Was ist Model Risk Management (MRM)?

Model Risk Management (MRM) ist die Disziplin, Modelle als dauerhaft risikotragende Systeme zu genehmigen, zu kontrollieren und zu überwachen statt als einmalige analytische Projekte. Es stammt aus dem Bankwesen, wo ein falsches Modell keine falsche Folie hervorbringt, sondern falsch bepreiste Kredite, zu niedrig ausgewiesenes Kapital oder eine übersehene Finanzstraftat. MRM beantwortet für jedes Modell, auf das sich eine Organisation stützt, einen festen Satz an Fragen: Wer verantwortet es, wer hat es unabhängig hinterfragt, wie wesentlich ist es, woher wissen wir, dass es noch funktioniert, und was geschieht, wenn es aufhört zu funktionieren?

MRM zählt heute weit über das Bankwesen hinaus, weil sich das Gesteuerte verändert hat. Organisationen, die früher Dutzende statistische Modelle betrieben, betreiben heute Hunderte Modelle plus Systeme des maschinellen Lernens, und der regulatorische Boden hat sich mitbewegt. In den Vereinigten Staaten haben Federal Reserve, OCC und FDIC am 17. April 2026 SR 26-2, Revised Guidance on Model Risk Management erlassen und damit die Leitlinie SR 11-7 abgelöst, die das Feld seit 2011 bestimmt hatte. Im Vereinigten Königreich wendet die PRA mit SS1/23 seit Mai 2024 fünf Grundsätze zum Modellrisiko auf alle Modelle an, die geschäftliche Entscheidungen stützen. Beide weisen in dieselbe Richtung: verhältnismäßige, risikobasierte Governance von Modellen als dauerhafte Betriebsdisziplin.

MRM im Überblick

Modellrisiko ist die Möglichkeit nachteiliger Folgen aus Entscheidungen, die auf falschen oder falsch genutzten Ausgaben eines Modells beruhen. Beachten Sie die beiden Hälften: Ein Modell kann falsch sein, und ein Modell kann richtig und falsch genutzt sein. SR 26-2 sagt das ausdrücklich: Selbst ein grundsätzlich solides Modell, dessen Ausgaben zutreffend und mit seinem Entwurfsziel vereinbar sind, kann ein hohes Modellrisiko tragen, wenn es falsch angewandt oder missbraucht wird. Deshalb ist MRM eine Disziplin der Governance und keine Testübung. Man kann sich nicht aus einem Modell herausvalidieren, das auf die falsche Entscheidung gerichtet ist.

MRM deckt deshalb den ganzen Bogen des Arbeitslebens eines Modells ab:

• Erkennen und Inventar - wissen, welche Modelle es gibt, wer jedes verantwortet und wofür es genutzt wird.
• Entwicklung und Test - solider Entwurf, dokumentierte Annahmen und Tests im Verhältnis zur Komplexität.
• Unabhängige Validierung - eine objektive Einschätzung, ob das Modell wie erwartet arbeitet und wo seine Grenzen liegen.
• Fortlaufende Überwachung - laufende Nachweise, dass die Leistung nicht nachgelassen hat und die Nutzung nicht von der Absicht abgedriftet ist.
• Governance und Kontrollen - Richtlinien, Rollen und Eskalationswege, die all das wiederholbar machen.

Der Begriff, der sie in den aufsichtlichen Leitlinien zusammenbindet, ist die wirksame kritische Hinterfragung (englisch effective challenge): eine kritische Analyse durch objektive Fachleute mit der Sachkunde, der Unabhängigkeit und dem Stand in der Organisation, um über den gesamten Lebenszyklus eines Modells hinweg tatsächlich eine Änderung zu erzwingen, von der Entwicklung bis zur fortlaufenden Überwachung. Eine Validierungsfunktion, die eine Feststellung schreiben, aber niemanden zum Handeln bewegen kann, ist keine wirksame kritische Hinterfragung.

