{"cssClassNames":"page basicpage summit-page","templateName":"base-page-template54","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Erfahren Sie, was KI-Ethik ist, welche Kernprinzipien und führenden Frameworks es gibt und wie Sie Responsible AI in Governance, Aufsicht und Praxis umsetzen.","language":"de","title":"KI-Ethik: Prinzipien, Frameworks und Best Practices | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/de/artificial-intelligence/ai-governance/ai-ethics/",":type":"snowflake-site/components/structure/page",":itemsOrder":["root"],":items":{"root":{"columnCount":12,"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"},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":items":{"experiencefragment-banner":{"id":"experiencefragment-a87b881308","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?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-ethics"},"experiencefragment-header":{"id":"experiencefragment-5a7fdb78e5","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?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-ethics"},"responsivegrid":{"columnCount":12,"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_1158003461":"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_1398138236":"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_1377146023":"aem-GridColumn aem-GridColumn--default--12"},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":items":{"flexible_column_cont":{"id":"flexible-column-container-cdcc13d5dd","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-f203ffcf6f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["breadcrumb"],":items":{"breadcrumb":{"id":"breadcrumb-719fbef9a9","items":[{"id":"breadcrumb-719fbef9a9-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-719fbef9a9-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-719fbef9a9-item-315f91a247","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-ethics/"},"active":true,"current":true,"title":"KI-Ethik",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-dc0a5f01e2","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-f0a38dfede",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["title_v2","text","container"],":items":{"title_v2":{"id":"title-v2-8cd9a95661","additionalClasses":"hub-hero__headline","type":"heading1","lines":["KI-Ethik: Die Prinzipien für die Entwicklung von Verantwortungsvolle KI"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-3628b5c9d9","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EKI-Ethik prägt kritische Entscheidungen lange bevor ein KI-System live geht – sie bestimmt, welche Daten verwendet werden, wessen Interessen geschützt sind und wie Risiken gemanagt werden. Dieser Artikel schlüsselt die Kernprinzipien und Frameworks auf, die verantwortungsvolle KI leiten, und zeigt, wie Unternehmen diese in die Praxis umsetzen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"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"},"id":"container-2d46a8e5a9",":type":"snowflake-site/components/container",":itemsOrder":["content_chip_copy","content_chip"],":items":{"content_chip_copy":{"id":"content-chip-96513c6855","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","alt":"Laurie MacPherson","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?quality=85&preferwebp=true","lazyEnabled":true,"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":{"id":"content-chip-36bf5406a3","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","alt":"Gulnaz Sharipova","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?quality=85&preferwebp=true","lazyEnabled":true,"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"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-b770d027b3",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["youtube"],":items":{"youtube":{"id":"embed-5c753bb085","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"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-3068fdc02b","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-b744deb80d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["text_894059747","text"],":items":{"text_894059747":{"id":"text-5a2db09856","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":{"id":"text-380a7dc19d","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-compliance/\"\u003EKI-Compliance\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/de/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"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-7333627828","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",":itemsOrder":["text","text_intro_0","title_what_is_ai_ethics","text_what_is_ai_ethics_0","yt_what_is_ai_ethics_0","title_the_foundational_principles_of_ai_ethics","text_the_foundational_principles_of_ai_ethics_0","text_493317382","text_703180931","title_modern_ai_specific_ethical_principles","text_modern_ai_specific_ethical_principles_0","quote_item","text_1662439209","title_major_ai_ethics_frameworks","text_major_ai_ethics_frameworks_0","quote_item_1664463930","text_2041893073","text_2083016062","title_from_principles_to_practice","text_from_principles_to_practice_0","title_ai_ethics_challenges","text_ai_ethics_challenges_0","title_ai_ethics_on_snowflake","text_ai_ethics_on_snowflake_0","title_making_ai_ethics_accountable","text_making_ai_ethics_accountable_0","text_365208365"],":items":{"text":{"id":"text-b31c07ff95","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EKI-ETHIK DEFINIERT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EKI-Ethik umfasst die Werte und Prinzipien, die als Leitfaden für das Design, das Deployment und die Governance von Künstlicher Intelligenz (KI) dienen. Sie unterstützt Unternehmen dabei, die Auswirkungen von KI auf den Menschen zu bewerten, konkurrierende Prioritäten wie Fairness, Datenschutz und Sicherheit abzuwägen und Entscheidungen zu treffen, die technologische Innovation mit dem menschlichen Wohlergehen in Einklang bringen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-a341f55d69","text":"\u003Cp\u003EBis ein \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/\"\u003EKI-System\u003C/a\u003E die Produktionsphase erreicht, wurden meist schon weitreichende ethische Weichenstellungen vorgenommen. Die Trainingsdaten wurden selektiert, die Zielsetzung definiert, die Bewertungsmetriken ausgewählt und die Zugriffspfade offiziell freigegeben. Ein Fallback-Prozess ist möglicherweise vorhanden oder auch nicht.\u003C/p\u003E\r\n\u003Cp\u003EDie KI-Ethik bietet Teams eine Möglichkeit, diese Entscheidungen zu überprüfen, bevor sie fest in die Architektur einfließen. Sie hinterfragt, ob das System die menschliche Selbstbestimmung respektiert, Nutzen und Risiken fair verteilt, vorhersehbare Schäden minimiert, die Privatsphäre schützt und hinreichend Transparenz schafft, damit eine Person ein Ergebnis nachvollziehen oder anfechten kann.