Skip to content

EU Artificial Intelligence Act (AI Act)

Der EU AI Act ist die weltweit erste umfassende gesetzliche Regulierung von Künstlicher Intelligenz. Er verfolgt einen risikobasierten Ansatz: Je höher das potenzielle Schadenspotenzial eines KI-Systems, desto strenger die Anforderungen. Ziel ist es, Vertrauen in KI zu schaffen, ohne Innovation unnötig zu bremsen.

Überblick

  • Segment: KI-Systeme und KI-Modelle mit allgemeinem Verwendungszweck (GPAI — General Purpose AI Model)
  • Verabschiedet / Veröffentlicht: 13. März 2024 (EP), 21. Mai 2024 (Rat), veröffentlicht 12. Juli 2024 (ABl. EU)
  • Gültig ab (stufenweise Anwendung):
  • 2. Februar 2025: Verbote für unzulässige KI-Praktiken (Titel II)
  • 2. August 2025: Regelungen für KI-Modelle mit allgemeinem Verwendungszweck (GPAI) und Governance
  • 2. August 2026: Anforderungen für Hochrisiko-KI-Systeme (Anhang I & III), Transparenzpflichten
  • 2. August 2027: Vollständige Anwendung, inkl. KI-Systeme in regulierten Produkten
  • Gültig für:
  • Anbieter (Provider) von KI-Systemen und GPAI-Modellen, die in der EU in Verkehr gebracht werden
  • Betreiber (Deployer) von KI-Systemen, die in der EU eingesetzt werden
  • Importeure und Händler von KI-Systemen
  • Auch für Anbieter außerhalb der EU, sofern der Output in der EU genutzt wird
  • Nicht gültig für:
  • KI-Systeme, die ausschließlich für militärische oder nationale Sicherheitszwecke entwickelt werden
  • KI-Systeme zur ausschließlich privaten, nicht-gewerblichen Nutzung
  • Open-Source-Modelle (mit Einschränkungen bei Hochrisiko-Verwendung)
  • Grauzone:
  • Abgrenzung zwischen „KI-System" und klassischer Software (Definition in Art. 3 Nr. 1 und Anhang I)
  • Einordnung von Modellen, die sowohl GPAI als auch Hochrisiko-Anwendungen abdecken
  • Verantwortungsaufteilung zwischen Anbieter und Betreiber bei Feintuning oder Integration

Zentrale Forderungen

Verbotene KI-Praktiken (Art. 5)

  • KI-Systeme zur unbewussten Beeinflussung von Personen (Subliminal Manipulation)
  • Ausnützung von Schwächen vulnerabler Gruppen
  • Social Scoring durch staatliche Stellen
  • Echtzeit-biometrische Fernidentifikation im öffentlichen Raum (mit engen Ausnahmen für Strafverfolgung)
  • Emotionserkennung am Arbeitsplatz und in Bildungseinrichtungen
  • Biometrische Kategorisierung zur Ableitung sensibler Merkmale (Rasse, politische Meinung, etc.)

Hochrisiko-KI-Systeme (Art. 6, Anhang III)

Betroffene Bereiche u.a.: biometrische Identifikation, kritische Infrastruktur, Bildung, Beschäftigung, wesentliche Dienstleistungen (Kredit, Sozialleistungen), Strafverfolgung, Migration, Justiz.

Pflichten für Anbieter von Hochrisiko-KI:

  • Risikomanagementsystem einrichten und dokumentieren, s. Art. 9
  • Daten-Governance sicherstellen: Trainings-, Validierungs- und Testdaten müssen geeignet, repräsentativ und frei von unzulässigen Verzerrungen sein, s. Art. 10
  • Technische Dokumentation erstellen und aktuell halten (s. Art. 11, Anhang IV)
  • Automatische Protokollierung (Logging) des Systemverhaltens sicherstellen, s. Art. 12
  • Transparenz gegenüber Betreibern gewährleisten (Gebrauchsanweisung, Zweck, Grenzen), s. Art. 13
  • Menschliche Aufsicht (Human Oversight) technisch ermöglichen, s. Art. 14
  • Genauigkeit, Robustheit und Cybersicherheit sicherstellen, s. Art. 15
  • Konformitätsbewertung durchführen (intern oder durch Dritte), s. Art. 43
  • EU-Konformitätserklärung ausstellen und CE-Kennzeichen anbringen, s. Art. 47–49
  • Registrierung in der EU-Datenbank (EUAI-Datenbank), s. Art. 71

KI-Modelle mit allgemeinem Verwendungszweck / GPAI (Art. 51–56)

  • Bereitstellung technischer Dokumentation an nachgelagerte Anbieter
  • Einhaltung von Urheberrechts-Verpflichtungen (s. Art. 53 c)
  • Veröffentlichung einer Zusammenfassung der Trainingsdaten
  • Für Modelle mit systemischem Risiko (> 10²⁵ FLOP): Adversarial Testing, Meldung schwerwiegender Vorfälle an die Kommission, Cybersicherheitsmaßnahmen

