Der Kern des Konzepts lässt sich auf einen einfachen Gedanken bringen: Ein KI-System kann technisch brillant und dennoch nicht vertrauenswürdig sein – etwa weil es Menschen diskriminiert, undurchschaubar entscheidet oder sich in unerwarteten Situationen unsicher verhält. Umgekehrt entsteht Vertrauen nicht allein durch Genauigkeit, sondern durch die Kombination mehrerer Eigenschaften. Die von der High-Level Expert Group on Artificial Intelligence (HLEG) der Europäischen Kommission veröffentlichten „Ethik-Leitlinien für eine vertrauenswürdige KI“ benennen dafür drei tragende Komponenten, die über den gesamten Lebenszyklus eines Systems zusammenwirken müssen.
Diese drei Komponenten sind: Erstens soll KI rechtmäßig (lawful) sein, also geltendes Recht und geltende Vorschriften einhalten. Zweitens soll sie ethisch (ethical) sein, das heißt ethische Grundsätze und Werte achten. Und drittens soll sie robust (robust) sein – sowohl in technischer als auch in gesellschaftlicher Hinsicht, weil selbst gut gemeinte Systeme unbeabsichtigten Schaden anrichten können. Erst wenn alle drei Dimensionen erfüllt sind, spricht das Konzept von vertrauenswürdiger KI. Aus diesen drei Komponenten leitet die HLEG die sieben konkreten Anforderungen ab, die in Kapitel 02 im Mittelpunkt stehen.
KI-Systeme treffen oder beeinflussen zunehmend Entscheidungen, die Menschen unmittelbar betreffen – von der Vorauswahl im Recruiting über Bonitätsbewertungen bis zur Priorisierung im Kundenservice. Je größer die Tragweite, desto wichtiger wird die Frage, ob man den Ergebnissen trauen kann. Fehlt dieses Vertrauen, bleibt selbst die leistungsfähigste KI in der Schublade, weil Mitarbeitende sie nicht nutzen, Kund:innen sie ablehnen oder Aufsichtsbehörden sie beanstanden. Vertrauen ist damit keine weiche Zusatzeigenschaft, sondern eine harte Voraussetzung für die tatsächliche Wertschöpfung mit KI.
Hinzu kommt eine wirtschaftliche Dimension: Vertrauen senkt Transaktionskosten. Ein KI-System, dessen Funktionsweise nachvollziehbar ist, dessen Grenzen bekannt sind und dessen Verhalten sich vorhersagen lässt, muss nicht bei jeder Entscheidung neu hinterfragt werden. Es lässt sich in Prozesse integrieren, an Partner weitergeben und gegenüber Prüfstellen belegen. Vertrauenswürdige KI ist deshalb nicht nur ethisch geboten, sondern auch betriebswirtschaftlich sinnvoll – sie macht KI überhaupt erst betriebstauglich und skalierbar.
Ein häufiges Missverständnis lautet, Vertrauenswürdigkeit sei ein Häkchen, das man einmal setzt. Tatsächlich ist sie das Ergebnis eines fortlaufenden Prozesses über den gesamten Lebenszyklus – von der Idee über Datenauswahl, Entwicklung und Test bis zum Betrieb, zur Überwachung und schließlich zur Außerbetriebnahme. Ein System, das heute vertrauenswürdig arbeitet, kann es morgen nicht mehr sein, weil sich Daten, Nutzung oder Umfeld verändert haben. Die HLEG betont deshalb ausdrücklich, dass die Anforderungen kontinuierlich zu bewerten und anzupassen sind.
Für Unternehmen folgt daraus eine wichtige Konsequenz: Vertrauenswürdige KI lässt sich nicht einkaufen, sondern muss organisatorisch verankert werden. Sie braucht Rollen, Prozesse und eine Kultur, in der kritische Fragen erlaubt und Fehlfunktionen meldbar sind. Genau hier setzt der Bogen zu KI-Governance, zu Managementsystemen wie ISO/IEC 42001 und zu Rahmenwerken wie dem NIST AI Risk Management Framework an, die in Kapitel 07 näher betrachtet werden.
