Der Begriff „Modalität“ stammt aus der Wahrnehmungspsychologie und meint die Art, in der eine Information vorliegt. Für die Praxis genügen vier Grundtypen: Text (inklusive Code und strukturierter Daten), Bild (Fotos, Scans, Grafiken, Screenshots), Audio (Sprache, Musik, Geräusche) und Video (Bildfolgen mit Ton und zeitlichem Verlauf). Hinzu kommen in Spezialbereichen weitere Modalitäten wie Sensordaten, 3D-Modelle oder Messkurven. Ein Modell gilt als multimodal, sobald es mindestens zwei dieser Typen als Eingabe oder Ausgabe beherrscht und sie inhaltlich miteinander verknüpft.
Entscheidend ist dabei weniger die bloße Fähigkeit, verschiedene Dateien entgegenzunehmen, als das gemeinsame Verständnis. Ein multimodales Modell kann auf ein Foto eines defekten Bauteils schauen, die schriftliche Reklamation dazu lesen und eine Antwort formulieren, die beides berücksichtigt. Es kann ein Schulungsvideo ansehen und eine Frage zu Minute zwölf beantworten. Es kann ein Diagramm in einem Geschäftsbericht interpretieren und die Aussage mit dem Fließtext abgleichen. Genau dieser Querbezug ist der Kern des Konzepts.
Bis vor wenigen Jahren war multimodale Verarbeitung eine Domäne der Forschung oder teurer Speziallösungen. Inzwischen gehört sie zum Standardumfang der großen Foundation Models: Die führenden Modellfamilien der großen Anbieter nehmen Bilder und Dokumente selbstverständlich entgegen, viele verarbeiten auch Audio und Video, und Sprachdialoge in nahezu natürlicher Geschwindigkeit sind verfügbar. Parallel dazu sind offene Modelle mit herunterladbaren Gewichten entstanden, die Bild und Text verstehen und sich im eigenen Rechenzentrum betreiben lassen. Damit ist multimodale KI vom Experiment zum einsetzbaren Baustein geworden – für Großkonzerne ebenso wie für Unternehmen mit hundert Mitarbeitenden.
Für die Automatisierung bedeutet das eine Verschiebung: Prozesse, die bisher an einem Medienbruch scheiterten – etwa weil Informationen in einem Foto, einem handschriftlichen Formular oder einer Sprachnachricht steckten –, werden plötzlich automatisierbar. Das ist kein Detail, sondern betrifft einen großen Teil der Routinearbeit in Verwaltung, Vertrieb und Service.
Der Artikel richtet sich an Geschäftsführung, IT-Leitung, Digitalisierungsverantwortliche und Fachabteilungen im deutschsprachigen Mittelstand, die verstehen wollen, was hinter dem Schlagwort steckt und wo realistische Einsatzfelder liegen. Er ist als Überblicks- und Konzeptartikel angelegt: Für Detailbetrachtungen einzelner Modelle und Werkzeuge verweisen wir auf die vertiefenden Artikel dieser Kategorie, etwa zu Vision-Language-Modellen, Sprachsynthese oder KI-Videoerstellung.
Wir bleiben bewusst herstellerneutral und faktenschonend. Konkrete Preise, Benchmark-Ergebnisse, Parameterzahlen oder Kontextfenstergrößen nennen wir nicht, weil sie sich mit jeder Modellversion ändern und nur beim jeweiligen Anbieter verlässlich nachzulesen sind. Stattdessen beschreiben wir Fähigkeiten qualitativ, ordnen Architekturen und Anbieter ein und legen besonderen Wert auf die Fragen, die im DACH-Raum über Erfolg oder Scheitern eines Projekts entscheiden: Wo werden die Daten verarbeitet, wer haftet für Fehler, und welche Pflichten entstehen aus DSGVO und AI Act.
Die wichtigste Unterscheidung für die Praxis verläuft zwischen verstehenden und erzeugenden Modellen. Verstehende Modelle nehmen Bilder, Audio oder Video entgegen und liefern eine Analyse, meist in Textform oder als strukturierte Daten. Sie sind das Arbeitspferd der Prozessautomatisierung: Rechnungen auslesen, Fotos klassifizieren, Gespräche zusammenfassen. Erzeugende Modelle gehen den umgekehrten Weg und produzieren aus einer Beschreibung ein Bild, eine Stimme oder ein Video. Sie spielen ihre Stärke in Kommunikation, Marketing und Content-Produktion aus.
