Der EU AI Act für Banken: Was 13 Jahre BCBS 239 für die KI-Ära wirklich wert sind

Bis zum 2. Dezember 2027 müssen Banken nachweisen können, dass ihre Hochrisiko-KI-Systeme Anforderungen gemäß EU AI Act genügen: repräsentative und geprüfte Daten, lückenlose Protokollierung, wirksame menschliche Aufsicht, belegte Robustheit. Während die Implementierung dessen für Unternehmen ohne etabliertes Datenmanagement ein mehrjähriges Programm ist, fangen viele Banken damit nicht bei Null an. Dieser Beitrag zeigt, dass der Vorsprung für Banken real ist, aber auch wo die Grenzen liegen und wo Handlungsbedarf besteht.

Den Startvorteil verdanken Banken insbesondere einem Regelwerk, das sie seit 2013 kennen: BCBS 239 – Grundsätze für die effektive Aggregation von Risikodaten und die Risikoberichterstattung (verbindlich für die global und national systemrelevanten Institute).Die EZB hat die BCBS-239-Prinzipien im Jahr 2024 in ihrem Leitfaden zu RDARR (Risk Data Aggregation and Risk Reporting) für die direkt beaufsichtigten bedeutenden Institute aufsichtlich konkretisiert und zur Priorität erklärt (Aufsichtsprioritäten 2025-2027 sowie 2026-2028).

Einerseits besitzt, wer BCBS 239 beziehungsweise RDARR sauber umgesetzt hat, organisatorische und technische Grundlagen, auf denen sich eine gesetzeskonforme KI-Governance besser aufbauen lässt.

Andererseits gibt es Anforderungen gemäß EU AI Act, die weder in BCBS 239 noch im klassischen Modellrisiko-Management eine Entsprechung haben: die systematische Kontrolle auf Bias und Fairness, die Erklärbarkeit von Modellentscheidungen und die Grundrechte-Folgenabschätzung nach Artikel 27.

Dieser Beitrag setzt mit der Diskussion der Anforderungen des EU AI Acts an fünf Stellen an:

• Datenqualität und Data Governance als Fundament für zulässige Modell-Inputs (Artikel 10)
• Data Lineage als notwendige Voraussetzung für Nachvollziehbarkeit und Dokumentation (Artikel 12 und 13)
• Modellrisiko-Management und menschliche Aufsicht als bereits gelebte Governance (Artikel 9 und 14)
• Robustheit nicht nur als Nebenaspekt (Artikel 15)
• Risikoberichterstattung als verwertbare Information für menschliche Aufsicht (Artikel 13 und 14)

Der rote Faden dabei ist, Synergien zu nutzen statt Strukturen zu duplizieren.

1. Datenqualität und Data Governance: der validierte Modell-Input

Artikel 10 des EU AI Acts verlangt für die Trainings-, Validierungs- und Testdaten von Hochrisiko-KI-Systemen, dass sie relevant, hinreichend repräsentativ und soweit möglich fehlerfrei und vollständig sind. Für ein Unternehmen, das im Datenmanagement bei Null anfängt, ist das ein mehrjähriges Projekt. Eine Bank, die BCBS 239 umgesetzt hat, hat hier Vorteile.

Der BCBS-Vorteil: Wer saubere Risikodaten hat, hat eine belastbare Basis für KI-Daten im Risikobereich. Durch BCBS 239 (Prinzipien 1-3) verfügen die Häuser über Datenhaushalte mit automatisierten Qualitätskontrollen, definierten Verantwortlichkeiten und einer dokumentierten „Single Source of Truth“. Anstatt neue Datenqualitätsprozesse aufzubauen, können Institute ihre KI-Anwendungen im Risikobereich auf diesen bestehenden Strukturen aufsetzen.

