Korrektorat, Stilprüfung & Umformulierung in Markenstimme

Jede Organisation schreibt pro Woche Tausende Texte: E-Mails, Webseiten, Handbücher, Angebote, Support-Antworten. Viele Personen schreiben sie, und viele dieser Texte sind inzwischen LLM-Entwürfe. Rechtschreibfehler, uneinheitliche Begriffe und ein Ton, der nicht zur Marke passt, kosten Glaubwürdigkeit, und menschliches Lektorat lässt sich nicht beliebig skalieren. KI-Schreibassistenten verbinden regelbasierte Prüfungen (Rechtschreibung, Grammatik, Terminologie, Hausstil) mit LLM-Umformulierung (Klarheit, Ton, Länge, Markenstimme). Sie sitzen in den Werkzeugen, die die Menschen ohnehin nutzen, und liefern Vorschläge, die die Autorin oder der Autor annimmt. Das einfache Korrektorat ist heute in Office-Pakete und Betriebssysteme eingebaut. Was Produkte 2026 unterscheidet, ist, wie gut sie den eigenen Styleguide, die Terminologie und die Stimme eines Unternehmens durchsetzen, mit nachvollziehbaren und wiederholbaren Prüfungen.

Problem & Nutzen

• Heute: Rechtschreibprüfungen in Word/Outlook fangen Tippfehler ab. Styleguides liegen in einem PDF, das niemand liest, Terminologielisten in Excel, und die Prüfung durch Marke und Recht geschieht spät und von Hand. Seit dem Einsatz generativer KI wird deutlich mehr Text geschrieben, vieles davon in einer generischen "KI-Stimme".
• KI-Nutzen: gleichbleibende Qualität über alle Autorinnen, Autoren und Sprachen, weniger Prüfschleifen, durchgesetzte Terminologie (wichtig für technische Dokumentation und Übersetzungskosten) und eine einheitliche Markenstimme in kundennahen Texten. Auch Schreibende, die nicht in ihrer Muttersprache arbeiten, können geschäftstaugliche Texte erstellen.
• Belege: Writer berichtet von 70 % Zeitersparnis bei abgeleiteten Inhalten bei KPMG und 57 % schnellerer Markteinführung bei Vanguard (herstellerseitig berichtete Fallzahlen, die breitere Content-Workflows umfassen und nicht nur das Korrektorat) [5]. Unabhängige, gemessene Vergleichstests zur Einhaltung der Markenstimme gibt es nicht. Die grammatische Fehlerkorrektur (GEC) selbst ist eine gut erforschte akademische Aufgabe [9].

Varianten

• Privatnutzer / Studierende: kostenlose Stufen von LanguageTool, Duden Mentor, DeepL Write, Grammarly. Schreibwerkzeuge sind zudem ins Betriebssystem eingebaut (Apple Writing Tools, Copilot in Windows/Word, Gemini in Google Docs). Zur Nutzung bei Prüfungen und benoteten Aufsätzen siehe EDU-003. Für Lebensläufe und Anschreiben siehe PERS-012.
• KMU: Team-Tarife mit gemeinsamem Wörterbuch, einfachen Stilregeln und Tonprofilen (LanguageTool Team, DeepL Write Pro, Grammarly Pro).
• Marketing & Kommunikation im Großunternehmen: Profile der Markenstimme, gesteuerte Terminologie, Qualitätswerte und Qualitätsschranken in CMS/DAM sowie eine Prüfung von LLM-Ausgaben vor der Veröffentlichung (Markup AI, früher Acrolinx; Writer). Das verweist auf SEO- und Marketing-Inhaltserzeugung (LANG-001, LANG-005).
• Technische Dokumentation: kontrollierte Sprache (ASD-STE100 Simplified Technical English), übersetzungsgerechtes Schreiben und Terminologiemanagement (Congree, Markup AI). Das ist die Prüfebene für LANG-022 und senkt die Übersetzungskosten in LANG-009.
• Docs-as-Code / Entwickler: Prosa-Linting in CI mit Vale (YAML-Regeln, GitHub Action) [7], optional mit einem LLM-Schritt für Umformulierungsvorschläge.
• Öffentlicher Sektor: Regeln für Einfache Sprache und geschlechtergerechtes Schreiben in amtlichen Schreiben und auf Websites. Die vollständige Umstellung auf Leichte Sprache ist LANG-010.
• Abgrenzung: Die Prüfung regulierter Werbeaussagen (HWG, Finanzwerbung, Umweltaussagen) ist LANG-024. Übersetzung ist LANG-009. Faktenprüfung ist LANG-021. Das Erzeugen neuer Texte von Grund auf ist LANG-001/002/003.

