Ein KI-Systeminventar (auch als KI-Systemregister bezeichnet) ist ein umfassender, zentralisierter Katalog aller KI-Systeme, -Modelle und -Agenten, die in einem Unternehmen im Einsatz sind. Es erfasst deren geschäftlichen Zweck, die Zuständigkeiten und die Risikostufen – das Fundament eines jeden Governance-Programms in Unternehmen. Der Aufbau eines vollständigen KI-Inventars ist mittlerweile eine zwingende Voraussetzung für die Einhaltung der EU-KI-Verordnung (EU AI Act), von ISO 42001, des NIST AI RMF und des neuen Financial Services AI Risk Management Frameworks des US-Finanzministeriums.

Die meisten Organisationen können eine scheinbar einfache Frage nicht beantworten: Wie viele KI-Systeme sind derzeit im gesamten Unternehmen im Einsatz? Die Unfähigkeit, eine verlässliche Antwort zu geben – und das Fehlen eines umfassenden KI-Inventars – ist nicht nur eine administrative Lücke. Es handelt sich um ein Compliance-Risiko, einen blinden Fleck im Risikomanagement und eine zunehmend unhaltbare Position, da regulatorische Rahmenbedingungen weltweit von freiwilligen Leitlinien zu verbindlichen Verpflichtungen übergehen.

Die EU-KI-Verordnung, die im August 2024 in Kraft getreten ist und deren Verpflichtungen schrittweise bis 2027 eingeführt werden, verpflichtet Betreiber von Hochrisiko-KI-Systemen, diese Systeme in der EU-Datenbank zu registrieren (Artikel 71) und eine Dokumentation zu führen, die eine vollständige Erfassung jedes betroffenen Systems voraussetzt.[1] ISO/IEC 42001, der internationale Standard für KI-Managementsysteme, fordert von Organisationen, den Umfang und den Kontext ihrer KI-Systeme als Voraussetzung für eine Zertifizierung zu dokumentieren, was eine systematische Katalogisierung zu einer praktischen Notwendigkeit macht.[2] Das NIST AI Risk Management Framework behandelt die Identifizierung und Klassifizierung von KI-Systemen als grundlegende Aktivität innerhalb seiner „Map“-Funktion, die alle nachgelagerten Risikomessungen und -managementsysteme speist.[3] Das im Februar 2026 veröffentlichte Financial Services AI Risk Management Framework des US-Finanzministeriums macht das KI-Inventar zu einem eigenen Kontrollziel (GV-1.6) mit sechs Unterzielen, die von der Aufdeckung von Schatten-IT bis hin zur Risikoanalyse auf Portfolioebene reichen.[4] Ohne ein umfassendes KI-Inventar ist die Einhaltung eines dieser Rahmenwerke strukturell unmöglich.

Dennoch ist die Aufgabe, jedes KI-System in einem Unternehmen zu katalogisieren, weitaus komplexer, als es zunächst den Anschein hat. Dieser Leitfaden bietet einen systematischen Ansatz für den Aufbau eines KI-Inventars von Grund auf, einschließlich der Frage, was erfasst werden muss, wie Systeme entdeckt werden können, die für die zentrale Governance unsichtbar sein könnten, und wie das Inventar im Laufe der Zeit aktuell gehalten wird.

Warum ein KI-Inventar das Fundament der Governance ist

Abgesehen von regulatorischen Vorgaben ist ein vollständiges KI-Systeminventar die Voraussetzung für praktisch jede nachgelagerte Governance-Aktivität. Risikobewertungen können nicht für Systeme durchgeführt werden, die unbekannt sind. Bias-Audits können keine KI-Tools erfassen, die vom Einkauf nie registriert wurden. Incident-Response-Pläne können keine KI-gesteuerten Prozesse berücksichtigen, von denen die IT-Abteilung keine Kenntnis hat.