Die Grenze verschwimmt zunehmend, weil die großen Modellfamilien beide Richtungen in einem System vereinen. Für die Planung bleibt die Unterscheidung dennoch hilfreich: Verstehende Anwendungen werfen vor allem Fragen nach Genauigkeit, Datenschutz und Prozessintegration auf; erzeugende Anwendungen zusätzlich Fragen nach Urheberrecht, Persönlichkeitsrechten und Kennzeichnung.
Nicht jedes System, das Bilder oder Sprache verarbeitet, ist im technischen Sinne nativ multimodal. Viele Lösungen setzen mehrere Einzelmodelle zusammen: Ein Spracherkennungsmodell wandelt Audio in Text, ein Sprachmodell verarbeitet den Text, ein Sprachsynthesemodell liest die Antwort vor. Von außen wirkt das multimodal, intern ist es eine Kette. Native multimodale Modelle dagegen verarbeiten die Modalitäten in einem gemeinsamen Netz. Der Vorteil: Informationen, die bei der Umwandlung verloren gingen – Tonfall, Betonung, räumliche Anordnung auf einer Seite, Bilddetails –, bleiben erhalten. Der Nachteil: Solche Modelle sind aufwendiger, teurer im Betrieb und schwerer im Detail zu kontrollieren.
Für Entscheidungen im Unternehmen heißt das: Beide Ansätze haben ihre Berechtigung. Eine zusammengesetzte Kette ist oft transparenter, leichter zu prüfen und einzelne Glieder lassen sich austauschen. Ein natives Modell ist im Zusammenspiel der Modalitäten überlegen. In Kapitel 06 vertiefen wir diese Abwägung.
Neben den großen Generalisten gibt es spezialisierte multimodale Modelle, die auf einen eng umrissenen Zweck optimiert sind – etwa Dokumentenverstehen, medizinische Bildgebung, Spracherkennung in lauter Umgebung oder Videoanalyse in der Produktion. Spezialmodelle sind häufig kleiner, schneller und günstiger im Betrieb und lassen sich leichter lokal einsetzen. Generalisten sind flexibler und lösen auch ungewöhnliche Aufgaben ohne zusätzliches Training. In vielen Projekten entsteht am Ende eine Kombination: Ein Spezialmodell übernimmt das Massengeschäft, ein Generalist die Ausnahmen.
Sprachmodelle arbeiten mit sogenannten Tokens – kleinen Texteinheiten, etwa Wortteilen. Multimodale Modelle übertragen dieses Prinzip auf andere Datentypen. Ein Bild wird in ein Raster aus Ausschnitten zerlegt, ein Audiostück in kurze Zeitfenster, ein Video in ausgewählte Einzelbilder plus Tonspur. Jeder dieser Ausschnitte wird zu einem oder mehreren Tokens. Das hat zwei praktische Folgen, die für Unternehmen unmittelbar relevant sind.
Erstens bestimmt die Anzahl der Tokens die Kosten und die Verarbeitungszeit. Ein hochaufgelöstes Bild oder eine längere Videosequenz erzeugt deutlich mehr Tokens als ein kurzer Text. Deshalb sind Bild-, Audio- und vor allem Videoeingaben in der Regel spürbar teurer als reine Textanfragen. Zweitens ist der Kontext eines Modells begrenzt: Wie viel Video oder wie viele Dokumentseiten in eine einzelne Anfrage passen, hängt vom jeweiligen Modell ab und sollte beim Anbieter geprüft werden. Viele Anwendungen arbeiten daher mit Vorauswahl – etwa nur relevanten Seiten oder einzelnen Schlüsselbildern eines Videos.
