Hvilken AI-sikkerhedscertificering skal du vælge?

En AI-sikkerhedscertificering bør dokumentere konkrete kompetencer inden for sikring, styring og vurdering af AI-systemer, men valget bliver hurtigt uklart, når reelle certificeringer, leverandørspecifikke kompetencer, governance-rammeværker og generelle AI-kurser skal skelnes fra hinanden.

AI-sikkerhedscertificering handler om dokumenterbare kompetencer i at udvikle, vurdere, styre eller beskytte AI-systemer, afhængigt af om rollen ligger tæt på teknik, compliance, audit eller sikkerhedsdrift. For danske IT- og sikkerhedsprofessionelle er det afgørende at vælge ud fra arbejdsopgaver, teknologiplatform og regulatorisk ansvar, ikke ud fra en bred titel, der lyder relevant.

AI er allerede en del af moderne cybersikkerhed, både som værktøj og som ny angrebsflade. SOC-teams møder AI-understøttet phishing, prompt injection og misbrug af automatisering, mens GRC- og auditfunktioner skal forholde sig til modelrisiko, dokumentation, leverandørstyring og ansvarlig brug af kunstig intelligens. Samtidig betyder GDPR, NIS2 og EU AI Act, at AI-sikkerhed ikke længere kan behandles som et rent teknisk emne.

Rammeværker er ikke certificeringer

En af de mest almindelige misforståelser er at lede efter et “NIST AI RMF-certifikat” eller en “EU AI Act-certificering”, som om rammeværker og lovgivning automatisk svarer til eksamener. NIST AI Risk Management Framework 1.0, ISO/IEC 23894 og EU AI Act er nyttige referencepunkter, men de er ikke i sig selv personcertificeringer. De beskriver begreber, risici, krav og styringsprincipper, som organisationer kan bruge til at strukturere arbejdet.

Det er en vigtig skelnen, fordi den sparer tid og gør certificeringsvalget mere præcist. En governance-profil kan bruge NIST AI RMF 1.0 og ISO/IEC 23894 til at opbygge en risikoproces, men certificeringsvalget kan stadig pege mod IAPP AI Governance Professional. En auditprofil kan bruge EU AI Act og Datatilsynets vejledning som kontekst, men have mere direkte gavn af ISACA-certifikater om AI-audit og assurance. En Azure-orienteret ingeniør bør derimod se på Microsoft Certified: Azure AI Engineer Associate med eksamenskoden AI-102, fordi den kobler AI-implementering til en konkret cloudplatform.

ENISA AI Threat Landscape er også værd at kende, især for sikkerhedsteams, fordi den beskriver trusselsbilledet omkring AI-systemer og AI-understøttede angreb. Den slags kilder bør bruges som faglig baggrund, ikke som erstatning for praktisk træning, labs og artefakter, der viser, at kompetencen kan omsættes til arbejde.

Hvad AI-sikkerhed kræver i praksis

AI-sikkerhed ligger i krydsfeltet mellem klassisk sikkerhed, databeskyttelse, softwareudvikling, modelstyring og risikostyring. Det betyder, at en person med stærk erfaring i netværkssikkerhed ikke automatisk er klar til at vurdere en ML-pipeline, og at en data scientist ikke nødvendigvis har styr på logging, adgangskontrol, trusselsmodellering eller incident response.

I tekniske miljøer handler arbejdet ofte om at sikre dataflows, træningsdata, modelendpoints, API-adgang og integrationspunkter. Det kan omfatte hemmelighedsstyring, adgangssegmentering, overvågning af anomalier, evaluering af modeloutput og beskyttelse mod prompt injection, data poisoning eller model extraction. For LLM-baserede løsninger bliver red teaming mere konkret: sikkerhedsteamet tester, om modellen kan lokkes til at lække data, omgå instruktioner eller udføre uønskede handlinger gennem tilkoblede værktøjer.

I governance- og auditmiljøer er udfordringen en anden. Her skal organisationen kunne forklare formål, datagrundlag, risikovurdering, roller, kontroller og løbende opfølgning. Modelkort, risikovurderinger, DPIA-udkast, leverandørvurderinger og beslutningslogning bliver derfor centrale arbejdsprodukter. I danske organisationer bør arbejdet ses i sammenhæng med GDPR, Datatilsynets praksis, NIS2-krav til risikostyring og EU AI Act, uden at en teknisk artikel kan erstatte juridisk rådgivning.

