{"templateName":"base-page-template54","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"canonicalLink":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/","robotsTags":[],"cssClassNames":"page basicpage summit-page","description":"Erfahren Sie, was KI-Compliance ist, welche Vorschriften gelten und wie Sie Kontrollen, Dokumentation, Monitoring und revisionssichere Nachweise operationalisieren.","language":"de","title":"KI-Compliance: Regulierungen, Kontrollen & Best Practices | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,"isPasswordProtected":false,"analyticsContentTags":[],":hierarchyType":"page",":path":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-compliance","analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-compliance","language":"de","category":"general","pageName":"KI-Compliance erklärt: Regulierungen und deren praktische Umsetzung","contentTags":[]},":mappedPath":"/de/artificial-intelligence/ai-governance/ai-compliance/",":type":"snowflake-site/components/structure/page",":items":{"root":{"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"columnCount":12,":items":{"experiencefragment-banner":{"id":"experiencefragment-965297edfd","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json"},"experiencefragment-header":{"id":"experiencefragment-3e6c25f20b","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json","languageNavPath":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-compliance.languagenav.json"},"responsivegrid":{"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_731284311":"aem-GridColumn aem-GridColumn--default--12"},"columnCount":12,":items":{"flexible_column_cont":{"id":"flexible-column-container-dd94ec2459","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-180d924c8d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-b996171996","items":[{"id":"breadcrumb-b996171996-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-b996171996-item-b569776521","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/"},"active":false,"current":false,"title":"KI-Governance",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-b996171996-item-25c0142a79","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-compliance/"},"active":true,"current":true,"title":"KI-Compliance",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-13f52b7ede","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-b085187629",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":items":{"title_v2":{"id":"title-v2-d7b2123a45","additionalClasses":"hub-hero__headline","type":"heading1","lines":["KI-Compliance erklärt: Regulierungen und deren praktische Umsetzung"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-955f28e255","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EKI-Compliance ist eine operative Praxis, die jedes Modell, jeden Assistenten oder automatisierten Workflow mit den geltenden Gesetzen, Kontrollen und Nachweisen verknüpft. Dieser Leitfaden erläutert die wichtigsten KI-Vorschriften und -Frameworks und zeigt anschließend, wie Unternehmen Compliance durch Inventare, Risikostufen, Dokumentation, Monitoring und revisionssichere Nachweise operationalisieren können.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-c98f3e748a",":type":"snowflake-site/components/container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small",":items":{"content_chip":{"id":"content-chip-ece9206fbb","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Biografie lesen"},"image":{"id":"image","lazyEnabled":true,"isLcpImage":true,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?quality=85&preferwebp=true","alt":"Laurie MacPherson","height":"800","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-630193c0a5","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Biografie lesen"},"image":{"id":"image","lazyEnabled":true,"isLcpImage":false,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?quality=85&preferwebp=true","alt":"Gulnaz Sharipova","height":"512","width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"]}},":itemsOrder":["title_v2","text","container"]},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-1f3f44fa8b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-901a0b8cf1","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_731284311":{"id":"flexible-column-container-3f33eaefb5","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-ceada505a7",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-4c56fbf590","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThemen der KI-Governance:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_1902758988":{"id":"text-44cc8a9a9a","additionalClasses":"related-topics","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003EKI-Ethik\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003EKI-Risikomanagement\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003EKI-Nachverfolgbarkeit\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003EKI-Transparenz\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EAlgorithmic Bias\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO 42001\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003EVerantwortungsvolle KI\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_1902758988"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-51971b6a31","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium",":items":{"callout__0":{"id":"text-e0eefebb15","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EKI-COMPLIANCE DEFINIERT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EKI-Compliance ist die Praxis, die Rechenschaftspflicht von KI-Systemen sicherzustellen, indem ihre Nutzung mit klaren Anforderungen, dokumentierten Kontrollen und überprüfbaren Aufzeichnungen verknüpft wird. Sie stellt sicher, dass Unternehmen nachweisen können, dass ihre KI im Rahmen der rechtlichen, regulatorischen und unternehmerischen Erwartungen arbeitet.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-34531256c3","text":"\u003Cp\u003EKI-Compliance beginnt mit einer täuschend einfachen Frage: Welche Vorgaben und Regeln gelten für dieses konkrete Modell, diesen KI-Assistenten, dieses Scoring-System oder diesen automatisierten Workflow — und durch welche Belege lässt sich die Einhaltung dieser Regeln zweifelsfrei nachweisen?\u003C/p\u003E\n\u003Cp\u003EDiese Frage wird immer schwerer zu beantworten, da KI zunehmend in Kreditentscheidungen, klinischen Workflows, dem Screening von Mitarbeitenden, der Betrugserkennung, dem Kundensupport und internen Produktivitätstools eingesetzt wird. Ein Modell stützt sich möglicherweise auf Trainingsdaten aus einem System, Kundendatensätze aus einem anderen, Ausgaben eines Foundation-Model-Anbieters und einen menschlichen Genehmigungsschritt, der in einer separaten Anwendung stattfindet. Und jeder Teil dieser Kette kann eine regulatorische Verpflichtung, eine interne Richtlinienanforderung oder eine Audit-Frage nach sich ziehen, die später beantwortet werden muss.