Definierende Merkmale von AI-Systemen: 2026 Leitfaden

TL;DR:

Die Begriffe rund um KI im Unternehmen sind unklar, was zu Fehlentscheidungen und Risiken führen kann. Offizielle Definitionen von OECD und EU-AI-Act helfen, KI-Systeme präzise zu klassifizieren und regulatorisch einzuordnen. Ab 2026 gelten strenge Transparenzpflichten, die Unternehmen zur Kennzeichnung und Dokumentation ihrer KI-Inhalte verpflichten.

Wer heute über den Einsatz von KI im Unternehmen entscheidet, stößt schnell auf ein grundlegendes Problem: Die Begriffe sind weit gefasst, die Definitionen variieren je nach Quelle, und die Grenze zwischen einem echten AI-System und regelbasierter Software bleibt oft unklar. Genau diese Unschärfe kann zu falschen Investitionsentscheidungen, regulatorischen Risiken und verschenktem Potenzial führen. Dieser Leitfaden beleuchtet die definierenden Merkmale von AI-Systemen präzise und praxisnah, von den offiziellen Definitionen der OECD und des EU-AI-Acts bis hin zu konkreten Bewertungsansätzen für Entscheider.

Inhaltsverzeichnis

Wichtigste Erkenntnisse
Definitionen nach OECD und EU-AI-Act
Kernmerkmale von AI-Systemen im Detail
KI-Agenten, Autonomiestufen und multimodale Fähigkeiten
Transparenzpflichten und Regulierung ab 2026
Meine Einschätzung als Praktiker
KI-Lösungen für Ihr Unternehmen mit Amlogy
FAQ

Wichtigste Erkenntnisse

Punkt	Details
Offizielle Definitionen als Grundlage	OECD und EU-AI-Act liefern verbindliche Rahmen, die Autonomie, Ableitung und Anpassungsfähigkeit als Kernmerkmale festlegen.
Abgrenzung zu regelbasierter Software	Das Merkmal der “Ableitung” unterscheidet KI-Systeme fundamental von klassischen Algorithmen und bestimmt die regulatorische Einordnung.
Autonomiegrade und Agentenkonzepte	Moderne KI-Systeme reichen von einfachen Bots bis zu multimodalen Agenten mit Planungs- und Selbstoptimierungsfähigkeiten.
Transparenzpflichten ab 2026	Artikel 50 AI Act verpflichtet Unternehmen ab August 2026 zur Kennzeichnung KI-generierter Inhalte mit konkreten Sanktionsrisiken.
Frühzeitige Dokumentation entscheidend	Modellbeschreibungen, Trainingsdaten und Logs müssen von Anfang an gesichert werden, um juristische Einordnung nachweisen zu können.

Definitionen nach OECD und EU-AI-Act

Bevor ein Unternehmen ein System als “KI” bewertet oder einkauft, braucht es einen belastbaren Referenzrahmen. Zwei Quellen dominieren die internationale Diskussion: die OECD und der EU-AI-Act.

Die OECD-Definition beschreibt AI-Systeme als maschinengestützte Systeme, die für explizite oder implizite Ziele aus Eingaben ableiten, um Ausgaben zu erzeugen, die physische oder virtuelle Umgebungen beeinflussen. Entscheidend ist dabei der Begriff “Ableitung”: Das System muss aus Daten schließen, nicht nur vordefinierte Regeln ausführen. Diese funktions- und verhaltensbezogene Betrachtung macht die OECD-Perspektive besonders nützlich für Entscheider, die Systeme praktisch einordnen müssen.

Der EU-AI-Act Art. 3 Nr. 1 präzisiert dies juristisch mit sieben Kernelementen:

Maschinengestütztes System: Das System operiert auf maschineller Basis, nicht rein menschlich.
Explizite oder implizite Ziele: Die Zielsetzung kann vorgegeben oder aus Daten abgeleitet sein.
Ableitung aus Eingaben: Das zentrale Abgrenzungsmerkmal gegenüber regelbasierter Software.
Ausgaben wie Vorhersagen, Empfehlungen oder Entscheidungen: Das System produziert verwertbare Resultate.
Einfluss auf physische oder virtuelle Umgebungen: Die Ausgaben wirken nach außen.
Autonomie: Das System agiert ohne vollständige menschliche Steuerung jedes Schritts.
Anpassungsfähigkeit nach Deployment: Das System kann sich nach Inbetriebnahme weiterentwickeln.

