{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"de","description":"Anforderungen an KI-Transparenz: von Modellkarten bis Audit-Logs. Wie Unternehmen KI-Systeme verständlicher und nachvollziehbarer machen.","title":"Was ist KI-Transparenz? Anforderungen und Best Practices | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/de/artificial-intelligence/ai-governance/ai-transparency/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":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"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-dacb359126","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-transparency"},"experiencefragment-header":{"id":"experiencefragment-1c0e1dee83","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-transparency"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"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_topics_row2":"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","flexible_column_cont_topics_row3":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont_939100716":{"id":"flexible-column-container-817978c752","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-0e0d92d523",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-e5127ec6bb","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-1a6bf3fc91",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-151feb6798","items":[{"id":"breadcrumb-151feb6798-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-151feb6798-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-151feb6798-item-75d5de9492","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/ai-transparency/"},"active":true,"current":true,"title":"KI-Transparenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"title_v2":{"id":"title-v2-4f7b4c50f8","additionalClasses":"hub-hero__headline","type":"heading1","lines":["KI-Transparenz: Was sie bedeutet und was sie erfordert"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-5feca2d896","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EKI-Transparenz macht KI-Systeme verständlich, indem ihr Zweck, ihre Eingaben, ihre Einschränkungen sowie ihr Verhalten dokumentiert. Dieser Leitfaden behandelt Transparenzanforderungen von Modellkarten bis hin zu Audit-Logs, regulatorische Anforderungen (EU AI Act, NIST AI RMF), Ansätze zur Operationalisierung und wie Snowflake verknüpfte Datensätze für Offenlegung und Überprüfbarkeit bereitstellt.\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,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-33e73afceb",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-e870bc8b12","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Laurie MacPherson","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-00692810f1","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","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Gulnaz Sharipova","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_copy","content_chip"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["flexible_column_cont","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-67f3517e02",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-99795845c9","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"]},":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-df262fc4e6","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-a302afc112",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-425eb8999a","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThemen rund um KI-Governance:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-addf39cc00","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-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/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_894059747","text"]},":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-105a38a6e4","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",":items":{"text":{"id":"text-8f8b79fa8a","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EKI-TRANSPARENZ DEFINIERT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EKI-Transparenz bedeutet, den Zweck, die Eingaben, die Einschränkungen, das Verhalten und die Governance-Aufzeichnungen eines KI-Systems für Entwickler, Anwender und Kontrollinstanzen nachvollziehbar und verständlich aufzubereiten.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-6282216667","text":"\u003Cp\u003EKI-Transparenz wird oft als Problem der Modellkomplexität betrachtet – das Black-Box-Szenario, bei dem hinterfragt wird, ob sich die internen Mechanismen eines Modells überhaupt jemals entschlüsseln lassen. Aber die Transparenzmängel, die in Unternehmen die größten Probleme verursachen, sind selten so komplex. Sie treten auf, wenn ein Team nicht identifizieren kann, welche Modellversion in der Produktion ausgeführt wird, wenn die Herkunft der Trainingsdaten nicht dokumentiert wurde oder wenn ein Incident-Response-Team nicht rekonstruieren kann, was passiert ist, weil nie Aufzeichnungen geführt wurden.\u003C/p\u003E\n\u003Cp\u003EDie Lösung von Transparenzproblemen erfordert, dass die Dokumentation an die Systeme selbst angehängt wird: eine Modellkarte, die den vorgesehenen Verwendungszweck und die bekannten Einschränkungen des Modells benennt, ein Data Sheet, das erklärt, woher die Trainingsdaten stammen und welche Lücken verbleiben, ein System-Prompt oder eine Guardrail-Aufzeichnung, die zeigt, wie eine generative Anwendung angewiesen wurde, sich zu verhalten, und ein Audit-Log, das aufzeichnet, welche:r Nutzer:in, welcher Dienst oder welche Anwendung zur Laufzeit auf welche Daten, welchen Prompt oder welche Ausgabe zugegriffen hat.