Generatives KI-Modell: Typen, Risiken und Pflichten

Auf einen Blick

• Ein generatives KI-Modell erlernt die statistische Struktur seiner Trainingsdaten und zieht daraus Stichproben, um neuen Text, neue Bilder, Audio, Video oder Code zu erzeugen.
• Fünf Architekturen tragen den Großteil der Anwendungen: Transformer, Diffusionsmodelle, GAN, variationelle Autoencoder und flussbasierte Modelle. Jede erzeugt anders und versagt anders.
• Der Begriff beschreibt ein technisches Verhalten, keinen Rechtsstatus. Das europäische Recht regelt die benachbarte, aber eigenständige Kategorie der KI-Modelle mit allgemeinem Verwendungszweck.
• Oberhalb von 10^23 FLOP kumulierter Trainingsrechenleistung gilt die Vermutung eines Modells mit allgemeinem Verwendungszweck, oberhalb von 10^25 FLOP die Vermutung eines systemischen Risikos.
• Nur wenige Unternehmen trainieren selbst. Viele werden dennoch zum Anbieter im Rechtssinne, durch Feinabstimmung oder allein dadurch, dass sie ihren Namen auf das System setzen.

Was ist ein generatives KI-Modell?

Ein generatives KI-Modell ist ein Modell des maschinellen Lernens, das die statistische Struktur eines Datenbestands erlernt und anschließend aus dieser erlernten Struktur Stichproben zieht, um neue Inhalte zu erzeugen, die den Ausgangsdaten ähneln, ohne sie zu kopieren. Während ein herkömmlicher Klassifikator eine Frage über eine Eingabe beantwortet, bringt ein generatives KI-Modell etwas hervor, das zuvor nicht existierte: einen Absatz, ein Bild, eine Melodie, eine Funktion.

Der Unterschied reicht tiefer, als es zunächst scheint. Der überwiegende Teil des maschinellen Lernens im Produktivbetrieb schätzt die Wahrscheinlichkeit eines Labels bei gegebener Eingabe. Ein generatives Modell hingegen schätzt die Verteilung der Daten selbst, was ein deutlich schwierigeres Problem und eine deutlich offenere Fähigkeit darstellt. Sobald ein System modelliert hat, wie Texte oder Bildpunkte aufgebaut sind, lassen sich davon beliebige Mengen abrufen.

Eines sollte offen ausgesprochen werden, weil die meisten Darstellungen es stillschweigend voraussetzen: „generatives KI-Modell“ ist eine technische Beschreibung und keine regulatorische Kategorie. Weder das europäische noch das amerikanische Recht knüpft Pflichten allein an das Wort „generativ“. Pflichten knüpfen an Kategorien wie KI-Modelle mit allgemeinem Verwendungszweck, Hochrisiko-KI-Systeme und bestimmte Einsatzkontexte an. Ein konkretes Modell kann unter alle, einige oder keine davon fallen. Dieser Leitfaden behandelt beide Hälften: was diese Modelle sind und wozu ihre Entwicklung oder Nutzung tatsächlich verpflichtet.

Zur übergeordneten Familie siehe unseren Leitfaden dazu, was ein KI-Modell ist.

Generative und diskriminative Modelle

Die kürzeste Merkformel lautet: ein diskriminatives Modell zieht Grenzen, ein generatives Modell zieht Stichproben.

Ein Spamfilter ist diskriminativ. Er erlernt eine Grenze zwischen erwünschter und unerwünschter Nachricht und ordnet jede eingehende Nachricht einer Seite zu. Eine E-Mail schreiben kann er nicht. Ein generatives Modell, das auf demselben Korpus trainiert wurde, erlernt hingegen, wie eine E-Mail aufgebaut ist, und kann auf Anforderung eine erzeugen.

Formal schätzen diskriminative Modelle die Wahrscheinlichkeit eines Labels unter der Bedingung der Eingabe. Generative Modelle schätzen die gemeinsame Verteilung der Daten, weshalb sie neue Instanzen synthetisieren können. Genau deshalb lässt sich ein generatives KI-Modell so mühelos auf Aufgaben umwidmen, für die es nie ausdrücklich trainiert wurde, und genau deshalb lassen sich seine Fehlerarten im Voraus nur schwer eingrenzen.

Wie ein generatives KI-Modell arbeitet

Jedes generative KI-Modell folgt derselben zweistufigen Logik: verdichten, dann Stichproben ziehen.