Sådan matcher rollen den rigtige certificering

Den bedste certificering afhænger af, hvad personen faktisk skal gøre mandag morgen. En SOC-analytiker, der undersøger LLM-relaterede angreb, har andre behov end en GRC-konsulent, der skal udforme AI-politikker, og andre igen end en Azure-ingeniør, der bygger løsninger med Azure AI services. Et godt valg starter derfor med tre spørgsmål: Hvilken rolle skal kompetencen understøtte, hvilken teknologistak bruges i organisationen, og hvilke complianceforpligtelser er mest relevante?

En Azure-specialist kan eksempelvis vælge et AI-102 Azure AI Engineer-forløb, fordi certificeringen hænger direkte sammen med den platform, arbejdet udføres på. En GRC-profil i en finansiel eller offentlig organisation bør derimod typisk prioritere AI-governance, risikoklassificering, dokumentation og databeskyttelse, fordi værdien ligger i at kunne omsætte krav til kontroller og beslutningsgrundlag. En auditprofil bør især kunne vurdere, om organisationens påstande om AI-kontroller kan dokumenteres med evidens.

Der er også roller, hvor en egentlig AI-sikkerhedscertificering ikke bør være første skridt. Personer uden grundlæggende sikkerhedsforståelse kan med fordel starte bredere med identitet, netværk, risikostyring og incident response, før de specialiserer sig i AI. Tilsvarende kan ikke-tekniske profiler have brug for et AI-grundlag, før de går videre til governance og audit; emner som datagrundlag, modeloutput, bias, forklarbarhed og AI-etik er svære at styre uden begrebsmæssig forståelse.

Dansk og europæisk kontekst ændrer prioriteringen

Danske organisationer arbejder i en europæisk reguleringsramme, hvor AI-sikkerhed, databeskyttelse og operationel robusthed griber ind i hinanden. GDPR er fortsat central, især når AI-løsninger behandler personoplysninger eller bygger på data, der kan knyttes til individer. Datatilsynets vejledninger og praksis bør derfor læses sammen med tekniske sikkerhedskrav, ikke efter at løsningen er bygget.

NIS2 påvirker også prioriteringen, fordi direktivet skærper forventningerne til risikostyring, ledelsesansvar og sikkerhedsforanstaltninger i omfattede organisationer. Når AI bruges i overvågning, automatisering, kundevendte systemer eller interne beslutningsprocesser, bør sikkerhedsfunktionen kunne forklare, hvordan AI-risici indgår i den samlede styring. Læsere, der arbejder med dette område, kan med fordel supplere med baggrund om NIS2 og sikkerhedsfunktionen.

EU AI Act føjer endnu et lag til vurderingen, fordi den introducerer risikokategorier og krav til bestemte AI-systemer. Det gør governancekompetencer mere efterspurgte i mange organisationer, især hvor AI indgår i processer med betydning for borgere, kunder, medarbejdere eller kritiske forretningsbeslutninger. Samtidig efterspørger SOC- og sikkerhedsteams mere konkret viden om LLM-trusselsbilledet, fordi generativ AI påvirker både angrebsmetoder og interne sikkerhedsværktøjer.

Denne artikel giver faglig kontekst og praktiske overvejelser, men den er ikke juridisk rådgivning. Ved konkrete vurderinger af GDPR, EU AI Act, kontrakter eller sektorregler bør organisationen involvere relevante juridiske og complianceansvarlige.

Forberedelse uden de typiske fejlspring

Den største fejl er at læse meget teori uden at bygge noget, teste noget eller dokumentere noget. AI-sikkerhed læres bedst, når begreberne kobles til konkrete arbejdsprodukter: et trusselsbillede for en AI-løsning, et modelkort, et DPIA-udkast, en evalueringsplan eller en simpel red-team rapport for en LLM-applikation. Den slags artefakter gør kompetencen synlig for både arbejdsgivere og interne interessenter.

