KI-Agenten-Governance ist zu einer Frage des Nachweismanagements geworden
Ein KI-Agent, der vertrauliche Daten verarbeitet, muss genauso überwacht werden wie der Mitarbeiter, der ihn autorisiert hat – viele Unternehmen können dies jedoch noch nicht nachweisen. Das Problem liegt nicht im Mangel an Richtlinien, sondern im Fehlen von Nachweisen, dass diese Richtlinien tatsächlich in dem Moment durchgesetzt wurden, in dem ein Agent einen Datensatz gelesen, verschoben oder verändert hat.
Eine Umfrage von Foundry und Rubrik, veröffentlicht in einem von Rubrik gesponserten CIO BrandPost vom 29. Oktober 2026, liefert Zahlen zu dieser Lücke. Von 200 IT- und KI-Entscheidungsträgern gaben 38 Prozent an, dass Agenten Daten exfiltriert oder einen unerwünschten Datenabfluss verursacht haben, und 42 Prozent nannten Governance, Leitplanken und Compliance als Hürden bei der Implementierung von Agenten. Lesen Sie diese Zahlen mit Vorsicht, da die Quelle gesponsert und die Stichprobe klein ist – aber beachten Sie, wie konsistent sie mit anderen Studien der letzten sechs Monate sind.
Für einen CISO, Chief Compliance Officer oder Datenschutzbeauftragten ist die entscheidende Frage dieselbe, die auch eine Aufsichtsbehörde stellen würde: Wer war der Anwender, unter welcher Autorität handelte der Agent und wo ist das Prüfprotokoll? Dieser Beitrag trennt, was die Foundry- und Rubrik-Umfrage belegen kann und was nicht, stellt die Ergebnisse denen von EY und anderen gegenüber und beschreibt das Nachweispaket, das es einem Unternehmen ermöglicht, Agenten und Menschen nach denselben Regeln zu steuern. Außerdem wird erläutert, wie Kiteworks Compliant AI und die Kiteworks Control Plane eingebunden werden, wenn der Nachweis auf der Datenebene erbracht werden muss.
Wichtige Erkenntnisse
1. Das Umfragesignal ist real, aber die Quelle ist ein Sponsor.
Eine von Rubrik gesponserte Umfrage unter 200 Entscheidungsträgern berichtet, dass 38 Prozent einen durch einen Agenten verursachten Datenabfluss bestätigt haben. Das ist ein Grund, die eigenen Kontrollen zu testen, aber kein Fakt, der als Branchenmaßstab zitiert werden sollte.
2. Autonomie ist steuerbar, fehlende Attribution nicht.
Agenten sind eine zweite Identitätsklasse, die neben Menschen gesteuert werden muss – jede Aktion muss einer verantwortlichen Person zugeordnet werden können.
3. Governance ist der genannte Engpass.
Studien von EY und anderen zeigen, dass Richtlinien weit verbreitet sind, während operative Kontrolle und Verantwortlichkeit hinterherhinken.
4. Bestehende Datenregeln gelten bereits für Agenten.
HIPAA, DSGVO und branchenspezifische Vorgaben machen keinen Unterschied zwischen automatisiertem und menschlichem Zugriff auf regulierte Daten – der Nachweisstandard für einen Agenten ist derselbe wie für einen Menschen.
5. Nachweis schlägt Absicht.
Unternehmen, die innerhalb weniger Stunden einen einheitlichen, nachvollziehbaren Nachweis über Agenten-Zugriffe auf Daten liefern können, beantworten Anfragen, an denen andere scheitern.
Was die Foundry- und Rubrik-Umfrage aussagt
Der BrandPost berichtet, dass Agenten mit voller Autonomie (26 Prozent) oder eingeschränkter Autonomie (35 Prozent) agieren dürfen. 42 Prozent nennen Governance, Leitplanken und Compliance als Hürden bei der Agenten-Implementierung, und 24 Prozent sehen Sicherheit und Governance als das größte Hindernis für die Skalierung von Agenten. 38 Prozent bestätigen, dass ein Agent Daten exfiltriert oder einen unerwünschten Datenabfluss verursacht hat, und fast die Hälfte hatte bereits mit Agenten oder Chatbots zu tun, die falsche oder ungenaue Informationen weitergaben.
