Cybersecurity schützt unsere Informationen. Firewalls, Verschlüsselung, Identity Management oder Security Monitoring bilden heute die Grundlage nahezu jeder digitalen Organisation. Doch mit dem Einzug künstlicher Intelligenz verändert sich eine fundamentale Annahme: Vielleicht müssen wir künftig nicht mehr nur Informationen schützen. Sondern Entscheidungen. Was bedeutet das für Unternehmen?

Ein Blick zurück und voraus

Künstliche Intelligenz verändert Unternehmen und die Welt grundlegend. Large Language Models, autonome Agenten und intelligente Assistenzsysteme automatisieren Prozesse, unterstützen Entscheidungen und schaffen völlig neue Geschäftsmodelle. Gleichzeitig entstehen jedoch Risiken, die weit über die klassische Informationssicherheit hinausgehen. Prompt Injection, Datenvergiftung (Data Poisoning), manipulierte Modelle, kompromittierte AI-Lieferketten, Halluzinationen, unkontrollierte Agenten oder Verstösse gegen regulatorische Vorgaben zeigen deutlich: AI Security ist längst keine Erweiterung der Cyber Security mehr, sie ist eine eigenständige Disziplin.

IAIQS als Vision einer vertrauenswürdigen KI. Heute beschäftigen sich internationale Standards wie ISO/IEC 42001, das NIST AI Risk Management Framework (AI RMF), der EU AI Act, MITRE ATLAS oder die OWASP Top 10 for LLM Applications mit genau diesen Fragestellungen. Doch viele der grundlegenden Prinzipien wurden von der scip AG Jahre zuvor erkannt.

Bereits Ende 2018 entwickelte die scip AG mit IAIQS (Interdisciplinary Artificial Intelligence Quotient) ein Framework, das sich der Qualität, Sicherheit und Vertrauenswürdigkeit künstlicher Intelligenz widmete.

Zu diesem Zeitpunkt standen nicht Chatbots oder Generative AI im Mittelpunkt der öffentlichen Diskussion. Stattdessen untersuchte die scip AG grundlegende Fragen:

• Wie lässt sich Vertrauen in KI messbar machen?
• Wie können Qualität und Sicherheit gemeinsam bewertet werden?
• Welche Risiken entstehen durch lernende Systeme?
• Wie bleibt der Mensch trotz Automatisierung jederzeit in der Verantwortung?

Diese Fragestellungen bilden heute den Kern moderner AI Governance und finden sich in nahezu allen aktuellen internationalen AI-Frameworks wieder.

Der Mensch bleibt die wichtigste Sicherheitskomponente

Seit der Veröffentlichung von ChatGPT erlebt Künstliche Intelligenz eine beispiellose Dynamik. Unternehmen integrieren Large Language Models in Geschäftsprozesse, autonome AI-Agenten übernehmen komplexe Aufgaben und intelligente Systeme treffen zunehmend Entscheidungen, die noch vor wenigen Jahren ausschliesslich Menschen vorbehalten waren. Mit dieser Entwicklung verschiebt sich auch die Fragestellung.

Nicht mehr Was kann AI, sondern Wann können wir AI vertrauen wird zur entscheidenden Herausforderung.

Denn eine AI-Lösung ist nicht automatisch vertrauenswürdig, nur weil sie beeindruckende Ergebnisse liefert. Vertrauen entsteht durch Sicherheit, Transparenz, Nachvollziehbarkeit, Qualität und verantwortungsvolle Governance. Diese Überzeugung begleitet die scip AG bereits seit vielen Jahren. Während sich viele Organisationen auf die Leistungsfähigkeit ihrer Modelle konzentrieren, verfolgen wir seit jeher einen anderen Ansatz:

Nicht die KI steht im Mittelpunkt, sondern der Mensch.

AI soll Menschen unterstützen, Entscheidungen transparenter machen und Prozesse sicherer gestalten. Sie darf jedoch niemals die Verantwortung für kritische Geschäftsentscheidungen vollständig übernehmen. Dieser Human-Centric-Ansatz entspricht heute den Grundprinzipien des EU AI Act sowie internationaler AI-Governance-Modelle, welche Transparenz, Nachvollziehbarkeit, menschliche Aufsicht und Verantwortlichkeit als zentrale Anforderungen definieren.

