Über den Autor
Verfasst von Alexis Hirschhorn, Trainer bei Abilene Academy. Zertifiziert als ISO/IEC 42001 Lead Implementer, Certified Artificial Intelligence Professional, CISSP, CISM, CISA, ISO/IEC 27001 Lead Auditor und PECB Certified Trainer. Rund 25 Jahre praktische Erfahrung in Informationssicherheit, Cloud-Sicherheit und KI-Governance bei multinationalen Unternehmen, Behörden und internationalen Organisationen. Profil: https://www.abileneacademy.ch/de/about/team/alexis-hirschhorn
Stand 18. November 2026 befindet sich die ISO/IEC 27091 auf Stufe 50.20 (FDIS-Abstimmung); die Veröffentlichung wird für Februar 2027 geschätzt. Sie ist eine Leitliniennorm: Eine Zertifizierung nach ihr ist nicht möglich.
Methodik
Grundlage sind der ISO-Katalog und der Entwurf der Internationalen Norm (DIS); wir prüfen den Inhalt erneut am veröffentlichten Text und dokumentieren Änderungen unten.
1. Das Wichtigste in Kürze
Die ISO/IEC 27091 ist eine neue, nicht zertifizierbare Leitliniennorm zu Datenschutzrisiken in KI-Systemen. Sie befindet sich in der abschließenden Genehmigungsabstimmung. Diese fünf Punkte sollten die meisten Teams heute kennen.
- 3. Februar 2023: Das Projekt wurde bei ISO/IEC JTC 1/SC 27 registriert. Es handelt sich um Ausgabe 1, eine völlig neue Norm, die nichts ersetzt: Kein Zertifikat ist betroffen, und es gibt keinen Übergang.
- 2. November 2026: Die ISO/IEC FDIS 27091 ist in ihre achtwöchige Schlussabstimmung gegangen (Stufe 50.20). Das Ende der Abstimmung wird um den 28. Dezember 2026 geschätzt.
- Februar 2027 (Schätzung): Die Veröffentlichung erfolgt am wahrscheinlichsten im Februar 2027, in einer geschätzten Spanne von Mitte Januar bis April 2027.
- 14. Oktober 2026: Die Schwesternorm ISO/IEC 27090:2026 zu Sicherheitsbedrohungen für KI wurde veröffentlicht. Sie verweist für den Datenschutz auf die 27091.
- Stand 18. November 2026: Es gibt keine 27091-Zertifizierung, keinen 27091-Auditor, keine Übergangsfrist, und eine „27091:2025“ existiert nicht. Nutzen Sie die Norm innerhalb eines KI-Managementsystems nach ISO/IEC 42001 oder eines PIMS nach ISO/IEC 27701:2025.
2. Status-Tracker
Die ISO/IEC 27091 hat die Umfragephase (DIS) hinter sich und wird nun als Schlussentwurf einer Internationalen Norm (FDIS) abgestimmt. Die Tabelle trennt, was die ISO bestätigt hat, von dem, was wir schätzen.
Stufe: 20.00
Stufe: 40.20
Stufe: 40.60
Stufe: 50.00
Stufe: 50.20
Stufe: 50.60
Stufe: 60.60
Wie es weitergeht. Die nationalen Normungsorganisationen stimmen über den FDIS ab, bis die Abstimmung endet; wir schätzen das Ende auf um den 28. Dezember 2026. Die ISO/IEC 27090 wurde acht Wochen nach dem Ende ihrer Abstimmung veröffentlicht. Wir schätzen daher, dass die 27091 im Februar 2027 erscheint, in einer geschätzten Spanne von Mitte Januar bis April 2027. Im seltenen Fall einer Rückverweisung an das Komitee schätzen wir, dass sich die Veröffentlichung in das zweite Halbjahr 2027 verschiebt. Der FDIS ist nicht käuflich: Erwerben Sie die veröffentlichte Norm bei der ISO oder Ihrer nationalen Normungsorganisation.
Zuletzt im ISO-Katalog geprüft: 18. November 2026
Anzeige der ISO/IEC 27091 auf der ISO-Stufenskala von 00 bis 60, Stand 18. November 2026. Aktuelle Stufe 50.20: FDIS-Abstimmung seit dem 2. November 2026, Tag 16 von 56. Bestätigte Meilensteine: 20.00 Registrierung des Projekts am 3. Februar 2023; 40.20 Beginn der DIS-Abstimmung am 3. Dezember 2025; 40.60 Ende der DIS-Abstimmung am 26. Februar 2026; 50.00 Registrierung des FDIS am 13. Juli 2026; 50.20 Beginn der FDIS-Abstimmung am 2. November 2026. Schätzungen: 50.60 Ende der Abstimmung um den 28. Dezember 2026; 60.60 Veröffentlichung im Februar 2027 (Spanne Mitte Januar bis April 2027). Bei Rückverweisung an das Komitee verschöbe sich die Veröffentlichung in das zweite Halbjahr 2027 (Schätzung).
