Risikoanalyse im Zeitalter der KI: 5 Erkenntnisse aus einer internen Gesprächsrunde

Am 20. August 2026 brachte Sprinto im Hotel Oberoi in Gurugram eine kleine Gruppe von CISOs, GRC-Verantwortlichen und Risikomanagern zu einem geschlossenen Runden Tisch zum Thema Risikoanalyse im Zeitalter der KI zusammen. Die anwesenden Führungskräfte repräsentierten die Bereiche Versicherung, Fintech, Edtech, Stahlindustrie, HR-Technologie und Bankwesen und brachten somit sehr unterschiedliche Perspektiven in die Diskussion ein. 

Die Diskussion drehte sich um folgende Fragen: Was bedeutet Risikoanalyse heute? Wie verändert KI das Unternehmensrisikomanagement? Warum ist es immer noch so schwierig, Risiken teamübergreifend zu verknüpfen? Und was würden Führungskräfte ändern, wenn sie ihre Risikofunktion von Grund auf neu gestalten könnten?

Es gab keine eindeutige Antwort. Stattdessen entstand das Bild einer Branche, die das Flugzeug im Flug baute, und zwar in sehr unterschiedlichen Höhen, je nachdem, wie reguliert, wie ausgereift und wie KI-erfahren die Organisation bereits war.

5 Dinge, die Sicherheitsverantwortliche im Hinblick auf Risiken überdenken

Branchen- und reifeübergreifend traten fünf Themen immer wieder in der Diskussion hervor. Sie zeigen, wie KI nicht nur die Risiken verändert, denen Unternehmen ausgesetzt sind, sondern auch, wie diese Risiken verstanden, verantwortet und gemanagt werden müssen.

1. Risikoanalyse beginnt mit der Frage, was auf dem Spiel steht.

Wenn es einen Gedanken gab, der den Rest des Abends entscheidend prägte, dann diesen: Bei der Risikobewertung geht es nicht wirklich um das Risiko selbst, sondern um den drohenden Schaden.

Übersteigen die Kosten einer Kontrollmaßnahme die potenziellen Auswirkungen des Risikos, das sie mindern soll, kann das Unternehmen dieses Risiko vernünftigerweise in Kauf nehmen . Zwei Unternehmen können einer ähnlichen Bedrohung gegenüberstehen und dennoch zu sehr unterschiedlichen Entscheidungen gelangen, da sich der Wert des Risikos, das regulatorische Risiko, die Auswirkungen auf das Geschäft und die Risikobereitschaft unterscheiden.

Diese Ideen aus der Diskussion machten dies besonders deutlich:

• Die Risikobereitschaft richtet sich nach den Geschäftsinteressen. Risiken lassen sich nicht allein nach ihrer Schwere priorisieren. Unternehmen müssen verstehen, welche Verluste tatsächlich entstehen können, wie wahrscheinlich dieses Ergebnis ist und ob die Kosten für Risikominderungsmaßnahmen im Verhältnis zum Risiko stehen. Mit dem Wachstum des Unternehmens kann dasselbe Risiko eine ganz andere Reaktion erfordern, da schlichtweg mehr auf dem Spiel steht.
• Regulierungen können die Situation schnell verändern. Ein Risiko, das ein Unternehmen ansonsten akzeptieren würde, erscheint völlig anders, sobald regulatorische Konsequenzen berücksichtigt werden. Dies ist ein Grund dafür, dass Risikogespräche zunehmend über die Sicherheitsteams hinausgehen müssen. Regulatorische, finanzielle, operative und reputationsbezogene Konsequenzen bestimmen, ob ein Risiko die Aufmerksamkeit der Führungsebene erfordert.

Rishi Srivastava, Senior Privacy Professional und GRC Lead, brachte es auf den Punkt: „Bei der Risikobewertung geht es immer darum, was auf dem Spiel steht und wie hoch die Risikobereitschaft des Unternehmens tatsächlich ist. Sobald die Regulierung die Einsätze erhöht, muss sich auch diese Risikobereitschaft ändern.“

• Was man nicht klassifiziert hat, kann man nicht bewerten. Für Organisationen, die sich noch in einem frühen Stadium ihrer Risikoentwicklung befinden, hat sich die Datenklassifizierung als praktischer Ausgangspunkt erwiesen. Bevor Teams entscheiden, welches Risiko sie akzeptieren oder in welche Kontrollmaßnahmen sie investieren, müssen sie verstehen, welche Daten sie besitzen, wo diese gespeichert sind, wer darauf zugreifen kann und wie sensibel sie sind.