\u003C/p\u003E\n\u003Cp\u003EKI-Compliance-Programme bieten Unternehmen eine Möglichkeit, diese Komplexität zu bewältigen, bevor ein Audit oder die Untersuchung eines Vorfalls dies erzwingt. Sie verbinden Gesetze und Standards mit Kontrollen, ordnen diese Kontrollen Nachweisen zu und halten die Nachweise aktuell, während sich Modelle, Daten, Anbieter und Anwendungsfälle ändern.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-compliance":{"id":"title-v2-1f6fee6d6c","additionalClasses":"anchor-title anchor-title--what-is-ai-compliance","type":"heading2","lines":["Was ist KI-Compliance?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-compliance_0":{"id":"text-7c499e03b2","text":"\u003Cp\u003EKI-Compliance ist die Disziplin, die sicherstellt, dass \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/\"\u003EKI-Systeme\u003C/a\u003E und der Lebenszyklus zu ihrer Entwicklung und ihrem Betrieb den geltenden Gesetzen, Vorschriften, Branchenstandards und internen Richtlinien entsprechen. Sie umfasst die Kontrollen, die ein Unternehmen einsetzt, um nachzuweisen, dass ein KI-System im Einklang mit seinen regulatorischen Verpflichtungen entworfen, getestet, bereitgestellt, überwacht und überprüft wurde.\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/\"\u003E\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003EDamit ist die KI-Compliance mit mehreren benachbarten Disziplinen verwandt, unterscheidet sich jedoch von diesen:\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003E\u003Cb\u003EKI-Governance\u003C/b\u003E\u003C/a\u003E definiert das Betriebsmodell – wem ein KI-Anwendungsfall gehört, wer ihn genehmigt, wer ihn pausieren kann und wie Entscheidungen eskaliert werden.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003E\u003Cb\u003EKI-Ethik\u003C/b\u003E\u003C/a\u003E definiert die Prinzipien – Fairness, Transparenz, Verantwortlichkeit, Datenschutz, Sicherheit und menschliche Aufsicht.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-risk-management/\"\u003E\u003Cb\u003EKI-Risikomanagement\u003C/b\u003E\u003C/a\u003E definiert die Methodik – wie das Unternehmen KI-bezogene Risiken identifiziert, misst, priorisiert und mindert.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EKI-Compliance\u003C/b\u003E weist die Konformität nach – welche Regeln gelten, welche Kontrollen diese abdecken und welche Audit-Nachweise die Bestätigung der Kontrollen unterstützen.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EEin KI-Compliance-Programm beginnt in der Regel mit konkreten Objekten, nicht mit abstrakten Prinzipien: einem KI-Inventar, einer Model Card, einer Zusammenfassung der Trainingsdaten, einem System Owner, einer Zugriffsrichtlinie, einem Monitoring-Dashboard und einem Genehmigungsprotokoll. Diese Artefakte zeigen, ob ein System korrekt klassifiziert wurde, ob Hochrisiko-KI die richtige Überprüfung durchlaufen hat, ob die menschliche Aufsicht sinnvoll ist und ob das Monitoring nach der Bereitstellung tatsächlich stattfindet.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_the-ai-regulatory-landscape":{"id":"title-v2-3bed6eadd2","additionalClasses":"anchor-title anchor-title--the-ai-regulatory-landscape","type":"heading2","lines":["Die regulatorische KI-Landschaft"],":type":"snowflake-site/components/title-v2"},"text_the-ai-regulatory-landscape_0":{"id":"text-25dab03800","text":"\u003Cp\u003EUnternehmen stehen typischerweise vor einem vielschichtigen regulatorischen Umfeld: umfassende KI-Gesetze, Datenschutzrichtlinien, branchenspezifische Aufsichtsvorgaben, Produktsicherheitsanforderungen, Arbeitsgesetze, Verbraucherschutzvorschriften und interne Risikorichtlinien.\u003C/p\u003E\r\n\u003Ch3\u003EEU AI Act\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EDer EU AI Act\u003C/a\u003E gilt weithin als eines der umfassendsten KI-spezifischen regulatorischen Frameworks, die derzeit in Kraft sind. Er nutzt eine nach Risiko abgestufte Struktur, die zwischen verbotenen KI-Praktiken, Hochrisiko-KI-Systemen, Systemen mit begrenztem Risiko, Allzweck-KI-Modellen und Anwendungen mit geringerem Risiko unterscheidet. Das Gesetz hat auch extraterritoriale Reichweite, was bedeutet, dass es für Anbieter und Betreiber außerhalb der EU gelten kann, wenn KI-Systeme oder deren Ergebnisse auf dem EU-Markt in Verkehr gebracht oder dort verwendet werden.\u003C/p\u003E\r\n\u003Cp\u003EDas Gesetz wird phasenweise angewendet: Verbote und Anforderungen an die KI-Kompetenz gelten ab Februar 2025, Pflichten für General-Purpose-KI ab August 2025 und eine breitere Einführung erstreckt sich bis zum 2. August 2027.\u003C/p\u003E\r\n\u003Cp\u003EBei Hochrisiko-KI-Systemen kann die Compliance Risikomanagement, \u003Ca href=\"https://www.snowflake.com/de/data-governance/\"\u003EData Governance\u003C/a\u003E, technische Dokumentation, Protokollierung, \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparenz\u003C/a\u003E, menschliche Aufsicht, Genauigkeit, Robustheit, Cybersicherheit und in einigen Fällen eine Konformitätsbewertung durch eine benannte Stelle erfordern.\u003C/p\u003E\r\n\u003Cp\u003EUnternehmen, die Hochrisiko-KI-Systeme entwickeln oder bereitstellen, benötigen in der Regel eine technische Dokumentation, die zeigt, wie das System entworfen, getestet und dokumentiert wurde. Unternehmen, die diese Systeme nutzen, benötigen in der Regel Nachweise darüber, wie das System bereitgestellt wird, wer seine Ergebnisse überprüft, wie es überwacht wird und wie Probleme eskaliert werden.\u003C/p\u003E\r\n\u003Cp\u003EParallel zum EU AI Act verhandelt die EU die KI-Haftungsrichtlinie (AI Liability Directive), die zivilrechtliche Schadensersatzansprüche im Zusammenhang mit KI-Systemen regeln soll. Unternehmen sollten diese Entwicklung im Blick behalten, da sie die Haftungsfragen rund um fehlerhafte oder schädliche KI-Ausgaben erheblich beeinflussen wird.\u003C/p\u003E\r\n\u003Ch3\u003EDSGVO\u003C/h3\u003E\r\n\u003Cp\u003EDie \u003Ca rel=\"noopener noreferrer\" href=\"https://gdpr.eu/\" target=\"_blank\"\u003EDSGVO\u003C/a\u003E gilt bereits für viele KI-Systeme, die personenbezogene Daten verarbeiten, auch wenn diese Systeme nicht durch ein eigenständiges KI-Gesetz reguliert werden. Artikel 22 befasst sich mit bestimmten Rechten im Zusammenhang mit automatisierter Entscheidungsfindung, einschließlich Profiling, wenn Entscheidungen rechtliche oder ähnlich erhebliche Auswirkungen haben. Artikel 35 schreibt eine Datenschutz-Folgenabschätzung (DSFA) vor, wenn die Verarbeitung voraussichtlich zu einem hohen Risiko für Einzelpersonen führt, was groß angelegtes Profiling, die Verarbeitung sensibler Daten oder neuartige Technologien umfassen kann.\u003C/p\u003E\r\n\u003Cp\u003EIn der Praxis steht die \u003Ca href=\"https://www.snowflake.com/en/data-governance/regulatory-compliance/gdpr/\"\u003EDSGVO-Compliance\u003C/a\u003E oft neben der KI-spezifischen Compliance. Eine Bank, die KI für Kreditentscheidungen einsetzt, muss den Anwendungsfall möglicherweise gemäß den Hochrisikobestimmungen des EU AI Acts bewerten und gleichzeitig eine DSFA durchführen, die Rechtsgrundlage dokumentieren, Zugriffskontrollen durchsetzen und nachweisen, dass personenbezogene Daten gemäß den Anforderungen an Zweckbindung, Datenminimierung und Aufbewahrung behandelt wurden.