{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"de","description":"Lernen Sie Prinzipien verantwortungsvoller KI wie Fairness & Sicherheit kennen. Erfahren Sie, wie KI-Ethik in messbare Governance-Anforderungen verwandelt wird.","title":"Was ist verantwortungsvolle KI? Prinzipien, Praktiken & Frameworks","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/de/artificial-intelligence/ai-governance/responsible-ai/",":type":"snowflake-site/components/structure/page",":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"},":items":{"experiencefragment-banner":{"id":"experiencefragment-f009704313","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json"},"experiencefragment-header":{"id":"experiencefragment-d67beb3fd5","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json","languageNavPath":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/responsible-ai.languagenav.json"},"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","flexible_column_cont_963294944":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont":{"id":"flexible-column-container-4e07f13702","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-b4124dc154",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-9e6678670f","items":[{"id":"breadcrumb-9e6678670f-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-9e6678670f-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-9e6678670f-item-a0b8f193ab","link":{"valid":true,"url":"/de/artificial-intelligence/ai-governance/responsible-ai/"},"active":true,"current":true,"title":"Verantwortungsvolle KI",":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"},"flexible_column_cont_939100716":{"id":"flexible-column-container-56d16e42ef","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-a0530bf880",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-fbbdc03db0","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Verantwortungsvolle KI: Prinzipien und Praktiken für vertrauenswürdige Systeme"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-e23f10e3c3","additionalClasses":"hub-hero__subheadline","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003EVerantwortungsvolle KI verbindet erklärte Prinzipien mit realen Systemen, indem sie Fairness, Transparenz und Verantwortlichkeit in messbare Anforderungen über den gesamten KI-Lebenszyklus hinweg verwandelt. Es ist eine praktische Disziplin, die Unternehmen hilft, KI-Systeme zu entwickeln, bereitzustellen und zu kontrollieren, indem sie Nachweise zur Unterstützung der regulatorischen, kunden- und internen Überprüfung erhalten.\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-1e96ab0c06",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-b2dc574c8b","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","alt":"Laurie MacPherson","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-ba05ec5d05","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","alt":"Gulnaz Sharipova","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"}},":itemsOrder":["content_chip_copy","content_chip"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["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-3e1e3836b6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-441bdad1a2","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-0e20b914d2","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-b16349ee9c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-a67e405ff3","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-77d82ad77a","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/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/\"\u003EAlgorithmischer 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\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-81c1a03dbf","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":{"callout_what_is_ai_g":{"id":"text-76190941c8","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EVERANTWORTUNGSVOLLE KI DEFINIERT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EVerantwortungsvolle KI beschreibt die Praxis, KI-Systeme zu entwerfen, zu entwickeln und zu betreiben, damit sie fair, transparent, verantwortlich, sicher, datenschutzkonform und über den gesamten KI-Lebenszyklus hinweg kontrolliert sind.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-048789e4b4","text":"\u003Cp\u003EOft besteht eine Kluft zwischen dem, was ein Unternehmen über seine KI-Werte sagt, und dem, was es über ein System nachweisen kann, das in der Produktion läuft. Fairness, Transparenz und Verantwortlichkeit sind nützliche Prinzipien, die jedoch erst Realität werden, wenn Teams Fairness-Metriken definieren, Trainingsdaten untersuchen, das Verhalten von Modellen dokumentieren, Entscheidungsrechte zuweisen und nach der Bereitstellung auf Drift überwachen.