CSBS-AI-Aufsichtsrahmen macht aus freiwilligen Leitlinien einen Prüfungsleitfaden
CSBS veröffentlichte seinen AI-Aufsichtsrahmen am 16. September und gibt staatlichen Prüfern damit einen gemeinsamen Leitfaden, obwohl die Einführung den einzelnen Behörden überlassen bleibt. Der Rahmen gilt für Banken und Nichtbank-Finanzunternehmen unter staatlicher Aufsicht. Er erscheint zudem zu einem Zeitpunkt, an dem Bundesaufsichtsbehörden neu bewerten, wie ältere Leitlinien zu Modellen und Drittanbietern auf neuere KI-Systeme angewendet werden sollten.
Dieser Kontrast prägt die Geschichte. Der CSBS AI supervisory framework ist freiwillig und schafft keine neuen rechtlichen Verpflichtungen. Dennoch liefert er Prüfern konkrete Fragen, Dokumentenanforderungen, Prüfverfahren und Instrumente zur Risikoeinstufung, die tatsächliche Prüfungen prägen können.
Der föderale Ansatz bewegt sich in eine andere Richtung. Die überarbeitete bundesweite Leitlinie zum Modellrisiko schließt generative und agentische KI ausdrücklich aus ihrem Geltungsbereich aus. CSBS gibt staatlichen Prüfern eine breitere Methode an die Hand, um solche Systeme zu identifizieren, ihre Nutzung zu verstehen und zu entscheiden, wann eine vertiefte Prüfung angebracht ist.
Der Rahmen ist daher weniger als neue Regel wichtig denn als Handbuch für die Praxis. Finanzinstitute erhalten nun einen klareren Vorgeschmack darauf, was ein Prüfer zu KI-Inventaren, Governance, Anbietern, Auswirkungen auf Kunden und autonomen Handlungen fragen könnte.
Was der CSBS-AI-Aufsichtsrahmen verändert
CSBS hat breite Grundsätze für AI Governance in einen praktischen Prüfungsprozess überführt, den staatliche Behörden übernehmen oder anpassen können.
Der CSBS framework bezeichnet sich selbst als Ermessensinstrument für staatliche Prüfer. Er hilft ihnen, den Einsatz von KI zu identifizieren, damit verbundene Risiken zu bewerten und zu entscheiden, wann vorhandene Aufsichtsressourcen eine vertiefte Prüfung unterstützen sollten.
Diese begrenzte Beschreibung ist wichtig. CSBS hat keinen verbindlichen nationalen Standard für jede staatlich regulierte Institution angekündigt. Jede staatliche Finanzaufsichtsbehörde wird entscheiden, wie viel des Rahmens in ihr Aufsichtsprogramm einfließt.
Der Rahmen wurde im August 2026 von zwei CSBS-Ausschüssen genehmigt. CSBS veröffentlichte ihn anschließend am 16. September. Zur vorgesehenen Zielgruppe zählen Prüfer, die staatlich zugelassene Banken und staatlich lizenzierte Nichtbank-Finanzunternehmen beaufsichtigen.
Das Paket umfasst mehrere miteinander verbundene Ressourcen. Sein Core Examiner Guide liefert erste Fragen zur Eingrenzung, eine Liste angeforderter Dokumente und Prüfverfahren. Diese Verfahren behandeln Governance, Aufsicht, KI-Inventare, Anwendungsfälle, generative KI und andere neu entstehende Anwendungen.
Ein Examiner Work Program ergänzt die Durchführung der Prüfung um Details. Separate Ergänzungen für Nichtbanken behandeln Drittanbieterrisiken, Modellrisiken und Verbraucherschutz bei Nichtbank-Finanzdienstleistungsunternehmen.
Ein optionales AI Use Case Risk Tiering Worksheet unterstützt die fallbezogene Bewertung. Statt jedes KI-Tool als gleichermaßen gefährlich zu behandeln, können Prüfer Zweck, Risikoexposition, Komplexität, Folgen für Kunden und die Kontrollen rund um einen konkreten Einsatz berücksichtigen.
