

Erweiterte Übung 3 — KI-Reifegrad-Selbsteinschätzung

Übung 3 — KI-Reifegrad-Selbsteinschätzung

Aufgabe: Sie bewerten den KI-Reifegrad einer realen oder fiktiven Organisation anhand eines strukturierten Rasters und leiten daraus konkrete Entwicklungsschritte ab. Diese Transfer-Aufgabe erfordert die Verknüpfung von Begriffswissen (UE 1), historischem Kontext und strategischer Einschätzung.

Material: Das nachfolgende Reifegrad-Raster (5 Dimensionen, 5 Stufen). Wählen Sie eine Organisation, die Ihnen bekannt ist — eigene Abteilung, Kundenunternehmen oder ein öffentlich bekanntes Beispiel.

Schritt-für-Schritt:

1. Lesen Sie die fünf Dimensionen und Stufenbeschreibungen vollständig durch. Die Dimensionen sind: (A) Datenverfügbarkeit und -qualität, (B) KI-Toolnutzung im Alltag, (C) KI-Kompetenz der Mitarbeitenden, (D) KI-Governance und Compliance, (E) KI-Strategie und Führung.
2. Stufenbeschreibungen (1–5):

• Stufe 1 — Beginn: Kein bewusster KI-Einsatz, keine Datenstrategie, keine KI-Governance.
• Stufe 2 — Pilotieren: Erste Einzelnutzungen (z. B. ChatGPT durch einzelne Mitarbeitende), keine systematische Einführung.
• Stufe 3 — Skalieren: Organisierter KI-Einsatz in mehreren Bereichen, erste Schulungen, erste Governance-Dokumente.
• Stufe 4 — Integrieren: KI in kritischen Geschäftsprozessen, strukturierte Datenpipeline, Compliance-Framework etabliert.
• Stufe 5 — Optimierend: KI-gesteuerte Entscheidungsprozesse, kontinuierliche Verbesserung, Marktführerschaft in KI-Nutzung.

1. Bewerten Sie die gewählte Organisation für jede Dimension und tragen Sie Ihre Bewertungen in eine Tabelle oder Radar-Grafik ein. Welche Dimension zeigt die größte Lücke?
2. Formulieren Sie für die Dimension mit der niedrigsten Reifegradstufe drei konkrete Handlungsempfehlungen mit Zeithorizont (kurzfristig: 0–3 Monate; mittelfristig: 3–12 Monate; langfristig: >12 Monate).
3. Schätzen Sie: Welche Reifegrad-Stufe ist für die Organisation in 18 Monaten realistisch erreichbar, wenn sie konsequent an der Lücke arbeitet?

Erwartetes Ergebnis: Ausgefülltes Reifegrad-Raster mit Begründung, visuelle Darstellung (Tabelle oder Radar-Skizze) und drei konkrete Handlungsempfehlungen mit Zeithorizont.

Musterlösung (Beispiel-Szenario: Mittelständisches Ingenieurbüro, 80 Mitarbeitende):

Analyse: Die größte Lücke liegt in Dimension D (Governance). Ohne Governance-Grundlage kann der KI-Einsatz in den anderen Dimensionen nicht skaliert werden, ohne rechtliche Risiken einzugehen.

Handlungsempfehlungen für Dimension D:

• Kurzfristig (0–3 Monate): KI-Nutzungsrichtlinie erarbeiten und kommunizieren (welche Tools mit welchen Datenklassen erlaubt sind); Datenschutzprüfung und AVV-Prüfung für aktuell genutzte Tools (ChatGPT, GitHub Copilot) durchführen.
• Mittelfristig (3–12 Monate): EU AI Act Compliance-Check für alle eingesetzten Systeme; interne KI-Verantwortliche benennen; erstes KI-Inventar erstellen; Mitarbeitende über Nutzungsregeln schulen.
• Langfristig (>12 Monate): Internes KI-Governance-Handbuch entwickeln; regelmäßige Audits einführen; externe Beratung für Hochrisiko-Anwendungen hinzuziehen.

