So integrieren Sie KI-Risiken in Ihr bestehendes ISMS und Ihr Risikoregister

KI hat Ihr ISMS nicht zerstört; sie hat lediglich dessen blinde Flecken offengelegt.

Die meisten Organisationen versuchen, KI-Risiken mit denselben Vorlagen und Denkweisen zu managen, die sie für IT-Systeme verwenden. Das funktioniert nicht. KI bringt neue Fehlermodi, neue Abhängigkeiten, neue Governance-Anforderungen und neue Schadensformen mit sich.

Die Lösung besteht nicht darin, Ihr ISMS zu ersetzen. Es geht darum, es zu erweitern, indem Sie KI-Risiken in Ihre bestehende Struktur integrieren.

So gehen Sie dabei richtig vor.

Ihr ISMS weiß bereits, wie es mit Risiken umgeht. Es braucht lediglich neue Eingaben.

KI-Risiken fügen sich auf natürliche Weise in ISO 27001, ISO 27005 und ISO 31000 ein, sofern Sie:

• KI-Assets definieren
• KI-Fehlermodi verstehen
• Ihre Risikokriterien erweitern
• KI-spezifische Controls hinzufügen
• Ihre Nachweise und Überwachung aktualisieren
• KI-Risiken mit der klassischen Informationssicherheit verknüpfen

Sie benötigen kein paralleles KI-Risikomanagementsystem. Sie müssen KI in das System einbinden, das Sie bereits haben.

Hier ist die Methode Schritt für Schritt.

1. Beginnen Sie mit der Identifizierung von KI-Assets (der fehlende Schritt)

KI-Risikomanagement beginnt mit Transparenz. Die meisten Unternehmen wissen nicht, wo KI in ihrer Architektur eingesetzt wird.

Erfassen Sie vier Kategorien von KI-Assets:

1. KI-Modelle LLMs, Klassifikatoren, Empfehlungsmodelle, Scoring-Modelle.
2. KI-Pipelines und Datenflüsse Trainingsdaten, Inferenzdaten, Vorverarbeitungsschritte.
3. KI-integrierte Systeme Chatbots, Entscheidungsunterstützungstools, KI-Funktionen in HR, Finanzen oder im Kundenkontakt.
4. Drittanbieter- und GPAI-Dienste Azure OpenAI, Claude, Gemini, API-basierte Modelle, in SaaS eingebettete KI.

KI-Risiken lassen sich erst beurteilen, wenn Sie wissen:

• welche KI Sie einsetzen
• wo sie sich befindet
• wie sie Prozesse beeinflusst
• welche Daten sie verarbeitet
• welche Entscheidungen sie beeinflusst

Erst inventarisieren, dann analysieren. Immer.

2. Klassifizieren Sie jedes KI-Asset anhand KI-spezifischer Dimensionen

Die klassische Asset-Klassifizierung nach Vertraulichkeit, Integrität und Verfügbarkeit reicht nicht aus.

KI führt neue Dimensionen ein:

• Autonomiegrad (wie eigenständig das Modell agiert)
• Entscheidungsrelevanz (beratend vs. geschäftskritisch)
• Datensensitivität (Training und Inferenz)
• Modellkritikalität (geschäftliche Auswirkung bei fehlerhaften Ergebnissen)
• Drift-Potenzial des Modells
• Erklärbarkeitsanforderungen
• Bias-Exposition
• regulatorische Kategorie (AI Act: minimal / begrenzt / hochriskant)

Diese Klassifizierungen ermöglichen es Ihnen, Risiken später zu priorisieren.

Ein intern genutzter Chatbot: geringe Kritikalität. Ein Betrugserkennungsmodell im Bankenwesen: hochriskant. Ein HR-Screening-Modell: reguliert. Ein kundenseitiger LLM: mittlere bis hohe Auswirkung.

Ihr ISMS benötigt diese Kategorien, um Risikokriterien gezielt anzupassen.

3. Erweitern Sie Ihre Risikokriterien um KI-Fehlermodi

Hier scheitern die meisten Risikoregister. KI-Risiken sehen nicht aus wie klassische Risiken.

