ISO 27090 forklaret for teams, der arbejder med AI-sikkerhed

ISO/IEC 27090:2026 er en international standard, der giver vejledning om sikkerhedstrusler og kompromitteringer, som påvirker systemer med kunstig intelligens. Standarden blev offentliggjort den 14. oktober 2026 og beskriver, hvordan organisationer kan forstå, opdage og afbøde disse trusler gennem hele AI-livscyklussen. Dens formelle titel er Cybersecurity — Artificial intelligence (AI) — Addressing security threats and compromises to AI systems. ISO's publikationsoplysninger

For et sikkerhedsteam er det praktiske spørgsmål ligetil: Hvad kunne en angriber ændre, stjæle eller få et AI-system til at gøre, og hvad ville begrænse den skade, der opstår?

Denne guide forklarer anvendelsesområdet for ISO 27090-standarden, de vigtigste AI-sikkerhedstrusler, standardens forhold til ISO 27001 og ISO 42001 samt en praktisk måde at omsætte vejledningen til sikkerhedsarbejde med ejere, sikkerhedsforanstaltninger og evidens. Researchen bag guiden blev kontrolleret den 18. oktober 2026.

Hvad ISO 27090-standarden dækker

ISO 27090 fokuserer på at beskytte AI-systemer. Emnet rækker ud over generativ AI, store sprogmodeller og chatbots til AI-systemer i bredere forstand. ISO's forklaring af ISO 27090

Den offentliggjorte standard forbinder etableret praksis for informationssikkerhed med AI-specifikke trusler. Indholdet behandler governance, sikkerhed i forsyningskæden, trusselsmodellering og red teaming efterfulgt af typer af kompromittering som forgiftning, omgåelse (evasion), eksponering af information og promptinjektion. Standarden ser også på, hvordan afbødende foranstaltninger spiller sammen og forbliver effektive over tid. Offentliggjort uddrag af ISO/IEC 27090

Anvendelsesområdet omfatter organisationer af enhver størrelse, der udvikler eller bruger AI, herunder virksomheder, offentlige myndigheder og nonprofitorganisationer. At købe en AI-tjeneste fra en tredjepart placerer derfor ikke en organisation uden for den tiltænkte målgruppe. IEC's publikationsoplysninger

Et godt udgangspunkt er en fælles gennemgang med sikkerhed, udvikling, data, indkøb og forretningsejeren. Hver af dem bør kunne forklare den del af systemet, de kontrollerer, og de beslutninger, de er afhængige af, at andre træffer.

Hvorfor AI-systemer kræver yderligere sikkerhedsanalyse

En AI-applikation forbinder flere elementer, der fortjener en selvstændig gennemgang: software, data, modelfiler eller modeltjenester, instruktioner, brugere og efterfølgende handlinger.

Forestil dig en dokumentassistent, der er forbundet til en intern videnbase. En konventionel gennemgang kan undersøge autentificering, kryptering og sårbarheder i softwaren. En AI-sikkerhedsgennemgang bør derudover spørge, hvad der sker, hvis et hentet dokument forsøger at ændre assistentens instruktioner, om brugere kan hente materiale uden for deres rettigheder, og hvilke handlinger genereret output kan udløse.

Spørgsmålene får større betydning, når en assistent kan opdatere registreringer eller kalde eksterne værktøjer. Et forkert svar og en uautoriseret handling har forskellige konsekvenser og kræver forskellige sikkerhedsforanstaltninger.

Kortlæg tre spørgsmål ved din første gennemgang:

• Hvad kan påvirke systemet? Medtag træningsdata, hentet indhold, prompts, leverandører og modelopdateringer.
• Hvad kan forlade systemet? Medtag svar, logfiler, eksporter og modelaktiver.
• Hvad kan systemet ændre? Medtag filer, sager, konti, transaktioner og andre forbundne tjenester.

Dette er en praktisk metode til at afgrænse eksemplerne nedenfor, ikke en gengivelse af standardens afsnit.