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what_is_ai_ethics":{"id":"title-v2-f48874bcb1","additionalClasses":"anchor-title anchor-title--what-is-ai-ethics","type":"heading2","lines":["Was ist KI-Ethik?"],":type":"snowflake-site/components/title-v2"},"text_what_is_ai_ethics_0":{"id":"text-1953d4630d","text":"\u003Cp\u003EDie KI-Ethik ist ein interdisziplinäres Fachgebiet, das die moralischen Prinzipien untersucht, die das Design, die Entwicklung und den Einsatz von KI-Systemen leiten. Sie greift auf Ansätze der angewandten Ethik, Bioethik, Informatik, Rechtswissenschaft, Menschenrechte und Sozialwissenschaften zurück, um zu evaluieren, wie sich KI-Systeme auf den Einzelnen, Organisationen und die Gesellschaft auswirken.“\u003C/p\u003E\r\n\u003Cp\u003EDabei stellt sie mehrere Kernfragen:\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cp\u003ESollte eine Person die Möglichkeit haben, einer KI-basierten Entscheidung via Opt-out zu widersprechen? \u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003EAuf welche Arten von Schäden muss ein Team vor der Bereitstellung testen? \u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003EWer trägt die moralische Verantwortung, wenn ein Modell eine Maßnahme empfiehlt, diese aber von einem Geschäftsprozess ausgeführt wird? \u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003EWelche Kompromisse sind akzeptabel, wenn Genauigkeit, Datenschutz, Fairness, Sicherheit und Transparenz miteinander in Konflikt stehen?\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EKI-Ethik steht im Zusammenhang mit Verantwortungsvoller KI, KI-Governance und KI-Compliance.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EKI-Ethik definiert die Prinzipien. \u003C/b\u003ESie legt die normativen Prinzipien fest, die ein System respektieren sollte, wie Autonomie, Fürsorge, Schadensvermeidung, Gerechtigkeit und Erklärbarkeit.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/responsible-ai/\"\u003EVerantwortungsvolle KI\u003C/a\u003E definiert das Betriebsmodell. \u003C/b\u003ESie überführt diese abstrakten Prinzipien in konkrete Praktiken wie Impact Assessments, Bias-Audits, Red-Teaming, eine lückenlose Dokumentation sowie Human Review.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/\"\u003EKI-Governance\u003C/a\u003E definiert die Struktur. \u003C/b\u003ESie regelt Verantwortlichkeiten, Richtlinien, Kontrollen, Freigabeprozesse und Überwachungsprozesse, um sicherzustellen, dass Praktiken Verantwortungsvoller KI konsistent umgesetzt werden.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-governance/compliance/\"\u003EKI-Compliance\u003C/a\u003E definiert die Verpflichtungen. \u003C/b\u003ESie ordnet KI-Systeme, Datennutzungen und operative Prozesse den geltenden Gesetzen, Vorschriften, Standards und internen Richtlinien zu und liefert dann die erforderlichen Nachweise, um zu belegen, dass diese Anforderungen erfüllt werden.\u003C/p\u003E\r\n\u003Cp\u003EKI-Ethik ist Verantwortungsvolle KI, Governance und Compliance vorgelagert. Sie bietet Organisationen eine prinzipienbasierte Grundlage, um zu definieren, was „gut“ in einem spezifischen KI-Kontext bedeutet. Die operativen Praktiken von Governance und Compliance legen anschließend fest, wie diese Entscheidungen konsequent durchgesetzt werden.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003EErfahren Sie, welche Perspektiven Christian Kleinerman, EVP of Product bei Snowflake, und Jennifer Belissent, Principal Data Strategist bei Snowflake, zum Thema KI-Ethik teilen:\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_what_is_ai_ethics_0":{"id":"embed-31ed332b3e","youtubeVideoId":"DPs8nz59kss","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"},"title_the_foundational_principles_of_ai_ethics":{"id":"title-v2-b6935fb0ea","additionalClasses":"anchor-title anchor-title--the-foundational-principles-of-ai-ethics","type":"heading2","lines":["Die Grundprinzipien der KI-Ethik"],":type":"snowflake-site/components/title-v2"},"text_the_foundational_principles_of_ai_ethics_0":{"id":"text-36e37a1459","text":"\u003Cp\u003EViele Debatten zur KI-Ethik bauen auf Prinzipien auf, die weit vor der Entstehung moderner KI liegen — insbesondere auf den bioethischen Grundsätzen zur Evaluierung medizinischer Entscheidungen, Forschungspraktiken und institutioneller Verpflichtungen. \u003Ca href=\"https://hdsr.mitpress.mit.edu/pub/l0jsh9d1/release/8\" target=\"_blank\"\u003EDas viel zitierte Framework von Luciano Floridi und Josh Cowls \u003C/a\u003Enennt fünf Kernprinzipien für KI in der Gesellschaft: Fürsorge, Schadensvermeidung, Autonomie, Gerechtigkeit und Erklärbarkeit. Die ersten vier Prinzipien stammen aus der Bioethik, während die Erklärbarkeit hinzugefügt wurde, um der Notwendigkeit Rechnung zu tragen, KI-Systeme zu verstehen und Verantwortlichkeiten zuzuweisen.\u003C/p\u003E\n\u003Ch3\u003EAutonomie\u003C/h3\u003E\n\u003Cp\u003EAutonomie bedeutet, die menschliche Selbstbestimmung zu respektieren. Bei KI-Systemen kann dies bedeuten, dass Personen angemessen informiert werden, eine Opt-out-Möglichkeit erhalten, eine Überprüfung durch Menschen (Human-in-the-Loop) bei folgenschweren Entscheidungen erforderlich ist oder verhindert wird, dass Automatisierung die verfügbaren Optionen einer Person ohne Erklärung einschränkt.\u003C/p\u003E\n\u003Cp\u003EEin Einstellungsmodell kann beispielsweise Bewerber:innen basierend auf historischen Performance-Signalen einordnen, aber Autonomie erfordert mehr als nur ein technisch genaues Ranking. Ein:e Bewerber:in sollte nicht auf eine Punktzahl reduziert werden, ohne die Möglichkeit zu haben, fehlerhafte Daten zu korrigieren, eine erneute Prüfung zu beantragen oder zu verstehen, warum das System die eigenen Chancen beeinflusst hat.\u003C/p\u003E\n\u003Ch3\u003EFürsorge\u003C/h3\u003E\n\u003Cp\u003EFürsorge bedeutet, dass KI-Systeme einen Nutzen schaffen sollten. Dieser Nutzen kann sich beispielsweise durch einen besseren Zugang, schnelleren Service, höhere Produktivität, optimierte Erkennungsmuster oder konsistentere Entscheidungen äußern. Ein Modell, das medizinischem Personal hilft, Versorgungslücken zu erkennen, Kundenanfragen an das richtige Team weiterleitet oder die Nutzung öffentlicher Dienste erleichtert, kann fürsorglichen Zielen dienen, wenn der Nutzen real, messbar und auf die betroffenen Personen verteilt ist.