Fachleute unterscheiden grob zwischen später Fusion und früher Fusion. Bei später Fusion werden die Modalitäten lange getrennt verarbeitet und erst am Ende zusammengeführt – vergleichbar mit Experten, die getrennt arbeiten und ihre Ergebnisse in einer Besprechung zusammentragen. Bei früher Fusion fließen alle Modalitäten von Beginn an in ein gemeinsames Netz – eher wie ein Team, das gemeinsam am Tisch sitzt und gleichzeitig auf Dokument, Foto und Tonaufnahme schaut. Frühe Fusion erlaubt feinere Querbezüge, etwa zwischen einer Tabellenzelle und der zugehörigen Fußnote, erfordert aber mehr Trainingsaufwand. Die großen aktuellen Modelle tendieren zu früher, tief integrierter Fusion; viele kompakte offene Modelle nutzen pragmatischere Varianten, bei denen ein vortrainierter Bild-Encoder an ein bestehendes Sprachmodell angeschlossen wird.
Auch multimodale Modelle sind statistische Systeme. Sie erzeugen die wahrscheinlichste Antwort auf Basis dessen, was sie gelernt haben – und das ist nicht immer das, was tatsächlich im Bild steht. Typische Fehlerbilder sind falsch gelesene Ziffern bei schlechter Bildqualität, erfundene Details in unklaren Bildbereichen, Verwechslungen bei ähnlichen Objekten oder Fehldeutungen von Ironie und Tonfall in Audio. Besonders tückisch: Das Modell klingt dabei genauso überzeugt wie bei korrekten Antworten. Für Prozesse mit finanziellen oder sicherheitsrelevanten Folgen ist eine Prüflogik deshalb Pflicht – Plausibilitätsprüfungen, Abgleich mit Stammdaten und menschliche Freigabe bei Unsicherheit.
Die intelligente Dokumentenverarbeitung ist der reifste und wirtschaftlich greifbarste Anwendungsfall. Ein Vision-Language-Modell betrachtet eine Rechnungsseite als Ganzes: Es erkennt, wo der Rechnungsempfänger steht, welche Zeilen zur Positionstabelle gehören, wo Netto, Steuer und Brutto ausgewiesen sind und ob ein Skonto vermerkt ist. Anders als klassische Erfassungssoftware muss es dafür nicht für jeden Lieferanten neu angelernt werden – eine Beschreibung der gewünschten Felder genügt oft. Hinzu kommen Fähigkeiten, die über das reine Auslesen hinausgehen: Dokumente klassifizieren, Zusammenfassungen erstellen, Widersprüche zwischen Bestellung und Rechnung aufdecken oder handschriftliche Vermerke berücksichtigen.
Im Zusammenspiel mit Dokumentenmanagement und ERP entsteht so eine durchgängige Kette vom Posteingang bis zur Buchung. Die Grenzen bleiben dieselben wie bei jeder KI: Kritische Werte brauchen eine Prüfung, und unsichere Fälle werden an Menschen ausgesteuert. Vertiefend dazu der Artikel zu Vision-Language-Modellen in dieser Kategorie.
Computer-Use-Agenten sind eine relativ junge Entwicklung. Das Modell erhält regelmäßig ein Bildschirmfoto, erkennt darauf Fenster, Menüs, Schaltflächen und Texte und entscheidet, welche Aktion als Nächstes sinnvoll ist: klicken, tippen, scrollen. So lassen sich prinzipiell Aufgaben in Anwendungen erledigen, die keine Programmierschnittstelle haben – etwa Daten aus einem alten Branchenprogramm in ein Webportal übertragen. Für den Mittelstand mit gewachsener IT-Landschaft ist das eine verlockende Idee.
Realistisch betrachtet sind solche Agenten aber noch langsamer und fehleranfälliger als klassische Schnittstellen oder bewährte Softwareroboter. Sie können sich in unerwarteten Dialogen verlieren, falsche Felder füllen oder durch manipulierte Inhalte auf Webseiten in die Irre geführt werden. Wir empfehlen deshalb, Computer Use zunächst in abgeschotteten Umgebungen mit begrenzten Rechten, ohne Zugriff auf Zahlungsfunktionen und mit menschlicher Freigabe kritischer Schritte zu erproben.