Während des Trainings wird das Modell einem sehr großen Korpus ausgesetzt und passt seine Parameter so an, dass die Regelmäßigkeiten dieses Korpus unter dem Modell wahrscheinlicher werden. Nichts wird im gewöhnlichen Sinne wörtlich gespeichert. Was zurückbleibt, ist eine verdichtete, verlustbehaftete Kodierung von Regelmäßigkeiten: wie Sätze gebaut sind, wie Gesichter geformt sind, wie sich Akkordfolgen auflösen.

Bei der Inferenz läuft dieser Vorgang nach außen. Das System zieht Stichproben aus der erlernten Verteilung, bedingt durch die jeweilige Eingabeaufforderung. Da die Stichprobenziehung probabilistisch erfolgt, kann dieselbe Eingabe unterschiedliche Ausgaben hervorbringen, und das Modell verfügt über keinerlei innere Repräsentation davon, ob eine davon zutrifft.

Daraus folgt eine Governance-Konsequenz, die leicht übersehen wird. Flüssige, selbstsichere und falsche Ausgaben sind kein Mangel, den nachlässige Entwicklung eingeschleppt hätte. Sie folgen unmittelbar aus der Bauweise: das Trainingsziel belohnt Plausibilität unter der erlernten Verteilung, nicht Richtigkeit gegenüber der Welt. Die Fehlerquote lässt sich durch Verankerung an Quellen, Evaluierung und menschliche Prüfung senken. Beseitigen lässt sie sich nicht. Unsere Analyse zum größten Risiko generativer KI vertieft diesen Punkt.

Die fünf Familien generativer Modelle

Nahezu jedes eingesetzte generative KI-Modell gehört einer von fünf Architekturfamilien an. Austauschbar sind sie nicht: jede erzeugt über einen eigenen Mechanismus, eignet sich für andere Modalitäten und versagt auf eigene Weise.

Transformer und autoregressive Modelle

Transformer erzeugen sequenziell, indem sie das jeweils nächste Token aus allem Vorangegangenen vorhersagen. Der Aufmerksamkeitsmechanismus erlaubt es, weit entfernte Teile der Eingabe bei der Erzeugung jedes Tokens zu gewichten, was Kohärenz über lange Textstrecken überhaupt erst handhabbar machte. Diese Familie treibt die GPT-Reihe, Claude, Gemini und Llama an und reicht längst über Text hinaus bis zu Code, Audio und Proteinsequenzen. Stärke: Kohärenz und Allgemeinheit. Schwäche: die Kosten sowie das selbstsichere Erfinden, das aus reiner Folgetoken-Vorhersage erwächst.

Diffusionsmodelle

Diffusionsmodelle erlernen die Umkehrung eines Verrauschungsvorgangs. Im Training wird ein Bild schrittweise durch Zufallsrauschen zerstört, während das Modell lernt, jeden Schritt rückgängig zu machen. Bei der Inferenz beginnt es bei reinem Rauschen und entrauscht, gesteuert durch eine Texteingabe, hin zu einer Stichprobe. Diese Familie hat die GAN bei der hochwertigen Bildsynthese verdrängt und trägt heute Stable Diffusion, DALL-E und den Großteil der Videoerzeugung. Stärke: Stichprobenqualität und stabiles Training. Schwäche: die vielen Entrauschungsschritte verlangsamen die Erzeugung.

Generative adversarielle Netze (GAN)

Ein GAN trainiert zwei Netze gegeneinander. Der Generator erzeugt Kandidaten, der Diskriminator versucht sie von echten Daten zu trennen, und beide verbessern sich, bis die Ausgabe des Generators besteht. GAN lieferten die ersten wirklich fotorealistischen synthetischen Gesichter und bleiben dort nützlich, wo schnelle Erzeugung in einem Durchgang zählt. Stärke: Geschwindigkeit bei der Inferenz und Schärfe. Schwäche: instabiles Training und Moduskollaps, bei dem sich der Generator auf einen schmalen Ausschnitt der Verteilung zurückzieht.

Variationelle Autoencoder (VAE)

Ein VAE verdichtet die Eingabe zu einer Wahrscheinlichkeitsverteilung über einen latenten Raum und dekodiert Stichproben daraus zurück in Daten. Weil der latente Raum stetig und strukturiert ist, lässt sich zwischen zwei Punkten sinnvoll interpolieren. Die Ausgaben fallen unschärfer aus als bei GAN oder Diffusionsmodellen, weshalb VAE heute häufiger als Baustein innerhalb eines größeren Systems dienen denn als eigentlicher Generator. Stärke: strukturierte, steuerbare latente Repräsentationen. Schwäche: Wiedergabetreue der Stichproben.