Realistischer Zielstand in 18 Monaten: Dimension D auf Stufe 3; alle anderen Dimensionen je um eine Stufe verbessert. Gesamtprofil: gleichmäßig auf Stufe 3 mit einzelnen Spitzen bei Tool-Nutzung (Stufe 4).

Cheatsheet — Die wichtigsten Punkte

• KI (Oberbegriff): System, das Aufgaben ausführt, die menschliche Intelligenz erfordern; EU AI Act Art. 3 Nr. 1: erzeugt Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte.
• Machine Learning (ML): Teilmenge KI; lernt aus Daten ohne explizite Programmierung; Beispiele: Spam-Filter, Kreditscoring.
• Deep Learning (DL): Teilmenge ML; neuronale Netze mit vielen Schichten; Beispiele: Spracherkennung, Bildklassifikation.
• Generative KI (GenAI): Teilmenge DL; erzeugt neue Inhalte; Beispiele: ChatGPT, Claude, DALL·E, Copilot.
• RPA: Regelbasierte UI-Automatisierung, kein Lernen — kein KI-System im Sinne des AI Act.
• Business Intelligence: Auswertung bestehender Daten — kein KI-System im Sinne des AI Act.
• Foundation Models (GPT, Claude, Gemini): Basis für die meisten GenAI-Anwendungen.
• EU AI Act Legaldefinition: maßgeblich für Compliance-Einordnung — immer zuerst prüfen.
• Grenzfälle (z. B. Excel AutoML, Hybrid-RPA-KI): Intern klären, wie das System tatsächlich funktioniert.
• Diskriminatives Modell klassifiziert; generatives Modell erzeugt — fundamentaler Unterschied im Risikoprofil.

Prompt-Beispiel: KI-Taxonomie für Nicht-Techniker erklären

Rolle: Sie sind KI-Berater mit Fokus auf verständliche Technologiekommunikation.

Aufgabe: Erklären Sie einem Abteilungsleiter ohne technischen Hintergrund in maximal 150 Wörtern den Unterschied zwischen Machine Learning, Deep Learning und Generativer KI. Verwenden Sie eine Alltagsanalogie.

Kontext: Der Abteilungsleiter leitet eine Buchhaltungsabteilung (40 Personen) und möchte verstehen, welche Technologie sich hinter dem neuen automatischen Belegleseprogramm verbirgt, das ihm die IT-Abteilung vorgestellt hat. Er ist skeptisch gegenüber übermäßigem Fachjargon.

Format: Fließtext, maximal 150 Wörter, eine Alltagsanalogie, kein Fachjargon ohne sofortige Erklärung.

Beispiel-Ergebnis (gekürzt): „Stellen Sie sich Machine Learning wie einen sehr erfahrenen Buchhalter vor, der aus tausenden früherer Belege gelernt hat, welche Muster auf Fehler hinweisen. Deep Learning ist wie dieser Buchhalter mit einer viel größeren Erfahrungsbasis und einem ausgefeilteren Gedächtnis für feine Details. Generative KI geht einen Schritt weiter: Sie kann nicht nur prüfen, sondern selbst Texte formulieren — etwa eine automatische Zusammenfassung des Belegs. Ihr neues Belegleseprogramm nutzt wahrscheinlich Deep Learning für die Texterkennung und möglicherweise Generative KI für die automatische Kategorisierungsempfehlung.”

Vertiefung: Symbolische KI vs. Subsymbolische KI — ein unterschätzter Grundlagenkonflikt

Die Taxonomie KI → ML → DL → GenAI ist für die Praxis ausreichend, verbirgt jedoch einen fundamentalen wissenschaftlichen Konflikt, der die Geschichte der KI-Forschung über Jahrzehnte geprägt hat und heute wieder relevant wird: die Gegenüberstellung von symbolischer und subsymbolischer KI.

