Viele Unternehmen haben inzwischen Richtlinien für Cloud-Dienste, private Geräte und Softwareinstallationen. Bei künstlicher Intelligenz entsteht jedoch ein neues Schatten-IT-Problem: Mitarbeitende nutzen öffentliche AI-Tools, weil sie schnell helfen – häufig ohne zu wissen, welche Daten dort verarbeitet werden dürfen.
Dieses Phänomen wird häufig als Shadow AI bezeichnet. Das Problem ist nicht, dass Mitarbeitende KI verwenden. Das Problem ist unkontrollierte Nutzung ohne Datenklassifizierung, Freigaben und klare Alternativen.
Ein realistisches Beispiel
Ein Mitarbeiter soll einen Kundenvertrag zusammenfassen. Um Zeit zu sparen, kopiert er den vollständigen Vertrag in einen frei verfügbaren AI-Dienst. Im Dokument befinden sich Namen, Preise, interne Bedingungen und möglicherweise vertrauliche Informationen.
Aus Sicht des Mitarbeiters war das eine Produktivitätsmaßnahme. Aus Sicht des Unternehmens wurde möglicherweise ein externer Datenfluss geschaffen, den niemand geprüft oder dokumentiert hat.
Warum Verbote allein selten funktionieren
Ein pauschales „KI ist verboten“ löst das Problem oft nicht. Wenn Mitarbeitende einen deutlichen Produktivitätsvorteil sehen, weichen manche auf private Accounts oder nicht freigegebene Dienste aus. Das reduziert Sichtbarkeit statt Risiko.
Eine bessere Strategie kombiniert Regeln mit einer nutzbaren Alternative. Unternehmen sollten klar definieren, welche Tools erlaubt sind, welche Datenklassen verarbeitet werden dürfen und für welche Aufgaben eine freigegebene interne oder private Lösung verfügbar ist.
Daten zuerst klassifizieren
Bevor Unternehmen über einzelne AI-Produkte diskutieren, brauchen sie eine einfache Datenklassifizierung. Zum Beispiel:
- Öffentlich: Inhalte, die ohnehin veröffentlicht werden dürfen.
- Intern: Informationen für Mitarbeitende, aber nicht für öffentliche Systeme.
- Vertraulich: Kunden-, Vertrags-, Personal- oder Sicherheitsdaten.
- Besonders sensibel: Daten mit erhöhten rechtlichen oder geschäftlichen Auswirkungen.
Danach kann eine AI Policy verständlich erklären, welche Kombinationen zulässig sind.
Technische Maßnahmen gegen Shadow AI
Governance funktioniert besser, wenn technische Kontrollen sie unterstützen. Abhängig von der Umgebung können Unternehmen Browser- und Endpoint-Richtlinien, DLP-Funktionen, zentrale Identitäten und freigegebene Enterprise-Konten einsetzen.
Ebenso wichtig ist Logging. Wenn freigegebene AI-Dienste zentral genutzt werden, lassen sich Nutzung und Berechtigungen besser verwalten als bei verstreuten privaten Accounts.
Private AI als Alternative
Nicht jede sensible Aufgabe benötigt zwangsläufig ein vollständig lokales Sprachmodell. Private AI kann unterschiedliche Formen haben: On-Premises, dedizierte Cloud-Umgebung oder eine hybride Architektur, in der sensible Daten vor der Verarbeitung reduziert oder getrennt werden.
Entscheidend ist, den Datenfluss zu kennen. „Private“ ist kein Marketingbegriff, sondern eine Architekturentscheidung.
Was sollte eine AI Policy enthalten?
Eine praxistaugliche Richtlinie sollte kurz genug sein, dass Mitarbeitende sie tatsächlich verstehen. Sie sollte mindestens beantworten:
- Welche AI-Dienste sind freigegeben?
- Welche Daten dürfen dort verarbeitet werden?
- Welche Informationen sind grundsätzlich ausgeschlossen?
- Wann muss eine menschliche Prüfung erfolgen?
- Wo melden Mitarbeitende neue Use Cases oder Unsicherheiten?
Fazit
Shadow AI ist vor allem ein Governance- und Usability-Problem. Unternehmen brauchen weder blinde Freigabe noch Totalverbot. Sie brauchen attraktive, sichere Werkzeuge und einfache Regeln.
Wer Mitarbeitenden eine kontrollierte Alternative bietet, reduziert das Risiko deutlich besser als eine Policy, die in der Praxis umgangen wird.
Weiterführend: AI Governance, Private AI und AI Security.