- Einordnung: Künstliche Intelligenz ist der Oberbegriff. Maschinelles Lernen ist ein Teilgebiet, das Modelle aus Daten trainiert. Ein fest programmiertes Regelwerk ist dagegen zunächst klassische Automatisierung.
- Rechtlicher Stand: Artikel 50 des EU AI Act gilt seit dem 2. August 2026 für bestimmte interaktive und generative KI-Systeme. Welche Pflicht greift, hängt von Rolle und Einsatzfall ab. Erläuterungen der Europäischen Kommission.
Der praktische Unterschied zwischen KI und maschinellem Lernen liegt nicht im Etikett, sondern in der technischen Funktionsweise. Ein n8n-Workflow mit festen Bedingungen führt vorgegebene Regeln aus. Ein ML-Modell leitet Muster aus Trainingsdaten ab und erzeugt daraus Vorhersagen oder Klassifikationen. Für Shop-Betreiber ist diese Trennung wichtig, weil Datenbedarf, Wartung, Kosten und Risiken unterschiedlich ausfallen.
- Was unterscheidet KI von maschinellem Lernen?
- KI, ML und Deep Learning im Vergleich
- Wie funktioniert maschinelles Lernen?
- In vier Schritten den passenden Ansatz wählen
- Regelwerk, KI-System oder ML-Modell?
- Typische Einsatzfelder im Mittelstand
- Was Artikel 50 des EU AI Act verlangt
- Entscheidungshilfe für Shop-Projekte
- Auf einen Blick
Was unterscheidet KI von maschinellem Lernen?
Künstliche Intelligenz bezeichnet ein breites Feld von Systemen, die aus Eingaben Ergebnisse wie Vorhersagen, Inhalte, Empfehlungen oder Entscheidungen ableiten. Maschinelles Lernen ist eine Methode innerhalb dieses Feldes. Beim ML wird ein Modell mit Beispieldaten trainiert. Es erkennt statistische Zusammenhänge und wendet sie auf neue Daten an.
Eine feste Shop-Regel wie „Wenn der Lagerbestand unter den Grenzwert fällt, erstelle einen Bestellvorschlag“ ist noch kein maschinelles Lernen. Sie bleibt nachvollziehbar und liefert bei gleicher Eingabe dasselbe Ergebnis. Ein Prognosemodell kann dagegen Bestellhistorie, Saison, Aktionen und Lieferzeiten gemeinsam auswerten. Sein Ergebnis ist eine berechnete Wahrscheinlichkeit, keine fest hinterlegte Antwort.
Auch eine reine Wenn-Dann-Kette ist nicht automatisch ein KI-System. Der EU AI Act stellt auf die Fähigkeit zur Inferenz ab und grenzt einfachere Software, die nur von Menschen definierte Regeln ausführt, von KI-Systemen ab. Maßgeblich ist deshalb die konkrete Architektur, nicht die Produktbezeichnung. Verordnung (EU) 2024/1689 im EUR-Lex.
KI, ML und Deep Learning im Vergleich
Die Begriffe beschreiben verschiedene Ebenen. Deep Learning ist eine spezialisierte Form des maschinellen Lernens. Es nutzt mehrschichtige neuronale Netze und eignet sich unter anderem für Bild-, Sprach- und Textverarbeitung. Klassische ML-Verfahren können je nach Aufgabe mit Tabellen, Zeitreihen, Textmerkmalen oder Bildmerkmalen arbeiten. Die Datenart allein entscheidet daher nicht über die Methode.
| Ebene | Kernidee | Beispiel im eCommerce |
|---|---|---|
| Künstliche Intelligenz | Oberbegriff für Systeme, die aus Eingaben Inhalte, Empfehlungen, Vorhersagen oder Entscheidungen ableiten. | Sprachassistent, visuelle Suche oder Empfehlungssystem. |
| Maschinelles Lernen | Modelle lernen statistische Muster aus Trainingsdaten. | Absatzprognose, Betrugserkennung oder Produktempfehlung. |
| Deep Learning | Mehrschichtige neuronale Netze verarbeiten komplexe Muster. Vortrainierte Modelle können den eigenen Datenbedarf reduzieren. | Bildklassifikation, semantische Suche oder Sprachverarbeitung. |
Quelle und fachliche Vertiefung: Google Cloud, Deep Learning vs. Machine Learning vs. AI.
Deep Learning ist nicht automatisch die bessere Wahl. Ein einfacheres Modell kann bei kleinen oder sauber strukturierten Datensätzen leichter zu prüfen, günstiger zu betreiben und stabiler zu warten sein. Vortrainierte Modelle und Transfer Learning verändern außerdem den Datenbedarf. Pauschale Aussagen wie „Deep Learning braucht immer Big Data“ greifen deshalb zu kurz.