3. Was die ISO/IEC 27091 ist und was nicht
Die ISO/IEC 27091, Cybersecurity and Privacy - Artificial Intelligence - Privacy protection (Ausgabe 1, JTC 1/SC 27), ist eine Leitliniennorm. Sie hilft Organisationen, Datenschutzrisiken zu erkennen und zu behandeln, die für KI-Systeme und Modelle des maschinellen Lernens spezifisch sind. Sie ist keine Managementsystemnorm: Niemand kann Sie, Ihr Produkt oder Ihre Mitarbeitenden danach zertifizieren.
Die öffentliche Zusammenfassung der ISO hält auf Englisch fest, dass die Norm „provides guidance for organizations to address privacy risks in artificial intelligence (AI) systems and machine learning (ML) models“ (ISO, Katalogeintrag ISO/IEC FDIS 27091). Der FDIS umfasst 35 Seiten. Zuständig ist das Komitee ISO/IEC JTC 1/SC 27; das britische Spiegelgremium ist BSI IST/33/5.
Die ISO/IEC 27091 ist: Eine Sammlung von Leitlinien (Empfehlungen mit „should“)
Die ISO/IEC 27091 ist: Eine Methode zur Analyse von KI-Datenschutzrisiken
Die ISO/IEC 27091 ist: Ein Katalog KI-spezifischer Bedrohungen und Maßnahmen
Die ISO/IEC 27091 ist: Für Organisationen jeder Größe und Branche nutzbar, die KI entwickeln oder einsetzen
Steckbrief der ISO/IEC 27091, Ausgabe 1, im Stadium des Schlussentwurfs (FDIS). Offizieller Titel: Cybersecurity and Privacy - Artificial Intelligence - Privacy protection. Komitee ISO/IEC JTC 1/SC 27, britisches Spiegelgremium BSI IST/33/5. 35 Seiten. Leitliniennorm, keine Managementsystemnorm, nicht zertifizierbar. Sie ersetzt nichts: kein Übergang, keine Zertifikate betroffen. Für Organisationen jeder Größe und Branche, die KI entwickeln oder nutzen. Einsatz: KI-Datenschutzrisiken erkennen und behandeln, die ISO/IEC 42001 oder ISO/IEC 27701:2025 speisen, DSFA und Dokumentation zur KI-Verordnung stützen. Sie ist keine harmonisierte Norm, kein Ersatz für eine DSFA oder Rechtsberatung und keine Entscheidungshilfe, ob KI eingesetzt werden soll. Es gibt keine 27091-Zertifizierung, keine Übergangsfrist und keine ISO/IEC 27091:2025.
Für wen sie gedacht ist. Für Organisationen jeder Größe und Branche, die KI-Systeme mit personenbezogenen Daten entwickeln, einkaufen, feintunen, einsetzen oder betreiben, vom Start-up mit einer Empfehlungsmaschine bis zur Bank, die ein Kreditscoring-Modell beschafft. Die wichtigsten Leserinnen und Leser werden Datenschutzbeauftragte (DSB), Privacy Engineers, CISOs, Verantwortliche für KI-Governance, ML-Engineers und ihre Beraterinnen und Berater sein.
Was sie offenlässt. Die Norm sagt nicht, ob Sie KI einsetzen sollten. Diese Geschäftsentscheidung liegt bei Ihnen, ebenso die Frage der Rechtmäßigkeit.
„Nutzen Sie die 27091 als Lupe, nicht als Zertifikat. Sie hilft, die Fragen zu stellen, die ein Auditor vielleicht nicht stellt: Lässt sich dieses Modell per Prompt dazu bringen, Trainingsdaten preiszugeben? Machen seine Ausgaben jemanden identifizierbar? Kann eine falsche Aussage über eine Person erzeugt und verbreitet werden?“ Alexis Hirschhorn
Eine kurze Antwort auf die häufigste Frage finden Sie unter Ist die ISO/IEC 27091 zertifizierbar?.
4. Warum es sie gibt
Die ISO/IEC 27091 gibt es, weil KI-Systeme Datenschutzrisiken erzeugen, für deren Erkennung klassische Methoden nicht gebaut wurden. Personenbezogene Daten können in einem Modell stecken, aus seinen Ausgaben erschlossen oder von ihm erfunden werden.
Die klassische Analyse von Datenschutzrisiken, etwa nach dem Ansatz der ISO/IEC 29100 und der ISO/IEC 27557, geht davon aus, dass personenbezogene Daten an Orten liegen, die man erfassen, minimieren, schützen und löschen kann. KI stellt diese Annahme auf vier Arten infrage (einen Überblick gibt der Beitrag was KI-Risikomanagement vom klassischen IT-Risikomanagement unterscheidet).