\u003C/p\u003E\r\n\u003Ch3\u003ERegulierungen auf Bundes- und Bundesstaatsebene in den USA\u003C/h3\u003E\r\n\u003Cp\u003EIn den USA die KI-Compliance-Landschaft bleibt ein komplexer Flickenteppich aus verschiedenen Gesetzen und Vorschriften. Auf Bundesebene hat sich die Politik seit der Executive Order von 2023 zu sicherer und vertrauenswürdiger KI gewandelt. Im Januar 2025 hob die \u003Ca rel=\"noopener noreferrer\" href=\"https://www.federalregister.gov/documents/2025/01/31/2025-02172/removing-barriers-to-american-leadership-in-artificial-intelligence\" target=\"_blank\"\u003EExecutive Order 14179\u003C/a\u003E, „Removing Barriers to American Leadership in Artificial Intelligence“, bestimmte frühere KI-Richtlinien auf und wies die Regierung an, Maßnahmen zu überprüfen und zu überarbeiten, die im Widerspruch zu ihren KI-politischen Zielen standen.\u003C/p\u003E\r\n\u003Cp\u003EDieser Wandel auf Bundesebene hat den Compliance-Druck jedoch nicht verringert. Stattdessen müssen Unternehmen weiterhin die Vorgaben von Bundesbehörden, Durchsetzungsmaßnahmen und Anforderungen auf Bundesstaatsebene bewältigen. Das \u003Ca rel=\"noopener noreferrer\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\" target=\"_blank\"\u003ENIST AI Risk Management Framework\u003C/a\u003E bleibt ein weit verbreitetes, freiwilliges Framework für das Management von KI-Risiken, und die Aufsichtsbehörden der einzelnen Sektoren wenden weiterhin bestehende Befugnisse auf KI-gestützte Systeme an.\u003C/p\u003E\r\n\u003Cp\u003EAuf bundesstaatlicher und kommunaler Ebene sind mehrere Vorschriften zu wichtigen Referenzpunkten geworden:\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EColorado AI Act / ADMT:\u003C/b\u003E \u003Ca rel=\"noopener noreferrer\" href=\"https://leg.colorado.gov/bills/sb24-205\" target=\"_blank\"\u003EDer Colorado AI Act von 2024\u003C/a\u003E wurde aufgehoben und durch \u003Ca rel=\"noopener noreferrer\" href=\"https://leg.colorado.gov/bills/sb26-189\" target=\"_blank\"\u003ESB26-189\u003C/a\u003E ersetzt, das am 14. Mai 2026 unterzeichnet wurde. Das neue Gesetz beschränkt das Framework auf Technologie zur automatisierten Entscheidungsfindung (Automated Decision-Making Technology, ADMT), die zur wesentlichen Beeinflussung folgenschwerer Entscheidungen eingesetzt wird, während es gleichzeitig Bedenken hinsichtlich \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EAlgorithmic Bias\u003C/a\u003E durch Verpflichtungen zu Transparenz, Benachrichtigung, Korrektur, Einspruch und menschlicher Überprüfung adressiert. Die betroffenen Compliance-Pflichten treten voraussichtlich am 1. Januar 2027 in Kraft. Weitere Details zur praktischen Umsetzung werden im Rahmen der anstehenden Verordnungen des Generalstaatsanwalts von Colorado erwartet.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ENYC Local Law 144:\u003C/b\u003E \u003Ca rel=\"noopener noreferrer\" href=\"https://www.osc.ny.gov/state-agencies/audits/2025/12/02/enforcement-local-law-144-automated-employment-decision-tools\" target=\"_blank\"\u003ENew York City reguliert\u003C/a\u003E automatisierte Tools für Beschäftigungsentscheidungen, einschließlich Anforderungen an Bias-Audits und Benachrichtigungen für abgedeckte Beschäftigungszwecke.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EKalifornische Vorschriften zur automatisierten Entscheidungsfindung:\u003C/b\u003E \u003Ca rel=\"noopener noreferrer\" href=\"https://cppa.ca.gov/announcements/2025/20250923.html\" target=\"_blank\"\u003EKalifornien hat die CCPA-Vorschriften\u003C/a\u003E zu Technologie zur automatisierten Entscheidungsfindung, Risikobewertungen und Cybersicherheits-Audits finalisiert. Die Vorschriften treten am 1. Januar 2026 in Kraft, wobei für einige Anforderungen gestaffelte Compliance-Fristen gelten.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Ch3\u003EBranchenspezifische KI-Vorschriften\u003C/h3\u003E\r\n\u003Cp\u003EKI-Compliance hängt auch stark vom Branchenkontext ab. In regulierten Sektoren werden KI-Systeme oft eher durch bestehende Aufsichts-Frameworks als durch reine KI-Gesetze überprüft.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EIm Bankwesen\u003C/b\u003E prägen Leitlinien zum Modell-Risikomanagement seit langem, wie Unternehmen Modelle validieren, Annahmen dokumentieren und die Governance aufrechterhalten. Die Modellrisiko-Leitlinien der Federal Reserve betonen Entwicklung, Implementierung, Nutzung, Validierung, Kontrollen, Compliance sowie die Aufsicht durch den Vorstand und die Geschäftsführung; im Jahr 2026 gaben die Bundesbankbehörden zudem überarbeitete Leitlinien zum Modell-Risikomanagement heraus, die einen risikobasierten Ansatz in den Vordergrund stellen.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EIm Gesundheitswesen\u003C/b\u003E kann \u003Ca rel=\"noopener noreferrer\" href=\"https://www.hhs.gov/hipaa/for-professionals/privacy/laws-regulations/index.html\" target=\"_blank\"\u003EHIPAA\u003C/a\u003E gelten, wenn KI-Systeme geschützte Gesundheitsinformationen verarbeiten, während die Aufsicht der FDA greifen kann, wenn KI Teil von Software als Medizinprodukt (Software as a Medical Device, SaMD) oder eines KI-gestützten Medizinprodukts ist. Die FDA führt eine Liste von KI-gestützten Medizinprodukten, die für die Vermarktung in den USA zugelassen sind, was die wachsende Rolle von KI bei regulierten Medizinprodukten widerspiegelt.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EIm Versicherungswesen\u003C/b\u003E legt das Modell-Bulletin der National Association of Insurance Commissioners Erwartungen daran fest, wie Versicherer KI-Systeme verwalten, und beschreibt die Informationen, die Aufsichtsbehörden bei einer Untersuchung oder Prüfung anfordern können.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EBei Finanzdienstleistungen und der Offenlegung börsennotierter Unternehmen\u003C/b\u003E hat die SEC signalisiert, dass Aussagen zu KI korrekt und belegbar sein müssen. Im Jahr 2024 klagte die SEC zwei Anlageberater wegen falscher und irreführender Aussagen über ihre Nutzung von KI an – eine Erinnerung daran, dass KI-Compliance auch Marketing, Offenlegung und kundenbezogene Aussagen umfasst.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Ch3\u003EInternationale KI-Leitlinien\u003C/h3\u003E\r\n\u003Cp\u003EAußerhalb der EU und der USA müssen Unternehmen möglicherweise auch den prinzipienbasierten Ansatz der KI-Regulierung in Großbritannien, Chinas Maßnahmen für generative KI und Singapurs Model AI Governance Framework berücksichtigen. Viele dieser Systeme unterscheiden sich in Bezug auf Rechtskraft, Geltungsbereich und Reife der Durchsetzung, aber sie tendieren dazu, sich bei wiederkehrenden Erwartungen anzunähern: Risikoklassifizierung, Verantwortlichkeit, Transparenz, menschliche Aufsicht, Data Governance, Überwachung und Dokumentation.