AI Security beginnt lange vor dem Prompt

Wer heute über AI Security spricht, denkt häufig zuerst an das Sprachmodell selbst. Im Mittelpunkt stehen dabei Themen wie Prompt Injection, Halluzinationen oder der Missbrauch von Chatbots. Diese Perspektive greift jedoch zu kurz. Tatsächlich beginnt die Sicherheit eines AI-Systems nicht erst mit der ersten Benutzereingabe, sondern bereits lange zuvor bei der Entstehung des gesamten Systems.

Ein modernes AI-System ist keine einzelne Anwendung, sondern ein komplexes Ökosystem aus zahlreichen miteinander verbundenen Komponenten. Daten werden aus unterschiedlichsten Quellen bezogen, aufbereitet und gespeichert. Modelle werden trainiert, feinjustiert und kontinuierlich aktualisiert. APIs verbinden externe Dienste, Vektor-Datenbanken stellen Wissen bereit, Identitätsdienste regeln Berechtigungen, Agenten orchestrieren Aufgaben und Cloud-Infrastrukturen sorgen für den Betrieb. Ergänzt wird dieses Zusammenspiel durch Software-Lieferketten, Monitoring, Logging und zahlreiche weitere technische Bausteine.

Jede dieser Komponenten erweitert die Funktionalität, gleichzeitig vergrössert sie aber auch die Angriffsfläche. Die Sicherheit eines AI-Systems wird deshalb nicht durch das Modell allein bestimmt, sondern durch die Sicherheit der gesamten Architektur. Genau hier unterscheidet sich AI Security von der klassischen Betrachtung eines einzelnen Modells oder Chatbots.

• Ein anschauliches Beispiel liefert ein Retrieval-Augmented-Generation-System (RAG). Das Sprachmodell kann vollständig unverändert und technisch korrekt funktionieren. Wird jedoch die zugrunde liegende Wissensbasis manipuliert oder gelangen gezielt präparierte Dokumente in die Vektor-Datenbank, liefert das Modell dennoch falsche oder irreführende Antworten. Aus Sicht des Systems arbeitet die KI korrekt, sie verarbeitet lediglich kompromittierte Informationen. Das eigentliche Angriffsziel war also nicht das Modell, sondern die Datenbasis.

• Ähnlich verhält es sich bei AI-Agenten. Sie erhalten zunehmend weitreichende Berechtigungen, um selbstständig EMails zu versenden, Datenbanken abzufragen, Cloud-Ressourcen zu verwalten oder Geschäftsprozesse auszuführen. Wird ein solcher Agent kompromittiert oder durch geschickte Manipulation zu unerwünschten Aktionen verleitet, entsteht ein Risiko, das weit über die Qualität einer Antwort hinausgeht. Die KI wird vom Informationssystem zum aktiven Handlungsträger und damit zu einem sicherheitskritischen Bestandteil der Unternehmensinfrastruktur.

• Auch Trainingsdaten stellen einen attraktiven Angriffspunkt dar. Bereits kleine, gezielt eingebrachte Manipulationen können das Verhalten eines Modells nachhaltig beeinflussen. Solche Data-Poisoning-Angriffe verändern die Wissensgrundlage der KI und sind später oftmals nur schwer nachweisbar. Ebenso kritisch sind kompromittierte Open-Source-Komponenten, unsichere Modellgewichte oder manipulierte Bibliotheken innerhalb der AI-Lieferkette. Da moderne AI-Plattformen auf einer Vielzahl externer Frameworks und Abhängigkeiten basieren, gewinnt die Sicherheit der gesamten Software Supply Chain zunehmend an Bedeutung.

Parallel dazu entstehen neue Angriffstechniken, die speziell auf AI-Systeme zugeschnitten sind. Prompt Injection manipuliert das Verhalten eines Sprachmodells über geschickt formulierte Eingaben. RAG Poisoning beeinflusst externe Wissensquellen, sodass falsche Informationen als vertrauenswürdig erscheinen. Model Manipulation zielt auf das Verhalten oder die Integrität des Modells selbst ab, während kompromittierte Agenten autonome Aktionen gegen die Interessen ihrer Betreiber ausführen können. Gemeinsam zeigen diese Angriffe, dass sich der Fokus der Cybersecurity zunehmend von klassischen IT-Systemen auf komplexe, lernende und teilweise autonome Systeme verschiebt.