Ergänzen Sie Ihre Kriterien um folgende KI-spezifische Fehlermodi:

Datenbezogene Risiken

• Vergiftung von Trainingsdaten (Data Poisoning)
• Datenlecks durch Prompts
• unbeabsichtigte Memorisierung
• Offenlegung sensibler Daten in Ausgaben
• fehlerhafte Datenbeschriftung

Modellbezogene Risiken

• Halluzinationen
• Bias und Diskriminierung
• Modell-Drift
• Verlust der Erklärbarkeit
• Fehlkalibrierung
• adversarielle Angriffe
• übermäßige Abhängigkeit und Automatisierungsbias

Operationelle Risiken

• fehlerhafte Ausgaben in kritischen Prozessen
• nicht überwachte Veränderungen im Modellverhalten
• Ausfälle von Cloud-KI-Diensten
• Vendor-Lock-in
• versteckte Unterauftragsverarbeiter

Governance-Risiken

• fehlende menschliche Aufsicht
• undokumentierte Modellentscheidungen
• nicht verifizierte Datensätze
• fehlende Versionskontrolle
• Missbrauch von Modellen durch Mitarbeitende
• regulatorische Nichteinhaltung (EU AI Act)

Diese werden Teil Ihres Risikovokabulars.

Sobald Sie sie definiert haben, werden KI-Risiken beherrschbar, genau wie Cyber-Risiken oder Datenschutzrisiken.

4. Fügen Sie KI-Szenarien in Ihre bestehende ISO 27005-Risikomethode ein

KI-Risiken lassen sich nahtlos in die klassische szenariobasierte Risikobewertung integrieren.

Beispielstruktur:

Bedrohung: Modell-Halluzination im KundensupportSchwachstelle: Kein menschlicher ÜberprüfungsmechanismusAuswirkung: Falsche Auskunft → Kundenschaden → HaftungEintrittswahrscheinlichkeit: Mittel (abhängig vom Anwendungsfall)Control: Workflow mit menschlicher AufsichtRestrisiko: Gering

Ein weiteres Szenario:

Bedrohung: Modell-Drift beeinträchtigt die Genauigkeit der BetrugserkennungSchwachstelle: Keine Überwachung der Modellleistung über die ZeitAuswirkung: Finanzieller SchadenControl: Drift-Monitoring und Auslöser für Nachtraining

KI erfordert keine neue Methode; lediglich neue Szenarien, neue Bedrohungen, neue Controls.

5. Integrieren Sie KI-Risiken in das Risikoregister mit bestehenden Spalten

Ihr Risikoregister benötigt keine neuen Felder; aber es braucht eine erweiterte Logik.

Verwenden Sie dieselbe Struktur:

• Asset
• Bedrohung
• Schwachstelle
• Eintrittswahrscheinlichkeit
• Auswirkung
• Controls
• Risikoverantwortlicher
• Restrisiko
• Behandlungsplan

Ergänzen Sie die Analyse lediglich um KI-spezifische Elemente.

Beispiele, die Sie direkt einsetzen können:

Risk: “LLM returns wrong legal advice.” Risk: “AI screening model discriminates against protected groups.” Risk: “GPAI provider changes terms or model behaviour without notice.” Risk: “AI-generated code introduces security vulnerabilities.” Risk: “Dataset bias damages fairness and trust.” Risk: “Uncontrolled prompts lead to data leakage.”

Sie folgen derselben Architektur, lediglich mit neuem Inhalt.

6. Verknüpfen Sie KI-Risiken mit bestehenden ISO 27001- und ISO 27002-Controls

KI-Risiken lassen sich auf natürliche Weise bestehenden Controls zuordnen:

• Zugriffskontrolle → verhindert Prompt- und Datenlecks
• Änderungsmanagement → umfasst Modell-Updates
• Protokollierung und Monitoring → umfasst das Modellverhalten
• Sichere Entwicklung → gilt für Trainings-Pipelines
• Lieferantenmanagement → umfasst GPAI-Abhängigkeiten
• Business Continuity → umfasst Ausfälle von KI-Diensten

Deshalb muss ISO 27001 für KI nicht neu geschrieben werden; die Controls unterstützen bereits die Grundlagen.

Sie fügen lediglich KI-spezifische Interpretationen hinzu.