\u003C/p\u003E\n\u003Cp\u003En der Praxis muss das Prinzip der Fürsorge jedoch immer auch unbeabsichtigte Folgen im Blick behalten: Teams können bewerten, ob das System die Ergebnisse im Vergleich zu dem Prozess, den es ersetzt oder ergänzt, verbessert. Ein System kann jedoch die Gesamteffizienz steigern, während sich das Risiko auf eine kleinere Personengruppe konzentriert. Daher muss die Fürsorge gegen die anderen Prinzipien abgewogen werden.\u003C/p\u003E\n\u003Ch3\u003ESchadensvermeidung\u003C/h3\u003E\n\u003Cp\u003ESchadensvermeidung wird oft mit dem Grundsatz „Erstens nicht schaden“ zusammengefasst. Im Kontext von KI können Schäden physischer, finanzieller, psychologischer oder gesellschaftlicher Natur sein oder den Ruf schädigen. Solche Schäden können durch eine unsichere Empfehlung, ein diskriminierendes Scoring, ein offengelegtes Dataset, ein unzuverlässiges Modell in einem Hochrisiko-Workflow oder einen Chatbot entstehen, der außerhalb seines eigentlichen Anwendungsbereichs fälschlicherweise überzeugend wirkende Anweisungen erteilt.\u003C/p\u003E\n\u003Cp\u003ESchadensvermeidung erfordert, dass Teams vorhersehbare Risiken vor der Bereitstellung identifizieren und auf Schäden überwachen, die im produktiven Betrieb auftreten. Dazu gehören Modellausfälle, Missbrauch, übermäßiges Vertrauen, Sicherheitsverletzungen und nachgelagerte Effekte, die in einem Test-Dataset möglicherweise nicht auftreten.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_493317382":{"id":"text-d06ff78269","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EKURZER TIPP\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EBeginnen Sie bei der Evaluierung eines KI-Systems mit der zentralen Frage: Wer ist direkt betroffen, wenn das System fehlerhafte Ergebnisse liefert? Die frühzeitige Identifizierung potenzieller Risiken kann Teams helfen, vor der Bereitstellung bessere Entscheidungen über Tests, Aufsicht, Transparenz und Risikominderung zu treffen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_703180931":{"id":"text-6e07f1aa50","text":"\u003Ch3\u003EGerechtigkeit\u003C/h3\u003E\r\n\u003Cp\u003EDas Prinzip der Gerechtigkeit befasst sich mit der fairen Verteilung von Nutzen und Risiken. Ein KI-System darf bestimmte Gruppen niemals systematisch benachteiligen — sei es aufgrund geschützter Merkmale, Proxy-Variablen, ungleicher Datenqualität oder historischer Muster, die in den Trainingsdaten verankert sind.\u003C/p\u003E\r\n\u003Cp\u003EDieses Prinzip steht in direktem Zusammenhang mit Algorithmic Bias (\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003Ealgorithmischem Bias\u003C/a\u003E). Ein Betrugsmodell kann insgesamt gut abschneiden, während es bei bestimmten Kundensegmenten höhere Falsch-Positiv-Raten aufweist. Ein Gesundheitsmodell könnte das Risiko für Gruppen, die in der Vergangenheit unzureichend behandelt wurden, zu niedrig ansetzen. Gerechtigkeit erfordert daher eine differenzierte Analyse einzelner Teilpopulationen anstelle einer bloß oberflächlichen, systemweiten Gesamtgenauigkeit.\u003C/p\u003E\r\n\u003Ch3\u003EErklärbarkeit\u003C/h3\u003E\r\n\u003Cp\u003ENachvollziehbarkeit bedeutet, dass KI-Systeme hinreichend verständlich und nachvollziehbar sein müssen, damit Anwender sie evaluieren, anfechten und wirksam steuern können. Sie umfasst die Erklärbarkeit, also wie das System zu einem Ergebnis gekommen ist, und die Rechenschaftspflicht, also wer für die Funktionsweise des Systems verantwortlich ist.\u003C/p\u003E\r\n\u003Cp\u003EBei einer Empfehlungs-Engine mit geringem Risiko kann das Prinzip der Erklärbarkeit eine allgemeine Offenlegung und ein interpretierbares Performance-Reporting erfordern. Bei folgenschweren Entscheidungen — etwa in den Bereichen Kreditvergabe, Recruiting, Gesundheitswesen oder im öffentlichen Sektor — sind hingegen detailliertere Dokumentationen, verständliche Begründungen, Einspruchswege und lückenlose Audit Trails erforderlich.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_modern_ai_specific_ethical_principles":{"id":"title-v2-5e8d0257a4","additionalClasses":"anchor-title anchor-title--modern-ai-specific-ethical-principles","type":"heading2","lines":["Moderne, KI-spezifische Ethikprinzipien"],":type":"snowflake-site/components/title-v2"},"text_modern_ai_specific_ethical_principles_0":{"id":"text-111fc1c905","text":"\u003Cp\u003EDa KI-Systeme von Forschungsumgebungen in Geschäftsprozesse, öffentliche Dienste und Konsumgüter übergegangen sind, wurden Ethik-Frameworks spezifischer. Sie stützen sich weiterhin auf die oben genannten Grundprinzipien, übersetzen diese jedoch in Kontrollmechanismen, die von Technik-, Rechts-, Risiko- und Business-Teams angewendet werden können.\u003C/p\u003E\r\n\u003Ch3\u003EFairness\u003C/h3\u003E\r\n\u003Cp\u003EFairness bedeutet, dass KI-Ergebnisse Menschen nicht diskriminieren sollten. Teams bewerten Fairness oft mit Maßstäben wie demografischer Parität, Chancengleichheit, ausgeglichenen Chancen (Equalized Odds) und Kalibrierung und entscheiden dann, welche Metrik zum Zweck und Risikoprofil des Systems passt. Eine Metrik ist kein Ersatz für ein ethisches Urteil, aber sie hilft aufzudecken, ob ein Modell Fehler ungleichmäßig verteilt.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-4d80842844","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"Eine Metrik ist kein Ersatz für ein ethisches Urteil, aber sie hilft aufzudecken, ob ein Modell Fehler ungleichmäßig verteilt.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1662439209":{"id":"text-2af3470da9","text":"\u003Ch3\u003ETransparenz\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparenz\u003C/a\u003E bedeutet, dass Menschen wissen, wann KI im Spiel ist, was das System tun soll, welche Daten oder Signale es verwendet und wo seine Grenzen liegen. Bei generativen KI-Systemen kann Transparenz die Offenlegung umfassen, dass Inhalte KI-generiert sind, sowie die Dokumentation von Abrufquellen, Model Cards, Evaluierungsergebnissen und Einschränkungen hinsichtlich Genauigkeit oder Vollständigkeit.\u003C/p\u003E\r\n\u003Ch3\u003EVerantwortlichkeit\u003C/h3\u003E\r\n\u003Cp\u003EVerantwortlichkeit bedeutet, dass ein Mensch oder ein Unternehmen für das Verhalten des Systems verantwortlich ist. Ein Modell kann eine Ausgabe generieren, aber es kann nicht seine eigene Bereitstellung genehmigen, regulatorische Risiken übernehmen, Kund:innen einen Vorfall erklären oder entscheiden, ob ein schädliches Muster behoben werden soll. Verantwortlichkeit erfordert benannte Owner, Eskalationspfade sowie die Befugnis, das System im Bedarfsfall zu stoppen oder zu modifizieren.