DER RAHMEN
Traditionelles ERM wurde für Risiken entwickelt, die sich deterministisch verhalten, mit Ausfällen, die eine nachvollziehbare Ursachenkette hinterlassen. KI bricht beide Annahmen. EW-AiRM™ ist die Schicht, die die Lücke schließt, entwickelt, um das, was Sie bereits betreiben, zu ergänzen, nicht zu ersetzen.
ARCHITEKTUR
Die meisten KI-Risiko-Frameworks wählen eine Ebene und bleiben dort: EW-AiRM™ überspannt bewusst drei Ebenen, da die strategischen Fragen nicht allein mit operativen Werkzeugen beantwortet werden können und die operative Ebene keine Schwarzen Schwäne vorhersehen kann. Und die HAiPECRTM ethischer Filter die über alle hinweg läuft. Mit einem KI-Kontrollbibliothek, abgeleitet von über 800 evidenzbasierten Minderungsmaßnahmen, nicht nur aus ersten Prinzipien abgeleitet.
EBENE 1
Sechs SäulenNotwendigkeit, Bereitschaft, Reife, Toleranz, Steuerung und Rechenschaftspflicht, durch-die-Lifecycle-Überwachung. Legt die Bedingungen fest, die jede KI-Implementierung erfüllen muss, bevor sie in Betrieb genommen wird.
Können kann auch rückwirkend als Teil der KI-Reifegradbewertung eines Unternehmens angewendet werden.
Ergänzt durch HAiPECRTM, der ethische Filter: die gleichen sieben Fragen gestellt bei jeder signifikanten KI-Entscheidung, über alle drei Schichten, abgestimmt auf die UNESCO-Empfehlung von 2021.
EBENE 2
MIT AI Risk Repository (CC BY 4.0): mehr als 1.000 Risiken über 7 Domänen und 24 Subdomänen hinweg.
Abgestimmt auf 831 Kontrollen in 4 Quadranten (Governance & Aufsicht, Technik & Sicherheit, Betriebsprozess, Transparenz & Rechenschaftspflicht).
Für Steuerungszuordnungen in den Primär-, Sekundär- und Tertiärstufen.
Dies Die Ebene verlangt von Organisationen nicht, dass sie eine KI-Risiko-Taxonomie von Grund auf neu erstellen; sie gibt Praktikern die Evidenzbasis und die Werkzeuge, um sie anzuwenden.
EBENE 3
Acht KI-Schwarzer-Schwan-Kategorien -gesteuert, gesteuert durch robuste Grundlagen, kontinuierliche Erfassung, adaptive Reaktion.
Beinhaltet Multi-Agenten-Emergenz und das quantenkryptografischer Übergang (NIST FIPS 203/204/205).
Für Risiken, die nicht in die operative Taxonomie passen.
Der Die Antwort auf unbekannte Unbekannte ist Resilienz, nicht Vorhersage.
HALLENBEDINGUNGEN : Die 5 Nicht-Verhandelbaren
1
Benannte Rechenschaftspflicht für jedes eingesetzte KI-System
2
HAIPECR als Vorabfilter, dokumentiert
3
Menschliche Überschreibungsfähigkeit getestet mit einer 4-Stunden-SLA
4
Dokumentierte Risikoakzeptanz durch Vorstand oder Geschäftsführung
5
Meldeweg für Vorfälle mit benanntem Empfänger
STRATEGISCHE SCHICHT
Jede Säule ist eine Frage, die die Organisation schriftlich beantworten muss, bevor ein System bereitgestellt werden kann, und eine Prüfung, die während des gesamten Bereitstellungslebenszyklus gelten muss.
P-I
Strategische Ausrichtung
+ Notwendigkeitsbewertung
Ist KI überhaupt das richtige Werkzeug für dieses Problem? Wenn ein deterministisches System ausreichen würde, ist KI die falsche Antwort.
P-II
P-III
Technologische Reife
Sind das zugrunde liegende Modell, der Anbieter und das Integrationsmuster für diesen Anwendungsfall auf diesem Risikoniveau bereit?
P-IV
Risikotoleranz
Hat der Vorstand das Restrisiko genehmigt und ist die Toleranz auf der richtigen Granularitätsebene dokumentiert?
P-V
Governance & Rechenschaftspflicht
Wer trägt die Entscheidung und wer den Vorfall? Benannt, nicht impliziert.
P-VI
Durchgängige Überwachung
+ Anpassungsfähigkeit
Welche Änderungen lösen eine Neubewertung aus? Wer führt die Neubewertung durch? Was ist die SLA für den Kill-Switch?
ETHISCHE ÜBERLAGERUNG
HAIPECR ist der ethische Filter, der über alle drei Ebenen läuft. Abgestimmt auf die UNESCO-Empfehlung von 2021 zur Ethik der KI (10 Kernprinzipien, nicht 9). Seit April 2023 im OECD AI Policy Observatory gelistet.