„Eine klassische Datenbank ist wie ein abgeschlossener Aktenschrank: Sie wissen, in welcher Schublade die Akte welcher Person liegt. Ein KI-Modell gleicht eher jemandem, der Tausende Akten gelesen hat und dem man Fragen stellen kann. Selbst wenn Sie den Schrank entfernen, kann sich das Modell noch an Bruchstücke erinnern, fehlende Details erschließen oder Fakten so kombinieren, wie es niemand vorhergesehen hat.“ Alexis Hirschhorn
Memorisierung. Große Modelle können Bruchstücke ihrer Trainingsdaten behalten, etwa Namen, Kontaktdaten oder seltene Datensätze. Diese Daten sind über die Parameter des Modells verteilt statt in einer Datenbank gespeichert, und ein geschickt formulierter Prompt kann sie hervorholen.
Inferenz. Ein Modell kann Fakten ableiten, die ihm niemand gegeben hat, etwa einen Gesundheitszustand aus einer Kaufhistorie. Ein Angreifer kann ableiten, ob der Datensatz einer Person im Trainingsdatensatz enthalten war.
Re-Identifizierung. Daten, die vor dem Training pseudonymisiert oder „anonymisiert“ wurden, lassen sich mitunter über Ausgaben, Embeddings oder andere Quellen wieder Personen zuordnen. Deshalb akzeptieren die europäischen Behörden nicht mehr, dass ein Modell anonym ist, nur weil sein Entwickler das sagt (siehe Abschnitt 10).
Halluzinierte personenbezogene Daten. Generative Systeme können mit großer Sicherheit falsche Aussagen über reale Personen erzeugen, etwa eine erfundene Verurteilung. Das ist ein Fehlverhalten und kein Angriff, wirft aber dennoch Fragen der Richtigkeit, des Schadens und der Berichtigung auf.
5. Aufbau der Norm
Nach dem DIS besteht der Kern der ISO/IEC 27091 aus drei Klauseln (ein Rahmen für die Datenschutzanalyse, Datenschutz auf Modellebene und Datenschutz über den Lebenszyklus) und zwei Anhängen. Es handelt sich um unsere Umschreibung von Expertenanalysen des DIS; den verbindlichen Wortlaut finden Sie in der veröffentlichten Norm.
Konzentrisches Diagramm der ISO/IEC 27091 nach dem DIS. Äußerer Ring, Klausel 5: der Analysezyklus für Datenschutzrisiken (identifizieren, analysieren, bewerten, behandeln, wiederholen). Mittlerer Ring, Klausel 7: der Lebenszyklus des KI-Systems (Design, Entwicklung, Betrieb). Kern, Klausel 6: das KI-Modell und seine Bedrohungen (Mitgliedschaftsinferenz, Extraktion von Trainingsdaten, Modellinversion, Datenvergiftung, Insider-Bedrohung) mit Maßnahmen wie Zugriffsbeschränkung, Pseudonymisierung sowie Filterung von Ein- und Ausgaben. Anhang A stützt die Datenschutzanalyse; Anhang B ist eine Vorlage für KI-Anwendungsfälle.
Klausel 5: ein Rahmen für die Datenschutzanalyse von KI-Systemen
Klausel 5 sieht einen Ablauf in vier Schritten vor: Datenschutzrisiken identifizieren, analysieren, bewerten und behandeln. Wer die ISO/IEC 27557 kennt, wird die Logik wiedererkennen. Ihr Wert liegt darin, jeden Schritt an KI anzupassen: wo personenbezogene Daten hineingelangen (Training, Feintuning, Retrieval, Prompts, Logs), was das Modell offenlegen oder ableiten könnte und wer das ausnutzen könnte.
Klausel 6: Datenschutz von KI-Modellen
Klausel 6 betrachtet das Modell selbst als Quelle von Datenschutzrisiken: Mitgliedschaftsinferenz, Extraktion von Trainingsdaten, Modellinversion, Datenvergiftung und Insider-Bedrohung. Die Maßnahmen fallen in allgemeine Kategorien: Zugriffsbeschränkungen, Anonymisierung oder Pseudonymisierung der Trainingsdaten sowie Filterung von Ein- und Ausgaben.
Klausel 7: Datenschutz über den Lebenszyklus des KI-Systems
Klausel 7 deckt das System als Ganzes ab, von Design über Entwicklung bis Betrieb: Zweck und Datenbedarf im Design; Erhebung, Annotation, Training und Tests in der Entwicklung; Interaktionen, Protokollierung, Überwachung und Updates im Betrieb. Hier wird Datenschutz durch Technikgestaltung für KI-Teams konkret.
Anhänge A und B
Anhang A stützt die Analyse nach Klausel 5, und Anhang B liefert eine Vorlage zur Beschreibung eines KI-Anwendungsfalls. Wir geben sie nicht wieder; Abschnitt 12 zeigt, wie Sie ein Profil des Anwendungsfalls in Ihrem eigenen Format erstellen.
Über Angriffe hinaus: Fehlverhalten und KI für den Datenschutz
Der DIS behandelt Fehlverhalten wie halluzinierte personenbezogene Daten als Datenschutzthema, gleichrangig mit Angriffen. Er befasst sich außerdem mit KI im Dienst des Datenschutzes: Einwilligungsmanagement, datenschutzfördernde Technologien (PETs), Sicherheit beim föderierten Lernen und Sprachverarbeitung zur Analyse von Datenschutzerklärungen.
