Künstliche Intelligenz Beauftragter (KI/AI)

Der EU AI Act (gültig seit 01.08.2024, schrittweise Anwendung bis 2027) schafft eine neue Pflicht-Rolle: den KI-Beauftragten (analog zum Datenschutzbeauftragten). Diese Qualifizierung bereitet auf die Übernahme dieser Rolle vor. Themen: 1. EU AI Act — Rechtlicher Rahmen (Verordnung 2024/1689 vom 13.06.2024), Zeitplan (Inkrafttreten 01.08.2024, verbotene Praktiken ab 02.02.2025, General-Purpose AI ab 02.08.2025, High-Risk-AI ab 02.08.2026, Rest ab 02.08.2027), Risiko-Klassen (Unacceptable Risk verboten — Social Scoring, Manipulation, Mass Surveillance; High Risk mit Konformitätsbewertung — z.B. KI in Recruiting, Bildung, Strafverfolgung, Migration, Justice; Limited Risk mit Transparenz-Pflichten — z.B. Chatbots müssen sich als KI kennzeichnen; Minimal Risk frei). Konformity Assessment, CE-Marking für High-Risk-AI, EU Database für High-Risk-AI-Systeme. Sanktionen (bis 35M EUR oder 7% des weltweiten Konzernumsatzes für verbotene Praktiken, bis 15M EUR oder 3% für andere Verstöße). 2. KI-Beauftragter — Rolle und Aufgaben (nicht explizit im AI Act vorgeschrieben wie DPO in DSGVO, aber best-practice für Compliance): KI-Strategie entwickeln, KI-Use-Case-Bewertung nach Risiko-Klassen, Konformitätsbewertung für High-Risk-AI durchführen, Dokumentations-Pflichten (Technical Documentation, Risk Management System, Data Governance, Logging, Human Oversight, Accuracy/Robustness/Cybersecurity), Schulung der Mitarbeiter, Anlaufstelle für Behörden (nationale AI-Behörden, EU AI Office). 3. ISO/IEC 42001:2023 AI Management System — Erster internationaler Standard für AI-Management (Pendant zu ISO 27001 für ISMS), Klauseln (Context, Leadership, Planning, Support, Operation, Performance Evaluation, Improvement nach HLS High Level Structure), Annex A mit AI-spezifischen Controls (AI Risk Assessment, AI System Impact Assessment AISIA, Data Management, AI System Lifecycle). Zertifizierung möglich. 4. AI Risk Management — NIST AI Risk Management Framework (AI RMF 1.0 seit 2023 mit Funktionen Govern/Map/Measure/Manage), Risk-Identifikation für AI (Bias, Fairness, Privacy, Security, Safety, Accountability, Transparency), Quantifizierung mit AI-spezifischen Metriken. 5. Bias und Fairness — Quellen von Bias (Historical, Representation, Measurement, Aggregation, Evaluation, Deployment), Fairness-Metriken (Demographic Parity, Equalized Odds, Equal Opportunity), Bias-Mitigation (Pre-Processing, In-Processing, Post-Processing). Tools (IBM AI Fairness 360, Microsoft Fairlearn, Google What-If Tool). 6. Datenschutz und KI — DSGVO Art. 22 (Automatisierte Entscheidung), Privacy by Design für AI, Differential Privacy, Federated Learning, Synthetic Data. 7. Cybersecurity für AI — MITRE ATLAS Adversarial Threat Landscape for AI Systems, OWASP Top 10 für LLM Applications, Adversarial Attacks (Adversarial Examples, Data Poisoning, Model Extraction, Membership Inference, Model Inversion). 8. Transparenz und Explainability — Right to Explanation, XAI Techniken (SHAP, LIME, Integrated Gradients, Attention Visualization, Counterfactuals), Model Cards (Google), Datasheets for Datasets (Microsoft). 9. Governance-Strukturen — AI Ethics Committee, AI Use Case Review Board, AI Center of Excellence (AI CoE). 10. Praxis — AI Use Case Risk Assessment am eigenen Beispiel, ISO 42001-Gap-Analyse, KI-Policy entwickeln.