Artikel 9: Risikomanagement für Fintech-KI — EU AI Act

Wie die Risikomanagementanforderungen aus Artikel 9 des EU AI Act für Fintech-KI gelten — Kredit-Scoring, Modell-Drift, adversariale Robustheit, Finanzregulierung.

Veröffentlicht 2. April 2026

KI im Finanzdienstleistungssektor operiert in einem der am stärksten regulierten Bereiche der EU. Nach Anhang III, Abschnitt 5(b) werden KI-Systeme für Kreditwürdigkeitsprüfung, Versicherungsrisikobewertung und finanzielle Berechtigungsentscheidungen als hochriskant eingestuft. Artikel 9 verlangt ein kontinuierliches Risikomanagementsystem, das Herausforderungen adressieren muss, die für Fintech einzigartig sind: Modell-Drift durch makroökonomische Verschiebungen, feindliche Eingaben von Antragstellern, die Bewertungsalgorithmen ausnutzen, und die kumulative Wirkung KI-gestützter Entscheidungen auf die finanzielle Ausgrenzung.

Diese Seite behandelt, wie die Risikomanagementpflichten nach Artikel 9 auf Fintech-KI angewendet werden, einschließlich der Integration in die bestehende Finanzregulierung, der Anforderungen an die Modellvalidierung und der spezifischen Verstöße, die Scanara in Codebasen von Finanz-KI erkennt.

Auf welche Fintech-KI-Systeme ist Artikel 9 anwendbar?

Kredit-Scoring-Engines

KI-Modelle, die die Kreditwürdigkeit für die Kreditvergabe, die Genehmigung von Kreditkarten oder Entscheidungen über Kreditlimits bewerten. Das Risikomanagement muss behandeln, wie makroökonomische Verschiebungen (Rezession, Inflation) dazu führen, dass historische Trainingsdaten zu unzuverlässigen Prädiktoren des Ausfallrisikos werden.

KI für die Versicherungszeichnung

Systeme, die Risikoprofile für die Versicherungsbepreisung oder Deckungsentscheidungen bewerten. Artikel 9 verlangt eine Risikobewertung dazu, wie alternative Datenquellen (soziale Medien, IoT-Geräte) eine Stellvertreterdiskriminierung geschützter Gruppen einführen können.

AML/KYC-Risikoprofilierung

KI-Systeme, die verdächtige Transaktionen kennzeichnen, das Kundenrisiko bewerten oder die Sorgfaltsprüfung automatisieren. Das Risikomanagement muss Falsch-Positiv-Raten behandeln, die Kunden bestimmter Nationalitäten oder Transaktionsmuster, die in Migrantengemeinschaften verbreitet sind, unverhältnismäßig betreffen.

Betrugserkennung mit Kontobeschränkungen

KI, die Betrug erkennt und Kontosperrungen oder Transaktionssperren auslöst. Wenn diese Entscheidungen den Zugang zu wesentlichen Finanzdienstleistungen betreffen, fallen sie unter die Hochrisikoeinstufung. Das Risikomanagement muss die Auswirkungen von Falsch-Positiven auf rechtmäßige Kunden abdecken.

Wesentliche Pflichten des Risikomanagements für Fintech

Erkennung von Modell-Drift und Reaktion

Finanz-KI-Modelle degradieren, wenn sich die wirtschaftlichen Bedingungen ändern. Ein während Niedrigzinsphasen trainiertes Kredit-Scoring-Modell kann Ausfälle bei Zinserhöhungen falsch vorhersagen. Artikel 9(3) verlangt, dass Risikomanagementmaßnahmen „bei Bedarf aktualisiert“ werden — für Fintech bedeutet dies eine kontinuierliche Überwachung der Vorhersagegenauigkeit anhand von Out-of-Time-Validierungssätzen.

Prüfung der adversarialen Robustheit

Finanz-KI ist in besonderem Maße feindlichen Eingaben ausgesetzt: Antragsteller können Anträge so strukturieren, dass sie Schwächen des Bewertungsalgorithmus ausnutzen. Artikel 9(2)(b) verlangt die Bewertung von Risiken aus „vernünftigerweise vorhersehbarem Missbrauch“. Für das Kredit-Scoring umfasst dies Tests gegen bekannte Manipulationsstrategien (Antragsstapelung, Injektion synthetischer Identitäten).

Datenveralterung und Vintage-Analyse

Kreditdaten veralten schnell. Das Risikomanagement nach Artikel 9 muss eine Analyse der Datenaktualität umfassen und den maximal zulässigen Datenjahrgang für jedes Merkmal definieren. Modelle, die sich beispielsweise auf Beschäftigungsdaten aus Zeiten vor der Pandemie stützen, können Sektoren, die strukturelle Veränderungen durchlaufen haben, systematisch falsch einschätzen.

Wechselwirkung mit anderen Systemen

Artikel 9(2)(c) verlangt eine Risikobewertung von Wechselwirkungseffekten. In Fintech interagieren mehrere KI-Systeme: Ein Betrugserkennungsmodell kann Transaktionen kennzeichnen und ein Risiko-Scoring-Modell dazu veranlassen, einen Kunden herabzustufen, was sich wiederum auf Kreditentscheidungen auswirkt. Diese kaskadierenden Effekte müssen in der Risikobewertung modelliert werden.