\u003C/p\u003E\r\n\u003Cp\u003EAuch nicht bindende Instrumente sind von Bedeutung, da sie oft zur Referenzsprache für Gesetze, Standards und Beschaffungsanforderungen werden. Die \u003Ca rel=\"noopener noreferrer\" href=\"https://www.oecd.org/en/topics/sub-issues/ai-principles.html\" target=\"_blank\"\u003EOECD-KI-Prinzipien\u003C/a\u003E fördern die KI-Sicherheit durch vertrauenswürdige KI, die Menschenrechte und demokratische Werte respektiert, während die \u003Ca rel=\"noopener noreferrer\" href=\"https://www.unesco.org/en/artificial-intelligence/recommendation-ethics\" target=\"_blank\"\u003EEmpfehlung der UNESCO zur Ethik der KI\u003C/a\u003E für alle 194 UNESCO-Mitgliedsstaaten gilt und Menschenrechte, Fairness, Transparenz und menschliche Aufsicht betont.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_frameworks-that-structure-compliance":{"id":"title-v2-bab01622dc","additionalClasses":"anchor-title anchor-title--frameworks-that-structure-compliance","type":"heading2","lines":["Frameworks zur Strukturierung der Compliance"],":type":"snowflake-site/components/title-v2"},"text_frameworks-that-structure-compliance_0":{"id":"text-3318449e61","text":"\u003Cp\u003EGesetze definieren Verpflichtungen, aber Frameworks helfen Unternehmen, diese Verpflichtungen in wiederholbare Betriebspraktiken umzusetzen. Sie bieten Compliance-, Rechts-, Daten-, Sicherheits- und KI-Teams eine gemeinsame Methode, um Systeme zu klassifizieren, Kontrollen zuzuweisen, Nachweise zu sammeln und die Performance der Kontrollen zu bestätigen.\u003C/p\u003E\r\n\u003Ch3\u003ENIST AI RMF\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\"\u003EDas NIST AI Risk Management Framework\u003C/a\u003E ist ein freiwilliges Framework für das Management von Risiken für Einzelpersonen, Unternehmen und die Gesellschaft, die mit KI verbunden sind. NIST strukturiert das Framework anhand von vier Kernfunktionen: Govern, Map, Measure und Manage.\u003C/p\u003E\r\n\u003Cp\u003EFür Compliance-Teams ist das NIST AI RMF nützlich, da es eine Risikomanagement-Struktur schafft, die sich rechtlichen und internen Verpflichtungen zuordnen lässt.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EGovern\u003C/b\u003E definiert Rollen, Richtlinien und Verantwortlichkeiten.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EMap\u003C/b\u003E erfasst den Kontext und den vorgesehenen Verwendungszweck.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EMeasure\u003C/b\u003E bewertet Risiken und die System-Performance.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EManage\u003C/b\u003E priorisiert Reaktionen, Monitoring und Behebung.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Ch3\u003EISO/IEC 42001\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO/IEC 42001\u003C/a\u003E ist ein zertifizierbarer Standard für KI-Managementsysteme. Die ISO beschreibt ihn als den weltweit ersten Standard für KI-Managementsysteme, der Unternehmen dabei helfen soll, KI-bezogene Risiken und Chancen durch ein strukturiertes System aus Richtlinien, Prozessen, Rollen und kontinuierlicher Verbesserung zu managen.\u003C/p\u003E\r\n\u003Cp\u003EFür die KI-Compliance ist ISO/IEC 42001 besonders nützlich, da der Standard formelle Nachweise für das Managementsystem unterstützt: Anwendungsbereich, Governance, Risikobewertung, Folgenabschätzung, Lebenszyklus-Kontrollen, Supplier Management, Monitoring, interne Audits sowie das Management Review. Unternehmen, die ein zertifizierbares Framework benötigen, kombinieren ISO/IEC 42001 oft mit detaillierteren Risiko- oder Branchenleitfäden.\u003C/p\u003E\r\n\u003Ch3\u003EISO/IEC 23894\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.iso.org/standard/77304.html\"\u003EISO/IEC 23894\u003C/a\u003E bietet einen Leitfaden für das KI-Risikomanagement. Der Standard unterstützt Organisationen, die KI-Systeme entwickeln, produzieren, bereitstellen oder anwenden, bei der nahtlosen Integration eines KI-spezifischen Risikomanagements in ihre operativen Prozesse und Kernfunktionen.\u003C/p\u003E\r\n\u003Cp\u003EIm Gegensatz zu ISO/IEC 42001, das Anforderungen an ein KI-Managementsystem festlegt, ist ISO/IEC 23894 als Leitfaden konzipiert. Er kann Teams dabei unterstützen, Risikoquellen zu definieren, potenzielle Auswirkungen zu analysieren und die Risikobehandlung über den gesamten KI-Lebenszyklus hinweg zu strukturieren.\u003C/p\u003E\r\n\u003Ch3\u003EIEEE 7000-Serie\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://standards.ieee.org/ieee/7000/6781/\"\u003EDie IEEE 7000-Serie\u003C/a\u003E bietet Standards, die sich auf ein ethisches und verantwortungsvolles Technologie-Design konzentrieren. In einem KI-Compliance-Programm können diese Standards dabei helfen, Themen wie Transparenz, Bias, Verantwortlichkeit, Datenschutz und menschliche Werte zu strukturieren. Sie bilden in der Regel nicht die einzige Grundlage für Compliance, können aber dabei helfen, ethische Verpflichtungen in Design- und Dokumentationspraktiken umzusetzen.\u003C/p\u003E\r\n\u003Ch3\u003EOECD und UNESCO\u003C/h3\u003E\r\n\u003Cp\u003EDie KI-Prinzipien der OECD und die Empfehlungen der UNESCO sind zwar rechtlich nicht bindend, prägen jedoch maßgeblich die Gesetzgebung, politische Strategien und die Erwartungshaltung internationaler Regulierungsbehörden. Sie dienen als nützliche normative Referenzen, wenn Unternehmen begründen müssen, warum interne KI-Richtlinien Fairness, Transparenz, Verantwortlichkeit, menschliche Aufsicht und die Achtung von Rechten betonen – selbst dort, wo kein einzelnes bindendes KI-Gesetz gilt.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003EMehr über Verantwortungsvolle KI erfahren\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_the-core-ai-compliance-controls":{"id":"title-v2-36b28f705f","additionalClasses":"anchor-title anchor-title--the-core-ai-compliance-controls","type":"heading2","lines":["Die wichtigsten KI-Compliance-Kontrollen"],":type":"snowflake-site/components/title-v2"},"text_the-core-ai-compliance-controls_0":{"id":"text-95f79c1c89","text":"\u003Cp\u003EKI-Compliance-Kontrollen bieten Unternehmen eine Möglichkeit, Frameworks und Compliance-Praktiken in alltägliche Workflows und Systeme zu implementieren. Eine Richtlinie mag besagen, dass Hochrisiko-KI menschliche Aufsicht erfordert, aber eine Kontrolle legt fest, wer das System überprüft, wo diese Genehmigung protokolliert wird, wie der:die Prüfer:in relevante Modellausgaben sieht und was passiert, wenn das Monitoring Drift, Bias oder unsicheres Verhalten aufzeigt.\u003C/p\u003E\r\n\u003Ch3\u003EGovernance-Kontrollen\u003C/h3\u003E\r\n\u003Cp\u003EGovernance-Kontrollen regeln verbindlich, wer die Rechenschaftspflicht für KI-Systeme trägt und wie Entscheidungsprozesse strukturiert sind. Sie umfassen in der Regel die Aufsicht durch die Führungsebene, eine KI-Richtlinie, Kriterien für die Risikoeinstufung, Rollenzuweisungen und Eskalationspfade.