Die praktischen Konsequenzen eines Betriebs ohne Inventar sind bereits spürbar. Organisationen, die der EU-KI-Verordnung unterliegen, müssen Hochrisiko-Systeme in der europäischen Datenbank registrieren.[1] Diejenigen, die eine ISO 42001-Zertifizierung anstreben, müssen einen systematischen Prozess zur Identifizierung und Verwaltung von KI-Systemen im gesamten Unternehmen nachweisen.[2] Finanzaufsichtsbehörden, darunter die Bank of England, die FCA und die Europäische Zentralbank, haben damit begonnen, aufsichtsrechtliche Erwartungen zu formulieren, die voraussetzen, dass Unternehmen genau wissen, welche Entscheidungen durch algorithmische oder KI-basierte Tools beeinflusst werden.[5] Und seit Februar 2026 müssen US-Finanzinstitute bereit sein, den Fragebogen zum Treasury FS AI RMF zu beantworten, was ohne ein grundlegendes KI-Inventar nicht möglich ist.[4]

Die Herausforderung wird durch das Tempo der KI-Einführung noch verschärft. Die McKinsey-Studie 2024 Global Survey on AI ergab, dass 72 % der Organisationen KI in mindestens einer Geschäftsfunktion eingeführt haben, wobei sich die Akzeptanz im Vergleich zum Vorjahr nahezu verdoppelt hat und ein Großteil davon auf Abteilungsebene ohne zentrale Aufsicht stattfand.[6] Plattformen wie Enzai wurden speziell entwickelt, um die Komplexität der Pflege eines dynamischen KI-Inventars im Unternehmensmaßstab zu bewältigen, indem sie Erkennung, Risikoklassifizierung und kontinuierliche Überwachung in einer einzigen Governance-Ebene vereinen.

Ein KI-Inventar ist kein bloßes Kontrollkästchen für die Compliance. Es ist das einzige Artefakt, von dem jede andere Governance-Aktivität abhängt.

Was Sie in Ihr KI-Inventar für 2026 aufnehmen sollten: Aktualisierte Anforderungen

Seit die meisten Organisationen ihre Inventarspezifikationen das letzte Mal überprüft haben, haben sich zwei Dinge geändert: Die regulatorischen Anforderungen sind gestiegen, und die zu inventarisierenden Systeme haben sich weiterentwickelt. Ein Inventar, das 2024 zur Vorbereitung auf die EU-KI-Verordnung konzipiert wurde, ist für das Jahr 2026 materiell unzureichend.

Der regulatorische Hintergrund 2026

EU-KI-Verordnung – Verpflichtungen für Hochrisiko-Systeme wirksam ab 2. August 2026. Das gesamte Spektrum der Anforderungen an Hochrisiko-Systeme gemäß den Artikeln 9–15, die Konformitätsbewertung nach Artikel 43, die Transparenzpflichten nach Artikel 50 und die Registrierung in der EU-Datenbank nach Artikel 71 treten am 2. August 2026 in Kraft.[7] Der im November 2025 vorgeschlagene Digital Omnibus würde die Frist für Anhang III auf Dezember 2027 verlängern, aber dieser Vorschlag befindet sich noch in den Trilog-Verhandlungen, und das Ergebnis ist ungewiss. Planen Sie für August; betrachten Sie eine Verlängerung als Notfallplan, nicht als Ausgangsbasis. Die Auswirkung auf das Inventar ist konkret: Jedes System, das unter die Kategorien des Anhangs III fallen könnte, muss identifizierbar, klassifiziert und für die Registrierung bereit sein.

Financial Services AI Risk Management Framework des US-Finanzministeriums – veröffentlicht am 19. Februar 2026. Das US-Finanzministerium hat am 19. Februar 2026 das Financial Services AI Risk Management Framework (FS AI RMF) zusammen mit einem KI-Lexikon veröffentlicht und damit das NIST AI RMF für Finanzinstitute in 230 Kontrollzielen angepasst.[4] Der Aufbau des KI-Inventars ist ein eigenes Kontrollziel – GV-1.6 – mit sechs Unterzielen, die von der Entdeckung von Schatten-IT bis hin zur Risikoanalyse auf Portfolioebene reichen. Das Rahmenwerk ist derzeit freiwillig, es wird jedoch erwartet, dass es die Erwartungen der Wirtschaftsprüfer rasch prägen wird. Für Finanzdienstleister muss das Inventar nun als Grundlage die Beantwortung des FS AI RMF-Fragebogens unterstützen.

Der Colorado AI Act und parallele Gesetze der Bundesstaaten. Der Colorado AI Act, der ursprünglich am 1. Februar 2026 in Kraft trat und anstehenden Änderungen unterliegt, verpflichtet Entwickler und Betreiber von Hochrisiko-KI-Systemen zu angemessener Sorgfalt, um algorithmische Diskriminierung bei folgenschweren Entscheidungen zu vermeiden.[8] Inventare, die die Einhaltung der Vorschriften in Colorado unterstützen, müssen die Auswirkungen von Entscheidungen, die betroffenen Populationen und Kennzeichnungen für folgenschwere Entscheidungen erfassen – Felder, die in älteren KI-Inventaren nicht immer vorhanden sind.