Diese Entwicklung wird inzwischen auch durch internationale Sicherheitsframeworks systematisch beschrieben. Das Framework MITRE ATLAS dokumentiert die Taktiken, Techniken und Verfahren, mit denen Angreifer moderne AI-Systeme kompromittieren. Ergänzend beschreibt die OWASP Top 10 for LLM Applications die derzeit wichtigsten Risiken beim Einsatz grosser Sprachmodelle von Prompt Injection über unsichere Plugin-Architekturen bis hin zu unzureichender Zugriffskontrolle oder Datenlecks.

Die zentrale Erkenntnis ist deshalb ebenso einfach wie weitreichend: AI Security beginnt nicht beim Prompt. Sie beginnt bei der Architektur, den Daten, den Prozessen und den Menschen, die ein AI-System entwickeln und betreiben. Wer ausschliesslich das Modell schützt, übersieht einen Grossteil der tatsächlichen Angriffsfläche. Erst die ganzheitliche Betrachtung aller Komponenten schafft die Grundlage für vertrauenswürdige, widerstandsfähige und langfristig sichere Künstliche Intelligenz.

Ganzheitliche AI Security verbindet Governance und Technik

Die grösste Herausforderung besteht heute darin, technische Sicherheit mit Governance zu verbinden. Genau hier entsteht der Mehrwert einer ganzheitlichen Beratungsphilosophie. Die Diskussion rund um AI Security konzentriert sich häufig auf einzelne Angriffsformen wie Prompt Injection oder Jailbreaking von Large Language Models. Diese Bedrohungen sind zweifellos relevant, sie stellen jedoch nur einen kleinen Ausschnitt der tatsächlichen Angriffsfläche moderner AI-Systeme dar. Ein produktives AI-System besteht heute aus einer Vielzahl miteinander vernetzter Komponenten. Neben dem eigentlichen Sprachmodell gehören dazu Datenquellen, Vektor-Datenbanken, Retrieval-Augmented-Generation-Komponenten (RAG), API-Gateways, Identitätsdienste, Cloud-Plattformen, Agenten, externe Werkzeuge (Tools) sowie zunehmend Model Context Protocol (MCP)-Server und autonome AI-Agenten. Jede dieser Komponenten besitzt eigene Sicherheitsanforderungen und kann zum Angriffsziel werden.

• Ein einfaches Beispiel verdeutlicht diese Komplexität: Ein Unternehmen entwickelt einen internen AI-Assistenten, der auf Projektdokumentationen, technische Spezifikationen und Kundendaten zugreifen kann. Das Sprachmodell selbst arbeitet fehlerfrei und ist gegen klassische Prompt-Injection-Angriffe gut geschützt. Dennoch könnte ein Angreifer über eine falsch konfigurierte Vektor-Datenbank oder unzureichend abgesicherte Berechtigungen vertrauliche Dokumente abrufen, die ausserhalb seines Verantwortungsbereichs liegen. Das eigentliche Sicherheitsproblem liegt in diesem Fall nicht im Modell, sondern in der Architektur und den angebundenen Systemen.

Mit der zunehmenden Verbreitung autonomer AI-Agenten verschiebt sich die Bedrohungslage zusätzlich. AI-Agenten interagieren nicht mehr ausschliesslich mit Benutzern, sondern führen selbstständig Aktionen aus: Sie versenden EMails, verwalten Termine, greifen auf ERP- oder CRM-Systeme zu, erstellen Code, konfigurieren Cloud-Ressourcen oder orchestrieren komplexe Geschäftsprozesse. Ein kompromittierter Agent verfügt damit unter Umständen über deutlich weiterreichende Berechtigungen als ein klassischer Benutzer. Entsprechend gewinnen Identitätsmanagement, fein granulierte Autorisierung, Laufzeitüberwachung und kontinuierliche Protokollierung erheblich an Bedeutung.

Auch die Qualität der zugrunde liegenden Daten ist ein wesentlicher Bestandteil der Sicherheit. Fehlerhafte oder manipulierte Trainingsdaten können zu systematisch falschen Entscheidungen führen. Werden Wissensdatenbanken einer RAG-Architektur kompromittiert, liefert das Modell unter Umständen technisch korrekte, aber inhaltlich manipulierte Antworten. Diese Form der Beeinflussung ist besonders kritisch, da sie für Anwender häufig kaum erkennbar ist. Die Integrität von Trainingsdaten, Embeddings und Wissensquellen wird damit zu einer zentralen Sicherheitsanforderung.

