Model Drift beschreibt, wenn ein KI-Modell im laufenden Betrieb schleichend an Treffsicherheit verliert, weil sich die Welt um es herum verändert hat, das Modell selbst aber nicht. Für Unternehmen, die sich auf automatisierte Vorhersagen, Klassifizierungen oder Chatbot-Antworten verlassen, ist das kein rein technisches Detail: Ein driftendes Modell trifft zunehmend falschere Entscheidungen, ohne dass irgendwo eine Fehlermeldung erscheint. Wer den Effekt nicht kennt, bemerkt ihn oft erst, wenn Kund:innen sich über schlechte Empfehlungen oder falsche Antworten beschweren.
Was bedeutet Model Drift?
Nach der Definition von IBM ist Model Drift “die Verschlechterung der Leistung von Machine-Learning-Modellen aufgrund von Änderungen in den Daten oder in den Beziehungen zwischen Ein- und Ausgabevariablen”. Ein KI-Modell wird einmal mit einem bestimmten Datensatz trainiert und lernt darin Muster. Verändert sich die reale Welt danach – neue Kundengruppen, neue Produkte, neues Sprachverhalten – passen diese gelernten Muster immer schlechter zur Gegenwart. Fachleute unterscheiden meist zwei Hauptursachen: Data Drift, also eine veränderte Verteilung der Eingabedaten (etwa weil eine Webseite plötzlich ein neues Zielpublikum erreicht), und Concept Drift, bei dem sich die eigentliche Beziehung zwischen Eingabe und korrektem Ergebnis verschiebt (etwa weil sich Kaufverhalten saisonal oder dauerhaft ändert). Beide Formen führen zum gleichen sichtbaren Effekt: sinkende Modellqualität.
Warum ist Model Drift für mein Unternehmen wichtig?
Viele KMU nutzen KI inzwischen für Aufgaben, bei denen Genauigkeit zählt: Produktempfehlungen, Lead-Scoring, Betrugserkennung, automatisierte Support-Antworten oder Preisvorschläge. Driftet das zugrunde liegende Modell unbemerkt, sinkt die Trefferquote schleichend – ein Empfehlungssystem schlägt zunehmend Produkte vor, die niemand mehr kauft, oder ein Klassifizierungstool sortiert Anfragen falsch ein. Besonders tückisch: Es gibt selten eine technische Warnung, weil das Modell weiterhin fehlerfrei läuft, nur eben ungenauer wird. Verarbeitet das Modell personenbezogene Daten und erzeugt oder aktualisiert es dadurch Ergebnisse, die diese Daten betreffen, kann unbemerkter Drift dazu führen, dass diese Ergebnisse sachlich unrichtig werden – dann kann der Grundsatz der Richtigkeit nach Art. 5 Abs. 1 lit. d DSGVO berührt sein (Stand: 09/2026). Bei automatisierten Einzelentscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung für Betroffene ist zusätzlich Art. 22 DSGVO zu prüfen, sofern eine solche Entscheidung tatsächlich vorliegt (Stand: 09/2026). Eine rechtliche Bewertung im Einzelfall ersetzt das nicht – dafür lohnt sich fachkundiger Rat.
Model Drift in der Praxis
Ein Beispiel: Ein Online-Shop nutzt ein KI-Modell, das Produktempfehlungen auf Basis vergangener Käufe erstellt. Zum Trainingszeitpunkt kauften vor allem jüngere Kund:innen bestimmte Kategorien. Ein Jahr später hat sich die Zielgruppe durch neue Marketingkanäle verschoben, das Sortiment wurde erweitert, und saisonale Trends haben sich verändert. Das Modell empfiehlt weiterhin nach den alten Mustern – die Klickrate auf Empfehlungen sinkt messbar, ohne dass eine offensichtliche Ursache erkennbar ist. Abhilfe schaffen regelmäßige Kontrollen: Kennzahlen wie Klick- oder Trefferquote über die Zeit beobachten – als Warnsignal, nicht als Beweis für Drift, denn ein Rückgang kann auch andere Ursachen haben – und die Eingabedaten stichprobenartig mit den Trainingsdaten vergleichen. Wie oft sich das lohnt, hängt von Änderungsdynamik, Einsatzrisiko und Datenmenge ab: Bei risikoarmen, stabilen Anwendungen reicht oft eine manuelle Quartalsprüfung, bei schnelllebigen oder folgenreichen Einsätzen sollte häufiger und teils automatisiert kontrolliert werden. Neu trainiert wird erst nach einer bestätigten Verschiebung und mit anschließender Qualitätsprüfung des aktualisierten Modells.
Weiterführendes
Mehr zu den beiden Hauptursachen Data Drift und Concept Drift folgt in eigenen Lexikon-Einträgen. Wer wissen möchte, wie verzerrte Trainingsdaten die Modellqualität beeinflussen, findet Hintergrund im Artikel Was ist Bias und Diskriminierung in KI?.
Häufige Fragen
Ist Model Drift dasselbe wie Data Drift?
Nein. Model Drift ist der übergeordnete Effekt – der Leistungsverlust eines Modells im laufenden Betrieb. Data Drift ist eine mögliche Ursache dafür, nämlich eine veränderte Verteilung der Eingabedaten. Die zweite Hauptursache ist Concept Drift, bei der sich die Beziehung zwischen Eingabe und richtigem Ergebnis selbst ändert.
Wie merke ich, dass unser KI-Tool von Model Drift betroffen ist?
Meist zuerst an sinkenden Kennzahlen im Alltag: weniger Klicks auf Empfehlungen, mehr falsch einsortierte Anfragen, schlechtere Trefferquoten bei Vorhersagen. Eine Fehlermeldung gibt es dabei in der Regel nicht, da das Modell technisch weiterläuft. Regelmäßige Kontrollen der wichtigsten Kennzahlen helfen, den Effekt frühzeitig zu bemerken.
Wie oft sollten wir ein KI-Modell wegen Model Drift neu trainieren?
Das hängt stark vom Anwendungsfall und davon ab, wie schnell sich eure Daten verändern. Bei schnelllebigen Bereichen wie Produktempfehlungen oder Betrugserkennung ist häufigeres Retraining sinnvoller als bei stabileren Anwendungsfeldern. Aktuelle Empfehlungen dazu prüft ihr am besten direkt beim jeweiligen Tool-Anbieter.
Hat Model Drift auch eine datenschutzrechtliche Seite?
Ja, potenziell. Verarbeitet das Modell personenbezogene Daten und werden dadurch entstehende Ergebnisse durch Drift sachlich unrichtig, kann das den Grundsatz der Richtigkeit nach Art. 5 Abs. 1 lit. d DSGVO berühren; bei automatisierten Einzelentscheidungen mit erheblicher Wirkung kommt zusätzlich Art. 22 DSGVO in Betracht. Eine pauschale rechtliche Einordnung ist damit aber nicht verbunden, das hängt vom Einzelfall ab.