So funktioniert es

1. Text aus Editor / Add-in / CMS / API / CI
2. Segmentierung + Spracherkennung
3. deterministische Schicht: Rechtschreibung, Grammatikregeln, Terminologie-DB, Styleguide-Regeln (Regex/NLP)
4. ML-Schicht: GEC-Modell (Seq2Seq oder Encoder-Tagger) für Fehler, die Regeln übersehen
5. LLM-Schicht: Klarheit, Ton, Länge, Umschreiben im Markenton (Styleguide + Beispieltexte im Prompt oder abgerufen)
6. Diff + Erklärung je Vorschlag, Score je Regelkategorie
7. Autor übernimmt / lehnt ab (Human-in-the-Loop)
8. optionales Qualitätstor (CMS-Veröffentlichung, CI-Build)
9. Feedback (Quoten angenommen/ignoriert)
10. Regeln und Prompts abstimmen

• Hybrid ist der Standard. Regeln und Terminologie sind deterministisch und nachvollziehbar, derselbe Text liefert also dasselbe Ergebnis. Markup AI wirbt mit deterministischen Werten für Qualitätsschranken [2]. LLMs übernehmen die offene Umformulierung, bei der Erklärungen und Wiederholbarkeit schwächer sind.
• Die Markenstimme wird als strukturiertes Profil übergeben (Listen mit Dos und Don'ts, Tonmerkmale, freigegebene Beispiele). Bei großen Beispielmengen werden die ähnlichsten freigegebenen Texte mit Text-Embeddings abgerufen und dem Modell als Few-Shot-Beispiele mitgegeben.
• Minimale Korrekturen vs. Flüssigkeitskorrekturen: Das Korrektorat sollte nur ändern, was falsch ist. Eine Umformulierung ändert den Wortlaut bewusst. Beide Modi sollten getrennt bleiben, wie es die API von DeepL mit den getrennten Endpunkten /write/correct und /write/rephrase handhabt [1].
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Autorin oder der Autor behält die redaktionelle Kontrolle. Automatisches Umformulieren ohne Prüfung eignet sich nur für Texte mit geringem Risiko, etwa die Vereinheitlichung interner Notizen.

Datenaufbereitung

Die Grundlage sind selten Daten im klassischen Sinn, sondern das Schreibwissen des Unternehmens: ein Styleguide als PDF oder Word-Datei, Produktnamen im ERP oder PIM, freigegebene Texte im CMS und Markenrichtlinien beim Marketing. Vieles davon ist implizit und steckt in den Köpfen von zwei erfahrenen Redakteuren.

Typische Lücken sind veraltete oder widersprüchliche Styleguides, keine Liste verbotener und bevorzugter Begriffe, verstreute Beispieltexte und keine definierte Markenstimme. Entwürfe enthalten oft Kundendaten oder unveröffentlichte Zahlen, die Wahl des Werkzeugs hängt daher davon ab, was das Unternehmen verlässt.

Aufbereitungsschritte: 1. Den Styleguide auf 1 bis 2 Seiten prüfbarer Regeln verdichten (Schreibvarianten, Ton, Zahlenformate, inklusive Sprache) (PREP-014). 2. Eine Terminologieliste mit freigegebenen, veralteten und verbotenen Begriffen aufbauen (PREP-015). 3. Je Kanal 10 bis 20 Mustertexte als Beispiele der Markenstimme sammeln (PREP-016). 4. Festlegen, welche Textklassen in welches Werkzeug gelangen dürfen (PREP-024). 5. Die Annahme- und Ablehnungsentscheidungen der Redaktion erfassen, um Regeln zu verfeinern (PREP-021).

