--- title: "NIST AI RMF für Modelle und KI-Agenten | Dawiso Blog" description: "Wie Sie das NIST AI Risk Management Framework auf KI-Modelle und eigenständige Agenten anwenden, mit praktischen Schritten zu jeder der vier Funktionen." url: "https://www.dawiso.com/de/blog-post/nist-ai-rmf-for-models-and-agents" language: "de" --- # NIST AI RMF für Modelle und KI-Agenten, mit Schritten zur Umsetzung Samuel Nagy VP of Strategic Growth \25. Juni 2026 Das NIST AI Risk Management Framework gibt Ihnen einen klaren Weg, das Risiko von KI zu steuern: vier Funktionen, über den gesamten Lebenszyklus angewandt. Der Haken im Jahr 2026 ist, dass KI nicht mehr nur aus Modellen besteht, die Fragen beantworten; es sind Agenten, die handeln. Der Rahmen passt weiterhin, doch die Risikofläche, die er abdecken muss, ist größer. Hier steht, wie Sie das AI RMF auf beides anwenden, mit konkreten Schritten zur Umsetzung. ## Warum das AI RMF jetzt mehr zählt Das [NIST AI Risk Management Framework](https://www.dawiso.com/de/glossary/nist-ai-rmf) ist still und leise zur gemeinsamen Sprache für das Risiko von KI geworden. Es ist freiwillig, von der Technik unabhängig und weit über die Vereinigten Staaten hinaus im Einsatz, zitiert in Beschaffung, Aufsicht durch Vorstände und Programmen zur regulatorischen Bereitschaft, weil es Teams einen strukturierten Weg gibt, das Risiko von KI zu steuern, ohne eine starre Checkliste vorzuschreiben. Im Januar 2023 als AI RMF 1.0 veröffentlicht, ist es gerade deshalb gut gealtert, weil es Ergebnisse beschreibt statt bestimmter Technik. Dieser Ansatz wird nun auf die Probe gestellt. 2024 hat NIST ein **Generative AI Profile** (NIST AI 600-1) ergänzt, um den Rahmen auf generative KI-Modelle zuzuschneiden. Am 17. Februar 2026 hat NIST dann über sein Center for AI Standards and Innovation eine eigene **AI Agent Standards Initiative** gestartet, die genau auf die nächste Welle zielt: Agenten, die eigenständig im Namen ihrer Nutzer handeln können. Die Botschaft ist klar. Das Gespräch über Risiko hat sich von „was wird das Modell sagen?“ zu „was wird der Agent tun?“ verschoben, und das AI RMF ist der Rahmen, den die meisten Unternehmen über beides spannen werden. „Die Risikofrage hat sich verschoben: von dem, was ein Modell sagt, zu dem, was ein Agent tut.“ ## Die vier Funktionen in einer Minute Wenn Sie die vollständige Definition wollen, behandelt unser Glossar die [Grundlagen des NIST AI RMF](https://www.dawiso.com/de/glossary/nist-ai-rmf). Hier die Fassung für die Praxis. Der Rahmen hat vier Funktionen, und der Kniff ist, dass drei davon als wiederkehrender Kreislauf laufen, während die vierte sie umgibt: - **Govern** ist die übergreifende Funktion: die Kultur, die Richtlinien, die verantwortlichen Rollen und die Aufsicht, die die anderen drei dauerhaft statt zufällig machen. - **Map** schafft Kontext und erkennt Risiko: was das System ist, wen es betrifft, welche Daten es nutzt und was schiefgehen kann. - **Measure** analysiert, vergleicht und beobachtet diese Risiken mit Kennzahlen, Prüfungen und Red-Teaming. - **Manage** priorisiert und handelt: jedes Risiko behandeln, übertragen, vermeiden oder annehmen, und für Reaktion und Wiederherstellung planen. Nichts davon ist dem Geist nach neu; es ist klassisches Risikomanagement, auf KI gerichtet. Neu ist, wie viel schwerer jede Funktion wird, wenn das, was Sie regeln, von sich aus handeln kann. ## Modelle und Agenten, und warum sich die Aufgabe ändert Ein Modell ist begrenzt. Sie schicken ihm eine Eingabe, es liefert eine Ausgabe, und Sie steuern beide Enden. Das Generative AI Profile von NIST (NIST AI 600-1) führt zwölf Risiken auf, die für generative KI eigen sind, von Verzerrung und dem Abfluss personenbezogener Daten bis zur Preisgabe geistigen Eigentums, und zwei davon sind klar Probleme der