Nun zu den Einschränkungen: Der Beitrag ist ein von Rubrik gesponserter BrandPost – Rubrik verkauft Governance- und Recovery-Lösungen für Agenten – und der Artikel nennt weder den Befragungszeitraum noch die Auswahlkriterien der Teilnehmer. Eine Stichprobe von 200 Personen reicht nicht für branchenweite Aussagen. Die 38-Prozent-Zahl basiert auf den eigenen Angaben der Befragten, und der Artikel definiert nicht, was als Datenabfluss gilt oder wie dieser bestätigt wurde.
Diese Einschränkungen machen die Ergebnisse nicht nutzlos, sondern zu einer Hypothese, die Sie in Ihrer eigenen Umgebung testen sollten. Wenn fast zwei von fünf Befragten bereits einen Datenabfluss durch einen Agenten erlebt haben, stellt sich für alle anderen die Frage, ob sie es überhaupt bemerken würden. Ein Datenabfluss, den niemand entdeckt, taucht in keiner Umfrage auf.
Die strukturelle Lesart ist hilfreicher: Die Befragten geben Agenten echte Autonomie, nennen aber Governance als Hauptproblem. Diese beiden Fakten zusammen beschreiben ein Programm, das schneller wächst als seine Nachweisbasis.
Autonomie ist nicht das Problem, sondern die Attribution
Es ist verlockend, 26 Prozent volle Autonomie als Warnsignal zu lesen, dass Agenten unkontrolliert agieren. Die wichtigere Frage ist jedoch, ob jede autonome Aktion einer verantwortlichen Person und einer geltenden Richtlinie zugeordnet werden kann. Ein Agent, der im Rahmen einer delegierten Autorität handelt, ist normaler Bestandteil moderner Arbeit. Ein Agent ohne dokumentierte Delegation ist ein Compliance-Problem.
Die EY-Umfrage verdeutlicht das: In der EY US AI Risk and Governance Survey vom 15. September 2026 gaben 85 Prozent der Nutzer agentischer KI an, mindestens einige Systeme zu betreiben, die ohne Echtzeit-Eingriff durch Menschen handeln. Die Umfrage bezieht sich auf leitende KI-Entscheider in US-Unternehmen mit mindestens 1 Milliarde Dollar Umsatz und beschreibt somit große Unternehmen, nicht den Gesamtmarkt. EY ist zudem ein Prüfungsunternehmen mit eigenem Interesse am Thema.
Echtzeit-Eingriff durch Menschen ist nicht das Kriterium für Kontrolle. Niemand prüft jede Datenbankabfrage eines vertrauenswürdigen Mitarbeiters. Akzeptabel ist das, weil der Mitarbeiter eine eindeutige Identität, eine Rolle, passende Berechtigungen und einen Audit-Trail hat. Dasselbe Prinzip muss für Agenten gelten: Ein Agent ist eine zweite Identitätsklasse neben menschlicher Identität, unterliegt denselben Richtlinien, und der Mensch, der ihn autorisiert, bleibt verantwortlich.
Das verändert die Anforderungen an das Design: Ziel ist nicht, Agenten zu verlangsamen, damit jemand auf „Genehmigen“ klicken kann. Ziel ist, dass ein Agent nie mehr Rechte hat als der Anwender, der ihn autorisiert, jede Aktion diesem Anwender zugeordnet wird und der Nachweis nicht stillschweigend verändert werden kann. Sind diese Bedingungen erfüllt, ist Autonomie ein Produktivitätsmerkmal. Fehlen sie, entsteht ein unprotokollierter Zugriffspfad.