\u003C/p\u003E\r\n\u003Cp\u003EEin Hochrisiko-Kreditmodell sollte beispielsweise über benannte Model Owner, Business Owner, Technical Owner und Compliance-Prüfer:innen verfügen. Das Unternehmen sollte nachweisen können, wer den Anwendungsfall genehmigt hat, welche Risikostufe zugewiesen wurde, welches Kontrollset angewendet wurde und wer eine Behebung, Aussetzung oder ein Rollback anordnen kann.\u003C/p\u003E\r\n\u003Cp\u003EZu den typischen Governance-Kontrollen zählen:\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003EKI-Richtlinie und Standards für die zulässige Nutzung\u003C/li\u003E\r\n\u003Cli\u003EOwnership des KI-Inventars\u003C/li\u003E\r\n\u003Cli\u003EMethodik zur Risikoklassifizierung\u003C/li\u003E\r\n\u003Cli\u003EZuweisung von KI-Beauftragten, Model Ownern und Data Ownern\u003C/li\u003E\r\n\u003Cli\u003EGenehmigung durch ein Review Board oder Governance Council\u003C/li\u003E\r\n\u003Cli\u003EAusnahmemanagement mit Ablaufdaten\u003C/li\u003E\r\n\u003Cli\u003EKontrollbescheinigungen und Überprüfung durch interne Audits\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Ch3\u003EDokumentationskontrollen\u003C/h3\u003E\r\n\u003Cp\u003EDokumentationskontrollen stellen die schriftliche Aufzeichnungen sicher, die von Regulatoren, Auditoren, Kunden und internen Prüfinstanzen eingesehen werden kann. Bei der KI-Compliance ist die Dokumentation keine einmalige Aufgabe bei der Einführung; sie muss das System begleiten, wenn sich Daten ändern, Modellversionen aktualisiert werden, Anbieter wechseln und Anwendungsfälle erweitert werden.\u003C/p\u003E\r\n\u003Cp\u003EZu den typischen Dokumentationsartefakten gehören Model Cards, Data Sheets, Zusammenfassungen der Trainingsdaten, Evaluierungsergebnisse, die Systemdokumentation, Architekturdiagramme sowie die regulatorisch geforderten technische Dokumentationen. Im Rahmen des EU AI Act beschreibt Anhang IV die Erwartungen an die technische Dokumentation für Hochrisiko-KI-Systeme, die Informationen zu Systemzweck, Design, Entwicklung, Daten, Monitoring, Validierung und Risikomanagement umfassen können.\u003C/p\u003E\r\n\u003Cp\u003EBei \u003Ca href=\"https://www.snowflake.com/de/fundamentals/generative-ai-architecture-models-applications/\"\u003Egenerativen KI-Systemen\u003C/a\u003E muss die Dokumentation möglicherweise auch Prompts, Abrufquellen, Sicherheitsfilter, menschliche Überprüfung, verbotene Nutzungen und sowie Konformitätserklärungen der Drittanbieter abdecken. Das Ziel ist nicht, um seiner selbst willen mehr unnötige Dokumentation zu produzieren, sondern den Kontext zu bewahren, der erforderlich ist, um zu verstehen, was das System tut, wie es getestet wurde und welche Nachweise seine genehmigte Nutzung belegen.\u003C/p\u003E\r\n\u003Ch3\u003EBewertungskontrollen\u003C/h3\u003E\r\n\u003Cp\u003EBewertungskontrollen evaluieren, ob ein KI-System für den vorgesehenen Verwendungszweck geeignet ist. Diese Kontrollen können KI-Folgenabschätzungen, Datenschutz-Folgenabschätzungen (DSFA), Bias-Audits, Red-Teaming-Berichte, Adversarial Testing, Datenschutzprüfungen, KI-Sicherheitsprüfungen und Tests vor der Bereitstellung umfassen.\u003C/p\u003E\r\n\u003Cp\u003EEin Tool für das Bewerber-Screening erfordert beispielsweise nach dem einen Gesetz ein Bias-Audit und eine Benachrichtigung der Bewerber:innen, nach einem anderen eine DSFA und zudem eine interne Bewertung, die die Relevanz für die Stelle, die Erklärbarkeit, die Anbieterdokumentation und die menschliche Überprüfung evaluiert. Ein klinisches KI-System erfordert möglicherweise eine Validierung anhand des vorgesehenen Verwendungszwecks, eine Überprüfung der Patientensicherheit und ein Monitoring auf Performance-Änderungen über verschiedene Bevölkerungsgruppen hinweg.\u003C/p\u003E\r\n\u003Cp\u003EBewertungskontrollen sollten dauerhafte Nachweise liefern: Testergebnisse, Notizen der Prüfer:innen, Behebungspläne, Genehmigungsprotokolle und alle ungelösten Risiken, die von den verantwortlichen Eigentümer:innen akzeptiert wurden.\u003C/p\u003E\r\n\u003Ch3\u003EOperative Kontrollen\u003C/h3\u003E\r\n\u003Cp\u003EOperative Kontrollen regeln, wie sich KI-Systeme nach der Bereitstellung verhalten. Dazu gehören Zugriffsverwaltung, Audit-Protokolle, Monitoring, Vorfallmeldungen, menschliche Aufsicht und Post-Market-Monitoring.\u003C/p\u003E\r\n\u003Cp\u003EDiese Kontrollen sind wichtig, da die KI-Compliance nicht endet, wenn ein Modell live geht. Ein Modell kann abdriften, eine Prompt-Vorlage kann sich ändern, ein Anbieter von Foundation Models kann ein zugrunde liegendes Modell aktualisieren, eine Daten-Pipeline kann beginnen, andere Werte einzuspeisen, oder eine Zugriffsrichtlinie kann sensible Felder für eine breitere Gruppe von Nutzer:innen zugänglich machen. Compliance hängt davon ab, diese Änderungen zu erkennen und die Nachweise aufzubewahren, die zu ihrer Erklärung erforderlich sind.\u003C/p\u003E\r\n\u003Cp\u003EZu den gängigen operativen Kontrollen gehören:\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/fundamentals/rbac/\"\u003ERollenbasierte Zugriffskontrolle\u003C/a\u003E (RBAC)\u003C/li\u003E\r\n\u003Cli\u003EAudit Logs für Daten-, Modell- und Applikationsaktivitäten\u003C/li\u003E\r\n\u003Cli\u003EMonitoring von Modell-Performance und -Drift\u003C/li\u003E\r\n\u003Cli\u003EProtokollierung von Prompts und Antworten (wo anwendbar)\u003C/li\u003E\r\n\u003Cli\u003EHuman-in-the-Loop-Überprüfung bei folgenschweren Entscheidungen\u003C/li\u003E\r\n\u003Cli\u003EMeldewesen für Vorfälle und Eskalationsprozesse\u003C/li\u003E\r\n\u003Cli\u003EPost-Market- oder Post-Deployment-Monitoring\u003C/li\u003E\r\n\u003Cli\u003ERegelmäßige Kontrollbescheinigungen\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Ch3\u003EDrittanbieterkontrollen\u003C/h3\u003E\r\n\u003Cp\u003EViele KI-Systeme sind von Anbietern, Anbietern von Foundation Models, SaaS-Tools, Datenanbietern oder eingebetteten KI-Funktionen abhängig, die das Unternehmen nicht selbst entwickelt hat. Spezifische Third-Party Controls unterstützen Teams dabei, diese externen Abhängigkeiten bereits vor dem Deployment fundiert zu bewerten und über den gesamten Lebenszyklus hinweg kontinuierlich zu überwachen.\u003C/p\u003E\r\n\u003Cp\u003EDie Due-Diligence-Prüfung von Anbietern sollte den vorgesehenen Verwendungszweck, die Datenverarbeitung, die Modelldokumentation, Sicherheitskontrollen, Subunternehmer, Aufbewahrungsrichtlinien, Verpflichtungen bezüglich Trainingsdaten, Bedingungen für Vorfallmeldungen und alle verfügbaren Bescheinigungen erfassen. Für Foundation Models können Unternehmen auch Anbieterdokumentationen, Sicherheitsbewertungen und Informationen anfordern, die eine KI-Stückliste (AI Bill of Materials, AIBOM) unterstützen, in der die an einem KI-System beteiligten Modelle, Datenquellen, Bibliotheken, APIs und Anbieter aufgeführt sind.