Symbolische KI (auch: GOFAI — Good Old-Fashioned AI) arbeitet mit expliziten Wissensrepräsentationen: Konzepten, Regeln, Logikstrukturen, die von Menschen kodiert werden. Expertensysteme der 1980er Jahre waren der Höhepunkt dieses Ansatzes. Ihr Vorteil: Die Entscheidungslogik ist prinzipiell nachvollziehbar, erklärbar und überprüfbar. Ihr Nachteil: Die manuelle Kodierung von Wissen ist nicht skalierbar. Symbolische Systeme scheiterten an der Komplexität realer Domänen.

Subsymbolische KI (der heutige ML/DL-Mainstream) lernt Muster direkt aus Daten, ohne explizite Regelkodierung. Vorteil: Skalierbar, flexibel, performant auf vielen Aufgaben. Nachteil: Die internen Repräsentationen sind für Menschen nicht direkt interpretierbar — das führt zu den bekannten Erklärbarkeits- und Transparenzproblemen, die im EU AI Act (Art. 13: Transparenz) adressiert werden.

Heute entstehen hybride Ansätze, die beide Paradigmen kombinieren: Neuro-Symbolische KI (NSI) versucht, die Stärken beider Welten zu vereinen — die Erlernbarkeit von ML mit der Erklärbarkeit symbolischer Systeme. Für regulierte Branchen (Finanz, Medizin, Verwaltung) sind diese Ansätze strategisch interessant, weil sie Compliance-Anforderungen an Erklärbarkeit leichter erfüllen könnten.

Praktische Konsequenz: Wer KI-Systeme in regulierten Umgebungen einsetzt, sollte nicht nur zwischen ML, DL und GenAI unterscheiden, sondern auch fragen: „Kann dieses System seine Entscheidungen erklären — und auf welcher Ebene?” Diese Frage ist für Hochrisiko-Systeme nach EU AI Act Art. 13 keine akademische Fingerübung, sondern eine Compliance-Anforderung.

Übung 4 — Taxonomie-Anwendung: Systeme aus dem Arbeitsalltag einordnen

Aufgabe: Sie erstellen eine persönliche KI-Inventarliste der digitalen Werkzeuge in Ihrem Arbeitsalltag und ordnen diese nach der Taxonomie aus UE 1 ein. Zusätzlich bewerten Sie jedes identifizierte KI-System aus einer EU AI Act-Perspektive.

Schritt-für-Schritt: 1. Notieren Sie alle digitalen Werkzeuge und Software, die Sie in einer typischen Arbeitswoche einsetzen (Ziel: mindestens 8 Einträge). 2. Markieren Sie für jedes Werkzeug, ob es ein KI-System im Sinne des EU AI Act Art. 3 Nr. 1 ist — ja, nein, oder unklar. 3. Für alle als „ja” oder „unklar” markierten Systeme: Ordnen Sie ein, ob es sich um ML, DL, GenAI oder eine Hybridform handelt. 4. Bewerten Sie: Welches dieser Systeme trifft automatische Entscheidungen mit Konsequenzen für andere Menschen (Kunden, Mitarbeitende, Bürger)? 5. Recherchieren Sie für ein System Ihrer Wahl: Was sagt der Hersteller über die eingesetzte Technologie? Stimmt das mit Ihrer Einordnung überein?

Erwartetes Ergebnis: Ausgefüllte persönliche KI-Inventarliste mit mindestens 8 Einträgen, klare Einordnung und ein schriftlich dokumentierter Recherchefall (ca. 100 Wörter).

Branchen-Vignette: Öffentliche Verwaltung — KI-Taxonomie als Grundlage für rechtskonformes Handeln

Eine Kreisverwaltung mit 1.200 Mitarbeitenden plant die Einführung eines digitalen Assistenten für den Bürger-Service. Die IT-Abteilung präsentiert dem Landrat drei Optionen: (A) Ein Chatbot auf Basis vordefinierter Entscheidungsbäume, (B) ein Machine-Learning-System, das aus historischen Bürgeranfragen lernt und Kategorisierungsvorschläge macht, (C) ein Generative-KI-System, das individuelle Antworten auf Bürgeranfragen formuliert.

