Führungskräfte erhöhen Ihr Shadow-AI-Risiko
Die meisten Schatten-AI-Programme basieren auf einer falschen Annahme: Das Risiko entstehe, wenn Nachwuchskräfte Kundendaten in einen kostenlosen Chatbot einfügen, um Zeit bei einer Deadline zu sparen. Neue Umfragedaten zeigen jedoch ein anderes Bild. Führungskräfte sind es, die die Regeln umgehen – und zwar etwa doppelt so häufig wie die Mitarbeitenden, die sie führen.
Eine Umfrage von TrustedTech, einem Microsoft Solutions Partner, berichtet von CSOonline ergab, dass fast zwei Drittel der Führungskräfte zugeben, nicht genehmigte „Schatten“-AI-Tools zu nutzen – im Vergleich zu 31 % der Mitarbeitenden auf niedrigerer Ebene. Allein dieser Unterschied sollte die Sichtweise von Security-Teams auf AI-Governance verändern. Es handelt sich nicht um ein Trainingsproblem bei Neueinstellungen. Es ist ein Führungsverhalten – und Führungskräfte geben die Richtung für alle darunter vor.
Was das Ergebnis noch schwerer ignorierbar macht: Dieselbe Umfrage zeigt, dass drei von vier Mitarbeitenden die Sicherheits- und Datenschutzrisiken von Schatten-AI bereits kennen. Die Nutzung nicht genehmigter Tools geschieht also nicht aus Unwissenheit. Führungskräfte, die meist am besten wissen, was ein Datenschutzverstoß das Unternehmen kostet, entscheiden sich trotzdem für Bequemlichkeit statt Vorsicht. Ein separater Bericht von Teramind liefert einen weiteren Beleg: Mehr als zwei Drittel der C-Level-Führungskräfte geben an, bei der Nutzung von AI Geschwindigkeit vor Sicherheit zu stellen.
Für Unternehmen, die jahrelang AI Data Governance-Programme, Richtlinien zur akzeptablen Nutzung und Trainingsmodule aufgebaut haben, ist das eine unangenehme, aber notwendige Korrektur. Governance-Programme, die davon ausgehen, dass Risiken von unten nach oben entstehen, zielen auf die falsche Stelle. Diejenigen, die die AI-Richtlinie genehmigen, sind oft dieselben, die sie brechen.
wichtige Erkenntnisse
1. Führungskräfte nutzen Schatten-AI etwa doppelt so häufig wie ihre Mitarbeitenden.
Eine Umfrage von TrustedTech, Microsoft Solutions Partner, zeigt: Fast zwei Drittel der Führungskräfte nutzen nicht genehmigte AI-Tools – im Vergleich zu 31 % der Mitarbeitenden auf niedrigerer Ebene.
2. Das Problem ist nicht das Risikobewusstsein – sondern das Verhalten.
Drei von vier Mitarbeitenden erkennen laut derselben Umfrage die Sicherheits- und Datenschutzrisiken von Schatten-AI an, dennoch steigt die Nutzung auf Führungsebene weiter an.
3. Geschwindigkeit schlägt Sicherheit im C-Level.
Teramind fand heraus, dass mehr als zwei Drittel der C-Level-Führungskräfte bei der Nutzung von AI-Tools im Arbeitsalltag Geschwindigkeit über Sicherheit stellen.
4. Die meisten AI-Aktivitäten im Unternehmen laufen bereits außerhalb des IT-Radars.
Laut Teramind erfolgen zwei Drittel der AI-Aktivitäten über persönliche Accounts auf Plattformen, für die das Unternehmen bereits Lizenzen besitzt – die Tools sind also genehmigt, die Accounts jedoch nicht.
5. Richtlinien allein lösen keine Gewohnheiten auf Führungsebene.
Um diese Lücke zu schließen, müssen Unternehmen steuern, auf welche sensiblen Inhalte AI-Tools und Agents tatsächlich zugreifen können – mit Kontrollen am Zugriffspunkt, nicht mit Trainingsfolien, die niemand zweimal liest.
Sie vertrauen darauf, dass Ihr Unternehmen sicher ist. Aber können Sie es nachweisen?