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_best-practices-for-ai-compliance":{"id":"title-v2-11e16a533e","additionalClasses":"anchor-title anchor-title--best-practices-for-ai-compliance","type":"heading2","lines":["Best Practices für die KI-Compliance"],":type":"snowflake-site/components/title-v2"},"text_best-practices-for-ai-compliance_0":{"id":"text-26d748b9c3","text":"\u003Cp\u003EKI-Compliance ist nur dann handhabbar, wenn Teams \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003ERückverfolgbarkeit\u003C/a\u003E implementieren: Jedes KI-System wird einer Risikostufe zugeordnet, jede Risikostufe ist mit Verpflichtungen verknüpft, jede Verpflichtung mit Kontrollen und jede Kontrolle mit Nachweisen.\u003C/p\u003E\r\n\u003Ch3\u003EInventarisierung aller KI-Systeme\u003C/h3\u003E\r\n\u003Cp\u003EEin zentrales KI-Inventar sollte klassische ML-Modelle, generative KI-Applikationen, interne Assistenten, in SaaS-Plattformen eingebettete KI sowie von Drittanbietern bereitgestellte KI-Funktionalitäten gleichermaßen erfassen. Teams können Systeme, die sie nicht erfasst haben, nicht klassifizieren, überwachen oder bescheinigen.\u003C/p\u003E\r\n\u003Cp\u003EEin nützliches KI-Inventar erfasst in der Regel den Systemnamen, die Eigentümer:innen, den Geschäftszweck, die Nutzer:innen, Datenquellen, den Modelltyp, Anbieterabhängigkeiten, Gerichtsbarkeiten, die Risikostufe, betroffene Personengruppen, den Genehmigungsstatus und den Überprüfungsrhythmus. Bei eingebetteter KI muss das Inventar zudem exakt protokollieren, welches spezifische SaaS-Feature auf KI zurückgreift, welche Daten dabei verarbeitet werden und ob der Softwarehersteller Kundendaten für das Modelltraining oder zur Produktverbesserung nutzt.\u003C/p\u003E\r\n\u003Cp\u003EAls erste Orientierungshilfe bietet die Bundesnetzagentur mit dem \u003Ca href=\"https://www.bundesnetzagentur.de/DE/Fachthemen/Digitales/KI/2_Risiko/kompass/start.html\"\u003EKI-Kompass ein kostenloses Online-Tool\u003C/a\u003E, mit dem Unternehmen prüfen können, welche Anforderungen des EU AI Acts für ihre KI-Systeme gelten.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_best-practices-for-ai-compliance_0":{"id":"text-812aab120e","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003EKURZER TIPP\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EBeginnen Sie mit einem KI-Inventar, bevor Sie regulatorische Anforderungen in Angriff nehmen. Die meisten Compliance-Lücken entstehen dadurch, dass nicht bekannt ist, welche Modelle, Assistenten, Anbieter oder KI-gestützten Anwendungen im gesamten Unternehmen bereits im Einsatz sind.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_best-practices-for-ai-compliance_1":{"id":"text-da3c1344c4","text":"\u003Ch3\u003EKlassifizieren Sie Systeme nach Risikostufe\u003C/h3\u003E\n\u003Cp\u003EJedes System sollte auf Basis der jeweils anwendbaren gesetzlichen und internen Kriterien eingestuft werden. Unter dem EU AI Act bedeutet dies beispielsweise zu prüfen, ob ein Anwendungsfall verboten ist oder als System mit hohem, begrenztem oder geringem Risiko einzustufen ist. Gemäß internen Richtlinien kann es bedeuten, Systeme nach ihren potenziellen Auswirkungen auf Rechte, Sicherheit, finanzielle Ergebnisse, Beschäftigung, Gesundheitswesen, Zugang zu Dienstleistungen oder regulatorische Risiken zu klassifizieren.\u003C/p\u003E\n\u003Cp\u003EDieses Risk Tiering sollte immer evidenzbasiert erfolgen. Ein Chatbot, der allgemeine Fragen zu Richtlinien beantwortet, schafft nicht dieselben Verpflichtungen wie ein Modell, das Patientenbehandlungen empfiehlt oder Bewerber:innen einstuft. Der Klassifizierungsdatensatz sollte die Begründung erläutern und nicht nur ein Label zuweisen.\u003C/p\u003E\n\u003Ch3\u003EOrdnen Sie Verpflichtungen Kontrollen und Nachweisen zu\u003C/h3\u003E\n\u003Cp\u003ESobald Teams die geltenden Verpflichtungen identifiziert haben, benötigen sie eine Kontrollübersicht. Für jede Verpflichtung sollte die Übersicht die relevante Kontrolle, den/die Kontrollverantwortliche:n, die Nachweisquelle und die Überprüfungshäufigkeit ausweisen.\u003C/p\u003E\n\u003Cp\u003EBeispiele:\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EVerpflichtung\u003C/th\u003E\u003Cth\u003EKontrolle\u003C/th\u003E\u003Cth\u003ENachweis\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EMenschliche Aufsicht für Hochrisiko-KI\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ENamentlich benannte Prüfer:innen genehmigen folgenschwere Ergebnisse vor der endgültigen Maßnahme\u003C/td\u003E\u003Ctd\u003EProtokolle des Review-Workflows, Freigabebelege, Rollenzuweisungen\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EDSFA für die Hochrisiko-Verarbeitung personenbezogener Daten\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EDas Datenschutzteam schließt die DSFA vor dem Deployment ab und genehmigt sie\u003C/td\u003E\u003Ctd\u003EDSFA-Dokument, Genehmigungsdatum, Abhilfemaßnahmen\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ETechnische Dokumentation\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EDer:die Modelleigentümer:in pflegt die Model Card und die technische Akte\u003C/td\u003E\u003Ctd\u003EModel Card, Datenzusammenfassung, Bewertungsmetriken, Versionsverlauf\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EZugriffsbeschränkung\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EZugriff auf sensible Daten durch Rolle und Richtlinie eingeschränkt\u003C/td\u003E\u003Ctd\u003EZugriffsrichtlinie, Access History, Audit-Protokolle\u003C/td\u003E\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EMonitoring nach dem Deployment\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EModell-Performance und -Drift werden vierteljährlich überprüft\u003C/td\u003E\u003Ctd\u003EMonitoring-Dashboards, Prüfnotizen, Vorfallprotokolle\u003C/td\u003E\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\n\u003Ch3\u003EAutomatisierung der Belegsammlung\u003C/h3\u003E\n\u003Cp\u003EEine manuelle Sammlung von Compliance-Belegen ist bei einer steigenden Anzahl von KI-Systemen nicht mehr skalierbar. Hochrisiko-Systeme erfordern oft vierteljährliche Audits, jährliche Neubewertungen, ein strukturiertes Meldewesen für Vorfälle sowie kontinuierliches Monitoring. Selbst bei Systemen mit begrenztem Risiko können Transparenzhinweise, Zugriffsprotokolle und regelmäßige Dokumentations-Updates nötig sein.\u003C/p\u003E\n\u003Cp\u003EDie Automatisierung von Nachweisen hilft, indem sie Signale direkt aus den Systemen erfasst, in denen die KI-Arbeit stattfindet: Access History, Lineage, Metadaten der Modellregistrierung, Monitoring-Dashboards, Genehmigungs-Workflows, Vorfallsysteme und Policy Engines. Das Ziel ist es, die Lücke zwischen dem tatsächlichen Systemverhalten und dem Compliance-Nachweis zu verringern. Wenn ein:e Prüfer:in fragt, auf welche Daten ein Modell zugegriffen hat, wer eine Richtlinie geändert hat oder welche Modellversion während eines Vorfalls bereitgestellt war, sollten die Beweise bereits vorliegen.