Bygg ett AI Management System (AIMS) enligt ISO/IEC 42001, komplettera med NIST:s riskmetodik för den löpande driften, och anpassa hela strukturen till EU:s AI-förordning. Kombinationen ger er en certifierbar grund, en fungerande riskprocess och regulatorisk täckning i ett och samma arbete. Börja med att inventera och klassificera alla AI-system ni använder eller utvecklar. Utan den kartan blir resten av arbetet gissningar.
Kort sagt:
- Organisera AI-styrningen med ISO/IEC 42001, NIST:s riskmetodik och AI-förordningen för att skapa en certifierbar och riskanpassad struktur.
- Prioritera inventering och klassificering av alla AI-system för att kunna bedöma risknivån och undvika gissningar i resten av arbetet.
- Sätt upp tydliga roller och ansvar i ett tvärfunktionellt styrningsråd för att säkerställa att risker och ansvarsområden hanteras löpande.
- Bygg in tekniska och organisatoriska kontroller samt dokumentation för högrisk-system för att uppfylla AI-förordningens krav och förbereda certifiering.
- Använd ett digitalt verktyg som Trustview för att sammanfoga klassificering, dokumentation och uppföljning, vilket förenklar processerna och minskar administrationen.
Innehållsförteckning
- Vilka ramverk styr ert AI-styrning ramverk?
- Sex pelare i ett fungerande AI-styrning ramverk
- Vilka roller behövs i styrningsmodellen?
- Vad räknas som högrisk enligt AI-förordningen?
- Steg-för-steg: så bygger ni ramverket
- Trustviews perspektiv på praktiskt genomförande
- Vad de flesta beslutsfattare missar med AI-styrning
- Kom igång med er AI-förordningen-anpassning
- Källor
Vilka ramverk styr ert AI-styrning ramverk?
Fyra referensramverk dominerar praktiken just nu, och de löser olika delar av problemet. Ingen av dem räcker ensam.
- ISO/IEC 42001 ger er ledningssystemet, AIMS, som beskriver hur AI-styrning ska organiseras, dokumenteras och certifieras. Standarden är byggd för att harmonisera med ISO 27001, vilket betyder att organisationer med ett fungerande informationssäkerhetsledningssystem kan återanvända stora delar av strukturen i stället för att bygga något separat, vilket DNV påpekar i sin genomgång av certifieringsvägen.
- NIST AI Risk Management Framework ger er metodiken för att identifiera, bedöma, hantera och löpande övervaka AI-relaterade risker. Ramverket är inte certifierbart, men det är operativt konkret på ett sätt ISO-standarder sällan är.
- EU:s AI-förordning avgör era juridiska skyldigheter. Klassificeringen enligt artikel 6 styr vilka tekniska och administrativa krav som aktiveras, och det är den delen som faktiskt skapar sanktionsrisk.
- OWASP Top 10 for LLM Applications täcker det tekniska säkerhetslagret för stora språkmodeller: promptinjektion, dataläckage, osäker output-hantering. Passar utmärkt som checklista när ni bygger tekniska kontroller kring genAI-lösningar.
De fyra ramverken svarar på olika frågor: hur ska vi organisera oss (ISO), hur hanterar vi risk löpande (NIST), vad kräver lagen (AI-förordningen) och var sitter de tekniska hålen (OWASP).
Sex pelare i ett fungerande AI-styrning ramverk
Ett operativt AI-styrningsramverk vilar på sex delar som var och en behöver ett eget ägarskap och ett mätbart resultat.
- Ansvar och ägarskap. Utse en AI-ansvarig med tydligt mandat, definiera styrelsens rapporteringslinje och sätt in beslutsportar innan ett system får gå från test till produktion.
- Riskhantering. Använd NIST:s cykel, kartlägg, mät, hantera, övervaka, för varje AI-system och uppdatera bedömningen vid varje väsentlig förändring.
- Datastyrning. Dokumentera datakvalitet, härkomst och behandlingsgrund för träningsdata och indata, särskilt när personuppgifter är inblandade.
- Transparens och förklarbarhet. Bygg modellkort och användarinformation som förklarar vad systemet gör, vilka begränsningar det har och hur beslut kan överklagas.
