Regulatorische Änderungen und politische Vorausschau (Horizon Scanning)

Compliance-, Rechts- und Public-Affairs-Teams müssen jedes relevante neue Gesetz, jeden delegierten Rechtsakt, jede Leitlinie, jede Konsultation und jede durch Gerichte ausgelöste Neuauslegung bemerken – über viele Rechtsordnungen und Sprachen hinweg – und herausfinden, was das für die eigenen Pflichten bedeutet. KI durchsucht heute amtliche Quellen, filtert die Flut auf das herunter, was für diese Organisation zählt, erklärt die Änderung allgemein verständlich mit Quellenangaben, vergleicht sie mit dem vorherigen Text und entwirft eine Auswirkungsbewertung, abgebildet auf interne Richtlinien und Kontrollen. Menschen behalten die rechtliche Beurteilung; die KI nimmt die Last des Lesens und Vorsortierens ab.

Problem & Nutzen

• Heute: Compliance-Beauftragte abonnieren Dutzende Newsletter, RSS-Feeds und Mandanteninformationen von Kanzleien, lesen sie manuell, leiten sie per E-Mail weiter und führen Pflichtenregister in Tabellen. Lücken in der Abdeckung (ein übersehenes Q&A einer Aufsichtsbehörde, eine nationale Umsetzung, eine nicht englischsprachige Konsultation) sind häufig, und der Nachweis gegenüber Prüfern, dass eine Änderung bewertet wurde, ist schwer zu führen.
• Menge: Das Ausmaß ist das Problem. Corlytics gibt an, Aufsichtsbehörden veröffentlichten pro Jahr rund 30 Millionen Textseiten [1]; CUBE berichtet, 750 Rechtsordnungen zu beobachten und jährlich 10 Millionen Datenpunkte zu verarbeiten [2]. Das sind Zahlen der Anbieter, sie zeigen aber, warum manuelles Lesen nicht skaliert.
• EU-Welle 2024–2027: KI-Verordnung, DORA, NIS2, CSRD/ESRS (plus die Vereinfachungen des Omnibus-Pakets), CSDDD, Data Act, Cyber Resilience Act, Maschinenverordnung, EUDR, Batterieverordnung, PPWR – jeweils mit delegierten Rechtsakten/Durchführungsrechtsakten, Leitlinien und nationalen Gesetzen. Selbst ein mittelständischer Hersteller ist inzwischen von mehreren Regelwerken gleichzeitig betroffen.
• KI-Nutzen: breitere Abdeckung zu geringeren Kosten, frühere Warnung (Entwürfe und Konsultationen statt endgültiger Texte), einheitliche Relevanzentscheidungen mit schriftlicher Begründung, schnellere Auswirkungsbewertung und ein nachvollziehbarer Pfad „gesehen → bewertet → umgesetzt".

Varianten

• Finanzdienstleistungen (größter Markt): Management regulatorischer Änderungen, verknüpft mit einer Pflichtenbibliothek und GRC-Kontrollen (EBA/ESMA/EIOPA, BaFin-Rundschreiben wie die Nachfolger von MaRisk/BAIT, DORA-RTS).
• Life Sciences & Medizintechnik: MDR/IVDR-Leitlinien (MDCG-Dokumente), EMA-/FDA-Leitlinien, Änderungen der Regeln zur Pharmakovigilanz → speist HLTH-017 (regulatorisches Schreiben).
• Industrie / Produktkonformität (Mittelstand): Produktregulierung, harmonisierte Normen, REACH-/RoHS-Beschränkungen, EUDR, Ausfuhrkontrolllisten, Verpackungsregeln – oft kombiniert mit KNOW-009 (Fragen und Antworten zu Normen).
• Energie & Versorger: Festlegungen der BNetzA, Änderungen des EnWG, Netzkodizes.
• Public Affairs / Beobachtung der Politik: Gesetzgebungsverfahren, Ausschussabstimmungen und Konsultationen verfolgen, um sich früh einzubringen (die Abbildung von Akteuren berührt personenbezogene Daten von Politikern – siehe DSGVO).
• Öffentlicher Sektor: Ministerien und Kommunen verfolgen EU-Recht, das umgesetzt werden muss oder die Verwaltungspraxis berührt; Zulieferung für die Gesetzgebung (LANG-034).
• Privat / Freiberufler: einfache Benachrichtigungen zu Änderungen im Steuer-, Miet- oder Arbeitsrecht; meist durch Newsletter von Verlagen plus einen allgemeinen KI-Assistenten abgedeckt.

