ai_regulation
KI-Lieferkette absichern: Google veröffentlicht k8s-aibom für automatisierte ML-BOMs
Google hat am 15. Juli 2026 das Tool k8s-aibom als Open-Source-Projekt veröffentlicht, wie der Konzern in seinem Cloud-Blog bekannt gab. Der leichtgewichtige Kubernetes-Controller erkennt automatisch laufende KI-Workloads wie vLLM oder Triton Inference Server und generiert daraus standardisierte OWASP CycloneDX 1.6 Machine Learning Bill of Materials (ML-BOMs). Ziel ist es, die Transparenz über die KI-Lieferkette in Cluster-Umgebungen zu erhöhen, ohne dass Entwickler ihre bestehenden Pod-Spezifikationen ändern müssen.
Hintergrund der Entwicklung ist das wachsende Problem der Schatten-KI. Entwicklerteams setzen zunehmend KI-Modelle und Agent-Frameworks ein, die nicht formal registriert sind und sich daher der Kontrolle durch klassische Sicherheitsscanner entziehen. Herkömmliche Werkzeuge arbeiten oft mit Build-Zeit-Scans oder externen Prüfungen, können aber nicht verlässlich abbilden, was im laufenden Betrieb tatsächlich ausgeführt wird. k8s-aibom schließt diese Lücke, indem es den Cluster-Zustand kontinuierlich beobachtet und daraus revisionssichere ML-BOM-Dokumente ableitet. Ein integriertes Confidence Model unterscheidet dabei zwischen deklarierten, abgeleiteten und ungeklärten KI-Komponenten.
Was bedeutet das konkret für Ihren Betrieb?
Für mittelständische Unternehmen, die Google Kubernetes Engine (GKE) oder andere konforme Kubernetes-Cluster betreiben, vereinfacht k8s-aibom die Nachweispflicht gegenüber Regulierungen erheblich. Das Tool erstellt automatisch eine lückenlose Inventarliste aller aktiven KI-Komponenten – von Serving-Runtimes über Vektordatenbanken wie Milvus bis hin zu Agent-Frameworks wie LangChain oder CrewAI. Diese Transparenz ist die Grundlage, um Compliance-Anforderungen aus dem EU AI Act zu erfüllen, insbesondere Artikel 12 zur automatisierten Protokollierung und Artikel 50 zu Transparenzpflichten. Auch die Orientierung am NIST AI Risk Management Framework wird durch die empirische Anlagenübersicht unterstützt.
Die Architektur des Tools respektiert dabei das Stabilitätsgebot im laufenden Betrieb: Es werden keine privilegierten DaemonSets, keine Kernel-Module und keine Sidecar-Container benötigt. Die generierten ML-BOMs lassen sich in Cloud Storage Buckets ablegen, wo sie durch DoesNotExist-Vorbedingungen kryptografisch unveränderlich gespeichert werden. Für Revisionsprüfungen entsteht so ein fälschungssicherer Audit-Trail, der die historische Ausführungsumgebung zweifelsfrei dokumentiert. Mittelfristig wird die automatisierte Erstellung von AI Bills of Materials zum Standard für jede Organisation werden, die KI-Modelle in der Cloud oder im eigenen Rechenzentrum produktiv nutzt und sich auf verschärfte Prüfpflichten einstellen muss.
Hintergrund der Entwicklung ist das wachsende Problem der Schatten-KI. Entwicklerteams setzen zunehmend KI-Modelle und Agent-Frameworks ein, die nicht formal registriert sind und sich daher der Kontrolle durch klassische Sicherheitsscanner entziehen. Herkömmliche Werkzeuge arbeiten oft mit Build-Zeit-Scans oder externen Prüfungen, können aber nicht verlässlich abbilden, was im laufenden Betrieb tatsächlich ausgeführt wird. k8s-aibom schließt diese Lücke, indem es den Cluster-Zustand kontinuierlich beobachtet und daraus revisionssichere ML-BOM-Dokumente ableitet. Ein integriertes Confidence Model unterscheidet dabei zwischen deklarierten, abgeleiteten und ungeklärten KI-Komponenten.
Was bedeutet das konkret für Ihren Betrieb?
Für mittelständische Unternehmen, die Google Kubernetes Engine (GKE) oder andere konforme Kubernetes-Cluster betreiben, vereinfacht k8s-aibom die Nachweispflicht gegenüber Regulierungen erheblich. Das Tool erstellt automatisch eine lückenlose Inventarliste aller aktiven KI-Komponenten – von Serving-Runtimes über Vektordatenbanken wie Milvus bis hin zu Agent-Frameworks wie LangChain oder CrewAI. Diese Transparenz ist die Grundlage, um Compliance-Anforderungen aus dem EU AI Act zu erfüllen, insbesondere Artikel 12 zur automatisierten Protokollierung und Artikel 50 zu Transparenzpflichten. Auch die Orientierung am NIST AI Risk Management Framework wird durch die empirische Anlagenübersicht unterstützt.
Die Architektur des Tools respektiert dabei das Stabilitätsgebot im laufenden Betrieb: Es werden keine privilegierten DaemonSets, keine Kernel-Module und keine Sidecar-Container benötigt. Die generierten ML-BOMs lassen sich in Cloud Storage Buckets ablegen, wo sie durch DoesNotExist-Vorbedingungen kryptografisch unveränderlich gespeichert werden. Für Revisionsprüfungen entsteht so ein fälschungssicherer Audit-Trail, der die historische Ausführungsumgebung zweifelsfrei dokumentiert. Mittelfristig wird die automatisierte Erstellung von AI Bills of Materials zum Standard für jede Organisation werden, die KI-Modelle in der Cloud oder im eigenen Rechenzentrum produktiv nutzt und sich auf verschärfte Prüfpflichten einstellen muss.
💡 Handlungsempfehlung: Prüfen Sie diese Woche, ob in Ihren Kubernetes-Clustern nicht registrierte KI-Workloads laufen, und evaluieren Sie den Einsatz von k8s-aibom zur automatisierten Erstellung von ML-BOMs für Ihre Compliance-Dokumentation.
Haeufige Fragen
Was ist k8s-aibom und wie hilft es bei der Einhaltung des EU AI Act?
k8s-aibom ist ein Open-Source-Kubernetes-Controller von Google, der automatisch laufende KI-Workloads erkennt und standardisierte ML-BOMs erstellt. Er unterstützt die Compliance mit dem EU AI Act, indem er die automatisierte Protokollierung und Transparenzpflichten für KI-Systeme durch eine lückenlose Inventarisierung der KI-Lieferkette erleichtert.
Wie unterscheidet k8s-aibom zwischen absichtlich und automatisch eingesetzten KI-Modellen?
Das Tool nutzt ein deterministisches Confidence Model mit drei Stufen: 'Declared' für explizit konfigurierte Modelle, 'Inferred' für durch Mustererkennung identifizierte KI-Stacks und 'Unresolved' für Workloads, bei denen die genauen Modellparameter nicht bestimmbar sind und die eine gezielte Sicherheitsprüfung benötigen.