Die Kombination aus Autonomie und Anpassungsfähigkeit ist dabei besonders relevant. Ein System, das nach dem Go-live seine Parameter auf Basis neuer Daten verändert, erfüllt damit ein zentrales Merkmal von Künstlicher Intelligenz. Ein starres Regelwerk, das immer dieselbe Logik ausführt, tut dies nicht.

Profi-Tipp: Nutzen Sie die OECD-Checkliste nicht nur zur Klassifizierung, sondern auch als Gesprächsgrundlage mit Technologieanbietern. Wer seine Lösung nicht präzise in diese Kategorien einordnen kann, liefert möglicherweise keine echte KI.

Kernmerkmale von AI-Systemen im Detail

Um die definierenden Merkmale von AI-Systemen greifbar zu machen, lohnt sich ein Blick auf die einzelnen Dimensionen mit konkreten Praxisbeispielen.

Eingabetypen und Zielsetzung: Ein Werbe-Algorithmus verfolgt ein implizites Ziel: maximale Klickrate. Er erhält Nutzerdaten als Eingabe und leitet daraus Anzeigenentscheidungen ab, ohne dass jemand explizit sagt “zeige Nutzer X Produkt Y”. Ein klassisches Regelsystem würde stattdessen mit festen Schwellenwerten und If-Dann-Logik arbeiten.
Was bedeutet “Ableitung” wirklich? Ableitung oder Inferenz bezeichnet den Vorgang, bei dem ein Modell aus Trainingsdaten Muster gelernt hat und diese auf neue Eingaben anwendet. Ein Chatbot, der Kundenanfragen beantwortet, leitet aus dem Kontext der Nachricht eine passende Antwort ab. Er “weiß” nicht, was richtig ist, er rechnet eine Wahrscheinlichkeitsverteilung über mögliche Antworten und gibt die wahrscheinlichste aus.
Ausgabekategorien und deren Wirkung: KI-Ausgaben lassen sich in Vorhersagen (Kreditrisiko), Empfehlungen (Produktvorschläge), Klassifikationen (Spam-Erkennung) und Generierungen (Texte, Bilder) unterteilen. Jede Kategorie hat unterschiedliche regulatorische Implikationen, besonders wenn Ausgaben direkte Entscheidungen automatisieren.
Autonomiegrade: Ein Navigationssystem wie Google Maps berechnet Routen eigenständig und passt sie in Echtzeit an Verkehrsdaten an. Das ist bereits ein hohes Maß an Autonomie. Ein KI-System in der Kreditvergabe, das Anträge ohne menschliche Prüfung ablehnt, operiert auf einer noch kritischeren Autonomiestufe.
Anpassungsfähigkeit nach Deployment: KI-Systeme können sich nach Deployment anpassen, was die Sicherheitsbewertung erheblich erschwert. Ein Sprachmodell, das durch Nutzerfeedback kontinuierlich optimiert wird, ist heute ein anderes System als in drei Monaten.
Abgrenzung zu nicht-KI-Systemen: Der entscheidende Test lautet: Führt das System vordefinierte Regeln aus, oder leitet es aus Daten ab? Ein Preisgestaltungssystem mit festen Rabatten ist kein KI-System. Dasselbe System, das Preise basierend auf Nachfragemustern dynamisch anpasst, erfüllt die Kriterien für AI-Systeme.

Profi-Tipp: Erstellen Sie intern eine “Systemkarte” für jedes eingesetzte System: Welche Eingaben erhält es? Welches Ziel verfolgt es? Was sind die Ausgaben, und wo wirken sie? Diese Systemdokumentation nach OECD reduziert Missverständnisse und erleichtert die regulatorische Einordnung erheblich.

KI-Agenten, Autonomiestufen und multimodale Fähigkeiten

Die Eigenschaften von AI-Systemen enden nicht bei der Basisklassifikation. Moderne Architekturen gehen weit darüber hinaus, und für Entscheider ist es wichtig, diese erweiterten Konzepte zu kennen.

Google klassifiziert KI-Agenten als Systeme, die schließen, planen, handeln und sich erinnern. Das bedeutet konkret: Ein KI-Agent empfängt eine Aufgabe, zerlegt sie in Teilschritte, führt diese aus, speichert Zwischenergebnisse und passt seinen Plan bei Hindernissen an. Das ist fundamental verschieden von einem System, das auf einen einzelnen Prompt antwortet.