6. Der Katalog der Datenschutzbedrohungen, verständlich erklärt
Nach dem DIS nennt die ISO/IEC 27091 rund acht KI-bezogene Datenschutzbedrohungen. Hier sind die sechs, die in Expertenanalysen am häufigsten diskutiert werden, jeweils mit einem Beispiel und in unseren eigenen Worten statt im Wortlaut der Norm.
Die Szenarien sind ein Support-Chatbot, der mit früheren Chatverläufen feingetunt wurde, ein Modell zur Bewerbervorauswahl, das mit historischen Rekrutierungsdaten trainiert wurde, und ein RAG-Assistent, der eine Vektordatenbank aus CRM-Datensätzen und E-Mails abfragt.
Karte eines KI-Systems: Trainings- und Feintuning-Daten speisen das Modell; eine Wissensbasis speist es per Retrieval (RAG); Nutzer senden Anfragen und erhalten Antworten; Prompts, Logs und Vektordatenbank werden gespeichert. Sechs nummerierte Bedrohungen sitzen dort, wo sie zuschlagen. 1 Mitgliedschaftsinferenz bei den Anfragen (Beispiel: Bewerbervorauswahl); 2 Extraktion von Trainingsdaten in den Antworten (Chatbot); 3 Modellinversion bei den Anfragen (Bewerbervorauswahl); 4 Vergiftung der Trainingsdaten und der Wissensbasis (RAG-Assistent); 5 Insider-Bedrohung bei Logs und Vektordatenbank (RAG-Assistent); 6 halluzinierte personenbezogene Daten in den Antworten, ein Fehlverhalten und kein Angriff (Chatbot). Zu jeder Bedrohung ist ein Behandlungsansatz angegeben.
Mitgliedschaftsinferenz
Was passiert: Jemand ermittelt, ob die Daten einer bestimmten Person zum Training eines Modells verwendet wurden, meist anhand der Sicherheit, mit der das Modell auf den Datensatz dieser Person reagiert.
Beispiel (Bewerbervorauswahl): Ein früherer Bewerber fragt das Modell mit seinem eigenen Profil ab, und die Scores zeigen, dass seine Akte trotz zugesagter Löschung in den Trainingsdaten steckt.
Behandlungsansatz: Begrenzen, wer das Modell wie oft abfragen darf, Overfitting reduzieren und den Einfluss jedes einzelnen Datensatzes beschränken.
Extraktion von Trainingsdaten
Was passiert: Ein Modell gibt bei passendem Prompt Passagen seiner Trainingsdaten wörtlich wieder.
Beispiel (Chatbot): Auf die Bitte um „ein Beispiel für eine Beschwerde wegen einer verspäteten Rückerstattung“ gibt der Bot nahezu wörtlich einen alten Chatverlauf mit Namen und Telefonnummer eines anderen Kunden wieder.
Behandlungsansatz: Direkte Identifikatoren vor dem Feintuning entfernen oder pseudonymisieren, Trainingsdaten deduplizieren und Ausgaben auf Muster personenbezogener Daten filtern.
„Wenn Ihr Chatbot mit echten Kundengesprächen feingetunt wurde, gehen Sie davon aus, dass ein entschlossener Nutzer versuchen wird, ihn eines davon wiederholen zu lassen. Die Frage ist nicht, ob Ihr Modell perfekt ist, sondern ob Sie zeigen können, was Sie gegen wörtliche Datenabflüsse unternommen haben.“ Alexis Hirschhorn
Modellinversion
Was passiert: Ein Angreifer nutzt die Ausgaben eines Modells, um sensible Merkmale oder typische Eigenschaften der Personen in seinen Trainingsdaten zu rekonstruieren.
Beispiel (Bewerbervorauswahl): Durch Abfragen mit synthetischen Profilen rekonstruiert ein Analyst die Merkmale, die zu einer Absage führen, und legt Stellvertretermerkmale für Gesundheit oder ethnische Herkunft in den historischen Daten offen.
Behandlungsansatz: Den Zugang zu detaillierten Scores und Konfidenzwerten einschränken, wo möglich gröbere Ausgaben liefern und vor dem Go-live auf Attributlecks testen.
Datenvergiftung
Was passiert: Jemand schleust manipulierte Daten in einen Trainingsdatensatz oder eine Wissensbasis ein, damit sich das System so verhält, dass es Personen schadet oder ihre Daten preisgibt.
Beispiel (RAG auf Kundendaten): Eine präparierte E-Mail in der Wissensbasis enthält versteckte Anweisungen, die den Assistenten dazu bringen, die Kontaktdaten anderer Kunden in seine Antworten aufzunehmen.
Behandlungsansatz: Kontrollieren und validieren, was in Trainingsdatensätze und Wissensbasen gelangt, die Herkunft der Daten nachverfolgen und Ausgaben auf Auffälligkeiten überwachen.