\u003C/p\u003E\n\u003Cp\u003EKI-Transparenz erfordert nicht, dass jede:r Nutzer:in jeden Parameter, jedes Embedding oder jede Feature-Interaktion versteht – aber sie erfordert genügend Kontext für Entwickler:innen, Business-Owner:innen, Aufsichtsbehörden und betroffene Nutzer:innen, um zu verstehen, was ein KI-System tun soll, wie es entwickelt wurde, wann es nicht verwendet werden sollte und welche Beweise vorliegen, wenn etwas schiefgeht.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-transparency":{"id":"title-v2-42d0091385","additionalClasses":"anchor-title anchor-title--what-is-ai-transparency","type":"heading2","lines":["Was ist KI-Transparenz?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-transparency_0":{"id":"text-e0108a471c","text":"\u003Cp\u003EKI-Transparenz ist der Grad, in dem die Eingaben, die Mechanismen, der vorgesehene Verwendungszweck und die Einschränkungen eines Systems der \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/\"\u003Ekünstlichen Intelligenz\u003C/a\u003E für die davon betroffenen Personen – einschließlich Entwickler:innen, Nutzer:innen, Aufsichtsbehörden und der Öffentlichkeit – verständlich und zugänglich sind.\u003C/p\u003E\n\u003Cp\u003EIn der Praxis ist Transparenz eine Disziplin auf Systemebene. Sie beantwortet Fragen wie: Was ist dieses System? Welches Modell verwendet es? Welche Daten haben es geprägt? Für welche Aufgabe ist es konzipiert? Welche Verwendungszwecke liegen außerhalb des Anwendungsbereichs? Welche Hinweise sollten Nutzer:innen sehen, bevor sie sich auf dessen Ausgabe verlassen? Welche Aufzeichnungen existieren, wenn ein:e Prüfer:in, ein Steward oder ein Incident-Response-Team rekonstruieren muss, was passiert ist?\u003C/p\u003E\n\u003Cp\u003EKI-Transparenz unterscheidet sich von Erklärbarkeit. Erklärbarkeit setzt in der Regel auf der Entscheidungsebene an: Warum hat dieses Modell diesen Score, dieses Ranking, diese Klassifizierung oder diese Antwort generiert? Transparenz setzt eine Ebene höher an. Sie beschreibt den Zweck, den Designkontext, die Dokumentation, das Laufzeitverhalten und die Governance-Grenzen des Systems.\u003C/p\u003E\n\u003Cp\u003EEin transparentes KI-System umfasst in der Regel Artefakte wie Modellkarten, Data Sheets, Dokumentationen von System-Prompts, Erklärungen zum vorgesehenen Verwendungszweck, Erklärungen zu nicht vorgesehenen Verwendungszwecken, Offenlegungshinweise, Audit-Logs und Lineage-Aufzeichnungen. Zusammen helfen diese Artefakte den Teams, sowohl das KI-System als auch die Bedingungen zu verstehen, unter denen seinen Outputs vertraut werden kann.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-ai-transparency-matters":{"id":"title-v2-8831c5bfce","additionalClasses":"anchor-title anchor-title--why-ai-transparency-matters","type":"heading2","lines":["Warum KI-Transparenz wichtig ist"],":type":"snowflake-site/components/title-v2"},"text_why-ai-transparency-matters_0":{"id":"text-2eaf3989ca","text":"\u003Cp\u003EKI-Transparenz ist wichtig, da KI-Systeme zunehmend an Entscheidungen, Workflows und Interaktionen beteiligt sind, bei denen die betroffene Person möglicherweise nicht diejenige ist, die das System entwickelt hat.\u003C/p\u003E\r\n\u003Cp\u003EDurch Vorschriften wird es immer schwieriger, diesen Kontext als optional zu betrachten. Gemäß dem \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://artificialintelligenceact.eu/\"\u003EEU AI Act\u003C/a\u003E schreibt Artikel 13 vor, dass Hochrisiko-KI-Systeme so konzipiert und entwickelt werden müssen, dass Betreiber die Outputs interpretieren und das System angemessen nutzen können, einschließlich Gebrauchsanweisungen, die die Fähigkeiten, Einschränkungen und die erwartete Genauigkeit des Systems umfassen. Artikel 50 legt Transparenzpflichten für bestimmte KI-Systeme fest, einschließlich der Anforderung, Personen in bestimmten Kontexten darüber zu informieren, dass sie mit KI-Systemen interagieren, sowie bestimmte synthetische oder manipulierte Inhalte offenzulegen oder zu kennzeichnen.\u003C/p\u003E\r\n\u003Cp\u003EIn Deutschland hat das Bundesamt für Sicherheit in der Informationstechnik (BSI) im Jahr 2024 ein \u003Ca href=\"https://www.bsi.bund.de/DE/Service-Navi/Presse/Alle-Meldungen-News/Meldungen/Whitepapier_KI-Systeme_240805.html\"\u003EWhitepaper zur Transparenz von KI-Systemen\u003C/a\u003E veröffentlicht, das Unternehmen einen praxisorientierten Rahmen für die Umsetzung von Transparenzanforderungen bietet.\u003C/p\u003E\r\n\u003Cp\u003EFür Anbieter von KI-Modellen mit allgemeinem Verwendungszweck führt der \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E ebenfalls Dokumentationspflichten ein. Artikel 53 enthält Anforderungen zur Pflege technischer Dokumentationen und zur Bereitstellung von Informationen für nachgelagerte Anbieter, während die \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://digital-strategy.ec.europa.eu/en/faqs/general-purpose-ai-models-ai-act-questions-answers\"\u003EMaterialien der Europäischen Kommission\u003C/a\u003E eine öffentliche Zusammenfassung der Trainingsinhalte für KI-Modelle mit allgemeinem Verwendungszweck beschreiben.