\u003C/p\u003E\n\u003Cp\u003EDas ist die Arbeit von verantwortungsvoller KI. Dabei werden grobe Prinzipien in Betriebsanforderungen umgewandelt: Wie Daten bezogen, Modelle ausgewertet, wer Outputs mit hohem Risiko überprüft, welche Nachweise aufbewahrt werden und wie Teams reagieren, wenn sich ein System unerwartet verhält.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-96cde0f104","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":false,"quote":"„Die Herausforderung bei diesen neuen KI-Tools besteht nicht darin, nützliche Anwendungsfälle für sie zu identifizieren. Die jüngste Vergangenheit hat gezeigt, dass Nutzer:innen sehr daran interessiert sind, sie einzusetzen. Für Führungskräfte in Unternehmen besteht die eigentliche Herausforderung darin herauszufinden, wie sie deren Nutzung effektiv, verantwortungsvoll und in großem Maßstab ermöglichen können.“","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_intro_0_copy":{"id":"text-dd9db350c0","text":"\u003Cp\u003EIn Unternehmen entwickelt sich verantwortungsvolle KI zu einer praktischen Disziplin für den Aufbau, die Bereitstellung und die Kontrolle von KI-Systemen, die Kontrollen unterstützen – von Behörden, Kund:innen, Mitarbeiter:innen und internen Stakeholder:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_sources_of_alg":{"id":"title-v2-ae1dbd4981","additionalClasses":"anchor-title anchor-title--what-is-responsible-ai","type":"heading2","lines":["Was ist verantwortungsvolle KI?"],":type":"snowflake-site/components/title-v2"},"text_what-is-algorithmic-bias_0":{"id":"text-74191bfb10","text":"\u003Cp\u003EVerantwortungsvolle KI beschreibt die Praxis, KI-Systeme nach ethischen Prinzipien zu entwerfen, zu entwickeln und zu betreiben, damit sie fair, transparent, verantwortlich, sicher und unter Achtung des Datenschutzes sind. Sie steht in engem Zusammenhang mit ethischer KI, vertrauenswürdiger KI und menschenorientierter KI, doch der Schwerpunkt liegt auf der Praxis: Ein verantwortungsvolles KI-Programm verwandelt Prinzipien in Anforderungen, die Teams über den gesamten KI-Lebenszyklus hinweg anwenden können.\u003C/p\u003E\n\u003Cp\u003EDer operative Fokus bedeutet, dass verantwortungsvolle KI nicht als Tor fungiert, das ein System vor dem Start durchläuft. Sie gilt für den gesamten Lebenszyklus – von den Entscheidungen über Trainingsdaten, die vor der Entwicklung eines Modells getroffen werden, über die Bewertung, Bereitstellung und Überwachung bis hin zu den Governance-Überprüfungen, die bestimmen, ob ein System noch bestimmungsgemäß ist. Verantwortungsvolle KI definiert, wie „gut“ in diesen Phasen aussieht, und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/\"\u003EKI-Governance\u003C/a\u003E schafft die Rollen, Kontrollen und Auditpfade, die dem Unternehmen helfen, sie durchzusetzen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_sources-of-algorithmic-bias":{"id":"title-v2-127f8acd73","additionalClasses":"anchor-title anchor-title--core-principles-of-responsible-ai","type":"heading2","lines":["Kernprinzipien verantwortungsvoller KI"],":type":"snowflake-site/components/title-v2"},"text_sources-of-algorithmic-bias_0":{"id":"text-b67f5919ae","text":"\u003Cp\u003EDie folgenden Prinzipien werden oft separat besprochen, aber in der Produktion interagieren sie miteinander. Eine Entscheidung zum Datenschutz kann sich auf Fairnesstests auswirken, eine Transparenzanforderung kann die Modelldokumentation ändern und ein Rechenschaftsmodell kann bestimmen, ob ein menschlicher Schritt tatsächlich Autorität oder nur eine nominale Überprüfung hat.\u003C/p\u003E\r\n\u003Ch3\u003EFairness\u003C/h3\u003E\r\n\u003Cp\u003EKI-Fairness bedeutet, dass KI-Systeme nicht zu diskriminierenden Ergebnissen über geschützte Attribute oder andere relevante Gruppen hinweg führen dürfen. Eines der häufigsten Risiken ist der \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003Ealgorithmische Bias\u003C/a\u003E: systematische Unterschiede in der Performance eines Modells für verschiedene Bevölkerungsgruppen, oft aufgrund von verzerrten Verlaufsdaten, Proxy-Variablen oder ungleichmäßiger Darstellung in Trainingsdaten. Fairness erfordert mehr als nur das Entfernen sensibler Felder aus einer Tabelle, da Proxys immer noch in Standortdaten, Einkommensmustern, Geräteverhalten oder historischen Labels erscheinen können.\u003C/p\u003E\r\n\u003Cp\u003EDie Teams untersuchen in der Regel Fairness-Metriken wie demografische Parität, Chancengleichheit oder Fehlerquotenunterschiede und entscheiden dann, welche Metrik zum Anwendungsfall und Risikoprofil passt. Ein Betrugsmodell, ein Kreditmodell und ein medizinisches Triage-Modell erfordern möglicherweise unterschiedliche Fairnesstests, da die Folgen falsch-positiver und falsch-negativer Ergebnisse nicht dieselben sind.