ISO/IEC 42001 und NIST AI RMF. Fortlaufende freiwillige Rahmenwerke. Die ISO 42001-Zertifizierung erfordert den Nachweis eines systematischen Prozesses zur Identifizierung und Verwaltung von KI-Systemen. Das NIST AI RMF behandelt die Identifizierung und Klassifizierung als grundlegende Aktivität innerhalb seiner „Map“-Funktion.[2][3]

Was im Jahr 2026 neu zu erfassen ist

Die Felder und Aspekte, die im Jahr 2026 speziell hinzukommen:

• Kennzeichnungen für agentische Systeme. Ob es sich bei dem System um einen autonomen Agenten handelt, dessen Autonomiestufe (siehe den Enzai-Leitfaden zur Governance agentischer KI) und der begrenzte Aktionsraum, in dem er agiert.

• Abhängigkeit von Basismodellen (Foundation Models). Bei Systemen, die auf Basismodellen von Drittanbietern aufbauen, sind der Modellanbieter, die Modellversion, die Richtlinie zur Versionsfixierung und die Revalidierungsauslöser zu erfassen, wenn der Anbieter Updates bereitstellt.

• Risikoklassifizierungsfelder der EU-KI-Verordnung. Kategorie des Anhangs III (falls zutreffend), Begründung der Hochrisiko-Klassifizierung, Weg der Konformitätsbewertung, Registrierungsstatus in der EU-Datenbank, Referenz zum Plan für die Überwachung nach dem Inverkehrbringen. Siehe den Enzai-Leitfaden zur Einhaltung der EU-KI-Verordnung für eine vollständige Aufschlüsselung der Verpflichtungen.

• FS AI RMF-Mapping (Finanzdienstleistungen). Zuordnung zu relevanten Kontrollzielen, insbesondere den Unterzielen von GV-1.6, einschließlich externer Exposition, Nutzung sensibler oder regulierter Daten, Auswirkungen auf Kunden oder den Markt sowie Kritikalität.

• Kennzeichnungen zur Erkennung von Schatten-Agenten. Spezifische Nachverfolgung von autonomen Agenten, die außerhalb des formellen Einkaufs eingeführt wurden – häufig eingebettet in SaaS-Plattformen oder informell von Data-Science-Teams entwickelt.

• Auslöser für wesentliche Änderungen. Definierte Kriterien dafür, wann eine Änderung an einem bestehenden System eine „wesentliche Änderung“ gemäß Artikel 3(23) der EU-KI-Verordnung darstellt, die eine erneute Bewertung erforderlich macht.

Dies sind Ergänzungen zu dem im Folgenden dargestellten Feldrahmenwerk. Organisationen, deren Inventare die unten aufgeführten Kernfelder bereits abdecken, sollten eine gezielte Erweiterung planen, um 2026-spezifische Daten hinzuzufügen, anstatt das Inventar von Grund auf neu aufzubauen.

Die Herausforderung der Erkennung

Zu verstehen, warum KI-Systeme schwer zu katalogisieren sind, ist von entscheidender Bedeutung, bevor man versucht, das Inventar selbst aufzubauen. KI verhält sich in Bezug auf ihre Sichtbarkeit nicht wie traditionelle Software. Sie nistet sich in bestehende Tools ein, agiert über APIs von Drittanbietern und verbreitet sich durch Entscheidungen einzelner Mitarbeiter, die niemals den Einkauf passieren.

Schatten-KI (Shadow AI) – Die größte Herausforderung bei der Erkennung ist die Schatten-KI: Systeme, die von Mitarbeitern oder Teams ohne formelle Genehmigung eingeführt werden. Ein Marketing-Analyst, der ein KI-gestütztes Copywriting-Tool über eine private Kreditkarte abonniert, ein Vertriebsteam, das einen KI-Dienst zur Transkription von Meetings nutzt, ein Finanzteam, das über eine Browser-Erweiterung mit einem großen Sprachmodell experimentiert. Jedes dieser Beispiele steht für ein KI-System, das Unternehmensdaten außerhalb jeglicher Governance-Rahmenwerke verarbeitet.

Eingebettete KI in SaaS-Plattformen – Große Anbieter von Unternehmenssoftware haben in rasantem Tempo KI-Funktionen in bestehende Produkte integriert. Eine CRM-Plattform, die ein prädiktives Lead-Scoring einführt, ein HR-System, das eine Lebenslauf-Vorauswahl ergänzt, ein Kundensupport-Tool, das eine automatisierte Layouterstellung implementiert. Dies sind KI-Systeme, aber sie werden oft als Funktions-Updates und nicht als Neuanschaffungen eingeführt, was sie für herkömmliche Software-Audits unsichtbar macht.