- Övervakning och incidenthantering. Sätt trösklar för avvikande beteende, logga beslut och definiera larmvägar innan något går fel, inte efter.
- Etik och policyramverk. Formulera principer, inrätta en eskaleringsväg för etiska gränsfall och se till att policyn faktiskt tillämpas, inte bara finns.
Proffstips: Koppla varje pelare till en befintlig process i er organisation innan ni bygger något nytt. De flesta bolag har redan riskregister, incidentrutiner och dataskyddsdokumentation, de behöver bara utökas till att omfatta AI-specifika kriterier.
Vilka roller behövs i styrningsmodellen?
AI-styrning misslyckas oftast när den behandlas som en ren IT-fråga. Tvärfunktionellt ägarskap är avgörande, vilket OCEG:s genomgång av hur AI-styrning kan integreras i befintliga GRC-program visar tydligt.
En fungerande modell samlar dessa roller i ett styrningsråd:
- AI-ansvarig som koordinerar det dagliga arbetet och driver klassificering av nya system.
- CISO som äger tekniska säkerhetskontroller, inklusive OWASP:s riktlinjer för LLM-specifika hot.
- Dataskyddsombud som bevakar personuppgiftsrisker och kopplingen till GDPR-konsekvensbedömningar.
- Juridik som tolkar AI-förordningens krav och andra tillämpliga regler.
- Affärsägare som förstår verksamhetsnyttan och riskaptiten för respektive system.
- Etikråd, formellt eller informellt, som hanterar gränsfall utan tydligt svar i policyn.
Rådet rapporterar till ledningsgruppen kvartalsvis och till styrelsen minst årligen, med beslutsportar vid varje övergång från utveckling till drift. I mindre organisationer kombinerar CISO och AI-ansvarig ofta samma person, och juridik täcker etikrådets funktion tills volymen motiverar en separat instans.
Vad räknas som högrisk enligt AI-förordningen?
Artikel 6 delar in AI-system i två spår: system som listas i bilaga III (till exempel inom rekrytering, kreditbedömning och brottsbekämpning) klassificeras som högrisk om de inte uppfyller ett av undantagen, och system som ingår i produkter som redan omfattas av EU:s insatser för att skydda barn och unga mot TikTok, vilket visar på regulatorisk aktivism inom digital säkerhet. Kommissionens utkast till klassificeringsriktlinjer ger konkreta exempel som minskar tolkningsutrymmet betydligt jämfört med att bara läsa förordningstexten.
Blir ett system klassat som högrisk aktiveras en rad konkreta krav:
- Ett riskhanteringssystem som löper genom hela systemets livscykel.
- Teknisk dokumentation som beskriver syfte, data, prestanda och begränsningar.
- Loggning som gör beslut spårbara i efterhand.
- Mänsklig tillsyn med faktisk möjlighet att ingripa, inte bara i teorin.
Ansvaret för att klassificera systemet ligger primärt på leverantören, men vägledningen om ansvar och tillsyn i AI-förordningen är tydlig med att den som använder systemet ändå måste förstå risknivån och säkerställa att tillsynen faktiskt fungerar i praktiken. Ett självbedömningsundantag finns för vissa användningsfall, men det kräver dokumenterad motivering, inte bara ett antagande att systemet inte utgör en risk.
Viktig tidslinje: högriskkraven i AI-förordningen börjar gälla från augusti 2026, vilket innebär att organisationer som ännu inte klassificerat sina system riskerar att stå oförberedda när tillsynsmyndigheterna börjar kontrollera efterlevnaden.
Steg-för-steg: så bygger ni ramverket
En realistisk implementeringsplan sträcker sig över flera månader och skalar med antalet AI-system ni har i drift.
- Inventering och klassificering (0–4 veckor). Kartlägg alla AI-system, bedöm dem mot artikel 6 och prioritera efter risknivå. Kräver mest juristtid och AI-ansvarigs tid, ingen stor budget.
- Policy och styrningsstruktur (4–12 veckor). Skriv en AI-policy med roller, principer och eskaleringsvägar, och etablera styrningsrådet formellt.