Der Datenschutzbeauftragte der Verwaltung muss zu allen drei Optionen eine Ersteinschätzung liefern. Ohne die Taxonomie aus UE 1 wäre das kaum möglich: Option A (regelbasierter Entscheidungsbaum) ist kein KI-System im Sinne des EU AI Act — keine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO für KI-Systeme nötig, allerdings gelten allgemeine Datenschutzpflichten. Option B (ML-Klassifikation) ist ein KI-System — Einstufungscheck nötig: Wenn Bürgeranfragen priorisiert werden und das Konsequenzen für Bearbeitungszeiten hat, könnten Hochrisiko-Kriterien nach Anhang III EU AI Act zutreffen. Option C (GenAI-Antwortgenerierung) ist eindeutig KI — Transparenzpflicht gegenüber Bürgern (Art. 50 EU AI Act: Bürger müssen wissen, wenn sie mit einem KI-System kommunizieren), plus Prüfung des Hochrisiko-Status.

Diese Vignette illustriert: Ohne präzise Taxonomie-Kenntnisse kann eine Verwaltung keine informierte Beschaffungsentscheidung treffen. Die Begriffe aus UE 1 sind das rechtliche Handwerkszeug für jeden, der in öffentlichen Organisationen mit KI-Beschaffung, -Betrieb oder -Kommunikation befasst ist.

Reflexionsfragen

1. Welche Systeme in Ihrem aktuellen Arbeitsalltag würden Sie nach der heutigen Definition als KI einordnen — und welche nicht? Was überrascht Sie an dieser Einordnung?
2. Warum reicht es nicht aus zu sagen „Das ist KI”, wenn jemand nach KI-Lösungen fragt? Was sind die praktischen Konsequenzen einer ungenauen Begriffsverwendung?
3. Der EU AI Act definiert KI anhand des Merkmals „Vorhersagen, Empfehlungen, Entscheidungen oder Inhalte erzeugen”. Ein Taschenrechner erzeugt Ergebnisse — warum ist er kein KI-System?
4. Wie würden Sie einem technisch nicht versierten Gesprächspartner den Unterschied zwischen ML und GenAI in zwei Sätzen erklären?
5. Welche Risiken entstehen, wenn ein Unternehmen RPA fälschlicherweise als KI vermarktet — für den Anbieter und für den Kunden?
6. Warum ist die Unterscheidung zwischen Narrow AI und AGI in strategischen Gesprächen wichtig — und wie erklären Sie sie in einem Satz?

Prompt-Beispiel: Regulatorische Abgrenzung für ein Kundenangebot klären

Rolle: Sie sind KI-Compliance-Berater und unterstützen ein mittelständisches Unternehmen bei der Vorbereitung einer KI-Ausschreibung.

Aufgabe: Analysieren Sie die folgende Produktbeschreibung eines potenziellen KI-Anbieters und bewerten Sie, ob das beschriebene System als KI im Sinne des EU AI Act Art. 3 Nr. 1 einzustufen ist. Begründen Sie Ihre Einschätzung in 3–4 Sätzen.

Produktbeschreibung zur Analyse: „Unser SmartRoute-System optimiert Lieferrouten automatisch basierend auf historischen Verkehrsdaten, aktuellen Straßensperren und Fahrzeugkapazitäten. Das System verwendet proprietäre Algorithmen, die aus vergangenen Lieferungen lernen und Routenvorschläge generieren, die für Disponenten zur finalen Entscheidung vorgelegt werden.”