Transparenzpflichten (Art. 50)

  • KI-generierte Inhalte (Texte, Bilder, Audio, Video) müssen als solche maschinenlesbar gekennzeichnet sein (Watermarking)
  • Chatbots müssen sich als KI zu erkennen geben
  • Deepfakes müssen kenntlich gemacht werden

Sanktionsregime (Art. 99–101)

Ebene Verstoß Bußgeld
Tier 1 Verstoß gegen Verbote (Art. 5) 35 Mio. EUR oder 7 % des weltweiten Jahresumsatzes (der höhere Betrag; KMU: der niedrigere)
Tier 2 Verstöße gegen Anbieter-/Betreiberpflichten, Transparenzpflichten 15 Mio. EUR oder 3 % des weltweiten Jahresumsatzes
Tier 3 Unrichtige oder irreführende Informationen an Behörden 7,5 Mio. EUR oder 1 % des weltweiten Jahresumsatzes
GPAI Verstöße gegen Art. 53/55 (via Kommission) 15 Mio. EUR oder 3 % des weltweiten Jahresumsatzes

KMU-Schutzklausel: Für kleine und mittlere Unternehmen gilt stets der niedrigere der beiden Beträge.

Wechselwirkungen mit anderen EU-Regularien

Der AI Act überlappt erheblich mit anderen Regelwerken — insbesondere bei Cybersicherheit, Dokumentation und Incident Reporting:

Pflicht AI Act CRA NIS2 DORA PLD
Risikomanagement Art. 9, 55 Art. 13 Art. 21 Art. 6
Technische Dokumentation / SBOM Art. 11, Anh. IV Art. 13(3) teilweise teilweise teilweise
Cybersicherheit Art. 15 Kernpflicht Art. 21 Art. 9–11
Schwachstellen-Management Art. 72 (Post-Market) Art. 13–14 Art. 21 Art. 12
Incident Reporting Art. 55, 73 Art. 14 (24 h) Art. 19 (24 h) Art. 19 (4 h)
Produkthaftung Art. 4 (fehlerhaftes Produkt)

Wichtigste Überschneidung AI Act ↔ CRA: Hochrisiko-KI-Systeme, die als digitale Produkte in Verkehr gebracht werden, unterliegen ab August/September 2026 gleichzeitig beiden Regelwerken. Eine integrierte SBOM (Art. 15 AI Act + CRA Annex I) und ein gemeinsamer Vulnerability-Disclosure-Prozess sind dringend empfohlen.

Finanzsektor (DORA): Bei KI-Systemen für Kreditwürdigkeitsbewertung, Trading oder Risikomodelle greift zusätzlich DORA mit einer Incident-Meldepflicht von 4 Stunden — der strengsten Frist aller vier Regelwerke.

Lösungsansätze & Hilfestellungen

  • Die EU AI Office (zuständige Behörde der Kommission) veröffentlicht Leitlinien und Codes of Practice, insb. für GPAI-Anbieter
  • Das BSI und die nationalen Marktüberwachungsbehörden sind die zuständigen Stellen in Deutschland
  • Harmonisierte Normen (CEN/CENELEC) für Hochrisiko-KI werden derzeit erarbeitet — bis dahin können ISO/IEC 42001 (AI Management System) und ISO/IEC 23894 (AI Risk Management) als Orientierung dienen
  • Für Open-Source-Anbieter: Prüfen, ob das Modell als GPAI mit systemischem Risiko eingestuft werden könnte — dann gelten auch für Open-Source-Anbieter umfangreichere Pflichten

Tools & Werkzeuge

Modell-Dokumentation & Model Cards (Art. 11, 13)

Tool Lizenz Problem / Zweck Regulatorische Relevanz
Hugging Face Model Cards Apache-2.0 Strukturierte Dokumentation von ML-Modellen (Zweck, Limitierungen, Trainingsdaten, Evaluierungsergebnisse) in YAML + Markdown Art. 13: Transparenz gegenüber Betreibern; Art. 11 + Anhang IV: Technische Dokumentation
Google Model Card Toolkit Apache-2.0 Programmatische Erzeugung strukturierter Model Cards inkl. quantitativer Performance-Metriken Art. 13: Automatisch generierte Transparenz-Dokumentation; Art. 15: Performance-Kennzahlen
ALTAI Self-Assessment Frei (EU-Kommission) Online-Selbstbewertungs-Checkliste (96 Fragen) nach den EU Ethics Guidelines for Trustworthy AI Art. 9: Initialer Gap-Assessment-Einstieg; gute Vorbereitung auf formelle Konformitätsbewertung

Risikobewertung & Risikomanagement (Art. 9)