So funktioniert es

1. Quellenverzeichnis (Amtsblätter, Aufsichtsbehörden, Parlamente, Konsultationen, Normen, Nachrichten)
2. Erfassung (APIs/Feeds/SPARQL, wo vorhanden, sonst Crawler + Änderungserkennung)
3. Parsing & Normalisierung (HTML/PDF
4. Text, Metadaten: CELEX/ELI, Daten, Rechtsgrundlage)
5. Dublettenerkennung & Versionierung (konsolidierte Fassung vs. Änderungsakt; Vergleich mit der Vorversion)
6. Übersetzung (bei Bedarf) + Embedding/Indexierung (hybrid BM25 + Vektoren)
7. Relevanzfilter gegen ein Anwendbarkeitsprofil (Rechtsordnungen, Unternehmenstyp, Produkte, Lizenzen)
8. Zusammenfassung mit Quellenangaben + Schlüsseldaten (Inkrafttreten, Anwendung, Umsetzungsfrist)
9. Auswirkungsabbildung: betroffene Pflichten/Richtlinien/Kontrollen abrufen
10. Entwurf der Auswirkungsbewertung
11. menschliche Prüfung (Compliance-Verantwortliche nehmen an/lehnen ab, verteilen Aufgaben) ← Mensch-in-der-Schleife
12. GRC-/Ticket-Aufgaben, Vorausschau-Dashboard, Prüfprotokoll

• Bei der Erfassung sollten maschinenlesbare Primärquellen bevorzugt werden: Das Cellar-Repository des Amtes für Veröffentlichungen der EU bietet einen SPARQL-Endpunkt sowie RSS-/Atom-Feeds [5]; das deutsche Bundesgesetzblatt wird amtlich online mit RSS und Newsletter veröffentlicht [6]; legislation.gov.uk bietet eine offene API [7]. Websites von Aufsichtsbehörden ohne Feeds brauchen einen Crawler mit Änderungserkennung.
• Die Relevanzfilterung ist die zentrale KI-Aufgabe: Ein Filter der ersten Stufe auf Basis von Embeddings/Klassifikator entfernt den Großteil, dann beurteilt ein LLM die verbleibenden Einträge anhand des Anwendbarkeitsprofils und schreibt eine kurze Begründung. Die Schwellen werden auf hohe Trefferquote (Recall) abgestimmt – eine übersehene Änderung ist teurer als ein Fehlalarm.
• Die Auswirkungsabbildung ist ein Abruf über das interne Pflichtenregister (RAG), gefolgt von einem LLM, das vorschlägt, welche Pflichten sich wie ändern. Die Zuordnung zu Kontrollen ist ein Vorschlag, nie eine automatische Änderung.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Compliance-Verantwortlichen bestätigen Relevanz, Auslegung und Aufgaben; die Rechtsberatung zeichnet Auslegungen mit Rechtswirkung ab.

Datenaufbereitung

Es braucht zwei Datenbestände: die externen Quellen (Amtsblätter, Aufsichtsbehörden, Parlamente, Konsultationen, Normen) und den internen Kontext, an dem die Relevanz beurteilt wird. Die externe Seite ist größtenteils maschinenlesbar (EUR-Lex Cellar mit SPARQL und Feeds, RSS des Bundesgesetzblatts). Die interne Seite ist der schwierige Teil: Pflichtenregister, Richtlinien, Kontrolllisten und Verträge. In einem KMU liegen diese in Excel-Tabellen, in Word- und PDF-Richtlinien auf Dateiablagen, im DMS und in den Köpfen von ein oder zwei Personen.

Typische Lücken: kein zentrales Pflichtenregister, veraltete oder doppelte Richtlinienversionen, gescannte Dokumente, keine Zuordnung von Produkten, Standorten und Lizenzen zu Rechtsgebieten und unklare Verantwortliche.

Schritte der Aufbereitung: - Ein Anwendbarkeitsprofil erstellen: Rechtsordnungen, Unternehmenstyp, Produkte, Lizenzen, Branchen. - Richtlinien und Pflichten zu einem aktuellen Bestand mit Verantwortlichen zusammenführen (PREP-004, PREP-013) und Metadaten für den Abruf ergänzen (PREP-010). - Gescannte Richtlinien und Verträge mit OCR erfassen (PREP-006, DOC-014). - Feeds und Crawler mit Änderungserkennung einrichten und ein Glossar juristischer Begriffe führen (PREP-015). - Frühere Auswirkungsbewertungen als Goldbeispiele sammeln (PREP-016).