Das Source Support Document benennt die Materialien, die bei der Entwicklung des Rahmens verwendet wurden. Laut CSBS gehören dazu das AI Risk Management Framework des National Institute of Standards and Technology sowie die Arbeit des Finanzministeriums zur KI-Terminologie.
Diese Grundlage verbindet die staatliche Aufsicht mit etablierten Konzepten des Risikomanagements. Das NIST AI framework strukturiert die Arbeit zu KI-Risiken beispielsweise rund um Governance, Zuordnung, Messung und Steuerung von Risiken.
Das CSBS-Paket überträgt diese Konzepte in einen Prüfungskontext. Ein Institut muss möglicherweise nachweisen, wo KI eingesetzt wird, wer sie genehmigt hat, welche Daten sie berührt und wie ihre Leistung überwacht wird.
Prüfer können auch fragen, wie das Institut Systeme von Anbietern kontrolliert. Relevante Unterlagen können Verträge, Bedingungen zur Datennutzung, Testdokumente, Risikobewertungen und Beispiele kundenorientierter Ausgaben umfassen.
Bei agentischen Systemen wird die Prüfung operativer. Ein agentisches System kann mit begrenzter menschlicher Anleitung auf ein Ziel hinarbeiten und dabei Handlungen ausführen. Prüfer können seine zulässigen Handlungen, menschliche Kontrollpunkte, Aktivitätsprotokolle, Umkehrbarkeit und Notabschaltmechanismen untersuchen.
Dieser Grad an Spezifität verändert die Vorbereitung. Eine allgemeine KI-Richtlinie beantwortet nicht jede wahrscheinliche Frage. Institute benötigen Belege, die schriftliche Governance mit tatsächlichen Systemen, Anbietern, Entscheidungen und Kundenergebnissen verbinden.
Der Rahmen erfasst auch Anwendungen, die möglicherweise nie einer engen mathematischen Definition eines Modells entsprechen. Ein Kundenservice-Assistent, ein Recherchetool für Mitarbeiter, ein Betrugsworkflow oder ein autonomer Prozess können dennoch Datenschutz-, Cybersicherheits-, Compliance- und operationelle Risiken schaffen.
CSBS hat faktisch eine Landkarte von der KI-Erkennung bis zur vertieften Prüfung bereitgestellt. Diese Landkarte erzeugt die zentrale Spannung des Artikels: Staatliche Behörden behalten ihr Ermessen, doch beaufsichtigte Unternehmen wissen nun, welche Nachweise diese Behörden anfordern können.
Warum staatlich regulierte Unternehmen nun gewarnt sind
Der unmittelbare Druck trifft Institute, die kein verlässliches Inventar ihrer eigenen KI-Nutzung vorlegen können.
Ein KI-Inventar ist eine strukturierte Aufzeichnung eingesetzter oder genehmigter KI-Systeme. Es identifiziert üblicherweise jedes System nach Eigentümer, Zweck, Daten, Anbieter, Risikostufe, Nutzern, Kontrollen und Prüfungshistorie.
Viele Institute führen bereits Modellinventare und Anbieterlisten. Diese Aufzeichnungen erfassen möglicherweise nicht jede KI-gestützte Funktion in Produktivitätssoftware, Kundenplattformen, Sicherheitswerkzeugen oder ausgelagerten Geschäftsprozessen.
Das Erkennungsproblem wächst, wenn Anbieter KI durch routinemäßige Produktupdates hinzufügen. Eine Bank kann einen Softwaredienst für eine Funktion genehmigen und Monate später Funktionen zur Zusammenfassung oder automatisierten Entscheidungsfindung erhalten.
Auch die Nutzung durch Mitarbeiter schafft eine weitere Lücke. Beschäftigte können öffentliche KI-Assistenten, Browser-Erweiterungen oder integrierte Copilots verwenden, bevor Compliance-Teams die Aktivität klassifizieren. Jedes Tool zu blockieren löst die Governance-Frage nicht, wenn auch autorisierte Produkte KI einführen.
Der CSBS AI supervisory framework drängt Institute dazu, diese Fragmente zusammenzuführen. Prüfer können mit Fragen zur Eingrenzung und Dokumenten beginnen und anschließend Bereiche identifizieren, die eine nähere Prüfung verdienen.