Insider-Bedrohung
Was passiert: Personen mit legitimem Zugriff auf Modelle, Trainingsdaten, Embeddings oder Logs missbrauchen diesen Zugriff.
Beispiel (RAG auf Kundendaten): Ein Engineer mit Administratorrechten durchsucht die Vektordatenbank und die Prompt-Logs nach Informationen über einen bekannten Kunden.
Behandlungsansatz: Least Privilege für Modellartefakte und Logs anwenden, Aufgaben trennen, Administratoraktivitäten protokollieren und Aufbewahrungsfristen festlegen.
Halluzinierte personenbezogene Daten
Was passiert: Das System erzeugt falsche, aber plausible Informationen über eine reale, identifizierbare Person.
Beispiel (Chatbot): Der Bot erzählt einem Kunden, ein namentlich genannter Mitarbeiter sei „wegen Misswirtschaft bei Kundenkonten entlassen worden“, was erfunden ist.
Behandlungsansatz: Antworten in geprüften Quellen verankern, Aussagen über Personen außerhalb definierter Anwendungsfälle blockieren und einen Prozess für Berichtigungs- und Löschanträge zu Modellausgaben vorsehen.
„Bei generativer KI ist Richtigkeit eine Datenschutzmaßnahme. Ein System, das Aussagen über Personen erfindet, verdient dieselbe Sorgfalt wie eines, das personenbezogene Daten falsch verarbeitet: Verankerung in Quellen, Einschränkung der Ausgaben, menschliche Prüfung und ein Weg, auf dem Betroffene anfechten können, was über sie gesagt wurde.“ Henri Haenni
Die übrigen Bedrohungen und ihre offiziellen Definitionen stehen in der Norm. Den Katalog aus Sicherheitsperspektive finden Sie in unserem Leitfaden zur ISO/IEC 27090:2026.
7. Die 27091 in einem KI-Managementsystem nach ISO/IEC 42001 nutzen
Wenn Sie ein KI-Managementsystem (AIMS) nach ISO/IEC 42001:2023 betreiben oder aufbauen, liefert Ihnen die ISO/IEC 27091 datenschutzspezifischen Input für Ihre KI-Risikobewertung, Ihre Auswirkungsbewertung von KI-Systemen und Ihre Datenkontrollen. Die 42001 verlangt, dass Sie KI-Risiken und -Auswirkungen bewerten; die 27091 hilft Ihnen, den Datenschutzteil richtig zu machen.
Die ISO/IEC 42001:2023 ist zertifizierbar, geht aber nicht in die Tiefe bei Bedrohungen wie Memorisierung oder Mitgliedschaftsinferenz. Die 27091 schließt diese Lücke, ohne den Geltungsbereich Ihrer Zertifizierung zu verändern.
Sternförmiges Diagramm mit der ISO/IEC 27091 im Zentrum, einer nicht zertifizierbaren Leitliniennorm. Durchgezogene Linien: Sie speist das KI-Managementsystem nach ISO/IEC 42001:2023 (zertifizierbar; KI-Risiko- und Auswirkungsbewertung, Datenkontrollen) und das PIMS nach ISO/IEC 27701:2025 (zertifizierbar; Risikobewertung und Erklärung zur Anwendbarkeit; Zertifikate nach 27701:2019 enden Ende Oktober 2028). Gestrichelte Linie: Sie stützt Nachweise nach der DSGVO und der Stellungnahme 28/2024 des EDSA (Anonymitätsprüfung von Modellen im Einzelfall, Input für die DSFA). Gepunktete Linie: Sie stützt die Dokumentation zu Daten und Risiken nach der KI-Verordnung, ohne Konformitätsvermutung. Sie verweist auf die Schwesternorm ISO/IEC 27090:2026 zur KI-Sicherheit (veröffentlicht am 14. Oktober 2026); verwandte Leitlinien: ISO/IEC 23894, 42005, 29100 und 27557.
Element der ISO/IEC 42001: KI-Risikobewertung (Abschnitt 6.1.2)
Element der ISO/IEC 42001: KI-Risikobehandlung (Abschnitt 6.1.3)
Element der ISO/IEC 42001: Auswirkungsbewertung von KI-Systemen (Abschnitt 6.1.4; Anhang A.5)
Element der ISO/IEC 42001: Daten für KI-Systeme (Anhang A.7)
Element der ISO/IEC 42001: Lebenszyklus von KI-Systemen (Anhang A.6)
Praxistipps. Nennen Sie die 27091 in Ihrer Methodik zur Risikobewertung als Leitlinie, nicht als Anforderung, und führen Sie ein einziges KI-Risikoregister, in dem Datenschutzbedrohungen gekennzeichnet sind. Auditoren prüfen Sie gegen die 42001, nicht gegen die 27091.