Aufwandsanteil: mittel, etwa 25–35 Prozent, vor allem das Pflichtenregister. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — A: Plattformen für regulatorische Änderungen und Module von Rechtsdatenbanken beobachten amtliche Quellen zuverlässig und brauchen keine eigene Pipeline; der Prozess ist Standard.
• Großunternehmen — B: Die Abbildung der Auswirkungen auf das eigene Pflichtenregister, Richtlinien und GRC-Tickets braucht eine Integration, die Produkte nur teilweise abdecken.
• Entwickler — B: Primärquellen (EUR-Lex Cellar, Bundesgesetzblatt) bieten APIs und Feeds, daher ist eine Pipeline mit Cloud-APIs schnell gebaut; Selbstbetrieb braucht HW3 und lohnt sich selten.
• Öffentlicher Sektor — B: APIs aus EU-Regionen oder souveränen Clouds eignen sich für Behörden bei der Beobachtung von Rechtstexten, vorbehaltlich der Vergaberegeln.

Weg A — Kaufen (empfohlen für regulierte Unternehmen und die meisten KMU)

• Plattformen für regulatorische Erkenntnisse / das Management von Änderungen: CUBE (Großbritannien; Produkt „Intel", nach eigenen Angaben 750 Rechtsordnungen) [2], Corlytics (Irland, EU; enthält die Richtlinienverwaltung ClauseMatch) [1], Ascent RegTech (AscentHorizon / AscentFocus) [3], Regology (jetzt Teil der Bloomberg Industry Group) [4], Archer (Regulatory Change Center, mit nach eigenen Angaben 95 % Genauigkeit bei der Extraktion von Pflichten) [8], dazu die Module für regulatorische Änderungen von Wolters Kluwer, LexisNexis und Thomson Reuters sowie GRC-Suiten (ServiceNow, MetricStream, IBM OpenPages), die solche Feeds einlesen.
• Rechtsverlage mit KI (DE/EU): beck-online mit Noxtua (europäische Rechts-KI, in der EU gehostet; C.H.Beck investiert in die Partnerschaft) [9], juris, Wolters Kluwer Deutschland – stark bei deutschsprachigem Recht und Kommentierung.
• Beobachtung für Public Affairs: Dienste zur politischen Beobachtung, die EU-Verfahren und nationale Verfahren verfolgen.
• Option für KMU: Ein Alarmdienst eines Verlags plus ein KI-Assistent obendrauf reicht oft aus; vollständige RegTech-Plattformen sind auf Finanzinstitute zugeschnitten.
• A wählen, wenn: Sie kuratierte, von Fachleuten geprüfte Abdeckung über viele Rechtsordnungen und eine Pflichtenbibliothek brauchen, die Sie nicht selbst aufbauen können. Prüfen Sie: Quellenliste je Rechtsordnung, Verzögerung, Quellenangabe zum Primärtext, Hosting in der EU, Export der Pflichtentaxonomie (Lock-in vermeiden).

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: LLMs von EU-Anbietern oder aus EU-Regionen – Mistral (La Plateforme, EU), Claude/GPT/Gemini über Endpunkte in EU-Regionen (AWS Bedrock Frankfurt, Azure EU Data Zone, Google Vertex EU) oder die Modell-Hubs von STACKIT / IONOS für souveränes Hosting in Deutschland. Setzen Sie ein Reasoning-Modell nur für die Auswirkungsanalyse ein, ein günstigeres Modell für Relevanzvorauswahl und Zusammenfassungen.
• Pipeline: Feeds/SPARQL/Crawler → n8n oder Airflow → Embeddings + hybride Suche (OpenSearch, Elasticsearch, Qdrant, pgvector) → LLM-Vorauswahl und Zusammenfassung mit strukturierten Ausgaben (Relevanz, Begründung, Daten, betroffene Bereiche) → Tickets in Jira/ServiceNow oder im GRC-Werkzeug.
• Deep-Research-Agenten (KNOW-015) können auf demselben Index Ad-hoc-Fragen wie „Was ändert sich für uns in X bis 2027?" beantworten.
• B wählen, wenn: Ihr Umfang eng ist (eine Branche, wenige Rechtsordnungen) und Sie bereits ein Pflichtenregister haben, auf das Sie abbilden können.