Ein Finanzinstitut sollte Fragen zur Verantwortlichkeit erwarten. Prüfer möchten möglicherweise wissen, welcher Vorstand oder Ausschuss das KI-Risiko verantwortet und wer ein System aussetzen kann, wenn Probleme auftreten.
Diese Verantwortung kann nicht rein technisch bleiben. Ein Kredittool kann Anforderungen an faire Kreditvergabe berühren. Ein Kundenassistent kann Fragen zu Offenlegung, Datenschutz oder unfairen Praktiken aufwerfen. Ein Betrugssystem kann den Zugang zu Transaktionen und die Fehlerbehebung beeinflussen.
Das U.S. Government Accountability Office dokumentierte diese breitere Risikolandschaft in seiner financial AI review. Es identifizierte potenzielle Vorteile neben voreingenommenen Entscheidungen, Fehlern bei der Datenqualität, Datenschutzbedenken und neuen Cybersicherheitsbedrohungen.
Das GAO stellte außerdem fest, dass Finanzaufsichtsbehörden KI vor allem über bestehende Gesetze, Leitlinien und risikobasierte Prüfungen beaufsichtigen. CSBS folgt diesem Muster. Sein Rahmen hilft Prüfern, einen KI-Anwendungsfall mit bestehenden Aufsichtsbefugnissen und etablierten Risikokategorien zu verbinden.
Diese Struktur setzt sowohl Nichtbankunternehmen als auch Banken unter Druck. Hypothekenunternehmen, Geldtransferdienste, Verbraucherkreditgeber und andere lizenzierte Unternehmen sind oft in mehreren Bundesstaaten tätig.
Ein bundesstaatenübergreifend tätiges Unternehmen kann mit unterschiedlichen Umsetzungsentscheidungen verschiedener Behörden konfrontiert werden. Eine Aufsichtsbehörde kann den vollständigen Rahmen übernehmen, während eine andere ausgewählte Fragen oder bestehende Prüfverfahren nutzt.
Die praktische Antwort besteht nicht darin, für jede Rechtsordnung ein separates Governance-Programm aufzubauen. Unternehmen benötigen eine belastbare Beleggrundlage, die mehrere Aufsichtsansätze stützen kann.
Diese Grundlage beginnt mit dem Inventar, darf dort aber nicht enden. Jeder wesentliche Anwendungsfall benötigt einen benannten Verantwortlichen, einen genehmigten Zweck, dokumentierte Grenzen und Kontrollen, die seinen potenziellen Auswirkungen entsprechen.
Systeme von Drittanbietern erfordern besondere Aufmerksamkeit. Der Sicherheitsfragebogen eines Anbieters erklärt möglicherweise nicht, wie dessen KI-Funktion getestet wurde, ob Kundendaten ein anderes Modell trainieren oder wie sich Ausgaben nach Updates verändern.
Institute benötigen außerdem Nachweise über menschliche Aufsicht. Zu sagen, dass eine Person beteiligt bleibt, erklärt nicht, was diese Person prüft, wann sie eingreift oder ob sie eine automatisierte Handlung rückgängig machen kann.
Bei Wissensarbeit wird Dokumentation leichter, wenn Richtlinien, Genehmigungen, Anbieterunterlagen und Testaufzeichnungen gemeinsam durchsuchbar bleiben. Eine gepflegte AI knowledge base kann diese Arbeit unterstützen, ersetzt jedoch keine formalen Compliance-Systeme.
Die Institute unter dem größten Druck sind nicht unbedingt jene mit der meisten KI. Es sind jene, die nicht erklären können, wo KI arbeitet, warum sie eingesetzt wird und welche Kontrollen aus ihrem Risiko folgen.
Diese Unterscheidung spiegelt einen risikobasierten Ansatz wider. Ein Hilfswerkzeug mit geringem Einfluss zum Erstellen von Entwürfen sollte nicht dieselbe Prüfung erhalten wie eine automatisierte Kreditentscheidung oder eine autonome Zahlungsaktion.
Ein Institut muss jedoch zunächst beide Systeme identifizieren. Ohne Erkennung und Inventarisierung kann es keine glaubwürdige Risikounterscheidung treffen.