KI von Anbietern und Drittparteien – Wenn eine Organisation einen Dienstleister beauftragt, der KI bei der Leistungserbringung einsetzt, kann die Organisation im Rahmen von Regulierungswerken wie der EU-KI-Verordnung zum Betreiber dieses KI-Systems werden. Ein Dienstleister für Hintergrundüberprüfungen, der KI zur Bewertung von Bewerbern einsetzt, ein Outsourcing-Partner für die Schadenbearbeitung, der KI zur Vorsortierung von Anträgen nutzt, ein Logistikpartner, der KI zur Routenoptimierung einsetzt. Jedes dieser Szenarien schafft eine Governance-Verpflichtung, die damit beginnt, zu wissen, dass das System existiert.

Intern entwickelte KI – Data-Science-Teams, Innovationslabore und Softwareentwicklungsabteilungen können KI-Modelle entwickeln und bereitstellen, die niemals einen formellen Release-Management-Prozess durchlaufen. Jupyter-Notebooks, die in den Produktivbetrieb übernommen werden, Machine-Learning-Modelle, die auf Abteilungsservern laufen, automatisierte Entscheidungsskripte, die sich ohne formellen Auftrag vom Proof-of-Concept zu geschäftskritischen Anwendungen entwickelt haben.

Die Herausforderung bei der Erkennung ist im Wesentlichen ein Sichtbarkeitsproblem. Das traditionelle IT-Asset-Management wurde nicht für KI konzipiert, und die Tools und Prozesse, auf die sich die meisten Organisationen verlassen, werden den Großteil ihrer KI-Landschaft übersehen.

Was Sie in Ihrem KI-Inventar erfassen sollten

Ein nützliches KI-Inventar muss ein Gleichgewicht zwischen Vollständigkeit und Praktikabilität wahren. Wird zu wenig erfasst, ist das Inventar für die Risikobewertung und Compliance unzureichend. Wird zu viel erfasst, entsteht ein Wartungsaufwand, der das Inventar veralten lässt. Das folgende Vorlagen-Rahmenwerk deckt die Felder ab, die regulatorische Anforderungen, Branchenstandards und praktische Governance-Bedürfnisse verlangen.

Kernfelder zur Identifikation

Eigentumsverhältnisse und Verantwortlichkeiten

Risiko- und Compliance-Klassifizierung

Technische und betriebliche Details

Agentenspezifische Felder (falls zutreffend)

Lebenszyklus und Status

Nicht jedes Feld wird beim ersten Durchlauf für jedes System ausgefüllt sein. Ein pragmatischer Ansatz besteht darin, zu definieren, welche Felder bei der Erfassung obligatorisch sind (Systemname, Eigentümer, Bereitstellungstyp, Risikoklassifizierung) und welche bis zum ersten Governance-Überprüfungszyklus zurückgestellt werden können. Das KI-Inventarschema von Enzai implementiert diesen gestuften Ansatz und unterscheidet zwischen erforderlichen Erfassungsfeldern und Feldern zur schrittweisen Anreicherung, um zu verhindern, dass Teams entweder alles überspringen oder durch ein 22-Felder-Formular für jedes von 200 Systemen blockiert werden. Das Ziel ist es, die Struktur zu etablieren und Lücken systematisch zu schließen, anstatt das Inventar zu verzögern, bis jedes Feld perfekt ausgefüllt werden kann.

Erkennungsmethoden

Mit einer klaren Vorstellung davon, was erfasst werden soll, stellt sich als Nächstes die Frage, wie jedes im Unternehmen aktive KI-System gefunden werden kann. Keine einzelne Methode wird eine vollständige Abdeckung erreichen. Ein effektives Erkennungsprogramm kombiniert verschiedene Ansätze.

Automatisierte Scans und technische Erkennung – Die Analyse des Netzwerkverkehrs kann API-Aufrufe an bekannte KI-Dienstanbieter identifizieren, einschließlich der großen Cloud-KI-Endpunkte von Anbietern wie OpenAI, Google, Anthropic und AWS. DNS-Protokolle, Proxy-Server-Aufzeichnungen und CASB-Tools (Cloud Access Security Broker) können Verbindungen zu KI-Diensten aufzeigen, die nicht formell genehmigt wurden. Die Analyse der Softwarezusammensetzung (Software Composition Analysis) kann KI-Bibliotheken und -Frameworks in intern entwickelten Anwendungen identifizieren.