Menschliche Aufsicht - Benannte Rechenschaftspflicht, Überschreibung getestet.
Rechenschaftspflicht - abgebildet auf UNESCO P5.
Inklusivität – eine eingebettete Voraussetzung,
keine Säule. (Daher das Kleinbuchstaben "i").
Datenschutz - Datenschutz, Sicherheit.
Ethik - Erklärbarkeit, Transparenz, Fairness, Nichtdiskriminierung.
Verhalten – basierend auf dem Universal Conduct Risk Paradigm (UCRP).
Resilienz - Nachhaltigkeit, generationenübergreifende Rechte.
UNESCO-MAPPING:
H → P7 Menschliche Aufsicht
A → P5 Rechenschaftspflicht
i → P4 Multistakeholder-Governance + P9 Bewusstsein & Kompetenz
P → P3 Datenschutz + P2 Sicherheit & Schutz (+ 2024 UNESCO Neurotech)
E → P6 Transparenz & Erklärbarkeit + P10 Fairness
C → P1 Verhältnismäßigkeit / Kein Schaden
R → P8 Nachhaltigkeit
UNESCO-MAPPING: H → P7 Menschliche Aufsicht A → P5 Rechenschaftspflicht i → P4 Multi-Stakeholder-Governance + P9 Bewusstsein & Kompetenz P → P3 Datenschutz + P2 Sicherheit (+ 2024 UNESCO Neurotech) E → P6 Transparenz & Erklärbarkeit + P10 Fairness C → P1 Verhältnismäßigkeit / Kein Schaden R → P8 Nachhaltigkeit
RESILIENZ-EBENE
EW-AiRM identifiziert acht verschiedene KI-Schwarzer-Schwan-Kategorien.
Jede hat diskrete Merkmale, einen eigenen Grund für Unvorhersehbarkeit und eine separate Governance-Reaktion.
Die Kategorien schließen sich nicht gegenseitig aus: Mehrere Kategorien können interagieren und ihre Auswirkungen gegenseitig verstärken, sodass das kombinierte Ereignis schwerwiegender ist als jede Kategorie für sich:
Merkmal:
Foundation-Modelle weisen unerwartete Fähigkeiten auf, die nicht explizit trainiert oder in das System integriert wurden. Diese Fähigkeiten entstehen aus den komplexen Wechselwirkungen von Milliarden von Parametern auf eine Weise, die aus der Spezifikation des Modells nicht vorhersehbar ist.
Warum unvorhersehbar:
Modelle haben Milliarden von Parametern; das Verhalten ergibt sich aus komplexen Parameterinteraktionen, die selbst von den Ingenieuren, die das System entwickelt haben, nicht vollständig vorhergesagt werden können. Fähigkeiten entstehen an Skalierungsschwellen, die selbst unvorhersehbar sind.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Der Ausfall eines zentralen KI-Infrastrukturelements (am prominentesten ein großer Anbieter von Basismodellen, aber auch Anbieter von Cloud-GPUs, KI-Beschleunigern und Vektordatenbanken, wenn der KI-Stack ausgereift ist) breitet sich gleichzeitig auf Tausende von abhängigen Anwendungen aus und verursacht eine unternehmensweite Störung anstelle von isolierten organisatorischen Ausfällen.
Warum unvorhersehbar:
Das Ausmaß der Abhängigkeit im gesamten Ökosystem ist bis zum Eintritt eines Ausfalls unbekannt. Einzelne Organisationen bewerten ihre eigene Abhängigkeit, aber kein einzelner Governance-Akteur hat Einblick in die aggregierte Abhängigkeit im gesamten Finanzsystem, Gesundheitssystem oder einem anderen kritischen Sektor.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Ein Modell verfolgt seine festgelegten Ziele auf schädliche Weise, da der Optimierungsprozess einen Weg zum Ziel gefunden hat, den die Systementwickler nicht vorhergesehen haben. Das Modell tut genau das, worauf es optimiert wurde. Aber die Optimierung führte zu unbeabsichtigten Folgen.
Warum unvorhersehbar:
Es ist schwierig, alle Wege vorherzusehen, auf denen ein Optimierungsprozess einen Pfad zu einem Ziel finden kann, der Schaden verursacht. Die Optimierung ist mathematisch korrekt; das Problem ist die Lücke zwischen dem spezifizierten Ziel und dem beabsichtigten. Die Frontier AI Safety-Forschung von Anthropic, OpenAI, Google DeepMind und den britischen und US-amerikanischen AI Safety Institutes hat dokumentiert, dass diese Lücke mit zunehmender Leistungsfähigkeit des Modells eher größer als kleiner wird, was das Fehlschlagen der Ausrichtung zu einem strukturell wachsenden Risiko macht und nicht zu einem Problem, das sich mit technischer Reife verbessert.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Unerwartete und schädliche Verhaltensweisen entstehen durch die Kombination von Text, Bild, Audio und anderen KI-Modalitäten in einem System, bei dem die einzelnen Modalitäten separat als akzeptabel bewertet wurden, deren Kombination jedoch zusammengesetzte Effekte erzeugt, die bei keiner der Modalitäten allein vorhanden waren.