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPraktische Maßnahmen: \u003C/b\u003EFairnesstests vor der Bereitstellung und in einem wiederkehrenden Zeitplan durchführen, die ausgewählten Kennzahlen, Ergebnisse auf Gruppenebene, bekannte Einschränkungen und Maßnahmen zur Eindämmung dokumentieren.\u003C/p\u003E\r\n\u003Ch3\u003ETransparenz\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-transparency/\"\u003EKI-Transparenz\u003C/a\u003E bedeutet, dass Stakeholder verstehen können, was ein KI-System leistet, warum es entwickelt wurde, welche Daten es verwendet und wo seinen Ergebnissen nicht vertraut werden sollte. Bei einigen Systemen kann dies erklärbares Modellverhalten bedeuten, bei anderen eine klare Offenlegung des Nutzenden, eine Modellkarte, ein Datenblatt oder eine Beschreibung des Verwendungszwecks in einfacher Sprache.\u003C/p\u003E\r\n\u003Cp\u003EZiel ist es nicht, alle Modellparameter allen Nutzenden offenzulegen. Um der richtigen Zielgruppe das richtige Maß an Informationen zu geben: Führungskräfte benötigen Informationen zur Risikoposition, Entwickler:innen brauchen Implementierungsdetails, Prüfer:innen brauchen Bewertungsnachweise und betroffene Nutzer:innen müssen möglicherweise wissen, wann KI zu einer Entscheidung beigetragen hat.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPraktische Maßnahmen: \u003C/b\u003EVeröffentlichen Sie eine Modellkarte oder einen gleichwertigen Systemeintrag, der den Verwendungszweck, Datenquellen, Bewertungsergebnisse, Einschränkungen, menschliche Überwachung und Eskalationspfade abdeckt.\u003C/p\u003E\r\n\u003Ch3\u003EVerantwortlichkeit\u003C/h3\u003E\r\n\u003Cp\u003EVerantwortlichkeit bedeutet, Menschen zu benennen, die die Entscheidungen rund um ein KI-System selbst treffen. 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.\u003C/p\u003E\r\n\u003Cp\u003EZur klaren Rechenschaftspflicht gehören in der Regel ein:e Executive Sponsor:in, ein:e Business Owner:in, technische Eigentümer:innen, Risiko- oder Rechtsprüfer:innen sowie operative Eigentümer:innen, die nach der Bereitstellung eingreifen können. Ohne diese Struktur lässt sich verantwortungsvolle KI nur schwer durchsetzen: Niemand hat explizit die Berechtigung, ein Modell anzuhalten, eine Zugriffsrichtlinie zu ändern, eine Ausnahme zu genehmigen oder Umschulungen zu verlangen.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPraktische Maßnahmen:\u003C/b\u003E Weisen Sie verantwortliche Eigentümer:innen für jeden KI-Anwendungsfall zu, z. B. wer die Bereitstellung genehmigt, wer Vorfälle überprüft und wer das System aussetzen oder zurücksetzen kann.\u003C/p\u003E\r\n\u003Ch3\u003EDatenschutz\u003C/h3\u003E\r\n\u003Cp\u003EDatenschutz bedeutet, dass KI-Systeme Daten auf eine Weise nutzen sollten, die die individuellen Rechte, vertraglichen Verpflichtungen und den ursprünglichen Zweck respektiert, für den die Daten erfasst wurden. Bei KI-Teams beginnt dies oft mit der Datenminimierung und Zweckbindung – nur mit den für die Aufgabe erforderlichen Feldern, wobei Einwilligungs-, Aufbewahrungs- und Zugriffskontrollen bei Bedarf hinzugefügt werden.\u003C/p\u003E\r\n\u003Cp\u003ETechnologien für \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003Emaschinelles Lernen\u003C/a\u003E (ML, Machine Learning), die den Datenschutz wahren, können zwar dazu beitragen, Risiken zu reduzieren, ersetzen aber nicht die Governance über Datenquellen, Labels, Prompts, Einbettungen, Protokolle und Modellausgaben. Bei einer verantwortungsvollen KI-Überprüfung sollte die Frage gestellt werden, ob personenbezogene Daten überhaupt benötigt werden, ob synthetische Daten geeignet sind, ob sensible Attribute für Tests oder Training verwendet werden und wie der Zugriff im Laufe der Zeit geprüft wird.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPraktische Maßnahmen:\u003C/b\u003E Überprüfen Sie Trainings-, Validierungs- und Inferenzdaten auf Zweckbindung, Einwilligung, sensible Attribute, Aufbewahrungsregeln und Zugriffskontrollen, bevor das Modell in Produktion geht.\u003C/p\u003E\r\n\u003Ch3\u003ESicherheit\u003C/h3\u003E\r\n\u003Cp\u003EKI-Sicherheit bedeutet, dass ein KI-System vorhersehbar und reversibel ausfallen sollte. Das System sollte über Grenzen für seine Möglichkeiten verfügen, Kontrollen, die schädliche Ausgaben reduzieren, und Überwachung, die Teams hilft, unsicheres Verhalten zu erkennen, bevor es zu einem Vorfall wird.