Aufwand: gering, etwa 10 Prozent, überwiegend für die Zusammenführung von Styleguide und Begriffen. Beginnen Sie mit der Standard-Rechtschreibprüfung und ergänzen Sie eigene Regeln Schritt für Schritt.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil ausgereifte, in der EU gehostete Schreibassistenten mit Team-Glossaren zu niedrigen Preisen pro Arbeitsplatz verfügbar sind und der Prozess Standard ist.
• Großunternehmen: Weg B, weil Markenstimme, Terminologie und Compliance-Prüfungen über eine gemeinsame API-Schicht in der CMS- und Editor-Landschaft durchgesetzt werden sollten.
• Entwickler: Weg C, weil Docs-as-Code-Linting mit Open-Source-Werkzeugen wie Vale oder einem selbst betriebenen LanguageTool in CI läuft, ohne Text nach außen zu senden.
• Privat: Weg A, weil Browser- und Office-Erweiterungen für das persönliche Schreiben ausreichen.
• Öffentlicher Sektor: Weg C, weil Entwürfe von Bescheiden und Pressemitteilungen oft vertraulich sind und ein selbst betriebener Prüfer auf EU-Infrastruktur Vergabehürden vermeidet.

Weg A — Kaufen (Standardsoftware, für die meisten KMU empfohlen)

• Allgemeine Schreibassistenten: LanguageTool (EU, Team-Wörterbuch und Styleguide-Regeln, AVV nach DSGVO) [3]; DeepL Write Pro (EU, Köln, Stile und Töne, Pro-Daten nicht für Training genutzt, ISO 27001 / SOC 2 Typ II) [4]; Duden Mentor (DE, stark für Deutsch); Grammarly (seit Okt. 2025 Teil der Superhuman-Suite, mit Markentonprofilen je Team und Agenten in Superhuman Go) [6][8]; Microsoft 365 Copilot / Editor, Google Gemini in Workspace.
• Content-Governance für Großunternehmen: Markup AI (früher Acrolinx, Wurzeln in Berlin; im Sep. 2025 umbenannt, mit 15 "Content Guardian Agents" für Stil, Terminologie, Markenstimme, Werbeaussagen und Eignung für KI-Suche, erreichbar über API und MCP) [2]; Writer (Markenstimme, Terminologie, Palmyra-Modelle, Agentenplattform) [5]; Congree (Karlsruhe, DE; regelbasiertes Schreiben mit Terminologie, STE, geschlechtergerechter und einfacher Sprache, kombiniert mit externer generativer KI) [10].
• A wählen, wenn: Schreibende in Office/Google/Browser arbeiten und ein gemeinsames Wörterbuch und Stilregeln brauchen. Das trifft auf nahezu jedes KMU zu. Prüfen Sie EU-Hosting, eine Klausel gegen Training, SSO und Terminologieimport (TBX/CSV).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Spezialisierte APIs: DeepL API /v2/write/correct und /v2/write/rephrase mit writing_style oder tone, 11 Sprachen, nur im Pro-Tarif [1]; LanguageTool HTTP API (Cloud oder selbst betrieben); Markup AI API.
• LLM-Umformulierung: Mistral (EU-Anbieter; z. B. Mistral Medium 3.5, Mistral Small 4) [11], Claude, GPT oder Gemini in EU-Datenregionen (Azure OpenAI EU Data Zone, Vertex AI EU, Bedrock Frankfurt). Den Styleguide in einen zwischengespeicherten System-Prompt legen. Strukturiertes JSON zurückgeben (original, suggestion, rule_id, explanation), damit die Oberfläche Unterschiede anzeigen kann, statt einen stillschweigend umgeschriebenen Text zu liefern.
• Einbindungspunkte: Word-/Outlook-Add-ins (Office.js), CMS-Plug-ins (WordPress, AEM, Contentful), Makros in Zendesk/Freshdesk, ein Webhook vor der Veröffentlichung oder ein MCP-Werkzeug für interne Agenten.
• B wählen, wenn: Sie Prüfungen im eigenen Produkt, CMS oder Support-Prozess brauchen oder einen Prüfschritt nach anderen Anwendungsfällen der Texterzeugung.