\u003C/p\u003E\r\n\u003Ch3\u003EDatenschutz\u003C/h3\u003E\r\n\u003Cp\u003EDatenschutz bedeutet, die Nutzung personenbezogener Daten zu minimieren, sensible Attribute zu schützen, Einwilligungen zu respektieren und die sekundäre Nutzung einzuschränken. In KI-Systemen kann Datenschutz durch Datenminimierung, Zugriffskontrollen, Aufbewahrungsfristen, Anonymisierung, synthetische Daten oder Differential-Privacy-Techniken gewährleistet werden, um das Risiko einer Offenlegung von Informationen über spezifische Personen zu minimieren. \u003C/p\u003E\r\n\u003Ch3\u003ESicherheit und Robustheit\u003C/h3\u003E\r\n\u003Cp\u003EKI-Sicherheit und -Robustheit bedeuten, dass Systeme sowohl unter erwarteten als auch unter unerwarteten Bedingungen zuverlässig funktionieren. Ein Modell sollte auf Fehlermodi, Adversarial Inputs, Drift, unsichere Ausgaben und Verhalten außerhalb der vorgesehenen Nutzung getestet werden. \u003Ca rel=\"noopener noreferrer\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\" target=\"_blank\"\u003EDas National Institute of Standards and Technology (NIST)\u003C/a\u003E definiert die Merkmale vertrauenswürdiger KI. Dazu gehören Validität und Zuverlässigkeit, Sicherheit und Resilienz, Verantwortlichkeit und Transparenz, Erklärbarkeit und Interpretierbarkeit, verbesserter Datenschutz sowie Fairness durch ein aktives Management schädlicher Verzerrungen.\u003C/p\u003E\r\n\u003Ch3\u003EAnfechtbarkeit\u003C/h3\u003E\r\n\u003Cp\u003EAnfechtbarkeit bedeutet, dass von KI-Systemen betroffene Personen Entscheidungen anfechten und Abhilfe fordern können. Dieses Prinzip ist am wichtigsten, wenn KI den Zugang zu Beschäftigung, Krediten, Wohnraum, Gesundheitsversorgung, dem Bildungswesen, staatlichen Leistungen oder anderen folgenschweren Ergebnissen beeinflusst. Ein anfechtbares System bietet Personen einen konkreten Weg, Daten zu korrigieren, eine menschliche Überprüfung anzufordern und nachzuvollziehen, auf welcher Datengrundlage das Ergebnis beruht.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_major_ai_ethics_frameworks":{"id":"title-v2-0a78f1e39c","additionalClasses":"anchor-title anchor-title--major-ai-ethics-frameworks","type":"heading2","lines":["Wichtige KI-Ethik-Frameworks"],":type":"snowflake-site/components/title-v2"},"text_major_ai_ethics_frameworks_0":{"id":"text-ff2e53ad51","text":"\u003Cp\u003EKI-Ethik-Frameworks variieren je nach Institution, Rechtsraum und Zielgruppe, aber viele konvergieren bei ähnlichen Konzepten: Menschenrechte, Fairness, Transparenz, Sicherheit, Verantwortlichkeit und menschliche Aufsicht.\u003C/p\u003E\n\u003Ch3\u003EUNESCO-Empfehlung zur KI-Ethik\u003C/h3\u003E\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://www.unesco.org/en/artificial-intelligence/recommendation-ethics\" target=\"_blank\"\u003EDie UNESCO-Empfehlung zur Ethik der künstlichen Intelligenz\u003C/a\u003E wurde 2021 verabschiedet und von der UNESCO als der erste weltweite Standard für KI-Ethik eingestuft. Nach Angaben der UNESCO gilt die Empfehlung für ihre 194 Mitgliedsstaaten und stellt Menschenrechte und Menschenwürde in den Mittelpunkt, unter Berücksichtigung von Transparenz, Fairness und menschlicher Aufsicht.\u003C/p\u003E\n\u003Cp\u003EDas UNESCO-Framework ist breit gefächert, da es KI als soziales, wirtschaftliches und menschenrechtliches Thema behandelt und nicht nur als technisches Governance-Thema. Es deckt Bereiche wie Politik, Bildungswesen, Kultur, Arbeit, Umwelt, Geschlecht und Entwicklung ab, was es für Unternehmen nützlich macht, die über KI über verschiedene Gerichtsbarkeiten und Stakeholder-Gruppen hinweg evaluieren müssen.\u003C/p\u003E\n\u003Ch3\u003EOECD-KI-Prinzipien\u003C/h3\u003E\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.oecd.org/en/topics/ai-principles.html\"\u003EDie OECD-KI-Prinzipien\u003C/a\u003E setzen sich für eine KI ein, die innovativ und vertrauenswürdig ist sowie Menschenrechte und demokratische Grundwerte wahrt. Die Prinzipien umfassen integratives Wachstum, nachhaltige Entwicklung und Wohlbefinden; Respekt für Menschenrechte und demokratische Werte, einschließlich Fairness und Datenschutz; Transparenz und Erklärbarkeit; Robustheit und Sicherheit; sowie Verantwortlichkeit.\u003C/p\u003E\n\u003Cp\u003EFür Unternehmen sind die OECD-Prinzipien nützlich, da sie prägnant und richtlinienorientiert sind. Sie etablieren ein normatives Framework für vertrauenswürdige KI und lassen gleichzeitig Raum für Implementierungsentscheidungen je nach Kontext, Risiko und Sektor.\u003C/p\u003E\n\u003Ch3\u003EEU-Ethikrichtlinien für vertrauenswürdige KI\u003C/h3\u003E\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://op.europa.eu/en/publication-detail/-/publication/d3988569-0434-11ea-8c1f-01aa75ed71a1?afd_azwaf_tok=eyJraWQiOiI1MUExNzM1MkJFMzVFNkZCMTE3QUI4MEVDMjhFQjk1NkQ2ODYzNkY5MjA5MENGNENBMTJERTJFREE0MTkxMjY1IiwiYWxnIjoiUlMyNTYifQ.eyJhdWQiOiJvcC5ldXJvcGEuZXUiLCJleHAiOjE3Nzc5MTgxNjUsImlhdCI6MTc3NzkxODE1NSwiaXNzIjoidGllcjEtNzhiYmY4NWY3Ni1icXdxayIsInN1YiI6IjI2OjU1NmM6ZjA0YzoxMDY5OmMzODU6MzA4Yjo1MTk5OmFmZGIiLCJkYXRhIjp7InR5cGUiOiJpc3N1ZWQiLCJyZWYiOiIyMDI2MDUwNFQxODA5MTVaLTE3OGJiZjg1Zjc2YnF3cWtoQzFCWTFicTlzMDAwMDAwMHNuMDAwMDAwMDAwY2RhMSIsImIiOiJVR1NtTUliN0xYaXlpVGVmMHhjV2hMVDBMeXo1bWRIZnVSUVVXX3QwLUZRIiwiaCI6Ik9yMmdfUFhlNDgxa2hqc3FLbXowTDVvdzRIXy1RYnhBTlhORmtLZkxJWWMifX0.QLM9tt_s2UjsZV3d_g4RQhKMsD05AMceQQ4HlnIO-8-wZIbxsHD70caBDYdJP9rdw6mLPzYsIm952Lr-0Oi1LbsDxNgEkySHN2YXJ-1uD5tWy7pwZ4ueeRsmSFjhDkqZpSfyl7jwtqRfxEX8DEiA0pbCmoZlflyTCNmTYeCl1mL9mDBGbrRgWdXSeesnngX4dQlse1CZeWGcNKTSvaVrkPLqx68oYqtT-4G9drB-kkH7iGnOlvNoXewStlV143gfWs67EDewlK5eh1NIST3UVNWtiO-5HvndBeaNQHCjqIPZu3ICIRTzFZABy8K9-niIgE7_GP0_0F0bUtVCX0UY0A.WF3obl2IDtqgvMFRqVdYkD5s\"\u003EDie Ethikrichtlinien der EU für vertrauenswürdige KI\u003C/a\u003E haben dazu beigetragen, einen europäischen Ansatz für KI zu etablieren, der auf rechtmäßigen, ethischen und robusten Systemen basiert. Die Richtlinien definieren Anforderungen wie menschliches Handeln und menschliche Aufsicht, technische Robustheit und Sicherheit, Datenschutz und Data Governance, Transparenz, Diversität und Fairness, gesellschaftliches und ökologisches Wohlergehen, sowie Verantwortlichkeit.\u003C/p\u003E\n\u003Cp\u003EDie Richtlinien beeinflussten auch spätere regulatorische Arbeiten in Europa. Der \u003Ca href=\"https://artificialintelligenceact.eu/\" target=\"_blank\"\u003EEU AI Act\u003C/a\u003E ist eher ein rechtliches Framework als ein Ethik-Framework, kodifiziert jedoch viele ethiknahe Bedenken in Verpflichtungen rund um KI-Risikomanagement, Data Governance, Transparenz, menschliche Aufsicht und Post-Market-Überwachung für bestimmte KI-Systeme.