Die Umsetzung der europäischen Regularien CRA, NIS-2 und AI Act und die Nutzung von KI mit ihren Chancen und Cybersecurity-Risiken sind für Industrieunternehmen alles andere als trivial. Doch welche technischen und organisatorischen Maßnahmen können die Cybersicherheit aufrechterhalten? Alexander Ingelheim, CEO und Mitgründer von Proliance, gibt nähere Informationen.
Welche Auswirkungen haben Regularien der EU wie AI Act, Cyber Resilience Act (CRA) oder NIS-2 auf Industrieunternehmen? Welche Anforderungen ergeben sich daraus für die Nutzung digitaler Technologien generell?
Alexander Ingelheim: Industrieunternehmen stehen vor einer regulatorischen Gemengelage, die in dieser Dichte beispiellos ist. NIS-2 trifft das verarbeitende Gewerbe als wichtige Einrichtung ab 50 Mitarbeitenden, der CRA ergänzt dies durch produktbezogene Pflichten für vernetzte Maschinen und IoT, und der AI Act greift überall dort, wo KI in sicherheitsrelevanten Bereichen eingesetzt wird. Die eigentliche Herausforderung liegt in der Überlagerung. Ein vernetztes Industrieprodukt mit KI-Funktion kann zeitgleich CRA-, AI-Act- und NIS-2-Anforderungen unterliegen. Für die Nutzung digitaler Technologien bedeutet das, dass Sicherheit und Nachprüfbarkeit von Anfang an eingebaut sein müssen, von der Cloud-Plattform bis zum Edge-Device.
IT-Regulierung: Gesetze und Pflichten im Überblick
Welche organisatorischen und strategischen Maßnahmen müssen vor allem mittelständische Industrieunternehmen ergreifen, um regulatorische Anforderungen umzusetzen und zu erfüllen?
Alexander Ingelheim: Der erste Schritt ist eine nüchterne Betroffenheitsprüfung. Bei NIS-2 reicht ein Blick in die Anlagen des Umsetzungsgesetzes in Verbindung mit den Größenkriterien, beim AI Act folgt die Inventur aller KI-Systeme samt Risikoklassifikation, beim CRA die Frage nach Produkten mit digitalen Elementen. Strategisch bewährt sich ein integrierter Ansatz, der Datenschutz, Informationssicherheit und Compliance nicht in getrennten Silos behandelt. Wer NIS-2 mit ISO 27001 als Bezugsrahmen umsetzt, schafft eine Grundlage, die CRA-Anforderungen an Schwachstellenmanagement und Vorfallsreaktion weitgehend mitabdeckt. Auf Leitungsebene gehört die persönliche Verantwortung der Geschäftsführung adressiert. NIS-2 sieht hier explizit Schulungspflicht und persönliche Haftung vor, was sich nicht delegieren lässt.
CRA-Anforderungen mit SBOMs umsetzen
Wie können Unternehmen Abhängigkeiten von Cloud-, Software- und Cybersecurity-Anbietern bewerten und steuern?
Alexander Ingelheim: Voraussetzung jeder belastbaren Bewertung ist ein vollständiges Asset-Register. Wer nicht weiß, welche Software, welche Cloud-Dienste und welche Dienstleister in welchem Prozess eingebunden sind, kann Abhängigkeiten nicht steuern. Bewerten lassen sich diese Abhängigkeiten anhand mehrerer Dimensionen, etwa Kritikalität für den Geschäftsbetrieb, Datenkategorien, Rechtsraum und Auditfähigkeit. Zur Steuerung helfen standardisierte Lieferantenfragebögen, verlässliche Nachweise wie SOC-2-Berichte (Service Organization Control 2) und ISO-27001-Zertifikate, vertragliche Klauseln zu Datenstandorten sowie Exit-Pläne für besonders kritische Abhängigkeiten. NIS-2 macht das Lieferketten-Management in Artikel 21 ohnehin zur Pflicht und sollte als Anlass dienen, die Beschaffungsprozesse strukturell um eine Vendor-Risk-Komponente zu ergänzen.
Wie können Industrieunternehmen KI in Produktion, Qualitätskontrolle oder Prozessoptimierung einsetzen, ohne Compliance- und Governance-Risiken einzugehen?
Alexander Ingelheim: KI in der Produktion ist regulatorisch oft anspruchsvoller als gedacht. Wer ein KI-System zur Steuerung sicherheitsrelevanter Maschinenfunktionen oder zur Prüfung sicherheitskritischer Bauteile nutzt, konnte bislang schnell in der Hochrisikoklasse des AI Act landen. Ein praktikabler Weg beginnt mit einer KI-Inventur und der Risikoklassifikation nach den Kategorien der Verordnung. Erst dann lässt sich beurteilen, welche Pflichten tatsächlich greifen. Die meisten KI-Anwendungen in der Produktion fallen in die Klasse begrenztes oder minimales Risiko, was die Anforderungen erheblich reduziert. Was Unternehmen vermeiden sollten, ist die Vermischung von Pilotbetrieb und produktivem Einsatz ohne dokumentierte Freigabe, weil das im Auditfall schwer zu erklären ist.