Jetzt lesen
Was die TrustedTech- und Teramind-Daten wirklich zeigen
Es lohnt sich, die konkreten Zahlen zu betrachten, statt sie als vage Entwicklung abzutun – denn das Ausmaß ist größer, als die meisten Security-Teams einkalkulieren.
TrustedTechs Ergebnis, dass fast zwei Drittel der Führungskräfte nicht genehmigte AI-Tools nutzen, ist kein Rundungsfehler gegenüber den 31 % bei Mitarbeitenden auf niedrigerer Ebene – es ist mehr als das Doppelte. In der Praxis bedeutet das: Die Personen mit den umfassendsten Access Controls, dem größten Einblick in Finanzergebnisse, M&A-Aktivitäten, Rechtsstrategien und unveröffentlichte Produktpläne sind auch die Gruppe, die diese Informationen am ehesten in Tools überträgt, die IT nie geprüft hat. Führungskräfte bearbeiten keine unwichtigen Dateien. Sie arbeiten mit den Dateien, nach denen der Vorstand am Tag nach einem Datenschutzvorfall fragen würde – Verträge, M&A-Dokumente und geistiges Eigentum, also die wertvollsten und risikoreichsten Datenkategorien des Unternehmens.
Teraminds Forschung schärft das Bild weiter: Zwei Drittel der AI-Aktivitäten im Unternehmen laufen über persönliche Accounts auf Plattformen, die das Unternehmen bereits lizenziert hat. Das ist entscheidend. Es geht nicht primär um Mitarbeitende, die auf unbekannte oder nicht lizenzierte AI-Startups zurückgreifen. Oft melden sich Personen mit einem privaten Login bei einem Tool an, das ihr Unternehmen im Rahmen eines Enterprise-Vertrags bezahlt – und umgehen damit alle Admin-Kontrollen, Audit-Logs und Aufbewahrungsrichtlinien, die die Unternehmenslizenz eigentlich garantieren sollte. Das Unternehmen hat die regulierte Version gekauft. Die Führungskraft nutzt die unregulierte – auf derselben Plattform, vom selben Laptop.
Genau deshalb können die meisten Unternehmen bis heute keine grundlegende Frage zu ihrem eigenen AI-Risiko beantworten: Wie viel davon findet tatsächlich auf Accounts statt, die niemand verwaltet? Transparenz – nicht ein weiteres Richtliniendokument – ist das fehlende Element. Eine formale Risikoanalyse, die die aktuelle AI-Nutzung über Firmen- und Privataccounts hinweg abbildet und quantifiziert, welche Datenkategorien durch unregulierte Logins fließen, liefert Security-Teams die Beweisgrundlage, um Governance-Investitionen zu priorisieren, statt auf die nächste Enthüllung zu reagieren.
Warum Führungskräfte die von ihnen genehmigten Regeln umgehen
Eine berechtigte Frage steckt dahinter: Warum ignorieren gerade diejenigen, die die AI-Richtlinie absegnen, diese am häufigsten?
Ein Teil der Antwort ist der Zugang. Führungskräfte stoßen meist auf weniger praktische Hürden, wenn sie ein beliebiges Tool nutzen wollen. Sie unterliegen nicht denselben Device-Management-, Netzwerk- oder Kontrollmechanismen wie Mitarbeitende auf mittlerer Ebene. Wenn eine Richtlinie auf Reibung setzt – gesperrte Domains, blockierte Downloads, aufmerksame Vorgesetzte – sind Führungskräfte oft die Gruppe, für die diese Hürden am geringsten sind.
Ein weiterer Teil ist der Anreiz. Führungskräfte werden an Ergebnissen gemessen: Umsatz, Zeitpläne, Wettbewerbsfähigkeit. Ein AI-Tool, das über Nacht eine Vorstandspräsentation erstellt oder einen Due-Diligence-Stapel am Nachmittag zusammenfasst, ist ein einfacher Tausch gegen ein abstraktes, zukünftiges Risiko eines Datenabflusses. Dass laut Teramind mehr als zwei Drittel der C-Level-Führungskräfte Geschwindigkeit über Sicherheit stellen, ist keine Überraschung, wenn man bedenkt, wofür Führungskräfte belohnt werden.
