IVSZ AI Kompetencia Központ hírek

Új ENISA iránymutatás segíti a CRA teljesítését: mit kell tudniuk a szoftverfejlesztőknek?

Written by dr. Kóródi Balázs | 2026. nov. 17. 9:48:24

Mi a helyzet az AI komponenst tartalmazó termékekkel?

Az ENISA kifejezetten a hagyományos szoftver-összetevőkre koncentrál. Az útmutató maga rögzíti, hogy nem foglalkozik az AI-BOM (AI Bill of Materials), HBOM (Hardware Bill of Materials) vagy CBOM (Cryptographic Bill of Materials) megoldásokkal, mert ezeket – bár közös elveken alapulhatnak – külön sajátosságaik miatt hatókörén kívülinek tekinti. Az AI-komponenst tartalmazó termék dokumentálására vonatkozó kérdés ugyanakkor különösen aktuális a generatív AI-rendszerek és az AI-alapú szoftvertermékek gyors terjedése miatt.

A CRA szempontjából önmagában az a tény, hogy egy termék mesterséges intelligenciát használ, nem jelenti azt, hogy a gyártóra eltérő vagy enyhébb kiberbiztonsági követelmények vonatkoznának. Ha a termék a CRA hatálya alá tartozó, digitális elemeket tartalmazó terméknek minősül, akkor ugyanúgy teljesíteni kell az I. melléklet II. részében meghatározott sérülékenységkezelési követelményeket, beleértve a komponensek azonosítását és dokumentálását is. A CRA szövege nem tesz különbséget „hagyományos” és „AI” szoftverkomponensek között.

CRA és AI Act: hol találkozik a két jogszabály?

Egy AI-t tartalmazó, összekapcsolt termékre jellemzően mindkét rendelet vonatkozik, de más-más szempontból: a CRA a termék kiberbiztonságát szabályozza, az AI Act az AI-rendszer kockázati besorolása alapján a rendszerrel és annak szolgáltatójával (és az értéklánc egyéb szereplőivel) szemben támasztott általános megfelelési követelményeket.

Az, hogy a két szabályozás milyen viszonyban áll egymással, azon múlik, hogy az AI-rendszer az AI Act szerint nagy kockázatúnak minősül-e.

a) Nagy kockázatú AI-rendszer: a két jogszabály összekapcsolódik

A kapcsolatot a CRA 12. cikke (és annak reflexiójaként az AI Omnibus révén az AI Act új 42. cikk 3. bekezdése) teremti meg:

  • Ha a CRA hatálya alá eső, nagy kockázatú AI-rendszernek minősülő termék megfelel a CRA I. melléklet I. részének (alapvető kiberbiztonsági követelmények), a gyártó folyamatai megfelelnek a II. résznek (sérülékenységkezelés), és a CRA szerinti EU-megfelelőségi nyilatkozat igazolja, hogy az AI Act 15. cikke által megkívánt kiberbiztonsági védelmi szint teljesül, akkor a termék az AI Act 15. cikkének kiberbiztonsági követelményeit teljesítettnek kell tekinteni.
  • Az értékelésnél főszabály szerint az AI Act 43. cikke szerinti eljárás alkalmazandó, és az AI Act szerint kijelölt, a CRA 39. cikke szerinti feltételeknek is megfelelő testület a CRA-követelményeket is vizsgálhatja, így nem kell két párhuzamos vizsgálat. Szűk kivétel: egyes, a CRA III–IV. melléklete szerinti fontos vagy kritikus termékeknél, ha az AI Act szerint belső ellenőrzés (VI. melléklet) alkalmazandó, úgy a CRA saját eljárásai irányadók a CRA-követelményekre.
  • A fentiek csak a kiberbiztonsági követelményekre vonatkoznak. Az AI Act 15. cikkének pontosságra és robusztusságra vonatkozó elvárásait külön kell teljesíteni, és a CRA-megfelelés az AI Act többi elvárását sem váltja ki (kockázatkezelés, adatminőség, műszaki dokumentáció, naplózás, emberi felügyelet). A CRA műszaki dokumentációja, benne az SBOM, értékes bizonyíték lehet a kiberbiztonsági résznél, de nem helyettesíti a teljes AI Act-os dokumentációt.
  • az SBOM a CRA szerinti komponensazonosítás és sérülékenységkezelés elsődleges eszköze, és az AI-modell azonosító adatait is tartalmazza;
  • az AI-BOM az AI-rendszerre vonatkozó további, speciális információkat rögzíti; nagy kockázatú rendszernél ezt az AI Act dokumentációs követelményei amúgy is megkívánják, egyéb esetben jó gyakorlat;
  • a két eszköz egymást kiegészíti, és a gyakorlatban egyetlen eszközben, akár közös formátumban kezelhető.
  • ENISA Technical Advisory – Software Bill of Materials (v1.10, 2026. október)