\u003C/p\u003E\r\n\u003Cp\u003EBei generativer KI und Agentensystemen umfasst Sicherheit oft Red Teaming, Ratenlimits, Inhaltsfilterung, Einschränkungen bei der Toolnutzung, Rollback-Pläne und menschliche Überprüfungen für Maßnahmen mit hohem Einsatz. Das System sollte auch einen definierten Pfad für Meldeprobleme haben, da unsicheres Verhalten durch Modelldrift, Prompt-Injection, Datenänderungen, kontradiktive Verwendung oder eine Inkongruenz zwischen bestimmungsgemäßer und tatsächlicher Verwendung entstehen kann.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPraktische Maßnahmen:\u003C/b\u003E Red teamen Sie das System vor dem Start, definieren Sie unsichere Ausgabekategorien, legen Sie Eskalationsschwellen fest und pflegen Sie einen Rollback- oder Deaktivierungspfad.\u003C/p\u003E\r\n\u003Ch3\u003EInklusion\u003C/h3\u003E\r\n\u003Cp\u003EInklusion bedeutet, dass verschiedene Perspektiven den Zweck des Systems bestimmen: Trainingsdaten, Evaluierung und Bereitstellungskontext. Dazu gehören die Personen, die das System entwickeln, die Geschäftsteams, die es verwenden, sowie die Gemeinschaften oder Benutzergruppen, die von seinen Ergebnissen betroffen sind.\u003C/p\u003E\r\n\u003Cp\u003EPartizipatives Design kann Risiken aufdecken, die bei einer rein technischen Überprüfung leicht zu übersehen sind. Ein Support-Automatisierungstool kann die Eskalationserfahrung von Kund:innen verändern; ein Gesundheitsmodell kann sich zwischen Patientengruppen unterschiedlich verhalten; ein KI-Tool am Arbeitsplatz kann sich auf Mitarbeitende auswirken, die sich nie für eine Bewertung durch ein Modell entschieden haben. Inklusion bedeutet, vor der Bereitstellung Raum für diese Perspektiven zu schaffen, nicht nur nach Beschwerden oder Vorfällen.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EPraktische Maßnahmen: \u003C/b\u003EBeziehen Sie Vertreter:innen aus betroffenen Benutzergruppen, wirtschaftlichen Interessengruppen, Risikoteams und technischen Eigentümer:innen in die Anwendungsfallüberprüfung, die Bewertungskriterien und die Feedbackschleifen nach der Implementierung ein.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003ESehen Sie sich dieses Gespräch mit führenden Unternehmen von Microsoft und Snowflake über die verantwortungsvolle Entwicklung und Bereitstellung von KI an:\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-ab41bae1cd","youtubeVideoId":"dzKmato_364","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_detecting-and-measuring-algorithmic-bias":{"id":"title-v2-96ff2bb6e8","additionalClasses":"anchor-title anchor-title--why-responsible-ai-matters","type":"heading2","lines":["Warum verantwortungsvolle KI wichtig ist"],":type":"snowflake-site/components/title-v2"},"text_detecting-and-measuring-algorithmic-bias_0":{"id":"text-230968749b","text":"\u003Cp\u003EVerantwortungsvolle KI ist wichtig, weil ein KI-System Reputationsrisiken, rechtliche Risiken, Kundenmisstrauen, betriebliche Überarbeitungen und Modellschulden verursachen kann, wenn es ohne klare Kontrollen in Produktion geht. Der \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/eu-ai-act/\"\u003EEU AI Act\u003C/a\u003E schafft risikobasierte Verpflichtungen für KI-Systeme, wobei Hochrisikosysteme Anforderungen in den Bereichen Risikomanagement, \u003Ca href=\"https://www.snowflake.com/de/data-governance/\"\u003EData Governance\u003C/a\u003E, technische Dokumentation, Aufzeichnung, Transparenz, menschliche Überwachung, Genauigkeit, Robustheit und Cybersicherheit unterliegen.\u003C/p\u003E\r\n\u003Cp\u003EEs spricht einiges dafür, verantwortungsvolle KI zu betreiben: KI und Data Governance sind an den Ruf, das Kundenvertrauen und die Frage gebunden, ob Unternehmen nachweisen können, dass sie sicher mit KI umgehen. Kunden und Beschaffungsteams betrachten Governance-Reife zunehmend als Qualifikationsschwelle, nicht als Unterscheidungsmerkmal.\u003C/p\u003E\r\n\u003Cp\u003EDie großen KI-Governance-Frameworks spiegeln die Bedeutung von verantwortungsvoller KI wider. Das \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\"\u003EKI-Risikomanagement-Framework\u003C/a\u003E von NIST ist freiwillig, soll Unternehmen aber dabei helfen, Vertrauenswürdigkeitsaspekte in das Design, die Entwicklung, den Einsatz und die Bewertung von KI-Systemen zu integrieren. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.iso.org/standard/42001\"\u003EISO/IEC 42001\u003C/a\u003E verfolgt einen Management-System-Ansatz, der Unternehmen eine strukturierte Möglichkeit gibt, KI-Risiken und -Chancen zu managen, einschließlich ethischer Erwägungen, Transparenz und kontinuierlicher Verbesserung.