Die KI-Bankenaufsicht steht nun vor einer Konsistenzprüfung
Der zentrale Konflikt besteht zwischen aufsichtlicher Flexibilität und dem Bedarf an konsistenten Erwartungen über Bundesstaaten und Bundesbehörden hinweg.
CSBS bewahrt bewusst das Ermessen der Prüfer. Der Rahmen berücksichtigt Größe, Komplexität, Risikoprofil und tatsächliche KI-Nutzung eines Instituts.
Diese Anpassung kann kleinere Institute vor unverhältnismäßigem Compliance-Aufwand schützen. Eine Gemeinschaftsbank mit begrenzter KI-Exposition sollte nicht dasselbe Programm benötigen wie ein komplexer Finanzkonzern, der Modelle über wichtige Geschäftsbereiche hinweg einsetzt.
Die Flexibilität der Bundesstaaten spiegelt zudem die Struktur der amerikanischen Finanzaufsicht wider. Staatliche Behörden beaufsichtigen unterschiedliche Kombinationen von Banken, Kreditgebern, Geldtransferdiensten, Hypothekenunternehmen und anderen regulierten Unternehmen.
Der Zielkonflikt ist Vorhersehbarkeit. Wenn jede Behörde entscheidet, wie sie den Rahmen nutzt, können Institute nicht davon ausgehen, dass Prüfungen einem identischen Umfang oder Schwellenwert folgen.
Ein Prüfer kann den Core Examiner Guide als erste Vorprüfung behandeln. Eine andere Behörde könnte ihre Dokumentenanforderungen und Prüfungstätigkeit auf das gesamte Paket stützen.
Diese Sorge ist nicht theoretisch. CSBS-Vorsitzende Rhoshunda Kelly hat zuvor zu einer konsistenten Umsetzung aufsichtlicher Erwartungen und einer klareren Koordinierung zwischen staatlichen und föderalen Regulierungsbehörden aufgerufen.
Die föderale Position schafft eine weitere Ebene. Im April 2026 überarbeiteten die Federal Reserve, das Office of the Comptroller of the Currency und die Federal Deposit Insurance Corporation ihre gemeinsame Leitlinie zum Modellrisiko.
Die revised federal guidance betont einen risikobasierten Ansatz, der auf Modellrisiko, Organisationsgröße und operative Komplexität zugeschnitten ist. Sie behandelt Entwicklung, Validierung, Überwachung, Governance, Inventare, Dokumentation und Anbieterprodukte.
Diese Leitlinie erklärt jedoch, dass generative und agentische KI neuartig sind und sich schnell entwickeln. Deshalb schließt sie diese Systeme vom formalen Geltungsbereich des Dokuments aus.
Dieser Ausschluss bedeutet nicht, dass Banken generative KI ohne Kontrollen einsetzen können. Die Leitlinie besagt, dass umfassendere Praktiken für Risikomanagement und Governance die angemessene Aufsicht über Werkzeuge außerhalb ihres Geltungsbereichs bestimmen sollten.
Das schafft ein Abgrenzungsproblem. Ein traditionelles statistisches System kann klar unter die bundesrechtlichen Vorgaben zum Modellrisiko fallen. Ein generativer Assistent, der mit demselben Workflow verbunden ist, kann Kontrollen aus anderen Rahmenwerken erfordern.
CSBS befasst sich mit der Erkennungsseite dieser Lücke. Sein Leitfaden für Prüfer schließt generative KI und neue Anwendungsfälle ausdrücklich in die Verfahren der Erstprüfung ein.
Die beiden Ansätze stehen nicht in direktem Widerspruch. Bundesbehörden haben einen bestimmten Bereich der Modellleitlinien eingegrenzt, während CSBS einen breiteren Prüfungsrahmen geschaffen hat, der auf bestehende Aufsichtsressourcen verweist.
Dennoch müssen Unternehmen diese Unterscheidung in die Praxis übersetzen. Sie müssen wissen, wann ein System ein erfasstes Modell, ein KI-gestützter Prozess, ein Drittanbieterdienst oder mehrere dieser Kategorien zugleich ist.