Az AI Act dokumentációs elvárásai a nagy kockázatú rendszerekre amúgy is kötelezőek: a műszaki dokumentációnak (IV. melléklet) tartalmaznia kell a rendszer elemeit és fejlesztési folyamatát, a tanítóadatok jellemzőit, valamint a rendszer teljesítményére és korlátaira vonatkozó információkat. Ezek gyakorlatilag az AI-BOM tartalmának nagy részét lefedik.

Érdemes a határidőket is egymás mellé tenni. A CRA általános alkalmazása 2027. december 11-én kezdődik. Az AI Act III. melléklete szerinti nagy kockázatú rendszerekre vonatkozó kötelezettségek 2027. december 2-től alkalmazandók, a szabályozott termékekbe épített, I. melléklet szerinti rendszereknél 2028. augusztus 2-től. Így a két rendelet együttes, vagy külön-külön kötelező alkalmazása szinte egy időben, vagy rövid időn belül fog bekövetkezni.

 

b) Nem nagy kockázatú AI-rendszer: az AI Act e téren nem játszik szerepet, a CRA viszont teljes egészében alkalmazandó ez esetben is

A nem nagy kockázatú AI-rendszerekre az AI Act nem ír elő az összetevők vagy a tanítóadatok strukturált nyilvántartására irányuló kötelezettséget (rájuk főként az AI-jártassági szabályok, az 50. cikk átláthatósági szabályai és az önkéntes magatartási kódexek vonatkoznak). Az AI-BOM itt tehát nem jogszabályi elvárás, hanem esetleg szabványokon, vagy jó gyakorlatokon alapuló, önként vállalt AI-governance elem.

A CRA ettől függetlenül teljes egészében alkalmazandó. Az AI-modell a termék része, ezért a CRA szövege alapján megalapozott az az értelmezés, hogy az SBOM-nak legalább azonosítási szinten tartalmaznia kell: a modell nevét és verzióját, szállítóját vagy eredetét, egyedi azonosítóját vagy fájl-hash-ét (digestjét), licencét, valamint a futtatásához szükséges keretrendszert és runtime-ot.

Ezek egyúttal az AI-BOM legfontosabb elemei is: az AI-BOM magja így az SBOM-ban jelenik meg. A modell azért sem pusztán adminisztratív kérdés, mert a modellfájl cseréje vagy manipulálása, illetve a modellbetöltő és a futtatókörnyezet sérülékenysége ugyanolyan biztonsági kockázat, mint bármely más komponensé. Ha pedig a termék külső (felhőben futó) modell-API-t használ, azt is célszerű és érdemes komponensként rögzíteni, és a külső összetevőkre vonatkozó kellő gondosság körében értékelni.

Az ennél részletesebb AI-BOM-adatok, amelyek már túlmutatnak az azonosításon, az SBOM-ot kiegészíthetik, de annak nem feltétlenül szükséges elemei. Ezt az alábbi táblázat szemlélteti:

SBOM (CRA-alap, azonosítási szint)

AI-BOM (kiegészítő)

Modell: név, verzió, szállító/eredet, hash vagy digest, licenc

AI-keretrendszer és futtatókörnyezet (pl. TensorFlow Lite, PyTorch), pontos verzióval

Operációs rendszer, könyvtárak, adatbázisok, saját kód, tranzitív függőségek

Külső szolgáltatások (pl. modell-API)

Alapmodell megnevezése

Tanító-, validációs és tesztadatkészletek forrása

Finomhangolás (fine-tuning) folyamata és jellemzői

Modellkártya, teljesítményjellemzők

Ismert korlátok és kockázatok, torzításra és megbízhatóságra vonatkozó információk

Technikailag nem feltétlenül két külön dokumentumról van szó: a CycloneDX ML-BOM képességet kínál modell- és adatkészlet-komponensekhez, az SPDX 3.x pedig AI-profilt tartalmaz, így az SBOM és az AI-BOM ugyanabban a formátumban, akár egy állományban is kezelhető.