Sprachagenten kombinieren Spracherkennung, Sprachverständnis, Systemzugriff und Sprachausgabe. Native Sprachmodelle verarbeiten Audio direkt und reagieren mit geringer Verzögerung, können Unterbrechungen handhaben und den Tonfall berücksichtigen. Zusammengesetzte Ketten aus Spracherkennung, Textmodell und Sprachsynthese sind dagegen oft leichter zu kontrollieren und zu protokollieren. Für typische Service-Szenarien – Öffnungszeiten, Auftragsstatus, Terminvereinbarung, Vorqualifizierung eines Anliegens – sind beide Ansätze einsetzbar. Entscheidend sind eine saubere Übergabe an Mitarbeitende, eine transparente Information der Anrufenden, dass sie mit einer KI sprechen, und ein durchdachter Umgang mit Gesprächsaufzeichnungen. Mehr zu Sprachsynthese und Spracherkennung finden Sie in den Artikeln zu Text-to-Speech und Whisper in dieser Kategorie.
Die leistungsstärksten Generalisten stammen überwiegend von großen US-Anbietern und werden ausschließlich als Dienst angeboten: Man schickt Daten an eine Schnittstelle und erhält eine Antwort, ohne das Modell selbst zu besitzen. Das bietet hohe Qualität, schnelle Weiterentwicklung und geringen Einrichtungsaufwand. Dem stehen Abhängigkeit vom Anbieter, laufende Nutzungskosten und die Frage gegenüber, wo und unter welchem Recht die Daten verarbeitet werden. Bei US-Anbietern findet grundsätzlich ein Datentransfer in den Einflussbereich eines Drittstaats statt, auch wenn EU-Rechenzentren gewählt werden können; die rechtliche Absicherung erfolgt über Angemessenheitsbeschluss, Standardvertragsklauseln und Auftragsverarbeitungsverträge und sollte im Einzelfall geprüft werden.
Daneben ist ein starkes Feld von Modellen mit offenen Gewichten entstanden. Diese Modelle lassen sich herunterladen und auf eigener Hardware oder bei einem Hoster der Wahl betreiben. Ihre Qualität reicht für viele klar umrissene Aufgaben – Dokumentenverstehen, Bildklassifikation, Spracherkennung – inzwischen gut aus, auch wenn die Spitzenmodelle bei komplexem Schlussfolgern meist vorn liegen. Wichtig: „Offene Gewichte“ heißt nicht automatisch „freie Nutzung“. Lizenzbedingungen, Nutzungsbeschränkungen und Pflichten unterscheiden sich erheblich und müssen vor dem produktiven Einsatz geprüft werden.
Europäische Anbieter wie Mistral AI bieten eigene, teils multimodale Modelle an, die sowohl als EU-gehosteter Dienst als auch mit offenen Gewichten verfügbar sind. Weitere europäische Unternehmen besetzen Nischen, etwa Übersetzung, souveräne Plattformen oder Hosting offener Modelle in deutschen Rechenzentren. Ihr großer Vorteil liegt in der Rechtssicherheit: EU-Sitz, EU-Hosting und vertragliche Gestaltung nach europäischem Recht. Der Funktionsumfang ist nicht in jeder Modalität so breit wie bei den großen US-Anbietern, für viele mittelständische Anwendungsfälle aber ausreichend.
Chinesische Modellhäuser haben vor allem im Bereich offener Vision-Language-Modelle sehr leistungsfähige Systeme veröffentlicht. Technisch sind sie ernst zu nehmen. Bei der Nutzung über die Cloud-Dienste dieser Anbieter werden Daten jedoch in einen Rechtsraum übermittelt, für den kein Angemessenheitsbeschluss besteht und in dem staatliche Zugriffsrechte weitreichend sein können. Für personenbezogene oder geschäftskritische Inhalte raten wir davon ab. Sofern offene Gewichte verfügbar sind, ist der Eigenbetrieb auf eigener oder europäischer Infrastruktur der deutlich sicherere Weg; auch dann sollten Lizenz, Herkunft und mögliche inhaltliche Verzerrungen des Modells geprüft werden.