En anden fejl er at forveksle governance med teknik. Governance uden teknisk forståelse bliver let til politikdokumenter uden effekt, mens teknik uden governance kan føre til løsninger, der er svære at forklare, auditere eller lovliggøre. Certificeringsforberedelse bør derfor indeholde begge perspektiver, også selv om vægten afhænger af rollen.

En praktisk studieplan kan begynde med AI- og sikkerhedsgrundlag, fortsætte med den relevante certificeringsretning og afsluttes med et lille porteføljeprojekt. En SOC-profil kan analysere prompt injection og udarbejde et incident playbook. En GRC-profil kan kortlægge en AI-løsning mod NIST AI RMF 1.0 og beskrive kontroller. En auditprofil kan udarbejde et auditprogram for modelstyring. En Azure-profil kan bygge en kontrolleret prototype og dokumentere adgang, logging og evaluering.

Instruktørledt træning kan være nyttig, når emnet spænder over både regulering, sikkerhedsarkitektur og teknisk implementering. Readynez kan i den sammenhæng være en praktisk mulighed for professionelle, der vil kombinere struktureret eksamensforberedelse med diskussion af virkelige sikkerhedsscenarier; nogle vælger eksempelvis ubegrænset træning eller den engelske oversigt over unlimited training, når de vil dække flere sikkerheds- og cloudområder over tid.

Ofte stillede spørgsmål om AI-sikkerhedscertificering

Hvilken AI-sikkerhedscertificering er den rigtige for en dansk GRC-profil?

En GRC-profil bør typisk se mod AI-governance og risikostyring frem for ren modeludvikling. IAPP AI Governance Professional er relevant, når arbejdet handler om ansvarlig AI, politikker, dokumentation, databeskyttelse og regulatorisk koordinering. NIST AI RMF 1.0, ISO/IEC 23894, GDPR og EU AI Act bør bruges som faglig ramme omkring certificeringen.

Hvilken certificering passer bedst til en Azure-ingeniør?

En ingeniør, der bygger AI-løsninger i Microsoft Azure, bør overveje Microsoft Certified: Azure AI Engineer Associate med eksamenskoden AI-102. Den er mere relevant end en generel governancecertificering, når opgaven er at implementere AI-services, integrere løsninger og forstå platformens tekniske muligheder og begrænsninger.

Findes der én samlet AI-sikkerhedscertificering, der dækker alt?

Nej, ikke på en måde der passer lige godt til alle roller. AI-sikkerhed spænder over teknik, governance, audit, databeskyttelse og sikkerhedsdrift, så en enkelt certificering vil altid vægte nogle områder højere end andre. Derfor bør valget tage udgangspunkt i jobfunktion, teknologistak og complianceansvar.

Skal en SOC-analytiker vælge governance eller teknik?

En SOC-analytiker bør normalt prioritere teknisk forståelse af AI-relaterede trusler, detektion, misbrug af LLM'er, prompt injection og incident response. Governance er stadig relevant, fordi organisationens politikker påvirker, hvad der må logges, testes og automatiseres, men den primære værdi ligger ofte i at kunne undersøge og reagere på konkrete hændelser.

Hvordan kan en certificering bruges i jobsøgning eller intern opkvalificering?

Certifikatet dokumenterer et fagligt niveau, men det bliver stærkere sammen med praktiske artefakter. En lille portfolio med en AI-threat model, et DPIA-udkast, et modelkort, en evalueringsplan eller en red-team rapport gør kompetencen lettere at vurdere for en arbejdsgiver eller leder.

Det rigtige valg begynder med arbejdet, ikke certifikattitlen

AI-sikkerhed er blevet et tværfagligt ansvar, hvor certificeringer kun skaber værdi, når de matcher rollen. Governance-profiler skal kunne omsætte krav og rammeværker til styring. Auditprofiler skal kunne vurdere evidens. Ingeniører skal kunne bygge og sikre løsninger. SOC-teams skal kunne forstå AI-relaterede angreb og reagere på dem i drift.

Readynez tilbyder blandt andet Unlimited Security Training for professionelle, der vil arbejde struktureret med sikkerhedskompetencer over tid. Det vigtigste næste skridt er dog at formulere den konkrete arbejdssituation først: Hvilke AI-systemer skal beskyttes, hvilke krav gælder, hvilke artefakter skal kunne leveres, og hvilken certificering dokumenterer netop den kompetence bedst?