Abhängigkeiten von Anbietern erschweren die Einordnung. Ein Finanzinstitut erhält möglicherweise keinen Zugang zu Trainingsdaten, zugrunde liegendem Code, Bewertungsmethoden oder vollständigen Leistungsnachweisen.
Bundesleitlinien besagen, dass proprietäre Komponenten von Anbietern Validierungsprobleme verursachen können. Sie erwarten dennoch, dass Organisationen die konzeptionelle Solidität, das Design, die Entwicklungsdaten, die Leistung und die fortlaufende Eignung für den Zweck verstehen.
Anbieter generativer KI stellen möglicherweise nicht all diese Informationen bereit. Ihre Produkte können sich zudem häufiger verändern als konventionelle Bankmodelle, mitunter durch Aktualisierungen, die vollständig vom Anbieter gesteuert werden.
CSBS bietet staatlichen Prüfern einen Weg, diese Unsicherheit zu untersuchen. Seine Ergänzungen für Nichtbanken und Dokumentenanfragen können die Anbieteraufsicht mit Verbraucherschutz, betrieblichen Kontrollen und gegebenenfalls Modellrisiko verbinden.
Auch die Bundesbehörden überarbeiten die Drittanbieteraufsicht. Ihr Vorschlag zu Drittparteien vom September 2026 strebt einen prinzipienbasierten Ansatz an, der auf einzelne Beziehungen zugeschnitten ist.
Dieser Vorschlag ist unverbindlich, und öffentliche Stellungnahmen sind weiterhin Teil des Verfahrens. Er zeigt dennoch, dass sich die Anbieteraufsicht parallel zur KI-Aufsicht weiterentwickelt.
Institute stehen daher mehreren beweglichen Ebenen gegenüber. Sie müssen die Umsetzung durch die Bundesstaaten, bundesrechtliche Modellgrenzen, sich entwickelnde Leitlinien für Drittanbieter und Gesetze zur zugrunde liegenden Finanzaktivität verfolgen.
Die beste Absicherung ist ein Kontrollsystem, das dem Anwendungsfall folgt und nicht dessen Bezeichnung. Ob Software Copilot, Assistent, Algorithmus oder Workflow genannt wird, sollte nicht die gesamte Risikoanalyse bestimmen.
Zweck, Befugnisse, Datenzugriff, Kundenwirkung und Reversibilität bieten dauerhaftere Kriterien. Diese Faktoren bleiben relevant, selbst wenn ein Anbieter das zugrunde liegende Modell verändert.
Ein praktischer Leitfaden lässt weiterhin Rechtsunsicherheit
Das Rahmenwerk verbessert die Bereitschaft für Prüfungen, beantwortet jedoch nicht die Fragen zu Befugnissen, Durchsetzung oder Standardisierung der KI-Aufsicht im Bankwesen.
CSBS erklärt, dass das Rahmenwerk im Ermessen der Beteiligten steht. Außerdem heißt es, dass jede staatliche Behörde selbst bestimmt, ob und wie die Materialien in ihr Aufsichtsprogramm aufgenommen werden.
Das begrenzt Aussagen über eine unmittelbare landesweite Wirkung. Die Veröffentlichung bedeutet nicht, dass jeder staatliche Prüfer im nächsten Prüfungszyklus jedes Arbeitsblatt einsetzen wird.
Das Rahmenwerk schafft für sich genommen auch keine neue rechtliche Verpflichtung. Eine Prüfungsfeststellung kann KI-Aktivitäten weiterhin mit bestehenden Gesetzen, Bedenken hinsichtlich Sicherheit und Solidität, Verbraucherschutzanforderungen oder etablierten Aufsichtserwartungen verknüpfen.
Diese Unterscheidung ist für regulierte Unternehmen wichtig. Ein als freiwillig bezeichnetes Dokument kann beeinflussen, wie Prüfer Nachweise anfordern und bewerten, ob gegen eine andere verbindliche Anforderung verstoßen wurde.
Die praktische Belastung kann eintreten, bevor es zu einer formellen Durchsetzungsmaßnahme kommt. Institute können umfangreichere Dokumentenanfragen erhalten, mit Nachfragen konfrontiert werden oder Fachpersonal benötigen, um komplexe Systeme zu erläutern.