Organisationen, die Plattformen wie Enzai nutzen, können automatisierte Erkennungsfunktionen direkt in ihren Governance-Workflow integrieren. Dies reduziert den manuellen Aufwand und stellt sicher, dass neu erkannte Systeme sofort zur Klassifizierung und Überprüfung markiert werden.

Einkaufs- und Anbieter-Audits – Eine systematische Überprüfung von Einkaufsbelegen, Software-Lizenzvereinbarungen und Lieferantenverträgen wird KI-Systeme zutage fördern, die über formelle Kanäle erworben wurden. Dies sollte eine retrospektive Überprüfung bestehender Verträge umfassen, da viele Anbieter KI-Funktionen zu bisherigen Nicht-KI-Produkten hinzugefügt haben. Einkaufsteams sollten angewiesen werden, jede Neuanschaffung zu melden, die KI- oder Machine-Learning-Funktionen enthält.

Mitarbeiterbefragungen und Selbsterklärung – Die direkte Ansprache von Geschäftsbereichen bleibt eine der effektivsten Erkennungsmethoden für Schatten-KI. Eine strukturierte Umfrage, in der Teams gebeten werden, alle von ihnen genutzten Tools, Dienste oder Modelle zu identifizieren, die KI, maschinelles Lernen, natürliche Sprachverarbeitung oder automatisierte Entscheidungsfindung beinhalten, wird durchweg Systeme aufdecken, die kein technisches Scan-Verfahren erfassen würde. Die Umfrage sollte konstruktiv gestaltet sein und die Governance-Unterstützung anstelle von Kontrollmaßnahmen betonen, um eine ehrliche Offenlegung zu fördern.

Fragebögen für Anbieter – Für bestehende Beziehungen zu Drittanbietern wird ein gezielter Fragebogen, der Partner fragt, ob KI bei der Leistungserbringung eingesetzt wird und, falls ja, welcher Typ und zu welchem Zweck, eingebettete KI und KI von Drittanbietern identifizieren. Dies ist besonders wichtig für ausgelagerte Geschäftsprozesse, bei denen KI vom Anbieter ohne ausdrückliche Benachrichtigung des Kunden eingeführt worden sein könnte.

Analyse des Netzwerk- und API-Verkehrs – Über das Scannen nach bekannten KI-Endpunkten hinaus kann eine tiefergehende Analyse von API-Verkehrsmustern KI-Systeme aufdecken, die über nicht offensichtliche Kanäle kommunizieren. Die Überwachung auf Muster, die mit Modellinferenz-Aufrufen übereinstimmen – wie strukturierte JSON-Nutzdaten, die an externe Endpunkte mit Latenzprofilen gesendet werden, die typisch für ML-Inferenz sind –, kann Systeme zutage fördern, die andere Methoden übersehen.

Die robustesten Erkennungsprogramme führen diese Methoden parallel aus und wiederholen sie in regelmäßigen Zyklen. Ein einzelner Durchlauf wird die Mehrheit der Systeme erfassen, aber eine kontinuierliche Erkennung ist notwendig, um mit dem Tempo Schritt zu halten, in dem neue KI-Tools in die Organisation gelangen.

Aufbau des Inventarisierungsprozesses

Ein KI-Inventar ist nur so langlebig wie der Prozess und die Governance-Struktur, die es tragen. Ohne klare Zuständigkeiten, funktionsübergreifende Beteiligung und definierte Workflows wird selbst ein gründlicher erster Katalog innerhalb weniger Monate veralten.

Zuständigkeiten festlegen – Eine einzelne Funktion muss das KI-Inventar als Unternehmenswert besitzen. In den meisten Organisationen fällt dies in eine von drei Rollen: den Chief AI Officer (sofern vorhanden), den Chief Information Security Officer oder den Chief Compliance Officer. Die entscheidende Voraussetzung ist, dass der Verantwortliche über ausreichende Befugnisse verfügt, um eine Offenlegung von allen Geschäftsbereichen einzufordern, und über ausreichende technische Glaubwürdigkeit verfügt, um mit Entwicklungsteams über Klassifizierung und Risikobewertung zu sprechen.

Funktionsübergreifende Beteiligung – Der Inventarisierungsprozess erfordert die aktive Teilnahme mehrerer Abteilungen:

• IT und Engineering stellen automatisierte Erkennungsfunktionen bereit und können intern entwickelte KI-Systeme, Infrastrukturdetails und Integrationspunkte identifizieren.