\u003C/p\u003E\r\n\u003Cp\u003ETransparenz ist jedoch nicht nur eine Compliance-Aufgabe. Sie ist auch der Weg, wie Unternehmen KI in der Produktion nutzbar machen. Ein Vertriebsteam wird beispielsweise ein Empfehlungssystem eher nutzen, wenn es den Umfang und die Grenzen des Systems versteht. Ein Risk-Team kann schneller reagieren, wenn es einen unerwarteten Output auf eine Modellversion, eine Prompt-Vorlage, eine Datenquelle oder eine Richtlinienänderung zurückführen kann. Ein Data-Science-Team kann ein Modell sicherer verbessern, wenn es die aktuelle Performance mit den beim Release festgehaltenen Annahmen vergleichen kann.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_9978331":{"id":"text-91ce3b8c75","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EHÄUFIGER FALLSTRICK\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ETransparenz sollte nicht als statische Dokumentation behandelt werden. Dokumentation kann schnell an Wert verlieren, wenn sie nicht mit sich ändernden Modellversionen, Prompts, Retrieval-Quellen, Guardrails und Laufzeitprotokollen verknüpft ist.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_what-transparency-looks-like-in-practice":{"id":"title-v2-cac0185d03","additionalClasses":"anchor-title anchor-title--what-transparency-looks-like-in-practice","type":"heading2","lines":["Wie Transparenz in der Praxis aussieht"],":type":"snowflake-site/components/title-v2"},"text_what-transparency-looks-like-in-practice_0":{"id":"text-2d3e7261fb","text":"\u003Cp\u003EKI-Transparenz zeigt sich in der Praxis in Form konkreter Artefakte, die mit Modellen, Datasets, Prompts, Anwendungen und Laufzeitereignissen verknüpft sind. Das eigentliche Ziel ist Verständlichkeit: Es muss genau so viel Kontext bereitgestellt werden, dass die zuständige Person das System vor dem Deployment fundiert bewerten, es im jeweiligen Kontext sachgemäß anwenden und im Nachgang detailliert analysieren kann.\u003C/p\u003E\r\n\u003Cp\u003EDiese Artefakte bilden auch das operative Rückgrat von \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/responsible-ai/\"\u003EVerantwortungsvolle KI\u003C/a\u003E. Prinzipien wie Fairness, Sicherheit und Verantwortlichkeit sind auf Dokumentation, Offenlegung und Überprüfbarkeit angewiesen, um in der Praxis durchgesetzt zu werden. Ohne diese Aufzeichnungen bleibt Responsible AI eher ein erstrebenswertes Ziel als in der Praxis umsetzbar.\u003C/p\u003E\r\n\u003Ch3\u003EModellkarten\u003C/h3\u003E\r\n\u003Cp\u003EEine Modellkarte ist ein strukturiertes Dokument, das den bestimmungsgemäßen Gebrauch, den Trainingskontext, die Performance-Eigenschaften, die Einschränkungen und die Fairness-Überlegungen eines Modells beschreibt. Das ursprüngliche Modellkarten-Framework wurde vorgeschlagen, um ein transparentes Modell-Reporting zu unterstützen, insbesondere für Systeme in Bereichen mit großen Auswirkungen, in denen die aggregierte Genauigkeit eine ungleiche Performance über Gruppen oder Kontexte hinweg verschleiern kann.\u003C/p\u003E\r\n\u003Cp\u003EFür KI-Teams in Unternehmen ist eine Modellkarte oft das grundlegende Mindesttransparenz-Artefakt. Sie sollte das Modell, die Modellversion, den Eigentümer, den vorgesehenen Verwendungszweck, nicht vorgesehene Verwendungszwecke, Bewertungsmetriken, Testdaten, bekannte Einschränkungen, den Genehmigungsstatus und die Erwartungen an das Monitoring benennen. Bei \u003Ca href=\"https://www.snowflake.com/de/fundamentals/generative-ai-architecture-models-applications/\"\u003Egenerativer KI\u003C/a\u003E kann sie auch Informationen über die Prompting-Strategie, den Retrieval-Kontext, Sicherheitsbewertungen und erwartete Fehlermodi enthalten.\u003C/p\u003E\r\n\u003Cp\u003EEine nützliche Modellkarte muss keine proprietären Implementierungsdetails preisgeben, sollte aber Entwickler:innen, Prüfer:innen und nachgelagerten Teams genügend Kontext bieten, um zu entscheiden, ob das Modell für einen bestimmten Workload geeignet ist.\u003C/p\u003E\r\n\u003Ch3\u003EData Sheets für Datasets\u003C/h3\u003E\r\n\u003Cp\u003EDas Verhalten eines Modells hängt von den Daten ab, die es geprägt haben. Data Sheets für Datasets dokumentieren die Herkunft, Zusammensetzung, den Erfassungsprozess, die Vorverarbeitungsschritte, empfohlene Verwendungszwecke und bekannte Einschränkungen eines Datasets. Das Dieses Konzept wurde entwickelt, um die Kommunikation zwischen den Ersteller:innen und den Konsument:innen von Datasets zu verbessern, insbesondere wenn Daten später außerhalb ihres ursprünglichen Erfassungskontexts wiederverwendet werden könnten.\u003C/p\u003E\r\n\u003Cp\u003EIn \u003Ca href=\"https://www.snowflake.com/en/data-governance/ai/\"\u003EKI-Data-Governance\u003C/a\u003E- und Transparenzprogrammen helfen Data Sheets bei der Beantwortung von Fragen, die eine Modelldokumentation allein nicht beantworten kann: Umfassten die Trainingsdaten die für die aktuelle Bereitstellung relevanten Bevölkerungsgruppen, geografischen Regionen oder Zeiträume? Wurden sensible Attribute entfernt, transformiert oder für die Auswertung verwendet? Wurden Labels von Menschen, einem anderen Modell oder einem Drittanbieter erstellt? Welche Vorverarbeitungsschritte haben die Originaldaten verändert?\u003C/p\u003E\r\n\u003Cp\u003ESolche Details sind von zentraler Bedeutung, sobald ein Modell teamübergreifend wiederverwendet wird — etwa wenn eine Datentabelle für ein neues Feature umgewidmet wird, die Owner einer Datenquelle wechseln oder ein Datenfeld, das ursprünglich als solider Proxy diente, nicht mehr mit dem eigentlich zu repräsentierenden Geschäftskonzept übereinstimmt. Ohne eine Dataset-Dokumentation fallen solche Verschiebungen oft erst auf, wenn sich die Performance verschlechtert oder ein:e Nutzer:in einen Output infrage stellt.