Flussbasierte Modelle

Flussbasierte Modelle wenden eine Folge umkehrbarer Transformationen an, die eine einfache Verteilung auf eine komplexe abbilden. Weil jeder Schritt umkehrbar ist, berechnen sie exakte Likelihoods, während die übrigen Familien diese nur annähern. Stärke: exakte Dichteschätzung und Umkehrbarkeit. Schwäche: architektonische Einschränkungen und hoher Rechenaufwand bei vergleichbarer Qualität.

Familie	Erzeugt	Stärke	Hauptschwäche	Vertreter
Transformer / autoregressiv	Text, Code, Audio	Kohärenz, Allgemeinheit	Kosten, Erfinden	GPT, Llama
Diffusion	Bilder, Video, Audio	Stichprobenqualität	Langsame Inferenz	Stable Diffusion
GAN	Bilder	Schnell, scharf	Instabiles Training	StyleGAN
VAE	Bilder, latente Repräsentationen	Strukturierter latenter Raum	Unscharfe Ausgaben	VQ-VAE
Flussbasiert	Bilder, Audio	Exakte Likelihoods	Rechenaufwand	Glow

Welche Familie zum Einsatz kommt, bestimmt den Prüfumfang. Einen Textgenerator auf sachliche Verlässlichkeit zu prüfen, ist etwas anderes, als einen Bildgenerator auf Memorierung von Trainingsdaten zu untersuchen, und beides speist jene Evaluierungsnachweise, nach denen eine Prüfstelle früher oder später fragt.

Generatives KI-Modell, Basismodell, LLM, GPAI-Modell

Vier Begriffe kursieren, als wären sie gleichbedeutend. Sie bezeichnen Verschiedenes, und nur einer entfaltet Rechtswirkung.

• Generatives KI-Modell beschreibt, was das Modell tut: es bringt neue Inhalte hervor. Über Größe, Reichweite oder Trainingsmethode ist damit nichts gesagt.
• Basismodell beschreibt Herstellung und Verwendung: breites Vortraining auf großen Datenmengen, anschließend Anpassung an viele nachgelagerte Aufgaben. Die meisten sind generativ, doch das bestimmende Merkmal ist Breite und Wiederverwendbarkeit.
• Großes Sprachmodell (LLM) bezeichnet ein Basismodell, dessen Modalität Text ist. Jedes LLM ist ein generatives KI-Modell. Umgekehrt gilt das nicht.
• KI-Modell mit allgemeinem Verwendungszweck (GPAI) ist eine Rechtskategorie der KI-Verordnung. Sie knüpft an Allgemeinheit und Fähigkeiten an, nicht an die Architektur, und sie allein löst aus sich heraus gesetzliche Pflichten aus.

Ein kleines Bildmodell, das auf einen Produktkatalog feinabgestimmt wurde, ist ein generatives KI-Modell und mit großer Sicherheit kein GPAI-Modell. Ein Spitzenmodell im Textbereich vereint alle vier Bezeichnungen. Unser Leitfaden zu KI mit allgemeinem Verwendungszweck behandelt die Rechtskategorie ausführlich.

Wann ein Modell zum regulierten GPAI-Modell wird

Die Leitlinien der Europäischen Kommission für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck vom 18. Juli 2025 haben eine unscharfe Definition durch einen handhabbaren Maßstab ersetzt, der auf der Trainingsrechenleistung beruht.

Es wird vermutet, dass ein Modell allgemeinen Verwendungszweck hat, wenn die kumulierte Rechenleistung für sein Training 10^23 Gleitkommaoperationen übersteigt und es Sprache, Text-zu-Bild oder Text-zu-Video erzeugen kann. Die Kommission begründet dies damit, dass dieser Schwellenwert ungefähr einem Modell mit einer Milliarde Parametern entspricht, das auf einem großen Datenbestand trainiert wurde, und dass sich dort echte Allgemeinheit einzustellen pflegt.

Oberhalb von 10^25 FLOP greift eine zweite Vermutung: das Modell gilt als GPAI-Modell mit systemischem Risiko nach Artikel 55. Die Kommission kann ein Modell zudem unabhängig von der Rechenleistung aufgrund seiner Fähigkeiten als systemisch einstufen. Auf dieser oberen Stufe bewegen sich die Spitzenlabore, und sie trägt einen schwereren Pflichtenkatalog. Siehe dazu was ein Frontier-Modell ist.