AI-sikkerhedstrusler, du bør forstå

Forklaringerne nedenfor bruger NIST's terminologi for adversarial maskinlæring og OWASP's vejledning for LLM-applikationer. Scenarierne er illustrative. NIST's taksonomi for adversarial maskinlæring OWASP's vejledning om promptinjektion OWASP's vejledning om håndtering af output

Hold distinktionerne klare under en risikovurdering. Et ondsindet dokument, der hentes af en applikation til hentningsforstærket generering (RAG), er ikke automatisk forgiftning af træningsdata: Hentningen opdaterer ikke i sig selv modellens vægte. Den kan i stedet udsætte applikationen for indirekte promptinjektion.

For LLM-sikkerhed er stærkere prompts alene en ufuldstændig kontrolstrategi. OWASP anbefaler sikkerhedsforanstaltninger som begrænsede rettigheder og godkendelse af følsomme handlinger, mens NCSC understreger, at promptinjektion skal styres som en vedvarende risiko gennem systemets design og drift. OWASP's vejledning om promptinjektion NCSC's vejledning om risikoen for promptinjektion

ISO 27090 sammenlignet med ISO 27001 og ISO 42001

Standarderne understøtter forskellige dele af en organisations arbejde med sikkerhed og AI-governance.

Distinktionerne følger udgivernes beskrivelser af ISO 27001, ISO 27002 og ISO 42001.

For et team, der allerede driver et ISMS, er en praktisk tilgang at udvide de eksisterende registreringer. Føj relevante AI-systemer til aktivfortegnelsen, vurdér deres angrebsveje, udpeg ejere af risikobehandlingen, og tilknyt understøttende evidens. Baggrund om, hvordan arbejdet kan organiseres, finder du i tjeklisten til implementering af ISO 27001.

En praktisk tjekliste til implementering af ISO 27090

Trinene nedenfor er en implementeringstilgang, der bygger på standardens emneområde og offentlig vejledning om sikker AI. De er ikke en officiel ISO-tjekliste eller en angivelse af obligatoriske afsnit.

1. Definér systemet og dets ejer

Vælg en AI-use case med et klart forretningsformål. Registrér den ansvarlige ejer, brugere, modelleverandør, hostingopsætning og forbundne tjenester.

Træk derefter grænsen for gennemgangen. Medtag applikationen og dens afhængigheder, ikke kun modellens endpoint. En kundevendt assistent med adgang til værktøjer kræver en anden vurdering end et internt værktøj til tekstopsummering uden rettighed til at handle.

Nyttigt output: en systemregistrering, der angiver formål, grænser, afhængigheder, tilladte handlinger og ansvarlig ejer.

2. Spor data- og modeloprindelse

Registrér, hvor datasæt og modelartefakter kommer fra, hvem der kan ændre dem, og hvilke versioner der er udrullet. Medtag input til finjustering, hentningssamlinger, prompts og feedbackkanaler, der er relevante for systemet.

NCSC's vejledning om udvikling anbefaler, at AI-aktiver og deres oprindelse spores, at de beskyttes, og at den information, der skal til for at gendanne troværdige versioner, bevares. NCSC's vejledning om sikker AI-udvikling

For en købt model bør du spørge leverandøren, hvilke ansvarsområder den varetager, og hvilken information den stiller til rådighed, når modeller eller tjenester ændres.

Nyttigt output: en versioneret fortegnelse med kilder, adgangsregler, ændringshistorik og leverandørens ansvarsområder.

3. Trusselsmodellér det faktiske workflow

Gennemgå systemet fra en angribers perspektiv. Identificér indgangspunkter, følsomme aktiver, rettigheder og konsekvenserne af en vellykket kompromittering. NCSC's vejledning om sikkert design anbefaler trusselsmodellering og opmærksomhed på tredjepartskomponenter og mindst mulige rettigheder. NCSC's vejledning om sikkert AI-design

Skriv konkrete scenarier. “AI-risiko” er for bredt til at føre til en nyttig handling. “Et dokument, der er uploadet af en ekstern part, overtaler assistenten til at anmode om en evidensfil med begrænset adgang” giver teamet noget specifikt at analysere.

Prioritér efter eksponering og potentiel skade. Registrér, hvem der accepterer en eventuel restrisiko, og hvornår beslutningen skal tages op igen.

