Definition
Norm, die ein technisches Rahmenwerk für KI-Systeme mit Machine-Learning-Komponenten definiert. Beschreibt typische ML-Pipeline-Komponenten (Datenakquisition, Datenvorbereitung, Modelltraining, Modellvalidierung, Modellbetrieb), Lebenszyklus-Phasen und Akteure (Data Scientist, ML Engineer, Domain Expert). Praktisch nützlich als Strukturierungsgrundlage für AIMS-Implementierungen nach ISO 42001.
In der Praxis
ISO/IEC 23053 ist die Norm, die in KI-Projekten am seltensten auf dem Tisch liegt — und die meiste Streitigkeit verhindern würde. Ihr praktischer Wert ist nicht die Vorschrift, sondern die Landkarte: Sie beschreibt die typischen Komponenten eines Machine-Learning-Systems von der Datenakquisition über Datenvorbereitung und Modelltraining bis zu Validierung und Betrieb, samt den beteiligten Rollen. Warum das zählt: In neun von zehn KI-Projekten, die ich begleite, scheitert die Kommunikation zwischen Fachabteilung und KI-Team an fehlender gemeinsamer Sprache — „die Daten" meint bei der Qualitätssicherung etwas anderes als beim Entwickler. Mit der Pipeline-Struktur der Norm wird daraus eine zuordenbare Diskussion: Wer verantwortet die Datenquelle, wer die Aufbereitung, wer die Validierung, wer den laufenden Betrieb? Zweiter Nutzen: Wer ein KI-Managementsystem nach ISO/IEC 42001 aufbaut, findet in der 23053 die technische Grammatik, um die Management-Anforderungen auf konkrete Systembestandteile herunterzubrechen. Managementsystem und Technik-Framework ergänzen sich — das eine sagt was, das andere wo.
Verwandte Begriffe
Häufige Fragen zu ISO/IEC 23053
Was ist der Unterschied zwischen ISO/IEC 23053 und ISO/IEC 42001?
Die beiden Normen arbeiten auf verschiedenen Ebenen und ergänzen sich. ISO/IEC 42001 ist eine Managementsystem-Norm: Sie legt fest, wie eine Organisation KI verantwortungsvoll steuert — Richtlinie, Rollen, Risikobeurteilung, Folgenabschätzung, Überwachung, Verbesserung. Sie sagt also, was die Organisation managen muss, aber nicht, wie ein KI-System technisch aufgebaut ist. ISO/IEC 23053 ist dagegen ein technisches Rahmenwerk: Sie beschreibt die Komponenten und Lebenszyklusphasen von KI-Systemen mit Machine Learning — von der Datenakquisition über Training und Validierung bis zum Betrieb — und die dabei beteiligten Akteure. Praktisch heißt das: Die 42001 gibt Ihnen das Steuerungsgerüst, die 23053 die technische Landkarte, auf die sich die Steuerung bezieht. Wer ein AIMS einführt, nutzt die 23053 als Übersetzungshilfe zwischen Managementanforderung und technischer Umsetzung (ISO/IEC 23053; ISO/IEC 42001:2023).
Ist die Anwendung von ISO/IEC 23053 verpflichtend — etwa über den EU AI Act?
Nein — wie praktisch alle Normen ist sie freiwillig. Der EU AI Act verlangt von Hochrisiko-Systemen Konformität mit seinen Anforderungen und verweist dabei auf den allgemein anerkannten Stand der Technik; die Konformität wird typischerweise über harmonisierte europäische Normen nachgewiesen, die derzeit noch im Normungsverfahren sind. ISO/IEC 23053 gehört nicht zu den direkt referenzierten Nachweisnormen — sie ist ein Rahmenwerk, keine Anforderungsnorm mit prüfbaren „muss"-Kriterien. Ihr Wert liegt woanders: Wer seine KI-Entwicklung und -Betrieb entlang ihrer Pipeline-Struktur organisiert, hat die technische Dokumentation und Rollenklärung, auf die Managementsystem und Audit später aufsetzen. Kurz gesagt: keine Pflicht, aber ein solides Gerüst — und deutlich billiger, als die Struktur im laufenden Projekt zu improvisieren (Verordnung (EU) 2024/1689; ISO/IEC 23053).
Wie nutzen wir die Norm konkret, wenn wir mit einem externen KI-Dienstleister zusammenarbeiten?
Als gemeinsame Projektgrammatik — das ist ihr stärkster Praxisnutzen bei externer Zusammenarbeit. Erster Schritt: Legen Sie die Pipeline-Phasen der Norm — Datenakquisition, Datenvorbereitung, Training, Validierung, Betrieb — über Ihr Projekt und ordnen Sie jeder Phase die Verantwortung zu: was liefert der Dienstleister, was bleibt bei Ihnen. Gerade die Datenakquisition und -vorbereitung wird gern implizit angenommen und explodiert später: Ihre Dokumente, Ihre Datenqualität, Ihre Freigabe. Zweiter Schritt: Nutzen Sie die Rollen der Norm — Data Scientist, ML Engineer, Domain Expert — um die Besetzung auf beiden Seiten zu klären; der Domain Expert, also Ihre Fachabteilung, ist die Rolle, die in externen Projekten am häufigsten unbesetzt bleibt. Dritter Schritt: Verlangen Sie die Übergabepunkte zwischen den Phasen als dokumentierte Ergebnisse. So wird aus „der Dienstleister baut uns eine KI" ein prüfbarer Prozess mit klaren Schnittstellen.