Erkennung regulatorischer Drift — Glossar

Definition

Regulatorische-Drift-Erkennung ist die Praxis, Änderungen in Gesetzen, Verordnungen, Verwaltungsanweisungen oder internen Policies zu identifizieren, die ein KI-System beeinflussen. In Legal- und Tax-Kontexten bedeutet “Drift” häufig: Eine zuvor korrekte Antwort oder Zitierung ist nicht mehr gültig, weil sich die zugrunde liegende Quelle geändert hat.

Warum es wichtig ist

Aktualität: rechtliche Pflichten ändern sich oft schneller als Modelle und Content-Pipelines.
Risikokontrolle: Drift kann unbemerkt Compliance-Exposure erzeugen.
Nachvollziehbarkeit: unterstützt Dokumentation von Änderungen und Updates.
Messbarkeit: macht “up to date bleiben” zu einem kontrollierten Prozess.

Wie es funktioniert

Üblich ist eine Kombination aus Quellenmonitoring und operativen Triggern:

Autoritative Quellen überwachen -> Änderungen erkennen -> Impact klassifizieren -> Index/Prompts updaten -> dokumentieren + reviewen

Signale: neue Fassungen von Normen, Änderungen/Aufhebungen, neue Rundschreiben, Rechtsprechung mit neuer Auslegung, oder neue interne Policies, die Retrieval und Disclosure einschränken.

Praktisches Beispiel

Ein Steuersatz oder ein Reporting-Schwellenwert ändert sich auf einer offiziellen Website. Drift Detection erkennt die Änderung, stößt Re-Indexing an und erzeugt eine Review-Aufgabe für Antworten, die die alte Regel zitiert haben.

Häufige Fragen

Q: Ist das dasselbe wie Model Drift?

A: Nein. Model Drift betrifft Datenverteilungen und Performance. Regulatorische Drift betrifft die Regeln, die eingehalten und zitiert werden müssen.

Q: Was sollte bei erkannter Drift passieren?

A: Mindestens: Quellen aktualisieren, Retrieval/Answer-Evaluation für betroffene Themen neu laufen lassen und die Änderung in Dokumentation/Logs festhalten.

Referenzen

Verordnung (EU) 2024/1689 (EU AI Act).

NIST (2023), AI Risk Management Framework (AI RMF 1.0).

References

Regulation (EU) 2024/1689 (EU AI Act).