Zwischen Modell und Anwendung liegt eine Schicht aus Plattformen und Werkzeugen. Die großen Cloud-Plattformen bündeln Modelle verschiedener Hersteller und bieten EU-Regionen, Zugriffssteuerung und Protokollierung. Inferenz-Software ermöglicht den effizienten Betrieb offener Modelle im eigenen Rechenzentrum. Workflow- und Automatisierungswerkzeuge verbinden Modelle mit E-Mail, Dokumentenmanagement, ERP und Telefonanlage. Und Fachanwendungen – von Spracherfassung bis Videoerstellung – verpacken multimodale Modelle in fertige Oberflächen. Für die meisten Unternehmen ist nicht die Wahl des einen richtigen Modells entscheidend, sondern eine Architektur, die den Austausch von Modellen erlaubt, ohne die gesamte Anwendung neu zu bauen.
Ein reines Textmodell genügt, wenn die Information bereits sauber als Text vorliegt: E-Mails, strukturierte Datenbankauszüge, Wissensartikel. Hier bringt ein multimodales Modell keinen Mehrwert, verursacht aber unter Umständen höhere Kosten. Auch spezialisierte unimodale Modelle – etwa eine reine Spracherkennung für Diktate oder ein trainiertes Bildklassifikationsmodell für eine einzige Prüfaufgabe in der Produktion – sind oft schneller, günstiger und genauer als ein Generalist. Der Mehrwert multimodaler Modelle entsteht dort, wo verschiedene Informationsquellen zusammengehören oder wo die Aufgabe so variabel ist, dass ein starres Spezialmodell nicht mithält.
Klassische Texterkennung wandelt Bildpunkte in Zeichen um. Sie ist ausgereift, lokal betreibbar, schnell und günstig, versteht aber nicht, was sie liest. Bei sauberen, gleichförmigen Dokumenten ist sie völlig ausreichend; in Kombination mit Regeln oder Vorlagen lassen sich auch Felder zuverlässig extrahieren. Ihre Schwächen zeigen sich bei wechselnden Layouts, schlechter Bildqualität, Handschrift und verschachtelten Tabellen. Ein multimodales Modell liest die Seite dagegen im Zusammenhang und kann auch Fragen zum Inhalt beantworten. Der Preis sind höhere Rechenkosten und das Risiko, dass das Modell unleserliche Stellen plausibel ergänzt, statt eine Lücke zu melden. Ausführlicher behandelt dies unser Artikel zu GLM OCR.
In der Praxis bewährt sich selten ein Entweder-oder. Typisch ist eine gestaffelte Architektur: Eine günstige, lokale Vorverarbeitung übernimmt die Standardfälle und die Datenvorbereitung, ein multimodales Modell greift bei komplexen oder unsicheren Fällen ein, und eine Regel- und Prüfschicht kontrolliert das Ergebnis. Ebenso kann eine Pipeline aus Spracherkennung und Textmodell für die Protokollierung von Gesprächen genügen, während für die Analyse von Tonfall oder Hintergrundgeräuschen ein natives Audiomodell sinnvoll ist. Diese Staffelung spart Kosten, verbessert die Nachvollziehbarkeit und erlaubt es, sensible Daten gezielt nur auf lokalen Systemen zu verarbeiten.
Bewährt hat sich, nicht das Modell, sondern die Daten zum Ausgangspunkt zu machen. Zuerst wird für jeden Anwendungsfall eingestuft, welche Informationen verarbeitet werden: öffentliche Produktbilder, interne Schulungsvideos, Kundenrechnungen, Gesprächsaufzeichnungen, Gesundheitsdaten. Daraus ergibt sich, welche Betriebswege überhaupt infrage kommen. Unkritische Inhalte können über eine globale Cloud laufen, Standard-Geschäftsdaten über eine EU-Region mit Vertrag, besonders schützenswerte Daten nur lokal. Viele Unternehmen landen so bei einem Mischbetrieb – mit einer zentralen Komponente, die Anfragen je nach Datenklasse an das passende Modell weiterleitet.