\u003C/p\u003E\r\n\u003Cp\u003EVerantwortungsvolle KI-Praktiken schaffen in den operativen Teams früher Checkpoints für verzerrte Daten, unklare Verantwortlichkeiten, fehlende Dokumentation, nicht unterstützte Anwendungsfälle und schwaches Monitoring – so sinkt die Wahrscheinlichkeit, dass das Problem nach einer Kundenbeschwerde, einer behördlichen Anfrage oder einem Produktionsvorfall entdeckt wird.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_what_is_ai_g_294410134":{"id":"text-cdcd34be40","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EHÄUFIGER FALLSTRICK\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EVermeiden Sie es, sich auf die aggregierte Modellleistung zu konzentrieren und gleichzeitig Unterschiede auf Gruppenebene, Proxyvariablen oder eine ungleichmäßige Datendarstellung zu verpassen, die zu unfairen Ergebnissen in der Produktion führen kann.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_mitigating-algorithmic-bias":{"id":"title-v2-21cf508319","additionalClasses":"anchor-title anchor-title--how-to-put-responsible-ai-into-practice","type":"heading2","lines":["Wie Sie verantwortungsvolle KI in die Praxis umsetzen können"],":type":"snowflake-site/components/title-v2"},"text_mitigating-algorithmic-bias_0":{"id":"text-0a75c1a9a8","text":"\u003Cp\u003EVerantwortungsbewusste KI funktioniert am besten als Lifecycle-Disziplin. Kontrollen sollten dem System von der Datenbeschaffung über die Modellentwicklung, Bereitstellung, Überwachung und regelmäßige Überprüfung folgen.\u003C/p\u003E\n\u003Ch3\u003EDaten: Kontrollieren der Eingaben vor Trainingsbeginn\u003C/h3\u003E\n\u003Cp\u003EEin verantwortungsvoller KI-Lebenszyklus beginnt mit den Daten. Die Teams müssen wissen, woher die Trainingsdaten stammen, ob Einwilligungen oder vertragliche Grenzen gelten, wie Labels erstellt wurden, welche Attribute Bias verursachen können und ob die Daten die Grundgesamtheit widerspiegeln, auf die sich das Modell auswirken wird.\u003C/p\u003E\n\u003Cp\u003ETraining Data Governance sollte auch synthetische Daten umfassen. Synthetische Daten können beim Datenschutz, beim Testen oder beim Klassenausgleich helfen, aber sie brauchen trotzdem Dokumentation: was sie erzeugt haben, welche ursprünglichen Daten sie geprägt haben, wo sie verwendet werden sollten und welche Muster möglicherweise verstärkt wurden oder verloren gegangen sind.\u003C/p\u003E\n\u003Cp\u003EZu den nützlichen Artefakten in dieser Phase gehören ein Datenblatt, Datenherkunftsdatensätze, Notizen in Labelqualität, Ergebnisse bei der Bias-Erkennung, Datenzugriffsrichtlinien und Genehmigungsdatensätze für sensible Felder.\u003C/p\u003E\n\u003Ch3\u003EModell: Dokumentieren Sie den Verwendungszweck und testen Sie über die reine Genauigkeit hinaus\u003C/h3\u003E\n\u003Cp\u003EWährend der Modellentwicklung wechseln verantwortungsvolle KI-Praktiken von der Datentauglichkeit zum Systemverhalten. Eine Modellkarte sollte den Verwendungszweck, die Verwendung außerhalb des Anwendungsbereichs, Bewertungsdaten, Performanceergebnisse, Fairnesstests, Robustheitstests und dokumentierte Einschränkungen erfassen.\u003C/p\u003E\n\u003Cp\u003EHier sollten Teams testen, ob sich das Modell gruppenübergreifend unterschiedlich verhält, ob es gängige Input-Variationen zuverlässig verarbeitet und ob es Konfidenzwerte oder Erklärungen liefert, die Prüfer interpretieren können. Für Anwendungsfälle mit hohem Einsatz sollte der Genehmigungsstandard den Nachweis enthalten, dass das Modell für den Entscheidungskontext geeignet ist, nicht nur, dass es im Vergleich zu einem aggregierten Benchmark gut abschneidet.\u003C/p\u003E\n\u003Ch3\u003EBereitstellung: Stellen Sie Kontrollen dort bereit, wo Entscheidungen getroffen werden\u003C/h3\u003E\n\u003Cp\u003ESysteme mit hohem Einsatz sollten eine menschliche Kontrolle mit realer Autorität beinhalten – keinen rein formellen Genehmigungsschritt, nachdem das System die Entscheidung effektiv getroffen hat.\u003C/p\u003E\n\u003Cp\u003ETeams sollten außerdem Rate Limits, Zugriffskontrollen, Ausgangsbeschränkungen, Drift-Monitoring, Bias-Monitoring und Eskalationsschwellen definieren. Bei GenAI-Anwendungen können die Bereitstellungskontrollen Abrufbeschränkungen, Prompt-Injection-Schutz, Ausgabemoderation, Protokollierung und Einschränkungen für Toolaufrufe oder Downstream-Aktionen umfassen.\u003C/p\u003E\n\u003Ch3\u003EGovernance: Überprüfung, Rezertifizierung und Reaktion\u003C/h3\u003E\n\u003Cp\u003EEin zuständiges KI-Überprüfungsgremium oder ein gleichwertiges Governance-Gremium sollte Anwendungsfälle mit höherem Risiko bewerten, Ausnahmen genehmigen, Vorfälle prüfen und eine regelmäßige Rezertifizierung verlangen.