Weg C — Selbst betreiben (Open Source)

• Erfassung: Scrapy oder Crawl4AI für Seiten von Aufsichtsbehörden, changedetection.io für Benachrichtigungen bei Seitenänderungen, direkte Nutzung von Cellar-SPARQL und amtlichen RSS-Feeds.
• Parsing: Docling oder Marker für PDFs (Gesetzblätter, Konsultationspapiere).
• Index & Abruf: OpenSearch oder Qdrant mit mehrsprachigen Embeddings (BGE-M3, multilingual-E5) und einem Reranker (bge-reranker-v2-m3).
• LLMs: Qwen3 (z. B. 30B-A3B / 32B), Mistral Small 3.x, gpt-oss-120b oder Modelle der Llama-Familie, betrieben mit vLLM; gute Leistung in Deutsch/Französisch/Italienisch ist wichtig – testen Sie in Ihren eigenen Sprachen.
• Hardware: HW2 genügt für Vorauswahl und Zusammenfassungen mit quantisierten Modellen von etwa 30 Mrd. Parametern; HW3 (eine GPU mit 80–96 GB) ist das sinnvolle Minimum, wenn derselbe Server zusätzlich Auswirkungsbewertungen mit einem größeren Reasoning-fähigen Modell entwirft.
• C wählen, wenn: Pflichtenregister, interne Richtlinientexte und Auswirkungsbewertungen vertraulich sind (z. B. Themen der Bankenaufsicht, Gesetzesentwürfe im öffentlichen Sektor) und On-Premises bleiben müssen.

Weg D — Eigenes Training

Für das LLM selbst lohnt es sich selten. Sinnvoll ist gezieltes Training: ein Relevanzklassifikator (Klasse BERT oder kleines LLM), feingetunt auf Ihre eigenen früheren Annahme-/Ablehnungsentscheidungen – einige tausend gelabelte Warnmeldungen aus der Prüfwarteschlange sind die natürlichen Trainingsdaten und senken LLM-Kosten und Rauschen. Modelle zur Extraktion von Pflichten, trainiert auf dem Textbestand einer Aufsichtsbehörde, gibt es in der Forschung (z. B. der Datensatz ObliQA mit 27.869 Fragen zur Finanzregulierung des ADGM [10]), doch große Anbieter bieten dies bereits als Produkt an.

Stand der Technik (2026)

• LLM-Vorauswahl + RAG-Auswirkungsabbildung hat in führenden Plattformen die reine Filterung nach Schlagwörtern/ Taxonomie abgelöst; Anbieter vermarkten inzwischen „Agenten für regulatorische Änderungen", die einen Eintrag von der Warnmeldung bis zur entworfenen Auswirkungsbewertung und zu vorgeschlagenen Kontrolländerungen führen (Regology, Archer, Ascent) [3][4][8].
• Extraktion von Pflichten (Rechtstext in atomare „muss/darf nicht"-Aussagen umwandeln) ist die Schlüsseltechnik; Forschung wie RIRAG führt Kennzahlen ein, die prüfen, ob erzeugte Antworten alle relevanten Pflichten ohne Widersprüche abdecken [10].
• Modelle mit langem Kontext können eine ganze Verordnung samt delegierten Rechtsakten in einem Durchgang lesen, was der Konsistenz hilft; der Abruf mit präziser Fundstelle (Artikel/Absatz, ELI/CELEX) bleibt für die Nachvollziehbarkeit aber nötig.
• Grenzen und Fehlerbilder: (1) Lücken beim Recall durch fehlende Quellen – die KI kann nicht melden, was nie erfasst wurde; (2) Verwechslung von Vorschlägen, Positionen von Rat/Parlament und angenommenen Texten; (3) falsche Daten (Inkrafttreten vs. Anwendung vs. Umsetzung); (4) erfundene Artikelnummern; (5) nationales Gold-Plating und Leitlinien, die nur als PDF oder in einer Sprache vorliegen; (6) übermäßig sichere Beurteilungen der Anwendbarkeit. Gegenmittel: Prüfungen des Quellenverzeichnisses, verpflichtende Quellenangaben, Prüfungen der extrahierten Daten und menschliche Freigabe.