So wird aus einer Liste von Risiken wertvolle Risikoinformation. Ziel ist es nicht, jedes Risiko als gleich dringlich einzustufen. Vielmehr geht es darum, jedem Risiko genügend geschäftlichen Kontext zu geben, um zu entscheiden, was wichtig ist, was Investitionen rechtfertigt und was das Unternehmen zu tragen bereit ist.

2. Die Frage der Risikoübernahme ist noch immer offen.

Als sich das Gespräch von der Risikoidentifizierung hin zu konkreten Maßnahmen verlagerte, tauchte ein weiteres Problem auf: die Frage der Zuständigkeit.

In Startups liegt die Herausforderung oft weniger in Frameworks, sondern vielmehr darin, die Mitarbeiter dazu zu bringen, sich als Risikoverantwortliche zu sehen. Ein Teilnehmer beschrieb eine typische Reaktion, wenn Teams zur Übernahme von Verantwortung aufgefordert werden: „Könnt ihr das einfach machen?“ Das Risiko wird dann wieder an die Sicherheits- oder Compliance-Abteilung abgegeben, selbst wenn das Team, das die Geschäfts- oder Technologieentscheidung trifft, besser in der Lage ist, das Risiko zu verstehen und zu managen.

Daher ist Risikoschulung ein wichtiger Bestandteil des Reifeprozesses. GRC-Teams können den Prozess definieren, Kontrollen einrichten und die Ergebnisse überwachen, aber sie können nicht jedes Risiko im Namen des Unternehmens tragen.

In größeren Organisationen stellt sich das Problem anders dar. Es gibt formalere Strukturen und mehr Verantwortliche für das Risikomanagement, doch die richtigen Risiken auf die Agenda der Führungsebene zu setzen, kann schwierig sein. Sreeji Gopinathan, CEO von SKG Advisory, beobachtete, dass etablierte Organisationen zögern, zu investieren, solange ein Risiko nur theoretisch ist. Sobald ein Ereignis die potenziellen Auswirkungen jedoch konkretisiert, können sich Prioritäten schnell ändern.

Daher ist die Art und Weise der Risikokommunikation genauso wichtig wie die Risikoidentifizierung selbst. Manoj Kumar, Leiter der Informationssicherheit bei Shiprocket, betonte, dass Risiken zunächst für die Führungsebene verständlich gemacht werden müssen. Sobald die geschäftlichen Auswirkungen auf der obersten Ebene verstanden sind, lassen sich Verantwortlichkeiten und Zuständigkeiten im gesamten Unternehmen leichter festlegen.

Dies gewinnt im Kontext von KI noch an Bedeutung. Ein einzelner KI-Anwendungsfall kann die Bereiche Sicherheit, Datenschutz, Recht, Compliance, Produktentwicklung und das implementierende Business-Team berühren. Jede dieser Abteilungen ist möglicherweise für einen Teil des Problems verantwortlich, ohne dass jemand einen vollständigen Überblick über das Risiko hat.

Die Frage ist also nicht einfach, wem das KI-Risiko zusteht. Es geht vielmehr darum, ob Organisationen die Verantwortlichkeiten so klar definiert haben, dass ein Risiko von der Identifizierung über die Entscheidungsfindung bis hin zu den Maßnahmen gelangen kann, ohne dass es zwischen den Teams verloren geht.

3. Die Einführung von KI vergrößert die Risikofläche schneller, als die Governance mithalten kann.

Die Frage, die am Tisch immer häufiger gestellt wurde, war nicht mehr, ob Unternehmen KI einführen würden, sondern was passiert, wenn die Einführung schneller voranschreitet, als die Sicherheits- und Governance-Teams damit Schritt halten können.

Business-Teams experimentieren mit neuen Tools. Entwickler nutzen KI-Assistenten zum Programmieren. KI hält Einzug in Kundenerlebnisse und operative Arbeitsabläufe. Jeder Anwendungsfall birgt Potenzial, kann aber auch Abhängigkeiten, Berechtigungen und Datenflüsse mit sich bringen, deren kontinuierliche Erfassung durch bestehende Risikoprozesse nicht gewährleistet ist.

Drei Muster stachen besonders hervor.

