Die meisten Organisationen haben bereits ein Risikoregister. Fast keine davon hat ein echtes AI-Risikoregister.
They copy/paste cybersecurity risks, add “AI” in the title, and hope it works. Das tut es nicht. AI erzeugt neue Verhaltensweisen, neue Abhängigkeiten, neue Fehlerbilder und neue regulatorische Pflichten, für die Ihr bestehendes Register nicht ausgelegt wurde.
Die gute Nachricht: Sie brauchen kein neues Risikoframework; Sie brauchen ein besseres, das auf die Realitäten von AI zugeschnitten ist.
Hier ist die praxiserprobte Methode, um ein AI-Risikoregister aufzubauen, das wirklich funktioniert.
AI risk is not “cyber risk with a twist.” AI-Systeme:
- verändern sich im Laufe der Zeit,
- hängen von Datensätzen ab, die Sie nicht immer kontrollieren,
- stützen sich auf Anbieter, die Sie nicht immer im Blick haben,
- liefern Ergebnisse, die Sie nicht vollständig vorhersagen können,
- beeinflussen Entscheidungen, die Sie nicht immer nachvollziehen können.
Ihr Risikoregister muss das widerspiegeln.
Das Prinzip ist einfach:Kombinieren Sie ISO 27005 + ISO 31000 + ISO/IEC 42001-Denken; ohne alles neu zu erfinden.
Hier ist die Methode Schritt für Schritt.
1. Beginnen Sie mit der Identifikation Ihrer AI-Assets
Ihr AI-Risikoregister beginnt mit einer klaren Bestandsaufnahme. Sie können nicht bewerten, was Sie nicht identifiziert haben.
Erfassen Sie vier Asset-Kategorien:
AI-Systeme LLMs, Klassifikatoren, Prognosemodelle, Chatbots, Scoring-Engines.
AI-Pipelines und Datenquellen Trainingsdatensätze, Inferenzdaten, Vorverarbeitung.
AI-eingebettete Services HR-Screening-Tools, Betrugsmodelle, Empfehlungs-Engines, AI-Copiloten.
Externe und GPAI-Modelle Azure OpenAI, Claude, Gemini, HuggingFace APIs, SaaS-Funktionen mit eingebetteter AI.
Wenn Sie diesen Schritt überspringen, bricht das Risikoregister zusammen.
2. Kategorisieren Sie die AI-Assets nach Risikoexposition
Nicht alle AI-Systeme sind gleich.
Verwenden Sie AI-spezifische Kritikalitätskriterien:
- Autonomie (wie unabhängig ist das System?)
- Entscheidungskritikalität
- geschäftliche Auswirkungen
- Datensensitivität
- erforderliche Erklärbarkeit
- Drift-Wahrscheinlichkeit
- Nutzerexposition
- regulatorische Kategorie (EU AI Act: minimal, begrenzt, hochriskant)
Das liefert Ihnen den Bewertungsrahmen zur Priorisierung von Risiken.
3. Erweitern Sie Ihren Bedrohungskatalog um AI-Fehlerbilder
Herkömmliche Bedrohungsbibliotheken erfassen 80 % der AI-Risiken nicht. Sie benötigen AI-spezifische Bedrohungen und Schwachstellen.
Datensatzbezogene Bedrohungen
- Bias in Trainingsdaten
- Data Poisoning
- ungenaue Labels
- Datenlecks durch Prompts
- PII-Exposition in Ausgaben
Modellbezogene Bedrohungen
- Halluzinationen
- adversarielle Prompts
- Model Drift
- Verlust der Reproduzierbarkeit
- fehlende Erklärbarkeit
Operative Bedrohungen
- AI-Serviceausfälle
- unkontrollierte Modell-Updates
- Missbrauch durch Mitarbeitende
- übermäßige Abhängigkeit von AI-Ausgaben
Governance- und Compliance-Bedrohungen
- Nichterfüllung von AI Act-Anforderungen
- fehlende Modelldokumentation
- unklare Grenzen der menschlichen Aufsicht
- nicht genehmigte AI-Tools im Einsatz
- kein Audit-Trail für AI-Entscheidungen
Diese Bedrohungen fließen direkt in Ihre Risikoszenarien ein.
4. Formulieren Sie Risikoszenarien nach der ISO 27005-Standardstruktur
Sie brauchen keine neue Methode. Sie brauchen neue Szenarien.
Beispielszenario 1
Bedrohung: AI-Chatbot halluziniert falsche medizinische Empfehlungen.Schwachstelle: Keine menschliche Überprüfung oder Ausgabevalidierung.Auswirkung: Rechtliche Haftung, Reputationsschaden, Patientengefährdung.Eintrittswahrscheinlichkeit: MittelMaßnahmen: Human-in-the-loop-Prüfung, Prompt-Filterung, Nutzungseinschränkungen.Restrisiko: Niedrig
Beispielszenario 2
Bedrohung: Model Drift verringert die Genauigkeit der Betrugserkennung.Schwachstelle: Kein Monitoring der Modellperformance über die Zeit.Auswirkung: Finanzieller Schaden, regulatorischer Vorfall.Maßnahmen: Drift-Monitoring, Retraining-Zeitplan, Schwellenwerte.Restrisiko: Mittel
Beispielszenario 3
Bedrohung: Mitarbeitende teilen vertrauliche Daten mit einem externen LLM.Schwachstelle: Keine AI-Nutzungsrichtlinie oder Prompt-Kontrollen.Auswirkung: Datenleck, GDPR-Verstoß.Maßnahmen: Zugriffsbeschränkungen, Richtlinie, Schulung, Monitoring.Restrisiko: Niedrig/Mittel
Das ist der Detailgrad, den Prüfer bei der Durchsetzung des AI Act erwarten werden.