Gemeinsame Bausteine & Kombinationen

• Gleicher Abruf-Stack (embedding-text + reranker + vector-db + search-engine + llm-general): KNOW-009 Fragen und Antworten zu Normen und Compliance, KNOW-006 Rechtsrecherche, KNOW-013 Wissensgraph der Pflichten, KNOW-015 Deep-Research-Agent – ein Index der Rechtstexte bedient alle.
• Gleiche Pipeline für Beobachtung/Crawling (web-scraping + workflow-automation): LANG-017 Wettbewerbs- und Marktbeobachtung, LANG-018 Beobachtung von Social Media und Medien, KNOW-017 Auffinden von Ausschreibungen; LANG-016 Themen- und Trenderkennung über den gesammelten Bestand.
• Nachgelagert: AGENT-018 laufende Überwachung von Compliance und Kontrollen, SEC-009 Sicherheits-Compliance (NIS2, DORA), SEC-022 Governance nach KI-Verordnung, DATA-020 regulatorisches Berichtswesen, LANG-024 Compliance-Prüfung von Marketing, HLTH-017 regulatorisches Schreiben; LANG-026 Auswertung von Konsultationen und LANG-034 Gesetzgebung auf Seiten des öffentlichen Sektors; LANG-008 Zusammenfassung für Übersichten der Geschäftsleitung.
• Hardware: Ein HW3-Inferenzserver (vLLM) kann das LLM und die Embedding-Modelle für diesen und die Anwendungsfälle der KNOW-Familie betreiben.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen, um Anwendbarkeitsprofil und Abläufe zu konfigurieren; RegTech-Lizenzen für Großunternehmen sind ein erheblicher Jahresposten, getrieben von Rechtsordnungen und Modulen; Alarmdienste von Verlagen sind günstig.
• Weg B: 1–3 Monate für eine Pipeline mit engem Umfang; der Hauptaufwand liegt im Quellenverzeichnis und im Pflichtenregister, nicht im Modell. Die API-Kosten sind im Vergleich zur Zeit der Prüfer niedrig.
• Weg C: 2–4 Monate plus laufende Pflege der Crawler (Seiten von Aufsichtsbehörden ändern ihr Layout oft).
• Kennzahlen: Quellenabdeckung (% der registrierten Quellen, die planmäßig erfasst wurden), Recall an einer „Goldmenge" bekannter relevanter Änderungen, Treffsicherheit / Warnmeldungen je Prüfer und Woche, Zeit von der Veröffentlichung bis zur bewerteten Auswirkung, % der Änderungen mit dokumentierter Bewertung vor Geltungsbeginn, Prüfungsfeststellungen.

Menschen & Veränderung

Früh einbinden: Die Geschäftsführung fördert das Thema; Recht, Compliance oder die Qualitätsverantwortlichen besitzen das Anwendbarkeitsprofil und die Prüfung jeder Warnmeldung. Abteilungsleitungen erhalten Aufgaben und bestätigen die Auswirkung. Die IT bindet Ticket- oder GRC-Werkzeuge an. Die Dateneigner von Richtlinien und Registern müssen bereinigen und für jedes Dokument einen Verantwortlichen benennen.

Betriebsrat: In der Regel keine Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG, da das System externe Rechtstexte analysiert, nicht das Verhalten von Beschäftigten. Prüfen Sie dies erneut, wenn Aufgabenzuweisungen pro Person nachverfolgt werden. Informieren Sie den Betriebsrat trotzdem nach § 90 Abs. 1 Nr. 3 BetrVG, weil ein Arbeitsverfahren mit KI geplant wird.

Datenschutz: überwiegend keine personenbezogenen Daten; interne Richtlinien können Beschäftigte namentlich nennen. Eine Prüfung durch die Datenschutzbeauftragte(n) und ein AVV (Art. 28 DSGVO) mit jedem Cloud-Anbieter genügen in den meisten Fällen. Eine DSFA ist normalerweise nicht nötig.

KI-Kompetenz: Unterstützen Sie das Compliance-Team mit Schulungen zur Prüfung von Quellenangaben und Daten sowie zum Unterschied zwischen Zusammenfassung und Rechtsberatung (GUIDE-006, GUIDE-014).