„Ein einfacher Test: Wenn Ihre KI-Risikobewertung gleich bliebe, nachdem Sie das KI-System durch eine klassische Datenbank ersetzt haben, ist es wahrscheinlich keine KI-Risikobewertung. Die 27091 bringt Teams über diesen Punkt hinaus.“ Alexis Hirschhorn
Einen Überblick über die Umsetzung gibt unser Praxis-Playbook zur ISO 42001, und was Auditoren sehen wollen, beschreibt unser Beitrag zu den Nachweisen im ISO-42001-Audit. Für Umsetzungskompetenzen siehe ISO 42001 Lead Implementer. Für die Auditperspektive siehe ISO 42001 Lead Auditor.
8. Die 27091 in einem PIMS nach ISO/IEC 27701:2025 nutzen
In einem Datenschutz-Managementsystem (PIMS) nach ISO/IEC 27701:2025 liefert die ISO/IEC 27091 die KI-spezifischen Datenschutzrisiken für Ihre Risikobewertung und für die Begründung Ihrer Entscheidungen in der Erklärung zur Anwendbarkeit (SoA) bei KI-Verarbeitungen. Sie fügt keine Kontrollen hinzu, nach denen Sie zertifiziert werden müssten.
Die ISO/IEC 27701:2025 ist inzwischen eine eigenständige, zertifizierbare Norm und setzt die ISO/IEC 27001 nicht mehr voraus. Sobald KI-Systeme Teil Ihrer Verarbeitungen sind, reichen allgemeine Datenschutzrisiken nicht mehr aus. Die 27091 hilft an drei Stellen:
- Risikoidentifizierung. Ergänzen Sie für jede Verarbeitung mit KI-Beteiligung KI-spezifische Risiken wie Extraktion, Inferenz und halluzinierte personenbezogene Daten.
- Begründungen in der SoA. Nutzen Sie die 27091 als anerkannte Referenz für Kontrollen wie Ausgabefilterung oder die Pseudonymisierung von Feintuning-Daten.
- Rollen von Verantwortlichem und Auftragsverarbeiter. Zeigen Sie, welche Partei (Modellanbieter, Hoster oder Betreiber) welches Risiko behandeln kann, und bilden Sie das in den Verträgen ab.
Der 27701-Übergang. Er ist etwas anderes als die 27091, auch wenn beides oft verwechselt wird. Zertifikate nach ISO/IEC 27701:2019 laufen Ende Oktober 2028 aus: Planen Sie den Wechsel auf die Ausgabe 2025 mit Ihrer Zertifizierungsstelle. KI-Risiken auf Basis der 27091 dabei mit aufzunehmen, ist effizient, aber freiwillig. Für die 27091 gibt es keinen Übergang, da sie nichts ersetzt.
Was sich zwischen den Ausgaben geändert hat, zeigen die wesentlichen Unterschiede zwischen ISO/IEC 27701:2019 und 2025. Den vollständigen Überblick über die neue Ausgabe gibt unser Leitfaden zur ISO/IEC 27701:2025.
9. ISO/IEC 27090 oder 27091
Die ISO/IEC 27090 behandelt Sicherheitsbedrohungen gegen KI-Systeme, die ISO/IEC 27091 die Datenschutzrisiken, die solche Systeme mit sich bringen. Die meisten Organisationen werden beide brauchen.
Kriterium: Gegenstand
Kriterium: Bedrohungen
Kriterium: Hauptzielgruppe
Kriterium: Status (18. Nov. 2026)
Kriterium: Zertifizierbar?
Kriterium: Verhältnis
Venn-Diagramm. ISO/IEC 27090:2026, KI-Sicherheit: Sicherheitsbedrohungen für KI-Systeme, 13 Bedrohungen im Entwurf, für CISOs und Sicherheitsarchitekten, veröffentlicht am 14. Oktober 2026. ISO/IEC 27091, KI-Datenschutz: Datenschutzrisiken in KI-Systemen und Modellen, rund 8 Bedrohungen im DIS, darunter halluzinierte personenbezogene Daten, für Datenschutzbeauftragte und Privacy Engineers, im FDIS-Stadium mit geschätzter Veröffentlichung im Februar 2027. Gemeinsam: zwei nicht zertifizierbare Leitliniennormen des ISO/IEC JTC 1/SC 27; Datenvergiftung betrifft beide, und sie verweisen aufeinander.
Gemeinsam nutzen. Führen Sie eine einzige KI-Bedrohungsanalyse durch. Taucht eine Bedrohung in beiden Normen auf, etwa die Datenvergiftung, erfassen Sie sie einmal und bewerten sowohl die Auswirkung auf die Sicherheit als auch auf den Datenschutz. Einen detaillierten Vergleich finden Sie unter ISO/IEC 27090 vs. 27091: die Unterschiede.
10. DSGVO und Stellungnahme 28/2024 des EDSA
Die ISO/IEC 27091 ist für sich genommen kein Werkzeug zur DSGVO-Compliance. Ihre Bedrohungen auf Modellebene sind aber die technische Seite einer Frage, die die europäischen Behörden inzwischen direkt stellen: Ist Ihr KI-Modell wirklich anonym? Die Stellungnahme 28/2024 des Europäischen Datenschutzausschusses (EDSA) vom 17. Dezember 2024 hält fest, dass KI-Modelle, die mit personenbezogenen Daten trainiert wurden, nicht in allen Fällen als anonym gelten können und dass die Anonymität im Einzelfall zu beurteilen ist.