Die sieben Anforderungen sind bewusst nicht als Rangfolge gedacht, sondern als ineinandergreifendes System. Transparenz ohne menschliche Aufsicht bleibt folgenlos; Fairness ohne belastbare Daten-Governance lässt sich nicht überprüfen; Robustheit ohne Rechenschaft schafft keine Verantwortlichkeit. Erst im Zusammenspiel entsteht ein vertrauenswürdiges System. Deshalb betont die HLEG, dass die Anforderungen je nach Anwendungsfall unterschiedlich stark gewichtet werden können, aber keine von ihnen grundsätzlich entbehrlich ist.
Für die Praxis ist wichtig, dass diese Anforderungen technischer und nicht-technischer Natur sind. Manche lassen sich mit Werkzeugen adressieren – etwa Erklärbarkeitsmethoden oder Tests gegen Angriffe. Andere erfordern Prozesse, Rollen und Kultur – etwa Beschwerdewege, Verantwortlichkeiten und die Einbindung betroffener Gruppen. Vertrauenswürdige KI ist damit immer eine Aufgabe an der Schnittstelle von Technik, Organisation und Recht und lässt sich nicht allein durch bessere Modelle lösen.
Die HLEG stützt die sieben Anforderungen auf vier ethische Grundprinzipien, die aus den Grundrechten abgeleitet sind: die Achtung der menschlichen Autonomie, die Schadensverhütung, die Fairness und die Erklärbarkeit. Aus diesen Prinzipien werden die konkreten Anforderungen entwickelt, damit sie nicht abstrakt bleiben, sondern operationalisierbar werden. Diese Verbindung von Grundwerten und praktischen Anforderungen ist der eigentliche methodische Beitrag der Leitlinien – und der Grund, warum sie bis heute als Referenz gelten, obwohl sie selbst nicht rechtsverbindlich sind.
Robustheit meint, dass ein KI-System auch unter widrigen Bedingungen verlässlich funktioniert. Dazu gehört, dass es korrekte und reproduzierbare Ergebnisse liefert, mit Fehleingaben und Störungen umgehen kann und nicht durch gezielte Manipulation zu falschem Verhalten verleitet wird. Anders als bei klassischer, regelbasierter Software entsteht das Verhalten eines KI-Systems aus Daten – und damit auch die Gefahr, dass es in Situationen, die im Training nicht vorkamen, unerwartet oder unsicher reagiert. Robustheit ist deshalb kein einmaliger Nachweis, sondern eine Eigenschaft, die kontinuierlich überwacht werden muss.
Die HLEG unterscheidet innerhalb der technischen Robustheit vier eng verwandte Aspekte, die in der Praxis zusammen betrachtet werden sollten:
Robustheit und Cybersicherheit greifen bei KI besonders eng ineinander. Ein KI-System ist ein Software-Artefakt und teilt daher zunächst alle klassischen Sicherheitsanforderungen. Hinzu kommen aber KI-spezifische Angriffsflächen: Modelle können durch manipulierte Eingaben getäuscht, durch das Auslesen von Ausgaben teilweise rekonstruiert oder durch vergiftete Trainingsdaten in ihrem Verhalten verändert werden. Ein durchdachtes Sicherheitskonzept für KI berücksichtigt deshalb sowohl die konventionelle IT-Sicherheit als auch diese neuen Vektoren – idealerweise eingebettet in ein bestehendes Informationssicherheits-Managementsystem.
Für den Mittelstand ist die praktische Botschaft entlastend: Die meisten Betreiber müssen keine eigenen Angriffe erforschen, sondern von ihren Anbietern belastbare Aussagen zur Robustheit einfordern und die eigenen Einsatzbedingungen absichern. Wer ein KI-Werkzeug einkauft, sollte fragen, wie mit Fehlern umgegangen wird, welche Genauigkeit für den konkreten Zweck belegt ist und welche Rückfallebenen vorgesehen sind. Diese Fragen gehören in die Lieferantenbewertung und in Verträge.
Die HLEG fasst unter Transparenz drei zusammenhängende Aspekte: die Rückverfolgbarkeit (Traceability) der Daten und Prozesse, die Erklärbarkeit (Explainability) der Entscheidungen und die Kommunikation gegenüber den betroffenen Menschen. Rückverfolgbarkeit bedeutet, dass dokumentiert ist, mit welchen Daten ein System trainiert wurde, wie es entwickelt und getestet wurde und wie einzelne Ergebnisse zustande kommen. Erst diese Dokumentation macht ein System prüfbar – im eigenen Haus wie gegenüber Aufsicht und Kunden.