\u003C/p\u003E\n\u003Cp\u003EDer Überprüfungsprozess sollte Nachweise liefern, die Unternehmen später erneut prüfen können, z. B. Genehmigungsentscheidungen, Modellkarten, Datenblätter, Berichte über KI-Vorfälle, Richtlinienausnahmen, Überwachungsergebnisse und Korrekturpläne. Wenn sich die Systeme ändern, helfen diese Datensätze den Teams zu verstehen, ob ein Modell noch seinem Verwendungszweck entspricht, sich die Ergebnisse verändert haben und neue Vorschriften oder interne Richtlinien zusätzliche Kontrollen erfordern.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_regulatory-expectations-on-algorithmic-bias":{"id":"title-v2-67ea549611","additionalClasses":"anchor-title anchor-title--responsible-ai-vs-ai-ethics-vs-ai-governance","type":"heading2","lines":["Verantwortungsvolle KI vs. KI-Ethik vs. KI-Governance"],":type":"snowflake-site/components/title-v2"},"text_regulatory-expectations-on-algorithmic-bias_0":{"id":"text-e666353eec","text":"\u003Cp\u003EDiese Begriffe überschneiden sich, sind aber nicht austauschbar.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/\"\u003EKI-Ethik\u003C/a\u003E befasst sich mit den normativen Fragen: Was sollte ein KI-System tun dürfen? Welche Anwendungen sind inakzeptabel? Welche Verpflichtungen hat ein Unternehmen gegenüber Nutzenden, Kund:innen, Mitarbeitenden und betroffenen Gemeinden?\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003EVerantwortungsvolle KI setzt diese Werte in operative Prinzipien um – Fairness, Transparenz, Verantwortlichkeit, Datenschutz, Sicherheit und Inklusion – und fordert Teams auf, sie durch Designentscheidungen, Dokumentation, Tests, Überwachung und Monitoring anzuwenden.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003EKI-Governance macht diese Prinzipien durchsetzbar. Sie weist Entscheidungsrechte zu, erstellt Prüfprozesse, knüpft Kontrollen an Daten und Modelle, verfolgt Genehmigungen, überwacht Produktionssysteme und erfasst Nachweise für Audit, Compliance und Vorfallreaktion.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EKI-Ethik stellt die Frage. Verantwortungsvolle KI definiert die operativen Prinzipien. KI-Governance schafft das Unternehmenssystem, das sie durchsetzt.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-snowflake-helps-organizations-address-algorithmic-bias":{"id":"title-v2-780c0f6bfa","additionalClasses":"anchor-title anchor-title--responsible-ai-on-snowflake","type":"heading2","lines":["Verantwortungsvolle KI auf Snowflake"],":type":"snowflake-site/components/title-v2"},"text_how-snowflake-helps-organizations-address-algorithmic-bias_0":{"id":"text-fd3e0602ec","text":"\u003Cp\u003EVerantwortungsvolle KI hängt vom Kontext ab: die Daten, mit denen ein Modell trainiert oder geerdet wird, die Zugriffsrichtlinien, die bestimmen, wer es verwenden kann, die Datenherkunft, die zeigt, woher die Inputs stammen, die Überwachung, die unerwartetes Verhalten erkennt, und die Kontrollen, die die Outputs zur Laufzeit moderieren. \u003Ca href=\"https://www.snowflake.com/de/product/platform/\"\u003ESnowflake\u003C/a\u003E unterstützt Daten- und KI-Governance in derselben Umgebung, in der Unternehmen Daten, Anwendungen und KI-Workloads verwalten.\u003C/p\u003E\n\u003Cp\u003ENach einem unabhängigen Audit \u003Ca href=\"https://www.snowflake.com/de/blog/ISO-IEC-42001-AI-certification/\"\u003Ehat Snowflake eine Zertifizierung nach ISO/IEC 42001 erhalten\u003C/a\u003E. Das Audit deckt die Anforderungen des KI-Managementsystems für die Einrichtung, Implementierung, Pflege und kontinuierliche Verbesserung der Governance gegenüber KI-Technologien ab.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/de/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E vereint die Governance für Daten, Apps und Modelle durch rollenbasierte Zugriffskontrolle, attributbasierte Zugriffskontrolle, Klassifizierung, Tagging, Überwachung und Lineage. Access History, Time Travel, gemeinsam genutzte Metadaten und Datenherkunft über Snowflake und externen Speicher geben Teams den Kontext, um zu überprüfen, wie Daten verwendet werden und wie Kontrollen im Laufe der Zeit angewendet werden.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://docs.snowflake.com/de/user-guide/snowflake-cortex/cortex-ai-guardrails\"\u003ESnowflake Cortex Guard\u003C/a\u003E wurde entwickelt, um potenziell unsichere LLM-Antworten zur Laufzeit zu filtern und die Modellausgaben zu bewerten, bevor sie an die Applikation zurückgegeben werden.\u003C/p\u003E\n\u003Cp\u003EGemeinsam tragen diese Kontrollen dazu bei, verantwortungsvolle KI-Prinzipien mit betrieblichen Nachweisen zu verbinden, z. B. wer auf Daten zugegriffen hat, welche Richtlinien angewendet wurden, welche Datenherkunft zeigt, wo die Ausgaben moderiert wurden und wie KI-Systeme innerhalb des weiteren Datenbestands kontrolliert wurden.