\u003C/p\u003E\n\u003Ch3\u003EIEEE 7000-Serie\u003C/h3\u003E\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://ieeexplore.ieee.org/document/9536679\"\u003EDie IEEE 7000-Serie\u003C/a\u003E konzentriert sich auf die Operationalisierung von Ethik in der Entwicklung und im Systemdesign. Sie bietet Engineering-Teams einen strukturierten Ansatz, um Grundwerte, Stakeholder-Interessen und ethische Risiken direkt in die Systemanforderungen einfließen zu lassen, anstatt Ethik als externen Überprüfungsschritt zu behandeln, nachdem Designentscheidungen bereits getroffen wurden.\u003C/p\u003E\n\u003Cp\u003EFür KI-Teams ist dieser Ansatz von unschätzbarem Wert, da viele ethische Fehlentwicklungen ihren Ursprung in vermeintlich reinen Produkt- oder Architektur-Entscheidungen haben: welche Daten erhoben werden, welche Zielwerte im Fokus der Optimierung stehen, welche Nutzergruppen beim Testing unberücksichtigt bleiben, welche Logs vorgehalten werden und wie viel Erklärbarkeit betroffenen Personen am Ende geboten wird.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1664463930":{"id":"quote-item-27a78cd2b6","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"Viele ethische Fehlentwicklungen entstehen durch Produkt- oder Architekturentscheidungen — welche Daten erhoben werden, welches Ergebnis optimiert wird, welche Nutzergruppen beim Testing ausgeschlossen werden, welche Logs vorgehalten werden und wie viel Erklärung betroffenen Personen geboten wird.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_2041893073":{"id":"text-ce1ae229cb","text":"\u003Ch3\u003EU.S. Blueprint for an AI Bill of Rights\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://www.govinfo.gov/app/details/GOVPUB-PREX23-PURL-gpo193638\" target=\"_blank\"\u003EDer U.S. Blueprint for an AI Bill of Rights\u003C/a\u003E definiert fünf Schutzrechte für automatisierte Systeme: sichere und effektive Systeme, Schutz vor algorithmischer Diskriminierung, Datenschutz, Benachrichtigung und Erklärung, sowie menschliche Alternativen, Abwägung und Fallback.\u003C/p\u003E\r\n\u003Cp\u003EDer Blueprint ist kein bindendes Bundesgesetz, dient jedoch als wertvolle Ausarbeitung grundrechteorientierter KI-Prinzipien. Er ist besonders relevant für Teams, die Systeme entwickeln, welche direkten Einfluss auf die Leistungsberechtigung, Chancengleichheit, den Zugang zu Ressourcen oder die Grundversorgung haben.\u003C/p\u003E\r\n\u003Ch3\u003EUnternehmerische KI-Prinzipien\u003C/h3\u003E\r\n\u003Cp\u003EViele Technologieunternehmen haben KI-Prinzipien veröffentlicht, die sich mit Fairness, Sicherheit, Transparenz, Verantwortlichkeit, Datenschutz und menschlichem Nutzen befassen. Die effektivsten Leitlinien von Unternehmen sind hinreichend konkret formuliert, um operative und strategische Entscheidungen maßgeblich zu lenken. Beispielsweise ist die Aussage „KI sollte fair sein“ weniger hilfreich als eine Richtlinie, die eine Subgruppen-Evaluierung vor der Bereitstellung, einen Modellregistereintrag mit genehmigten Anwendungsfällen, einen dokumentierten Eskalationspfad für schädliche Ausgaben und eine:n Verantwortliche:n für die Behebung mit der Befugnis zum Anhalten des Systems vorschreibt.\u003C/p\u003E\r\n\u003Cp\u003EDas Deutsche Institut für Normung (DIN) hat ein \u003Ca href=\"https://www.din.de/de/forschung-und-innovation/partner-in-forschungsprojekten/beendete-forschungsprojekte/ethik-und-kuenstliche-intelligenz-was-koennen-technische-normen-und-standards-leisten--322016\"\u003EWhitepaper zur Ethik und Künstlichen Intelligenz\u003C/a\u003E veröffentlicht, das ethische Aspekte des KI-Einsatzes aus Sicht der Normung beleuchtet. Für Unternehmen in regulierten deutschen Branchen bietet das DIN-Whitepaper einen Anknüpfungspunkt, um KI-Ethikpraktiken mit nationalen Standardisierungsprozessen abzustimmen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2083016062":{"id":"text-3f7d862028","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EHÄUFIGER FALLSTRICK\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EViele Unternehmen nehmen fälschlicherweise an, dass die Veröffentlichung von KI-Prinzipien gleichbedeutend mit der praktischen Umsetzung von KI-Ethik ist. In der Realität beeinflusst Ethik die Ergebnisse nur dann, wenn sie durch Governance, Tests, Aufsicht und Rechenschaftspflicht in die Entscheidungsfindung eingebettet ist.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_from_principles_to_practice":{"id":"title-v2-aa52f46550","additionalClasses":"anchor-title anchor-title--from-principles-to-practice","type":"heading2","lines":["Von Prinzipien zur Praxis"],":type":"snowflake-site/components/title-v2"},"text_from_principles_to_practice_0":{"id":"text-16d43d9c79","text":"\u003Cp\u003EKI-Ethik ist nur dann nützlich, wenn sie die Arbeitsweise von Teams verändert. Mehrere Praktiken helfen Unternehmen dabei, von ethischen Absichtserklärungen zu einer wiederholbaren Umsetzung überzugehen.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EEthik-Prüfungsgremien: \u003C/b\u003EKritische KI-Systeme mit hohem Risikoprofil profitieren maßgeblich von einem Pre-deployment Review durch ein interdisziplinäres, funktionsübergreifendes Gremium, das den Verwendungszweck des Systems, betroffene Stakeholder, vorhersehbare Risiken und die entsprechenden Pläne zur Risikominderung evaluiert. Das Gremium sollte technische, rechtliche, sicherheitsrelevante, datenschutzrechtliche, risikobezogene und geschäftliche Perspektiven umfassen und über die klare Befugnis verfügen, Änderungen zu genehmigen, abzulehnen oder einzufordern.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EKI-Folgenabschätzungen: \u003C/b\u003EEine KI-Folgenabschätzung dokumentiert den beabsichtigten Verwendungszweck des Systems, die betroffenen Gruppen, Datenquellen, Vorteile, Schäden, Maßnahmen zur Risikominderung und Restrisiken. Es bietet Teams einen strukturierten Rahmen, um potenzielle negative Auswirkungen auf Stakeholder bereits vor der Bereitstellung systematisch zu prüfen und einen dokumentierten Nachweis zu erstellen, der bei zukünftigen Systemänderungen als Referenz dient.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EBias-Audits: \u003C/b\u003EBias-Audits kombinieren statistische Tests mit qualitativen Überprüfungen. Die statistische Analyse vergleicht dabei Fehlerraten, falsch-positive Ergebnisse, falsch-negative Ergebnisse oder die Kalibrierung über verschiedene Teilpopulationen hinweg. Die qualitative Überprüfung hinterfragt, ob die zugrundeliegenden Daten, Labels, Geschäftsprozesse oder die User Experience Benachteiligungen erzeugen, die durch rein quantitative Metriken allein nicht erfasst werden. \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-traceability/\"\u003ENachverfolgbarkeit\u003C/a\u003E ermöglicht es Teams, Outputs bis zu potenziell von Bias betroffenen oder nicht repräsentativen Trainingsdaten zurückzuverfolgen.