Der technisch anspruchsvollste Teil der Transparenz ist die Erklärbarkeit. Viele moderne KI-Modelle sind so komplex, dass ihre Entscheidungen nicht unmittelbar verständlich sind. Das Feld der erklärbaren KI – Explainable AI, kurz XAI – entwickelt Methoden, um solche Modelle nachvollziehbar zu machen: etwa indem sichtbar wird, welche Merkmale eine Entscheidung beeinflusst haben, oder indem einzelne Vorhersagen mit verständlichen Begründungen versehen werden. Wichtig ist dabei die Adressatengerechtigkeit: Eine Erklärung für Entwickler:innen sieht anders aus als eine für Betroffene oder für eine Aufsichtsbehörde.
Erklärbarkeit ist jedoch kein Selbstzweck, sondern dient konkreten Funktionen: Sie ermöglicht menschliche Aufsicht, weil man nur überstimmen kann, was man versteht. Sie erlaubt die Prüfung auf unfaire Verzerrungen, weil sichtbar wird, worauf ein System reagiert. Und sie schafft die Grundlage für Rechenschaft, weil Entscheidungen begründbar werden. Damit ist Transparenz eng mit den Anforderungen aus Kapitel 05 und 06 verwoben – sie ist gewissermaßen deren technische Voraussetzung.
Die dritte Dimension ist die offene Kommunikation. Menschen sollen wissen, dass sie mit einem KI-System interagieren, und sie sollen die Fähigkeiten und Grenzen des Systems einschätzen können. Ein Chatbot sollte sich als solcher zu erkennen geben; eine KI-gestützte Empfehlung sollte als solche kenntlich sein; und Nutzende sollten erfahren, was das System kann und was nicht. Diese Kommunikationspflichten sind organisatorisch meist gut beherrschbar und überschneiden sich teilweise mit den Transparenzpflichten des EU AI Act – ein Beispiel dafür, wie das ethische Rahmenwerk und die spätere Regulierung ineinandergreifen.
Die HLEG fasst diese Anforderung unter „Vielfalt, Nicht-Diskriminierung und Fairness“ zusammen und benennt drei Stoßrichtungen: die Vermeidung unfairer Verzerrungen (Bias), die Barrierefreiheit und universelles Design sowie die Einbeziehung betroffener Gruppen (Stakeholder-Beteiligung). Der Kerngedanke: Ein KI-System soll niemanden ohne sachlichen Grund benachteiligen und möglichst allen Menschen zugänglich sein – unabhängig von Merkmalen wie Geschlecht, Herkunft, Alter oder Behinderung.
Unfaire Verzerrungen sind selten Absicht. Meist entstehen sie aus den Daten: Wenn historische Daten bestehende Ungleichheiten enthalten, lernt ein Modell diese Muster und schreibt sie fort. Ein bekanntes Beispielmuster ist die Personalauswahl, bei der ein System aus vergangenen Einstellungsentscheidungen lernt und dabei unbeabsichtigt Gruppen benachteiligt, die in der Vergangenheit seltener eingestellt wurden. Bias kann aber auch aus der Modellierung selbst, aus unausgewogenen Stichproben oder aus der Art der Nutzung entstehen. Wichtig ist die Erkenntnis: Fairness lässt sich nicht durch Weglassen sensibler Merkmale allein herstellen, weil andere Merkmale als Stellvertreter wirken können.
Weil es keinen einzelnen, universell gültigen Fairness-Begriff gibt, erfordert Fairness immer eine bewusste Abwägung. Verschiedene mathematische Fairness-Definitionen können sich sogar widersprechen, sodass eine Organisation entscheiden muss, welches Verständnis von Gerechtigkeit für den konkreten Anwendungsfall angemessen ist. Diese Entscheidung ist nicht rein technisch, sondern normativ – und sollte deshalb bewusst getroffen, begründet und dokumentiert werden, idealerweise unter Einbeziehung betroffener Perspektiven.
Fairness endet nicht bei der Vermeidung von Diskriminierung. Die HLEG betont ebenso das universelle Design: KI-Systeme sollen so gestaltet sein, dass sie möglichst allen Menschen zugänglich sind, auch Menschen mit Behinderungen. Barrierefreiheit ist damit kein Randthema, sondern integraler Bestandteil vertrauenswürdiger KI. Dazu gehört, dass Benutzeroberflächen, Erklärungen und Interaktionswege inklusiv gestaltet werden.
