← Alle BeiträgePRAXISWISSEN

KI-Nachvollziehbarkeit: Was muss protokolliert werden?

Nachvollziehbarkeit bedeutet, eine relevante Ausgabe später ihrem Zweck, Eingabestand, Modell, Prompt, Datenquellen, Prüfungen, Änderungen und Freigaben zuordnen zu können. Vollständiges Rohdatenlogging ist weder immer nötig noch immer zulässig. Der Beitrag zeigt ein kontrolliertes Vorgehen, ein realistisches CTPM-Praxisbeispiel und ein konkretes Transferergebnis.

Realistische Unternehmensszene zum Thema KI-Nachvollziehbarkeit: Was muss protokolliert werden?
Kurzantwort

Nachvollziehbarkeit bedeutet, eine relevante Ausgabe später ihrem Zweck, Eingabestand, Modell, Prompt, Datenquellen, Prüfungen, Änderungen und Freigaben zuordnen zu können. Vollständiges Rohdatenlogging ist weder immer nötig noch immer zulässig.

Was der Begriff tatsächlich bedeutet

Protokollierung richtet sich nach Auswirkung, Streitpotenzial und Wiederholbarkeit. Metadaten und Hashwerte können genügen, während sensible Inhalte getrennt geschützt oder gar nicht gespeichert werden.

Warum das im Unternehmen relevant ist

Nachweise müssen nutzbar sein: klare Zeitbasis, korrelierbare IDs, unveränderbare Freigaben, definierte Aufbewahrung und Zugriff nur für berechtigte Rollen.

Kontrolliert vorgehen

Der CTPM-Praxisrahmen für kontrollierbare KI-Anwendungen führt in sieben Schritten von der Aufgabe zur belastbaren Nutzung: Aufgabe verstehen, Kontext und Daten klären, KI gezielt einsetzen, fachlich prüfen, Abweichungen behandeln, verantwortlich freigeben und den Transfer dokumentieren. Er ist ein transparenter Arbeitsrahmen, keine Zertifizierung.

  • Aufgabe und Wirkung festlegen
  • Daten, Kontext und Berechtigung klären
  • Ergebnis gegen fachliche Kriterien prüfen
  • Abweichung, Freigabe und Nachweis regeln

CTPM-Praxisbeispiel

CTPM-Praxisbeispiel: Ein Dokumentenworkflow speichert Vorgangs-ID, Dokumentversion, Promptversion, Modell, Quellen, Prüfergebnis und Freigabe. Originaldaten bleiben im führenden System statt im KI-Log.

Qualitäts- und Testkriterien

Die folgenden Kriterien machen die Qualität für diesen Anwendungsfall beobachtbar:

  • Ein Vorgang ist Ende-zu-Ende korrelierbar.
  • Versionen von Modell, Prompt und Wissen sind erkennbar.
  • Logs vermeiden unnötige vertrauliche Inhalte.
  • Aufbewahrung, Zugriff und Löschung sind getestet.

Risiken und typische Fehlannahmen

Zu wenig Logging verhindert Ursachenanalyse; zu viel Logging schafft Datenschutz-, Sicherheits- und Kostenrisiken. Manipulierbare Tabellen sind kein belastbarer Freigabenachweis.

Beispiel für Ihr Transferergebnis

Transferergebnis: ein Nachweiskonzept mit Ereignissen, Feldern, Schutzklasse, Aufbewahrung, Zugriff und Audit-Fragen.

Quellen und Referenzen

  1. NIST: Artificial Intelligence Risk Management Framework (AI RMF 1.0) (2023)
  2. European Commission: Guidelines on transparency obligations under the AI Act (2025)
  3. Google: Site Reliability Engineering: Monitoring Distributed Systems (2016)
  4. NIST: NIST Privacy Framework (2020)