\u003C/p\u003E\r\n\u003Ch3\u003EDokumentation von System-Prompts und Guardrails\u003C/h3\u003E\r\n\u003Cp\u003EBei der Governance für generative KI hängt die Transparenz auch vom Application Layer rund um das Modell ab. Ein System-Prompt kann die Rolle des Assistenten, den Antwortstil, das Retrieval-Verhalten, Ablehnungsregeln, den Eskalationspfad und Einschränkungen bei der Tool-Nutzung definieren. Guardrails können definieren, was das System blockieren, schwärzen, zur Überprüfung weiterleiten oder für Audits protokollieren soll.\u003C/p\u003E\r\n\u003Cp\u003EDie Dokumentation dieser Kontrollen hilft Teams, zwischen Modellverhalten und Anwendungsverhalten zu unterscheiden. Wenn ein Kundensupport-Assistent eine Antwort gibt, die nicht den Richtlinien entspricht, kann das Problem im Basismodell, in der Retrieval-Quelle, im System-Prompt, in der Guardrail-Konfiguration oder in der Orchestrierungslogik liegen, die ein Tool ausgewählt hat. Ein Transparenznachweis sollte diese Schichten für eine Überprüfung ausreichend sichtbar machen.\u003C/p\u003E\r\n\u003Cp\u003EAuch Offenlegungspflichten greifen direkt auf dieser Anwendungsebene. Ein an die Nutzer:innen gerichteter Hinweis sollte das Verhalten des Systems verdeutlichen, bevor sich jemand darauf verlässt: Dazu gehört auch die Information, ob sie mit KI interagieren, ob Inhalte KI-generiert sind, ob sensible Features verwendet werden oder ob ein menschlicher Überprüfungspfad verfügbar ist.\u003C/p\u003E\r\n\u003Ch3\u003ENutzerorientierte Offenlegungen\u003C/h3\u003E\r\n\u003Cp\u003EEinige Transparenz-Artefakte sind intern, während andere die Nutzer:innen erreichen müssen. Eine Offenlegung kann Nutzer:innen darüber informieren, dass sie mit einem Chatbot interagieren, dass ein Bild oder Video durch KI generiert oder verändert wurde oder dass ein System Emotionserkennung oder biometrische Kategorisierung nutzt.\u003C/p\u003E\r\n\u003Cp\u003EBei generierten Medien kann eine sichtbare Kennzeichnung mit einer maschinenlesbaren Herkunftsnachverfolgung kombiniert werden. Die Coalition for Content Provenance and Authenticity (\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://c2pa.org/\"\u003EC2PA\u003C/a\u003E) bietet einen offenen technischen Standard zur Feststellung der Herkunft und des Bearbeitungsverlaufs digitaler Inhalte, und ihr \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://spec.c2pa.org/specifications/specifications/2.4/explainer/Explainer.html\"\u003EContent Credentials\u003C/a\u003E-Ansatz speichert diese Herkunftsdaten in einer kryptografisch abgesicherten Struktur.\u003C/p\u003E\r\n\u003Cp\u003EOffenlegungen sollten von vornherein in das System integriert und nicht erst am Ende hinzugefügt werden. Die Offenlegung eines Chatbots, die Kennzeichnung synthetischer Inhalte und der Hinweis auf eine risikoreiche Entscheidung richten sich jeweils an eine andere Zielgruppe und sollten in dem Moment erscheinen, in dem die Information die Interpretation des Systems durch die Nutzer:innen verändert.\u003C/p\u003E\r\n\u003Ch3\u003EZusammenfassungen von Trainingsdaten\u003C/h3\u003E\r\n\u003Cp\u003EDie Transparenz von Trainingsdaten wird für Anbieter von Allzweck-KI-Modellen zunehmend formalisiert. Der EU AI Act verpflichtet Anbieter von General-Purpose-KI-Modellen zur Führung einer technischen Dokumentation, und die Europäische Kommission hat in Artikel 53 eine öffentliche Zusammenfassung der Trainingsinhalte für diese Modelle beschrieben.\u003C/p\u003E\r\n\u003Cp\u003EFür Unternehmen, die Foundation-Modelle von Drittanbietern nutzen, entsteht dadurch ein nachgelagertes Beschaffungs- und Governance-Problem. Teams haben möglicherweise keinen direkten Zugriff auf die vollständigen Trainingsdaten, können aber im Rahmen der Anbieterprüfung vom Anbieter bereitgestellte Dokumentationen, Zusammenfassungen, Richtlinien zur zulässigen Nutzung, Erklärungen zu bekannten Einschränkungen und Update-Benachrichtigungen verlangen.\u003C/p\u003E\r\n\u003Cp\u003EDas gleiche Prinzip gilt für intern entwickelte Modelle. Eine Zusammenfassung der Trainingsdaten sollte Datenkategorien, Quellsysteme, Erfassungszeiträume, Vorverarbeitungsschritte, Ausschlüsse, bekannte Lücken sowie relevante Rechte oder Einschränkungen auflisten.\u003C/p\u003E\r\n\u003Ch3\u003EAudit-Logs und Access History\u003C/h3\u003E\r\n\u003Cp\u003EDie Dokumentation hält die Designabsicht fest. Ein Audit-Trail zeichnet auf, was das System tatsächlich getan hat: Modellversionen, Prompt- und Antwort-Paare, Tool-Aufrufe, Retrieval-Quellen, Nutzerzugriffe, Richtlinienentscheidungen und Datenbewegungen. Bei der Reaktion auf Vorfälle kann dieser Laufzeitdatensatz den Unterschied zwischen einer vagen Vermutung und einer spezifischen Rekonstruktion ausmachen – welche Modellversion ausgeführt wurde, welcher Kontext abgerufen wurde, welche Richtlinie angewendet wurde, welche Nutzer:innen auf welche Ausgabe zugegriffen haben und welche nachgelagerte Anwendung sie verarbeitet hat.\u003C/p\u003E\r\n\u003Cp\u003EIn Snowflake kann beispielsweise die \u003Ca href=\"https://docs.snowflake.com/en/sql-reference/account-usage/access_history\"\u003EAnsicht ACCESS_HISTORY\u003C/a\u003E verwendet werden, um die Access History für Snowflake-Objekte – einschließlich Tabellen, Ansichten und Spalten – innerhalb eines Zeitraums von 365 Tagen abzufragen. Die Lineage-Funktionen von Snowflake speichern den Lineage-Verlauf von Objekten und Spalten für ein Jahr. Diese Aufzeichnungen ersetzen nicht die Modelldokumentation, aber sie liefern Governance- und Sicherheitsteams Nachweise, die sie überprüfen können, wenn ein KI-Workload geregelte Daten verwendet.