Die Grenze dieses Vorteils sollte man kennen, statt sie zu überspielen. Klassische Datenqualität – Genauigkeit, Vollständigkeit, Aktualität – deckt BCBS 239 gut ab (Prinzipien 3-5). Was der EU AI Act zusätzlich fordert, ist die systematische Kontrolle auf Verzerrungen: Repräsentativität, Bias und Fairness. Diese Anforderungen sind in den bestehenden Kontrollrahmen der meisten Banken so noch nicht oder nicht ausreichend vorgesehen und müssen ergänzt werden. Der Digital Omnibus erlaubt, dafür besondere Kategorien personenbezogener Daten zu verarbeiten – allerdings nur unter dem Maßstab der strikten Erforderlichkeit und mit Schutzvorkehrungen.

Für die Praxis heißt das: Die vorhandene Data Governance gemäß BCBS 239 liefert ein Gerüst. Der konkrete Handlungsbedarf liegt darin, die bestehenden Qualitätskontrollen um Bias- und Fairness-Tests zu erweitern und diese in dieselbe Kontrolllogik einzubetten, in der schon die Datenqualität überwacht wird.

2. Data Lineage als Voraussetzung für Nachvollziehbarkeit

Die vom Gesetzgeber geforderte Protokollierung (Artikel 12) und die Transparenz (Artikel 13) sind ohne eine lückenlose Historie der Datenflüsse nicht darstellbar. Eine KI-Entscheidung, bei der nicht die Datenherkunft rekonstruieren werden kann, ist im Sinn des EU AI Acts nicht nachvollziehbar und damit nicht einsetzbar.

Der BCBS-Vorteil: Die aus den BCBS-239-Anforderungen (Datenarchitektur und Genauigkeit, Prinzipien 2 und 3) abgeleitete Data Lineage dokumentiert, woher ein Datenpunkt stammt, welche Transformationen er durchlaufen hat und in welches Ergebnis er eingeflossen ist.

Auch hier gilt eine Einschränkung, die den Startvorteil realistisch einordnet: Data Lineage beantwortet die Frage, welche Daten in ein Modell geflossen sind. Sie beantwortet nicht, warum das Modell auf ihrer Basis zu einem bestimmten Ergebnis kommt. Die Erklärbarkeit des Modellverhaltens ist eine eigenständige Aufgabe, die über die reine Datenherkunft hinausgeht.

Für die Praxis heißt das: Vorhandene Lineage-Artefakte sind für Nachweise gemäß Artikel 12 und 13 notwendig, aber nicht hinreichend. Es entsteht zusätzlicher Aufwand, der sich dann auf die für KI-Modelle kompliziertere Erklärbarkeit konzentriert, nicht mehr nur auf die Herkunft der Input-Daten.

3. Modellrisiko-Management und menschliche Aufsicht: gelebte KI-Governance

Der EU AI Act fordert ein Risikomanagement über den gesamten Lebenszyklus eines Systems (Artikel 9) und eine wirksame menschliche Aufsicht (Artikel 14). Beide Konzepte sind im Bankwesen tief verwurzelt, allerdings nicht durch BCBS 239, sondern durch das Modellrisiko-Management und die aufsichtlichen Erwartungen an interne Modelle (unter anderem durch den EZB-Leitfaden zu internen Modellen).

Wer bereits einen unabhängigen Validierungsbereich, Model Change Policy inklusive definierter Freigabeprozesse und eine Modellbestandsführung betreibt, wie es die aufsichtlichen Erwartungen an interne Modelle verlangen, kann KI-Modelle in diese Kontrollzyklen integrieren. Das vermeidet den Aufbau einer Parallelorganisation und erlaubt eine einheitliche Risikobetrachtung.

Menschliche Aufsicht verdient besondere Aufmerksamkeit, weil dies 2026 an Brisanz gewinnt: Autonome KI-Agenten bereiten zunehmend operative Entscheidungen vor und rücken damit die Frage der Letztverantwortung in den Vordergrund. Der EU AI Act lässt keinen Zweifel daran, dass sich Verantwortung nicht an ein System delegieren lässt (Artikel 14 und 26). Entscheidungswege und Eskalationspfade müssen lückenlos nachgewiesen werden können. Diese Anforderung trifft Banken auf vertrautem Terrain: Trennung von Rollen wie zum Beispiel zwischen Modellentwicklung und unabhängiger Validierung schreibt Zuständigkeiten und Eskalation nachprüfbar fest, und Rollentrennung ist somit eine passende Vorlage für die menschliche Aufsicht über KI-Agenten.