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_bias-control-starts-before-the-model":{"id":"title-v2-2427ee5bc8","additionalClasses":"anchor-title anchor-title--the-demand-for-responsible-ai","type":"heading2","lines":["Der Bedarf an verantwortungsvoller KI"],":type":"snowflake-site/components/title-v2"},"text_bias-control-starts-before-the-model_0":{"id":"text-6742664d59","text":"\u003Cp\u003EKunden- und Partnererwartungen rund um verantwortungsvolle KI steigen sogar noch schneller als die meisten gesetzlichen Vorgaben. Unternehmen, die KI-Governance einst als Compliance-Projekt behandelt haben, stellen fest, dass Beschaffungsteams, Unternehmenskund:innen und Stakeholder:innen auf Vorstandsebene vor ihrer Unterzeichnung spezifischere Fragen stellen – zu Datenpraktiken, Modelldokumentation, Fairnesstests und Reaktion auf Vorfälle. \u003C/p\u003E\n\u003Cp\u003EDie Teams, die vorne liegen, verfügen in der Regel über Trainingsdaten, die sie berücksichtigen können, Modellverhalten, das sie gruppenübergreifend getestet haben, Bereitstellungskontrollen mit realer Autorität und Governance-Überprüfungen, die Nachweise statt Genehmigungen liefern. So sieht verantwortungsvolle KI in der Praxis aus: Datenblätter, Modellkarten, Vorfallberichte und Auditpfade. Sie zeigen auch den Regulierungsbehörden, Kunden und internen Stakeholdern, dass die angegebenen Werte eines Unternehmens und seine tatsächlichen Systeme übereinstimmen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_what_is_ai_g_1939414635":{"id":"text-ed0d74cac3","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EWICHTIGSTE ERKENNTNIS\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EVerantwortungsvolle KI verwandelt übergeordnete Prinzipien in praktische Anforderungen. So können Teams nachweisen, dass KI-Systeme auf eine Weise getestet, dokumentiert, überwacht und kontrolliert werden, die Vertrauen und Überprüfung fördert.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout_what_is_ai_g","text_intro_0","quote_item","text_intro_0_copy","title_sources_of_alg","text_what-is-algorithmic-bias_0","title_sources-of-algorithmic-bias","text_sources-of-algorithmic-bias_0","youtube","title_detecting-and-measuring-algorithmic-bias","text_detecting-and-measuring-algorithmic-bias_0","callout_what_is_ai_g_294410134","title_mitigating-algorithmic-bias","text_mitigating-algorithmic-bias_0","title_regulatory-expectations-on-algorithmic-bias","text_regulatory-expectations-on-algorithmic-bias_0","title_how-snowflake-helps-organizations-address-algorithmic-bias","text_how-snowflake-helps-organizations-address-algorithmic-bias_0","title_bias-control-starts-before-the-model","text_bias-control-starts-before-the-model_0","callout_what_is_ai_g_1939414635"],"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,"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-516f77f065",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-a75d00952f","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-47c1c4e46d","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-responsible-ai\"\u003EWas ist verantwortungsvolle KI?\u003C/li\u003E\n\u003Cli data-anchor=\"core-principles-of-responsible-ai\"\u003EKernprinzipien verantwortungsvoller KI\u003C/li\u003E\n\u003Cli data-anchor=\"why-responsible-ai-matters\"\u003EWarum verantwortungsvolle KI wichtig ist\u003C/li\u003E\n\u003Cli data-anchor=\"how-to-put-responsible-ai-into-practice\"\u003EWie Sie verantwortungsvolle KI in die Praxis umsetzen können\u003C/li\u003E\n\u003Cli data-anchor=\"responsible-ai-vs-ai-ethics-vs-ai-governance\"\u003EVerantwortungsvolle KI vs. KI-Ethik vs. KI-Governance\u003C/li\u003E\n\u003Cli data-anchor=\"responsible-ai-on-snowflake\"\u003EVerantwortungsvolle KI auf Snowflake\u003C/li\u003E\n\u003Cli data-anchor=\"the-demand-for-responsible-ai\"\u003EDer Bedarf an verantwortungsvoller KI\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_963294944":{"id":"flexible-column-container-f9696bd932","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-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-b374a80e8b","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-bd99f5d99b","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigsten Fragen zu verantwortungsvoller KI – beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"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-ed57bbb483","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Ist verantwortungsvolle KI gesetzlich vorgeschrieben?","richText":"\u003Cp\u003EVerantwortungsvolle KI wird nicht als eine einzige gesetzliche Anforderung benannt, sondern große KI-Vorschriften und -Standards codieren verantwortungsvolle KI-Prinzipien als durchsetzbare Verpflichtungen. Der EU AI Act, NIST AI RMF und ISO/IEC 42001 setzen allesamt Ideen wie Sicherheit, Transparenz, Verantwortlichkeit, Datenschutz und Risikomanagement in konkrete Governance-Erwartungen um.