Kontext: Das Unternehmen plant den Einsatz dieses Systems in der Logistik-Steuerung. Der Datenschutzbeauftragte und der Betriebsrat müssen informiert werden. Beide fragen, ob ein formelles EU AI Act-Compliance-Verfahren eingeleitet werden muss.

Format: Einschätzung (ja/nein/unklar) mit Begründung in 3–4 Sätzen, Verweis auf die relevante Gesetzesnorm, ein Hinweis auf den nächsten praktischen Schritt.

Beispiel-Ergebnis (gekürzt): „Das SmartRoute-System ist mit hoher Wahrscheinlichkeit als KI-System im Sinne des EU AI Act Art. 3 Nr. 1 einzustufen: Es lernt aus historischen Daten und generiert Routenvorschläge — das entspricht der Definition eines Systems, das ‘Ausgaben wie Vorhersagen oder Empfehlungen erzeugt’. Der Einsatz in der Logistiksteuerung ist nach aktuellem Stand nicht als Hochrisiko eingestuft, solange das System nur Vorschläge liefert und die Entscheidung beim Menschen verbleibt. Empfohlener nächster Schritt: Vorläufige Risikoklassifizierung nach Art. 6 und Anhang III EU AI Act durchführen lassen.”

Zusätzliche Reflexionsfragen — Vertiefung

1. Die EU hat mit dem AI Act eine technologieneutrale Definition von KI gewählt. Was sind die Vor- und Nachteile dieses Ansatzes im Vergleich zu einer abschließenden Technologieliste?
2. In welchen Fällen könnte ein Unternehmen strategisch daran interessiert sein, ein System nicht als KI-System einzustufen — und welche Risiken entstehen durch eine fehlerhafte Einstufung?
3. Stellen Sie sich vor, ein kleines Start-up entwickelt ein System, das mithilfe von ML Jobbewerber vorsortiert. Es hat keine eigene Rechtsabteilung. Welche drei konkreten ersten Schritte würden Sie dem Start-up für die EU AI Act-Compliance empfehlen?

Weiterführende Vertiefung: Narrow AI, AGI und ASI — Begriffsklärung für strategische Gespräche

In strategischen Diskussionen über KI tauchen häufig drei Begriffe auf, die im Lerntext bisher nicht explizit behandelt wurden: Narrow AI, AGI und ASI. Für Berater und Führungskräfte ist die Fähigkeit, diese Begriffe klar einzuordnen und zu relativieren, entscheidend.

Narrow AI (Schwache KI): Alle heutigen KI-Systeme — inklusive der leistungsfähigsten Sprachmodelle — sind Narrow AI. Sie sind für spezifische Aufgaben oder Aufgabenklassen optimiert und zeigen außerhalb dieser Domänen keine verallgemeinerbare Intelligenz. Ein Modell, das Texte auf PhD-Niveau verfasst, kann nicht selbstständig ein Taxi bestellen oder eine mechanische Reparatur durchführen. Diese Beschränkung ist keine Schwäche im Sinne von Qualitätsmangel — sie ist eine fundamentale Eigenschaft der zugrundeliegenden Architektur.

AGI (Artificial General Intelligence — Allgemeine Künstliche Intelligenz): AGI bezeichnet eine hypothetische KI, die menschliche kognitive Fähigkeiten in ihrer Breite und Flexibilität erreicht oder übertrifft — also problemlos zwischen vollständig verschiedenen Aufgabentypen wechseln kann, Neues lernen kann, ohne auf spezifische Trainingsdaten angewiesen zu sein, und in unbekannten Situationen sinnvoll handelt. AGI existiert noch nicht. Manche Forscher (u. a. bei OpenAI) prognostizieren AGI innerhalb von Jahrzehnten; andere (u. a. Yann LeCun) halten aktuell vorherrschende Architekturen für prinzipiell unfähig, AGI zu erreichen.