Was BCBS 239 hier nicht abdeckt, ist die Perspektive der Grundrechte. Für Banken, die KI zur Bonitätsbewertung natürlicher Personen einsetzen, verlangt Artikel 27 eine Grundrechte-Folgenabschätzung. Das ist eine Pflicht, für die es auch im klassischen Modellrisiko-Management keine direkte Entsprechung gibt.

Für die Praxis heißt das: Die bestehende Governance-Struktur kann auch für KI weit tragen, aber sie muss insbesondere um eine grundrechtliche Bewertungsebene ergänzt werden.

4. Robustheit und Krisenfestigkeit von Hochrisiko-KI-Systemen

Hochrisiko-KI muss nach Artikel 15 genau und robust arbeiten, und zwar auch dann, wenn Systeme gestört sind, unter Last geraten oder mit fehlerhaften Eingaben konfrontiert werden. Gefordert sind zudem Ausweich- und Redundanzlösungen für den Fehlerfall. Eine Parallele hierzu ist, dass Krisenfestigkeit kein Nebenaspekt sondern der Ausgangspunkt von BCBS 239 war. Tatsächlich entstand BCBS 239 ursprünglich aus der Erfahrung heraus, dass viele Banken in der Finanzkrise nicht schnell und verlässlich genug an ihre eigenen Risikodaten kamen.

Der BCBS-Vorteil: Prinzip 2 verlangt eine Datenarchitektur und IT-Infrastruktur, die die Risikodatenaggregation ausdrücklich auch in Stress- und Krisenphasen trägt. Hinzu kommt, dass der Digital Operational Resilience Act (DORA) seit 2025 Betriebsstabilität verlangt. Entscheidend ist dabei nicht nur die Vorkehrung selbst, sondern auch ihre Nachweisbarkeit. Analog muss in Verbindung mit Artikel 15 des EU AI Acts das System robust sein, und dies muss sich auch belegen lassen. Wer BCBS 239 und DORA umgesetzt hat, hat genau dafür eine institutionalisierte Praxis: definierte Stressszenarien, dokumentierte Testläufe, Schwellenwerte, Eskalationspfade und unabhängig geprüfte Ergebnisse. Diese Nachweislogik lässt sich auf KI übertragen.

Für die Praxis heißt das: KI-Ausfallszenarien lassen sich in die bestehenden Rahmenwerke für operationelle Resilienz und Notfallplanung einordnen, statt sie als eigene Disziplin neu zu erfinden. Der zusätzliche Aufwand liegt in KI-spezifischen Themen wie der Überwachung der Ausgabequalität im laufenden Betrieb und die nach Artikel 15 anzugebenden Genauigkeitsmaße.

5. Risikoberichterstattung: verwertbare Information für Oversight

Wirksame menschliche Aufsicht (Artikel 14) und die Transparenz (Artikel 13) setzen etwas voraus: Die Person, die ein KI-System beaufsichtigen und im Zweifel überstimmen soll, kann das in der Praxis nur, wenn sie rechtzeitig genaue, vollständige und verständliche Information darüber erhält, was das System tut und wie zuverlässig es arbeitet. Auch die laufende Überwachung der Ausgabequalität (Artikel 15) erzeugt genau dann Mehrwert, wenn ihre Ergebnisse in aufbereiteter Form bei den richtigen Entscheidungsträgern ankommen. Berichterstattung ist damit kein nachgelagerter Schritt, sondern die Voraussetzung dafür, dass Aufsicht und Steuerung überhaupt greifen.