Die Autonomieskala lässt sich vereinfacht in drei Stufen einteilen:

Bots: Niedrige Autonomie, führen fest definierte Aufgaben aus, etwa automatische E-Mail-Weiterleitungen oder regelbasierte Chatbot-Antworten auf FAQs.
Assistenten: Mittlere Autonomie, verstehen Kontext und reagieren adaptiv, wie ein KI-gestützter Kundenservice-Assistent, der Anfragen kategorisiert und priorisiert.
Agenten: Hohe Autonomie, planen mehrstufige Prozesse, koordinieren Werkzeuge und optimieren sich selbst. Beispiel: ein KI-Agent, der eigenständig Marktdaten analysiert, einen Bericht erstellt und diesen per E-Mail versendet.

Die multimodale Datenverarbeitung ist ein weiteres Schlüsselmerkmal moderner Agenten. Ein multimodales System verarbeitet gleichzeitig Text, Sprache, Video, Audio und Code. Das ermöglicht Anwendungen, die vor wenigen Jahren noch undenkbar waren: Ein KI-Agent im Qualitätsmanagement analysiert ein Bild eines Produkts, hört sich die Beschreibung des Technikers an und generiert daraus einen strukturierten Fehlerbericht.

Multi-Agenten-Systeme gehen noch einen Schritt weiter. Mehrere spezialisierte KI-Agenten arbeiten dabei zusammen, teilen Informationen aus und koordinieren ihre Aktionen. In der Logistik bedeutet das: ein Agent optimiert Routen, ein zweiter verhandelt mit Lieferanten über freie Kapazitäten, ein dritter meldet Abweichungen ans Management. Diese Architektur ist heute bereits in Pilotprojekten führender Unternehmen im Einsatz. Wer KI in der Weiterbildung oder in sicherheitskritischen Trainingsszenarien einsetzt, sollte diese Stufen kennen, denn die Anforderungen an Überwachung und Dokumentation steigen mit der Autonomie erheblich.

Transparenzpflichten und Regulierung ab 2026

Was sind AI-Systeme aus regulatorischer Perspektive? Ab August 2026 beantwortet der EU-AI-Act diese Frage mit konkreten Pflichten. Unternehmen, die KI-Systeme einsetzen oder betreiben, müssen handeln.

Pflicht	Betroffene Systeme	Frist	Sanktionsrisiko
Kennzeichnung KI-generierter Inhalte	Chatbots, Texte, Bilder, Videos	August 2026	Ja, bei Verstoß
Offenlegung gegenüber Nutzern	Chatbots im Kundenkontakt	August 2026	Ja, bei Verstoß
Maschinenlesbare Markierungen (C2PA)	Synthetische Inhalte, Deepfakes	August 2026	Ja, bei Verstoß
Ausnahmen für Satire und Kunst	Kreative Inhalte mit klarem Kontext	Dauerhaft	Nein
Dokumentationspflichten	Alle Hochrisiko-KI-Systeme	Laufend	Ja, bei Verstoß

Artikel 50 AI Act führt ab August 2026 Kennzeichnungspflichten für KI-Inhalte ein. Chatbots müssen sich als solche zu erkennen geben. Deepfakes und synthetische Medien brauchen maschinenlesbare Markierungen nach dem Standard C2PA (Coalition for Content Provenance and Authenticity).

Die praktische Konsequenz für Unternehmen: Wer heute ein KI-System beschafft oder entwickelt, muss dessen Ausgaben rückverfolgbar machen. Das betrifft nicht nur Marketing-Teams, die KI-generierte Werbetexte einsetzen, sondern auch HR-Abteilungen mit automatisierten Bewerbungsantworten oder Vertriebsteams mit KI-gestützten Chatbots. Die Bedeutung von Explainability und nachvollziehbarer KI-Entscheidungen wächst damit von einem technischen Qualitätsmerkmal zu einer rechtlichen Pflicht.

Frühe Sicherung von Dokumenten wie Modell- und Trainingsdaten hilft bei der juristischen Abgrenzung von KI-Systemen und ist ab 2026 kein optionaler Best Practice mehr, sondern Voraussetzung für Compliance-Nachweise. Unternehmen, die jetzt mit dem Aufbau ihrer Dokumentationsinfrastruktur beginnen, vermeiden später teure Nacharbeiten und Bußgeldrisiken.