Gleichzeitig reicht technische Sicherheit allein nicht aus. Unternehmen müssen definieren, welche AI-Anwendungen überhaupt eingesetzt werden dürfen, welche Daten verarbeitet werden dürfen und wer Verantwortung für Entwicklung, Betrieb und kontinuierliche Überwachung übernimmt. Ohne klare Governance entstehen schnell unkontrollierte Schattenlösungen, bei denen Mitarbeitende öffentliche AI-Dienste nutzen und dabei ungewollt vertrauliche Informationen preisgeben oder regulatorische Vorgaben verletzen.

Genau aus diesem Grund gewinnen internationale Frameworks wie ISO/IEC 42001, das NIST AI Risk Management Framework (AI RMF), der EU AI Act, MITRE ATLAS oder die OWASP Top 10 for LLM Applications zunehmend an Bedeutung. Sie verfolgen einen gemeinsamen Grundgedanken: Vertrauenswürdige Künstliche Intelligenz entsteht nicht allein durch sichere Modelle, sondern durch das Zusammenspiel von Governance, Informationssicherheit, Datenschutz, Softwareentwicklung, Identitätsmanagement, kontinuierlichem Monitoring und menschlicher Aufsicht.

Die scip AG verfolgt genau diesen Ansatz seit der Entwicklung des IAIQS Frameworks im Jahr 2018. Bereits damals stand nicht die Leistungsfähigkeit einzelner Modelle im Mittelpunkt, sondern die Frage, wie sich Vertrauen in AI-Systeme systematisch aufbauen und langfristig erhalten lässt. Dieser Gedanke prägt die heutige Beratungsphilosophie unverändert: AI Security beginnt nicht beim Prompt und endet nicht beim Modell. Sie umfasst den gesamten Lebenszyklus einer AI-Lösung, von der strategischen Planung über die sichere Architektur und Entwicklung bis hin zur kontinuierlichen Verbesserung. Erst wenn Governance, Technologie und der Mensch als zusammenhängendes System betrachtet werden, entsteht eine AI-Landschaft, die leistungsfähig, sicher und langfristig vertrauenswürdig ist. Hier kommt AI Assurance by scip ins Spiel.

Cybersecurity schützt Informationen | Trustworthy AI definiert Prinzipen | AI Assurance schafft Vertrauen in Künstliche Intelligenz

Eine sichere AI-Landschaft umfasst AI Governance, Informationssicherheit, Datenschutz, Cloud Security, Identity & Access Management, Secure Software Development, Data Governance, Model Lifecycle Management, Security Monitoring, Incident Response, Business Continuity, Human Oversight und weitere. Diese Bereiche dürfen nicht isoliert betrachtet werden.

Forschung als Innovationsmotor

Technologie entwickelt sich schneller als jemals zuvor. Neue Frameworks entstehen innerhalb weniger Monate, Angriffstechniken verbreiten sich in Tagen und Künstliche Intelligenz verändert Arbeitsweisen nahezu im Wochentakt. Wer in diesem Umfeld ausschliesslich auf etablierte Standards, Zertifizierungen oder Best Practices vertraut, läuft zwangsläufig der Realität hinterher. Standards beschreiben, was gestern bekannt war. _Sicherheit muss sich jedoch an den Herausforderungen von morgen orientieren.

Aus diesem Grund gehört Forschung seit der Gründung der scip AG zu den tragenden Säulen des Unternehmens. Sie ist kein separates Innovationslabor und kein Marketinginstrument, sondern ein integraler Bestandteil der täglichen Arbeit. Jede Erkenntnis aus einem Penetration Test, jedem Red-Team-Einsatz, jeder Incident-Response-Untersuchung oder jeder Sicherheitsanalyse kann Ausgangspunkt neuer Forschungsfragen sein. Gleichzeitig finden neue Erkenntnisse aus der Forschung ihren Weg zurück in Kundenprojekte. Forschung und Praxis bilden damit keinen linearen Prozess, sondern einen kontinuierlichen Wissenskreislauf.

Dieses Selbstverständnis hat die scip AG über mehr als zwei Jahrzehnte geprägt. Bereits lange bevor generative KI weltweit zum dominierenden Technologiethema wurde, beschäftigten sich die Research-Teams mit den sicherheitstechnischen Auswirkungen intelligenter Systeme. Im Jahr 2018 entstand mit dem IAIQS ein Forschungsprojekt, das Künstliche Intelligenz bewusst nicht nur aus technischer Sicht betrachtete. Ziel war es, Sicherheit, Governance, Ethik, Gesellschaft und Technologie als zusammenhängendes Gesamtsystem zu verstehen, ein Gedanke, der heute unter zunehmend internationale Aufmerksamkeit erhält.