Ein Verantwortlicher, der sich auf Anonymität beruft, muss zeigen, dass personenbezogene Daten mit Mitteln, deren Einsatz vernünftigerweise zu erwarten ist, weder aus dem Modell extrahiert noch durch Abfragen gewonnen werden können. Mitgliedschaftsinferenz, Extraktion und Modellinversion sind genau diese Wege, und eine Analyse im Stil der 27091 bietet eine strukturierte Möglichkeit, sie zu testen und zu dokumentieren.
„Nach europäischem Datenschutzverständnis ist Anonymität kein Etikett, das man vor dem Training anbringt. Sie ist eine Eigenschaft, die man nach dem Training belegen können muss, durch Tests, Zugriffskontrollen und den Nachweis, dass personenbezogene Daten vernünftigerweise nicht extrahiert oder abgeleitet werden können.“ Marc Bouvier
Die 27091 unterstützt auch weitere Pflichten der DSGVO:
- Datenschutz-Folgenabschätzungen (Artikel 35). Die Bedrohungsanalyse und die Lebenszyklussicht können in den Risikoteil einer DSFA für ein KI-System einfließen. Unsere Antwort zur Durchführung einer DSFA für ein KI-System zeigt eine mögliche Struktur.
- Datenschutz durch Technikgestaltung und datenschutzfreundliche Voreinstellungen (Artikel 25). Der Lebenszyklusansatz der Klausel 7 übersetzt diese Pflicht in konkrete Entscheidungen in Design, Entwicklung und Betrieb.
- Richtigkeit (Artikel 5 Absatz 1 Buchstabe d) und Betroffenenrechte. Wer halluzinierte personenbezogene Daten als Datenschutzrisiko behandelt, kann planen, wie Berichtigungs- und Löschanträge zu Modellausgaben bearbeitet werden.
Wenn Sie ein PIMS nach ISO/IEC 27701 betreiben, strukturiert es bereits einen Großteil dieser Nachweise; siehe wie die ISO 27701 die DSGVO-Konformität unterstützt.
Was sie nicht leistet. Sie begründet keine Rechtsgrundlage, ist kein Zertifizierungsverfahren im Sinne der DSGVO und ersetzt nicht die Einzelfallbeurteilung, die der EDSA erwartet.
11. Zeitplan der KI-Verordnung: wo die 27091 hilft und wo nicht
Die ISO/IEC 27091 kann Ihre Dokumentation zu Daten-Governance und Risiken nach der KI-Verordnung (AI Act) stützen. Sie ist jedoch keine harmonisierte Norm und begründet keine Konformitätsvermutung. Betrachten Sie sie als Nachweis guter Praxis, nicht als Konformitätsweg.
Die KI-Verordnung (Verordnung (EU) 2024/1689, geändert durch den Digitalen Omnibus, Verordnung (EU) 2026/1744) gilt schrittweise.
Datum: 2. Dez. 2026
Datum: 2. Dez. 2027
Datum: 2. Aug. 2028
Maßstabsgetreue Zeitleiste von Mitte 2024 bis 2028 mit dem heutigen Datum, 18. November 2026. Vergangen: Stellungnahme 28/2024 des EDSA am 17. Dezember 2024; Veröffentlichung der ISO/IEC 27090 am 14. Oktober 2026; Beginn der FDIS-Abstimmung zur ISO/IEC 27091 am 2. November 2026. Bevorstehend: neue Verbote der KI-Verordnung am 2. Dezember 2026; geschätzte Veröffentlichung der ISO/IEC 27091 im Februar 2027; Hochrisiko-Pflichten nach Anhang III der KI-Verordnung am 2. Dezember 2027, rund zehn Monate nach der geschätzten Veröffentlichung; Hochrisiko-Pflichten nach Anhang I am 2. August 2028; Ende der Zertifikate nach ISO/IEC 27701:2019 Ende Oktober 2028.
Wo die 27091 hilft.
- Daten-Governance und Risikomanagement. Ihre Analyse der Risiken rund um Trainingsdaten, Datenherkunft und Pseudonymisierung stützt die Dokumentation der Anbieter, und Betreiber können sie als Datenschutz-Input für ihre Grundrechte-Folgenabschätzungen nutzen.
Wo sie nicht hilft.
- Sie begründet keine Konformitätsvermutung. Das tun nur harmonisierte Normen, deren Fundstellen im Amtsblatt veröffentlicht sind, etwa die EN 18286:2026 für das Qualitätsmanagement nach der KI-Verordnung.
- Sie deckt weder Transparenzpflichten noch menschliche Aufsicht, Registrierung oder die Pflichten für KI mit allgemeinem Verwendungszweck ab.