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_478476658":{"id":"text-f567824788","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EKURZER TIPP\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EHängen Sie Transparenz-Artefakte direkt an die Objekte an, die Teams bereits verwalten, wie z. B. Modellversionen, Trainingsdatensätze, System-Prompts, Zugriffsrichtlinien, Lineage-Datensätze und Audit-Logs.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_v2":{"id":"title-v2-bb6ba33c72","additionalClasses":"anchor-title anchor-title--ai-transparency-vs-explainability-vs-traceability","type":"heading2","lines":["KI-Transparenz vs. Erklärbarkeit vs. Traceability"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_ai-transparency-vs-explainability-vs-traceability_0":{"id":"text-afe6f4c88e","text":"\u003Cp\u003E\u003Cu\u003E\u003C/u\u003EKI-Transparenz, Erklärbarkeit und Traceability überschneiden sich, sind aber nicht austauschbar.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cb\u003ETransparenz\u003C/b\u003E steht für die nutzerseitige Offenlegung auf Systemebene. Sie beschreibt den Zweck, die Eigentümer:innen, die beabsichtigte Nutzung, die Grenzen, die Dokumentation und die an Nutzer:innen gerichteten Hinweise des KI-Systems. Eine Modellkarte, ein Data Sheet, eine Zusammenfassung der Trainingsdaten und die Offenlegung eines Chatbots sind allesamt Transparenz-Artefakte. Sie helfen Anwendern dabei, die Natur des Systems und dessen bestimmungsgemäße Nutzung zu verstehen.\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003EErklärbarkeit\u003C/b\u003E ist die Begründung auf Entscheidungsebene. Sie hilft dabei zu verstehen, warum ein Modell eine bestimmte Ausgabe, einen bestimmten Score oder eine bestimmte Empfehlung generiert hat. Bei einem prädiktiven Modell kann die Erklärbarkeit Feature-Attribution, kontrafaktische Beispiele oder Post-hoc-Erklärungsmethoden umfassen. In einem generativen KI-System kann sie abgerufenen Kontext, zitierte Quellen, Prompt-Traces oder Zusammenfassungen der Schlussfolgerungen umfassen, die Prüfer:innen dabei helfen zu bewerten, wie die Antwort generiert wurde.\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003ETraceability\u003C/a\u003E\u003C/b\u003E ist die Lineage von den Daten über das Modell bis zur Ausgabe. Sie verbindet ein Feature mit einer Quellspalte, eine Modellversion mit einem Trainingslauf, eine Prompt-Antwort mit einem Retrieval Set oder eine generierte Empfehlung mit dem Workflow, der sie verarbeitet hat. Nachvollziehbarkeit ist wichtig, da Transparenz ohne Laufzeitnachweise zu einer statischen Dokumentation werden kann, während Erklärbarkeit ohne Lineage eine Ausgabe begründen kann, ohne festzustellen, ob die zugrunde liegenden Daten angemessen waren.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EEin ausgereiftes \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/\"\u003EKI-Governance\u003C/a\u003E-Programm benötigt alle drei. Transparenz beschreibt, was das System ist und wie es genutzt werden sollte. Erklärbarkeit behandelt die Frage, warum bestimmte Ausgaben generiert wurden. Nachvollziehbarkeit führt diese Ausgaben auf die Daten, Modellversionen und Prompt-Konfigurationen zurück, die sie geprägt haben – und wird unerlässlich, wenn eine Ausgabe rekonstruiert oder angefochten werden muss.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1870354977":{"id":"title-v2-97aed30577","additionalClasses":"anchor-title anchor-title--common-transparency-gaps-and-how-to-close-them","type":"heading2","lines":["Häufige Transparenzlücken und wie man sie schließt"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_118447583":{"id":"text-cb0f38945d","text":"\u003Cp\u003EDie häufigsten Lücken in der KI-Transparenz entstehen, wenn sich Modelle, Datenstrukturen und Applikationen schneller weiterentwickeln als die sie umschließenden Dokumentations- und Governance-Prozesse.\u003C/p\u003E\r\n\u003Ctable\u003E\r\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003ETransparenzlücke\u003C/th\u003E\r\n\u003Cth\u003EWie sie aussieht\u003C/th\u003E\r\n\u003Cth\u003EWie man sie schließt\u003C/th\u003E\r\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003ENutzung von Foundation-Modellen ohne herstellerseitige Dokumentation\u003C/b\u003E\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003E\u003Ci\u003E\u003C/i\u003ETeams implementieren ein Modell über eine API oder eine eingebettete Anwendung, verfügen jedoch nur über begrenzte Informationen zu Trainingskontext, Evaluierung, beabsichtigter Nutzung oder Einschränkungen.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003EFordern Sie Modellkarten, Zusammenfassungen der Trainingsdaten, Richtlinien zur zulässigen Nutzung, Evaluierungsergebnisse und Update-Benachrichtigungen vertraglich ein.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EGenerative Ausgaben ohne KI-Offenlegung\u003C/b\u003E\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003ENutzer:innen erhalten generierte Texte, Bilder, Zusammenfassungen oder Empfehlungen, ohne zu wissen, dass KI beteiligt war.