Ressourcen für KI Regierungsführung
KI-Governance im Banken- und FinTech-Sektor: Harmonisierung von DORA und EU AI Act
Finanzinstitute stehen beim Einsatz von künstlicher Intelligenz vor einem dichten Regelungsgeflecht.
Banking
DORA
EU AI Act
Fintech
Finanzinstitute stehen beim Einsatz von künstlicher Intelligenz vor einem dichten Regelungsgeflecht. In der Europäischen Union müssen Banken und FinTech-Dienstleister die Vorgaben des Digital Operational Resilience Act (DORA) und des EU AI Act gleichzeitig mit bestehenden EBA-Leitlinien für das IKT-Risikomanagement in Einklang bringen.
Harmonisierung von DORA und EU AI Act
Anstatt DORA und den EU AI Act isoliert zu behandeln, sollten Risikostrukturen deren gemeinsame operative Schnittmengen bündeln:
- IKT-Drittparteienrisiko: DORA schreibt strikte vertragliche Vereinbarungen, Notfalltests und Ausstiegsstrategien für kritische IKT-Dienstleister vor. Nach dem EU AI Act müssen Finanzunternehmen, die externe Basismodelle oder Algorithmen zur Bonitätsprüfung integrieren, vollständige technische Transparenz von ihren Anbietern gemäß Artikel 25 einfordern.
- Algorithmisches Kredit-Scoring (Anhang III): KI-Modelle zur Bonitätsprüfung natürlicher Personen oder zur Risikobewertung bei Lebens- und Krankenversicherungen gelten als Hochrisikosysteme. Sie erfordern lückenlose Datenvalidierung, Bias-Audits und eindeutige Erklärbarkeitsmechanismen.
- Einheitliches Vorfall-Reporting: Störungsmeldungen müssen konsolidiert werden. Operative IT-Ausfälle unterliegen den Meldepflichten nach DORA an die Finanzaufsicht, während schwere KI-Fehlfunktionen mit Grundrechtsauswirkungen Pflichtmeldungen nach Artikel 73 des EU AI Act auslösen.
Zentrale Kontrollstandards für Finanzinstitute
- Erklärbarkeit und Begründung ablehnender Entscheidungen: Lehnt ein Modell einen Kreditantrag ab oder ändert Konditionen, muss das System nachvollziehbare Begründungen liefern, die den aufsichtsrechtlichen Offenlegungsregeln genügen.
- Einbindung in das Model Risk Management (MRM): Bestehende MRM-Frameworks müssen erweitert werden, um Drift-Erkennung, Stresstests und Backtesting systematisch auch auf generative und nicht-lineare KI-Modelle anzuwenden.
- Maschinenlesbare Prüfnachweise: Trainingsdaten-Herkunft, Hyperparameter-Einstellungen und Validierungsberichte müssen manipulationssicher archiviert werden, um gemeinsamen Prüfungen durch Banken- und Digitalaufsichtsbehörden standzuhalten.