Was als Modell zählt

An der Frage des Umfangs entscheidet sich, ob ein MRM-Programm gelingt oder still scheitert, denn ein Inventar, das die Hälfte der Modelle übersieht, steuert nichts. SR 26-2 definiert ein Modell als komplexe quantitative Methode, System oder Vorgehensweise, die statistische, ökonomische oder finanzwirtschaftliche Theorien anwendet, um Eingabedaten in quantitative Schätzungen zu verwandeln. Es schließt einfache arithmetische Berechnungen, wie sie in Tabellenkalkulationen vorkommen, ausdrücklich aus, ebenso deterministische regelbasierte Abläufe.

Zwei Grenzen sind es wert, deutlich benannt zu werden, weil über beide intern gestritten wird:

• Eine Regelmaschine ist kein Modell. Deterministische Logik, die für dieselbe Eingabe stets dieselbe Ausgabe liefert, hat Risiken, doch es sind Risiken der Änderungskontrolle und der Datenqualität und kein Modellrisiko. Sie als Modell zu steuern, verdünnt die Aufmerksamkeit.
• Ein Modell vom Anbieter ist trotzdem Ihr Modell. Das britische SS1/23 sagt ausdrücklich, dass seine Grundsätze für Modelle gelten, die geschäftliche Entscheidungen stützen, ob im Haus oder extern entwickelt, einschließlich Modellen von Anbietern und unabhängig von der eingesetzten Technologie. Ein Modell zu kaufen verlagert den Bau, nicht die Rechenschaft.

Die schwierigere Grenze ist, was mit den Systemen geschieht, die knapp außerhalb der klassischen Definition liegen, also große Sprachmodelle, Pipelines zum Abrufen und agentische Abläufe. Die Antwort in den geltenden Leitlinien ist ungewöhnlich klar, und sie ist nicht die Antwort, die die meisten Anbieter nahelegen.

Die zentralen Kontrollen

Nimmt man die Unterschiede zwischen den Rechtsräumen weg, läuft MRM auf vier Kontrollen hinaus, die einander stützen. Fehlt eine, verlieren die anderen an Kraft.

• Das Inventar der Modelle. Ein vollständiger Nachweis der Modelle in Entwicklung oder im Einsatz, mit Verantwortung, Zweck, Eingaben, Wesentlichkeit, Stand der Validierung und Abhängigkeiten. Es ist gängige Praxis in der Branche, und zwar genau deshalb, weil ohne es nichts anderes im MRM funktioniert. Im Inventar wird Modellrisiko außerdem in der Summe sichtbar, also gemeinsame Annahmen, gemeinsame Datenquellen und gemeinsame Methoden, die zusammen versagen könnten.
• Dokumentation. Genug schriftlicher Nachweis, dass eine fachkundige fremde Person versteht, was das Modell tut, was es annimmt und was es nicht kann. Dokumentation ist es, was Kontinuität möglich macht, wenn die Person geht, die das Modell gebaut hat.
• Validierung. Eine Einschätzung, ob das Modell wie erwartet arbeitet, samt seiner Verlässlichkeit und seiner Grenzen, mit einer Strenge, die zu Ansatz, Nutzung und Wesentlichkeit des Modells passt. Validierung ist kein einmaliges Tor: Nachlassende Leistung über die Zeit ist eines der Dinge, die sie aufdecken soll.
• Fortlaufende Überwachung. Der Mechanismus, der zwischen den Validierungen Drift, geänderte Bedingungen und schleichenden Fehlgebrauch fängt und der Anpassung, Neukalibrierung oder Neuentwicklung auslöst, wenn die Leistung nennenswert von den Erwartungen abweicht.

Wesentlichkeit und Verhältnismäßigkeit

Der nützlichste Gedanke im modernen MRM ist, dass Modelle nicht gleich gesteuert werden. SR 26-2 fasst das über die Wesentlichkeit des Modells, die zwei Dinge verbindet: das Exposure des Modells (wie viel daran hängt) und den Zweck des Modells (welche Entscheidung es treibt). Modelle, mit denen finanzielle Risikopositionen bestimmt werden, gelten im Allgemeinen als risikoreicher als Modelle, bei denen das nicht der Fall ist. Zusammen bestimmen Exposure und Zweck die Wesentlichkeit, und die Wesentlichkeit bestimmt, wie viel Governance ein Modell verdient.