Weg C — Selbst betreiben (Open Source)

• Regelebene: LanguageTool-Server (LGPL 2.1, Java, läuft lokal auf Port 8081, 30+ Sprachen) [3]; Vale (MIT, YAML-Regeln, Stilpakete aus der Community, vale-action für CI) [7]; Hunspell-Wörterbücher.
• LLM-Ebene: Mistral Small 4 (Apache 2.0) [11], die Qwen3-Familie, Gemma 3 oder Ministral 3 (8B/14B, Apache 2.0) [11], betrieben mit vLLM oder Ollama, mit strukturierten Ausgaben für das Vorschlags-JSON.
• Hardware: Ein regelbasierter Server läuft auf einer CPU (HW1). LLM-Umformulierung für einige hundert Nutzer passt auf eine GPU mit 24–32 GB und ein quantisiertes Modell mit ≤ 30B (HW2). Der Betriebsaufwand ist gering bis mittel: Wörterbücher und Modelle aktualisieren und nach jeder Änderung eine Bewertungsmenge hauseigener Texte durchlaufen lassen.
• C wählen, wenn: Texte vertraulich sind (F&E, Recht, Gesundheit, Behörde) oder Sie bereits einen privaten LLM-Server betreiben (PERS-005 zu Hause oder ein GPU-Server im Unternehmen).

Weg D — Eigenes Training

Für das allgemeine Korrektorat lohnt es sich selten. In zwei Fällen zahlt es sich aus. (1) Bei einer starken, eigenständigen Markenstimme oder kontrollierter Sprache in hohem Volumen: Ein LoRA-Feintuning eines kleinen offenen Modells mit mehreren Tausend freigegebenen Vorher-/Nachher-Paaren oder markenkonformen Texten liefert einen einheitlicheren Ton als Prompting, bei geringeren Inferenzkosten. (2) Bei GEC für eine Sprache mit wenigen Daten oder für Fachjargon, mit den von der Redaktion angenommenen Korrekturen als Trainingsdaten. In beiden Fällen sollte die Regel- und Terminologieebene deterministisch bleiben.

Stand der Technik (2026)

• Korrektorat als Standardfunktion: Rechtschreib- und Grammatikkorrektur ist in jede Office-Suite, jeden Browser und jedes Betriebssystem eingebaut. Die Abgrenzung hat sich zur Steuerung verschoben: Unternehmensregeln, Terminologie, Markenstimme, Werte und Qualitätsschranken über viele Werkzeuge hinweg per API/MCP [2][5].
• LLMs vs. spezialisierte GEC: Eine ACL-Studie von 2024 mit 10 offenen und kommerziellen LLMs auf vier GEC-Benchmarks ergab, dass LLMs überwachte GEC-Systeme nicht durchgängig schlagen. Kommerzielle LLMs schnitten bei Benchmarks für Flüssigkeitskorrekturen am besten ab, und mehrere offene Modelle schlugen kommerzielle bei Benchmarks für minimale Korrekturen [9]. In der Praxis neigen LLMs dazu, zu viel zu korrigieren und den Stil zu ändern, wenn nur eine Korrektur verlangt war.
• Prüfung von KI-Ausgaben: Neue Prüfkategorien zielen auf "KI-klingenden" Text, nicht belegte Aussagen und die Eignung für KI-Suchantworten. Markup AI liefert dafür eigene Agenten [2]. Schreibwerkzeuge werden zu Agenten, die anwendungsübergreifend arbeiten (Superhuman Go) [6].
• Grenzen: LLM-Umformulierungen können Bedeutung, Zahlen oder juristische Nuancen unmerklich verändern. Die Einhaltung der Markenstimme lässt sich schwer objektiv messen. Die Qualität schwankt stark zwischen den Sprachen: Englisch und Deutsch sind stark, kleinere EU-Sprachen schwächer. Erklärungen zu LLM-Vorschlägen können nachträglich erfunden sein.