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003EImplementieren Sie Kennzeichnungen auf Systemebene und sichtbare Offenlegungen gegenüber Nutzer:innen, wo relevant unterstützt durch eine maschinenlesbare Herkunftsnachverfolgung.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EBlack-Box-Scoring ohne nachvollziehbare Erklärbarkeit\u003C/b\u003E\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003EEin Score beeinflusst die Überprüfung, Priorisierung oder Weiterleitung, aber die Prüfer:innen können nicht erkennen, welche Faktoren die Ausgabe bestimmt haben.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003EFügen Sie Post-hoc-Erklärungsmethoden hinzu, dokumentieren Sie die Erklärungsmethode und protokollieren Sie Eingaben und Ausgaben neben jeder Entscheidung.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EUndurchsichtige Trainingsdaten-Pipelines\u003C/b\u003E\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003ETeams wissen, welches Modell in Produktion ist, aber nicht, welche Quelltabellen, Features, Transformationen oder Datenversionen es geprägt haben.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003EFühren Sie Tools für die Datenherkunft ein, die Features und Trainingsdaten bis zu den Quellsystemen, Eigentümer:innen und Aktualisierungsmustern zurückverfolgen.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EStatische Dokumentation, die vom Laufzeitverhalten abweicht\u003C/b\u003E\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cp\u003EEs existiert eine Model Card, aber Modellversionen, Prompts, Retrieval-Quellen oder Guardrails ändern sich ohne Überprüfung.\u003C/p\u003E\r\n\u003C/td\u003E\r\n\u003Ctd\u003EVerknüpfen Sie die Dokumentation mit Release-Workflows, Modellregistrierungen, Prompt-Management, Access History und Audit-Protokollen.\u003C/td\u003E\r\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\r\n\u003Cp\u003EEine systematische KI-Transparenz gelingt besser, wenn alle Transparenz-Artefakte – Modellkarten, Data Sheets, Prompt-Dokumentationen, Audit-Logs und Offenlegungshinweise – an einem zentralen Ort verwaltet werden. Einige Unternehmen bauen dazu ein internes KI-Transparenzregister auf, das Modellversionen und ihre zugehörigen Governance-Nachweise miteinander verbindet und so die Grundlage für eine prüfbare KI-Praxis schafft.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1205645823":{"id":"title-v2-92b19daf1b","additionalClasses":"anchor-title anchor-title--ai-transparency-on-snowflake","type":"heading2","lines":["KI-Transparenz bei Snowflake"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_870755485":{"id":"text-3420eddf8d","text":"\u003Cp\u003EKI-Transparenz hängt von Metadaten, Datenherkunft, Zugriffsprotokollen und Governance-Kontrollen ab, die nah an den Daten und Workloads bleiben, die sie beschreiben. Bei Snowflake unterstützen mehrere Funktionen diese Grundlage über die Modellentwicklung, den Zugriff auf kontrollierte Daten und die Laufzeitprüfung hinweg.\u003C/p\u003E\n\u003Cp\u003EDie Snowflake Model Registry speichert und verwaltet Modellversionen, Modellmetriken und Modell-Metadaten und unterstützt gleichzeitig das Modell-Lebenszyklusmanagement, Modellzugriffskontrollen und Performance-Monitoring durch Snowflake ML Observability. Die Registry ist ein praktischer Anker für die Dokumentation von Model Cards, da Modelleinträge Version, Metriken, Eigentümer:innen, Signaturen und die Metadaten erfassen können, die zur Dokumentation eines genehmigten Releases erforderlich sind.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E bietet Teams einen zentralen Ort, um Datenressourcen mit konsistenten Metadaten über Snowflake-Daten, Apache Iceberg-Daten, externe relationale Quellen und BI-Tools hinweg zu finden. Für die KI-Transparenz hilft der Katalogkontext den Teams zu erkennen, welche Datenprodukte genehmigt sind, wem sie gehören, wie sie klassifiziert sind und wie sie mit nachgelagerten KI-Workloads zusammenhängen.\u003C/p\u003E\n\u003Cp\u003EAccess History und Datenherkunft fügen die Laufzeit-Beweisebene hinzu. Access History kann zeigen, auf welche Snowflake-Objekte zugegriffen wurde, einschließlich Tabellen-, View- und Spaltenreferenzen, während die Datenherkunft Teams dabei hilft, Objekt- und Spaltenbeziehungen zu untersuchen.\u003C/p\u003E\n\u003Cp\u003EFür agentische und generative KI-Workloads erweitert das Laufzeit-Monitoring diese Beweise noch weiter. Snowflake Cortex Agents können detaillierte Traces von Konversationen für Auditing und Debugging protokollieren, einschließlich Konversationsverlauf, Planung, Tool-Auswahl, Ausführungsergebnissen und der Generierung der endgültigen Antwort. Die Dokumentation zu Snowflake Cortex AI Guardrails empfiehlt die Überprüfung von Guardrail-Protokollen, um Muster in markierten Prompts zu identifizieren.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://trust.snowflake.com/\"\u003EDas Compliance Center von Snowflake\u003C/a\u003E hilft Teams dabei, potenzielle Sicherheitsrisiken in Snowflake-Konten basierend auf Scanner-Ergebnissen und -Empfehlungen zu bewerten, zu überwachen und zu reduzieren. KI-Governance steht nicht losgelöst von Sicherheits-, Datenschutz- und Zugriffs-Governance. Dieselben Kontokontrollen, die Daten schützen, helfen dabei festzustellen, ob ein KI-Workload in einer geregelten Umgebung ausgeführt wird.