Für den Eigenbetrieb gilt: Multimodale Modelle stellen höhere Anforderungen an Grafikspeicher und Rechenleistung als reine Textmodelle, vor allem bei hochaufgelösten Bildern und Video. Der genaue Bedarf hängt von Modellgröße, Auflösung und Volumen ab und sollte in einem Lasttest ermittelt werden. Ein europäischer Hosting-Partner kann den Aufwand reduzieren, ohne die Datenhoheit aufzugeben.
Eingangsrechnungen: Ein Großhändler erhält Rechnungen von Hunderten Lieferanten in unterschiedlichsten Layouts. Ein multimodales Modell liest jede Rechnung als Seite, erkennt Kopf- und Positionsdaten und liefert sie in einem festen Format an die Buchhaltungssoftware. Eine Prüfschicht gleicht Bankverbindung, Umsatzsteuer-Identifikationsnummer und Summen mit den Stammdaten ab. Erkennt sie Abweichungen oder ist sich das Modell unsicher, landet die Rechnung bei einer Sachbearbeiterin. Der Nutzen liegt nicht im Wegfall der Prüfung, sondern darin, dass sich die Mitarbeitenden auf die Ausnahmen konzentrieren können. Wegen der enthaltenen Bank- und Personendaten ist hier ein EU- oder lokaler Betrieb angezeigt.
Qualitätsprüfung per Bild: Ein Metallbauer dokumentiert jede Lieferung mit Fotos. Ein Vision-Language-Modell prüft, ob Kennzeichnung, Verpackung und sichtbare Oberflächen den Vorgaben entsprechen, und formuliert bei Auffälligkeiten einen Prüfvermerk. Für die eigentliche Fertigungsprüfung im Takt sind spezialisierte, trainierte Bildverarbeitungssysteme meist besser geeignet; der multimodale Generalist spielt seine Stärke bei wechselnden Prüfobjekten, Reklamationsbearbeitung und Dokumentation aus.
Service-Hotline: Ein Haustechnik-Betrieb ist zu Stoßzeiten telefonisch kaum erreichbar. Ein Voice Agent nimmt Anrufe an, erfasst Anliegen, Adresse und Dringlichkeit, bietet freie Termine an und legt einen Vorgang an. Bei Notfällen oder Unklarheiten verbindet er sofort mit einem Menschen. Anrufende werden zu Beginn darüber informiert, dass sie mit einem KI-System sprechen, und Aufzeichnungen werden nur nach klarer Regelung gespeichert.
Schulungsvideos: Ein Maschinenbauer besitzt Hunderte Stunden Videomaterial zu Wartung und Bedienung, das niemand findet. Multimodale KI transkribiert die Videos, erkennt gezeigte Bauteile und Arbeitsschritte, erstellt Kapitelmarken und Zusammenfassungen und macht das Material über eine Suche zugänglich. Übersetzungen und neu erzeugte Lernvideos ergänzen das Angebot. Sind Mitarbeitende im Bild oder zu hören, sind Einwilligungen und Persönlichkeitsrechte zu beachten. Mehr dazu in den Artikeln zur KI-Videoerstellung und zum Vergleich von Text-to-Video-Modellen.
Ein guter Einstieg erfüllt drei Bedingungen: Er ist klar abgegrenzt, er erzeugt spürbaren Nutzen, und er lässt sich datenschutzkonform gestalten. Häufig eignen sich Anwendungsfälle mit hohem Volumen und gleichartigen Eingaben, etwa Eingangsrechnungen oder die Erschließung vorhandener Schulungsvideos. Erzeugende Anwendungen wie Bild- oder Videogenerierung sind oft schnell sichtbar, haben aber geringeren Prozesshebel und mehr rechtliche Nebenfragen. Wir empfehlen, mit einem verstehenden, prozessnahen Anwendungsfall zu beginnen und die Erfahrungen dann zu übertragen.
Der Erfolg hängt nicht allein an der Technik. Mitarbeitende müssen wissen, was das System kann und was nicht, wann sie Ergebnisse prüfen müssen und welche Daten sie einem Modell geben dürfen. Klare interne Richtlinien, kurze Schulungen und gut gestaltete Oberflächen für die Nachbearbeitung sind entscheidend. Der AI Act verlangt zudem, dass Unternehmen, die KI einsetzen, für ausreichende KI-Kompetenz ihres Personals sorgen. Wer früh einbindet, erntet Akzeptanz statt Misstrauen.
