KI-Risiko-Assessment in 5 Schritten.
Eine Vorlage für KMU.

Inventur — was setzen wir eigentlich ein?

Was du erfasst (pro Use-Case):

• Name des Tools (z. B. ChatGPT Plus, Microsoft Copilot, eigener RAG-Chatbot).
• Anbieter und Konto-Typ (geschäftlich/privat, kostenlos/bezahlt).
• Wer nutzt es? (Person/Abteilung/Anzahl Mitarbeitende)
• Wofür? (Konkreter Anwendungsfall — nicht „Allgemein", sondern „CV-Vorauswahl im Recruiting" o. ä.)
• Welche Daten gehen rein? (Personenbezogen ja/nein, sensibel ja/nein)
• Welche Daten kommen raus? (Wird der Output Kunden gezeigt? Mitarbeitende? Behörden?)

Praxis-Tipp: Frag jede Abteilungsleitung in einem 15-Minuten-Call. „Shadow IT" (private ChatGPT-Konten) ist die häufigste Lücke — mit Wertschätzung statt Drohung fragen, was wirklich genutzt wird.

Klassifikation — Risiko-Stufe pro Use-Case

Drei Schnellfragen für jeden Use-Case:

1. Trifft die KI eine Entscheidung über einen Menschen? (Job, Kredit, Versicherung, Bildung, Sozialleistung, Justiz) → High Risk.
2. Interagiert die KI direkt mit Menschen oder generiert sie Inhalte, die diese sehen? → mindestens Limited Risk (Transparenz-Pflicht).
3. Fällt der Use-Case unter eines der 8 Art.-5-Verbote? (Social Scoring, Emotion-Erkennung am Arbeitsplatz etc.) → Unacceptable, sofort stoppen.

Detaillierte Einordnung im Begleit-Artikel EU AI Act Risiko-Klassifikation.

Risiko-Bewertung — Eintrittswahrscheinlichkeit × Auswirkung

NIST AI RMF gruppiert Risiken in vier Kategorien — nimm sie als Prüfraster:

• Valid & Reliable: Liefert die KI verlässlich richtige Ergebnisse? (Halluzinationen, Bias, Drift)
• Safe: Können physische oder finanzielle Schäden entstehen? (Falsche Empfehlungen, Daten-Leaks)
• Secure & Resilient: Wie steht's um Prompt Injection, Modell-Diebstahl, Verfügbarkeit?
• Fair: Diskriminiert das System bestimmte Gruppen?
• Privacy-Enhanced: DSGVO-Konformität, Daten-Minimierung, Betroffenen-Rechte.

Für jeden Risiko-Punkt: Eintritts-Wahrscheinlichkeit (gering/mittel/hoch) × Auswirkung (gering/mittel/hoch). Daraus ergibt sich eine 3×3-Matrix — alles, was „hoch/hoch", „hoch/mittel" oder „mittel/hoch" landet, ist behandlungsbedürftig.

Maßnahmen — was tust du dagegen?

Typ A — Technische Maßnahmen:

• Sandbox/eingeschränkter Datenzugriff für die KI.
• Lokale Modelle statt Cloud (z. B. SnowChat) bei sensiblen Daten.
• Audit-Log, das KI-Aktionen protokolliert.
• Output-Filter (Personennamen schwärzen, Schimpfwort-Filter).

Typ B — Organisatorische Maßnahmen:

• 4-Augen-Prinzip bei wirkungsvollen Aktionen (Beförderungen, Verträge).
• KI-Richtlinie schreiben („Diese Daten dürfen nicht in Cloud-KI eingegeben werden …").
• Schulung der Mitarbeitenden (deckt zugleich EU AI Act Art. 4 ab).
• Notfall-Stopp-Routine: Wer kann die KI sofort abschalten?

Typ C — Akzeptanz / Versicherung:

• Manche Rest-Risiken akzeptierst du bewusst (Dokumentation: Wer hat das wann entschieden?).
• Cyber-Versicherung erweitern um KI-Klausel.

Monitoring — und Wiederholung

Empfohlene Frequenz:

• Bei jedem neuen KI-Use-Case: Schritte 1–4 für den einen Use-Case durchziehen, bevor er produktiv geht.
• Mindestens jährlich: Vollständige Aktualisierung aller Einträge, neue Risiken einplanen.
• Bei größeren Modell-Wechseln: (GPT-4 → GPT-5, Claude 3 → 4) — Re-Assessment der bestehenden Use-Cases, da sich Verhalten ändern kann.
• Bei Incidents: Wenn was schief geht (Daten-Leak, falsche Empfehlung, Beschwerde), das Assessment innerhalb 30 Tagen anpassen.

Was du minimal dokumentierst:

• Excel/Notion-Tabelle mit allen Use-Cases (Schritt 1 + 2 + 3 + 4 als Spalten).
• Pro Use-Case 1 Seite Risiko-Bewertung, optional als PDF.
• Eine 2-3-seitige übergeordnete KI-Policy.
• Schulungs-Nachweise.