02.06.2023

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

Gastbeitrag. Georg Hanschitz, Product & Market Specialist bei Payone, erläutert, welche Chancen eine verpflichtende Quellenangabe bei der KI-Regulierung bieten würde.
/artikel/ki-regulierung-gastbeitrag-georg-hanschitz
(c) der brutkasten / schauer-burkart

Der Ruf nach Regulierung von Künstlicher Intelligenz (KI) ist unüberhörbar und wird mitunter von jenen Unternehmen propagiert, die selbst hoch erfolgreich KI-Anwendungen am globalen Markt platziert haben und betreiben. KI hat die generelle Marktreife für Anwendungen in allen Bereichen des Lebens erlangt, nun sei die Politik gefordert den Einsatz von KI zu regulieren, um Missbrauch zu verhindern, lautet der Tenor.

Herausforderungen einer KI-Regulierung

Übersehen wird dabei, dass kein Regulator alle denkmöglichen Anwendungsfälle auf Zulässigkeit von KI-Integration prüfen wird können und schon gar nicht deren Integrationstiefe – also wie stark KI in einem (einzelnen) Einsatzbereich zur Anwendung kommt. Darüber hinaus werden ethische Fragen zum Resultat von KI-gestützten Ergebnissen gestellt. Inwieweit ein Regulator, dessen Entscheidungen im Rahmen einer länderspezifischen Verwaltungsgerichtsbarkeit zu verantworten sind, sich einer solchen Aufgabe überhaupt stellen kann, ist fraglich. Gerade weil das Regulieren der Anwendbarkeit von KI so diffizil ist, nehmen KI Unternehmen die Politik in die Pflicht – Selbstbeschränkungen oder Regulierung bergen sowohl wirtschaftlich als auch rechtlich sehr hohe Risiken; zu starke Selbstregulierung kostet Marktanteile (da man womöglich freiwillig auf Geschäft verzichtet), zu geringe Selbstregulierung führen womöglich zu Zivilrechts- bzw. Schadensersatzklagen (etwa bei Verletzung der Privatsphäre, Eigentumsrechte, Intellectual Property etc).

Das Dilemma

Die Politik kämpft unterdessen mit der Herausforderung unterschiedlicher Standards. So könnten KI-Oasen entstehen, in denen es so gut wie keine Regulierung gibt, die errechneten Ergebnisse aber in den regulierten Markt Eingang finden. Die Einschränkung und Regulierung von KI Anwendungsfällen ist eine enorme Herausforderung – so wird etwa seit 2014 in der UNO ergebnislos über den Einsatz autonomer Algorithmus gesteuerter Waffen (etwa militärischer Drohnenschwärme) debattiert. Ein Verbot oder verbindliche Regeln, könnten einen militärisch-strategischen Nachteil bedeuten, so der die Kritiker der UNO-Initiative.

Ein möglicher Ausweg

Der vielversprechendste Ansatz einer Regulierung ist eine verpflichtende Quellenangabe. Was beinahe klingt, als wäre es zu einfach um wahr zu sein, kann tatsächlich der beste Ausweg aus dem derzeitigen Regulierungsdilemma sein.

Selbsterklärtes Ziel der KI-Forschung ist es eine sich selbst erklärende, nachvollziehbare und verlässliche Künstliche Intelligenz zu schaffen. Dabei gilt, je mehr verifizierte Daten- und IoT Quellen dem Ergebnis zu Grunde liegen, desto belastbarer ist das Resultat. Source und Type of Source könnten während des Abfrageprozesses in einem eigenen Datenstream erfasst werden, welcher unmöglich als Quellenangabe händisch zu überprüfen wäre; sehr wohl könnte der generierte Quellen-Datenstream aber maschinenlesbar gemacht werden, um ausgewertet zu werden.

Ein praktisches Beispiel:

Angefragt wird, welche Tomatensorte die weltweit beste ist. Neben der Antwort besteht die Möglichkeit den Prozentsatz „verifizierter Quellen“, „der Hauptquelle“ etc. auszulesen. Beziehen sich etwa 70 Prozent des Resultats auf einen oftmals verwendeten bezahlten Artikel eines Tomatenzüchters, so wäre das in der Auswertung sichtbar. Ähnlich wäre es mit so genannten „Fake News“ oder bei „Framing“. Quellen mit fragwürdigem Hintergrund könnten bei der Abfrage angezeigt werden, ähnlich wie es bei Dateien ist, die ein Anti-Virus Programm erkennt.

Welche Chancen dadurch entstehen

KI Unternehmen würden dazu verpflichtet werden, ein entsprechendes Protokoll auszusetzen und die Maschinenlesbarkeit der Quellenangabe zu gewährleisten, wie bei der Einführung der Geodaten-Nutzung am Beginn der 2000er Jahre, könnte dadurch nicht nur ein transparentes Prüfsystem geschaffen werden, sondern auch neue Geschäftsmodelle entstehen. Verletzungen und Missbrauch  im Bereich Datenschutz, Copyright, Datendiebstahl etc. könnten somit sichtbar gemacht und nach kurzer Zeit verhindert werden. Zudem wäre eine solche Regulatorik sowohl seitens der Politik als auch der Unternehmen umsetzbar und für Anwender praktikabel. Ebenso würde eine sie den Anspruch der Universalität erfüllen, da sie unabhängig von Ländergesetzgebungen, Schlupflöchern und Sprachbarrieren eingeführt werden könnte.

