Die KI-Governance-Confidence-Lücke ist eine Evidenzlücke

Nahezu jedes Unternehmen verfügt inzwischen über eine KI-Governance-Richtlinie – doch das allein sagt einer Aufsichtsbehörde kaum etwas darüber, ob ein KI-System auch tatsächlich gemäß dieser Richtlinie gehandelt hat. Eine Richtlinie ist eine Absichtserklärung. Beweise sind Aufzeichnungen darüber, was tatsächlich passiert ist. Die meisten Unternehmen sind beim Ersten deutlich besser aufgestellt als beim Zweiten.

Den klarsten Beleg lieferte der September 2026, als EY seine AI Risk and Governance Survey unter 202 leitenden KI-Entscheidungsträgern in US-Unternehmen veröffentlichte. Der EY-Bericht „Realizing potential: confidence in AI“ ergab, dass 98 Prozent eine KI-Governance-Richtlinie haben und 47 Prozent den eigenen Governance-Prozess für eine dringende Implementierung umgangen haben. Die gleichen Führungskräfte, die die Richtlinie verfasst haben, gaben zu, sie umgangen zu haben. Compliance Week griff diesen Befund als zentrales Warnsignal für Compliance-Teams auf.

Für einen CISO oder Chief Compliance Officer zählt vor allem der Abstand zwischen diesen beiden Zahlen. Eine Richtlinie, die unter Druck umgangen wird, kann keinen auditierbaren Nachweis liefern, denn genau in diesem Moment fehlt die Aufzeichnung. Dieser Beitrag zeigt, was die EY-Daten belegen, warum die Lücke strukturell und nicht kulturell bedingt ist und wie ein diszipliniertes Vorgehen auf der Datenebene – etwa mit Kiteworks secure data exchange – Governance von einem Dokument in überprüfbare Evidenz verwandelt.

Wichtige Erkenntnisse

1. Die Abdeckung durch Richtlinien ist nahezu vollständig – und genau das ist die Falle.

Da 98 Prozent der Unternehmen eine KI-Governance-Richtlinie besitzen, ist deren bloßer Besitz kein Unterscheidungsmerkmal mehr zwischen vorbereiteten und exponierten Unternehmen.

2. Das Umgehen von Richtlinien ist der wichtigste Indikator für fehlende Nachweise.

47 Prozent haben ihren eigenen Governance-Prozess für eine dringende Implementierung übersprungen – jeder übersprungene Schritt hinterlässt eine Lücke in der Nachweisführung.

3. Autonome Agenten vergrößern die Lücke am schnellsten.

Unter den Unternehmen, die agentische KI nutzen, betreiben 85 Prozent Systeme, die ohne Echtzeit-Beteiligung von Menschen agieren, während 49 Prozent ihr Governance-Framework für Agenten nicht angepasst haben.

4. Was Sie nicht sehen, können Sie nicht belegen.

41 Prozent der leitenden KI-Entscheidungsträger geben an, keine Transparenz über die KI-Nutzung zu haben, und 26 Prozent der Nutzer agentischer KI können unautorisierte Agenten nicht erkennen.

5. Regulierungsbehörden regulieren Daten, nicht Modelle.

Die verteidigungsfähige Antwort gegenüber einem Auditor ist ein manipulationssicherer Nachweis, der mit einem namentlich bekannten Verantwortlichen verknüpft ist – für jeden Zugriff eines KI-Systems auf regulierte Daten.

EY befragte die Verantwortlichen für das Risiko

Governance-Umfragen befragen häufig Praktiker, die ein oder zwei Ebenen von den Entscheidungen entfernt sind. EY wandte sich direkt an die leitenden KI-Entscheidungsträger – also jene, die Implementierungen freigeben und dafür geradestehen. Dadurch lassen sich die Ergebnisse nicht als bloße Wahrnehmung des mittleren Managements abtun.

Die Studie lief vom 28. Mai bis 15. Juni 2026 und bezieht sich ausschließlich auf US-Unternehmen. Mit 202 Befragten gibt EY eine Fehlerquote von plus/minus 7 Prozentpunkten an, sodass einzelne Zahlen als Richtwerte zu verstehen sind. Das Muster im Gesamtbericht ist entscheidend – und es ist eindeutig: Das Vertrauen in die Dokumentation ist hoch, das Vertrauen in die dahinterliegenden Prozesse gering.