Und schließlich skalieren Richtliniendokumente nicht auf Verhalten. Eine Acceptable-Use-Policy kann genau festlegen, welche Tools erlaubt sind – aber ein Dokument verhindert nicht, dass jemand einen privaten Account in einem Browser-Tab öffnet. Security-Awareness-Trainings können die Zahl der Risikobewussten weiter erhöhen; die Schatten-AI-Nutzung bei Führungskräften würde trotzdem konstant bleiben, denn Bewusstsein war nie das Problem. Was fehlt, ist eine Kontrolle, die unabhängig davon greift, welcher Account, welches Gerät oder welcher Login genutzt wird. Schatten-AI – unregulierte AI, die komplett außerhalb des Unternehmens-Governance-Perimeters arbeitet – unterscheidet sich strukturell von einem Richtlinienverstoß durch einen bekannten Mitarbeitenden mit einem bekannten Tool. Sie bleibt für das Security-Team unsichtbar, solange Governance nicht am Inhalt selbst ansetzt, sondern am Login-Screen.
Das Problem der persönlichen Accounts: Regulierte Tools, unregulierter Zugriff
Der Befund zu persönlichen Accounts von Teramind verdient besondere Aufmerksamkeit, weil er einen spezifischen Schwachpunkt offenlegt, den die meisten AI-Governance-Programme nicht abdecken.
Security-Teams bewerten AI-Risiken meist auf Tool-Ebene: Ist diese AI-Plattform genehmigt, steht sie auf der Vendor-Liste, hat Legal die Datenverarbeitung geprüft? Das hilft, wenn das Risiko lautet: „Ein Mitarbeitender nutzt ein ungeprüftes AI-Tool.“ Es hilft kaum, wenn das Risiko lautet: „Ein Mitarbeitender nutzt ein geprüftes AI-Tool über einen Account, den das Unternehmen nicht verwaltet.“ Das Tool besteht die Prüfung. Der Account umgeht alle Kontrollen, die eigentlich greifen sollten.
Deshalb ist Data Governance auf Basis von Tool-Freigabelisten zwar notwendig, aber nicht ausreichend. Ein Enterprise-Vertrag mit einem AI-Anbieter umfasst typischerweise Zusagen zu Datenresidenz, Aufbewahrungsfristen, Admin-Audit-Logs und die Garantie, dass Kundeneingaben nicht für das Training genutzt werden. Ein privater Account auf derselben Plattform bietet meist nichts davon. Zwei Drittel der AI-Aktivitäten, die laut Teramind über persönliche Logins laufen, finden also wahrscheinlich außerhalb all dieser Schutzmechanismen statt – obwohl das Unternehmen sie vertraglich vereinbart hat. Für Unternehmen, die personenbezogene Daten, Gesundheitsdaten oder andere regulierte Datenkategorien verarbeiten, ist diese Lücke nicht nur ein Sicherheitsproblem – sondern ein Compliance-Verstoß, den Meldepflichten, Audit-Anforderungen und Aufsichtsbehörden beim nächsten Vorfall aufdecken werden.
Die Lösung ist nicht eine längere Liste gesperrter Domains. Entscheidend ist, zu steuern, auf welche sensiblen Inhalte ein AI-Tool überhaupt zugreifen kann – unabhängig davon, welcher Account die Anfrage stellt. Wenn eine Policy Engine zwischen Inhalt und Anfrage sitzt, nicht zwischen Mitarbeitendem und Login-Screen, spielt es keine Rolle, ob die Anfrage von einem Firmen- oder Privataccount kommt – die sensible Datei erfüllt die Zugriffsregel oder nicht. Datenklassifizierung für Unternehmensinhalte, bevor sie ein AI-Tool erreichen, ist die Voraussetzung für eine präzise Durchsetzung: Eine Policy Engine kann keine sensiblen Zugriffsregeln anwenden, wenn die Inhalte nicht klassifiziert sind.