In beiden Fällen handelt es sich um Vermutungen und nicht um starre Grenzen. Ein Anbieter kann geltend machen, dass ein Modell oberhalb des Schwellenwerts keinen allgemeinen Verwendungszweck hat, und die Kommission kann umgekehrt ein Modell unterhalb des Schwellenwerts einbeziehen.

Für die Planung zählt der Zeitplan. Die Pflichten für Modelle mit allgemeinem Verwendungszweck gelten seit dem 2. August 2025. Die Durchsetzungsbefugnisse der Kommission gegenüber den Anbietern, einschließlich förmlicher Auskunftsverlangen und Geldbußen, beginnen am 2. August 2026.

Die praktische Lesart für die meisten Unternehmen: Sie werden ein solches Modell voraussichtlich nie trainieren, mit hoher Wahrscheinlichkeit eines einsetzen und können zu dessen Anbieter werden, ohne je einen Trainingslauf gestartet zu haben.

Was die KI-Verordnung vom Anbieter verlangt

Den Anbieter eines GPAI-Modells treffen nach Artikel 53 vier Grundpflichten, zu denen bei systemischem Risiko eine weitere Schicht hinzutritt.

Technische Dokumentation und Information nachgelagerter Anbieter

Der Anbieter muss eine technische Dokumentation erstellen und fortschreiben, die Entwurf, Trainingsprozess, Evaluierungsergebnisse und Zweckbestimmung des Modells abdeckt, gemäß Anhang XI. Daneben muss er nachgelagerten Anbietern, die das Modell einbinden, gemäß Anhang XII hinreichende Informationen überlassen, damit diese Fähigkeiten und Grenzen verstehen und ihre eigenen Pflichten erfüllen können.

Die zweite Pflicht wird in Unternehmen regelmäßig unterschätzt. Wer ein Produkt auf dem Modell eines Dritten aufbaut, erhält mit dieser Dokumentation das Ausgangsmaterial für die eigene Compliance-Akte, und sie gehört in den Vertrag statt in die Hoffnung. Unser Leitfaden zu den Dokumentationsanforderungen für KI-Systeme beschreibt, was eine vollständige Akte enthält.

Urheberrechtspolitik und Zusammenfassung der Trainingsdaten

Anbieter müssen eine Strategie zur Einhaltung des Urheberrechts der Union einführen. In der Praxis dreht sich alles um die Beachtung von Rechtsvorbehalten nach Artikel 4 Absatz 3 der Richtlinie über das Urheberrecht im digitalen Binnenmarkt, also um das maschinenlesbar erklärte Opt-out gegen Text- und Data-Mining.

Zudem müssen sie eine „hinreichend detaillierte Zusammenfassung“ der für das Training verwendeten Inhalte veröffentlichen, und zwar nach der Vorlage, die das Büro für Künstliche Intelligenz am 24. Juli 2025 herausgegeben hat. Damit werden Trainingsdaten vom Geschäftsgeheimnis zum teilweise offengelegten Artefakt, und dies ist die Bestimmung, die am ehesten Rechtsstreitigkeiten nach sich ziehen dürfte.

Kennzeichnung synthetischer Ausgaben

Nach Artikel 50 müssen Anbieter von Systemen, die synthetisches Audio, Bild, Video oder Text erzeugen, diese Ausgaben maschinenlesbar kennzeichnen und als künstlich erzeugt erkennbar machen. Betreiber, die Deepfakes hervorbringen, müssen dies offenlegen. Diese Transparenzpflichten gelten ab dem 2. August 2026.

Bei einem Modell mit systemischem Risiko treten nach Artikel 55 die Modellevaluierung einschließlich adversarieller Tests, die Bewertung und Minderung systemischer Risiken, die Meldung schwerwiegender Vorfälle an das Büro für Künstliche Intelligenz sowie der Schutz der Cybersicherheit von Modell und physischer Infrastruktur hinzu. Der freiwillige Verhaltenskodex stellt ein Formular zur Modelldokumentation bereit und wirkt für weite Teile als Konformitätsvermutung. Die vollständige Pflichtenkarte findet sich in unserem operativen Leitfaden zur KI-Verordnung.

Risiken, die speziell generativen Modellen anhaften

Ein großer Teil des KI-Risikos ist ererbt: jedes Modell kann verzerrt, angegriffen oder schlecht überwacht sein. Eine kleinere Gruppe hängt speziell an der Erzeugung, und der klarste Katalog bleibt das Generative-AI-Profil des NIST (AI 600-1) vom Juli 2024, eine Ergänzung zum Rahmenwerk für KI-Risikomanagement. Es benennt zwölf Risikokategorien und mehr als zweihundert vorgeschlagene Maßnahmen.