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ERed-Teaming: \u003C/b\u003EKI-Red-Teaming testet Systeme gezielt auf adversarielles, unsicheres oder unbeabsichtigtes Verhalten. Im Kontext der generativen KI umfasst dies typischerweise Schwachstellen wie Prompt Injection, Jailbreaks, Datenabfluss, schädliche Anweisungen oder halluzinierte Faktenbehauptungen. Bei prädiktiver KI stehen hingegen Distribution Shifts, Manipulationsversuche, Edge Cases und konkrete Missbrauchsszenarien im Fokus.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EEinwilligung und Aufklärung der Nutzer:innen: \u003C/b\u003EMenschen sollten wissen, wenn KI maßgeblich an einer Entscheidung, Empfehlung oder Interaktion beteiligt ist. Ein Einwilligung ist nur dann rechtswirksam und fundiert, wenn Anwender die genaue Funktionsweise des Systems, die genutzten Datenkategorien sowie die verfügbaren menschlichen Alternativen verstehen.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EReaktion auf Vorfälle und Schadensbehebung: \u003C/b\u003EEthische Verfehlungen erfordern Reaktionsverfahren, nicht nur Post-Mortem-Analysen. Ein problematischer Output, ein von Bias geprägtes Entscheidungsmuster, eine Datenschutzverletzung oder eine unsichere Empfehlung sollten Triage, Verantwortungsübernahme, Nutzerkommunikation, Behebung und die Überwachung auf ein erneutes Auftreten auslösen.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EEthik-Trainings: \u003C/b\u003ETechnische Teams benötigen Trainings in angewandter Ethik, die Prinzipien mit Designentscheidungen verknüpfen. Ob Engineers bei der Optimierung einer Retrieval-Pipeline, Data Scientists bei der Auswahl von Trainings-Labels oder Produktmanager bei der Definition von Erfolgsmetriken: Sie alle treffen tagtäglich Entscheidungen, welche die Fairness, Privacy, Autonomie und Safety eines Systems maßgeblich beeinflussen.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EDas ist der fundamentale Kern von Ethics-by-Design: Ethische Prüfprozesse sind von vornherein fest in den gesamten KI-Lebenszyklus integriert, statt erst nachträglich nach der Bereitstellung aufgesetzt zu werden.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai_ethics_challenges":{"id":"title-v2-6f9cac13d5","additionalClasses":"anchor-title anchor-title--ai-ethics-challenges","type":"heading2","lines":["Herausforderungen der KI-Ethik"],":type":"snowflake-site/components/title-v2"},"text_ai_ethics_challenges_0":{"id":"text-b2884bba41","text":"\u003Cp\u003EKI-Ethik ist komplex, da verschiedene Stakeholder dieselben Prinzipien unterschiedlich gewichten können und die richtige Antwort oft vom Kontext abhängt. Für Organisationen, die verlässliche KI-Ethikpraktiken in ihren operativen Alltag integrieren möchten, ergeben sich typischerweise verschiedene Herausforderungen. \u003C/p\u003E\n\u003Ch3\u003EWertepluralismus\u003C/h3\u003E\n\u003Cp\u003EWertepluralismus bedeutet, dass Menschen und Kulturen sich darin unterscheiden, wie sie Werte priorisieren. Beispielsweise kann ein System, das den individuellen Datenschutz betont, die für die kollektive Sicherheit erforderlichen Daten einschränken. Ein System, das auf maximal barrierefreien Breitenzugang ausgelegt ist, kann wiederum neue Risiken für schutzbedürftigere Bevölkerungsgruppen bergen. Globale Unternehmen benötigen eine Möglichkeit, diese Kompromisse explizit zu machen, anstatt davon auszugehen, dass überall dieselbe kulturelle oder institutionelle Norm gilt.\u003C/p\u003E\n\u003Ch3\u003EPrinzipienkonflikte\u003C/h3\u003E\n\u003Cp\u003EEthische Prinzipien können miteinander in Konflikt stehen. Nutzenstiftung spricht möglicherweise für die Nutzung von mehr Daten zur Verbesserung der Ergebnisse, während der Datenschutz eine Minimierung dieser Daten bevorzugt. Transparenz kann Nutzer:innen helfen, ein System zu verstehen, während die Sicherheit einschränken kann, wie viele Implementierungsdetails offengelegt werden dürfen. Sicherheit erfordert mitunter regulatorische Einschränkungen, welche die Autonomie der Nutzenden beschränken. Ethikarbeit besteht oft darin, diese Konflikte zu dokumentieren und zu steuern, anstatt sie zu beseitigen.\u003C/p\u003E\n\u003Ch3\u003EEthics Washing\u003C/h3\u003E\n\u003Cp\u003EVon Ethics Washing spricht man, wenn Organisationen hehre Prinzipien publizieren, ohne konkrete Mechanismen zu deren verbindlichen Durchsetzung zu etablieren. Eine Seite mit Prinzipien verhindert nicht, dass ein schädliches Modell in die Produktion gelangt, es sei denn, die Teams definieren auch Review Gates, Verantwortlichkeiten, Nachweispflichten und Konsequenzen bei Non-Compliance.\u003C/p\u003E\n\u003Ch3\u003ESpezifische Spannungsfelder der generativen KI\u003C/h3\u003E\n\u003Cp\u003EGenerative KI bringt neuartige ethische Konflikte mit sich — insbesondere in Bezug auf Urheberrechte, Einwilligung, den Wandel des Arbeitsmarktes, Desinformation, unsichere Inhalte sowie die kritische Abwägung zwischen offenem Zugang und effektiver Missbrauchsprävention. Kreative Freiheit kann mit geistigen Eigentumsrechten in Konflikt geraten. Die offene Verfügbarkeit von Modellen kann Forschung und Innovation fördern, erhöht jedoch gleichzeitig das Dual-Use-Risiko. Automatisierung kann die Produktivität steigern, verändert jedoch Berufsbilder schneller, als Unternehmen ihre Mitarbeitenden umschulen können.\u003C/p\u003E\n\u003Ch3\u003EDurchsetzungslücken\u003C/h3\u003E\n\u003Cp\u003EKI-Ethik ist in der Regel nicht aus sich heraus durchsetzbar. Einige Rechtsräume haben damit begonnen, ethiknahe Prinzipien gesetzlich zu verankern, wie es der \u003Ca rel=\"noopener noreferrer\" href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E für bestimmte Hochrisiko-KI-Systeme tut, und bestehende Gesetze wie die \u003Ca href=\"https://www.snowflake.com/en/data-governance/regulatory-compliance/gdpr/\"\u003EDSGVO\u003C/a\u003E wirken sich bereits auf automatisierte Entscheidungsfindung, Datenschutz und Datennutzung aus. Viele ethische Verpflichtungen hängen jedoch nach wie vor von der internen Organizational Governance, von Beschaffungsstandards, branchenspezifischen Regeln und der öffentlichen Rechenschaftspflicht ab.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai_ethics_on_snowflake":{"id":"title-v2-3a453e2c4a","additionalClasses":"anchor-title anchor-title--ai-ethics-on-snowflake","type":"heading2","lines":["KI-Ethik bei Snowflake"],":type":"snowflake-site/components/title-v2"},"text_ai_ethics_on_snowflake_0":{"id":"text-40db2c4afc","text":"\u003Cp\u003EKI-Ethik ist leichter durchsetzbar, wenn die Prinzipien auf konkrete Platform Controls abgebildet werden. Ein Team, das beispielsweise einen Assistenten für generative KI entwickelt, muss wissen, aus welchen Tabellen und Spalten der Assistent Daten abrufen kann, welche Richtlinien für sensible Attribute gelten, welche Modellversion genehmigt ist, welche Sicherheitskontrollen unsichere Antworten herausfiltern und wer die Lineage überprüfen kann, wenn eine Ausgabe infrage gestellt wird.