Warum Training und Policy allein die Lücke auf Führungsebene nicht schließen
Die meisten AI-Governance-Programme im Unternehmen setzen bislang auf drei Werkzeuge: Acceptable-Use-Policy, Security-Awareness-Training und eine Liste genehmigter Anbieter. Alle drei sind sinnvoll. Keines adressiert das, was die TrustedTech- und Teramind-Daten tatsächlich beschreiben.
Ein Richtliniendokument verändert nur das Verhalten derer, die es lesen, für sich als relevant betrachten und keinen einfacheren Weg daran vorbei sehen. Trainings steigern das Bewusstsein, aber die Umfragen zeigen: Das Bewusstsein ist nicht die Lücke – drei von vier Mitarbeitenden erkennen das Risiko bereits. Eine Vendor-Liste regelt, welche Tools IT unterstützt, nicht aber, welchen Login eine Führungskraft nutzt, um auf ein genehmigtes Tool mit einem privaten Account zuzugreifen.
Keine dieser Kontrollen greift in dem Moment, der wirklich zählt: Wenn eine Datei, ein Ordner oder ein Datensatz an ein AI-System übergeben wird. Genau hier gelten zero trust data protection-Prinzipien direkt – niemals einer Anfrage standardmäßig vertrauen, jede Anfrage gegen die Policy prüfen und diese unabhängig von Titel, Gerät oder Account-Typ durchsetzen. Die Anfrage einer Führungskraft, eine Kundendatei zusammenzufassen, wird nach derselben Regel geprüft wie jede andere – weil die Regel am Inhalt hängt, nicht am Rang der Person. Datenminimierung auf dieser Ebene – es wird nur der für die AI-Aufgabe notwendige Inhalt weitergegeben, nicht der Zugriff auf ganze Dokumenten-Repositories – reduziert zusätzlich das Risiko bei Governance-Lücken.
AI-Governance auf Datenebene: Was die Lücke wirklich schließt
Wenn das Verhalten der Führungskräfte das Risiko verursacht, muss die Lösung unabhängig vom Verhalten der Führungskräfte funktionieren. Das bedeutet: Die Kontrolle verlagert sich von „welche Tools sind genehmigt“ zu „auf welche sensiblen Inhalte kann ein AI-Tool oder Agent tatsächlich zugreifen – und unter welchen Bedingungen“.
Ein Governance-Modell auf Datenebene prüft jede AI-Anfrage in Echtzeit gegen die Policy: Welche Klassifizierung hat die Datei, wer oder was fragt an, was ist der geschäftliche Grund, erfüllt diese konkrete Anfrage die Regel? Es spielt keine Rolle, ob der Anfragende ein Mensch mit Firmenlogin, ein Mensch mit Privataccount auf derselben Plattform oder ein AI-Agent im Auftrag einer Person ist – die Anfrage erfüllt die Zugriffsregel oder wird abgelehnt. Das ist dieselbe Logik wie bei Role-Based Access Control und Attribute-Based Access Control für menschliche Anwender – erweitert auf die Anfragen von AI-Systemen im Auftrag von Menschen.
Zwei Fähigkeiten sind in diesem Modell entscheidend. Erstens: Zugriffskontrolle pro Anfrage – jede einzelne AI-Interaktion mit sensiblen Inhalten wird im Moment des Zugriffs gegen Klassifizierung, Kontext und Policy geprüft, nicht einmalig genehmigt und dann vergessen. Zweitens: Ein vollständiger Audit-Trail dieser Prüfung – wer oder was hat angefragt, was wurde angefragt, wie hat die Policy entschieden, wann fand dies statt. Wenn ein CISO dem Vorstand eine Frage zur AI-Exponierung beantworten muss, ist „wir haben eine Policy“ deutlich schwächer als „hier ist das Protokoll jeder AI-Anfrage zu regulierten Daten im letzten Quartal, und hier sehen Sie, was erlaubt oder blockiert wurde“. Wird dieses Audit-Protokoll in Echtzeit an eine SIEM-Plattform übergeben, erhalten Security-Teams Verhaltensalarme, wenn AI-Zugriffsmuster vom etablierten Standard abweichen – die Detektionsebene, die Schatten-AI von einem unsichtbaren Risiko zu einem gekennzeichneten, sinnvollen Ereignis macht.