Regulatorische Überschneidungen

EBA-Leitlinien zu KI im Bankwesen (November 2025)

Die Europäische Bankenaufsichtsbehörde hat Leitlinien zum Einsatz von KI in Kreditinstituten veröffentlicht, die ausdrücklich auf den AI Act verweisen. Die EBA erwartet von Kreditinstituten, das Risikomanagement nach Artikel 9 in bestehende Rahmenwerke des Modellrisikomanagements (MRM) zu integrieren, mit besonderem Augenmerk auf Erklärbarkeit und Modell-Governance.

CRD/CRR — Eigenkapitalanforderungen

Auf internen Ratings basierende (IRB) Modelle für die Eigenkapitaladäquanz erfordern bereits eine umfassende Validierung. Das Risikomanagement nach Artikel 9 kann bestehende IRB-Validierungsrahmen nutzen, muss sie aber auf KI-spezifische Risiken ausweiten: Instabilität der Merkmalsbedeutung, Modellopazität und nichtlineare Risikosensitivitäten.

DORA — Digital Operational Resilience Act

DORA verlangt von Finanzunternehmen, Rahmenwerke für das IKT-Risikomanagement zu unterhalten, einschließlich des Drittparteirisikos. KI-Modelle von Drittanbietern (Kredit-Scoring-APIs von Anbietern) müssen sowohl durch DORA-IKT-Drittparteirisikobewertungen als auch durch das KI-Risikomanagement nach Artikel 9 abgedeckt werden. DORA gilt ab Januar 2025.

PSD2/PSD3 und MiFID II

Zahlungsdienste, die KI zur Betrugserkennung nutzen, müssen die Anforderungen der PSD an die starke Kundenauthentifizierung erfüllen. Wertpapierfirmen, die KI für Eignungsbeurteilungen oder algorithmischen Handel einsetzen, unterliegen den Pflichten der MiFID II. Das Risikomanagement nach Artikel 9 für diese Systeme muss die Überschneidung mit regulatorischen Anforderungen auf Transaktionsebene behandeln.

Häufige Verstöße, die Scanara erkennt

Keine Erkennung von Modell-Drift

Inferenz-Pipelines, die Vorhersagen aus Modellen liefern, ohne jeglichen Mechanismus zur Erkennung einer Verschiebung der Merkmalsverteilung oder einer Verschlechterung der Vorhersagegenauigkeit im Zeitverlauf. Häufig in Kredit-Scoring-Systemen, in denen Modelle nach festen Zeitplänen neu trainiert statt kontinuierlich überwacht werden.

Kredit-Scores ohne Out-of-Time-Validierung

Code zur Modellevaluierung, der zufällige Trainings-/Testaufteilungen ohne zeitliche Holdout-Sätze verwendet. Kredit-Scoring-Modelle müssen anhand von Daten aus einem anderen Zeitraum validiert werden, um zu überprüfen, dass sie über Konjunkturzyklen hinweg generalisieren — zufällige Aufteilungen lassen zeitliche Informationen durchsickern.

Fehlende Dokumentation zur adversarialen Robustheit

Finanz-KI-Systeme ohne dokumentierte Ergebnisse adversarialer Tests. Artikel 9(2)(b) verlangt die Bewertung von Risiken aus vernünftigerweise vorhersehbarem Missbrauch. Für Kredit-Scoring und Betrugserkennung ist die Prüfung der adversarialen Robustheit eine vorhersehbare Notwendigkeit, keine optionale Erweiterung.

Checkliste zur Konformität mit Artikel 9 für Fintech

Art. 9(1)

KI-Risikomanagement in den MRM-Rahmen integrieren

Erweitern Sie bestehende Prozesse des Modellrisikomanagements, um KI-spezifische Risiken abzudecken. Dokumentieren Sie, wie die Anforderungen von Artikel 9 auf die MRM-Governance-Struktur Ihres Instituts abgebildet werden.

Art. 9(2)

Makroökonomische und adversariale Risiken bewerten

Dokumentieren Sie Risiken aus Änderungen des Wirtschaftsregimes, Datenveralterung, adversarialer Manipulation und systemübergreifenden Wechselwirkungseffekten. Beziehen Sie Stresstestszenarien für Kredit- und Versicherungsmodelle ein.

Art. 9(5)

Kontinuierliche Modellüberwachung umsetzen

Setzen Sie Drift-Erkennung, Out-of-Time-Validierung und Erkennung feindlicher Eingaben ein. Definieren Sie Auslöser für ein erneutes Modelltraining oder den Rückfall auf regelbasierte Systeme, wenn die Drift Schwellenwerte überschreitet.

Art. 9(7)

Über Konjunkturzyklen hinweg validieren

Testen Sie Modelle anhand von Out-of-Time-Validierungsdatensätzen, die verschiedene wirtschaftliche Bedingungen umfassen. Weisen Sie Robustheit über Zinsumfelder, Rezessionsphasen und Marktstörungen hinweg nach.

Art. 9(3)

Aufsichtsberichterstattung mit dem Risikomanagement verbinden

Integrieren Sie die aufsichtliche Berichterstattung an EBA/EZB, Beschwerdedaten und Modellleistungskennzahlen in die Rückkopplungsschleife des Risikomanagements nach Artikel 9.

Häufig gestellte Fragen

So hilft Scanara

Scanara automatisiert die EU AI Act Compliance vom Code bis zum Dossier. Verbinden Sie Ihre GitHub-Repos und erhalten Sie Compliance-Berichte in Minuten.