Der dritte Baustein ist die Einbeziehung betroffener Gruppen über den gesamten Lebenszyklus. Wer ein KI-System entwickelt oder einführt, sollte die Perspektiven derer einholen, die von seinen Ergebnissen betroffen sind. Das schärft den Blick für mögliche Verzerrungen, deckt blinde Flecken auf und erhöht die Akzeptanz. Für den Mittelstand bedeutet das nicht zwingend aufwendige Verfahren, sondern oft schon den bewussten Einbezug von Fachbereichen, Betriebsrat oder Testnutzenden vor dem breiten Einsatz.
Die Anforderung „Vorrang menschlichen Handelns und menschliche Aufsicht“ steht bewusst an erster Stelle der HLEG-Liste. Ihr Kern: KI soll die menschliche Autonomie und Entscheidungsfähigkeit unterstützen, nicht ersetzen oder untergraben. Menschen sollen in der Lage bleiben, informierte Entscheidungen zu treffen, und dürfen nicht in unzulässiger Weise durch KI manipuliert, konditioniert oder in Abhängigkeit gebracht werden. Aus diesem Grundsatz folgt die Notwendigkeit einer wirksamen menschlichen Aufsicht über KI-Systeme.
Menschliche Aufsicht lässt sich auf verschiedenen Ebenen verankern, die häufig mit den Begriffen Human-in-the-Loop, Human-on-the-Loop und Human-in-Command beschrieben werden. Beim Human-in-the-Loop greift ein Mensch in jeden einzelnen Entscheidungszyklus ein – geeignet für besonders sensible Entscheidungen. Beim Human-on-the-Loop überwacht ein Mensch den laufenden Betrieb und kann bei Bedarf eingreifen, ohne jede Einzelentscheidung zu treffen. Der Human-in-Command-Ansatz schließlich beschreibt die übergeordnete Fähigkeit, den Einsatz eines KI-Systems insgesamt zu überwachen, zu steuern und bei Bedarf zu unterbinden. Welches Modell angemessen ist, hängt vom Risiko des Anwendungsfalls ab.
Entscheidend ist, dass Aufsicht wirksam ist und nicht nur auf dem Papier existiert. Eine reine Bestätigungsfunktion, bei der ein Mensch KI-Vorschläge nur noch abnickt, erfüllt den Anspruch nicht. Wirksame Aufsicht setzt voraus, dass die aufsichtführende Person die Entscheidung versteht (Transparenz), über ausreichende Kompetenz verfügt, genügend Zeit und Autorität hat und tatsächlich eingreifen kann. Damit ist die menschliche Aufsicht eng mit Transparenz, KI-Kompetenz und der Gestaltung von Prozessen verknüpft.
Die Anforderung „gesellschaftliches und ökologisches Wohl“ weitet den Horizont über das einzelne System und seine unmittelbaren Nutzenden hinaus. Sie fragt nach den breiteren Auswirkungen: Ist der Einsatz nachhaltig und umweltverträglich – etwa mit Blick auf den Energiebedarf großer Modelle? Welche sozialen Folgen hat er, etwa für Arbeit und Qualifikation? Und wie wirkt er auf Demokratie und gesellschaftlichen Zusammenhalt, etwa wenn KI zur Meinungsbildung beiträgt? Diese Fragen sind für ein einzelnes mittelständisches System oft nicht dramatisch, verdienen aber eine bewusste, ehrliche Betrachtung.
Die siebte Anforderung, die Rechenschaft (Accountability), schließt den Kreis. Sie verlangt, dass Verantwortlichkeiten klar zugeordnet sind, dass Systeme prüfbar (auditierbar) sind, dass mit negativen Auswirkungen angemessen umgegangen wird und dass es zugängliche Beschwerdewege gibt. Rechenschaft macht Vertrauenswürdigkeit belegbar – gegenüber Betroffenen, Kunden und Aufsicht. Ohne sie blieben die anderen sechs Anforderungen folgenlos, weil niemand für ihre Einhaltung einstünde.