Bedenken: „Eine übersehene Änderung ist eine Haftungsfrage." Auf hohen Recall abstimmen und die rechtliche Verantwortung beim Eigner belassen; die KI schlägt vor, die Rechtsberatung zeichnet ab. „Ersetzt es Juristen?" Es nimmt die Leselast ab, nicht die Beurteilung. Erst mit einem Rechtsgebiet pilotieren, dann ausweiten (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko – die Beobachtung und Zusammenfassung von Rechtstexten ist kein Anwendungsfall nach Anhang III, und das System unterstützt die rechtliche Bewertung, statt sie zu ersetzen. Anbieter und Betreiber müssen Maßnahmen zur KI-Kompetenz für Beschäftigte ergreifen (Art. 4) [11]. Werden KI-generierte Zusammenfassungen veröffentlicht, um die Öffentlichkeit zu Themen von öffentlichem Interesse zu informieren, gilt die Kennzeichnung nach Art. 50 Abs. 4, es sei denn, der Text wurde von einem Menschen geprüft oder redaktionell kontrolliert und es besteht redaktionelle Verantwortung [12] – relevant für öffentliche Stellen und Verbände, die Übersichten veröffentlichen.
• DSGVO: Rechtstexte sind keine personenbezogenen Daten, aber Varianten für Public Affairs, die Politiker, Amtsträger oder Lobbyisten profilieren, verarbeiten personenbezogene Daten (Prüfung des berechtigten Interesses, Transparenz, Datenminimierung). Auch interne Richtlinien und Vorfalldaten, die für die Auswirkungsabbildung genutzt werden, können personenbezogene Daten enthalten – bevorzugen Sie Hosting in der EU und einen AVV mit dem Anbieter.
• Branchenregeln: Banken und Versicherer müssen das Compliance-Risiko nachweisbar steuern (z. B. Compliance-Funktion nach MaRisk, IKT-Governance nach DORA); die Auslagerung an eine RegTech-SaaS kann nach DORA als IKT-Drittdienstleistung gelten (Informationsregister, Ausstiegsstrategie).
• Urheberrecht / Lizenzen: Amtliche Texte dürfen meist frei weiterverwendet werden, aber Kommentierungen, Normen (DIN/ISO) und Mandanteninformationen von Kanzleien sind lizenziert – lesen Sie sie nicht ohne Rechte ein.
• Haftung: Eine KI-Zusammenfassung ist keine Rechtsberatung; halten Sie den Primärtext einen Klick entfernt und verlangen Sie für jede Auslegung eine namentlich benannte verantwortliche Person.

Erste Schritte

1. Ein Anwendbarkeitsprofil schreiben: Rechtsordnungen, Unternehmenstyp/Lizenzen, Produkte, Prozesse und die 10–20 Regelwerke, die am wichtigsten sind.
2. Ein Quellenverzeichnis für diese Regelwerke aufbauen (EUR-Lex/Cellar, nationales Gesetzblatt, Aufsichtsbehörden, Parlament, Konsultationen) und je Quelle entscheiden, ob Feed oder Crawl.
3. Eine Goldmenge von 50–100 früheren Änderungen anlegen, von denen Sie wissen, dass sie relevant waren, um den Recall jedes Werkzeugs zu messen.
4. 2 Anbieter (Weg A) oder eine enge Pipeline (Weg B) für ein Regelwerk (z. B. DORA oder Produktregulierung) 8–12 Wochen pilotieren; Recall, Rauschen und Zeit bis zur Bewertung vergleichen.
5. Angenommene Änderungen mit Ihrem Pflichtenregister und GRC/Ticketing verbinden und jede Entscheidung für Prüfungen protokollieren.

Quellen

1. Corlytics — regulatory intelligence platform (incl. ClauseMatch; "30,000,000 pages" figure) — https://www.corlytics.com/
2. CUBE — regulatory intelligence (Intel, RegPlatform; 750 jurisdictions, 10 million data points) — https://cube.global/
3. Ascent RegTech — AscentHorizon / AscentFocus — https://www.ascentregtech.com/
4. Regology — regulatory change, compliance and research agents (acquired by Bloomberg Industry Group) — https://www.regology.com/
5. Publications Office of the EU — Cellar (SPARQL, RSS/Atom) — https://op.europa.eu/en/web/cellar
6. Bundesgesetzblatt online (official electronic publication, RSS, newsletter) — https://recht.bund.de/
7. legislation.gov.uk — Developer / Legislation API — https://www.legislation.gov.uk/developer
8. Archer — Evolv AI Compliance & Regulatory Change Center — https://www.archerirm.com/compliance-ai
9. Noxtua — European legal AI (C.H.Beck partnership) — https://www.noxtua.com/
10. Gokhan, Wang, Gurevych, Briscoe — RIRAG: Regulatory Information Retrieval and Answer Generation (ObliQA) — https://arxiv.org/abs/2409.05677
11. EU AI Act Service Desk — Article 4 AI literacy — https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-4
12. EU AI Act Service Desk — Article 50 transparency obligations — https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50