• Der Einkauf meldet neue KI-Anschaffungen und überprüft retrospektiv bestehende Anbieterbeziehungen.

• Rechtsabteilung und Compliance klassifizieren Systeme anhand regulatorischer Anforderungen, einschließlich der Risikokategorien der EU-KI-Verordnung, der Kontrollziele des FS AI RMF und datenschutzrechtlicher Verpflichtungen.

• Leiter der Geschäftsbereiche identifizieren die in ihren Teams genutzten KI-Tools und weisen jedem System einen geschäftlichen Eigentümer zu.

• Datenschutz / Privacy bewertet die Verarbeitung personenbezogener Daten und stellt die Abstimmung mit der DSGVO und gleichwertigen Rahmenwerken sicher.

• Die interne Revision validiert regelmäßig die Vollständigkeit und Richtigkeit des Inventars.

Definieren des Erfassungsworkflows – Jedes neue KI-System, ob beschafft, entwickelt oder durch Scannen entdeckt, sollte einen standardisierten Erfassungsworkflow durchlaufen. Dieser Workflow sollte die erste Registrierung (Ausfüllen der Kernfelder zur Identifikation), eine vorläufige Risikoklassifizierung, die Zuweisung von geschäftlichen und technischen Eigentümern und die Planung einer vollständigen Governance-Überprüfung umfassen. Der Erfassungsprozess sollte so schlank sein, dass er keinen Anreiz zur Umgehung schafft, aber streng genug, dass kein System ohne grundlegende Governance-Dokumentation in den Produktivbetrieb geht.

Festlegen des Governance-Rhythmus – Das Inventar sollte mindestens vierteljährlich formell überprüft werden. Bei jeder Überprüfung sollten die Vollständigkeit (wurden seit dem letzten Zyklus neue Systeme hinzugefügt?), die Richtigkeit (sind die Details bestehender Systeme noch korrekt?) und der Compliance-Status (bewegen sich Systeme außerhalb der genehmigten Risikoparameter?) bewertet werden.

Ein Prozess ohne klare Zuständigkeit ist ein Wunschzettel. Ein Prozess mit klaren Zuständigkeiten, funktionsübergreifendem Mandat und einem definierten Rhythmus ist ein Governance-Programm.

Pflege des Inventars im Laufe der Zeit

Der erste Aufbau ist die leichtere Hälfte der Herausforderung. Um ein genaues, dynamisches Inventar zu pflegen, sind Auslöser, Automatisierung und die Integration in das umfassendere Änderungsmanagement der Organisation erforderlich.

Auslöser für Inventaraktualisierungen – Das Inventar sollte aktualisiert werden, wenn eines der folgenden Ereignisse eintritt:

• Ein neues KI-System wird beschafft, entwickelt oder bereitgestellt

• Ein bestehendes System wird wesentlich geändert (neue Datenquellen, geänderter Entscheidungsumfang, Modell-Retraining, Änderung der Version des Basismodells)

• Ein System wird außer Betrieb genommen oder vorübergehend deaktiviert

• Ein Anbieter informiert die Organisation über die Integration von KI-Funktionen in ein bestehendes Produkt

• Eine regulatorische Änderung beeinflusst die Risikoklassifizierung eines bestehenden Systems

• Ein Vorfall im Zusammenhang mit einem KI-System wird gemeldet

• Eine organisatorische Umstrukturierung ändert die geschäftliche Verantwortung für ein System

Kontinuierliche Erkennung – Technische Erkennungsmethoden sollten kontinuierlich laufen und nicht nur als periodische Maßnahmen. Die automatisierte Überwachung des KI-API-Verkehrs, CASB-Warnungen für neue KI-SaaS-Tools und die Integration in Software-Deployment-Pipelines zur Kennzeichnung von KI-Komponenten in neuen Releases tragen dazu bei, die Zeitspanne zwischen dem Eintritt eines Systems in das Unternehmen und seinem Erscheinen im Inventar zu minimieren.

Integration in das Änderungsmanagement – Das KI-Inventar sollte in bestehende Prozesse des Änderungsmanagements (Change Management) und des IT-Service-Managements eingebettet werden. Change Advisory Boards sollten die Auswirkungen auf das KI-Inventar als Standard-Bewertungskriterium aufnehmen. Prozesse zur Softwarebereitstellung sollten eine Überprüfung auf KI-Komponenten beinhalten. Workflows im Lieferantenmanagement sollten die Offenlegung von KI als vertragliche Standard- und Überprüfungsanforderung vorsehen.