Governance ist der genannte Engpass – und der Audit-Trail zeigt es
Die 42 Prozent, die Governance als Hürde nennen, beschreiben ein Problem, das die EY-Daten erklären. Dieselbe EY-Umfrage ergab, dass 98 Prozent der Befragten formale KI-Governance-Richtlinien haben und 69 Prozent eine vollständig einheitliche Richtlinie, aber 47 Prozent berichten, dass ihr Unternehmen die Governance-Prozesse bei dringenden Implementierungen umgangen hat. Unter den Nutzern agentischer KI sagen 49 Prozent, dass ihr Governance-Rahmen nicht speziell für agentische KI-Risiken aktualisiert wurde.
Setzt man diese Zahlen zusammen, ergibt sich ein Muster: Richtlinien existieren, die Umsetzung unter Zeitdruck ist ungleichmäßig, und der Rahmen wurde für KI mit Output geschrieben, nicht für KI, die aktiv handelt. Das ist derselbe Unterschied, den ein CISO zwischen einer Richtlinie auf Papier und einer tatsächlich wirksamen Kontrolle sieht.
Der Nachweis-Aspekt macht daraus ein Compliance-Thema. Ein Auditor fragt nicht, ob Sie eine KI-Richtlinie haben, sondern fordert eine Stichprobe von Agenten-Aktionen an sensiblen Daten, die jeweilige Identität, die zugrundeliegende Richtlinie und das Prüfprotokoll. Dauert die Antwort Wochen, ist die Richtlinie nicht wirksam umgesetzt.
Der Kiteworks Data Security and Compliance Risk: 2026 Annual Survey Report hat diese Lücke direkt gemessen: In einer Umfrage unter 459 Befragten aus mehreren Regionen konnten nur etwa ein Viertel (27 Prozent) innerhalb eines Werktages einen vollständigen KI-Audit-Nachweis liefern, und nur 17 Prozent innerhalb einer Stunde. Die Zahlen sind selbstberichtete Werte aus einer gemischten Stichprobe, geben aber die Tendenz der EY-Ergebnisse wieder: Richtlinien sind verbreitet, Nachweise auf Abruf nicht. Diese Lücke zu schließen ist das Kernstück eines ernsthaften AI Data Governance-Programms.
Transparenz und Rollback sind die stillen Lücken
Wenn Governance das Hauptproblem ist, sind Transparenz und Wiederherstellung die weniger beachteten Schwachstellen. Rubrik Zero Labs veröffentlichte eine separate, größere Studie, The State of the Agent, am 16. April 2026, basierend auf über 1.600 IT- und Sicherheitsverantwortlichen. 86 Prozent erwarten, dass Agenten innerhalb eines Jahres die Sicherheitsleitplanken überholen werden, nur 23 Prozent berichten von vollständiger Transparenz über die Agenten in ihrer Umgebung, und 88 Prozent sagen, dass sie Agenten-Aktionen nicht rückgängig machen können, ohne Systeme zu stören. Die Veröffentlichung selbst merkt an, dass die Transparenzzahl vermutlich überschätzt ist.
Dies ist derselbe Anbieter wie beim CIO-BrandPost, daher keine unabhängige Bestätigung der Foundry- und Rubrik-Zahlen, sondern ein zweiter Blick aus einer Quelle mit größerer Stichprobe – allerdings mit wenig Methodendetails. Betrachten Sie es als Sichtweise eines Anbieters und gewichten Sie es entsprechend.
Die Studie zeigt jedoch den Compliance-Aspekt des Rollbacks: Wenn ein Agent einen Datensatz verändert oder offenlegt, muss das Unternehmen wissen, welche Datensätze betroffen waren, unter wessen Autorität und in welchem Zeitraum. Wiederherstellung ohne Attribution ist eine technische Lösung, die die rechtliche Frage offenlässt. Aufsichtsbehörden wollen wissen, was passiert ist und bei wem – nicht nur, ob das System wiederhergestellt wurde.
Für den CCO bedeutet das: Agenten-Vorfälle benötigen denselben Untersuchungsnachweis wie menschliche Vorfälle. Das heißt, der Audit-Trail muss Agent, autorisierenden Anwender, betroffene Daten und angewandte Richtlinie benennen und im gleichen Format wie alle anderen Zugriffsprotokolle abrufbar sein.