Dabei war die Motivation nie, möglichst früh einem Trend zu folgen. Vielmehr stand die Überzeugung im Mittelpunkt, dass neue Technologien zunächst verstanden werden müssen, bevor sie verantwortungsvoll abgesichert werden können. Genau dieses Verständnis prägt bis heute die Forschungsarbeit der scip AG. Die Ergebnisse dieser Arbeit werden seit vielen Jahren öffentlich über die scip Labs veröffentlicht. Die Labs verstehen sich als Plattform für offenen Wissenstransfer. Statt Marketingbeiträgen entstehen dort technische Analysen, Sicherheitsstudien, Proof-of-Concepts, Forschungsergebnisse und praktische Erfahrungen aus realen Projekten. Viele dieser Veröffentlichungen greifen Themen auf, lange bevor sie in regulatorischen Vorgaben oder industriellen Standards erscheinen. Dieses frühe Erkennen technologischer Entwicklungen ermöglicht es, Risiken nicht erst zu analysieren, wenn sie bereits alltäglich geworden sind.

Die thematische Breite der Forschung spiegelt die Komplexität moderner IT-Landschaften wider. Klassische Disziplinen wie Penetration Testing, Active Directory Security, Cloud Security, Mobile Security, Industrial Security oder Red Teaming bilden weiterhin das Fundament. Gleichzeitig rücken neue Forschungsfelder in den Vordergrund: Large Language Models, Agentic AI, AI Supply Chains, Prompt Injection, Model Poisoning, Adversarial Machine Learning, Secure AI Architectures, AI Governance oder Detection Engineering. Gerade an den Schnittstellen dieser Disziplinen entstehen heute die entscheidenden Fragestellungen für vertrauenswürdige Künstliche Intelligenz.

Ein weiterer Schwerpunkt liegt seit vielen Jahren in der internationalen Schwachstellenforschung. Sicherheitslücken entstehen täglich, verändern sich kontinuierlich und bilden häufig den Ausgangspunkt komplexer Angriffsketten. Als Gründungsmitglied und aktivem Unterstützer der VulDB, einer der weltweit umfangreichsten Vulnerability-Intelligence-Plattformen, verfügen wir über einen einzigartigen Einblick in die globale Bedrohungslandschaft. Die dort gewonnenen Erkenntnisse fliessen unmittelbar in Sicherheitsbewertungen, Angriffssimulationen und strategische Beratungsmandate ein. Dadurch entsteht ein Verständnis von Risiken, das weit über die Betrachtung einzelner Schwachstellen hinausgeht.

Dasselbe gilt für die offensive Sicherheitsforschung. In zahlreichen Red-Team-Projekten für internationale Unternehmen werden moderne Angriffsverfahren nicht nur theoretisch analysiert, sondern unter realistischen Bedingungen nachvollzogen und weiterentwickelt. Dieses praktische Wissen bildet eine unverzichtbare Grundlage, um neue Angriffstechniken gegen AI-Systeme, autonome Agenten oder komplexe Unternehmensplattformen realistisch beurteilen zu können. Viele Risiken lassen sich erst verstehen, wenn man nachvollziehen kann, wie sie in der Praxis tatsächlich ausgenutzt werden. Forschung endet jedoch nicht bei der Analyse bestehender Technologien. Sie umfasst ebenso die Entwicklung eigener Werkzeuge, Bewertungsmethoden und Plattformen. Ob automatisierte Testframeworks, Vulnerability Intelligence, lokale KI-Systeme oder neue Bewertungsmodelle für Künstliche Intelligenz, das Ziel besteht stets darin, technologische Entwicklungen nicht nur zu beobachten, sondern aktiv mitzugestalten.

Gerade im Bereich AI Assurance wird diese Verbindung aus Forschung und Praxis zu einem entscheidenden Erfolgsfaktor. Die Geschwindigkeit der technologischen Entwicklung übersteigt mittlerweile jene klassischer Sicherheitsprozesse deutlich. Wer heute sichere AI-Systeme entwickeln oder beurteilen möchte, kann sich deshalb nicht ausschliesslich auf bestehende Normen verlassen. Er benötigt ein tiefes technisches Verständnis, kontinuierliche Forschung und die Bereitschaft, Annahmen immer wieder kritisch zu hinterfragen.