\u003C/p\u003E\r\n\u003Cp\u003EDas \u003Ca href=\"https://www.snowflake.com/en/company/responsible-ai/\"\u003EResponsible AI-Programm von Snowflake\u003C/a\u003E hilft dabei, ethische Verpflichtungen in der gesamten KI-Entwicklung von Snowflake zu operationalisieren, und bietet Muster, die Kund:innen auf ihre eigenen KI-Workloads anwenden können. In Snowflake verknüpfen diese Muster abstrakte Ethikprinzipien direkt mit konkreter Governance, lückenloser Dokumentation und automatisierten Runtime Controls.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/blog/snowflake-cortex-ai-cortex-guard-llm-safeguards/\"\u003ECortex Guard\u003C/a\u003E unterstützt Teams gezielt dabei, Sicherheitskontrollen auf LLM-Outputs anzuwenden — unter anderem durch das präzise Filtern unsicherer oder schädlicher Modellantworten. Cortex AI Guardrails sollen dabei helfen, die Risiken im Zusammenhang mit Prompt-Injection- und Jailbreak-Angriffen in unterstützten Kontexten zu reduzieren.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E bietet den Governance-Kontext für KI-Workloads. Er unterstützt Teams dabei, Datenbestände zu verwalten und transparent nachzuvollziehen — einschließlich Lineage, Tags, Masking Policies und der Klassifizierung sensibler Daten. Er bietet Kontext und Governance für KI, einschließlich Data Classification für sensible Daten, Richtlinien für Tag-based Masking und Access History für Auditing-Zwecke.\u003C/p\u003E\r\n\u003Cp\u003EDie Snowflake Model Registry unterstützt Transparenz und Verantwortlichkeit, indem sie Teams hilft, Modelle und deren Metadaten in Snowflake zu verwalten. Model Owners können Versionen, Artefakte und Metadaten autonom verwalten, während das Snowflake-UI die spezifischen Metadaten der Modellversionen, wie beispielsweise Evaluierungsmetriken, übersichtlich darstellt\u003C/p\u003E\r\n\u003Cp\u003EEthikprinzipien lassen sich leichter konsistent anwenden, wenn die Plattform die relevanten Daten bereitstellen, Zugriffsrichtlinien durchsetzen, das Modellverhalten dokumentieren und einen Audit-Trail über alle KI-Workloads hinweg bieten kann. Die \u003Ca href=\"https://www.snowflake.com/en/blog/ISO-IEC-42001-AI-certification/\"\u003EISO/IEC 42001-Zertifizierung von Snowflake\u003C/a\u003E ist zudem ein externer Nachweis für die Einhaltung der neuen Erwartungen an die KI-Governance.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_making_ai_ethics_accountable":{"id":"title-v2-0447eb9922","additionalClasses":"anchor-title anchor-title--making-ai-ethics-accountable","type":"heading2","lines":["Verantwortlichkeit für KI-Ethik schaffen"],":type":"snowflake-site/components/title-v2"},"text_making_ai_ethics_accountable_0":{"id":"text-c0e041ea24","text":"\u003Cp\u003EFür Organisationen, die KI tief in ihre Produkte, operativen Abläufe und Entscheidungs-Workflows einbetten, sind Ethik und operative Umsetzung untrennbar miteinander verwoben. Sie muss bestimmen, welche Systeme vorangetrieben werden, welche menschliche Aufsicht erfordern, welche Risiken gemindert werden müssen und welche Aufzeichnungen vorhanden sein müssen, wenn Kund:innen, Aufsichtsbehörden oder interne Prüfer:innen fragen, wie eine Entscheidung getroffen wurde. Letztendlich wird die Glaubwürdigkeit von KI-Systemen nicht allein durch ihre Performance bestimmt, sondern durch die Integrität der dahinter stehenden Entscheidungen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_365208365":{"id":"text-ec9006b2cb","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EWICHTIGSTE ERKENNTNIS\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EKI-Ethik liefert die Prinzipien, die Unternehmen dabei helfen, zu bestimmen, wie KI eingesetzt werden soll, wem sie dienen soll und welche Risiken gemanagt werden müssen. Aber Prinzipien allein reichen nicht aus – der Aufbau vertrauenswürdiger KI erfordert, dass ethische Verpflichtungen in Governance, Aufsicht, Tests und Verantwortlichkeit über den gesamten KI-Lebenszyklus hinweg umgesetzt werden.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"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",":itemsOrder":["container"],":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"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"},"id":"container-b252dbe38d",":type":"snowflake-site/components/container",":itemsOrder":["text_943981956_copy_","text_copy"],":items":{"text_943981956_copy_":{"id":"text-f388eb034e","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-ac49cb08dd","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-ai-ethics\"\u003EWas ist KI-Ethik?\u003C/li\u003E\n\u003Cli data-anchor=\"the-foundational-principles-of-ai-ethics\"\u003EDie Grundprinzipien der KI-Ethik\u003C/li\u003E\n\u003Cli data-anchor=\"modern-ai-specific-ethical-principles\"\u003EModerne, KI-spezifische Ethikprinzipien\u003C/li\u003E\n\u003Cli data-anchor=\"major-ai-ethics-frameworks\"\u003EWichtige KI-Ethik-Frameworks\u003C/li\u003E\n\u003Cli data-anchor=\"from-principles-to-practice\"\u003EVon Prinzipien zur Praxis\u003C/li\u003E\n\u003Cli data-anchor=\"ai-ethics-challenges\"\u003EHerausforderungen der KI-Ethik\u003C/li\u003E\n\u003Cli data-anchor=\"ai-ethics-on-snowflake\"\u003EKI-Ethik bei Snowflake\u003C/li\u003E\n\u003Cli data-anchor=\"making-ai-ethics-accountable\"\u003EVerantwortlichkeit für KI-Ethik schaffen\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-84a38303ce","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",":itemsOrder":["title_v2_copy","text_copy"],":items":{"title_v2_copy":{"id":"title-v2-81990e0b4b","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-9102938702","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufig gestellten Fragen zur KI-Ethik, beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["simple_snowflake_acc"],":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-cda41dca0c","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Warum ist KI-Ethik wichtig?","richText":"\u003Cp\u003EKI-Ethik ist von zentraler Bedeutung, da KI-Systeme weitreichende Entscheidungen in großem Maße beeinflussen — darunter Entscheidungen über Arbeitsplätze, Kreditvergaben, Gesundheitsversorgung, Meinungsäußerung, Bildung und öffentliche Dienste. Ethische Prinzipien bieten Unternehmen eine Möglichkeit, Schäden zu identifizieren, Einschränkungen zu definieren und Verantwortung zuzuweisen, bevor Systeme in der Produktion Auswirkungen auf Menschen haben.