Genehmigte Agenten und unkontrollierte Tools öffnen zwei Türen zu denselben Daten
Die Foundry- und Rubrik-Umfrage beschreibt Agenten, die ein Unternehmen selbst bereitgestellt hat. Eine zweite Gefährdung entsteht durch Tools, die nie genehmigt wurden. Compliance Week berichtete am 29. Oktober 2026, dass Regulierungsbehörden und nationale Stellen befürchten, Unternehmen könnten sich durch die Nutzung günstiger, chinesischer KI-Tools oder Open-Source-Software, die auf diese zurückgreift, erheblichen Risiken aussetzen. Im sichtbaren Text werden nationale Sicherheits-, Cybersecurity- und Datenschutzbedenken genannt, es wird darauf hingewiesen, dass solche Tools möglicherweise nicht den strengeren EU- oder US-Standards entsprechen und dass eingegebene Daten von chinesischen Behörden gespeichert und genutzt werden könnten. Der Artikel ist nach den ersten Absätzen nur für Abonnenten zugänglich, daher bezieht sich dieser Beitrag nur auf das Sichtbare und nennt keine Zahlen daraus.
Für Compliance-Verantwortliche ist nicht ein bestimmter Anbieter oder ein Land entscheidend. Entscheidend ist, dass ein Unternehmen durch ein nicht genehmigtes KI-Tool die Kontrolle über vertrauliche Daten verlieren kann – ein Muster, das meist als Schatten-KI bezeichnet wird. Ein genehmigter Agent, der Daten abfließen lässt, und ein unkontrolliertes Tool, das Daten speichert, sind zwei Türen zum selben Raum. Die Frage der Aufsichtsbehörde ist identisch: Welche Daten sind abgeflossen, über welches Tool, unter wessen Autorität und wo ist der Nachweis?
Ein von SailPoint gesponserter Beitrag, von CIO als BrandPost veröffentlicht, gibt diesem Zustand einen Namen: Ein AI-Trust-Defizit entsteht, wenn ein Unternehmen autonome KI-Agenten schneller einsetzt, als es nachweisen kann, dass diese im Rahmen der Richtlinien agieren. Es wird Omdia zitiert, wonach mehr als die Hälfte der Unternehmen bereits agentische KI einsetzt, und SailPoints Mike Kiser sagt, dass die KI-Innovation die KI-Sicherheit überholt hat. SailPoint ist ein Anbieter für Identity Security, daher ist dies eine Anbieterperspektive, kein unabhängiges Ergebnis. Die Definition ist dennoch hilfreich, da sie das Problem mit dem Nachweis verknüpft – nicht mit dem Vorhandensein einer Richtlinie.
Beachten Sie die Form des Trust-Defizits: Es ist keine Behauptung, dass Agenten unsicher sind, sondern dass das Unternehmen nicht nachweisen kann, dass sie im Rahmen der Richtlinien agieren. Das ist ein Nachweisproblem – genau das, was Audit-Trails und Kontrollen auf Datenebene lösen. Egal, ob die Tür ein genehmigter Agent oder ein unkontrolliertes Tool ist: Die Lösung beginnt mit der Disziplin, zu wissen, auf welche Daten jedes Tool zugreifen kann, und jeden Zugriff zu protokollieren.
Verantwortung ist weiterhin ungeklärt – und das ist das eigentliche Risiko
Fragen Sie drei Führungskräfte in einem Unternehmen, wer für die Sicherheit von KI-Agenten zuständig ist, erhalten Sie oft drei verschiedene Antworten. Diese Unklarheit ist ein Risiko an sich, wie die EY-Daten zeigen: EY berichtet, dass 26 Prozent der Nutzer agentischer KI nicht erkennen können, ob unautorisierte KI-Agenten im Unternehmen aktiv sind – und eine Funktion, die einen Agenten nicht sieht, kann auch nicht verantwortlich sein.