Speziell für den Maschinenbau hält der Digital Omnibus on AI bei aller Komplexität eine wichtige Weichenstellung bereit. Die Maschinenverordnung (EU) 2023/1230 wird ausdrücklich aus dem unmittelbaren Anwendungsbereich der KI-Verordnung herausgenommen, sodass die bislang befürchtete doppelte Regulierung für KI, die fest in Maschinen verbaut ist, wegfällt. Konkret bedeutet das: Wer künstliche Intelligenz etwa für Steuerungsfunktionen oder zur vorausschauenden Wartung in seine Maschinen einbettet, muss nicht länger zwei Regelwerke gleichzeitig bedienen. An die Stelle des vollständigen Hochrisiko-Programms treten lediglich die eingeschränkten Vorgaben nach Art. 2 Abs. 2 der KI-Verordnung; das umfassende Pflichtenpaket des AI Act gilt für solche Systeme nicht mehr als Regelfall.
Ein Freibrief ist das allerdings nicht. Einzelne KI-Vorgaben können nach wie vor zum Tragen kommen, sofern die jeweiligen Fachregelungen kein vergleichbares Schutzniveau für Gesundheit, Sicherheit oder Grundrechte gewährleisten. Hinzu kommt, dass übergreifende Anforderungen – etwa zu Transparenz, zur Dokumentation und zum Aufbau von KI-Kompetenz – auch für Maschinenbauer bestehen bleiben.
Welche organisatorischen Strukturen, Risikobewertungen und Dokumentationsprozesse sind notwendig, um KI-Systeme regelkonform und nachprüfbar zu nutzen?
Alexander Ingelheim: Im Kern braucht es eine KI-Governance, die organisatorisch verankert ist und nicht nur als Policy-Dokument auf dem Papier existiert. Eine zentrale Stelle, oft als erweiterte Funktion des Datenschutzbeauftragten oder eigener KI-Beauftragter, koordiniert Inventarisierung, Risikoklassifikation und Freigabeprozesse. Die Risikobewertung orientiert sich an den Klassen des AI Act, muss aber im konkreten Anwendungskontext geschärft werden. Sobald personenbezogene Daten verarbeitet werden, kommt die Datenschutz-Folgenabschätzung als zweite Beurteilungsebene hinzu. Ein weiterer Aspekt ist die in Artikel 4 AI Act verankerte Pflicht zur KI-Kompetenz aller mit KI befassten Mitarbeitenden. Diese AI-Literacy-Anforderung wird in der Praxis noch unterschätzt.
Welche Konsequenzen ergeben sich aus der zunehmenden Verknüpfung von OT und IT sowie der zunehmenden Vernetzung von Lieferketten für die Cybersecurity?
Alexander Ingelheim: Die Konvergenz von OT und IT öffnet Angriffsflächen, die viele Industrieunternehmen historisch nicht im Blick hatten. Produktionsanlagen, die jahrzehntelang im isolierten Werksnetz liefen, sind heutzutage über Cloud-Dienste und Remote-Wartung ans Internet angebunden. Hinzu kommt die Lieferkettendimension. Ein kompromittierter Softwarelieferant kann Schadcode kaskadenförmig in tausende Endkundenumgebungen tragen, wie die Vorfälle der letzten Monate gezeigt haben. Sicherheit endet damit nicht mehr an der eigenen Firewall. Erforderlich sind eine saubere Inventarisierung aller OT- und IT-Assets, segmentierte Netzwerke, ein belastbares Identitäts- und Zugriffsmanagement gerade für externe Wartungszugänge und ein Lieferantenrisikomanagement, das vertraglich wie auditfähig hinterlegt ist.
OT Security: Sichern Sie kritische Infrastrukturen – bevor Angriffe physisch werden
Welche Chancen und Risiken bringen KI und Machine Learning für die Cybersecurity von Industrieunternehmen mit sich?
Die Chancen sind nicht von der Hand zu weisen. KI-gestützte Anomalieerkennung kann in OT-Netzen Auffälligkeiten sichtbar machen, die signaturbasierte Verfahren übersehen. Im Endpoint- und Netzwerk-Monitoring erleichtert Machine Learning die Triage von Vorfällen und entlastet überlastete Security-Teams. Auf der Risikoseite stehen ebenso konkrete Entwicklungen. Angreifer nutzen generative KI längst routinemäßig für Phishing-Kampagnen, deren sprachliche Qualität klassische Indikatoren aushebelt. Voice-Cloning macht Social Engineering auf Geschäftsführer-Ebene zu einem massiven Risiko, und Prompt Injection in agentischen Systemen schafft Angriffsvektoren, die viele Unternehmen noch gar nicht im Risikomodell führen. Wir empfehlen einen pragmatischen Mittelweg und raten dazu, KI dort einzusetzen, wo der Mehrwert messbar ist und die Datenqualität stimmt.
Zur Themenseite KI & IT-Security
Die Fragen stellte Andreas Knoll.