Vertrauen entsteht letztlich nicht dadurch, dass bekannte Lösungen konsequent angewendet werden. Vertrauen entsteht dort, wo neue Risiken frühzeitig erkannt, wissenschaftlich untersucht und in praktikable Sicherheitsmassnahmen übersetzt werden. Forschung ist deshalb kein Selbstzweck. Sie ist die Grundlage dafür, dass Innovation verantwortungsvoll genutzt werden kann und damit eine der wichtigsten Elemente von AI Assurance.

Fazit

Die Zukunft gehört vertrauenswürdiger KI. Vertrauen ist niemals eindimensional. Die eigentliche Herausforderung besteht nicht darin, möglichst schnell Künstliche Intelligenz einzusetzen. Die Herausforderung besteht darin, KI sicher, nachvollziehbar und nachhaltig einzusetzen.

Vertrauen ist die eigentliche Währung der Künstlichen Intelligenz.

Wir beschäftigen uns seit 2018 wissenschaftlich (1, 2, 3, 4, 5) mit Vertrauen in AI. Mit dem IAIQS-Ansatz wurde bereits 2018 eine Vision entwickelt, die heute durch internationale Standards, regulatorische Vorgaben und technische Frameworks bestätigt wird: Vertrauenswürdige KI entsteht nicht allein durch leistungsfähige Modelle. Sie entsteht durch das Zusammenspiel von Forschung, Cyber Security, Governance, Qualitätsmanagement und einem konsequent menschenzentrierten Ansatz.

Wir sichern nicht KI-Systeme. Wir schaffen Vertrauen in KI. Von der Idee über die Entwicklung bis zur kontinuierlichen Weiterentwicklung. Dieses Vertrauen basiert auf fünf Prinzipien:

• Research-driven: Erkenntnisse aus den scip Labs fliessen direkt in Methoden und Assessments ein.
• Security by Design: Sicherheit wird von Beginn an in AI-Lösungen integriert.
• Human-centric: Der Mensch bleibt für Entscheidungen und Governance verantwortlich.
• Lifecycle-oriented: Begleitung über den gesamten AI-Lebenszyklus von der Strategie bis zur Weiterentwicklung.
• Independent: Herstellerunabhängige Beratung mit objektiver Bewertung von Risiken und Chancen.

Wer AI langfristig erfolgreich einsetzen möchte, benötigt deshalb mehr als moderne Modelle. Er benötigt eine Sicherheitsstrategie, die Technologie, Organisation und Menschen gleichermassen berücksichtigt; ganzheitlich, nachhaltig und wissenschaftlich fundiert.

Wir schaffen Vertrauen in Künstliche Intelligenz.

Eine neue interdisziplinäre Disziplin, wird in den kommenden Jahren an Bedeutung gewinnen. Eine Disziplin, die sich nicht nur mit Informationen beschäftigt. Sondern mit Entscheidungen. Wir nennen sie AI Assurance by scip. Nach unseren ersten erfolgreich abgeschlossenen Kundenprojekten stellen wir nun unseren Ansatz, in den kommenden Monaten, im Rahmen einer Research Initiative vor. Einen ersten Einblick finden Sie hier.

Über den Autor

Simon Zumstein arbeitet seit Beginn der 1990er Jahre im IT-Bereich, wobei er als Engineer, Projektleiter, Security Consultant und CIO tätig war. Ganzheitliches Risikomanagement mit Einbezug der betriebswirtschaftlichen Aspekte und der Darstellbarkeit gegenüber den Entscheidungsträgern sind sein Fachgebiet.

Links

• https://artificialintelligenceact.eu/
• https://atlas.mitre.org/
• https://owasp.org/www-project-top-10-for-large-language-model-applications/
• https://www.iso.org/standard/42001
• https://www.nist.gov/itl/ai-risk-management-framework
• https://www.scip.ch/?ai_assurance
• https://www.scip.ch/?labs.20180823
• https://www.scip.ch/?labs.20181018
• https://www.scip.ch/?labs.20190718
• https://www.scip.ch/?labs.20191205
• https://www.scip.ch/?labs.20250710
• https://www.scip.ch/?labs.20260212
• https://www.scip.ch/?labs.archive
• https://www.vuldb.com