Ein Verantwortungs-Vakuum ist die schlechteste Voraussetzung für Nachweise, denn Nachweise erfordern einen Verantwortlichen. Wenn der CIO den Agenten bereitstellt, der CISO die Plattform absichert und der CCO gegenüber der Aufsicht antwortet, besitzt niemand das verbindende Protokoll. Bei einer Anfrage hält jeder der drei nur ein Fragment.
Die Lösung ist organisatorisch, nicht technisch: Benennen Sie einen einzigen Verantwortlichen für Agenten-Datenzugriffe, geben Sie dieser Person die Hoheit über das Audit-Protokoll, und machen Sie CISO und CCO zu Nutzern desselben Nachweises. Der Chief AI Officer oder CIO kann Einführung und Geschwindigkeit verantworten, aber der Nachweisstandard muss von denjenigen gesetzt werden, die der Aufsicht gegenüber rechenschaftspflichtig sind. Eine klare Governance-, Risiko- und Compliance-Struktur verhindert, dass diese Rollen auseinanderdriften.
Bestehende Datenregeln gelten bereits für Agenten
Die Durchsetzungsumgebung behandelt Agenten nicht als Sonderfall. HIPAA unterscheidet nicht, ob ein Arzt oder ein KI-Agent den Datensatz liest. Die Pflichten zu Sicherheit und Verantwortlichkeit der DSGVO gelten, egal ob ein Mensch oder ein System auf die Daten zugreift – und Artikel 22 setzt zusätzliche Grenzen für rein automatisierte Entscheidungen. Die Frage ist immer: War der Zugriff auf vertrauliche Daten autorisiert, auf das Notwendige beschränkt und protokolliert?
Die Security Rule nach HIPAA zeigt das praktisch: 45 CFR 164.308(a)(1)(ii) verlangt von betroffenen Organisationen eine gründliche Risikoanalyse und Verfahren zur regelmäßigen Überprüfung von Systemaktivitäten – beides als Pflicht gekennzeichnet. Es wird nicht erwähnt, wer oder was die Daten liest. Ein Agent, der Patientendaten liest, löst dieselben Pflichten nach der HIPAA Security Rule aus wie jeder andere Anwender – die Risikoanalyse muss ihn einschließen und die Aktivitätsüberprüfung muss ihn auffinden können.
Dasselbe gilt im Finanzdienstleistungsbereich, wo Datenschutz– und Sicherheitsvorgaben unabhängig davon gelten, ob ein Mensch oder ein Agent auf Daten zugreift, und im Rechtsbereich, wo Vertraulichkeit und Mandantenschutz an die Information und nicht an das Tool gebunden sind. Der gemeinsame Nenner: Ein KI-Agent ist ein neuer Weg zu regulierten Daten, aber keine neue Kategorie regulierter Tätigkeit.
Das ist das stärkste Argument für Governance auf Datenebene. Modell-Governance ist wichtig für Genauigkeit und Bias, aber das Compliance-Risiko entsteht dort, wo Daten genutzt, verarbeitet und ausgetauscht werden. Wenn Sie diese Ebene für jede Identität – Mensch oder Agent – steuern und protokollieren, folgt der Nachweis automatisch.
Gemeinsame Steuerung der Datenebene für Menschen und Agenten
Kiteworks Compliant AI basiert auf dem Grundsatz, die Datenebene – nicht das Modell – zu steuern. Praktisch bedeutet das: Die Kontrollen, die vertrauliche Inhalte für menschliche Anwender schützen, gelten auch, wenn ein KI-System auf diese Inhalte zugreift. Der Kiteworks Secure MCP Server verbindet KI-Clients mit Unternehmensinhalten unter rollenbasierter und attributbasierter Zugriffskontrolle, sodass ein KI-Client die Berechtigungen des autorisierenden Anwenders nicht überschreiten kann. Die Authentifizierung erfolgt über OAuth 2.0 mit PKCE, und alle Aktivitäten werden dem autorisierenden Anwender zugeordnet und protokolliert.