Die HLEG-Leitlinien haben die europäische KI-Regulierung inhaltlich vorgeprägt. Viele Anforderungen, die dort als ethischer Anspruch formuliert wurden, finden sich im EU AI Act als verbindliche Pflichten wieder – etwa Risikomanagement, Daten-Governance, technische Dokumentation, Transparenz, menschliche Aufsicht sowie Genauigkeit, Robustheit und Cybersicherheit für Hochrisiko-Systeme. Vereinfacht gesagt: Der AI Act übersetzt zentrale Elemente vertrauenswürdiger KI in Gesetzesform, allerdings gezielt für bestimmte Risikoklassen und mit rechtlicher Durchsetzbarkeit. Eine ausführliche Darstellung des AI Act finden Sie im verlinkten Fachartikel dieser Kategorie.
Während der AI Act vorgibt, was erreicht werden muss, liefert die internationale Norm ISO/IEC 42001 ein bewährtes Muster dafür, wie eine Organisation dies systematisch umsetzt. Sie beschreibt ein KI-Managementsystem (AI Management System, AIMS) mit Rollen, Richtlinien, Risikobetrachtung, Kontrollen und kontinuierlicher Verbesserung – analog zu ISO/IEC 27001 in der Informationssicherheit. Die Norm ist freiwillig und für sich genommen kein Nachweis gesetzlicher Konformität. Sie ist aber ein hervorragendes Gerüst, um die Prinzipien vertrauenswürdiger KI und die Anforderungen des AI Act strukturiert, wiederholbar und nachweisbar zu verankern.
Aus dem angelsächsischen Raum kommt mit dem NIST AI Risk Management Framework ein weiteres, ebenfalls freiwilliges Rahmenwerk, das sich sehr gut mit dem europäischen Ansatz kombinieren lässt. Es strukturiert den Umgang mit KI-Risiken entlang von vier Funktionen, die häufig mit „Govern, Map, Measure, Manage“ beschrieben werden: eine Governance-Kultur schaffen, den Kontext und die Risiken erfassen, sie analysieren und messen sowie sie behandeln und überwachen. Das NIST-Framework benennt ähnliche Eigenschaften vertrauenswürdiger KI wie die HLEG – etwa Gültigkeit und Zuverlässigkeit, Sicherheit, Rechenschaft und Transparenz, Erklärbarkeit, Datenschutz und Fairness – und bietet praktische Anleitung, sie in Risikoprozesse zu übersetzen. Es ist damit vor allem als operativer Werkzeugkasten wertvoll, nicht als Rechtspflicht.
Für die Praxis ergibt sich daraus ein stimmiges Bild: Das Konzept vertrauenswürdiger KI liefert das Warum und die inhaltlichen Ziele, der AI Act das verbindliche Muss für bestimmte Systeme, ISO/IEC 42001 das organisatorische Wie und das NIST-Framework praktische Werkzeuge. Unternehmen müssen sich nicht für eines entscheiden – im Gegenteil: Die Rahmenwerke ergänzen sich, und wer eines konsequent nutzt, erfüllt zu großen Teilen auch die anderen. Diese Anschlussfähigkeit ist einer der praktischen Vorzüge, wenn man vertrauenswürdige KI als gemeinsame Grundlage begreift.
Die ALTAI ist ein praxisnahes Selbstbewertungsinstrument, das die sieben Anforderungen in Fragen entlang der einzelnen Anwendungsfälle gliedert. Statt abstrakt über Ethik zu diskutieren, arbeitet eine Organisation eine strukturierte Checkliste ab: Verstehen Nutzende, dass sie mit KI interagieren? Ist wirksame menschliche Aufsicht vorgesehen? Wurden Daten auf Verzerrungen geprüft? Existieren Rückfallebenen? Diese Konkretheit ist der Grund, warum die ALTAI auch für kleinere Unternehmen ein guter Einstiegspunkt ist – sie braucht kein KI-Forschungsteam, sondern strukturierte Arbeit an den richtigen Fragen.
Die gute Nachricht für kleinere Unternehmen: Vertrauenswürdige KI verlangt keinen Perfektionismus, sondern Angemessenheit. Die Tiefe der Bewertung darf sich am Risiko orientieren. Für den Großteil unkritischer Anwendungen genügt eine schlanke Betrachtung; der eigentliche Aufwand konzentriert sich auf wenige Fälle, in denen KI über Menschen mitentscheidet. Wer diese Fälle sauber bearbeitet und die Ergebnisse dokumentiert, hat den Kern erreicht – und schafft zugleich die Grundlage, um regulatorische Anforderungen später mühelos zu erfüllen.