Damit wird auch das Problem der persönlichen Accounts direkt gelöst. Wenn Governance am Inhalt und nicht am Login hängt, spielt es keine Rolle mehr, ob die von Teramind identifizierten zwei Drittel der AI-Aktivitäten über Firmen- oder Privataccounts laufen. Der Inhalt selbst trägt die Zugriffsregel.
Wie Kiteworks Compliant AI und der Secure MCP Server AI-Zugriffe auf sensible Daten steuern
Genau dieses Problem adressieren Kiteworks Compliant AI und der Kiteworks Secure MCP Server: Sie steuern, auf welche sensiblen Inhalte AI-Tools, menschliche Anwender oder AI-Agents zugreifen können – unabhängig davon, welcher Login verwendet wird.
Regulierungsbehörden schreiben Regeln zu Datenzugriff, -verarbeitung und -schutz – nicht dazu, welches große Sprachmodell oder AI-Framework die Daten verarbeitet hat. Das ist das Grundprinzip von Kiteworks Compliant AI: Mensch und AI-Agent sind beides Identitätstypen, deren Zugriff auf und Nutzung von regulierten Daten unter einer gemeinsamen Policy-Ebene geregelt werden muss – nicht in zwei getrennten Schichten. Ein Mitarbeitender, der einen AI-Assistenten nutzt, und ein AI-Agent, der im Auftrag dieses Mitarbeitenden agiert, unterliegen denselben Regeln – denn die Regulierung bezieht sich auf die Daten.
Konkret bedeutet das: Jede AI-gesteuerte Anfrage – ob von einem Menschen über eine Chat-Oberfläche oder von einem Agenten für eine Aufgabe generiert – durchläuft Role-Based- und Attribute-Based-Access-Controls, die Datenklassifizierung, Identität und Kontext prüfen, bevor Inhalte bewegt werden. Der Kiteworks Secure MCP Server verbindet AI-Clients wie Claude und Copilot mit den regulierten Inhalten des Unternehmens über das Model Context Protocol – jeder Datei-, Ordner- und Metadatenzugriff übernimmt die gleichen OAuth-2.0-basierten Berechtigungen und Policy-Prüfungen, die für diese Person im gesamten Umfeld gelten. Zugangsdaten verbleiben im OS Keychain, nicht im AI-Modell selbst, und jede Aktion erzeugt einen Echtzeit-Audit-Trail, der in bestehende SIEM- und Compliance-Workflows einfließt. Das CISO-Dashboard zeigt alle AI-Datenzugriffe in einer einheitlichen Ansicht – und gibt der Sicherheitsleitung die Echtzeit-Transparenz über AI-vermittelte Datenflüsse, die das Problem der persönlichen Accounts sonst unsichtbar macht.
All das hängt nicht davon ab, ob eine Führungskraft sich an die Policy hält. Entscheidend ist, dass der sensible Inhalt selbst durchsetzbare Zugriffsregeln trägt, die unabhängig davon gelten, ob die Person am anderen Ende die Regeln befolgt oder sie umgehen will. Das ist der Unterschied zwischen der Hoffnung, dass das C-Level die AI-Policy liest, und der Gewissheit, dass die Daten so oder so geschützt sind.
Was CISOs mit diesen Daten tun sollten
Die TrustedTech- und Teramind-Ergebnisse geben Security-Verantwortlichen einen konkreten Ansatzpunkt – nicht nur eine weitere Statistik für die Vorstandspräsentation.
Starten Sie mit Nutzungstransparenz statt mit einer Policy-Überarbeitung. Die meisten Unternehmen haben bereits Logging-Funktionen auf ihren lizenzierten AI-Plattformen; die Lücke ist meist, dass niemand einen Bericht erstellt hat, der genehmigte Account-Aktivitäten mit der geschätzten Gesamt-AI-Nutzung im Unternehmen vergleicht. Wenn das Teramind-Verhältnis auch in Ihrem Umfeld gilt – zwei Drittel der Aktivitäten außerhalb regulierter Accounts – ist das eine messbare, nachverfolgbare Zahl und ein deutlich überzeugenderes Argument für den Vorstand als „wir glauben, Schatten-AI ist ein Risiko“.