Diese Aktionen landen im selben einheitlichen Audit-Log, das E-Mail, Filesharing, SFTP, Formulare und Managed File Transfer-Aktivitäten aufzeichnet, mit Feeds zu einem SIEM zur Korrelation. Die Data Policy Engine setzt Datenrichtlinien konsistent um, und das CISO Dashboard verschafft Sicherheitsverantwortlichen einen Überblick über alle Aktivitäten. Die Kiteworks Control Plane steuert Datenzugriff, -nutzung und -austausch für Menschen und Agenten unter einer Richtlinie, einem Identitätsmodell und einem Audit-Trail.
Zwei Einschränkungen sind wichtig: Eine Kontrolle auf Datenebene ersetzt weder die Risikoanalyse, noch das KI-Governance-Komitee oder den Verantwortlichen – diese Aufgaben bleiben menschlich. Und sie steuert die vertraulichen Inhalte, die über Kiteworks ausgetauscht werden; Agenten mit direktem Zugriff auf externe Datenquellen benötigen eigene Kontrollen. Die Architektur reduziert die Zahl der Orte, an denen Nachweise zusammengesucht werden müssen – sie ersetzt aber nicht das Wissen, wo alle Daten liegen.
Bauen Sie jetzt das Agenten-Nachweispaket auf
Beginnen Sie mit einer Bestandsaufnahme der Agenten. Da laut EY-Umfrage 26 Prozent der Befragten unautorisierte Agenten nicht erkennen können, ist ein zentrales Verzeichnis die erste Kontrolle – niemand kann steuern, was er nicht kennt. Erfassen Sie jeden Agenten, den Anwender oder das Team, das ihn autorisiert hat, die zugänglichen Daten und die angebundenen Systeme.
Definieren Sie als Nächstes die Richtlinie so, dass ein Auditor sie testen kann. Legen Sie für jeden Agenten fest, auf welche Datenklassen er zugreifen darf, welche er nie lesen darf und unter welchen Bedingungen. Formulieren Sie die Regeln als attributbasierte Richtlinien, die den Daten folgen – nicht als Text in einem Dokument. Eine Regel, die nur als PDF existiert, kann nicht als wirksam nachgewiesen werden.
Drittens: Nachweis der Attribution. Wählen Sie eine Stichprobe von Agenten-Aktionen aus dem letzten Monat und verfolgen Sie jede bis zum autorisierenden Anwender, der angewandten Richtlinie und dem Log-Eintrag zurück. Fehlt ein Glied in der Kette, haben Sie die Lücke vor dem Auditor gefunden. Wiederholen Sie die Übung vierteljährlich und dokumentieren Sie die Ergebnisse.
Viertens: Testen Sie Ihre Reaktion. Führen Sie eine Tabletop-Übung durch, bei der ein Agent auf Daten zugreift, auf die er keinen Zugriff haben sollte. Messen Sie, wie lange es dauert, die betroffenen Datensätze, den autorisierenden Anwender und die Richtlinienlücke zu identifizieren, und vergleichen Sie diese Zeit mit den Fristen Ihrer eigenen Regulierung.
Abschließend: Informieren Sie den Vorstand mit Nachweisen, nicht mit Zusicherungen. Eine einseitige Übersicht über produktive Agenten, erreichbare Datenklassen, letzte Attributionstests und offene Ausnahmen ist aussagekräftiger als ein Reifegrad-Score. Die Frage des Vorstands ist, ob das Unternehmen Kontrolle nachweisen kann – die Antwort muss aus den Protokollen kommen.
Erfahren Sie mehr darüber, wie Sie KI-Agenten und menschliche Anwender unter einer Richtlinie und einem Audit-Trail steuern können – vereinbaren Sie noch heute eine individuelle Demo.
Häufig gestellte Fragen
Zitieren Sie sie nur im Kontext. Sie stammt aus einem von Rubrik gesponserten BrandPost, der eine Umfrage unter 200 IT- und KI-Entscheidungsträgern berichtet, ohne Angaben zu Befragungszeitraum oder Definition eines Datenabflusses. Sie ist ein sinnvoller Anlass, die eigenen Kontrollen zu testen, aber kein Branchenmaßstab. Ergänzen Sie sie durch unabhängige Quellen wie die EY-Umfrage und prüfen Sie die Zahl in Ihrer eigenen Umgebung, indem Sie fragen, wie schnell Sie einen Agenten-Datenabfluss erkennen würden. Wenn die ehrliche Antwort lautet „Wir würden es nicht wissen“, ist das die Erkenntnis, auf die Sie reagieren sollten. Die AI-Risk-Guidance bietet einen Einstieg für diese Überprüfung.