• Schatten-KI vergrößert die Angriffsfläche unsichtbar. Teams außerhalb der IT entwickeln mittlerweile Anwendungen mit KI-generiertem Code, oft mit nur eingeschränkter Transparenz hinsichtlich der zugrundeliegenden Bibliotheken und Abhängigkeiten. Die Teilnehmer merkten an, dass sich diese Anwendungen auch nur schwer in Standard-CI/CD-Pipelines für Sicherheitsüberprüfungen integrieren lassen, wodurch neue Transparenzlücken für Sicherheitsteams entstehen.
• Künstliche Intelligenz verändert die Risikogleichung für Drittparteien. Unternehmen bewerten nicht mehr nur, wie ein Anbieter ihre Daten verwendet. Sie müssen auch verstehen, welche Modelle und Subprozessoren dem Dienst zugrunde liegen, worauf die KI zugreifen kann, welche Aktionen sie ausführen darf und wohin die Unternehmensdaten letztendlich fließen. Die Teilnehmer äußerten zudem Bedenken hinsichtlich KI-Produkten, die Funktionen bündeln und Kunden dadurch nur eingeschränkt die Möglichkeit geben, einzelne Funktionen gezielt zu steuern.
• Die Implementierung überholt die Governance-Fragen. Ein wiederkehrendes Muster in der Diskussion war, dass KI-Anwendungsfälle von der Experimentierphase zur Implementierung übergehen können, bevor die Teams alle Fragen zu den verwendeten Daten geklärt haben. Ein Beispiel hierfür war ein KI-Tool, das in einer Produktionsumgebung eingesetzt wurde, um potenzielle Sicherheitsrisiken wie Verschüttungen, Brandgefahren und fehlende Schutzausrüstung zu identifizieren. Der Anwendungsfall zeigte einen klaren operativen Nutzen, warf aber auch weitere Fragen auf: Wo werden die Daten verarbeitet? Wo werden sie gespeichert? Wer hat Zugriff darauf?

Diese Reihenfolge ist wichtig. Wenn Datenschutz-, Sicherheits- und Risikoprüfungen erst nach der Implementierung erfolgen, wird die Governance zu einem Versuch, den Rückstand aufzuholen.

4. KI erschwert die Erkennung von Drittparteirisiken.

Die Frage, warum Risiken so schwer zuzuordnen sind, drehte sich immer wieder um die Anbieter. Künstliche Intelligenz hat nicht so sehr eine völlig neue Kategorie von Drittparteienrisiken geschaffen , sondern vielmehr eine bestehende schwerer nachvollziehbar gemacht.

Die Lieferkette hinter einer KI-Lösung kann weit über den Anbieter hinausgehen, den ein Unternehmen direkt bewertet. Modellanbieter, Subprozessoren, Cloud-Infrastruktur und Hosting-Standorte können alle unterhalb des Dienstes angesiedelt sein und Abhängigkeiten schaffen, die bei herkömmlichen Anbieterbewertungen möglicherweise nicht vollständig aufgedeckt werden.

Die Herausforderung besteht darin, dass Unternehmen möglicherweise nur den sichtbaren Anbieter bewertet haben, ohne die dahinterliegende Abhängigkeitskette vollständig zu verstehen. Die Sicherheitslage eines Anbieters ist nur ein Teil des Gesamtbildes, da zusätzliche Anbieter und Infrastrukturen mehrere Ebenen tieferliegende Schwachstellen verursachen können. Die Teilnehmer merkten an, dass selbst regionale Hosting-Labels möglicherweise nicht genügend Details über die zugrundeliegende Infrastruktur liefern, sodass Sicherheitsteams über die Standarddokumentation des Anbieters hinausgehen müssen.

Die Diskussion befasste sich auch mit einem alternativen Ansatz für den Lieferantenzugriff. Anstatt Verbindungen dauerhaft offen zu halten oder mehr Daten als nötig zu übertragen, könnte der Zugriff zeit-, genehmigungs- und aufgabenbasiert gestaltet werden . Ein Lieferant erhält Zugriff auf die benötigten Daten für einen definierten Zweck und Zeitraum; dieser Zugriff wird nach Abschluss der Aufgabe beendet.

Mehr Sorgfalt führt jedoch nicht automatisch zu einer besseren Risikobewertung.

Compliance-Teams bearbeiten bereits umfangreiche Berichte, Fragebögen, Zertifizierungen und Nachweise. Mit steigendem Prüfvolumen besteht die Herausforderung nicht mehr darin, die Informationen zu beschaffen, sondern die wirklich relevanten Probleme und Ausnahmen zu finden.

KI kann helfen, indem sie diese Datenmenge verarbeitet, Ergebnisse aufdeckt und die Lieferantenbewertung beschleunigt. Die Diskussion machte jedoch deutlich, dass Automatisierung das Urteilsvermögen nicht ersetzen kann. Systematische, szenariobasierte Tests und die Überprüfung durch einen Experten bleiben unerlässlich , insbesondere wenn das Risiko auch Subprozessoren und Abhängigkeiten des zu bewertenden Lieferanten umfasst.