Honnan szerezhetők az AI-BOM adatai? Ha a termék harmadik féltől származó, általános célú AI-modellt (GPAI) használ, a modell szolgáltatója az AI Act 53. cikke és XII. melléklete alapján köteles a modellt beépítők rendelkezésére bocsátani a modell leírását és fejlesztési folyamatának adatait (többek között az architektúrát, a paraméterek számát, a modalitást, a licencet, a tanítóadatok típusát és eredetét). Ez jó kiindulópont az AI-BOM kitöltéséhez. Ez a kötelezettség nem terheli a szabad és nyílt forráskódú licenc alatt, nyilvános paraméterekkel kiadott (és rendszerszintű kockázatot nem jelentő GPAI-modellek) szolgáltatóit. Az AI Act modellszintű dokumentációs kötelezettséget GPAI-modelleken túlmenően (például klasszikus gépi tanulási modellekre) nem ír elő, a CRA komponensfogalma viszont szélesebb, így ezek is a termék komponensei. Ezekben az esetekben a modellkártyára kell támaszkodni, és szükség esetén szerződésben rögzíteni a saját dokumentációhoz szükséges információkat.

Gyakorlati példa:

Tegyük fel, hogy egy internetkapcsolattal rendelkező okoskamera személyfelismerési funkciót alkalmaz.

Az SBOM komponensenként rögzíti a nevet, a pontos verziót, a szállítót, az azonosítót (PURL/CPE), a hash-t, a licencet és a függőségi viszonyt, és tartalmazhatja többek között:

  • a bootloadert;
  • az operációs rendszert és annak összetevőit (kernel, rendszerkönyvtárak, rendszerszoftver-csomagok): a beágyazott build-rendszerek, például a Yocto, ezt a csomaglistát automatikusan elő tudják állítani;
  • a titkosításért és a biztonságos kommunikációért felelős kriptográfiai és hálózati könyvtárakat, pontos verzióval;
  • a képfeldolgozásért, videókezelésért és kódolásért felelős könyvtárakat;
  • a futtatókörnyezeteket és azok csomagjait;
  • az AI-keretrendszert és az inferencia-futtatókörnyezetet, pontos verzióval;
  • a személyfelismerő modellt: név, verzió, szállító vagy eredet, a modellfájl hash-e (pl. SHA-256), licenc;
  • a gyártó saját alkalmazáskódját és annak tranzitív függőségeit, valamint a használt külső szolgáltatások SDK-it.

Ez a felsorolás szándékosan rövid: egy valós eszköz SBOM-ja több száz komponenst tartalmaz, és az ENISA a tranzitív függőségek rögzítését is javasolja.

Az AI-BOM ezen felül részletezheti az alapmodellt, a tanító adatkészletek eredetét, a finomhangolás körülményeit, a modell ismert működési korlátait, valamint a kapcsolódó modellkártyát vagy dokumentációt.

Az, hogy a személyfelismerő funkció az AI Act szerint nagy kockázatú-e, a konkrét funkciótól és felhasználási céltól függ (biometrikus rendszerek, III. melléklet). Ha nagy kockázatú, akkor a CRA 12. cikke szerinti úton haladhat a gyártó, és az AI-BOM jellegű információt az AI Act műszaki dokumentációja amúgy is megköveteli. Ha nem, az AI-BOM jó gyakorlat, a modell azonosítása az SBOM-ban azonban a CRA alapján így is indokolt. A CRA oldalán pedig érdemes figyelembe venni, hogy a III. melléklet a biztonsági funkciójú okosotthon-termékeket (például biztonsági kamerákat) „fontos termékként” (I. osztály) nevesíti, ami szigorúbb megfelelőségértékelési utat jelenthet.

Mit jelent ez a gyártók számára?

A CRA jelenlegi szövegéből nem következik egyértelműen, hogy az AI-modell mint komponens kívül esne az SBOM hatókörén. Ezzel szemben kifejezetten megalapozott az az értelmezés, hogy a termék részét képező AI-modell legalább azonosítási szinten a dokumentálandó összetevők közé tartozik. Az ENISA útmutatójának tárgyi hatálya (AI-BOM, HBOM, CBOM kizárása) nem feltétlenül jelent állásfoglalást arra nézve, hogy az AI-rendszerek mely elemei tartozhatnak az SBOM-ba.