Der Kontext ist hier entscheidend und sollte die Nutzung der Daten bestimmen. Eine reine US-Stichprobe sagt nichts über europäische oder arabische Unternehmen aus – und dieser Beitrag behandelt sie auch nicht so. In späteren Abschnitten wird gezeigt, wie Regulierungsbehörden in anderen Regionen auf ähnlichen Wegen zu denselben Erwartungen gelangen.

Die Abdeckung durch Richtlinien ist nahezu vollständig – und genau das ist die Falle

98 Prozent der Befragten geben an, irgendeine Form von KI-Governance-Richtlinie zu haben, und 69 Prozent sagen, diese sei unternehmensweit vereinheitlicht. Auf den ersten Blick klingt das nach einer Erfolgsgeschichte. Aus Sicht eines Compliance-Verantwortlichen ist es jedoch ein Warnsignal, denn derselbe Bericht zeigt, dass sich ebenfalls 69 Prozent Sorgen machen, dass ihrem Unternehmen die interne Expertise fehlt, um die Governance-Kontrollen weiterzuentwickeln.

Stellt man diese beiden 69-Prozent-Werte nebeneinander, ergibt sich ein klares Bild: Die Richtlinie existiert, sie ist auf dem Papier vereinheitlicht, aber die Verantwortlichen bezweifeln, dass ihre Teams sie aktuell halten können. Das beschreibt ein Dokument, das dem Unternehmen voraus ist.

Die Daten zu umgesetzten Kontrollen unterstreichen dies: Laut EY haben 75 Prozent Governance-Teams etabliert, 73 Prozent führen regelmäßige Überprüfungen durch, 72 Prozent setzen auf Human-in-the-Loop-Anforderungen, 71 Prozent bieten Schulungen an und 68 Prozent haben Eskalationsverfahren. Anforderungen an Anbieter liegen bei 65 Prozent, Datenherkunft bei 64 Prozent, formale Rahmenwerke und KI-Register jeweils bei 58 Prozent. All das sind Inputs. Keiner davon ist ein Output, den eine Aufsichtsbehörde prüfen kann.

Ein Prüfer fragt nicht, ob Sie ein Schulungsprogramm haben. Er verlangt, dass Sie für eine konkrete KI-Interaktion mit bestimmten regulierten Daten nachweisen, wer sie autorisiert hat, welche Richtlinie galt und was zurückgegeben wurde. Ein Input-lastiges Programm ohne passenden Nachweisstrom beantwortet keine dieser Fragen. Das ist die Falle der nahezu vollständigen Richtlinienabdeckung: Sie vermittelt ein Gefühl der Bereitschaft, ohne den Beweis zu liefern.

Das Umgehen von Richtlinien ist zunächst ein Durchsatzproblem, nicht ein Kulturproblem

Wenn 47 Prozent der Unternehmen zugeben, Governance für dringende Implementierungen umgangen zu haben, lautet die intuitive Diagnose: Disziplinversagen. Mitarbeiter nehmen Abkürzungen, Führungskräfte schauen weg, und die Lösung scheint mehr Schulung zu sein. Die Forschung zeigt jedoch einen anderen Ansatz.

Der OneTrust 2026 AI-Ready Governance Report, eine Umfrage unter 1.200 Entscheidungsträgern in acht Märkten im Juni und Juli 2026, ergab: 33 Prozent der Unternehmen stellten fest, dass Mitarbeiter nicht genehmigte KI nutzten, weil der genehmigte Weg zu langsam war. Weitere 31 Prozent entdeckten Use Cases erst, nachdem sie bereits im Einsatz waren. Menschen umgehen Prozesse, wenn diese mit dem Geschäftstempo nicht mithalten.

Damit wird das Umgehen zu einem Durchsatzproblem. Dauert eine Governance-Prüfung Wochen, während eine Fachabteilung in Tagen liefern muss, setzt sich die Deadline durch. Das Unternehmen hat dann eine Richtlinie auf dem Papier und eine ungeprüfte Implementierung im Betrieb – und der Nachweisstrom für diese Implementierung beginnt bei null.

Deshalb scheitern Appelle, während Architektur wirkt. Eine Kontrolle, die nur als Richtlinie existiert, hängt davon ab, dass sie jemand freiwillig befolgt. Eine Kontrolle, die am Punkt des Datenzugriffs durch ein KI-System greift, kann nicht durch eine Deadline umgangen werden – sie ist der Weg, den die Daten nehmen. Governance, die in den Datenaustausch integriert ist, beseitigt den Anreiz, sie zu umgehen. Der genehmigte Weg wird zum schnellsten, da Autorisierung, Richtlinienprüfung und Protokollierung direkt bei der Anfrage erfolgen – ohne Ticket in einer Warteschlange.