ASI (Artificial Superintelligence — Künstliche Superintelligenz): ASI bezeichnet eine AGI, die menschliche Intelligenz in allen Bereichen weit übersteigt. Dieses Konzept ist gegenwärtig rein spekulativ und für unmittelbare Unternehmensentscheidungen nicht relevant. Es ist jedoch für strategische Risikoabschätzungen und ethische Diskussionen ein wichtiger Bezugspunkt.

Praktische Relevanz: In Kundengesprächen und Führungsgremien werden AGI-Vorhersagen häufig genutzt, um Dringlichkeit zu erzeugen oder Investitionen zu rechtfertigen. Die sachlich fundierte Haltung lautet: Alle aktuellen wirtschaftlich relevanten Entscheidungen betreffen Narrow AI — nicht AGI. AGI-Prognosen sind methodisch unsicher und sollten nicht als Planungsgrundlage für konkrete Projekte dienen. Die Fähigkeit, diese Unterscheidung klar und ohne Arroganz zu kommunizieren, ist ein Zeichen professioneller KI-Kompetenz.

Quellen & Weiterlesen

Trainer-Hinweise

Hinweise für AI Champions — So vermitteln Sie das Thema — UE 1

Timing (45 Min): 5 Min Einstieg mit Mentimeter-Abfrage „Was versteht ihr unter KI?” (Wortwolke), 15 Min Lerntext und Taxonomie-Erklärung, 15 Min Übung 1 (Begriffslandkarte in Kleingruppen), 7 Min Übung 2 (Kundendialog als Rollenspiel oder schriftlich), 3 Min Cheatsheet und Reflexionsfragen.

Methodische Empfehlung: Die Mentimeter-Abfrage zu Beginn ist besonders wertvoll — sie zeigt, wie uneinheitlich das Vorverständnis ist, und macht die Notwendigkeit der Begriffsklärung erlebbar. Falls kein Mentimeter verfügbar: Handzeichen-Abfrage „Wer kennt den Unterschied zwischen ML und DL?” funktioniert ebenfalls.

Häufige Stolpersteine: (a) Teilnehmende verwechseln „KI kann alles” mit „GenAI macht alles” — darauf hinweisen, dass ML-basierte Systeme (Spam-Filter, Scoring) den Alltag bereits länger prägen als GenAI. (b) Die RPA-Abgrenzung wird oft unterschätzt — ein separates Beispiel (z. B. UiPath-Prozess vs. ChatGPT-Antwort) hilft zur Verdeutlichung. (c) Die EU-AI-Act-Definition klingt formal — ein einfaches Beispiel (Kreditscoring-Modell ja / Taschenrechner nein) macht sie greifbar.

Diskussionsfragen für Plenum: (1) „Welches System aus Ihrem Arbeitsalltag hätten Sie vorher als KI bezeichnet, heute aber nicht mehr?” (2) „Warum hat die EU keine Liste von KI-Technologien erstellt, sondern eine abstrakte Definition gewählt?”

Tafelbild-Vorschlag: Vier konzentrische Rechtecke mit den Bezeichnungen KI / ML / DL / GenAI; außen daneben RPA und BI mit einem X. Dazu konkrete Beispiele in je einen Bereich schreiben (Teilnehmende ergänzen während der Übung).

Differenzierung Power-User ↔ Einsteiger: Einsteiger: Fokus auf die Begriffslandkarte (Übung 1), kein tiefes Technologieverständnis nötig. Power-User: Zusatzaufgabe — recherchieren Sie, welche Modellarchitektur hinter Ihrem meistgenutzten KI-Tool steckt (z. B. GPT-4o: Transformer-Decoder; GitHub Copilot: Codex-Architektur).

Materialliste: Laptop oder Tablet pro Teilnehmer:in, Miro-/draw.io-Zugang (alternativ Papier), Beamer für Taxonomie-Grafik, Mentimeter-Vorbereitung.