Die praktischen Folgen sind es wert, ausgeschrieben zu werden, denn hier wird ein Programm bezahlbar:

• Die Strenge der Tests entspricht Komplexität und Wesentlichkeit. Bei Modellen mit vergleichsweise geringerer Wirkung oder in Organisationen mit weniger komplexem Geschäft darf der Umfang der Tests berechtigt begrenzter sein.
• Manche Modelle dürfen als unwesentlich eingestuft werden. In diesen Fällen kann MRM darin bestehen, sie zu erfassen und auf jene Änderung von Exposure oder Zweck zu überwachen, die sie in den Umfang zöge. Das ist eine vertretbare Kontrolle und keine Lücke.
• Auch der Takt der Validierung folgt der Wesentlichkeit. Zeitpunkt, Art und Häufigkeit der Validierung richten sich nach Ansatz, Nutzung und Wesentlichkeit des Modells, statt für alles einem festen Jahreskalender zu folgen.

Das ist dieselbe Logik, die das Risk Tiering für KI auf Anwendungsfälle der KI anwendet, und das ist kein Zufall: Das Tiering für KI hat den Gedanken vom MRM übernommen. Wenn Ihre Organisation bereits eine Bewertung der Wesentlichkeit im MRM fährt, haben Sie den größten Teil der Maschinerie für das Tiering von KI, und umgekehrt.

MRM und AI Governance

Das ist die Unterscheidung, auf die es 2026 am meisten ankommt, und man dreht sie leicht um. MRM und AI Governance, also die Governance von KI, sind keine konkurrierenden Rahmenwerke, und keines ist die Umbenennung des anderen.

SR 26-2 zieht die Linie ausdrücklich: Seine Grundsätze gelten für klassische statistische und quantitative Modelle und für Modelle der KI, die weder generativ noch Agentic AI sind. Generative und agentische Systeme liegen außerhalb dessen, was diese Leitlinie abdeckt, wobei die Leitlinie zugleich anmerkt, dass die eigenen Praktiken einer Organisation für Risikomanagement und Governance weiterhin leiten sollten, wie sie Werkzeuge und Systeme außerhalb des Dokuments kontrolliert. Mit anderen Worten: Die neueste US-Leitlinie zum Modellrisiko reicht Ihnen kein Rahmenwerk für Ihren Assistenten mit LLM oder Ihren autonomen Agenten. Sie sagt, dass diese gesteuert werden müssen, und überlässt Ihnen das Rahmenwerk.

Diese Lücke füllt die AI Governance, also das Steuern der Systeme der KI:

• MRM steuert quantitative Schätzungen. Eine Scorecard für Kredite, ein Modell für Pricing, ein Modell zur Erkennung von Geldwäsche, ein Klassifikator für Abwanderung. Die Fragen sind Genauigkeit, Stabilität, Validierung und Nutzung.
• AI Governance steuert Systeme der KI und ihr Verhalten. Generative Ausgaben, die Nutzung von Werkzeugen, Autonomie und die Wege, auf denen ein System missbraucht oder manipuliert werden kann. Die Fragen kommen um Transparenz, menschliche Aufsicht, Leitplanken und gesellschaftliche Wirkung herum hinzu. Das ist das Gebiet des EU AI Act, von ISO 42001 und des NIST AI RMF.
• Sie überlappen im Betriebsmodell. Inventar, Verantwortung, Tiering, Freigabetore, Überwachung und Nachweise sind dieselben Muskeln. Zwei getrennte Programme zu fahren verdoppelt die Kosten und erzeugt zwei Teilansichten derselben Landschaft.

Auch die Aufsicht läuft darauf zu. Die PRA hat Ende 2025 einen Roundtable zum Model Risk Management für Technologien der künstlichen Intelligenz und des maschinellen Lernens abgehalten und geprüft, wie weit die Grundsätze von SS1/23 auf KI reichen und wo sie sich spannen. Die ehrliche Antwort lautet derzeit, dass klassisches MRM mehr KI abdeckt, als man annimmt, und weniger, als man braucht, und genau deshalb entsteht die Governance über den Lebenszyklus der KI als Klammer um beides.