Wie funktioniert maschinelles Lernen?
Ein ML-Projekt besteht aus Datenaufbereitung, Training, Prüfung und Betrieb. Zuerst wird festgelegt, welche Frage das Modell beantworten soll. Danach werden geeignete historische Daten bereinigt und in Trainings- und Testdaten getrennt. Das Modell passt seine Parameter anhand der Trainingsdaten an. Erst die Prüfung mit bislang unbekannten Daten zeigt, ob es verlässlich genug arbeitet.
Im Shop kann ein Modell zum Beispiel aus vergangenen Bestellungen ableiten, welche Artikel häufig gemeinsam gekauft werden. Es verbessert sich jedoch nicht automatisch mit jeder neuen Bestellung. Dafür braucht es einen geregelten Prozess: neue Daten prüfen, das Modell erneut trainieren, mit einer Baseline vergleichen und erst nach erfolgreicher Validierung ausrollen. Ohne dieses Monitoring kann die Qualität durch veränderte Sortimente, Preise oder Kaufmuster sinken.
Die Modellgüte hängt nicht nur vom Algorithmus ab. Fehlende Werte, falsch zugeordnete Retouren oder nicht markierte Lieferengpässe können ein Ergebnis stärker verfälschen als die Wahl zwischen zwei Modellklassen. Für die Praxis ist daher ein kleiner, messbarer Anwendungsfall meist sinnvoller als ein breites KI-Projekt ohne klare Zielgröße.
In vier Schritten den passenden Ansatz wählen
- Problem und Entscheidung definieren. Formulieren Sie, welche konkrete Eingabe zu welchem Ergebnis führen soll. „KI einsetzen“ ist kein technisches Ziel. „Bestellvorschläge für Produkte mit saisonaler Nachfrage erstellen“ ist prüfbar.
- Regelbasierte Lösung zuerst prüfen. Wenn sich der Ablauf mit wenigen stabilen Bedingungen beschreiben lässt, ist ein Workflow oft transparenter und leichter zu warten als ein Modell.
- Daten und Baseline bewerten. Für ML brauchen Sie passende historische Daten und einen einfachen Vergleichswert. Ein Prognosemodell sollte beispielsweise eine nachvollziehbare Regel oder die bisherige manuelle Planung messbar übertreffen.
- Betrieb und Kontrolle planen. Legen Sie fest, wer Ergebnisse prüft, wie Fehler erfasst werden und wann ein Modell neu trainiert oder abgeschaltet wird.
Diese Reihenfolge verhindert, dass ein einfaches Automatisierungsproblem unnötig zu einem ML-Projekt wird. Sie zeigt zugleich, wann Regeln nicht mehr ausreichen und ein datengetriebener Ansatz begründet ist.
Ein Chatbot ist nur dann hilfreich, wenn Wissensbasis, Übergabe an Menschen und Fehlergrenzen klar definiert sind.
Regelwerk, KI-System oder ML-Modell?
Regelbasierte Automatisierung und maschinelles Lernen lösen unterschiedliche Arten von Problemen. Ein Versandkostenrechner, eine Mahnstufe oder die Weiterleitung einer E-Mail nach einem eindeutigen Betreff lassen sich meist mit festen Bedingungen abbilden. Das Ergebnis bleibt nachvollziehbar, Änderungen werden direkt im Regelwerk vorgenommen.
Ein ML-Modell wird interessant, wenn viele Merkmale zusammenspielen und keine überschaubare Regelmenge das Problem ausreichend beschreibt. Beispiele sind Nachfrageprognosen, Anomalien in Transaktionen oder Empfehlungen aus längeren Nutzungsverläufen. Auch dann braucht das Modell klare Grenzen und menschliche Kontrolle.
Logik- und wissensbasierte Verfahren können ebenfalls Teil eines KI-Systems sein, wenn sie tatsächlich Schlussfolgerungen aus Wissen oder symbolischen Darstellungen ableiten. Eine einfache, vollständig von Menschen vorgegebene Operationskette erfüllt dieses Merkmal dagegen nicht allein deshalb, weil sie automatisiert läuft.
Typische Einsatzfelder im Mittelstand
| Aufgabe | Möglicher Ansatz | Wichtige Voraussetzung |
|---|---|---|
| Wiederkehrende Dokumente zuordnen | Regeln, OCR oder Klassifikationsmodell | Klare Dokumenttypen und Prüfprozess |
| Absatz prognostizieren | Zeitreihenmodell oder anderes ML-Verfahren | Bereinigte Bestellhistorie und Baseline |
| Produktbilder klassifizieren | Vortrainiertes Bildmodell oder Deep Learning | Geeignete Beispielbilder und Qualitätskontrolle |
| Standardfragen beantworten | Wissensbasierter Chatbot | Freigegebene Inhalte und Übergabe an Menschen |
Praxisbeispiele und weiterführende Informationen: Mittelstand-Digital, Künstliche Intelligenz.