\u003C/p\u003E\n\u003Ch3\u003EEinen Überprüfungsrhythmus festlegen\u003C/h3\u003E\n\u003Cp\u003EKI-Systeme sollten in einem Rhythmus überprüft werden, der ihrem Risiko entspricht. Hochrisikosysteme rechtfertigen oft eine vierteljährliche Überprüfung, insbesondere wenn sie sich auf Rechte, Sicherheit, Berechtigungen, Preisgestaltung, Beschäftigung oder regulierte Entscheidungen auswirken. Systeme mit begrenztem Risiko können jährlich überprüft werden, sofern keine wesentliche Änderung eintritt.\u003C/p\u003E\n\u003Cp\u003EBei den Überprüfungen sollte bewertet werden, ob sich Zweck, Daten, Modell, Anbieter, Benutzergruppe, Gerichtsbarkeit oder Risikoprofil des Systems geändert haben. Ein Anwendungsfall, der als interner Produktivitätsassistent begann, kann zu einem kundenorientierten Support-Tool werden; ein für eine Region trainiertes Modell kann in einer anderen wiederverwendet werden; ein SaaS-Feature kann generative KI ohne einen vollständigen Beschaffungszyklus hinzufügen. Ein Überprüfungsrhythmus hilft dabei, diese Änderungen zu erfassen, bevor der Compliance-Nachweis veraltet ist.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_best-practices-for-ai-compliance_1":{"id":"text-6f12ae2113","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EViele Unternehmen behandeln KI-Compliance als einmalige Genehmigungsaufgabe. In der Realität kann die Compliance schnell zusammenbrechen, wenn sich Modelle, Datenquellen, Anbieter oder Anwendungsfälle ändern, ohne dass Dokumentation, Risikobewertungen und Monitoring-Kontrollen entsprechend aktualisiert werden.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_ai-compliance-on-snowflake":{"id":"title-v2-6a21272731","additionalClasses":"anchor-title anchor-title--ai-compliance-on-snowflake","type":"heading2","lines":["KI-Compliance bei Snowflake"],":type":"snowflake-site/components/title-v2"},"text_ai-compliance-on-snowflake_0":{"id":"text-4352d790d9","text":"\u003Cp\u003EKI-Compliance hängt von Beweisen ab: welche Daten verwendet wurden, wer darauf zugegriffen hat, wie sie verschoben wurden, welche Modellversion bereitgestellt wurde, welche Richtlinien galten und welche Kontrollen zum Zeitpunkt der Überprüfung in Kraft waren.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E unterstützt Governance-, Discovery- und Compliance-Workflows, indem es Kontext wie Access History, Lineage, Klassifizierung und Richtliniendurchsetzung aufzeigt. Die ACCESS_HISTORY-Ansicht von Snowflake bietet eine Aufzeichnung darüber, auf welche Daten zugegriffen wurde, wann der Zugriff erfolgte und wie Daten von Quellobjekten zu Zielobjekten verschoben wurden. Dies kann Teams dabei helfen, Audit-Nachweise für Zugriffs-, Lineage- und Datennutzungskontrollen zu erstellen.\u003C/p\u003E\r\n\u003Cp\u003EFür ML-Systeme speichert und verwaltet die Snowflake ML Model Registry Modellversionen, Modellmetriken und Modell-Metadaten, unterstützt das Modell-Lifecycle-Management und kann die Modell-Performance und den Modell-Drift durch Snowflake ML Observability überwachen. Sie unterstützt auch RBAC für den Modellzugriff und hilft Teams dabei, die Modell-Governance mit denselben Arten von Kontrollen zu verknüpfen, die sie für den Datenzugriff verwenden.\u003C/p\u003E\r\n\u003Cp\u003EFür Anwendungsfälle mit generativer KI wurde Cortex Guard entwickelt, um potenziell unsichere oder schädliche Antworten zu identifizieren und zu filtern, bevor die Modellausgabe an die Anwendung zurückgegeben wird. Je nach Architektur können Teams diese Sicherheitsvorkehrungen mit Prompt-, Antwort-, Zugriffs- und Anwendungsprotokollen kombinieren, um Audit-Trails für generative KI zu unterstützen.\u003C/p\u003E\r\n\u003Cp\u003EDas \u003Ca href=\"https://trust.snowflake.com/\"\u003ESnowflake Compliance Center\u003C/a\u003E bietet Kund:innen Zugriff auf Sicherheits- und Compliance-Ressourcen, einschließlich Zertifizierungen und Berichten, die die Due-Diligence-Prüfung von Anbietern sowie Kunden- oder Aufsichtsbehörden-Audits unterstützen können. Snowflake hat außerdem die ISO/IEC 42001-Zertifizierung für sein KI-Managementsystem erhalten, das laufenden Überwachungsaudits unterliegt. Dies ist ein konkretes Beispiel dafür, wie KI-Governance, KI-Risikomanagement und Compliance-Praktiken unter einem zertifizierbaren Managementsystem-Standard organisiert werden können.\u003C/p\u003E\r\n\u003Cp\u003EZusammen helfen diese Funktionen Unternehmen dabei, Compliance-Nachweise an die Systeme anzuhängen, die sie erzeugen: Lineage-Pfade, Zugriffsprotokolle, Modell-Metadaten, Bewertungsmetriken, Aufzeichnungen zur Richtliniendurchsetzung und Kontrollartefakte. Dies beseitigt nicht die Notwendigkeit einer rechtlichen Überprüfung, Risikoklassifizierung oder menschlichen Verantwortlichkeit, kann aber den manuellen Aufwand reduzieren, der erforderlich ist, um nachzuweisen, dass KI-Kontrollen funktionieren.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_building-ai-compliance-into-the-ai-lifecycle":{"id":"title-v2-dc9e42d39e","additionalClasses":"anchor-title anchor-title--building-ai-compliance-into-the-ai-lifecycle","type":"heading2","lines":["Integration von KI-Compliance in den KI-Lebenszyklus"],":type":"snowflake-site/components/title-v2"},"text_building-ai-compliance-into-the-ai-lifecycle_0":{"id":"text-2c67a569e1","text":"\u003Cp\u003EKI-Compliance lässt sich am einfachsten nachweisen, wenn sie in den Lebenszyklus integriert ist. Ein KI-System sollte in das Inventar aufgenommen werden, wenn der Anwendungsfall vorgeschlagen wird, eine Risikostufe erhalten, bevor die Entwicklung fortgesetzt wird, die Dokumentation durch Tests und Deployment mitführen und Beweise aufbewahren, wenn sich Benutzer:innen, Daten, Modelle und Anbieter ändern.\u003C/p\u003E\n\u003Cp\u003EDieses Betriebsmodell ist wichtig, da KI-Systeme selten unverändert bleiben. Compliance-Teams können diese Bewegung nur verwalten, wenn sie das System von der Verpflichtung über die Kontrolle bis hin zum Beweis zurückverfolgen können.