Die tatsächlich erzeugungsspezifischen Kategorien:

• Konfabulation, vom NIST definiert als selbstsicher vorgetragener, aber fehlerhafter Inhalt, umgangssprachlich Halluzination. Sie führt die Liste an, weil sie strukturell und nicht zufällig ist.
• Informationsintegrität, also die Fähigkeit, überzeugende synthetische Inhalte in großer Menge zu erzeugen, was die Kennzeichnungspflicht nach Artikel 50 gerade eindämmen soll.
• Geistiges Eigentum, das sowohl die Herkunft der Trainingsdaten als auch Ausgaben umfasst, die geschütztes Material wiedergeben.
• Datenschutz, einschließlich Memorierung und Wiedergabe personenbezogener Daten aus Trainingskorpora. Der BfDI und die Datenschutzkonferenz haben hierzu Orientierungshilfen veröffentlicht.
• CBRN-Informationen, also Unterstützung bei chemischen, biologischen, radiologischen oder nuklearen Fähigkeiten.
• Schädliche Verzerrung und Homogenisierung, wenn erzeugte Ausgaben die Bandbreite abgebildeter Menschen und Vorstellungen verengen.
• Wertschöpfungskette und Komponentenintegration, mithin das Risiko, das man mit einem Modell, Datensatz oder Baustein übernimmt, den man nicht selbst gebaut hat.

Das Risikomanagement-Profil für GPAI- und Basismodelle des Berkeley CLTC ergänzt die operative Ebene: Freigabeentscheidungen an den wesentlichen Entwicklungsstufen, ausdrückliche Risikotoleranzschwellen, Red-Teaming auf gefährliche Fähigkeiten sowie Transparenz über Modell- und Systemkarten.

Nichts davon ist ein Fehler, der auf seine Behebung wartet. Jedes ist eine Eigenschaft, die zu messen, zu begrenzen und zu belegen ist, wofür ein Kontrollrahmen existiert. Unsere Übersicht zum KI-Risiko zeigt, wie sie in ein Register überführt werden.

Ein fremdes Modell verantworten

Nahezu jede Organisation, die dies liest, ist Betreiber und nicht Trainer. Das stellt sie nicht außerhalb des Regimes, und die Betreiberposition ist weniger stabil, als sie wirkt.

Man kann Anbieter werden, ohne irgendetwas zu trainieren. Wer das Modell eines Dritten mit eigenen Daten feinabstimmt oder seinen Namen beziehungsweise seine Marke auf ein daraus gebautes System setzt, kann in die Anbieterrolle samt ihren Pflichten rutschen. Maßgeblich ist nicht, wer den Trainingslauf gestartet hat, sondern wer das Erzeugnis in Verkehr bringt.

Vier Schritte decken das Wesentliche ab:

1. Die tatsächlich genutzten Modelle finden. Ein Bestand, den man nicht kennt, lässt sich nicht steuern, und generative Werkzeuge gelangen über Spesenabrechnungen und Browser-Erweiterungen ins Unternehmen statt über den Einkauf. Das ist das Problem der Schatten-KI, und seine Lösung ist die Voraussetzung für alles Weitere.
2. Die Grenze zwischen Anbieter und Betreiber je Modell festlegen. Halten Sie für jedes System schriftlich fest, wer Anbieter ist, was übergeben wurde und was sich bei Feinabstimmung ändert. Unklarheit an dieser Stelle verwandelt einen Vorfall in einen Haftungsstreit.
3. Die nachgelagerte Dokumentation beschaffen und aufbewahren. Informationen nach Anhang XII sind Vertragsgegenstand. Fordern Sie sie beim Einkauf ein, nicht nach dem Vorfall.
4. Evaluierung und Protokollierung vor dem Produktivgang festlegen. Bestimmen Sie, was eine akzeptable Ausgabe ist, wie Sie das messen und was Sie aufbewahren. Nachträglich Nachweise zu rekonstruieren kostet weit mehr, als sie laufend zu erheben.

Nichts davon setzt ein Verständnis von Attention Heads voraus. Erforderlich ist das Wissen, welches generative KI-Modell hinter welchem Geschäftsprozess steht und wozu es jeweils verpflichtet. Das ist KI-Governance, angewandt auf eine bestimmte Systemklasse.