Data Governance. **Confabulation**, also das selbstbewusste Erzeugen falscher Inhalte, ist nach der eigenen Darstellung von NIST eine natürliche Folge davon, wie generative Modelle Text vorhersagen, und am schlimmsten bei offenen Aufgaben für Fachleute, also genau dort, wo die Verankerung in vertrauenswürdigem Kontext am meisten hilft. **Value chain and component integration** deckt nicht nachvollziehbare vorgelagerte Bausteine und Daten ab, die unsauber beschafft oder nie bereinigt wurden, was ein Problem von [Lineage und Herkunft](https://www.dawiso.com/de/glossary/nist-ai-rmf) unter anderem Namen ist. Ein Modell können Sie weiterhin prüfen, indem Sie seine Ausgaben abklopfen. Ein [Agent](https://www.dawiso.com/de/glossary/multi-agent-systems) ist nicht auf dieselbe Weise begrenzt. Er plant, ruft Werkzeuge auf, handelt in laufenden Systemen und trägt ein Gedächtnis über Schritte hinweg. Das weitet die Risikofläche erheblich: Ein Agent kann Daten erreichen, die er nicht dürfte, eine Handlung ausführen, die niemand freigegeben hat, einen kleinen Fehler zu einem großen verketten oder über genau die Werkzeuge manipuliert werden, die er nutzt. NIST hat diese Lücke offen benannt; neben der Initiative zu Agenten laufen Arbeiten an Control Overlays zu SP 800-53 für Systeme mit einem und mit mehreren Agenten, und ein Konzeptpapier des NCCoE von 2026 behandelt eigens, wie Agenten zu authentifizieren und zu autorisieren sind, die eigenständig im Namen eines Nutzers handeln. Der Rahmen ändert sich nicht. Die vier Funktionen gelten weiterhin. Aber **jede Funktion muss nun Werkzeuge, Handlungen und Zugriffe abdecken, nicht nur Ausgaben.** ## Schritte zur Umsetzung So bringen Sie die vier Funktionen in die Praxis, wobei die Ergänzungen für Agenten eigens hervorgehoben sind. Nehmen Sie das als Anfangsreihenfolge, nicht als starre Ordnung; in der Praxis kehren Sie fortlaufend dorthin zurück. **Govern, das Fundament.** Stellen Sie zuerst die Grundlagen auf: ein einziges Verzeichnis jedes KI-Systems, das Sie betreiben (Modelle wie Agenten), eine KI-Richtlinie, die zulässige Nutzung und Risikotoleranz benennt, und eine verantwortliche Person je System. Hier verbinden Sie das Risiko von KI auch mit den Pflichten, die Sie ohnehin tragen, vom [EU AI Act](https://www.dawiso.com/de/glossary/eu-ai-act) bis zur internen Datenrichtlinie. Ohne Govern werden die anderen drei Funktionen zu einmaligen Heldentaten, die verfallen, sobald die Aufmerksamkeit weiterzieht. **Map, Kontext schaffen.** Halten Sie für ein Modell seinen Zweck, seine Beteiligten und die Daten fest, auf denen es trainiert wurde und die es nutzt. Gehen Sie für einen Agenten weiter: Erfassen Sie die Werkzeuge, die er aufrufen kann, und die Daten, die er erreicht, und stufen Sie ein, wie sensibel jedes davon ist. Sie können nicht erkennen, was schiefgehen kann, bevor Sie wissen, was das System berühren kann, und bei Agenten ist diese Liste die Risikokarte. **Measure, Risiko sichtbar machen.** Prüfen Sie Modelle auf Genauigkeit, Verzerrung, Robustheit und die Risiken generativer KI aus NIST AI 600-1 und lassen Sie vor der Freigabe ein Red Team darauf los. Ergänzen Sie bei Agenten die Beobachtung zur Laufzeit: Protokollieren und prüfen Sie die Handlungen eines Agenten, führen Sie jede Entscheidung auf die Daten und Werkzeuge dahinter zurück und achten Sie auf Verhalten, das von der vorgesehenen Nutzung abdriftet. Ein Modell wird geprüft; ein Agent muss beobachtet werden. **Manage, auf Erkanntes reagieren.