Agentische KI verwandelt eine Governance-Lücke in eine Handlungslücke

Ein Chatbot, der eine Frage beantwortet, ist ein Lesevorgang mit menschlicher Kontrolle. Ein Agent, der Code ausführt, Bestellungen tätigt oder auf Daten zugreift, ist etwas anderes: Er handelt – und das mit Maschinengeschwindigkeit über viele Systeme hinweg.

EY fand heraus, dass 91 Prozent der Befragten agentische KI in irgendeiner Form einsetzen. Davon sagen 85 Prozent, dass sie mindestens einige agentische Systeme betreiben, die ohne Echtzeit-Beteiligung von Menschen agieren, und 49 Prozent geben zu, ihr Governance-Framework nicht speziell auf agentische KI-Risiken angepasst zu haben. Weitere 26 Prozent können unautorisierte KI-Agenten im eigenen Unternehmen nicht erkennen.

Was bedeutet diese letzte Zahl in der Praxis? Bei etwa jedem vierten Nutzer agentischer KI könnte ein Agent laufen, den niemand genehmigt hat, der auf Daten zugreift, die niemand freigegeben hat – und das Unternehmen hat keinen Mechanismus, dies zu bemerken. Governance für ein System, das Sie nicht sehen, ist Hoffnung, keine Kontrolle.

Die Frage der Zuständigkeit verschärft das Problem. EY berichtet, dass 56 Prozent keinen einzigen Verantwortlichen für KI-Governance haben und 39 Prozent angeben, dass die Verantwortlichkeit für autonome Entscheidungen nicht definiert ist. Das spiegelt ein Muster wider, das sich durch die gesamte Unternehmens-KI-Forschung zieht: Wem das KI-Risiko gehört, ist ungeklärt – und das führt zu einem Verantwortlichkeitsvakuum.

Die Lösung besteht nicht darin, Agenten als neue Kategorie zu behandeln. Ein KI-Agent ist eine Identität, die im Auftrag einer Person agiert, und gehört ins gleiche Governance-Modell wie der Mensch, für den er arbeitet. Jede Aktion eines Agenten sollte auf einen namentlich bekannten Verantwortlichen zurückzuführen sein, nach denselben Datenrichtlinien bewertet werden und im gleichen Audit-Trail landen. Teilen sich Agenten und Menschen ein gemeinsames Identitätsmodell, gibt es immer eine Antwort auf die Frage „Wer hat das autorisiert?“. Laufen Agenten hingegen auf geteilten Service-Accounts oder nicht zuordenbaren Tokens, bleibt die Antwort aus.

Transparenz ist Voraussetzung – und 41 Prozent haben sie nicht

89 Prozent der EY-Befragten sagen, ihr Unternehmen sei bereits mit KI-Risiken konfrontiert worden. Cybersecurity-Risiken führen mit 52 Prozent, gefolgt von menschlichen Risiken mit 47 Prozent und Schatten-KI mit 46 Prozent. 36 Prozent berichten über einen tatsächlichen KI-bezogenen Vorfall. Dennoch geben 41 Prozent an, dass leitende KI-Entscheidungsträger keine Transparenz darüber haben, wie KI im Unternehmen eingesetzt wird.

Hier wird das Nachweisproblem konkret: Ein Audit-Trail kann nur das abbilden, was instrumentiert wurde. Erfolgt KI-Nutzung über nicht verwaltete Tools, persönliche Accounts oder Agenten außerhalb des Registers, gibt es kein Protokoll – und das Unternehmen kann Vorgänge bei einer Prüfung nicht rekonstruieren.

Auch eigene Untersuchungen von Kiteworks zeigen dies: Der Kiteworks Data Security and Compliance Risk: 2026 Annual Survey Report, eine Selbstauskunft von 459 Befragten im Juli 2026, ergab, dass 65 Prozent der Unternehmen Schatten-KI in ihrer Umgebung entdeckt hatten. Da es sich um Selbstauskünfte handelt, sind die Werte als Richtwerte zu sehen – sie entsprechen jedoch dem Muster der EY-Ergebnisse. Verdeckte KI-Nutzung ist verbreitet, und die Entdeckung erfolgt meist im Nachhinein.