Versionsverlauf und Audit-Trail – Jede Änderung an einem Inventareintrag sollte mit einem Zeitstempel, der Identität der Person, die die Änderung vornimmt, und dem Grund für die Aktualisierung protokolliert werden. Dieser Audit-Trail ist nicht nur Best Practice. Er ist eine ausdrückliche Anforderung in verschiedenen Regulierungswerken und wird von Prüfern und Aufsichtsbehörden erwartet.

Die Pflege ist der Punkt, an dem die meisten KI-Inventare scheitern. Erfolgreiche Organisationen sind diejenigen, die das Inventar als lebendes System behandeln, das in die operativen Arbeitsabläufe integriert ist, und nicht als statisches Dokument, das einmal im Jahr hervorgeholt wird.

Häufige Fehler

Selbst gut aufgestellte Organisationen stoßen beim Aufbau und der Pflege eines KI-Inventars auf vorhersehbare Hürden. Das frühzeitige Erkennen dieser Muster erhöht die Wahrscheinlichkeit eines nachhaltigen Erfolgs erheblich.

KI zu eng definieren. Organisationen, die ihr Inventar auf „Machine-Learning-Modelle“ beschränken, übersehen regelbasierte automatisierte Entscheidungssysteme, robotergestützte Prozessautomatisierung mit kognitiven Elementen, autonome Agenten und generative KI-Tools, die informell im Unternehmen genutzt werden. Die Definition dessen, was ein KI-System für das Inventar darstellt, sollte bewusst breit gewählt und an regulatorischen Definitionen ausgerichtet sein, wie dem umfassenden Rahmen in Artikel 3(1) der EU-KI-Verordnung.[1]

Das Inventar als reines IT-Projekt behandeln. Wenn das Inventar ausschließlich im Besitz der IT-Abteilung ist, wird die geschäftliche Nutzung von KI systematisch untererfasst. Ist es hingegen ausschließlich im Besitz der Compliance-Abteilung, sind technische Details oft spärlich und unzuverlässig. Eine funktionsübergreifende Verantwortung ist unumgänglich.

Perfektion im ersten Durchlauf anstreben. Organisationen, die darauf bestehen, jedes Feld für jedes System auszufüllen, bevor das Inventar veröffentlicht wird, werden das Inventar niemals veröffentlichen. Ein pragmatischer Ansatz akzeptiert unvollständige Datensätze beim ersten Aufbau und implementiert ein strukturiertes Programm, um Lücken in den folgenden Überprüfungszyklen zu schließen.

KI von Drittanbietern vernachlässigen. Die KI-Systeme mit den größten Auswirkungen auf eine Organisation sind häufig diejenigen, die von Dritten betrieben werden – die KI eines Anbieters für Hintergrundüberprüfungen, das Modell einer Kreditauskunftei, die automatisierten Sicherheitswerkzeuge einer Cloud-Plattform. Diese erfordern dieselbe Governance-Aufmerksamkeit wie intern entwickelte Systeme – und aufgrund der geringeren Sichtbarkeit oft sogar mehr.

Agentische Systeme übersehen. Die meisten Altsysteme wurden für statische KI entwickelt – Modelle, die Vorhersagen oder Inhalte generieren, auf die Menschen dann reagieren. Agentische Systeme, die autonom über mehrstufige Workflows hinweg agieren, erfordern zusätzliche Felder (Autonomiestufe, Aktions-Whitelist, Eskalationsauslöser, Speicherort des Audit-Trails) und zusätzliche Governance-Disziplinen. Ein Inventar, das agentische Systeme nicht separat von statischen Modellen ausweist, kann keine angemessene Governance unterstützen. Siehe den Enzai-Leitfaden zur Governance agentischer KI für das vollständige Rahmenwerk.

Das Inventar nicht mit Maßnahmen verknüpfen. Ein KI-Inventar, das als Excel-Tabelle existiert, die einmal im Jahr überprüft wird und von Risikobewertungen, Incident Management und regulatorischen Berichtsprozessen abgekoppelt ist, bietet kaum einen Governance-Wert. Das Inventar muss das operative Rückgrat des KI-Governance-Programms sein, nicht ein bloßer Anhang.