Beispiel: Control 8.28 (Secure Coding) → umfasst jetzt auch die Überprüfung von KI-generiertem Code. Control 5.7 (Threat Intelligence) → umfasst jetzt auch KI-Bedrohungsintelligenz. Control 8.16 (Monitoring) → umfasst jetzt auch die Überwachung von Modell-Drift.

Sie erweitern die Control-Umgebung, statt sie neu aufzubauen.

7. Ergänzen Sie KI-Governance-Maßnahmen aus ISO 42001 (optional, aber sinnvoll)

ISO 42001 ist das KI-Governance-Pendant zu ISO 27001. Eine vollständige Zertifizierung ist nicht erforderlich; aber Sie sollten sich ihre Logik zu eigen machen.

Ergänzen Sie folgende Governance-Elemente:

• Regeln für die menschliche Aufsicht
• Datensatz-Governance
• Lifecycle-Dokumentation
• Anforderungen an die Erklärbarkeit
• Rollen für KI-Verantwortliche
• Modell-Versionierung
• Incident Reporting bei KI-Fehlfunktionen

Diese Elemente lassen sich nahtlos in Ihr ISMS und Ihr Risikomodell integrieren.

8. Aktualisieren Sie Ihre Risikobehandlungspläne mit KI-Controls

Typische Behandlungsmaßnahmen umfassen:

• Einführung von Human-in-the-Loop-Kontrollpunkten
• Implementierung von Qualitätsprüfungen für Datensätze
• Einschränkung von Prompts
• Einführung von Zugriffskontrollen für KI-Systeme
• Implementierung von Erklärungsmechanismen
• Einschränkung der Autonomie bei kritischen Prozessen
• Drift-Monitoring
• technische Anti-Halluzinations-Maßnahmen
• Bias-Tests
• Verbesserung des Trainingsdatensatzes
• Dokumentation der Modell-Herkunft (Model Lineage)

Das sind die KI-Äquivalente von Patching, Segmentierung oder Logging in der Cybersicherheit.

9. Integrieren Sie KI-Risikomonitoring in Ihre ISMS-Prozesse

KI-Risiken müssen kontinuierlich überwacht werden, weil sich KI-Systeme im Laufe der Zeit verändern.

Ergänzen Sie Monitoring-Aufgaben in:

• Risikoreviews
• Änderungsmanagement
• interne Audits
• Incident Management
• Lieferantenreviews
• Schulungsprogramme
• kontinuierliche Verbesserungszyklen

Ihr ISMS verfügt bereits über diese Prozesse; KI-Risiken werden einfach Teil davon.

10. Machen Sie KI-Risiken für Führungskräfte sichtbar

Führungskräfte müssen verstehen:

• KI-Risiken
• Auswirkungen auf den Betrieb
• Governance-Anforderungen
• regulatorische Exposition (EU AI Act)
• Abhängigkeiten von GPAI-Anbietern

Ergänzen Sie KI als Abschnitt in:

• Risikoberichten an das Board
• quartalsweisen ISMS-Reviews
• Management-Reviews

Die Botschaft für Führungskräfte ist klar:KI erhöht sowohl die Chancen als auch die Risiken, und die Organisation muss sie aktiv steuern.

Abschließende Überlegung

KI-Risikomanagement ist keine neue Disziplin. Es ist eine Erweiterung des bestehenden Risikomanagements.

Sobald Sie KI-Assets definieren, neue Bedrohungstypen hinzufügen und KI-Controls integrieren, wird Ihr ISMS zukunftssicher: bereit für die Anforderungen des AI Act, Markterwartungen und interne Governance.

KI erfordert kein Auseinandernehmen Ihres ISMS. Es erfordert, Ihrem ISMS neue Fähigkeiten beizubringen.

Das ist die Weiterentwicklung moderner Governance.

Wenn Sie KI-Risiken in ISO 27001, ISO 27005 und Ihr bestehendes Risikoregister integrieren möchten (ohne unnötige Komplexität), genau das vermitteln wir in der Cyber Academy AI Risk Manager und ISO 42001 Lead Auditor und Lead Implementer. Nehmen Sie an der nächsten Session teil und machen Sie Ihre Governance zukunftssicher.