„Bei Hochrisiko-KI-Systemen kann die Norm helfen, den Datenschutzteil des Risikomanagements zu dokumentieren. Sie wird Ihr System aber nicht einstufen, keine Konformitätsbewertung ersetzen und nicht die Frage beantworten, die Behörden letztlich interessiert: Welchen Schaden könnte dieses System anrichten, und was haben Sie unternommen, um ihn zu verhindern?“ Tania Postil
Alle Anwendungsdaten finden Sie im Zeitplan der KI-Verordnung. Betreiber mit Grundrechtspflichten sollten auch lesen, was eine Grundrechte-Folgenabschätzung umfasst, und Leserinnen und Leser in der Schweiz unseren vollständigen Leitfaden zur KI-Verordnung, der ihre extraterritoriale Reichweite behandelt. Die Entwicklung der KI-Verordnung verfolgen Sie auf unserer Seite zum EU AI Act.
12. Ein Startplan für 90 Tage
Einen funktionierenden Prozess für KI-Datenschutzrisiken können Sie in rund 90 Tagen aufbauen, ohne auf die Veröffentlichung zu warten: Beginnen Sie mit der Struktur, die der DIS beschreibt, und richten Sie sich später am finalen Text aus. Der Plan geht von einer mittelgroßen Organisation mit einigen KI-Anwendungsfällen aus.
13-Wochen-Plan für KI-Datenschutz, rund 90 Tage, in fünf maßstabsgetreuen Phasen. Wochen 1 bis 2: Inventar aller KI-Systeme, personenbezogene Daten markiert. Wochen 3 bis 4: Datenschutzprofil je priorisiertem Anwendungsfall. Wochen 5 bis 8, die längste Phase: Bewertung der Datenschutzrisiken mit Einträgen im Risikoregister, verknüpft mit der DSFA. Wochen 9 bis 11: Behandlungsplan mit Verantwortlichen und Terminen. Wochen 12 bis 13: Überwachungsplan und Prüfkalender. Wiederholen, wenn sich ein Modell, ein Datensatz oder ein Anwendungsfall ändert.
Wochen: 1–2
Wochen: 3–4
Wochen: 5–8
Wochen: 9–11
Wochen: 12–13
Testen Sie mindestens Ihr risikoreichstes Modell mit einfachen Extraktions-Prompts, bevor Sie es bewerten. Die allgemeine Methode für die Wochen 5 bis 13 beschreiben wie Sie KI-spezifische Risiken identifizieren, die Strategien zur Behandlung von KI-Risiken und die Überwachung von KI-Risiken im Betrieb.
„Ein 90-Tage-Programm muss Entscheidungen hervorbringen, nicht nur Dokumentation. Am Ende sollten Sie wissen, welche Modelle Ausgabefilter brauchen, welche Trainingsdatensätze pseudonymisiert werden müssen, welche Logs kürzer aufbewahrt werden sollten und wer welches Restrisiko trägt.“ Henri Haenni
Ein Startpunkt für die Wochen 5 bis 8
Laden Sie unser Register für KI-Datenschutzrisiken herunter (Zugang nach Registrierung), vorstrukturiert für KI-spezifische Bedrohungen und mit den Feldern von DSFA und SoA verknüpft.
13. Kompetenzen und Weiterbildungswege
Keine Schulung kann Sie „27091-zertifiziert“ machen, denn diese Zertifizierung gibt es nicht. Wählen Sie danach, ob Sie ein Managementsystem aufbauen, es auditieren oder KI-Governance im weiteren Sinne verantworten.
Weg: ISO/IEC 42001 Lead Implementer
Weg: ISO/IEC 42001 Lead Auditor
Weg: ISO/IEC 27701 (2025) Lead Implementer / Lead Auditor
Weg: IAPP AIGP (Artificial Intelligence Governance Professional)
Weg: KI-Zertifizierungen von PECB (z. B. Lead AI Risk Manager, Certified EU AI Governance Professional, Certified AI Security Professional)
Wo die 27091 hineinpasst. Kenntnisse der 27091 sind eine spezialisierte Ergänzung zu jedem dieser Wege. Eine kurze, gezielte Schulung zur 27090 und 27091 führt in der Regel zu einer Teilnahmebestätigung und zu Weiterbildungsstunden (CPD), nicht zu einer Zertifizierung.
Schulungsseiten: ISO 42001 Lead Implementer · ISO 42001 Lead Auditor · ISO 27701 Lead Implementer · Lead AI Risk Manager
Änderungsprotokoll
- 2026-11-18: Status geprüft, Stufe 50.20 (FDIS-Abstimmung seit 2026-11-02). Geschätzte Veröffentlichung: Feb. 2027 (Spanne Jan.–Apr. 2027).
Hinweis zum Urheberrecht: Dieser Leitfaden zitiert nur den öffentlichen Titel und die öffentliche Zusammenfassung der ISO, mit Quellenangabe. Alles Übrige ist unsere eigene Erläuterung. Den verbindlichen Text erwerben Sie nach der Veröffentlichung bei der ISO oder Ihrer nationalen Normungsorganisation.




