Abgrenzung konventionelle software vs ki

Abgrenzung: Konventionelle Software versus KI-System

Leitgedanke

Automation ist ein starkes Warnsignal, aber kein alleiniger Test. Entscheidend ist, ob das System aus Eingaben ableitet, wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen erzeugt werden. Autonomie muss vorhanden sein, darf aber nicht überhöht werden: Auch ein Mensch-in-der-Schleife-System kann KI sein, wenn die Ausgabe inferenzbasiert entsteht.

Abgrenzungsmatrix

Regelmäßig konventionelle Software

Systemtyp	Warum regelmäßig kein KI-System
SQL-Abfrage	Suche/Filter nach festen Kriterien, keine inferenzbasierte Ausgabe
Makro/Skript	starrer Ablauf, keine Ableitung aus Daten
Fristenrechner	mathematische oder juristische Regeln vollständig vorgegeben
Formularvalidierung	prüft Pflichtfelder oder Format, bewertet nicht
Dashboard mit Summen/Mittelwerten	deskriptive Statistik ohne Vorhersage/Empfehlung
Hartcodierter Entscheidungsbaum	Regeln und Schwellen komplett menschlich festgelegt

Grenzfälle

Systemtyp	Entscheidend
Expertensystem	Nur Wissensbasis oder zusätzlich gelernte/inferenzbasierte Bewertung?
Scoring-Excel	Manuelle Gewichtung oder aus Daten gelernte Parameter?
Workflow-Automation	Nur Routing nach Regeln oder KI-Komponente mit Bewertung?
Suchmaschine	Reine Volltextsuche oder lernbasiertes Ranking/Personalisierung?
Fraud-Detection	Feste Schwellen oder Anomalie-/Klassifikationsmodell?
Chatbot	Skriptbaum oder generatives/LLM-basiertes System?
Rechts-/HR-Assistent	Nur Textentwurf oder Bewertung natürlicher Personen/Rechtsanwendung?

Regelmäßig KI-System oder KI-Komponente

Systemtyp	Typisches KI-Merkmal
LLM, Transformer, generativer Chatbot	Inhalte/Empfehlungen durch Inferenz
Klassifikator, Random Forest, XGBoost, SVM	gelernte Muster und Zuordnung
Regression mit Prognosezweck	Vorhersage aus Eingaben
Clustering / Embeddings	Musterbildung oder Ähnlichkeit aus Daten
Bild-, Sprach- oder Emotionserkennung	inferenzbasierte Erkennung/Kategorisierung
Recommendation Engine	Empfehlung aus Nutzungs- oder Kontextdaten
RAG-System mit LLM-Auswertung	Retrieval plus generative/inferenzbasierte Antwort

Prüffragen

1. Werden Trainingsdaten, Modellgewichte, Embeddings, gelernte Parameter oder ein externes Modell genutzt?
2. Erzeugt das System aus variablen Eingaben eigenständig eine Ausgabe?
3. Ist die Ausgabe Vorhersage, Inhalt, Empfehlung, Score, Ranking, Klassifikation oder Entscheidung?
4. Kann ein Mensch die Ausgabe nur noch prüfen, übernehmen oder verwerfen?
5. Ist die Automation bloß Ablaufsteuerung oder trägt sie die inhaltliche Bewertung?
6. Ist eine KI-API oder ein GPAI-System eingebunden, auch wenn die eigene Software drumherum konventionell ist?
7. Wird das System in sensiblen Kontexten wie Beschäftigung, Bildung, Kredit, Justiz oder Verwaltung genutzt?

Typische Fehlannahmen

"Es lernt nicht im Betrieb, also keine KI." Falsch. Adaptivität nach Deployment ist optional; ein eingefrorenes trainiertes Modell kann KI-System sein.

"Der Mensch entscheidet am Ende, also keine KI." Falsch. Menschliche Freigabe beseitigt die KI-Eigenschaft nicht, wenn die inhaltliche Ausgabe inferenzbasiert generiert wird.

"Es ist nur eine API." Die API kann KI-System oder Bestandteil eines KI-Systems sein. Für den Betreiber zählt der konkrete Einsatz.

"Es ist nur ein Chatbot." Ein skriptbasierter FAQ-Bot kann konventionell sein. Ein LLM-basierter Chatbot ist regelmäßig KI-System; Hochrisiko hängt aber erst vom Zweck ab.

"Es ist nur Statistik." Deskriptive Statistik bleibt häufig draußen. Prognose, Klassifikation, Ranking oder individuelle Bewertung sprechen deutlich für KI.

Ergebnislogik

• KI-System wahrscheinlich: liegt-ki-system-vor-art-3-nr-1 dokumentierend abschließen, danach Risikoklasse prüfen.
• Konventionelle Software wahrscheinlich: Negativvermerk erstellen; Re-Evaluation bei neuer KI-Komponente oder Zweckänderung.
• KI-Komponente in konventionellem System: Gesamtarchitektur trennen und KI-Komponente separat durch die KI-VO-Prüfung führen.
• GPAI/Chatbot betroffen: gpai-vorliegen-art-3-nr-63 und begrenztes-risiko-art-50-transparenzpflichten.
• Sensible Zwecknähe: zusätzlich hochrisiko-art-6-abs-2-anhang-iii.

Output-Template — Abgrenzungsmatrix

ABGRENZUNG KONVENTIONELLE SOFTWARE / KI-SYSTEM
Datum: [DATUM]
System / Komponente: [NAME]

1. Technischer Befund
[Regelwerk / / Statistik / ML-Modell / LLM / API / RAG / Hybrid]

2. Automation und Autonomie
[Was läuft automatisch? Wo greift ein Mensch ein? Ist die Ausgabe menschlich vorbestimmt?]

3. Inferenz
[Keine / möglich / wahrscheinlich / bestätigt]
[Begründung: Trainingsdaten, Modell, Gewichtung, Ranking, Generierung]

4. Output
[Vorhersage / Inhalt / Empfehlung / Entscheidung / nur Datenweitergabe]

5. Ergebnis
[konventionelle Software / KI-System / KI-Komponente im Gesamtsystem / Grenzfall]

6. Folgeprüfung
[liegt-ki-system-vor-art-3-nr-1 / gpai-vorliegen-art-3-nr-63 / hochrisiko-art-6-abs-2-anhang-iii / keine KI-VO]

Quellen- und Aktualitätshinweis

Stand: 07/2026. Maßgeblich sind Art. 3 Nr. 1 KI-VO, Erwägungsgrund 12 und die Kommissionsleitlinien zur Definition des KI-Systems. Keine Rechtsberatung.