\u003C/p\u003E\n\u003Cp\u003EDie Unternehmen, die KI-Compliance gut handhaben, werden nicht diejenigen mit den robustesten Richtliniendokumenten sein. Es werden diejenigen sein, die spezifische Fragen schnell beantworten können, z. B. welche KI-Systeme im Einsatz sind, welche ein hohes Risiko aufweisen, auf welche Daten sie zugreifen, welche Kontrollen gelten, wann sie zuletzt überprüft wurden und welche Beweise die Konformität belegen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_building-ai-compliance-into-the-ai-lifecycle_0":{"id":"text-edc66a30a5","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EBei effektiver KI-Compliance geht es weniger um die Erstellung von Richtlinien als vielmehr um die Aufrechterhaltung von Nachweisen. Unternehmen, die KI-Systeme konsistent mit ihren Risiken, Kontrollen und Nachweisen verknüpfen können, sind am besten positioniert, um Aufsichtsbehörden, Prüfer:innen, Kund:innen und interne Stakeholder bei der zunehmenden KI-Einführung zufriedenzustellen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-ai-compliance","text_what-is-ai-compliance_0","title_the-ai-regulatory-landscape","text_the-ai-regulatory-landscape_0","title_frameworks-that-structure-compliance","text_frameworks-that-structure-compliance_0","title_the-core-ai-compliance-controls","text_the-core-ai-compliance-controls_0","title_best-practices-for-ai-compliance","text_best-practices-for-ai-compliance_0","callout_best-practices-for-ai-compliance_0","text_best-practices-for-ai-compliance_1","callout_best-practices-for-ai-compliance_1","title_ai-compliance-on-snowflake","text_ai-compliance-on-snowflake_0","title_building-ai-compliance-into-the-ai-lifecycle","text_building-ai-compliance-into-the-ai-lifecycle_0","callout_building-ai-compliance-into-the-ai-lifecycle_0"]},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small",":items":{"container":{"additionalClasses":"sticky-sidebar","gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-cd971349c8",":type":"snowflake-site/components/container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium",":items":{"text_943981956_copy_":{"id":"text-4610dd8eae","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-e1779a2008","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-ai-compliance\"\u003EWas ist KI-Compliance?\u003C/li\u003E\u003Cli data-anchor=\"the-ai-regulatory-landscape\"\u003EDie regulatorische KI-Landschaft\u003C/li\u003E\u003Cli data-anchor=\"frameworks-that-structure-compliance\"\u003EFrameworks zur Strukturierung der Compliance\u003C/li\u003E\u003Cli data-anchor=\"the-core-ai-compliance-controls\"\u003EDie wichtigsten KI-Compliance-Kontrollen\u003C/li\u003E\u003Cli data-anchor=\"best-practices-for-ai-compliance\"\u003EBest Practices für die KI-Compliance\u003C/li\u003E\u003Cli data-anchor=\"ai-compliance-on-snowflake\"\u003EKI-Compliance bei Snowflake\u003C/li\u003E\u003Cli data-anchor=\"building-ai-compliance-into-the-ai-lifecycle\"\u003EIntegration von KI-Compliance in den KI-Lebenszyklus\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"]}},":itemsOrder":["container"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container"},"flexible_column_cont_1786318617":{"id":"flexible-column-container-0a7009eb01","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":items":{"title_v2_copy":{"id":"title-v2-ac26a45f6f","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-f70596a80d","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigen Fragen zu KI-Compliance – beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-d4e7167170","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Ist KI-Compliance gesetzlich vorgeschrieben?","richText":"\u003Cp\u003EIn vielen Fällen ja. Der EU AI Act erlegt für die abgedeckten KI-Systeme verbindliche Verpflichtungen auf, während die DSGVO, US-Bundesstaatsgesetze, arbeitsrechtliche Vorschriften, branchenspezifische Regulierungen und Verbraucherschutzgesetze je nachdem, wo und wie ein KI-System eingesetzt wird, Anwendung finden können.\u003C/p\u003E\r\n"},{"title":"Was ist der Unterschied zwischen KI-Compliance und KI-Governance?","richText":"\u003Cp\u003EKI-Governance ist das Betriebsmodell: Wer entscheidet, wer genehmigt, wer überwacht und wer eingreifen kann. KI-Compliance ist die Konformitätsdisziplin: der Nachweis, dass das Unternehmen geltende Gesetze, Standards und interne Richtlinien eingehalten hat.\u003C/p\u003E\r\n"},{"title":"Welches KI-Compliance-Framework sollte mein Unternehmen einführen?","richText":"\u003Cp\u003EDie meisten Unternehmen nutzen mehr als eines. Das NIST AI RMF ist nützlich für die Risikomethodik, ISO/IEC 42001 bietet ein zertifizierbares KI-Managementsystem und ISO/IEC 23894 liefert KI-spezifische Leitlinien für das Risikomanagement. Branchenspezifisch regulierte Unternehmen sollten KI-Kontrollen auch den geltenden aufsichtsrechtlichen Leitlinien zuordnen, wie z. B. den Leitlinien zum Modellrisikomanagement für Banken oder den FDA-Erwartungen für KI-gestützte Medizinprodukte.\u003C/p\u003E\r\n"},{"title":"Wie weise ich KI-Compliance nach?","richText":"\u003Cp\u003ETeams können KI-Compliance durch eine Nachweiskette belegen: dokumentierte Richtlinien, Systeminventare, Risikoklassifizierungen, Folgenabschätzungen, DSFAs, Modellkarten, technische Dokumentationen, Zugriffsprotokolle, Lineage-Aufzeichnungen, Monitoring-Dashboards, Vorfallprotokolle und Bescheinigungen von Dritten. Jedes Artefakt sollte einer bestimmten Verpflichtung und Kontrolle zugeordnet sein.\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-28c5fce427","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-08c39a1045",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-b022fb7810","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-c4510d9fa5","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-6079ac5b8a","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"headline":{"id":"title-v2-8fb7ff33da","type":"heading5","lines":["Der ROI von generativer KI und KI-Agenten 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-6af544656e","tagText":"WHITEPAPER","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/ai-at-work-from-productivity-hacks-to-organizational-transformation/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"headline":{"id":"title-v2-1b0730ab6e","type":"heading5","lines":["KI am Arbeitsplatz: Von Produktivitäts-Hacks zur Unternehmenstransformation"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-b0f746e132","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/lp/building-startup-ai-age/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"headline":{"id":"title-v2-b05cb07f96","type":"heading5","lines":["KI-Agenten im Unternehmenseinsatz"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-57ad46cfe4","tagText":"E-BOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/resource/the-ultimate-guide-to-data-ai-for-industries/?lang=de"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Mehr erfahren"},"headline":{"id":"title-v2-345af4157a","type":"heading5","lines":["Der ultimative Branchenleitfaden zu Daten und KI 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},"isBlogPage":false,"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_731284311","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-2fc0dcb28b",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-835f4f7320","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor_597730182":{"id":"markup-editor-991b3f47cb","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor":{"id":"markup-editor-720d8fa25f","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();","isGSAPEnabled":true,":type":"snowflake-site/components/markup-editor"},"experiencefragment-footer":{"id":"experiencefragment-3f02c437bc","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json"},"experiencefragment":{"id":"experiencefragment-1403edd8bf","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"locale":"de"}