Warum unvorhersehbar:
Die Wechselwirkungen zwischen Modalitäten sind schwer aus der Analyse einzelner Modalitäten vorherzusagen. Individuell beherrschbare Verzerrungen können sich auf eine Weise verstärken, die qualitativ schwerwiegendere Schäden verursacht, wenn Modalitäten interagieren.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Eine neuartige Angriffstechnik wird entdeckt, die bestehende KI-Abwehrmaßnahmen in der gesamten Branche besiegt: nicht nur die Abwehrmaßnahmen eines Unternehmens, sondern die grundlegenden Ansätze, die alle wichtigen Systeme implementiert haben.
Warum unvorhersehbar:
Die Angriffsfläche von KI-Modellen ist enorm und neue Angriffswinkel sind immer möglich. Wenn eine neue Angriffstechnik entdeckt wird, die eine grundlegende Eigenschaft der Modellarchitektur ausnutzt (z. B. das Ziel der Vorhersage des nächsten Tokens, das alle Sprachmodelle teilen, oder die gradientenbasierte Optimierung, die alle neuronalen Netze verwenden), kann sie gegen alle Modelle mit dieser Architektur unabhängig von einzelnen Abwehrmaßnahmen wirken.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Ein Ausfall oder Angriff in der KI-Lieferkette (Trainingsdaten, Modellbibliotheken, Recheninfrastruktur oder Datenanmerkungsdienste) breitet sich nachgelagert aus und gefährdet alle Systeme, die auf dieser Komponente der Lieferkette aufbauen.
Das Risiko des Anbieters von Basismodellen wird separat als Kategorie 2 (Systemische Konzentration) behandelt; Kategorie 6 deckt die vorgelagerten und infrastrukturellen Schichten der KI-Lieferkette ab.
Warum unvorhersehbar:
Lieferketten sind komplex und ihre Schwachstellen sind verborgen, bis sie ausgenutzt werden. Böswillige Akteure, die die Lieferkette verstehen, können Schwachstellen an Punkten einführen, die Hunderte von nachgelagerten Systemen gleichzeitig betreffen.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Fehler oder schädliches Verhalten entstehen aus der Interaktion zwischen zwei oder mehr KI-Systemen, die auf den Ausgaben der jeweils anderen basieren, wobei jedes System einzeln als akzeptabel bewertet wurde, die Interaktion jedoch zusammengesetzte Effekte, kaskadenartige Autoritätsübertragungen oder koordiniertes Verhalten hervorruft, zu deren Erzeugung kein einzelnes System entworfen wurde. Der Fehler ist eine Eigenschaft der Interaktion und nicht eines einzelnen Agenten.
Warum unvorhersehbar:
Multi-Agenten-Interaktionen erzeugen einen kombinatorischen Raum, der nicht erschöpfend vorab bewertet werden kann. Das Verhalten jedes Agenten ist begrenzt; die Interaktion jedes Agenten mit einem anderen Agenten ist begrenzt; die Kombination von N Agenten, die über M Werkzeuge und K Entscheidungspunkte interagieren, erzeugt einen Verhaltensraum, der die praktische Bewertungskapazität übersteigt. Emergente Verhaltensweisen, einschließlich Koordination, Täuschung und Zielabweichung, wurden in Forschungsumgebungen dokumentiert und werden zunehmend in produktiven agentischen Bereitstellungen beobachtet. Die traditionelle Sicherheitsbewertung bewertet jeweils einen Agenten; der emergente Ausfall mehrerer Agenten ist durch die Konstruktion dieser Bewertungsmethodik unsichtbar.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
Merkmal:
Ein kryptografisch relevanter Quantencomputer wird verfügbar (entweder
durch schrittweise Fähigkeitsentwicklung oder einen diskontinuierlichen Durchbruch), und die kryptografischen Grundlagen der KI-Infrastruktur werden gleichzeitig anfällig: Standard-Kryptografieoberflächen (TLS, API-Authentifizierung) und KI-spezifische kryptografische Abhängigkeiten (Integritätsprüfung von Modellgewichten, Audit-Trail-Signierung, Lieferketten-Attestierung durch Modellsignierung) über den gesamten bereitgestellten KI-Bestand hinweg.