** Priorisieren Sie die Risiken, die zählen, und handeln Sie. Bei Agenten heißt das konkrete Kontrollen: eng gefasster Zugriff, sodass ein Agent nur erreicht, was seine Aufgabe braucht, Leitplanken für folgenreiche Handlungen, menschliche Freigabe für unumkehrbare Schritte und ein verlässlicher Weg, einen Agenten zu stoppen, der sich danebenbenimmt, dazu ein Meldeweg für den Fall, dass doch etwas durchrutscht. Ein Risiko anzunehmen ist bei geringer Tragweite eine gültige Wahl, solange es eine dokumentierte Entscheidung ist und kein Versehen. ## Das Schwierige ist der Kontext Lesen Sie diese Schritte noch einmal und achten Sie darauf, was sie stillschweigend voraussetzen. Map setzt voraus, dass Sie wissen, welche Daten und Werkzeuge es gibt und wie sensibel jedes ist. Measure setzt voraus, dass Sie ein Ergebnis auf seine Quelle zurückführen können. Manage setzt voraus, dass es eine verantwortliche Person gibt, die handeln kann. Das AI RMF beschreibt, *wie* gutes Risikomanagement aussieht; zu dem Untergrund, auf dem jede Funktion läuft, schweigt es weitgehend. Dieser Untergrund sind geregelte Daten und ein klares, geteiltes Verständnis dessen, was sie bedeuten. NIST ist dazu in der Praxis deutlich. Im Generative AI Profile sind die vorgeschlagenen Maßnahmen jeder Funktion zugeordnet (Govern, Map, Measure, Manage), und mehrere verlangen unmittelbar, Herkunft und Geschichte der Trainingsdaten zu verfolgen und Dritte über den Lebenszyklus der KI hinweg zu prüfen. Von der Sprache des Rahmens befreit, sind das Aufgaben für Katalog, Lineage und Klassifizierung. Der Rahmen zeigt auf geregelte Daten; er reicht sie Ihnen nicht. Hier bleiben die meisten Programme zum Risiko von KI stecken, und mit Agenten wird es schlimmer. Sie können den Zugriff eines Agenten nicht eng fassen, wenn Sie nicht wissen, was sensibel ist. Sie können seine Handlungen nicht sinnvoll beobachten, wenn Sie sie nicht auf geregelte Daten zurückführen können. Sie können einer Aufsicht nicht „das Modell hat entschieden“ als Antwort geben. Der Rahmen benennt die Disziplin; sie praktisch umsetzbar zu machen ist ein [Problem von Daten und Kontext](https://www.dawiso.com/de/glossary/ai-governance). **Ein Agent lässt sich nur regeln, wenn Sie wissen, was er erreichen kann, was jedes davon bedeutet und wer dafür einsteht.** Das ist keine Eigenschaft des Modells; es ist eine Eigenschaft Ihrer geregelten Daten. Ein [Context Layer](https://www.dawiso.com/de/context-layer) ist der Weg, diesen Untergrund einmal zu liefern statt je Werkzeug. Er fügt einen Katalog dessen zusammen, was existiert, ein Glossar dessen, was jeder Begriff bedeutet, die Lineage, woher Daten kamen, und die Klassifizierung dessen, was sensibel ist, jeweils mit einer verantwortlichen Person, und stellt all das KI-Werkzeugen über das offene [Model Context Protocol (MCP)](https://www.dawiso.com/de/product/mcp) bereit. Regeln Sie den Kontext einmal, und jedes Modell und jeder Agent liest dieselben vertrauenswürdigen Definitionen und dieselben Richtlinien, statt dass jedes für sich rät. Genau diesen Weg geht Dawiso. Sein Fundament für [Governance](https://www.dawiso.com/de/glossary/iso-42001) (Katalog, Glossar, Lineage, Klassifizierung) entsteht als Nebenprodukt der normalen Arbeit, und über den Context Layer und seinen MCP Server wird daraus genau der geregelte Kontext, den Map, Measure und Manage des AI RMF brauchen, um wirklich zu greifen. Der Rahmen gibt Ihnen die Disziplin. Geregelter Kontext ist das, was Sie sie tatsächlich ausführen lässt, für Modelle und für die Agenten, die nun auf Ihren Daten handeln. ## FAQ **Was ist das NIST AI Risk Management Framework?** Das NIST AI Risk Management Framework (AI RMF) ist ein freiwilliger, von der Technik unabhängiger Rahmen, den das US-amerikanische National Institute of Standards and Technology veröffentlicht hat, um die Risiken von KI über ihren Lebenszyklus zu steuern. Im Januar 2023 als AI RMF 1.0 erschienen, ist es um vier Funktionen herum aufgebaut: Govern, Map, Measure und Manage. Es ist kein Gesetz und kennt keine Sanktionen; Unternehmen führen es ein, weil es ihnen eine strukturierte, wiederholbare Praxis für vertrauenswürdige KI gibt. Eine vollständige Definition finden Sie in unserem Beitrag im Glossar zum NIST AI RMF. **Wie gilt das AI RMF eigens für KI-Agenten?