Das ist womöglich die wichtigste Lehre aus dem Umgang mit Drittanbieterrisiken im KI-Zeitalter. Das Problem ist nicht einfach ein Mangel an Informationen. Es geht vielmehr darum, Anbieter, Abhängigkeiten, Zugriffsrechte, Kontrollen und geschäftliche Auswirkungen so gut miteinander zu verknüpfen, dass man erkennt, was tatsächlich Aufmerksamkeit verdient.

5. Mehrschichtige Verteidigung ist die Art und Weise, wie die Regierung aufholt

Als sich die Diskussion von den Risiken der KI hin zur Steuerung der KI verlagerte , spaltete eine Frage die Meinungen: Wie restriktiv sollten Organisationen den Einsatz von KI gestalten?

Für manche Führungskräfte, insbesondere in regulierten Umgebungen, ist die Zugriffsbeschränkung ein notwendiger erster Schritt. Das Prinzip der minimalen Berechtigungen und die implizite Zugriffsverweigerung, bei der der Zugriff bis zur expliziten Genehmigung zurückgehalten wird, können dazu beitragen, das Risiko zu begrenzen, während Unternehmen klarere Richtlinien und Kontrollen entwickeln. Andere argumentieren, dass pauschale Beschränkungen schwer aufrechtzuerhalten sind, da Mitarbeiter und Geschäftsteams immer mehr Gründe finden, KI in ihrer täglichen Arbeit einzusetzen.

Die Diskussion ging letztlich über die einfache Entscheidung zwischen Zulassung und Ablehnung von KI hinaus. Ein einzelner Schalter, an oder aus, ist keine tragfähige Steuerungsstrategie. Immer wieder wurde die Notwendigkeit mehrerer kleinerer, sich überschneidender Kontrollmechanismen anstelle eines einzigen großen betont.

Data Loss Prevention (DLP) ist eine dieser Sicherheitsebenen, doch die Teilnehmer wiesen schnell auf deren Grenzen hin. Fehlalarme, Konfigurationslücken und unüberwachte Kanäle können weiterhin dazu führen, dass sensible Informationen außerhalb der vorgesehenen Grenzen gelangen. Browser-Plugins und KI-Tools für Endverbraucher stellen eine weitere Herausforderung für die Transparenz dar und erschweren die durchgängige Überwachung der KI-Nutzung.

Die praktische Lösung besteht in der Kombination von Kontrollmechanismen. DLP arbeitet Hand in Hand mit Datenklassifizierung, Zugriffskontrollen, Mitarbeiterschulungen, Genehmigungsprozessen und kontinuierlicher Überwachung. Jeder dieser Aspekte adressiert einen anderen Teil des Problems – von der Bestimmung der zu schützenden Daten bis hin zur Entscheidung, wer ein KI-Tool nutzen darf und welche Berechtigungen ihm/ihr dabei zustehen.

Anuj Pathak, stellvertretender Vizepräsident eines führenden Finanzdienstleistungsunternehmens, brachte die menschliche Seite der Herausforderung auf den Punkt: „Transparenz wird erst dann eintreten, wenn die Menschen, die KI entwickeln, und die Menschen, die KI anwenden, im Umgang damit reifen.“

Wichtig ist, dass das Gespräch nicht KI-feindlich war. Die Teilnehmer beschrieben auch den Einsatz von KI zur Konsolidierung von Schwachstellenanalysen, zur Überprüfung von Verträgen, zur Beschleunigung von Lieferantenbewertungen und zur Automatisierung wiederkehrender Sicherheitsaufgaben. Die Herausforderung besteht daher nicht darin, KI so lange einzuschränken, bis sie harmlos wird, sondern darin, eine Governance zu schaffen, die es Unternehmen ermöglicht, diesen Nutzen zu realisieren, ohne dabei Transparenz und Kontrolle einzubüßen.

Wie sieht ein reifer Risikoanalyse-Prozess aus?

Gegen Ende der Diskussion nutzte Chaitanya von Sprinto die Entwicklung selbstfahrender Autos als hilfreiches Beispiel, um darüber nachzudenken, wohin sich GRC und Risikoanalyse entwickeln.

In der manuellen Phase steuern die Teams noch alles selbst. Risikoregister werden in Tabellenkalkulationen geführt, Nachweise werden manuell gesammelt, und die Zusammenhänge zwischen Risiken, Kontrollen, Lieferanten und Compliance-Anforderungen werden manuell hergestellt.