Gemeinsame Bausteine & Kombinationen

• Gleicher LLM-Server (llm-general/llm-small, HW2): LANG-001 Werbetexte, LANG-002 E-Mail-Entwürfe, LANG-005 SEO-Inhalte, LANG-007 Social-Media-Beiträge, LANG-010 Einfache Sprache. Ein selbst betriebenes Modell plus ein gemeinsamer Speicher für Styleguide/Terminologie bedient sie alle, und LANG-011 ist in jedem davon der abschließende Prüfschritt.
• Terminologiedatenbank, gemeinsam genutzt mit der Übersetzung LANG-009 (Glossare) und der technischen Dokumentation LANG-022 (CCMS).
• Nachgelagerte Prüfungen: LANG-024 Werbe-Compliance (Aussagen), LANG-021 Faktenprüfung, DOC-026 / CODE-017 Barrierefreiheit (Alternativtexte, lesbare Sprache).
• Bewertung & Beobachtbarkeit: eine Regressionsmenge hauseigener Texte und Protokolle angenommener Vorschläge, gemeinsam genutzt mit CODE-018 LLMOps.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage. Kosten pro Arbeitsplatz und Monat (z. B. das Add-on DeepL Write Pro für 6,99 € pro Nutzer/Monat bei jährlicher Abrechnung [4]); Governance-Plattformen für Großunternehmen werden individuell angeboten. Die Hauptarbeit besteht darin, den Styleguide in Regeln zu überführen und die Terminologie zu importieren.
• Weg B: 2–6 Wochen für ein Add-in oder eine CMS-Prüfung. Die Token-Kosten sind niedrig, weil die Eingaben kurz sind.
• Weg C: 2–4 Wochen. Ein GPU-Server; kann mit anderen LANG-Anwendungsfällen geteilt werden.
• Kennzahlen: Fehler pro 1.000 Wörter vorher und nachher, Annahmequote der Vorschläge, Terminologie-Konformität in %, Verteilung der Marken-/Qualitätswerte, Prüfschleifen pro Dokument, Zeit bis zur Veröffentlichung, Übersetzungskosten pro Wort (durch einheitliche Terminologie).

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung für die Entscheidung ein, welcher Ton und welche Regeln gelten, und die Fachbereichsleitung (Marketing, Kommunikation) als Verantwortliche für den Styleguide. Endanwender wirken von Anfang an mit, denn sie entscheiden täglich, ob Vorschläge helfen. IT kümmert sich um Konten, Plugins und Hosting; die Datenschutzbeauftragte(r) prüft den AVV und welche Texte an den Anbieter gesendet werden dürfen.

Betriebsrat: ja, in der Praxis. Schreibassistenten sehen alles, was Beschäftigte tippen, und Qualitätswerte je Dokument oder je Autor sind objektiv zur Leistungsüberwachung geeignet, was § 87 Abs. 1 Nr. 6 BetrVG auslöst (BAG: Eignung genügt). Vereinbaren Sie eine Betriebsvereinbarung, die eine individuelle Auswertung ausschließt, die Protokollierung begrenzt und keine Werte auf Autorenebene speichert (GUIDE-004). Informieren Sie den Betriebsrat früh nach § 90 Abs. 1 Nr. 3; er kann nach § 80 Abs. 3 einen Sachverständigen hinzuziehen. Im öffentlichen Sektor beziehen Sie den Personalrat ein.

KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit kurzen Schulungen dazu, wie Vorschläge entstehen, warum eine Umformulierung die Bedeutung verändern kann und was nicht eingefügt werden darf (GUIDE-006). Kommunizieren Sie, dass Vorschläge freiwillig sind und niemand an der Annahmequote gemessen wird (GUIDE-008). Wählen Sie eine Pilotgruppe von Freiwilligen aus Marketing und Support und behalten Sie den Menschen in der Kontrolle: Jeden Vorschlag nimmt die Autorin oder der Autor an oder lehnt ihn ab, nichts wird automatisch veröffentlicht. Bedenken wegen Überwachung und dem Verlust der individuellen Stimme lassen sich am besten mit Transparenz und Opt-out-Regeln ausräumen.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Keine Kategorie nach Anhang III trifft zu. Art. 50 Abs. 2 nimmt KI-Systeme, die "eine unterstützende Funktion für die Standardbearbeitung ausüben" oder die Eingabe bzw. deren Bedeutung nicht wesentlich verändern, ausdrücklich von der Pflicht zur maschinenlesbaren Kennzeichnung aus [12]. Wesentliche Umformulierungen, die veröffentlicht werden, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren, brauchen eine Offenlegung nach Art. 50 Abs. 4, es sei denn, ein Mensch hat sie geprüft und eine Person trägt die redaktionelle Verantwortung [12]. Art. 50 gilt ab dem 2. Aug. 2026. Die KI-Kompetenz nach Art. 4 gilt für die Beschäftigten.
• DSGVO: E-Mails, Personalschreiben und Support-Antworten enthalten personenbezogene Daten, teils besonderer Kategorien. Browser-Erweiterungen, die jedes Textfeld lesen, sind ein großes Risiko dafür, dass Daten das Unternehmen verlassen. Nutzen Sie Business-Tarife mit AVV, Verarbeitung in der EU und einer Klausel gegen Training, oder betreiben Sie selbst. Sperren Sie Verbraucher-Erweiterungen per Richtlinie (MDM/Browser-Verwaltung).
• Branchenregeln: Regulierte Texte (Pharma-Werbung, Finanzwerbung, Verträge) brauchen die Aussagen- und Rechtsprüfung nach LANG-024. Eine stilistische Umformulierung darf nie die Rechtsprüfung ersetzen. Im öffentlichen Sektor gelten für veröffentlichte Texte die Pflichten zu Barrierefreiheit und Einfacher Sprache (BITV 2.0, EAA).
• Risiken & Gegenmaßnahmen: Bedeutungsverschiebung → Ansicht der Unterschiede und Modus "nur korrigieren" für sensible Texte; gleichförmiger "KI-Ton" → Markenbeispiele und eine Prüfung auf KI-Stimme; übermäßiges Vertrauen → die menschliche redaktionelle Verantwortung beibehalten; Prompt Injection aus eingefügten Inhalten → Guardrails und kein Werkzeugzugriff im Umformulierungsschritt.

Erste Schritte

1. Sammeln, was vorhanden ist: Styleguide, Terminologieliste, 20–50 freigegebene Texte, die die Markenstimme zeigen.
2. Den Styleguide in prüfbare Regeln überführen (Dos und Don'ts, Schreibweisen, verbotene Begriffe) und die Terminologie importieren. Dieser Schritt ist wichtiger als die Wahl des Werkzeugs.
3. 2–3 Werkzeuge von Weg A (z. B. LanguageTool Team, DeepL Write Pro, für Großunternehmen Markup AI oder Writer) mit 100 echten Texten pilotieren. Annahmequote und Fehlalarme messen.
4. Datenregeln festlegen: nur Business-Konten, Verarbeitung in der EU, kein Training. Für vertrauliche Texte selbst betreiben (Weg C).
5. Eine Prüfung vor der Veröffentlichung in CMS oder CI ergänzen (Vale / API) und die Annahmestatistik monatlich auswerten.

Quellen

1. DeepL — API reference: Improve text (DeepL Write API) — https://developers.deepl.com/docs/api-reference/improve-text
2. Markup AI — "Acrolinx is now Markup AI" (Content Guardian Agents, API/MCP), Sep 2025 — https://markup.ai/blog/acrolinx-is-now-markup-ai ; https://www.acrolinx.com/
3. LanguageTool — Business features and open-source server (LGPL) — https://languagetool.org/business ; https://github.com/languagetool-org/languagetool ; https://dev.languagetool.org/http-server
4. DeepL — DeepL Write Pro (pricing, data security) — https://www.deepl.com/en/pro-write
5. Writer — enterprise AI platform, customer results (KPMG, Vanguard) — https://writer.com/
6. Grammarly / Superhuman — "Introducing the new Superhuman" (Oct 2025) — https://www.grammarly.com/blog/company/introducing-new-superhuman/
7. Vale — prose linter documentation — https://docs.vale.sh/
8. Grammarly — Brand Tones for business — https://www.grammarly.com/business/brand-tones
9. Davis et al., "Prompting open-source and commercial language models for grammatical error correction of English learner text", ACL Findings 2024 — https://arxiv.org/abs/2401.07702
10. Congree Language Technologies — https://www.congree.com/en/
11. Mistral AI — Models overview — https://docs.mistral.ai/getting-started/models/
12. EU AI Act Service Desk — Article 50 (transparency obligations) — https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50