** Die vier Funktionen sind von der Technik unabhängig, also gelten sie für KI-Agenten ebenso wie für Modelle. Was sich ändert, ist die Fläche, die sie abdecken müssen. Ein Agent liefert nicht nur eine Ausgabe; er plant, ruft Werkzeuge auf, handelt in laufenden Systemen und behält ein Gedächtnis über Schritte hinweg. Also muss Map die Daten und Werkzeuge erfassen, die ein Agent erreicht, Measure muss seine Handlungen und Spuren beobachten statt nur seine Ausgaben zu prüfen, und Manage muss Zugriffskontrollen, Leitplanken und die Möglichkeit umfassen, einen Agenten zu stoppen, der sich danebenbenimmt. NIST hat die Bedeutung davon im Februar 2026 unterstrichen, als es eine eigene AI Agent Standards Initiative startete. **Ist das NIST AI RMF verpflichtend?** Nein. Das AI RMF ist freiwillig und wird von keiner Aufsicht durchgesetzt. Das ist der entscheidende Unterschied zum EU AI Act, der bindendes Recht mit Sanktionen ist. In der Praxis ergänzen sich beide: Eine Praxis nach dem AI RMF bereitet Sie auf den AI Act vor, weil viele Pflichten des Acts (Risikomanagement, Data Governance, Dokumentation, menschliche Aufsicht) sich eng auf die vier Funktionen abbilden lassen. Viele Unternehmen nutzen das AI RMF als gedankliches Rückgrat und formalisieren es dann über einen zertifizierbaren Standard wie ISO 42001. **Wie hilft ein Context Layer beim NIST AI RMF?** Jede Funktion des AI RMF setzt voraus, dass Sie die Daten und Werkzeuge hinter Ihrer KI kennen und ihnen trauen, und genau das liefert der Rahmen selbst nicht. Ein geregelter Context Layer tut es: ein Katalog dessen, welche Daten und Bestände es gibt, ein Glossar dessen, was jeder Begriff bedeutet, die Lineage, woher Daten kamen, und die Klassifizierung dessen, was sensibel ist, jeweils mit einer verantwortlichen Person. Dieser geregelte Kontext ist es, der Map, Measure und Manage wirklich greifbar statt nur wünschenswert macht, und er ist es, der einen Agenten überhaupt regelbar macht. Dawiso fügt diese Schicht zusammen und stellt sie über seinen Context Layer und seinen MCP Server jedem MCP-fähigen KI-Werkzeug bereit. [In Aktion erleben](https://www.dawiso.com/de/context-layer) Dawiso Context Layer Regeln Sie Ihren Datenkontext einmal und stellen Sie ihn dann über ein offenes Protokoll jedem KI-Werkzeug und jedem Agenten bereit. ### Inhalt Warum das AI RMF jetzt mehr zähltDie vier Funktionen in einer MinuteModelle und Agenten, und warum sich die Aufgabe ändertSchritte zur UmsetzungDas Schwierige ist der KontextFAQ ## Mehr zum Thema Lesen Sie weiter und tauchen Sie tiefer in unsere neuesten Beiträge zu Metadatenmanagement und mehr ein: ### [Konform und bereit für den EU AI Act: ein Leitfaden für 2026](https://www.dawiso.com/de/blog-post/how-to-get-ai-act-ready-2026) Der Omnibus hat die Hochrisiko-Fristen des EU AI Act auf 2027 verschoben. Ein praktischer Leitfaden in fünf Schritten, um mit Dawiso AI Governance bereit für den AI Act zu werden. Weiterlesen ### [Einen Context Layer für KI im Unternehmen umsetzen](https://www.dawiso.com/de/blog-post/how-to-implement-enterprise-context-layer-for-ai) Eine Schritt-für-Schritt-Anleitung, wie Sie einen Context Layer für KI umsetzen: Katalog, Glossar, Lineage, Klassifizierung, Bereitstellung über MCP und Lebenszyklus. Kontext einmal regeln, überall bereitstellen. Weiterlesen ### [Regeln Sie KI sicher? AI Act, DSGVO, Urheberrecht und Ihre interne KI-Richtlinie](https://www.dawiso.com/de/blog-post/are-you-governing-ai-safely) KI sicher zu regeln heißt vier Dinge: Systeme nach dem AI Act einstufen, KI mit der DSGVO abstimmen, Urheberrecht klären, interne KI-Richtlinie festlegen. Weiterlesen