Der BCBS-Vorteil: Für genau diese Aufgabe hält BCBS 239 einen eigenen Prinzipienblock bereit, den die auf Daten bezogenen Prinzipien allein nicht abdecken: die Prinzipien zur Risikoberichterstattung (Prinzipien 7-11 – Genauigkeit, umfassende Darstellung, Klarheit und Nutzen, Häufigkeit und Verteilung). Banken haben damit institutionalisiert, wie komplexe Risikoinformation in korrekte, verständliche und adressatengerechte Berichte übersetzt wird. Diese Fähigkeit lässt sich auf die KI-Welt übertragen: Monitoring-Ergebnisse zu Modell-Drift und Ausgabequalität müssen dieselbe Strecke zurücklegen wie ein Risikobericht, und zwar von der Erhebung bis zum Entscheidungsträger, klar genug, um darauf zu handeln.

Auch hier lohnt der ehrliche Blick auf eine Grenze, die schon die Diskussion bezüglich Data Lineage geprägt hat. Die Berichtsprinzipien regeln, wie Information dargestellt und an wen sie verteilt wird, aber nicht, warum ein Modell zu seinem Ergebnis kommt.

Für die Praxis heißt das: Die bestehenden Berichtswege und die Governance dahinter – wer bekommt welchen Bericht, in welcher Frequenz, über welchen Verteiler – sind auch für die KI-Überwachung relevant. Der konkrete Handlungsbedarf liegt darin zu definieren, welche Information Oversight-Verantwortliche und Betreiber tatsächlich benötigen, und die Monitoring-Ergebnisse in genau diese etablierte Logik einzuspeisen, statt einen zweiten Berichtsstrang aufzubauen. Der verbleibende Neubau bleibt die modellseitige Erklärbarkeit, nicht die Berichtslogistik.

EU AI Act für Banken: Wo der Startvorteil endet – und was jetzt zu tun ist

Der strategische Vorsprung liegt in der Harmonisierung der Regelwerke, nicht in ihrer Verwechslung. Ein sauberes Bild entsteht mit einer einfachen Arbeitsteilung:

• BCBS 239 betrifft, dass die Daten vollständig und fehlerfrei ankommen – die Logistik.
• Der EU AI Act betrifft, dass diese Daten korrekt und ohne unzulässige Verzerrung verwendet werden – die Logik.

Beide greifen ineinander, aber sie sind nicht dasselbe.

Wo genau der Startvorteil endet, lässt sich zusammenfassen: BCBS 239 liefert keine Kontrollen für Bias und Fairness, keine Erklärbarkeit des Modellverhaltens gegenüber Betroffenen und keine Grundrechte-Folgenabschätzung. Vor allem diese drei Punkte sind der eigentliche Neubau, während die Umsetzung anderer Anforderungen Erweiterung des Bestehenden ist.

Für die Geschäftsleitung ergeben sich drei konkrete Schritte:

• Kontrollpunkte abzugleichen. Prüfen Sie, welche vorhandenen BCBS-239-Artefakte – Data-Lineage-Dokumentation, Datenqualitätskontrollen, Governance-Nachweise – direkt als Nachweise gemäß EU AI Act für Data Governance (Art. 10), Protokollierung (Art. 12), Lebenszyklus-Risikomanagement (Art. 9) und Aufsichtsstrukturen (Art. 14) dienen können. Was doppelt eingeführt wurde, wird besser konsolidiert.
• Rollen auszuweiten statt neu zu schaffen. Nutzen Sie die Expertise Ihrer Data Stewards und Risikomanager und dehnen Sie die bestehenden Kontrollzyklen auf die KI-Entwicklungsteams aus. Ergänzen Sie gezielt die fehlenden Kompetenzen für Bias-Prüfung und Grundrechtebewertung.
• Sofort wirksame Pflichten zu beachten. Zwei Anforderungen gelten unabhängig vom Aufschub für andere Anforderungen: die KI-Kompetenz der Belegschaft (Artikel 4, in Kraft seit Februar 2025) und die Transparenzpflichten (Artikel 50, ab August 2026). Beide sind kurzfristig und mit überschaubarem Aufwand adressierbar und naheliegende erste Schritte.