Betrachten Sie anschließend gezielt die Führungsebene, statt wie üblich die Awareness-Maßnahmen auf die gesamte Belegschaft auszurichten. Wenn Führungskräfte die unregulierte Nutzung vorantreiben, müssen Account-Provisioning und Eskalationswege einen eigenen Track für Führungskräfte erhalten – nicht nur eine Rundmail, die ein VP überfliegt und löscht.
Und schließlich: Behandeln Sie „das genehmigte Tool ist zu langsam oder zu eingeschränkt“ als echtes Produktfeedback – nicht nur als Compliance-Verstoß, der zu sanktionieren ist. Wenn zwei Drittel der Aktivitäten über persönliche Accounts auf Plattformen laufen, für die das Unternehmen bereits bezahlt, deutet das oft darauf hin, dass die regulierte Version des Tools mehr Reibung verursacht als die private – zusätzliche Freigaben, fehlende Funktionen, ein Login-Prozess, den niemand mitten im Meeting will. Diese Reibung zu beseitigen – kombiniert mit Governance auf Inhaltsebene wie Kiteworks secure data exchange – adressiert sowohl das Verhalten als auch die zugrundeliegende Datenexponierung. Das Kiteworks Private Data Network bietet die einheitliche Governance-Umgebung – eine Policy Engine, ein Audit-Trail für alle Content-Kanäle – die die regulierte Option genauso reibungslos macht wie den Privataccount. So wählen Führungskräfte die sichere Variante nicht, weil es die Policy verlangt, sondern weil sie genauso gut funktioniert.
Erfahren Sie mehr darüber, wie Sie steuern, auf welche sensiblen Inhalte AI-Tools und Agents in Ihrem Unternehmen zugreifen können – vereinbaren Sie jetzt eine individuelle Demo.
Häufig gestellte Fragen
Schatten-AI bezeichnet die Nutzung von AI-Tools durch Mitarbeitende, die IT nicht geprüft, genehmigt oder mit Unternehmens-Controls konfiguriert hat. Die Nutzung durch Führungskräfte ist ein besonderes Problem, da sie typischerweise den weitesten Zugriff auf sensible Daten haben – Finanzergebnisse, M&A-Aktivitäten, Rechtsstrategien – und weniger praktische Einschränkungen bei der Tool- oder Account-Wahl erleben. Eine TrustedTech-Umfrage zeigt: Fast zwei Drittel der Führungskräfte nutzen nicht genehmigte AI-Tools, im Vergleich zu 31 % der Mitarbeitenden auf niedrigerer Ebene. Das bedeutet, dass die risikoreichsten Daten überproportional unregulierter Nutzung ausgesetzt sind. Um dieses Risiko zu steuern, sind Kontrollen auf der Data Governance-Ebene nötig – nicht die Hoffnung auf Selbstregulierung der Führungskräfte. Unternehmen mit Compliance-Verpflichtungen – HIPAA, DSGVO, CMMC – sollten Schatten-AI durch Führungskräfte als direktes Compliance-Risiko einstufen: Die regulatorische Pflicht bezieht sich auf die Daten, unabhängig davon, ob der Zugriff über einen unregulierten Account durch den CEO oder einen Praktikanten erfolgt.
Weil das Bewusstsein nie die eigentliche Lücke war. Dieselbe TrustedTech-Umfrage zeigt: Drei von vier Mitarbeitenden erkennen die Sicherheits- und Datenschutzrisiken von Schatten-AI, dennoch steigt die Nutzung weiter – besonders bei Führungskräften. Trainings können das Bewusstsein weiter erhöhen, aber sie verhindern nicht, dass jemand einen privaten Account auf einer lizenzierten Plattform nutzt, wenn es keine Kontrolle gibt, die das verhindert. Die Lücke lässt sich nur schließen, wenn am Punkt, an dem sensible Inhalte ein AI-Tool erreichen würden, durchgesetzt wird – mit zero trust data protection-Prinzipien, die jede Anfrage unabhängig vom Anfragenden prüfen. Die Klassifizierung von Unternehmensinhalten vor der Nutzung durch AI ist die Grundlage – eine Governance-Policy-Engine kann keine sensiblen Zugriffsregeln durchsetzen, wenn Inhalte nicht kategorisiert sind, und Awareness-Trainings können fehlende Klassifizierungsinfrastruktur nicht ersetzen.