Ein gemeinsam genutzter Service-Account ist die schwächste Option, da er die Attribution verhindert. Wenn ein Agent über ein generisches Konto agiert, kann das Protokoll nicht zeigen, welche Person die Aktion autorisiert hat oder ob der Zugriff zu deren Berechtigungen passte. Die Anforderungen von HIPAA an eindeutige Benutzeridentifikation und Audit sowie das Verantwortlichkeitsprinzip der DSGVO sprechen für nachvollziehbaren Zugriff. Die bessere Lösung verknüpft jede Agenten-Aktion mit dem autorisierenden Anwender über Identity- und Access-Management-Kontrollen, sodass das Protokoll sowohl den Agenten als auch den verantwortlichen Menschen ausweist. Behandeln Sie Agenten als zweite Identitätsklasse neben Menschen, gesteuert durch einen gemeinsamen Richtliniensatz, statt ihnen ein geteiltes Konto zu überlassen, das niemand besitzt.
Erwarten Sie dieselben Nachweise wie für menschliche Zugriffe: Die Risikoanalyse, die den Agenten einschließt, die Richtlinie, die seinen Zugriff begrenzt, die Identität, unter der er agiert hat, und das Audit-Protokoll, das zeigt, was er gelesen oder verschoben hat. Datenschutz- und Sicherheitsvorgaben gelten bereits für Agenten-Zugriffe auf regulierte Daten – das Fehlen einer KI-spezifischen Regel verringert die Anforderungen nicht. Ein einheitlicher Audit-Trail über alle Kanäle verkürzt die Antwortzeit, da der Nachweis an einem Ort statt an fünf liegt. Bauen Sie das Nachweispaket auf, bevor die Anfrage kommt, und üben Sie die Bereitstellung.
Die Verantwortung ist oft zwischen CIO, CISO und Compliance-Funktionen aufgeteilt – so entstehen Nachweislücken. Praktisch ist es am besten, eine verantwortliche Person für Agenten-Datenzugriffe zu benennen, ihr die Hoheit über das Audit-Protokoll zu geben und CISO sowie Chief Compliance Officer zu Nutzern desselben Nachweises zu machen. CIO und Chief AI Officer können Einführung und Geschwindigkeit verantworten. Dokumentieren Sie die Zuweisung, damit die Antwort auf die Frage „Wer ist verantwortlich?“ nicht von der befragten Person abhängt, und überprüfen Sie sie bei jedem neuen Agenten in Produktion. Eine Data-Governance-Charta ist ein sinnvoller Ort, dies festzuhalten.
Modell-Governance befasst sich mit Genauigkeit, Bias und Verhalten des Modells selbst. Ein Ansatz auf Datenebene steuert, auf welche Inhalte eine Identität zugreifen, sie nutzen und austauschen darf, und protokolliert jede Aktion. Compliance-Risiken entstehen auf der Datenebene, da Gesetze an personenbezogene, Gesundheits- und Finanzdaten anknüpfen – unabhängig vom Tool, das darauf zugreift. Kiteworks Compliant AI verfolgt diesen Ansatz, und der Secure MCP Server ist eine Möglichkeit, wie KI-Clients unter vererbten Berechtigungen angebunden werden.
Weitere Ressourcen
- Blogbeitrag
Zero‑Trust-Strategien für bezahlbaren KI-Datenschutz - Blogbeitrag
Wie 77 % der Unternehmen bei der KI-Datensicherheit scheitern - eBook
AI Governance Gap: 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, ob Sie eine KI-Richtlinie haben. Sie wollen den Nachweis, dass sie funktioniert.