Ebenso wichtig wie die Werkzeuge ist die Haltung: Vertrauenswürdige KI lebt von einer Kultur, in der kritische Fragen erwünscht sind und Probleme gemeldet werden dürfen. Aus unserer Beratungspraxis entscheidet oft nicht das ausgefeilteste Modell über den Erfolg, sondern die Bereitschaft einer Organisation, unbequeme Fragen zuzulassen und Verantwortung klar zuzuordnen. Diese Kultur lässt sich nicht kaufen, aber gezielt aufbauen.
Der Nutzen vertrauenswürdiger KI ist zunächst strategisch: Sie macht KI überhaupt einsetzbar. Systeme, denen Mitarbeitende, Kund:innen und Aufsicht vertrauen können, werden genutzt, akzeptiert und skaliert – während undurchsichtige oder unfaire Systeme früher oder später blockiert werden. Hinzu kommt der regulatorische Vorlauf: Wer vertrauenswürdige KI verinnerlicht, erfüllt zentrale Anforderungen des EU AI Act nahezu nebenbei und muss später nicht in Hektik nachbessern. Und schließlich wirkt Vertrauenswürdigkeit als Differenzierungsmerkmal – in Ausschreibungen und Lieferketten, in denen Nachweise zu verantwortungsvoller KI zunehmend verlangt werden.
Ebenso wichtig ist ein nüchterner Blick auf die Grenzen. Vertrauenswürdige KI beseitigt keine grundsätzlichen Zielkonflikte: Mehr Transparenz kann mit Geschäftsgeheimnissen oder Sicherheit kollidieren; höhere Genauigkeit kann mit Erklärbarkeit oder Datensparsamkeit in Spannung stehen; verschiedene Fairness-Verständnisse können sich widersprechen. Vertrauenswürdigkeit löst diese Konflikte nicht auf, sondern macht sie sichtbar und zwingt zu bewussten, dokumentierten Abwägungen. Auch bietet das Konzept keine absolute Sicherheit: Restrisiken bleiben, und kein Rahmenwerk kann garantieren, dass ein System sich nie falsch verhält.
Eine weitere Grenze liegt in der Umsetzung selbst. Die Prinzipien sind anerkannt, ihre praktische Ausgestaltung aber anspruchsvoll und teils noch in Entwicklung – etwa bei Fairness-Metriken oder Erklärbarkeitsmethoden. Für den Mittelstand bedeutet das: Vertrauenswürdige KI ist ein Weg der kontinuierlichen Verbesserung, kein Zustand, den man einmal erreicht und abhakt. Wer das akzeptiert, vermeidet die Enttäuschung überzogener Erwartungen und die Nachlässigkeit falscher Sicherheit gleichermaßen.
Sobald ein KI-System personenbezogene Daten verarbeitet, greift zusätzlich die Datenschutz-Grundverordnung. Vertrauenswürdige KI und DSGVO überschneiden sich an mehreren Stellen, decken aber nicht dasselbe ab. Die DSGVO verlangt unter anderem eine tragfähige Rechtsgrundlage, Datenminimierung, Zweckbindung, Betroffenenrechte und – bei voraussichtlich hohem Risiko – eine Datenschutz-Folgenabschätzung. Mehrere Anforderungen vertrauenswürdiger KI berühren genau diese Themen: Die Anforderung „Datenschutz und Daten-Governance“ deckt sich teilweise mit datenschutzrechtlichen Grundsätzen, und Transparenz sowie Rechenschaft haben klare datenschutzrechtliche Bezüge.
Besonders relevant ist die DSGVO-Regelung zu automatisierten Entscheidungen im Einzelfall: Wo KI ohne wesentliches menschliches Zutun Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung trifft, gelten besondere Anforderungen und Betroffenenrechte. Genau hier verbinden sich Datenschutz und die Anforderung menschlicher Aufsicht. Wer beide Perspektiven zusammendenkt, vermeidet Doppelarbeit und Lücken. Wichtig bleibt die Abgrenzung: Eine Datenschutz-Folgenabschätzung nach DSGVO und die Bewertung vertrauenswürdiger KI sind nicht identisch und sollten im Einzelfall aufeinander abgestimmt werden.