Die Automatisierung reduziert den Arbeitsaufwand erheblich. Regelbasierte Systeme können zwar Beweise sammeln, Kontrollen überwachen, Arbeitsabläufe auslösen und Probleme aufdecken, doch die Interpretation dieser Signale und die entsprechenden Maßnahmen obliegen weiterhin dem Menschen.

In dieser erweiterten Phase wird KI in den Entscheidungsprozess integriert. KI kann dabei helfen, Lieferantendokumente zu analysieren, Lücken in den Nachweisen aufzudecken, Risiken und Kontrollmaßnahmen zu verknüpfen oder große Informationsmengen zusammenzufassen. Der Mensch bleibt weiterhin in den Prozess eingebunden, verfügt aber über mehr Kontextinformationen und muss weniger manuelle Analysen durchführen.

Das Endziel ist autonomes GRC, in dem KI kontinuierlich Veränderungen erkennt, deren Auswirkungen versteht, Maßnahmen einleitet und Entscheidungen, die menschliches Urteilsvermögen erfordern, eskaliert. Ähnlich wie beim autonomen Fahren hängt der Weg dorthin jedoch von Vertrauen, Kontext, Leitplanken und dem Vertrauen ab, dass das System weiß, wann es nicht eingreifen soll.

Die Diskussion legte nahe, dass sich die meisten Organisationen heute irgendwo zwischen Automatisierung und Erweiterung befinden. Und genau das ist möglicherweise der hilfreichste Ansatz, um den Reifegrad von KI im Bereich GRC zu verstehen: Ziel ist nicht maximale Autonomie so schnell wie möglich. Vielmehr geht es darum, Systemen schrittweise mehr Verantwortung zu übertragen, sobald die Daten, Kontrollen, Governance und das Vertrauen der Organisation ausreichend gefestigt sind, um dies zu ermöglichen.

Risikoanalyse braucht Kontext, nicht mehr Daten.

In all diesen Gesprächen tauchte immer wieder ein gemeinsames Problem auf: Die meisten Organisationen verfügen bereits über eine Fülle von Risikodaten. Was fehlt, ist der Kontext, der diese Daten miteinander verbindet.

Eine Kontrollmaßnahme in einem System versagt. Ein Lieferant führt eine neue Abhängigkeit ein. Eine Verordnung fügt eine weitere Anforderung hinzu. Ein KI-Anwendungsfall ändert die Zugriffsrechte für sensible Informationen. Ein Risikoverantwortlicher genehmigt eine Ausnahme. Jedes dieser Signale ist für sich genommen sichtbar, wird aber erst im Zusammenhang mit seinen Auswirkungen auf das Geschäft aussagekräftig.

Genau diesen Wandel strebt Sprinto mit proaktivem Risikomanagement an. Anstatt Compliance, Risiko, Kontrollen, Lieferanten und Nachweise als separate Arbeitsabläufe zu behandeln, integriert Sprinto sie in ein vernetztes GRC-System. Risiken werden den entsprechenden Kontrollen zugeordnet, die sie mindern; der Zustand der Kontrollen fließt in die Risikobewertung ein; und Behandlungsabläufe weisen Verantwortliche zu und verfolgen Maßnahmen bis zur Lösung. Lieferantenrisiken und Compliance-Verpflichtungen werden im selben operativen Kontext und nicht isoliert betrachtet.

Das Ergebnis ist eine Abkehr von punktuellen Risikoregistern hin zu einer kontinuierlicheren Risikobetrachtung. Da sich das zugrunde liegende Umfeld verändert, können Teams erkennen, wie sich diese Veränderungen auf Kontrollen und die Risikostrategie auswirken, Prioritäten für die Behandlung festlegen und der Führungsebene ein klareres Bild davon vermitteln, wo tatsächlich Handlungsbedarf besteht.

Auch KI spielt hier eine Rolle, geleitet von demselben Prinzip, das sich im Verlauf der Gesprächsrunde herauskristallisierte: Autonomie benötigt Kontext und menschliche Aufsicht. Sprinto AI nutzt den GRC-Kontext der Organisation, um Aufgaben wie die Zuordnung von Kontrollen zu Risiken, die Analyse von Nachweislücken und die Beschleunigung der Lieferantenprüfung zu unterstützen und gleichzeitig die menschliche Beteiligung an wichtigen Entscheidungen sicherzustellen.

Der eigentliche Test für Risikoanalysen besteht nicht in der Anzahl der generierten Erkenntnisse, sondern darin, ob sie einer Organisation helfen zu erkennen, welche Ergebnisse wichtig sind, warum sie wichtig sind, wer handeln muss und was als Nächstes geschehen sollte.