\u003C/p\u003E\n\u003Cp\u003E\u003Ci\u003EErfahren Sie, was zwei Top-Führungskräfte von Snowflake, EVP of Product Christian Kleinerman und Principal Data Strategist Jennifer Belissent, über generative KI und Ethik zu sagen haben:\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-233685d368","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_v2_248983382":{"id":"title-v2-d83421915f","additionalClasses":"anchor-title anchor-title--make-ai-systems-legible-before-they-become-consequential","type":"heading2","lines":["Machen Sie KI-Systeme nachvollziehbar, bevor sie weitreichende Folgen haben"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_793426992":{"id":"text-cad37b5dbe","text":"\u003Cp\u003EKI-Transparenz lässt sich am einfachsten herstellen, bevor ein System weit verbreitet ist. Sobald ein Modell in einen Workflow eingebettet ist, ein Chatbot Kund:innen antwortet oder eine generierte Zusammenfassung eine Entscheidung beeinflusst, wird es schwieriger, fehlende Dokumentation zu rekonstruieren und ihr zu vertrauen.\u003C/p\u003E\n\u003Cp\u003EDer praktische Weg besteht darin, Transparenz an die Objekte zu knüpfen, die Teams bereits verwalten: die Modellversion, das Trainings-Dataset, den System-Prompt, die Zugriffsrichtlinie, die Lineage-Verbindung, der Offenlegungspunkt und das Audit-Log. Wenn diese Datensätze miteinander verbunden bleiben, sind die Beweise da, bevor sie benötigt werden – verfügbar für Entwickler:innen, die ein Release überprüfen, für Nutzer:innen, die sich auf eine Ausgabe verlassen, oder für ein Governance-Team, das das Verhalten des Systems erklärt.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2114659006":{"id":"text-11c613f35a","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EWICHTIGSTE ERKENNTNIS\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EBei der KI-Transparenz geht es weniger darum, jeden Modellparameter zu erklären, sondern vielmehr darum, das gesamte System nachvollziehbar zu machen: seinen Zweck, seine Daten, Grenzen, Offenlegungen, Datenherkunft und Audit-Beweise.\u003C/p\u003E\n\u003Cp\u003E \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["text","text_intro_0","title_what-is-ai-transparency","text_what-is-ai-transparency_0","title_why-ai-transparency-matters","text_why-ai-transparency-matters_0","text_9978331","title_what-transparency-looks-like-in-practice","text_what-transparency-looks-like-in-practice_0","text_478476658","title_v2","text_ai-transparency-vs-explainability-vs-traceability_0","title_v2_1870354977","text_118447583","title_v2_1205645823","text_870755485","youtube","title_v2_248983382","text_793426992","text_2114659006"],"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",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-5b2e8fd80e",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-8a319568af","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-33100fd882","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-ai-transparency\"\u003EWas ist KI-Transparenz?\u003C/li\u003E\n\u003Cli data-anchor=\"why-ai-transparency-matters\"\u003EWarum KI-Transparenz wichtig ist\u003C/li\u003E\n\u003Cli data-anchor=\"what-transparency-looks-like-in-practice\"\u003EWie Transparenz in der Praxis aussieht\u003C/li\u003E\n\u003Cli data-anchor=\"ai-transparency-vs-explainability-vs-traceability\"\u003EKI-Transparenz vs. Erklärbarkeit vs. Traceability\u003C/li\u003E\n\u003Cli data-anchor=\"common-transparency-gaps-and-how-to-close-them\"\u003EHäufige Transparenzlücken und wie man sie schließt\u003C/li\u003E\n\u003Cli data-anchor=\"ai-transparency-on-snowflake\"\u003EKI-Transparenz bei Snowflake\u003C/li\u003E\n\u003Cli data-anchor=\"make-ai-systems-legible-before-they-become-consequential\"\u003EMachen Sie KI-Systeme nachvollziehbar, bevor sie weitreichende Folgen haben\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"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-fdcf84ab36","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",":items":{"title_v2_copy":{"id":"title-v2-3851033651","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-f50734a2bd","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigen Fragen zur KI-Transparenz, beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"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",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-40c2d38a4a","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Was bedeutet KI-Transparenz?","richText":"\u003Cp\u003EKI-Transparenz bedeutet, dass Stakeholder verstehen können, was ein KI-System tut, wie es entwickelt wurde, welche Daten oder welcher Modellkontext es geprägt haben und wo es eingesetzt werden sollte oder nicht. In der Praxis erfordert dies in der Regel Dokumentation, Offenlegung, Datenherkunft, Protokolle und Governance-Kontrollen.\u003C/p\u003E"},{"title":"Ist KI-Transparenz gesetzlich vorgeschrieben?","richText":"\u003Cp\u003EJa, in vielen Kontexten. Der EU AI Act enthält Transparenzpflichten für Hochrisiko-KI-Systeme gemäß Artikel 13, nutzerbezogene Pflichten für bestimmte KI-Systeme gemäß Artikel 50 und Dokumentationspflichten für Anbieter von Allzweck-KI-Modellen gemäß Artikel 53. Andere Gesetze und sektorspezifische Vorschriften können je nach System und Gerichtsbarkeit ebenfalls aussagekräftige Informationen, Offenlegung, Überprüfbarkeit oder Erklärungen erfordern.\u003C/p\u003E"},{"title":"Was ist eine Model Card?","richText":"\u003Cp\u003EEine Modellkarte ist ein standardisiertes Dokument, das den beabsichtigten Verwendungszweck, den Kontext der Trainingsdaten, die Performance, Einschränkungen, Evaluierungsergebnisse und Fairness-Aspekte eines Modells beschreibt. Modellkarten helfen Entwickler:innen, Prüfer:innen und nachgelagerten Nutzer:innen zu verstehen, ob ein Modell für einen bestimmten Workload geeignet ist.