Den Wartungsaufwand unterschätzen. Das Tempo der KI-Einführung in den meisten Organisationen bedeutet, dass ein heute fertiggestelltes Inventar ohne aktive Pflegeprozesse in drei bis sechs Monaten materiell unvollständig sein wird. Organisationen sollten laufende Ressourcen für die Pflege des Inventars einplanen, nicht nur für den ersten Aufbau.

Der Unterschied zwischen einem KI-Inventar, das einen echten Governance-Wert liefert, und einem, das verstaubt, liegt nicht in der Raffinesse des ersten Katalogs. Er liegt in der Konsequenz des Prozesses, der es aktuell hält und mit der Entscheidungsfindung verknüpft.

Praktische Implikationen

Die regulatorische Entwicklung ist unmissverständlich. Die EU-KI-Verordnung, ISO 42001, das NIST AI RMF, das Treasury FS AI RMF und eine wachsende Zahl sektorspezifischer aufsichtsrechtlicher Erwartungen laufen alle auf dieselbe grundlegende Anforderung hinaus: Organisationen müssen wissen, welche KI sie im Einsatz haben, wo sie agiert, wer dafür verantwortlich ist und welche Risiken sie birgt. Die Kosten für den Aufbau dieser Fähigkeit steigen mit jeder Verzögerung, da die Anzahl der KI-Systeme in jedem Unternehmen schneller wächst als die Kapazität, sie nachträglich zu katalogisieren.

Organisationen, die jetzt beginnen, selbst mit einem unvollständigen ersten Durchlauf, werden wesentlich besser aufgestellt sein als diejenigen, die auf eine regulatorische Frist warten, um Maßnahmen zu ergreifen. Das in diesem Leitfaden beschriebene Vorlagen-Rahmenwerk, die Erkennungsmethoden und die Prozessstrukturen bieten einen konkreten Ausgangspunkt.

Die Wahl des richtigen Tools für das KI-Systeminventar ist entscheidend für die Pflege eines prüfbaren Systems. Für Organisationen, die ihr KI-Inventar auf einer Plattform operationalisieren möchten, die speziell für KI-Governance, Risiko und Compliance entwickelt wurde, bietet Enzai einen strukturierten Ansatz für die Erkennung, Klassifizierung und kontinuierliche Pflege. Buchen Sie eine Demo, um zu sehen, wie dies in der Praxis funktioniert.

Enzai ist die führende Plattform für KI-Governance in Unternehmen, die speziell dafür entwickelt wurde, Organisationen beim Übergang von abstrakten Richtlinien zur operativen Aufsicht zu unterstützen. Unsere Plattform für KI-Risikomanagement bietet die spezialisierte Infrastruktur, die erforderlich ist, um die Governance agentischer KI zu verwalten, ein umfassendes KI-Inventar zu pflegen und die Einhaltung der EU-KI-Verordnung sicherzustellen. Durch die Automatisierung komplexer Workflows ermöglicht Enzai es Unternehmen, die Einführung von KI vertrauensvoll zu skalieren und gleichzeitig die Übereinstimmung mit globalen Standards wie ISO 42001 und NIST zu wahren.

Referenzen

1. Verordnung (EU) 2024/1689 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz (Gesetz über künstliche Intelligenz). Amtsblatt der Europäischen Union, August 2024.

2. ISO/IEC 42001:2023 - Informationstechnik - Künstliche Intelligenz - Managementsystem. Internationale Organisation für Normung, Dezember 2023.

3. Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. National Institute of Standards and Technology, Januar 2023.

4. U.S. Department of the Treasury, „Treasury Releases Two New Resources to Guide AI Use in the Financial Sector“, 19. Februar 2026. Enthält das Financial Services AI Risk Management Framework und das AI Lexicon. Das KI-Inventar ist das Kontrollziel GV-1.6.

5. Bank of England, FCA, PRA und PSR, „Artificial intelligence and machine learning“, DP5/22, Oktober 2022; PRA Supervisory Statement SS1/23, 2023.

6. McKinsey & Company, „The State of AI in Early 2024: Gen AI Adoption Spikes and Starts to Generate Value“, Mai 2024.

7. Verordnung (EU) 2024/1689, Artikel 113-114 (Inkrafttreten und Geltungsbeginn). Das im November 2025 von der Europäischen Kommission vorgeschlagene Digital Omnibus zu KI könnte die Fristen für Anhang III vorbehaltlich des Trilogs verlängern.

8. Colorado SB 24-205, Concerning Consumer Protections for Artificial Intelligence, unterzeichnet im Mai 2024. Ursprüngliches Inkrafttreten am 1. Februar 2026; vorbehaltlich anstehender Gesetzesänderungen.