\u003C/p\u003E\r\n"},{"title":"Was sind die Kernprinzipien der KI-Ethik?","richText":"\u003Cp\u003EZu den Hauptprinzipien der KI-Ethik gehören Autonomie, Fürsorge, Schadensvermeidung, Gerechtigkeit und Erklärbarkeit. Moderne Frameworks für KI-Ethik betonen zudem Fairness, Transparenz, Verantwortlichkeit, Datenschutz, Sicherheit, Robustheit und Anfechtbarkeit.\u003C/p\u003E\r\n"},{"title":"Ist KI-Ethik dasselbe wie Verantwortungsvolle KI?","richText":"\u003Cp\u003ENein. KI-Ethik definiert die Prinzipien, die KI-Systeme leiten sollten. Verantwortungsvolle KI ist das Betriebsmodell, das diese Prinzipien durch Impact Assessments, Dokumentation, Tests, Überwachung, Überprüfungsprozesse und Schadensbehebung in die Praxis umsetzt.\u003C/p\u003E\r\n"},{"title":"Ist KI-Ethik gesetzlich vorgeschrieben?","richText":"\u003Cp\u003ERein begrifflich ist KI-Ethik in der Regel keine eigenständige gesetzliche Anforderung. Viele Ethikprinzipien spiegeln sich jedoch zunehmend in verbindlichen Gesetzen und Vorschriften wider, darunter der EU AI Act, die DSGVO und branchenspezifische Regeln zu Datenschutz, Diskriminierung, Sicherheit und Verantwortlichkeit\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-53c75ed4fd","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-9ec9e7b967",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["title_v2"],":items":{"title_v2":{"id":"title-v2-0dfbe3d068","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-2304e563e9","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","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",":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"],":items":{"resource_chip_0":{"id":"content-chip-a053839058","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",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title-v2-f5f8122c31","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-f85c35040b","tagText":"E-BOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/ebook/building-the-interoperable-lakehouse-data-strategies-for-ai-leaders/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"E-Book lesen"},"headline":{"id":"title-v2-80d306f6aa","type":"heading5","lines":["Aufbau eines interoperablen Lakehouse: Datenstrategien für KI-Führungskräfte"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-ce5c1ce0b8","tagText":"WHITEPAPER","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/from-prompt-to-purpose-unlocking-business-value-with-agentic-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"E-Book lesen"},"headline":{"id":"title-v2-ec3d2c2f83","type":"heading5","lines":["Vom Prompt zum Ziel: Unternehmerischen Mehrwert mit Agentic AI erschließen"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-6f290297e5","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/redefining-data-engineering-in-the-age-of-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"E-Book lesen"},"headline":{"id":"title-v2-2976842300","type":"heading5","lines":["Redefining Data Engineering in the Age of AI"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-439fb3ba49","propertiesId":"hub-explore-topics-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-ef320ef3c3",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["title_v2_copy_copy","text_copy_copy"],":items":{"title_v2_copy_copy":{"id":"title-v2-6e9d338152","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-dece788320","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EDetaillierte Einblicke in jeden Aspekt der künstlichen Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-4c59b9c9c8","propertiesId":"hub-explore-topics-grid","type":"3-column-even","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":"container-7887b6f927",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["topic_card_0"],":items":{"topic_card_0":{"id":"card-v2-77b43ede89","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Transparenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EKI-Transparenz macht KI-Systeme verständlich, indem ihr Zweck, ihre Eingaben, ihre Einschränkungen und ihr Verhalten dokumentiert werden.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}}},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-920a8c784c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["topic_card_1"],":items":{"topic_card_1":{"id":"card-v2-2bb9bde3d3","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Algorithmic Bias"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EWie Bias in KI-Modellen und Entscheidungssystemen entsteht und welche Methoden zu seiner Erkennung, Messung und Reduzierung eingesetzt werden.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}}},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-8770ee1242",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["topic_card_2"],":items":{"topic_card_2":{"id":"card-v2-03fb3b2e5c","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Verantwortungsvolle KI"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EStellen Sie sicher, dass KI-Systeme fair, rechenschaftspflichtig und sicher sind und mit den Unternehmenswerten und -vorschriften übereinstimmen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-4ef901dba7",":type":"snowflake-site/components/modal/modal-container",":itemsOrder":[],":items":{}},"markup_editor_928258845":{"id":"markup-editor-cb9adacd8b","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}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-d070af0a68","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}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-f84e39fa6d","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);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-26ddc9bf60","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?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-ethics"},"experiencefragment":{"id":"experiencefragment-6830bd96c2","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?callerPage=/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-ethics"}},":type":"wcm/foundation/components/responsivegrid"}},":hierarchyType":"page",":path":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-ethics","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"pipeline":"snowflake.com","searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d"},"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-ethics","language":"de","category":"general","pageName":"KI-Ethik: Die Prinzipien für die Entwicklung von Responsible AI","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"de"}