Das Risiko betrifft nicht primär nicht genehmigte Tools – sondern unverwaltete Accounts auf genehmigten Tools. Eine Unternehmenslizenz für AI umfasst meist Admin-Audit-Logs, Aufbewahrungsfristen und die Garantie, dass Eingaben nicht für das Modelltraining genutzt werden. Ein privater Account auf derselben Plattform bietet diese Schutzmechanismen in der Regel nicht. Laut Teramind laufen zwei Drittel der AI-Aktivitäten so ab – das heißt, viele der Governance-Maßnahmen, die das Unternehmen im Vendor-Vertrag ausgehandelt hat, greifen im Alltag nicht. Kontrollen müssen den Access Controls auf den Inhalt selbst folgen, nicht dem Login-Screen. Eine Risikoanalyse, die dokumentiert, welche Datenkategorien über unverwaltete AI-Accounts fließen – abgeglichen mit den regulatorischen Meldepflichten für jede Kategorie – macht aus einem vagen „Schatten-AI ist schlecht“-Gefühl ein priorisiertes, dokumentiertes Risiko, auf das der Vorstand reagieren kann.
Eine Acceptable-Use-Policy ist ein Dokument, das festlegt, welche Tools genehmigt sind und wie sich Mitarbeitende verhalten sollen – sie kann das Verhalten im Moment aber nicht durchsetzen. Zugriffskontrolle pro Anfrage prüft jede einzelne AI-Interaktion mit sensiblen Inhalten im Moment des Zugriffs gegen Klassifizierung, Identität und Kontext und erlaubt oder blockiert sie auf Basis der Policy. So steuert Kiteworks Compliant AI den AI-Zugriff: Die Regel reist mit den Daten und gilt unabhängig davon, ob die Anfrage von einem Firmenaccount, einem Privataccount oder einem AI-Agent im Auftrag einer Person kommt. Datenminimierung auf dieser Ebene – es wird nur der für die AI-Aufgabe notwendige Inhalt weitergegeben, nicht der Zugriff auf ganze Repositories – begrenzt zusätzlich das Risiko bei Governance-Lücken, egal ob der Anfragende die Policy befolgt oder umgeht.
Nein. Agents sind eine zweite Identitätsart neben menschlichen Anwendern – beide werden unter derselben Policy-Ebene gesteuert, nicht als separate Kategorie. Der Kiteworks Secure MCP Server authentifiziert jede AI-Agent-Anfrage mit denselben OAuth-2.0-Berechtigungen, Role-Based- und Attribute-Based-Access-Controls und Audit-Logs, die auch für menschliche Anwender gelten. Egal, ob eine Anfrage von einem Mitarbeitenden über einen AI-Assistenten oder von einem Agenten im Auftrag dieses Mitarbeitenden kommt – sie durchläuft dieselbe Governance und erzeugt denselben Audit-Trail. Das CISO-Dashboard bietet die einheitliche Echtzeit-Transparenz über alle AI-vermittelten Zugriffe – menschlich wie Agent – und gibt der Security-Leitung die nötige Detektionsfläche, um anomales AI-Verhalten frühzeitig zu erkennen, bevor es zu einem meldepflichtigen Vorfall eskaliert.
Weitere Ressourcen
- Blog Post
Zero‑Trust-Strategien für erschwinglichen AI-Datenschutz - Blog Post
Wie 77 % der Unternehmen bei AI-Datensicherheit scheitern - eBook
AI-Governance-Lücke: Warum 91 % kleiner Unternehmen 2025 russisches Roulette mit Datensicherheit spielen - Blog Post
Es gibt kein „–dangerously-skip-permissions“ für Ihre Daten - Blog Post
Regulierungsbehörden fragen nicht mehr, ob Sie eine AI-Policy haben. Sie wollen den Nachweis, dass sie funktioniert.