Beachten Sie auch, was die EY-Zahl zum Register impliziert: Nur 58 Prozent verfügen über ein vollständiges KI-Register, weitere 39 Prozent sind im Aufbau. Ein Register ist ein Inventar – und das ist der Startpunkt für Nachweise. Autorisierungsnachweise können Sie nur für Systeme führen, die auf der Liste stehen. Register, Identitätsmodell und Audit-Trail sind drei Perspektiven auf ein Problem: zu wissen, was läuft, für wen und auf welche Daten.

Die praktische Lehre für CISOs: Behandeln Sie die Entdeckung nicht als Ziel, sondern als Ausgangspunkt. Schatten-KI zu finden ist hilfreich, aber die Compliance-Frage ist eine andere: Können Sie für jede KI-Interaktion mit regulierten Daten nachweisen, dass sie autorisiert, verschlüsselt und protokolliert wurde? Die Erkennung sagt, dass etwas passiert ist. Der Nachweis belegt gegenüber der Aufsicht, was passiert ist – und warum es erlaubt war.

Assurance-Reviews zeigen, dass Kontrollen unbemerkt versagen

Die Review-Daten von EY verdienen besondere Aufmerksamkeit, denn sie widerlegen die Annahme, dass Governance-Probleme selten sind. Unter den Unternehmen, die formelle KI-Assurance-Reviews durchführen, fanden 92 Prozent Probleme. Reviews sind häufig: 98 Prozent führen sie mindestens jährlich, 80 Prozent monatlich oder vierteljährlich durch – und sie haben Folgen. Im vergangenen Jahr gaben 64 Prozent an, dass mindestens ein Viertel der geprüften KI-Systeme erheblich modifiziert wurde, 29 Prozent pausierten mindestens ein Viertel und starteten sie später neu, und 25 Prozent stoppten mindestens ein Viertel vollständig.

Die häufigsten Probleme waren Datenqualitätsmängel (57 Prozent), Modelldrift (48 Prozent) und Schatten-KI (39 Prozent). Zwei dieser drei Punkte betreffen die Datenebene.

Das ist in gewisser Hinsicht ermutigend: Unternehmen schauen hin und handeln. Es ist aber auch ernüchternd: Die im Review aufgedeckten Probleme waren bis dahin unbemerkt und unkontrolliert. Eine Kontrolle, die erst im Rahmen einer periodischen Überprüfung greift, hat im Intervall unbemerkt versagt.

Betrachten Sie das Timing aus Sicht der Aufsicht: Eine Behörde akzeptiert nicht, dass ein Problem erst im Quartalsreview auffällt, wenn es monatelang bestand. Sie verlangt den lückenlosen Nachweis. Periodische Assurance und kontinuierliche Nachweise lösen unterschiedliche Aufgaben – ein reifes Programm braucht beides. Das Review zeigt, ob die Kontrollen gut gestaltet sind. Der Nachweisstrom zeigt, ob sie bei jeder Interaktion tatsächlich gewirkt haben.

Regulierungsbehörden regulieren Daten, nicht Modelle

Der stärkste Ansatz für Compliance-Verantwortliche ist auch der einfachste: Regulierungsbehörden regulieren Daten – und das Gesetz gilt unabhängig davon, ob ein Mensch oder ein KI-Agent darauf zugreift. HIPAA macht keine Ausnahme für Algorithmen, und auch die Datenschutz– und Sicherheitsvorgaben für Finanz-, Verteidigungs- und personenbezogene Daten gelten uneingeschränkt. Ein Agent, der auf geschützte Daten zugreift, löst dieselben Pflichten aus wie ein Mitarbeiter.

Dieses Prinzip zeigt sich bereits in aktuellen Gesetzen verschiedener Regionen. Die Details sind wichtig, daher hier die wichtigsten Punkte:

In Deutschland trat das NIS 2-Umsetzungsgesetz (NIS2UmsuCG) am 6. Dezember 2025 in Kraft. § 30 des geänderten BSI-Gesetzes regelt die Risikomanagementmaßnahmen, die betroffene Unternehmen umsetzen müssen, und § 38 überträgt die Pflicht zur Umsetzung und Überwachung dieser Maßnahmen auf die Geschäftsleitung. Die Verantwortung kann nicht delegiert werden – genau die Eigentumsfrage, mit der auch die EY-Befragten ringen.