Kleinere Unternehmen könnten mit dieser Vorbereitung Schwierigkeiten haben. Sie sind stark von Kernsystemdienstleistern und Technologieanbietern abhängig, haben jedoch oft weniger Verhandlungsmacht, um detaillierte KI-Dokumentation zu erhalten.
Ein Anbieter kann einen standardisierten Prüfbericht bereitstellen, ohne Modellverhalten, Prompt-Verarbeitung, Subunternehmer oder Kontrollen für Aktualisierungen offenzulegen. Das Institut bleibt dafür verantwortlich, Risiken zu verstehen, die es nur teilweise beobachten kann.
Die Risikoeinstufung führt eine weitere Unsicherheit ein. Das optionale Arbeitsblatt fördert eine verhältnismäßige Prüfung, doch Risikoklassifikationen beruhen auf Annahmen zu Wirkung, Autonomie, Daten und Wirksamkeit der Kontrollen.
Zwei Prüfer können denselben Anwendungsfall nachvollziehbar unterschiedlich einstufen. Ein Schreibassistent mag risikoarm erscheinen, bis Mitarbeitende vertrauliche Kundendaten eingeben oder sich auf erfundene Rechtsanalysen verlassen.
Kundengerichtete Ausgaben erhöhen die Komplexität zusätzlich. Ein Chatbot trifft möglicherweise keine formellen Kreditentscheidungen, doch unzutreffende Antworten können Beschwerden, Gebühren, Kontozugriff oder das Verständnis der Verbraucher über ihre Rechte beeinflussen.
Agentische Systeme erhöhen den operativen Einsatz. Menschliche Genehmigung ist nur dann bedeutsam, wenn die prüfende Person über genügend Informationen, Zeit, Befugnisse und Fachwissen verfügt, um eine schädliche Handlung zu stoppen.
Auch Protokolle benötigen inhaltliche Substanz. Ein Datensatz, der zeigt, dass ein KI-System gehandelt hat, beweist weder, dass die Entscheidung angemessen war, noch dass seine Begründung rekonstruiert werden kann.
Die Abstützung des Rahmenwerks auf bestehende Aufsichtsressourcen ist sinnvoll, kann jedoch zu überlappenden Prüfungen führen. Eine einzelne KI-Einführung kann Cybersicherheit, Datenschutz, Drittparteirisiko, operative Resilienz, Verbraucher-Compliance und Modellgovernance berühren.
Diese Überschneidung kann die Abdeckung verbessern, wenn Teams koordiniert arbeiten. Sie kann aber auch doppelte Anfragen oder widersprüchliche Kontrollerwartungen erzeugen, wenn Zuständigkeiten unklar bleiben.
Die Qualität der Nachweise stellt eine weitere Herausforderung dar. Institute sollten Behauptungen von Anbietern von unabhängigen Tests, internen Bewertungen, Produktionsüberwachung und Kundenergebnissen unterscheiden.
Eine von einem Anbieter bereitgestellte Demonstration belegt keine Leistung in der Umgebung einer Bank. Tests sollten die Nutzer, Daten, Workflows, Fehlermodi und rechtlichen Verpflichtungen des Instituts widerspiegeln.
Generative Ausgaben erfordern eine Bewertung, die über herkömmliche Genauigkeit hinausgeht. Prüfer müssen möglicherweise Erfindungen, schädliche Anweisungen, Datenabfluss, uneinheitliche Behandlung, Prompt-Angriffe und Widerstandsfähigkeit gegen unbefugte Handlungen bewerten.
Auch kontinuierliche Überwachung wird schwieriger, wenn sich Systeme rasch verändern. Eine vor dem Start durchgeführte Kontrollbewertung kann nach einer Änderung des Modells, der Datenquelle, des Prompts oder der Integration an Relevanz verlieren.
Deshalb müssen Inventare Auslöser für den Lebenszyklus enthalten. Institute sollten festlegen, welche Änderungen erneute Tests, Rechtsprüfung, Anbieterbewertung, Genehmigung durch die Geschäftsleitung oder eine Aussetzung erfordern.