Meine Einschätzung als Praktiker

Ich beobachte seit Jahren, wie Unternehmen bei der Bewertung von KI-Systemen in dieselbe Falle tappen: Sie verlassen sich auf Vendoren-Aussagen und vergessen, die Definitionen selbst zu prüfen. Die juristische Unschärfe bei Definitionen führt dazu, dass Anbieter den Begriff “KI” großzügig verwenden, auch wenn ihr System in Wirklichkeit ein komplexes Regelwerk ist.

Was ich gelernt habe: Eine reine Checkliste reicht nicht aus. Die Merkmale von Künstlicher Intelligenz müssen im Kontext des konkreten Systems bewertet werden. Ich empfehle, die interne Dokumentation bereits beim Systemeinkauf zu starten: Modellbeschreibungen anfordern, Trainingsdatenherkunft klären, Anpassungsmechanismen nach Deployment dokumentieren. Diese Artefakte sind später entscheidend für die regulatorische Einordnung.

Mein zweiter Hinweis: Unterschätzen Sie die Bedeutung der Autonomiestufe nicht. Ein System, das autonom Entscheidungen trifft, die Kunden betreffen, braucht andere Überwachungsmechanismen als ein Assistent, der Empfehlungen zur menschlichen Prüfung vorlegt. Die Frage “Wie viel Autonomie hat dieses System wirklich?” ist die wichtigste, die Entscheider stellen können. Wer sie klar beantwortet, trifft bessere Technologieentscheidungen und schläft ruhiger.

— Arkadi

KI-Lösungen für Ihr Unternehmen mit Amlogy

Amlogy begleitet Unternehmen dabei, KI-Systeme nicht nur zu verstehen, sondern gezielt einzusetzen. Ob immersive VR-Trainingsumgebungen für sicherheitskritische Szenarien oder strategische Technologiebewertungen: Wir verbinden fundiertes Fachwissen mit echter Umsetzungskompetenz.

Mit dem Schritt-für-Schritt-Guide zur AR-Integration bietet Amlogy einen praxisnahen Einstieg für Unternehmen, die AR- und KI-Lösungen kombinieren wollen. Unsere strategische Technologiebewertung hilft Ihnen dabei, eingesetzte oder geplante Systeme anhand der definierenden Merkmale von AI-Systemen präzise einzuordnen und regulatorisch abzusichern. Besonders im Bereich VR-Training sehen wir enormes Potenzial: KI-gestützte, immersive Lernumgebungen machen es möglich, Sicherheitsszenarien realitätsnah zu trainieren, ohne reale Risiken einzugehen. Sprechen Sie uns an, wir denken gerne mit Ihnen über Ihre nächste KI-Initiative nach.

FAQ

Was sind die definierenden Merkmale von AI-Systemen?

Die zentralen Merkmale sind Autonomie, Ableitung aus Eingaben und Anpassungsfähigkeit nach Deployment. Laut OECD und EU-AI-Act erzeugen AI-Systeme Ausgaben wie Vorhersagen oder Empfehlungen, die physische oder virtuelle Umgebungen beeinflussen.

Wie unterscheide ich ein KI-System von regelbasierter Software?

Der entscheidende Unterschied liegt in der Ableitung: Ein KI-System schließt aus Daten auf neue Situationen, während regelbasierte Software ausschließlich vordefinierte Wenn-Dann-Logik ausführt. Systeme, die ihre Parameter nach dem Go-live auf Basis neuer Daten verändern, gelten nach EU-AI-Act klar als KI.

Was sind KI-Agenten und wie autonom sind sie?

KI-Agenten sind laut Google Systeme, die schließen, planen, handeln und sich erinnern. Sie stehen am oberen Ende der Autonomieskala, deutlich über einfachen Bots oder kontextabhängigen Assistenten, und koordinieren oft mehrere Werkzeuge oder andere Agenten.

Welche Transparenzpflichten gelten ab 2026 für KI-Systeme?

Artikel 50 des EU-AI-Acts verpflichtet Unternehmen ab August 2026 dazu, KI-generierte Inhalte zu kennzeichnen und Chatbots als solche offenzulegen. Für Deepfakes und synthetische Medien sind maschinenlesbare Markierungen nach dem C2PA-Standard vorgeschrieben.

Warum ist frühe Dokumentation bei KI-Systemen so wichtig?

Die frühzeitige Sicherung von Modellbeschreibungen, Trainingsdaten und Logs ist nach aktuellem Rechtsrahmen entscheidend für die juristische Einordnung. Wer diese Artefakte nicht hat, kann im Streitfall oder bei Behördenprüfungen die Compliance-Anforderungen nicht nachweisen.