In der EU trat die Digital Omnibus on AI, Verordnung (EU) 2026/1744, am 27. Juli 2026 in Kraft. Sie verschob das Anwendungsdatum für Annex-III-Hochrisiko-KI auf den 2. Dezember 2027 und für Annex-I-Systeme auf den 2. August 2028, während Transparenzpflichten nach Artikel 50 bereits seit dem 2. August 2026 gelten. Ein späteres Datum für eine Kategorie verschiebt nicht die Datenschutz-, Sicherheits- und Rechenschaftspflichten, die bereits für die verwendeten Daten gelten.

Im Vereinigten Königreich wurde der Cyber Security and Resilience Bill am 16. Juni 2026 im House of Commons verabschiedet und am 26. Oktober 2026 im House of Lords beraten; die dritte Lesung ist für den 2. November geplant. Parallel dazu verlangt das UK GDPR Accountability-Prinzip in Artikel 5(2) bereits heute, dass Verantwortliche Compliance nachweisen – nicht nur behaupten. Genau das ist die Kernaussage dieses Beitrags.

Die EY-Befragten spüren den Druck bereits: 72 Prozent sorgen sich, neue oder aufkommende KI-spezifische Vorgaben nicht zu erfüllen, und ebenso viele haben Bedenken, die Datenherkunft und Inputs, die kritische KI-Entscheidungsmodelle speisen, nachvollziehen oder prüfen zu können. Herkunft ist ein anderes Wort für Nachweis. Eine Aufsicht, die fragt, woher ein KI-Ergebnis stammt, verlangt die Kette der Datenzugriffe dahinter – und ein Unternehmen, das diese Kette nicht rekonstruieren kann, bleibt die Antwort schuldig.

Keines dieser Instrumente ist US-amerikanisches Recht, und die EY-Stichprobe ist US-only – sie messen also nicht dieselbe Grundgesamtheit. Sie zeigen aber die Richtung: Über alle Regionen hinweg fordern Regulierungsbehörden dasselbe. Zeigen Sie den Nachweis.

So sieht Disziplin auf der Datenebene aus

Wenn die Lücke eine Evidenzlücke ist, muss die Lösung Nachweise als Nebenprodukt des laufenden Betriebs erzeugen. Nachträglich Beweise aus fünf Systemen zusammenzusuchen, wenn die Aufsicht in Tagen Ergebnisse erwartet, ist genau das Muster, das Teams mit wochenlangen Nachweispaketen zurücklässt.

Eine funktionierende Disziplin im Betrieb besteht aus vier Elementen, die den Fragen eines Auditors entsprechen:

Identität, verknüpft mit einem menschlichen Verantwortlichen. Jede KI-Anfrage muss eine Identität tragen, die auf eine verantwortliche Person zurückzuführen ist. Das löst das Verantwortlichkeitsvakuum, denn auf die Frage „Wer hat das autorisiert?“ gibt es einen Namen statt eines Service-Accounts. Delegierte Autorisierung per OAuth 2.0 ist der Standardmechanismus und ermöglicht Agenten und Menschen ein gemeinsames, gesteuertes Identitätsmodell.

Richtlinienprüfung bei jeder Anfrage. Zugriffsentscheidungen sollten Daten, Anwender und Kontext zum Zeitpunkt der Anfrage berücksichtigen. Attributbasierte Zugriffskontrolle (ABAC) bewertet diese Attribute, sodass ein Agent für einen Arzt nur sieht, was dieser sehen darf – und nicht mehr. Das unterstützt auch die Datenminimierung, da der Agent niemals Daten erhält, für die er keine Freigabe hat.

Verschlüsselung nach Standard. Regulierte Daten in Bewegung und im ruhenden Zustand sollten mit FIPS 140-3-validierter Verschlüsselung geschützt werden, sodass die Kontrolle überprüfbar und nicht nur behauptet ist.

Manipulationssicherer Audit-Trail. Jede Interaktion sollte in einen Audit-Trail geschrieben werden, der nicht unbemerkt verändert werden kann und an Ihr SIEM weitergeleitet wird – so existiert der Nachweis, bevor jemand danach fragt.