Tipp zur Branchenauswahl: Die Branchen-Galerie enthält vier Vignetten. Für IT-Dienstleister und Beratungsunternehmen eignet sich Vignette 1 als zentrales Unterrichtsbeispiel — der Kundendialog über KI-Anfragen ist in diesem Umfeld täglich relevant. Für Fertigungsunternehmen ist Vignette 2 (Qualitätssicherung) direkter anschlussfähig. Für Finanzdienstleister wählen Sie Vignette 3. Für öffentliche Verwaltung Vignette 4.

Übergang zur nächsten UE: „Wir wissen jetzt, was KI ist — aber wie ist es entstanden? In UE 2 schauen wir uns die Geschichte dieser Technologie an: Warum gab es zwei KI-Winter, was hat AlexNet verändert — und warum ist heute wirklich etwas anders?”

Selbstlerner-Hinweise — UE 1

Für Selbstlernende ohne Kurs-Kontext:

Lernpfad: Beginnen Sie mit der Begriffslandkarte aus Übung 1 — erstellen Sie sie zunächst aus dem Gedächtnis, dann mit dem Lerntext. Der Vergleich zeigt, welche Konzepte Sie sicher verinnerlicht haben.

Empfohlene Ergänzungsquellen: Der Google Machine Learning Crashkurs (kostenlos, auf Deutsch verfügbar) bietet interaktive Übungen. Die OECD AI Policy Observatory-Website (oecd.ai) bietet regelmäßig aktualisierte Policy-Briefs zu KI-Definitionen.

Praktische Aufgabe: Stellen Sie ChatGPT die Frage: „Erkläre mir, was du bist — ML, Deep Learning oder Generative KI?” Analysieren Sie die Antwort kritisch: Ist sie korrekt, vollständig? Welche Aspekte fehlen?

Zeitaufwand: Lerntext inkl. Übungen 1 und 2: ca. 60–90 Minuten. Erweiterte Übung 3: ca. 30–45 Minuten. Gesamte Einheit für tiefes Verständnis: ca. 2–2,5 Stunden.

Selbstkontrollfragen: Können Sie den Unterschied zwischen ML und RPA in einem Satz erklären? Können Sie die EU AI Act-Definition von KI in eigenen Worten wiedergeben? Können Sie drei GenAI-Beispiele nennen?

Multiplikatoren-Hinweise — UE 1

Für Trainer, Führungskräfte und interne Botschafter:

UE 1 legt das gemeinsame Fundament aller weiteren Lerneinheiten. Als Multiplikator haben Sie die Aufgabe, die Begriffe „Machine Learning”, „Deep Learning” und „Large Language Models” im Alltag konsequent und korrekt zu verwenden — das allein hat nachhaltige Wirkung auf das Umfeld.

Empfehlungen für die Nachbereitung im eigenen Bereich: - Nehmen Sie die Taxonomie (Schwache KI / Starke KI / AGI) als Gesprächsrahmen, wenn KI-Themen im Team aufkommen. Klare Begriffe reduzieren Missverständnisse. - Verteilen Sie die „5 Mythen über KI”-Liste (Übung 2) per E-Mail oder Team-Chat mit einer kurzen persönlichen Einordnung. - Starten Sie in der nächsten Teambesprechung mit einer einfachen Frage: „Welchen KI-Begriff haben Sie diese Woche gehört — und was bedeutet er tatsächlich?”

Zeitinvestition: 10–15 Minuten für ein kurzes Nachbereitungsgespräch im Team.

Materialien für die Weitergabe: Cheatsheet UE 1 (letzte Seite), Übung 1 Musterlösung als Diskussionsgrundlage.

Übung 5 (Transferaufgabe): Begriffe in die eigene Sprache übersetzen

Ziel: Die Kernbegriffe aus UE 1 auf den eigenen Berufskontext übertragen und erklärbar machen.

Aufgabe: Wählen Sie drei Fachbegriffe aus UE 1 (z. B. „überwachtes Lernen”, „Token”, „Halluzination”) und schreiben Sie für jeden eine eigene Definition in maximal zwei Sätzen — so, als ob Sie einem Kollegen oder Kunden erklären würden, der keinerlei KI-Vorwissen hat.