Nyttigt output: et kort risikoregister, der forbinder angrebsscenarier med aktiver, konsekvenser, sikkerhedsforanstaltninger og ejere.

4. Placér sikkerhedsforanstaltninger ved de relevante grænser

Vælg kontroller til det scenario, du adresserer. For modelaktiver kan det omfatte beskyttet lagring, adgangsbegrænsninger og integritetskontroller. For udrullede tjenester bør du overveje autentificering, adskillelse mellem miljøer og kontroller, der mindsker uautoriseret adgang eller dataeksfiltrering. Det er temaer i NCSC's vejledning om udrulning. NCSC's vejledning om sikker udrulning af AI

For genereret output skal indholdet valideres og kodes til sin destination, før et andet system handler på det. OWASP's vejledning om håndtering af output forklarer, hvorfor modellens output ikke bør få autoritet, blot fordi det kommer fra modellen. OWASP's vejledning om håndtering af output

Nyttigt output: en kontrolregistrering, der angiver den grænse, den beskytter, dens ejer og den evidens, der bruges til at kontrollere den.

5. Test hele applikationen

Udform test omkring de konsekvenser, der er identificeret i trusselsmodellen. For en RAG-assistent kan du bruge adversarial dokumenter og brugere med forskellige rettigheder. For en agent tester du, hvad der sker, når hentet indhold beder den om at gå ud over dens tilladte handlinger.

Definér det forventede resultat, før testen køres. Et eksempel: Applikationen skal afvise en anmodning om en fil med begrænset adgang, selv hvis modellen forsøger at fremsætte anmodningen.

Registrér applikationens konfiguration, modelversion, testinput, resultat og eventuelle udbedringer. Vælg testdata, der ikke unødigt eksponerer reelle fortrolige oplysninger.

Nyttigt output: gentagelige sikkerhedstest, der er knyttet til specifikke risici og releasebeslutninger.

6. Overvåg ændringer, og forbered en reaktion

Gennemgå effekten af opdateringer af modeller, data og prompts. Overvåg relevante input og output, og beskyt samtidig følsomme oplysninger i logfiler. NCSC's vejledning om drift fremhæver adfærdsovervågning og sikkerhedskonsekvenserne af ændringer gennem hele driften. NCSC's vejledning om sikker drift af AI

Beslut på forhånd, hvem der kan deaktivere et værktøj, tilbagekalde legitimationsoplysninger, isolere en integration eller rulle en release tilbage. Fastlæg udløsere for gennemgang, for eksempel en ny leverandør, udvidede rettigheder, en væsentlig modelopdatering eller en sikkerhedshændelse.

Nyttigt output: ansvar for overvågning, kriterier for gennemgang af ændringer, en procedure for hændelseshåndtering og en testet gendannelsesvej.

Omsæt AI-sikkerhedsrisici til evidens

Tabellen nedenfor er en foreslået arbejdsskabelon. Eksemplerne på evidens er praktiske anbefalinger, ikke en liste over dokumenter, som ISO 27090 kræver.

Forestil dig for eksempel et sikkerhedsteam, der bruger en assistent til at opsummere kunders evidens. Et dokument fra en leverandør indeholder instruktioner om at uploade evidensen til en ekstern adresse.

Teamets test bør følge den forsøgte handling gennem applikationen. Har assistenten et værktøj, der kan uploade filer? Håndhæver værktøjet brugerens rettigheder? Er destinationerne begrænsede? Skal en ansvarlig person godkende overførslen?

En nyttig gennemgangsregistrering vil identificere scenariet, den grænse der forhindrer overførslen, testresultatet og den person, der godkendte restrisikoen. Hvis systemet ændres, fortæller registreringen den næste, der gennemgår det, hvad der skal kontrolleres igen.

Denne tilgang giver en vurdering mere substans end en påstand om, at systemet bruger “ansvarlig AI”. Den forbinder sikkerhedsbeslutningen med noget, som en anden person kan efterprøve. Læs mere om, hvordan understøttende materiale kan organiseres, i sådan strukturerer du audit-parathed.