Das Fundament aus Daten

Liest man eine Anforderung des MRM genau, löst sie sich in eine Frage nach Daten auf. Welche Eingaben nutzt dieses Modell? Sind sie die maßgebliche Quelle? Was bedeutet dieses Feld tatsächlich, und bedeutet es im Modell dasselbe wie in dem Bericht, gegen den das Modell verglichen wird? Woher kamen die Trainingsdaten? Wer verantwortet sie? Was hat sich im letzten Quartal vorgelagert geändert, und hat es jemand dem Verantwortlichen des Modells gesagt?

SR 26-2 stellt eine kritische Bewertung von Datenqualität, Einschlägigkeit und Eingaben mitten in wirksames Testen. SS1/23 behandelt die in Modellen genutzten Daten als Teil seiner Grundsätze. Und eine Validierung kann über ein Modell nichts schließen, dessen Eingaben sie nicht verfolgen kann. Das Substrat eines glaubwürdigen MRM-Programms ist deshalb gewöhnliche Data Governance:

• Ein Datenkatalog, der sagt, welche Tabellen und Merkmale maßgeblich sind, damit die Eingaben eines Modells bewusst gewählt werden und nicht danach, wer gerade Zugriff hatte.
• Ein Business Glossary, damit ein in einem Modell genutzter Begriff eine gesteuerte Definition hat, die mit Finanzen, Risiko und der Aufsicht geteilt wird.
• Data Lineage als Nachweis der Herkunft, also die Antwort auf „woher kam diese Eingabe und was ist mit ihr geschehen“, mit der Validierung und Audit beide beginnen.
• Benannte Datenverantwortung und Klassifizierung, damit die Rechenschaft für eine Eingabe besteht, bevor ein Modell von ihr abhängt, und sensible Eingaben bekannt sind.

Dawiso sitzt auf dieser Seite der Grenze, und es lohnt sich, genau zu sagen, welche Seite das ist. Dawiso ist keine Plattform zur Validierung von Modellen und ersetzt weder eine Validierungsfunktion noch ein führendes System für Modellrisiko. Was es tut, ist, die Nachweise auf der Datenseite zum Nebenprodukt der normalen Arbeit zu machen: den Katalog dessen, was es gibt und was maßgeblich ist, das Glossar dessen, was jeder Begriff bedeutet, die interaktive Lineage für Herkunft und Folgenabschätzung sowie klare Verantwortung über die ganze Landschaft. Wenn ein Validierer fragt, was ein Modell gespeist hat und was es bedeutete, existiert diese Antwort bereits, statt für die Prüfung rekonstruiert zu werden. Zusammen mit AI Governance für die Systeme der KI, die die Leitlinien des MRM auslassen, deckt es die Nachweishälfte beider Programme von einer Stelle aus ab.

Fazit

Model Risk Management ist, wie es aussieht, wenn man Modelle als Infrastruktur behandelt und nicht als Lieferergebnisse: verantwortet, inventarisiert, von jemand Unabhängigem hinterfragt, im Verhältnis zu dem validiert, was an ihnen hängt, und überwacht, bis sie außer Dienst gehen. Die Überarbeitung der US-Leitlinie von 2026 hat zwei Dinge geschärft, die jedes Programm für KI mitnehmen sollte: Die Tiefe der Governance sollte der Wesentlichkeit folgen und nicht einer Gleichbehandlung, und generative KI und Agentic AI sind vom klassischen MRM ausdrücklich nicht abgedeckt, brauchen also ein eigenes Rahmenwerk der AI Governance. Was beide Hälften teilen, ist eine Abhängigkeit, die kein Rahmenwerk Ihnen abnimmt: vertrauenswürdige, gut definierte, nachverfolgbare Daten unter jedem Modell, das Sie verteidigen wollen.

Quellen

• Board of Governors of the Federal Reserve System - SR 26-2: Revised Guidance on Model Risk Management (April 17, 2026)
• Board of Governors of the Federal Reserve System - SR 11-7: Guidance on Model Risk Management (April 4, 2011, superseded)
• Bank of England, Prudential Regulation Authority - SS1/23: Model risk management principles for banks
• Bank of England, Prudential Regulation Authority - Model risk management roundtable on KI and machine learning technologies (2025)