Tool Lizenz Problem / Zweck Regulatorische Relevanz
NIST AI RMF Playbook Frei (Public Domain) Strukturiertes Risikomanagement für KI (GOVERN / MAP / MEASURE / MANAGE); Hunderte konkreter Maßnahmen Art. 9: Iteratives Risikomanagement; lässt sich direkt auf EU AI Act-Artikel mappen
MIT AI Risk Repository Frei (Open Access) Durchsuchbare Datenbank mit 700+ klassifizierten KI-Risiken nach Ursache und Domäne Art. 9: Systematische Risikoidentifikation; Abgleich mit Annex III Hochrisiko-Kategorien

Bias-Erkennung & Fairness (Art. 10, 15)

Tool Lizenz Problem / Zweck Regulatorische Relevanz
Fairlearn MIT Fairness-Metriken (Demographic Parity, Equalized Odds) + Mitigationsalgorithmen für Klassifikatoren und Regression Art. 10: Disparitäten in Trainingsdaten erkennen; Art. 9: Diskriminierungsrisiko quantifizieren
IBM AI Fairness 360 Apache-2.0 Umfangreiche Bibliothek mit 70+ Fairness-Metriken und 10+ Bias-Mitigationsalgorithmen (Pre/In/Post-Processing) Art. 10: Pre-Processing gegen Trainingsdaten-Bias; Art. 15: Adversarial Debiasing für Robustheit
Aequitas MIT Bias-Audit-Toolkit mit Gruppen-Disparitäts-Reports; besonders geeignet für Audit-Dokumentation Art. 9: Audit-ready Disparity Reports für Konformitätsbewertung; Art. 13: Berichtsformat für technische Dokumentation

Erklärbarkeit / XAI (Art. 13)

Tool Lizenz Problem / Zweck Regulatorische Relevanz
SHAP MIT Modell-agnostische Feature-Attribution via Shapley Values; globale und lokale Erklärungen Art. 13: Lokale Erklärungen („warum wurde diese Entscheidung getroffen?") für Hochrisiko-KI; Art. 9: Risikotreiber identifizieren
Alibi Apache-2.0 Counterfactual Explanations, Anchors, Kernel SHAP; Companion alibi-detect für Drift- und Ausreißer-Erkennung Art. 13: Counterfactuals direkt handlungsrelevant für betroffene Personen; Art. 15: alibi-detect für Robustheit im Betrieb
InterpretML MIT Erklärbares Boosting (EBM = Glass-Box-Modell mit GBM-Genauigkeit) + Black-Box-Erklärungen (SHAP, LIME, PDP) Art. 13: Glass-Box-EBMs bieten inhärente Transparenz ohne Post-hoc-Erklärung — in Konformitätsbewertungen leichter verteidigbar
LIME BSD-2-Clause Lokale Surrogatmodelle für tabellarische, Text- und Bilddaten Art. 13: Einzelentscheidungserklärungen, insb. für NLP-Modelle

Logging, Experiment-Tracking & MLOps (Art. 12)

Tool Lizenz Problem / Zweck Regulatorische Relevanz
MLflow Apache-2.0 End-to-End ML-Lifecycle: Experiment-Tracking, Model Registry mit Stage-Gates, Artefakt-Speicherung Art. 12: Natürliches Audit-Log für Trainingsläufe, Hyperparameter, Datensatz-Versionen; Anhang IV: Entwicklungsnachweis
DVC Apache-2.0 Git-basierte Versionierung von Datensätzen und ML-Pipelines; reproduzierbare Trainingsläufe Art. 10: Daten-Lineage und -Versionierung; Art. 12: Pipeline-Audit-Trail
Evidently AI Apache-2.0 ML-Monitoring-Reports für Daten-Drift, Target-Drift und Modell-Performance im Betrieb; HTML/JSON-Output Art. 12: Zeitgestempelte Monitoring-Reports als Audit-Artefakte; Art. 15: Drift-Erkennung für Robustheit

Datenqualität & Governance (Art. 10)

Tool Lizenz Problem / Zweck Regulatorische Relevanz
Great Expectations Apache-2.0 Datenvalidierungs-Framework mit definierbaren „Expectations"; erzeugt „Data Docs" als menschenlesbare Validierungsberichte Art. 10: Nachweis, dass Trainingsdaten definierte Qualitätskriterien erfüllen (Vollständigkeit, Balance, Korrektheit)
Cleanlab Apache-2.0 Automatische Label-Qualitätsprüfung: findet fehlerhafte Labels, Duplikate und Ausreißer in Trainingsdaten Art. 10: Direkte Umsetzung der Anforderung, dass Trainingsdaten „frei von Fehlern" sein sollen; Art. 15: Saubere Labels verbessern Robustheit
OpenMetadata Apache-2.0 Moderner Open-Source-Datenkatalog mit Lineage, Qualitäts-Checks und 50+ Konnektoren Art. 10: Zentrale Dokumentation der Datenprovenienz; Art. 12: Datenzugriffs-Audit-Log