5. Risiken korrekt bewerten (AI erfordert zusätzliche Dimensionen)
Eintrittswahrscheinlichkeit und Auswirkung gelten weiterhin, jedoch mit zusätzlichen AI-spezifischen Faktoren.
Ergänzen Sie Ihre Bewertungslogik um folgende Dimensionen:
- Drift-Risiko
- Datenqualitätsrisiko
- Anforderung an Erklärbarkeit
- Abhängigkeit von Drittanbieter-AI
- Autonomiegrad
- Modellvorhersagbarkeit
- Diskriminierungspotenzial
- grenzüberschreitende Datenexposition
Diese Faktoren beeinflussen Ihre Bewertung von Eintrittswahrscheinlichkeit und Auswirkung.
Sie brauchen keine neuen Spalten; nur eine tiefergehende Bewertung.
6. Jedem Risiko AI-spezifische Maßnahmen zuordnen
AI-Risiken erfordern sowohl Sicherheits- als auch Governance-Maßnahmen.
Typische AI-Maßnahmen umfassen:
- Datensatzvalidierung
- Content-Filterung
- Bias-Testing
- menschliche Aufsicht
- rollenbasierter Zugriff
- Drift-Monitoring
- Nutzungsrichtlinien
- Logging und Rückverfolgbarkeit
- Modell-Versionierung
- Incident Response für AI-Ausfälle
- Erklärbarkeitsmechanismen
- Anbieterbewertung für AI-Provider
Ordnen Sie Maßnahmen den Risiken zu, wie Sie es mit ISO 27001 tun.
7. AI-Risiken in Ihr bestehendes Risikoregister integrieren
Sie brauchen kein separates Register. Sie müssen Ihr bestehendes anreichern.
Fügen Sie AI-Risiken in Ihr Hauptregister ein, aber ergänzen Sie:
- “AI asset” as an asset category
- “AI model” or “AI data pipeline” as an asset type
- AI-spezifische Bedrohungen und Schwachstellen
- spezifische Maßnahmen
- aktualisierte Bewertung
- verantwortliche Person für das AI-System
- regulatorische Implikationen (AI Act, GDPR, sektorale Regelungen)
So wird AI Governance Teil Ihres ISMS; kein isoliertes Einzelprojekt.
8. AI-Risiken in bestehende GRC-Prozesse einbetten
Das Risikoregister ist nur dann nützlich, wenn es in die Governance eingebettet ist.
AI-Risiken müssen in folgende Prozesse einfließen:
- Change Management
- Vendor Management
- Incident Response
- interne Revision
- Schulung und Awareness
- ISMS-Reviews
- Board-Reporting
AI-Risiken entwickeln sich schneller als traditionelle IT-Systeme; die Governance muss Schritt halten.
9. AI-Risiken häufiger überprüfen als traditionelle Risiken
AI-Systeme verändern sich:
- durch Retraining,
- durch Drift,
- durch neue Anwendungsfälle,
- durch Modell-Updates von Anbietern,
- durch regulatorische Meilensteine.
Eine quartalsweise Überprüfung ist das Minimum. Monatlich für AI-Systeme mit hoher Auswirkung.
AI risks are not “set and forget.”
10. Allen Teams ein einfaches, lesbares Template bereitstellen
Hier ist ein sofort einsatzbereites AI-Risikoregister-Template, das Sie noch heute übernehmen können. Verwenden Sie es in Excel, Notion, Confluence oder Ihrer bestehenden GRC-Plattform.
📄 AI Risk Register Template (Download)
Abschließender Gedanke
Ein AI-Risikoregister ist keine Compliance-Übung. Es ist ein Transparenzinstrument, ein Steuerungsmechanismus und das Fundament Ihrer AI Governance.
Wenn Sie es richtig aufbauen, schützen Sie nicht nur die Organisation, Sie ermöglichen eine sichere, skalierbare und selbstbewusste AI-Einführung.
AI Governance bedeutet nicht, Innovation zu bremsen. Es bedeutet sicherzustellen, dass Innovation nicht nach hinten losgeht.
Wenn Sie ein vollständiges AI-Risikomanagementprogramm aufbauen möchten, einschließlich Templates, Maßnahmen und ISO/IEC 42001-Alignment, genau das vermitteln wir im Cyber Academy AI Risk Manager-Kurs. Nehmen Sie an der nächsten Session teil und bauen Sie ein AI-Risikoregister auf, das jeder Prüfung standhält.