A jelenlegi szabályozási környezet alapján a leginkább megalapozott megközelítés az, hogy:

Összegzés: Mit érdemes most tenni a fejlesztőknek?

A CRA-ra készülő szervezetek számára az ENISA útmutatója elsősorban a 2027. decemberi teljes alkalmazásra való felkészüléshez jó kiindulópont egy megfelelési program kialakításához; de a már most kötelező jelentéstételben is segíthet. Az általános alkalmazásig nagyjából egy év van hátra. Javasolt teendők:

  1. Térképezd fel a komponenseket, a teljes stacken. Ne állj meg a csomagkezelők (npm, Maven, pip) függőségeinél: számítson a beágyazott réteg (OS-csomagok, bootloader, bináris blobok, vendor SDK-k), a konténer-image-ek, a modell- és adatfájlok és a külső szolgáltatások is.
  2. Állítsd be az automatikus SBOM-generálást a buildben. Minden kiadáshoz készüljön SBOM CycloneDX vagy SPDX formátumban (a formátumot és a verziót rögzítsd). A CRA minimumkövetelménye a géppel olvasható SBOM legalább a felső szintű függőségekről szól, de javasolt a tranzitív függőségek és a build-metaadatok rögzítése is.
  3. Azonosítsd pontosan a komponenseket. Használj PURL/CPE azonosítót, pontos verziót, hash-t és licencet; az AI-modellnél legalább a nevet, a verziót, az eredetet és a fájl-hash-t.
  4. Validálj és írj alá a pipeline-ban. Az érvénytelen vagy hiányos SBOM esetén a build a korrekcióig nem folyhat; az aláírt SBOM-ot kösd hash-sel az adott artifacthoz.
  5. Tárold, őrizd és védd az SBOM-ot. Verziózott, manipulálásnak ellenálló, hozzáférés-korlátozott tárolóban, a támogatási időszakra szóló megőrzéssel; alapértelmezésben ne legyen nyilvános.
  6. Kösd össze a sérülékenységkezeléssel. Folyamatos egyeztetés sérülékenységi adatbázisokkal (pl. OSV), automatizált figyelés (pl. Dependency-Track, Grype, Trivy), VEX a priorizáláshoz. Jelöld ki, ki dönt az „aktívan kihasznált” sérülékenységről, és hogyan jut el a jelentés a 2026. szeptember 11. óta működő egységes bejelentési platformra (24/72 óra).
  7. Kezeld az AI-komponenseket külön leltárban. Vezess modellleltárat verziókkal és hash-ekkel, használj AI-BOM sablont (CycloneDX ML-BOM vagy SPDX AI-profil), és kérd el a modell szállítójától az elérhető dokumentációt. Döntsd el, hogy a termék az AI Act szerint nagy kockázatú-e, mert ez határozza meg a dokumentációs és megfelelőségértékelési utat.
  8. Teszteld éles helyzetben. Egy jó stressz-teszt: ha holnap nyilvánosságra kerül egy sérülékenység egy kulcsfontosságú komponensben, 24 órán belül meg tudod-e mondani, mely termékverziókat érinti? Ha nem, az SBOM még nem működik sérülékenységkezelési eszközként.

Források

Az IVSZ AI Kompetencia Központ AI governance és megfelelési támogatása segít végiggondolni ezeket a kérdéseket a saját projektetekben. Így az ügyféllel már konkrét dokumentációs feladatokról és felelősségekről tudtok egyeztetni, és ezeket a fejlesztés, illetve az átadás tervezésénél is figyelembe vehetitek.

Hozd el a projekted kérdéseit: mit építetek be, milyen információ áll rendelkezésetekre, és mit vár tőletek az ügyfél az átadáskor?

A program feltételeinek megfelelő szoftverfejlesztő kkv-k a támogatást innovációs keretük terhére, készpénzforgalom nélkül vehetik igénybe. Regisztráció után közösen egyeztetjük, melyik szolgáltatás illeszkedik a projektetekhez.

Regisztrálj az IVSZ AI Kompetencia Központba, és az egyeztetésen jelezd: AI-t tartalmazó termék dokumentálásához és megfelelési kérdéseihez keresel támogatást.