Fazit

Der EU AI Act erfordert für Banken konsequentes Weiterdenken. Die anspruchsvollen Anforderungen an Datenqualität, Nachvollziehbarkeit, Governance und Robustheit treffen auf Häuser, die genau solche Disziplinen seit über einem Jahrzehnt betreiben. Der Vorsprung ist real, aber begrenzt: Er nimmt Grundlagenarbeit ab, nicht die drei genuin neuen Aufgaben Bias-Kontrolle, Erklärbarkeit und Grundrechtebewertung.

Häufige Fragen (FAQ)

Ab wann gelten die EU-AI-Act-Anforderungen für Banken konkret?

Die Pflichten für Hochrisiko-KI-Systeme nach Anhang III gelten seit dem Digital Omnibus ab dem 2. Dezember 2027, für in Produkten eingebettete KI ab dem 2. August 2028. Unabhängig davon gelten Transparenzpflichten (Artikel 50) ab August 2026 (die Anbieter-Kennzeichnungspflicht nach Artikel 50 Absatz 2 erst ab dem 2. Dezember 2026) und die Pflicht zur KI-Kompetenz (Artikel 4) bereits seit Februar 2025.

Welche KI-Systeme einer Bank fallen unter die Hochrisiko-Einstufung?

Anhang III nennt ausdrücklich Systeme zur Bewertung der Kreditwürdigkeit natürlicher Personen und zur Ermittlung von Kreditscores. Ausgenommen ist KI, die ausschließlich der Aufdeckung von Finanzbetrug dient. Interne Systeme ohne Außenwirkung auf natürliche Personen sind in der Regel nicht betroffen, die Einstufung muss aber pro System geprüft werden.

Was ist RDARR – und wie verhält es sich zu BCBS 239?

BCBS 239 bezeichnet die Basel-Prinzipien von 2013 für die Aggregation und Berichterstattung von Risikodaten. RDARR (Risk Data Aggregation and Risk Reporting) ist deren operative Umsetzung: Die EZB hat mit ihrem RDARR-Leitfaden (final Mai 2024) die aufsichtlichen Erwartungen für die direkt beaufsichtigten bedeutenden Institute konkretisiert und zur Priorität für 2026–2028 gemacht. Inhaltlich baut RDARR auf BCBS 239 auf, geht in den praktischen Konsequenzen (Prüfbarkeit, Nachweispflichten, Managementverantwortung) aber deutlich darüber hinaus.

Reicht eine bestehende BCBS-239-Umsetzung aus, um den EU AI Act zu erfüllen?

Nein. BCBS 239 liefert das Fundament für Datenqualität, Data Governance und Data Lineage, deckt aber Bias- und Fairness-Kontrollen, die Erklärbarkeit von Modellentscheidungen und die Grundrechte-Folgenabschätzung nach Artikel 27 nicht ab.

Was ist der Unterschied zwischen BCBS 239 und dem EU AI Act?

BCBS 239 regelt die Aggregation und das Reporting von Risikodaten, das heißt, dass die richtigen Daten vollständig und rechtzeitig „ankommen“. Der EU AI Act regelt, dass Daten in KI-Systemen korrekt, transparent und ohne unzulässige Verzerrung verwendet werden. Die Schnittmenge ist erheblich, der Anwendungsbereich und die Zielsetzung aber unterschiedlich.

Wie hängen Data Lineage und EU AI Act Compliance zusammen?

Data Lineage dokumentiert die Herkunft und Verarbeitung von Daten und ist damit die praktische Voraussetzung, um die Protokollierungs- und Transparenzpflichten (Artikel 12 und 13) zu erfüllen. Ohne nachvollziehbare Datenflüsse lässt sich eine KI-Entscheidung im Sinn des Gesetzes nicht belegen.

Was bedeutet „Menschliche Aufsicht“ im EU AI Act für die Bankpraxis?

Artikel 14 verlangt, dass Menschen KI-Systeme wirksam beaufsichtigen und eingreifen können. Für Banken bedeutet das definierte Verantwortlichkeiten, Eskalationspfade und die Möglichkeit, automatisierte Entscheidungen zu überstimmen. Das sind Prinzipien, die dem etablierten Modellrisiko-Management ähneln.