Vorgehen: 1. Wählen Sie Ihre drei Begriffe und notieren Sie zunächst die offizielle Definition aus dem Glossar. 2. Schreiben Sie dann Ihre eigene, alltagsnahe Umschreibung. 3. Testen Sie Ihre Formulierung: Würde ein Schulkind (12 Jahre) den Begriff nach Ihrer Erklärung verstehen?

Format: Tabelle mit drei Spalten: Begriff | Offizielle Definition | Eigene Erklärung

Musterlösung (Beispiel): | Halluzination | KI-Systeme generieren sachlich falsche, aber überzeugend klingende Ausgaben | Das Modell erfindet Fakten — wie ein selbstsicherer Kollege, der eine falsche Antwort gibt, ohne es zu merken |

Kernaussagen — UE 1 auf einen Blick

1. Machine Learning, Deep Learning und Large Language Models sind hierarchisch verschachtelt — LLMs sind eine Teilmenge von DL, DL eine Teilmenge von ML.

2. Schwache KI löst spezifische Aufgaben überdurchschnittlich gut; echte allgemeine KI (AGI) existiert heute nicht.

3. Der EU AI Act klassifiziert KI-Systeme nach Risikostufen — Hochrisiko-Anwendungen (z. B. biometrische Identifikation, Kreditscoring) unterliegen strengen Anforderungen.

4. Diskriminative Modelle klassifizieren bestehende Daten; generative Modelle erschaffen neue Inhalte. Der Unterschied ist für die Auswahl des richtigen Werkzeugs entscheidend.

5. KI-Kompetenz beginnt mit präziser Sprache — wer die Begriffe kennt, kann Chancen und Risiken klarer beurteilen.

Vertiefende Literaturhinweise — UE 1

Für eine fundierte Vertiefung der Themen aus UE 1 empfehlen sich folgende Quellen nach Lernziel geordnet:

Zum EU AI Act und rechtlichen Grundlagen: - Europäisches Parlament / Europäischer Rat: Verordnung (EU) 2024/1689 — vollständiger Gesetzestext in deutscher Sprache: eur-lex.europa.eu. Artikel 3 (Definitionen) und Artikel 6 (Hochrisiko-Klassifizierung) sind für UE 1 besonders relevant. - BMWK (Bundesministerium für Wirtschaft und Klimaschutz): Leitfaden zur EU KI-Verordnung für Unternehmen. Kostenlos auf bmwk.de. Bietet praxisorientierte Erläuterungen für KMU. - Bitkom: Position zur EU KI-Verordnung und KI-Strategie. Gut lesbare Übersicht über Unternehmensauswirkungen.

Zur ML/DL-Technologiegrundlage: - Aurélien Géron: „Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow” (O’Reilly, 3. Aufl. 2022). Das Standardwerk für praxisorientiertes ML-Verständnis — auch ohne tiefe Mathematik zugänglich. - Ian Goodfellow, Yoshua Bengio, Aaron Courville: „Deep Learning” (MIT Press, 2016). Das akademische Standardwerk — kostenlos unter deeplearningbook.org. Kapitel 1 bietet eine hervorragende historische Einordnung.

Zu KI in der Unternehmensberatung: - McKinsey Global Institute: „The state of AI in 2024” — jährlicher Report mit Branchenanalyse und Anwendungsbeispielen. Kostenlos unter mckinsey.com/global-institute. - Gartner Hype Cycle for Artificial Intelligence — jährlich aktualisiert, zeigt, wo verschiedene KI-Technologien im Reifezyklus stehen. Für strategische Einordnung wertvoll.

Quelle: KI-Wissensbasis von MindsMachines, Edition Juni 2026. Vollständige Fassung mit Anhängen und Musterlösungen: als PDF anfordern.