Diese vier Kontrollpunkte sind der Ansatz, mit dem Kiteworks Compliant AI den KI-Zugriff auf regulierte Inhalte steuert – Richtlinien werden durch die Data Policy Engine durchgesetzt. Der Secure MCP Server ermöglicht es einer MCP-kompatiblen KI-Plattform, auf Unternehmensinhalte über denselben gesteuerten Pfad zuzugreifen – der genehmigte Weg ist also auch der konforme. Da die Kontrolle im Datenpfad und nicht im Modell selbst liegt, gilt sie für jedes neue KI-Tool, das das Unternehmen einsetzt.

Governance auf dieser Ebene verändert auch die Führungsperspektive: Ein CISO Dashboard, das KI-Zugriffe nach Identität, Richtlinie und Datenklasse anzeigt, liefert dem Vorstand eine Kennzahl zur operativen Wirksamkeit – genau das, was laut EY-Daten den meisten Unternehmen fehlt. So lässt sich das Programm an Frameworks wie die NIST CSF Govern Function anpassen und auf das Third-Party Risk Management ausweiten, wo 81 Prozent der EY-Befragten einen KI-gestützten Cyberangriff durch Dritte befürchten.

Eine ausführlichere Darstellung, wie diese Kontrollen ineinandergreifen, finden Sie in den Kiteworks-Guides zu AI Data Governance und Zero Trust für generative KI.

90-Tage-Startplan für Compliance-Verantwortliche

Disziplin beim Nachweis erfordert keinen kompletten Programm-Neustart. Eine fokussierte Abfolge bringt die meisten Unternehmen in einem Quartal von der Richtlinie zum Nachweis – und beginnt mit Fragen, die laut EY-Daten viele noch nicht beantworten können.

In den ersten 30 Tagen: Erstellen Sie das Inventar. Listen Sie jedes KI-System, Modell, jeden Agenten und jedes Drittanbieter-Tool auf, das mit regulierten Daten arbeitet – und benennen Sie für jedes einen verantwortlichen Menschen. Die Grundsatzfrage von EY ist der richtige Startpunkt: Können Sie ein vollständiges Inventar aller KI-Systeme, Modelle, Agenten und Drittanbieter-Tools vorlegen? Ist die Antwort nein, ist alles Weitere nicht nachweisbar.

In den Tagen 30 bis 60: Verlegen Sie die Kontrolle in den Datenpfad. Leiten Sie KI-Zugriffe auf regulierte Inhalte über einen gesteuerten Austausch, sodass Identität, Richtlinienprüfung und Protokollierung bei jeder Anfrage erfolgen. Damit beseitigen Sie auch den Grund, Governance zu umgehen: Ist der genehmigte Weg der schnellste, verliert der Zeitdruck, der zu den 47 Prozent führt, seine Wirkung.

In den Tagen 60 bis 90: Testen Sie den Nachweis. Wählen Sie eine regulatorische Anfrage, etwa „Zeigen Sie alle KI-Zugriffe auf einen definierten Datensatz der letzten 30 Tage, mit verantwortlicher Person für jeden Zugriff.“ Messen Sie die Antwortzeit. Dauert es Tage, um Protokolle manuell zusammenzustellen, ist die Lücke noch offen. Geht es per Abfrage, haben Sie Disziplin im Betrieb. Wiederholen Sie den Test quartalsweise und berichten Sie das Ergebnis dem Vorstand zusammen mit den Review-Ergebnissen.

Eine Warnung gilt durchgehend: Lassen Sie den Plan nicht zum weiteren Dokument werden. Ziel ist, jede Kontrolle in einen Nachweis zu verwandeln, den Dritte ohne Ihre Hilfe prüfen können.

Erfahren Sie mehr darüber, wie Sie prüfbereite Nachweise für KI-Agenten-Zugriffe auf regulierte Daten erzeugen – vereinbaren Sie jetzt eine individuelle Demo.

Weitere Ressourcen

• Blogbeitrag
  Zero‑Trust-Strategien für erschwinglichen KI-Datenschutz
• Blogbeitrag
  Wie 77 % der Unternehmen bei der KI-Datensicherheit scheitern
• eBook
  KI-Governance-Lücke: Warum 91 % der kleinen Unternehmen 2025 russisches Roulette mit Datensicherheit spielen
• Blogbeitrag
  Für Ihre Daten gibt es kein „–dangerously-skip-permissions“
• Blogbeitrag
  Regulierungsbehörden fragen nicht mehr nach einer KI-Richtlinie. Sie wollen den Beweis, dass sie funktioniert.