Die CSBS AI framework explained als einfache Compliance-Checkliste zu verstehen, würde diesen Punkt verfehlen. Ihr Wert liegt darin, Untersuchungen zu strukturieren, nicht darin, ein System dauerhaft als sicher zu zertifizieren.
Es gibt zudem noch keine Belege dafür, dass alle staatlichen Behörden das Paket einheitlich auslegen werden. Die frühe Prüfungspraxis wird zeigen, ob das Rahmenwerk zu einer Annäherung oder zu einer weiteren Ebene regionaler Unterschiede führt.
Institute sollten zwei gegensätzliche Fehler vermeiden. Sie sollten ein Ermessensrahmenwerk weder als unmittelbar verbindliche Regel behandeln noch es als irrelevante Leitlinie abtun.
Die zutreffendere Lesart liegt zwischen diesen Positionen. CSBS hat ein gemeinsames Aufsichtsvokabular und einen wiederverwendbaren Prozess geschaffen. Einführung, Auslegung und Durchsetzung bleiben dezentralisiert.
Drei Signale werden zeigen, ob das Rahmenwerk Bedeutung erlangt
Der tatsächliche Einfluss des Rahmenwerks wird durch die Einführung durch die Bundesstaaten, die Prüfungspraxis und die Abstimmung mit sich entwickelnden Bundesleitlinien sichtbar werden.
Das erste Signal ist die formelle oder operative Übernahme durch staatliche Behörden. Öffentliche Mitteilungen, überarbeitete Prüfungshandbücher, neue Dokumentenanfragen und Prüfertrainings werden zeigen, wo das Rahmenwerk aktiv wird.
Ein Bundesstaat muss keine neue Regulierung erlassen, damit das Rahmenwerk folgenreich wird. Die Aufnahme seiner Fragen in Routineprüfungen kann verändern, wie Unternehmen sich vorbereiten und wie Prüfer risikoreichere Anwendungen erkennen.
Eine breite Einführung würde die Argumente für ein einheitliches unternehmensweites Nachweissystem stärken. Eine fragmentierte Einführung würde die Notwendigkeit erhöhen, Governance-Aufzeichnungen an jurisdiktionsspezifischen Erwartungen auszurichten.
Das zweite Signal ist der Inhalt tatsächlicher Prüfungen. Institute sollten beobachten, ob Prüfer zunächst Inventare und Governance in den Mittelpunkt stellen oder rasch zur Prüfung einzelner Anwendungsfälle übergehen.
Anfragen nach Verträgen mit Anbietern, Modelldokumentation, Ausgabebeispielen, Vorfallsaufzeichnungen und Risikobewertungen werden zeigen, welche Abschnitte in der Praxis das größte Gewicht haben.
Besondere Bedeutung hätte die Aufmerksamkeit für agentische Kontrollen. Fragen zu erlaubten Handlungen, menschlichen Kontrollpunkten, Prüfprotokollen, Reversibilität und Abschaltmechanismen würden auf eine tiefere operative Prüfung hinweisen.
Prüfungen werden auch zeigen, wie Prüfer den informellen Einsatz durch Mitarbeitende behandeln. Ein Rahmenwerk, das nur auf genehmigte Unternehmenssysteme ausgerichtet ist, könnte erhebliche Daten- und Entscheidungsrisiken übersehen.
Das dritte Signal ist die Abstimmung auf Bundesebene. Bundesbehörden haben die aktuellen Leitlinien zum Modellrisiko eingegrenzt und bereiten zugleich weitere Arbeit zu KI und Drittparteibeziehungen vor.
Die OCC erklärte im April, dass die Behörden weitere Informationssammlungen zu KI planten, einschließlich generativer und agentischer Systeme. Daraus resultierende Anfragen oder Leitlinien können klären, wo sich der bundesrechtliche Ansatz mit CSBS überschneidet.
Ein koordinierter Ansatz würde die Unsicherheit für staatlich zugelassene Banken reduzieren, die zugleich bundesrechtlicher Aufsicht unterliegen. Abweichende Definitionen oder Dokumentationsstandards würden zusätzlichen Übersetzungsaufwand schaffen.