\u003C/p\u003E\n"},{"title":"Wer ist verantwortlich für verantwortungsvolle KI im Unternehmen?","richText":"\u003Cp\u003EVerantwortungsvolle KI wird von Geschäfts-, Technik-, Rechts-, Risiko-, Sicherheits- und Governance-Teams geteilt, aber jeder KI-Anwendungsfall sollte benannte Eigentümer:innen haben. Unternehmen brauchen mindestens einen leitenden Sponsor, einen Geschäftsinhaber und technische Eigentümer, die für Bereitstellungsentscheidungen, Überwachung und Reaktion auf Vorfälle verantwortlich sind.\u003C/p\u003E\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1467213961":{"id":"flexible-column-container-af1648e67d","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-d79990564b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-77f0ce1f6b","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-837b34ac6a","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-4312fe14c2","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":"Mehr erfahren"},"headline":{"id":"title-v2-a0c4fe7deb","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-48e026ed24","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":"Mehr erfahren"},"headline":{"id":"title","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-bb5520d22c","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":"Mehr erfahren"},"headline":{"id":"title-v2-4ebe4a8f75","type":"heading5","lines":["From Prompt to Purpose: Unlocking Business Value with Agentic AI"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-69f2175ff3","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":"Mehr erfahren"},"headline":{"id":"title-v2-9873caeb3e","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-4427b448b2","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-6123bb43b6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-2e41454a92","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-dd3ae81243","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-d268869af6","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-eff97ebf70",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-6668d5e8fb","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 sowie ihr Verhalten dokumentiert. \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-73693efa70",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-7e2fcb6598","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Ethik"],":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-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EPrinzipien wie Fairness, Verantwortlichkeit und menschliche Aufsicht, die den verantwortungsvollen Einsatz von KI leiten.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-495f04c649",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-162388cce2","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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","text":{"id":"text","text":"\u003Cp\u003EDer EU AI Act erwartet von Unternehmen, dass sie zeigen, was die einzelnen KI-Systeme tun, welche Risikostufe gilt, wer verantwortlich ist und welche Kontrollen ihren Einsatz unterstützen. \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":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_1786318617":{"id":"flexible-column-container-5c3366ff29","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":{},":itemsOrder":[],"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":{},":itemsOrder":[]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_963294944","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_1786318617"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-b431803af2",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-9a9cd11d7b","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-67771ad096","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-e21f8109fc","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-128ba13e88","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json"},"experiencefragment":{"id":"experiencefragment-084bb5982a","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page",":path":"/content/snowflake-site/global/de/artificial-intelligence/ai-governance/responsible-ai","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","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/responsible-ai","language":"de","category":"general","pageName":"Verantwortungsvolle KI: Prinzipien und Praktiken für vertrauenswürdige Systeme","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"de"}