\u003C/p\u003E"},{"title":"Ist KI-Transparenz dasselbe wie Erklärbarkeit?","richText":"\u003Cp\u003ENein. Bei Transparenz geht es um das System: was es ist, was es nutzt, was es tun soll und welche Einschränkungen oder Offenlegungspflichten gelten. Bei der Erklärbarkeit geht es um spezifische Ergebnisse oder Entscheidungen: warum ein Modell einen Score, eine Klassifizierung, eine Empfehlung oder eine Antwort generiert hat.\u003C/p\u003E"},{"title":"Wie kennzeichne ich KI-generierte Inhalte?","richText":"\u003Cp\u003ENutzen Sie nach Möglichkeit sowohl sichtbare als auch maschinenlesbare Signale. Ein sichtbares Label weist Nutzer:innen darauf hin, dass Inhalte KI-generiert oder wesentlich verändert wurden, während ein Herkunftsstandard wie C2PA maschinenlesbare Informationen über den Ursprung und die Bearbeitung von Inhalten anfügen kann.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":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-d9f48a1a62","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-63a8b8562a",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-e50a06cb83","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":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-9c8bab996f","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",":items":{"resource_chip_0":{"id":"content-chip-1dba0e0b5e","tagText":"BERICHT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Weiterlesen"},"headline":{"id":"title-v2-544094205f","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-6d666c3468","tagText":"E-BOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/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-c8b68a3129","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-fec368d4ac","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":"Weiterlesen"},"headline":{"id":"title-v2-288366a25b","type":"heading5","lines":["Vom Prompt zum Ziel: Business Value 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-65b2beca88","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":"Weiterlesen"},"headline":{"id":"title-v2-299e8036f0","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"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":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-756ee18af0","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-e8426dd99c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-15c5c406d2","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-3da980d110","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"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"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-0598254cf2","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-b2697e6438",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-ac35ea32d8","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EVerstehen Sie das risikobasierte Framework und die Compliance-Anforderungen des EU AI Act für KI-Systeme.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["EU AI Act"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-e692be4ef2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-bbf99ff17d","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EEntdecken Sie Prinzipien und Praktiken für die Entwicklung von KI-Systemen, die fair, sicher und rechenschaftspflichtig sind.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","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"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-31960bd6f1",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-0f4521416e","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EErfahren Sie, wie Lineage- und Laufzeitaufzeichnungen KI-Ergebnisse mit ihren Daten, Modellen und Konfigurationen verknüpfen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["KI-Nachverfolgbarkeit"],":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-traceability/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-8292772554","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row3":{"id":"flexible-column-container-eeef8b06d9","propertiesId":"hub-explore-topics-grid-row3","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["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","flexible_column_cont_topics_row2","flexible_column_cont_topics_row3"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-700c541085",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-697009d78a","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-b6fa61a9fb","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-4e01b919f6","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-45f1af7bff","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-transparency"},"experiencefragment":{"id":"experiencefragment-16a12f34e5","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-transparency"}},":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"],":hierarchyType":"page",":path":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/ai-transparency","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"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-transparency","language":"de","category":"general","pageName":"KI-Transparenz: Was sie bedeutet und was sie erfordert","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"de"}