- Tekniska kontroller och övervakning (3–6 månader). Bygg loggning, larmtrösklar och grundläggande skydd enligt OWASP:s checklista för LLM-applikationer, särskilt om ni använder generativ AI.
- Dokumentation och certifieringsförberedelse (varierar med antal system). Ta fram teknisk dokumentation för högriskssystem och, om ni siktar på formell certifiering, förbered er mot ISO/IEC 42001, som Svenska institutet för standarder listar som SS-EN ISO/IEC 42001:2026.
Kostnadsbilden varierar kraftigt beroende på om arbetet drivs internt eller med extern hjälp: intern tid för klassificering och policyarbete kostar mest i personaltimmar, medan certifieringsrevisioner och juridisk rådgivning för högriskssystem tillkommer som separata poster.
Proffstips: Börja alltid med era högriskssystem, även om det känns mer lockande att först ta de enkla fallen. Ni får mest riskreduktion per arbetstimme där konsekvenserna av att missa något är störst.
Trustviews perspektiv på praktiskt genomförande
Mycket av arbetet ovan blir administrativt tungt utan ett systemstöd som håller ihop klassificering, dokumentation och uppföljning. Trustview samlar modellregister, riskmatriser och åtgärdsspårning i en gemensam plattform, vilket gör det möjligt att se vilka AI-system som är klassificerade, vilka åtgärder som är öppna och vem som äger dem, utan att gräva i kalkylblad.
Plattformens DPIA-flöden går att återanvända för de konsekvensbedömningar som högriskssystem kräver, vilket kortar tiden mellan klassificering och färdig dokumentation. Automatiserad uppföljning av åtgärder gör dessutom att styrningsrådet får spårbarhet över tid i stället för att förlita sig på minnet vid varje kvartalsmöte.
Vad de flesta beslutsfattare missar med AI-styrning
Den vanligaste missuppfattningen är att AI-styrning är ett tekniskt projekt som IT eller dataavdelningen kan äga själva. Det håller inte. De flesta styrningsfel uppstår vid övergångar, när ett system flyttas från utveckling till produktion, eller när en leverantör uppdaterar en modell utan att någon omprövar riskbilden. Sätt beslutsportar exakt vid dessa övergångar, för praktisk erfarenhet visar att det är där kontrollen faller bort, inte vid den initiala lanseringen.
Konventionell rådgivning fokuserar för mycket på att välja “rätt” ramverk, som om ISO, NIST och AI-förordningen konkurrerade om samma plats. De gör inte det. De löser tre olika problem, och organisationer som väntar på en enda universallösning förlorar tid de inte har. Prioritera klassificering före perfektion: ett ofullständigt AIMS som ändå identifierat era högriskssystem korrekt är mer värt än ett teoretiskt komplett ramverk som aldrig blivit tillämpat på faktiska system.
Det som verkligen avgör om styrningen håller över tid är inte vilket ramverk ni valde, utan om ni byggde in uppföljning som faktiskt sker. Policyn som ligger orörd i ett dokument efter lanseringen är värdelös oavsett hur väl den är skriven.
— Jesper
Kom igång med er AI-förordningen-anpassning
Trustview är alternativet till att bygga AIMS-strukturen i lösa kalkylblad och delade dokument. Plattformen kopplar samman modellregister, riskbedömning och åtgärdsuppföljning så att klassificeringen från steg ett i checklistan direkt matas in i samma system som hanterar er dokumentation och certifieringsförberedelse.
Ni slipper bygga separata verktyg för AI-riskhantering vid sidan av era befintliga GDPR- och informationssäkerhetsprocesser, eftersom Trustview redan stödjer GDPR, NIS2, ISO 27000 och AI-förordningen i samma plattform. Det betyder att ett styrningsråd som redan använder Trustview för DPIA:er och leverantörsbedömningar kan utöka samma arbetsflöden till AI-system i stället för att lära sig ett nytt gränssnitt. Läs mer om hur AI-förordningen påverkar er organisation och boka en genomgång för att se hur er inventering och klassificering kan struktureras redan denna vecka.
Källor
- AI Assurance – ISO/IEC 42001 certifiering | DNV
- Draft guidelines on the classification of high risk AI systems
- OWASP Top 10 for LLM Applications