Separat wird zuvor exfiltrierten verschlüsselten Daten (erworben über den HNDL-Angriff) rückwirkend die Entschlüsselung ermöglicht.
Warum unvorhersehbar:
Der Q-Day-Zeitplan ist begrenzt, aber unsicher. Experteneinschätzungen aus dem Global Risk Institute Quantum Threat Timeline Report (Mosca und Piani 2024) und gleichwertigen Quellen konzentrieren sich auf die Jahre 2034–2036 mit erheblichen Restrisiken, die von den späten 2020er Jahren bis in die 2040er Jahre reichen. Ein Durchbruch bei der Quantenfehlerkorrektur, eine neue Qubit-Modalität, die Skalierbarkeit erreicht, oder ein klassischer algorithmischer Angriff auf Post-Quanten-Schemata könnten den Zeitplan diskontinuierlich verschieben.
Governance-Reaktion:
Bitte setzen Sie sich mit uns in Verbindung, um geeignete Reaktionsstrategien zu ermitteln, oder lesen Sie Kapitel 14 im EW-AiRMTM Buch.
WO DAS HERKOMMT
EW-AiRM™ basiert auf öffentlich lizenzierten Standards: dem MIT AI Risk Repository (CC BY 4.0), der UNESCO-Empfehlung zur Ethik der KI von 2021, dem NIST AI RMF, ISO 31000 (allgemeines Risikomanagement), ISO 42001 (KI-Risikomanagementsysteme) und der UNECE (ECE/TRADE/486, 2024). HAIPECR wurde von Prof. Markus Krebsz ins Leben gerufen und ist seit April 2023 im OECD AI Policy Observatory gelistet.
Hier ist ein Vergleich von EW-AiRMTM mit diesen anderen Frameworks und dem EU AI Act:
| Dimension | EW-AiRM™ | NIST AI RMF | ISO 42001 | COSO ERM | EU AI Act |
|---|---|---|---|---|---|
| UNECE-basiert | Ja (ECE/TRADE/486) | Nein | Nein | Nein | Nein |
| Primärer Geltungsbereich | Unternehmensweite KI Risikomanagement Rahmenwerk & Ansatz | KI-Risiko Management | KI Management System | (Traditionell) Unternehmen Risiko Management | KI-Regulierung |
| Zielgruppe | Vorstände, Risikofunktionen, CTOs, CISO, Risikogemeinschaft | US-Bundes- & Unternehmen | Jede Organisation | CFO, Vorstand, ERM-Teams | Betreiber & Anbieter (EU) |
| Ebenen | Strategisch, Operational, Resilienz + HAiPECR | Regieren, Karte, Messen, Verwalten | Planen, Tun, Prüfen, Gesetz | Strategie, Leistung | Verboten, Hochriskant, GPAI |
| Zertifizierbar | Nein (Offener Rahmen) | Nein (Freiwillig) | Ja (ISO-Audit) | Nein (Leitlinien) | Öffentlich, EU-weit Regulierung |
| Offen / frei | Ja (CC BY 4.0 Basis) | Ja | Bezahlt Standard | Bezahlt Leitlinien | Öffentlich Regulierung |
| UNESCO-konform | Ja (HAiPECR) | Nein | Teilweise | Nein | Teilweise (GPAI) |
Das Framework ist das konzeptionelle Bild. Der dreistufige Vergleich zeigt, wie es in der Bereitstellung aussieht.
Das Human-Ai.Institute ist ein unabhängiger Think/Do Tank, der multilaterale und multisektorale Dialoge zur KI-Governance fördert. Das Institut arbeitet mit den UN, UNESCO, OECD, der EU-Kommission und Regierungen weltweit zusammen.
Heimat von EW-AiRM™ — das offene, dreischichtige Framework für unternehmensweite KI-Risikomanagement, das auf öffentlich lizenzierten Standards basiert und mit UNESCO, UNECE, NIST, ISO und dem EU AI Act abgestimmt ist.
Kaufmännische Beratungs-, Schulungs- und Dienstleistungen werden angeboten von De-Risking Solutions Ltd. und RiskAi.Ai
KI- & TECHNOLOGIELÖSUNGEN
KI, agentenbasierte Tools und technologische Lösungen werden bereitgestellt von Human-Ai.Solutions.
Das Human-Ai.Institute
wird betrieben und gepflegt von
De-Risking Solutions Ltd.
E-Mail:
Kontakt [at] human-ai.institute
Aufgelistet im OECD AI Policy Observatory · Gründungsmitglied des UN University AI Network · Abgestimmt mit UNESCO, UNECE WP.6, NIST und ISO 42001
EW-AiRM™ und HAiPECR™ sind Marken von De-Risking Solutions Ltd., eingetragen in England und Wales (Firmennummer 09900565). Alle Rechte vorbehalten.
© 2026 The Human-Ai.Institute.