Certificering og krav i ISO 27090

ISO 27090 giver sikkerhedsvejledning frem for krav til certificering af ledelsessystemer. ISO's forklaring adskiller standardens formål fra AIMS-kravene i ISO 42001. ISO's forklaring af ISO 27090

Definér først, hvilken sikkerhed (assurance) du har brug for: en sikkerhedsgennemgang, et svar på en kundes assurance-forespørgsel, en intern gapanalyse eller certificering efter en relevant standard for ledelsessystemer.

Bed alle, der tilbyder en vurdering, om at angive dens omfang, kriterier og assurance-ordning. Det gør resultatet lettere at fortolke og forhindrer, at en gennemgang af praksis for AI-sikkerhed forveksles med certificering af et ledelsessystem.

I et implementeringsprojekt bør du anskaffe den offentliggjorte standard, gennemgå vejledningen i forhold til dine egne systemer og registrere, hvorfor bestemte sikkerhedsforanstaltninger er passende. Eksemplerne i denne artikel giver en første struktur for det arbejde.

ISO 27090 og EU's AI-forordning

At anvende en international standard skaber ikke automatisk overensstemmelse med EU's AI-forordning. Artikel 40 knytter en formodning om overensstemmelse til harmoniserede standarder, hvis referencer er offentliggjort i Den Europæiske Unions Tidende, og kun i det omfang de dækker de relevante krav eller forpligtelser. Artikel 40 i EU's AI-forordning

Brug en sikkerhedsgennemgang efter ISO 27090 som ét input til en særskilt afgrænset vurdering af compliance. Registrér den juridiske forpligtelse, der vurderes, den evidens, der understøtter den, og eventuelle resterende mangler.

Ofte stillede spørgsmål om ISO 27090

Hvornår blev ISO 27090 offentliggjort?

Den første udgave, ISO/IEC 27090:2026, blev offentliggjort den 14. oktober 2026. Kontrollér udgiverens aktuelle oplysninger, når ældre materiale henviser til et udkast eller et tidligere år. IEC's publikationsoplysninger

Dækker ISO 27090 generativ AI og LLM-sikkerhed?

Det offentliggjorte indhold omfatter promptinjektion og følsomt modeloutput, hvilket gør standarden relevant for sikkerhed i generativ AI. Anvendelsesområdet omfatter også andre AI-systemer. Offentliggjort uddrag af ISO/IEC 27090 ISO's forklaring af ISO 27090

Kan en virksomhed, der bruger AI fra en tredjepart, anvende standarden?

Ja. Den angivne målgruppe omfatter organisationer, der bruger AI, såvel som organisationer, der udvikler den. Start med de risici og ansvarsområder, der ligger inden for din kontrol, og identificér, hvad du har brug for at vide om dine leverandører. IEC's publikationsoplysninger

Betyder en ISO 27001-certificering, at et AI-system er sikkert?

En certificering af et ledelsessystem er ingen garanti for, at en enkelt applikation kan modstå ethvert angreb. Brug ledelsessystemet til at organisere risikobeslutninger, og vurdér AI-systemets faktiske design, konfiguration og adfærd. ISO 27090 kan understøtte det sikkerhedsarbejde.

Hvor kan jeg få ISO 27090 som PDF?

Brug ISO's officielle katalog eller IEC Webstore for at få den offentliggjorte standard og licensmulighederne. Kontrollér, at betegnelsen er ISO/IEC 27090:2026. En artikel eller et uddrag giver kun en del af materialet.

Gør arbejdet med AI-sikkerhed gennemgåeligt

Start med én AI-use case med stor betydning. Identificér, hvordan den kunne kompromitteres, vælg sikkerhedsforanstaltninger til de relevante grænser, og definér den evidens, der skal vise, at sikkerhedsforanstaltningerne virker. Giv hver handling en ejer og en udløser for gennemgang.

Secani forbinder krav, risici, kontroller, evidens, ejere og gennemgangsbeslutninger i et fælles arbejdsområde for sikkerhed og compliance. Tal med Secani om, hvordan I kan organisere jeres arbejde med AI-sikkerhed, så teamene kan se, hvad der er vurderet, hvad der kræver opmærksomhed, og hvem der er ansvarlig.