Für einen Shop ist nicht jede theoretisch passende Methode wirtschaftlich sinnvoll. Entscheidend sind Datenqualität, Fehlerkosten, Wartungsaufwand und die Möglichkeit, Ergebnisse zu prüfen. Eine kleine Lösung mit klarer Verantwortung ist oft belastbarer als ein umfangreiches Modell, dessen Verhalten niemand regelmäßig kontrolliert.
Was Artikel 50 des EU AI Act verlangt
Artikel 50 enthält Transparenzpflichten für bestimmte KI-Systeme, nicht für jede Software mit einem KI-Label. Betroffen sind unter anderem Systeme, die unmittelbar mit Menschen interagieren, Anbieter generativer Systeme, bestimmte biometrische oder emotionserkennende Anwendungen sowie bestimmte Deepfakes und KI-generierte Texte von öffentlichem Interesse. Die konkrete Pflicht hängt davon ab, ob ein Unternehmen Anbieter oder Betreiber ist und wie das System eingesetzt wird.
Die Vorschrift gilt seit dem 2. August 2026. Für einzelne Systeme, die bereits vorher auf dem Markt waren, bestehen besondere Übergangsregelungen. Eine verständliche Übersicht bietet die Europäische Kommission zu Artikel 50. Der Verordnungstext steht im EUR-Lex.
Für Shop-Projekte bedeutet das: Ein Chatbot sollte sich klar als KI-System zu erkennen geben, wenn dies für die Nutzer nicht ohnehin offensichtlich ist. Bei automatisierten Entscheidungen über Menschen können zusätzlich Datenschutzrecht und weitere Vorschriften relevant werden. Dieser Artikel ersetzt keine rechtliche Prüfung des konkreten Einsatzfalls.
Entscheidungshilfe für Shop-Projekte
Beginnen Sie mit der einfachsten Architektur, die das Problem messbar löst. Für feste Versandregeln, Statuswechsel oder definierte Freigaben reicht meist ein Workflow. Für Vorhersagen aus vielen historischen Merkmalen kann ML sinnvoll sein. Für Bilder, Sprache oder komplexe Texte kommen häufig vortrainierte Deep-Learning-Modelle infrage.
Vor einer Entscheidung sollten vier Fragen beantwortet sein: Welche Daten stehen zur Verfügung? Wie wird ein gutes Ergebnis gemessen? Wer prüft Fehlentscheidungen? Was passiert, wenn Modell oder Schnittstelle ausfallen? Ohne diese Antworten bleibt die Technologieauswahl eine Vermutung.
Standard-Plugins können für häufige Szenarien ausreichen. Eine individuelle Entwicklung lohnt sich erst, wenn der vorhandene Funktionsumfang eine konkret dokumentierte Anforderung nicht erfüllt. Kosten und Nutzen lassen sich seriös nur für den jeweiligen Prozess, die Datenlage und den erwarteten Pflegeaufwand bewerten.
Auf einen Blick
- Künstliche Intelligenz
- Oberbegriff für maschinenbasierte Systeme, die aus Eingaben Ergebnisse wie Inhalte, Empfehlungen, Vorhersagen oder Entscheidungen ableiten.
- Maschinelles Lernen
- Teilgebiet der KI, bei dem ein Modell statistische Muster aus Trainingsdaten lernt.
- Deep Learning
- Form des maschinellen Lernens mit mehrschichtigen neuronalen Netzen.
- Regelbasierte Automatisierung
- Führt vorgegebene Bedingungen aus und ist nicht allein durch die Automatisierung ein KI-System.
Für die Praxis zählt nicht, welches Etikett ein Anbieter verwendet. Prüfen Sie, wie ein System zu seinem Ergebnis kommt, welche Daten es benötigt und wie sich Fehler erkennen und korrigieren lassen.
Bot-Agent: aktueller Automatisierungskatalog
Der Katalog zeigt für jede Automatisierung transparent, was bereits in eigenen Projekten läuft und was noch als Prototyp vorgesehen ist. Bestellungen sind derzeit nicht geöffnet.
Status und Katalog ansehen →Häufig gestellte Fragen
Was ist der Unterschied zwischen Künstlicher Intelligenz und maschinellem Lernen?
Ist ein Wenn-Dann-Workflow bereits künstliche Intelligenz?
Wann lohnt sich maschinelles Lernen im Onlineshop?
Verbessert sich ein ML-Modell automatisch mit neuen Daten?
Braucht Deep Learning immer sehr große eigene Datensätze?