Die fortlaufende Aufmerksamkeit des GAO für die Aufsicht über Kreditgenossenschaften bietet einen weiteren nützlichen Indikator. Seine Empfehlung für umfassendere Leitlinien zum Modellrisiko zeigt, dass die Aufsichtsabdeckung zwischen verschiedenen Institutstypen weiterhin uneinheitlich ist.
Keines dieser Signale erfordert, dass Unternehmen abwarten. Das Rahmenwerk benennt bereits Vorbereitungsarbeiten, die eine solide Governance unabhängig von der Einführungsentscheidung einer bestimmten Behörde unterstützen.
Institute können ihre Inventare überprüfen, verantwortliche Eigentümer zuweisen, Anwendungsfälle klassifizieren und Genehmigungskriterien dokumentieren. Sie können zudem testen, ob Anbieterunterlagen die Fragen beantworten, die ein Prüfer wahrscheinlich stellen wird.
Systeme mit hoher Wirkung verdienen eine Ergebnisüberwachung, die an ihren tatsächlichen Zweck gebunden ist. Ein Betrugsinstrument sollte anhand von Betrugsergebnissen und Kundenbeeinträchtigungen bewertet werden, nicht nur anhand technischer Benchmarks.
Kundengerichtete Systeme benötigen eine repräsentative Überprüfung ihrer Ausgaben. Teams sollten Nachweise über Fehler, Korrekturen, Beschwerden und Änderungen aufbewahren, statt nur erfolgreiche Demonstrationen zu dokumentieren.
Agentische Implementierungen erfordern klar begrenzte Befugnisse. Organisationen sollten festlegen, welche Handlungen eine Genehmigung benötigen, welche rückgängig gemacht werden können und wer das System während eines Vorfalls deaktivieren kann.
Vorstände und leitende Führungskräfte müssen nicht jede Modellarchitektur beherrschen. Sie benötigen jedoch präzise Berichte über wesentliche Anwendungen, ungelöste Risiken, Vorfälle, Einschränkungen von Anbietern und akzeptierte Ausnahmen.
Dieselbe Disziplin hilft Mitarbeitenden. Klare Regeln sollten zwischen genehmigten Systemen und verbotenen Anwendungen unterscheiden und erläutern, wie Beschäftigte unerwartetes Verhalten melden können.
Das CSBS AI supervisory framework wird vor allem dann Bedeutung erlangen, wenn es diese betrieblichen Gewohnheiten verändert. Ein gut organisierter Richtlinienordner allein wird keine Kontrolle über eingesetzte Systeme nachweisen.
Für Technologieanbieter ist die Botschaft ebenso eindeutig. Finanzinstitute werden zunehmend klarere Dokumentation zur Datenverarbeitung, zu Tests, Systemänderungen, Subunternehmern, Protokollen und menschlichen Eingriffen verlangen.
Anbieter, die keine glaubwürdigen Nachweise liefern können, können schwieriger zu genehmigen sein, selbst wenn ihre Produkte gut funktionieren. Beschaffungsteams benötigen vertragliche Rechte, die eine fortlaufende Aufsicht nach der Einführung unterstützen.
Für Finanzinstitute ist der nächste Schritt eine gezielte Bereitschaftsprüfung. Kann die Organisation jede wesentliche KI-Anwendung identifizieren, sie einem verantwortlichen Eigentümer zuordnen und Nachweise zur Unterstützung ihrer Risikoklassifikation vorlegen?
Kann sie erklären, was ein System eines Anbieters tut, ohne sich vollständig auf Vertriebsunterlagen zu stützen? Kann sie aufzeigen, was geschieht, wenn das System ausfällt oder eine unbefugte Handlung vornimmt?
Diese Fragen erfassen die praktische Bedeutung des neuen Rahmens. Die Umsetzung auf Ebene der Bundesstaaten bleibt ungewiss, doch die erwarteten Nachweise werden klarer.
Die nächste Prüfung wird möglicherweise nicht jedes CSBS-Dokument heranziehen. Sie kann dennoch dieselbe grundlegende Frage stellen: Versteht und kontrolliert das Institut die KI, die innerhalb seines Geschäfts tätig ist?