Häufige Fragen

Ist ChatGPT ein generatives KI-Modell? Nicht ganz. ChatGPT ist ein KI-System, das auf generativen Modellen der GPT-Familie aufsetzt. Die Unterscheidung ist keine Spitzfindigkeit: die KI-Verordnung regelt Modelle und Systeme unterschiedlich, wobei die Pflichten aus Artikel 53 den Modellanbieter treffen und die Transparenzpflichten aus Artikel 50 den Systemanbieter und dessen Betreiber. Im Alltagsgebrauch verschwimmen die Begriffe. In einer Compliance-Akte entscheidet der Unterschied darüber, wer was schuldet.

Was ist ein Beispiel für ein generatives KI-Modell? GPT und Llama sind transformerbasierte Textmodelle. Stable Diffusion ist ein Diffusionsmodell für Bilder. StyleGAN ist ein generatives adversarielles Netz für Gesichter. Jedes erzeugt über einen anderen Mechanismus, und diese Wahl bestimmt die vorrangigen Risiken: Memorierung und urheberrechtliche Exposition bei Bildmodellen, Konfabulation bei Textmodellen.

Worin unterscheiden sich ein generatives KI-Modell und ein LLM? Ein großes Sprachmodell ist eine Ausprägung, spezialisiert auf Text. Die weitere Kategorie umfasst auch Bild-, Audio-, Video- und Molekülmodelle. Jedes LLM ist generativ; die meisten generativen Modelle sind keine LLM. Die Verwechslung hält sich, weil Textmodelle diejenigen sind, mit denen die Öffentlichkeit unmittelbar umgeht.

Unterliegen alle generativen Modelle der KI-Verordnung? Nein. Die Verordnung reguliert ein Modell nicht deshalb, weil es generativ ist. Pflichten entstehen, wenn ein Modell als KI-Modell mit allgemeinem Verwendungszweck gilt, vermutet oberhalb von 10^23 FLOP, oder wenn ein System in einen Hochrisiko-Anwendungsfall fällt oder die Transparenzpflichten aus Artikel 50 auslöst. Ein kleines Bildmodell für eine interne Aufgabe fällt aus dem GPAI-Regime heraus, auch wenn der umgebende Anwendungsfall reguliert sein kann.

Welche Haupttypen gibt es? Fünf Familien: Transformer und autoregressive Modelle für Sequenzen, Diffusionsmodelle für Bild und Video, generative adversarielle Netze, variationelle Autoencoder und flussbasierte Modelle. Transformer und Diffusion stellen heute den Großteil der Produktiveinsätze, während GAN, VAE und Flüsse zunehmend als Bausteine in größeren Systemen dienen statt als tragender Generator.

Wer haftet für schädliche Ausgaben? Das hängt von der jeweiligen Rolle ab. Der Modellanbieter schuldet Dokumentation, Urheberrechtsstrategie und, oberhalb der systemischen Schwelle, Evaluierung und Vorfallmeldung. Der Systemanbieter schuldet Transparenz und Kennzeichnung der Ausgaben. Der Betreiber schuldet sachgerechte Nutzung, menschliche Aufsicht, wo sie vorgeschrieben ist, und die Offenlegung von Deepfakes. Feinabstimmung oder Markenaufdruck kann Sie vom Betreiber zum Anbieter machen, weshalb die Grenze je Modell schriftlich zu klären ist.

Fazit

Die Architekturfrage ist beantwortet. Transformer, Diffusion, GAN, VAE und Flüsse sind umfassend dokumentiert, und jede kompetente Fachkraft kann erklären, wie ein generatives KI-Modell aus einer Eingabe eine Ausgabe macht. Die Verantwortungsfrage ist nicht beantwortet, und sie wird die Compliance-Bereiche durch das Jahr 2026 hindurch beschäftigen, während die Durchsetzungsbefugnisse greifen und die Transparenzpflichten zu wirken beginnen.

Der nützliche Perspektivwechsel besteht darin, diese Systeme nicht länger als Technologiekategorie zu behandeln, sondern als gesteuerte Anlageklasse: inventarisiert, an den europäischen Schwellenwerten eingeordnet, dokumentiert, evaluiert und einer namentlich benannten Person zugeordnet. AI Sigil ist für genau diese Arbeit gebaut und überführt die Pflichten aus KI-Verordnung, ISO 42001 und NIST-Rahmenwerk in Kontrollen und Nachweise, die einer Prüfung standhalten.