Dabei geht es nicht darum den Ball der Regulierung von KI an die Unternehmen zurückzuspielen, es wäre mehr ein Doppelpass zwischen Politik und Wirtschaft um die Anwendbarkeit von KI und das Vertrauen in neue Technologien voranzutreiben. Schlussendlich wäre die Verpflichtung zur maschinenlesbaren Quellenangabe auch ein wichtiger Schritt in Richtung der Vision der KI-Community: Eine sich selbst erklärbare, nachvollziehbare und verlässliche KI zu verwirklichen.

Deine ungelesenen Artikel:
07.07.2026

„Europa kann doch State of the Art“: Hochreiters NXAI präsentiert neues Modell

Das Linzer KI-Startup NXAI rund um KI-Pionier Sepp Hochreiter hat mit TiRex-2 ein neues Modell für Industrie-Vorhersagen veröffentlicht. Dieses soll extrem effizient bei der Analyse von Live-Datenströmen sein.
/artikel/europa-kann-doch-state-of-the-art-hochreiters-nxai-praesentiert-neues-modell
07.07.2026

„Europa kann doch State of the Art“: Hochreiters NXAI präsentiert neues Modell

Das Linzer KI-Startup NXAI rund um KI-Pionier Sepp Hochreiter hat mit TiRex-2 ein neues Modell für Industrie-Vorhersagen veröffentlicht. Dieses soll extrem effizient bei der Analyse von Live-Datenströmen sein.
/artikel/europa-kann-doch-state-of-the-art-hochreiters-nxai-praesentiert-neues-modell
KI-Pionier Sepp Hochreiter ist Co-Founder und Chief Scientist von NXAI | (c) NXAI
KI-Pionier Sepp Hochreiter ist Co-Founder und Chief Scientist von NXAI | (c) NXAI

Das Linzer KI-Startup NXAI hat sein neuestes Modell TiRex-2 veröffentlicht. Die Entwicklung des sogenannten „Time Series Foundation Models“ (Zeitreihen-Basismodell) stand unter der wissenschaftlichen Leitung von KI-Pionier Sepp Hochreiter, der Mitgründer ist und als Chief Scientist des Startups fungiert.

Das Modell wurde auch als Open-Source-Software frei zugänglich gemacht. Es ist darauf spezialisiert, historische Datenreihen aus der Industrie zu analysieren, um zukünftige Entwicklungen vorherzusagen. In der Presseaussendung zum Release zeigt sich das Startup selbstbewusst: „Europa kann doch SOTA-Modelle“ (Anm. State of the Art). Laut Hochreiter teilt sich das neue Modell in den offiziellen Bestenlisten „die Spitzenplätze mit AWS“.

Mehrere Signale gleichzeitig im Blick

Die wesentliche technische Neuerung des Modells liegt in der Verarbeitung multivariater Zeitreihen. Während herkömmliche Vorhersagesysteme oft nur eine einzelne Datenreihe anhand ihrer eigenen Vergangenheit analysieren, bezieht TiRex-2 zusätzliche Einflussfaktoren – in der Fachsprache Kovariaten genannt – mit ein. Für Industrieunternehmen soll das zum entscheidenden Vorteil werden, da Maschinen und Prozesse selten nur ein isoliertes Signal erzeugen. In der Praxis bedeutet dies: Will ein Logistik- oder Energiebetrieb den künftigen Verbrauch prognostizieren, kann das Modell neben den historischen Verbrauchsdaten auch begleitende Faktoren wie das Wetter, Kalenderdaten oder Produktionspläne auswerten. Das macht die Vorhersagen präziser und aussagekräftiger.

xLSTM soll Effizienz-Boost bringen

Im Gegensatz zu bekannten KI-Systemen wie ChatGPT, die auf der speicherintensiven Transformer-Architektur basieren, nutzt TiRex-2 das von Hochreiter mitentwickelte xLSTM-Verfahren. Das soll ein zentrales Problem industrieller Live-Anwendungen lösen: Bei kontinuierlich einlaufenden Datenströmen (Streaming) explodiere bei herkömmlichen Systemen nämlich der Rechen- und Speicheraufwand, argumentiert man beim Startup. TiRex-2 hingegen verarbeitet Daten sequenziell und aktualisiert fortlaufend einen internen Zustand. Dadurch würden der Speicherbedarf und die Rechenkosten auch bei unbegrenzten Datenströmen konstant niedrig bleiben. Lukas Fischer, Head of Applied Research bei NXAI, erklärt dazu: „Mit TiRex-2 können wir kontinuierliche Datenströme in Echtzeit analysieren, ohne Einbußen bei der Modellperformance.“ Dies prädestiniert das Modell für den direkten Einsatz an Maschinen vor Ort (Edge-Anwendungen).

„Kunden müssen für unterschiedliche Maschinen nicht immer ein neues KI-Modell trainieren“

Die Leistungsfähigkeit des Modells wird durch das begleitende wissenschaftliche Paper des Forscherteams untermauert. Darin zeigen die Wissenschaftler, dass sich TiRex-2 besonders gut für das sogenannte Zero-Shot-Forecasting eignet. Das bedeutet, dass das Modell ohne vorheriges, spezielles Training präzise Vorhersagen für völlig neue Maschinentypen oder Datensätze treffen kann.

Laut dem CEO von NXAI, Albert Ortig, bringt diese Generalisierungsfähigkeit handfeste wirtschaftliche Vorteile im Betrieb: „Die Kunden müssen für unterschiedliche Maschinen nicht immer ein neues KI-Modell trainieren.“ Ein weiterer Vorzug des vergleichsweise kompakten Modells mit 82 Millionen Parametern ist, dass es auf Wunsch direkt auf den eigenen Servern der Kunden (On-Prem) betrieben werden kann, was die Datensicherheit für sensible Industrie-Prozesse erhöht.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

KI-Regulierung: Warum wir eine Pflicht für maschinenlesbare Quellenangaben brauchen