Die Modellnutzung selbst ist selten der größte Kostenblock. Teurer sind die Einbindung in bestehende Systeme, der Aufbau von Prüflogik und Ausnahmebehandlung, Tests mit echten Daten, Schulung und der laufende Betrieb. Bei multimodalen Anwendungen kommen zwei Besonderheiten hinzu: Erstens schwanken die Verbrauchskosten stark mit Auflösung und Länge der Eingaben – ein unbedacht gewähltes Format kann die Kosten vervielfachen. Zweitens sind Audio- und Videodaten groß, was Speicher, Übertragung und Aufbewahrung betrifft. Eine belastbare Kalkulation entsteht deshalb nur aus einem Pilot mit realistischen Volumina und einer Messung der Kosten pro Vorgang.
Die DSGVO unterscheidet nicht zwischen Text und Bild – aber multimodale Daten enthalten oft mehr personenbezogene Informationen, als man auf den ersten Blick sieht. Ein Foto einer Maschine zeigt womöglich eine Person im Hintergrund, ein Screenshot enthält Kundendaten, eine Gesprächsaufzeichnung erlaubt Rückschlüsse auf Stimmung und Gesundheit. Deshalb gelten die bekannten Grundsätze mit besonderer Schärfe: Datenminimierung (nur übergeben, was nötig ist, Bildausschnitte wählen, Gesichter oder Kennzeichen schwärzen), Zweckbindung, Speicherbegrenzung und Transparenz gegenüber Betroffenen. Bei Nutzung von US-Anbietern ist der Datentransfer rechtlich abzusichern und die Möglichkeit staatlicher Zugriffe in die Risikobewertung einzubeziehen; EU-Regionen und europäische Anbieter verringern das Risiko, Self-Hosting minimiert es. Für die Cloud-Dienste chinesischer Anbieter raten wir bei personenbezogenen Daten ab; offene Modelle aus China sollten, wenn überhaupt, lokal betrieben werden. Für umfangreiche oder risikoreiche Verarbeitungen kann eine Datenschutz-Folgenabschätzung erforderlich sein.
Der europäische AI Act regelt KI nach Risikoklassen und wird schrittweise wirksam. Für die meisten mittelständischen Anwendungen multimodaler KI – Dokumentenverarbeitung, Bildprüfung, Wissensmanagement – gelten keine Hochrisiko-Anforderungen, wohl aber allgemeine Pflichten. Dazu zählen die Förderung von KI-Kompetenz beim Personal sowie Transparenzpflichten: Menschen müssen erkennen können, dass sie mit einem KI-System interagieren, etwa bei einem Voice Agent, und künstlich erzeugte oder manipulierte Bild-, Ton- und Videoinhalte, die echt wirken, sind zu kennzeichnen. Bestimmte Praktiken, etwa Emotionserkennung am Arbeitsplatz, sind grundsätzlich untersagt; bestimmte Formen biometrischer Systeme unterliegen strengen Vorgaben. Wer multimodale KI für Personalentscheidungen oder in sicherheitsrelevanten Bereichen einsetzt, kann in die Hochrisiko-Kategorie fallen und sollte die Anforderungen frühzeitig prüfen. Die Anbieter großer Basismodelle tragen eigene Pflichten; die Verantwortung für den konkreten Einsatz bleibt aber beim einsetzenden Unternehmen.
Bei erzeugenden Anwendungen kommen weitere Rechtsfragen hinzu. Ob und in welchem Umfang an KI-generierten Bildern, Stimmen oder Videos Schutzrechte entstehen, ist nicht abschließend geklärt; ebenso können Ergebnisse geschützten Werken zu nahe kommen. Stimmen und Gesichter realer Personen dürfen nur mit deren Einwilligung nachgebildet werden. Nutzungsbedingungen der Anbieter regeln teils, wofür Ausgaben verwendet werden dürfen. Unternehmen sollten interne Regeln für generierte Inhalte aufstellen, Freigabeprozesse etablieren und Kennzeichnungspflichten konsequent umsetzen.