Shadow AI: Die unsichtbare KI-Revolution
Ich werde in Kundengesprächen und auf Veranstaltungen regelmässig mit derselben Situation konfrontiert: «Fabio, wir haben eine Richtlinie, dass unsere Mitarbeitenden keine Unternehmensdaten in ihre private KI hochladen dürfen. Wir können es aber nicht kontrollieren». Meine Antwort ist jedes Mal dieselbe: Eine Richtlinie auf Papier, ohne technische Leitplanken, ist kein Schutz. Sie ist eine Illusion. Genau dafür gibt es Microsoft Purview, auch wenn es 'wehtut'. 💡
Die Realität sieht nämlich so aus: Während Unternehmen noch über ihre KI-Strategie und den Datenschutz diskutieren, haben die Mitarbeitenden längst ihre eigene KI ins Unternehmen mitgebracht: ChatGPT, Claude, Gemini und wie sie alle heissen. Dieses Phänomen hat einen Namen: Shadow AI. Und es ist die unsichtbare KI-Revolution, die gerade in jedem Unternehmen stattfindet, ob ihr es wisst oder nicht. ⚠️
In diesem Artikel nehme ich euch mit durch die drei zentralen Themen, die ich in meinen Vorträgen und Kundenprojekten immer wieder adressiere: die unsichtbare Gefahr durch Shadow AI, die eigene Unternehmens-KI als Lösung und konkrete Massnahmen zur Data Governance mit Microsoft Purview. 🚀
Die unsichtbare Gefahr:
Wenn Firmendaten das Unternehmen verlassen
Ich zeige in meinen Workshops gerne eine einfache Kette 🔗, die visuell erklärt, wie Shadow AI funktioniert:
Mitarbeitende nutzen aus Zeitdruck, Gewohnheit oder purem Pragmatismus ihre privaten, selbstbezahlten Konten bei ChatGPT, Claude oder Gemini. Sie laden interne, möglicherweise sensible Dokumente hoch, kopieren vertrauliche Texte hinein, fragen das KI-Tool nach internen Prozessen. An keiner Stelle dieser Kette greift heute eine technische Kontrolle. 🚫
Was bedeutet das konkret?
Private KI-Tools sind täglich im Einsatz, die Unternehmensrichtlinie steht auf Papier
Niemand begrenzt, was hochgeladen wird, und niemand sieht, was passiert
Wissen bleibt im privaten Konto des Mitarbeitenden statt im Unternehmen
Unternehmensdaten landen ausserhalb der eigenen Umgebung
⚠️ Was ihr nicht seht, könnt ihr weder steuern noch belegen.
Rechtliche Anforderungen: Der Druck nimmt zu ⚖️
Was mich persönlich am Thema Shadow AI besonders bewegt, ist die Kombination aus technischem Risiko und rechtlichem Druck. Die Regulierung ist nämlich nicht mehr Zukunftsmusik – sie ist da. 📋
Regulierung | Kernanforderungen & Konsequenzen |
EU AI Act | Seit 02.08.2026 volle Geltung inkl. Transparenzpflichten. Betreiber müssen KI-Nutzung dokumentieren und überwachen. Sanktionen: bis zu 35 Mio. € oder 7 % des weltweiten Jahresumsatzes. |
ISO 42001 & ISO 27001 | ISO 42001 ist ein zertifizierbares KI-Managementsystem mit Rollen, Risiken und Kontrollen. Ergänzt ISO 27001 um KI-spezifische Massnahmen. Kunden und Auditoren verlangen zunehmend Nachweise zur KI-Nutzung. |
DSGVO & DSG / NIS2 | Personendaten in KI-Diensten brauchen Grundlage und Kontrolle. DSGVO-Bussen bis 20 Mio. € oder 4 % des Konzernumsatzes. NIS2 nimmt die Geschäftsleitung persönlich in die Pflicht. |
Ohne Sichtbarkeit und Protokollierung ist Compliance nicht nachweisbar. ⚠️
Die eigene Unternehmens-KI:
Angebot statt Verbot
Laut IGEM-Digimonitor 2026 (Interessensgemeinschaft elektronische Medien) nutzen 80 % der Schweizer Bevölkerung KI – doppelt so viele wie 2024. 🔍
Die wichtigste Erkenntnis daraus: Ein Verbot verlagert die Nutzung nur ins Verborgene. Shadow AI entsteht nicht, weil Mitarbeitende böswillig handeln. Sie entsteht, weil ein Bedürfnis da ist und kein eigenes Angebot existiert, das dieses Bedürfnis befriedigt. Das beste Mittel gegen private KI-Nutzung ist daher ein besseres eigenes Angebot. ✅
Aus meiner Projekterfahrung habe ich sechs Kriterien destilliert, die eine eigene Unternehmens-KI erfüllen muss, damit sie tatsächlich angenommen wird:
1 | Datenschutz & Datenstandort | Wo liegen die Daten, wie wird damit trainiert und welchen Zugriff haben die Betreiber? |
2 | Zugriff auf Firmenwissen | Bestehende Zugriffsrechte gelten auch für die eigene KI-Lösung. |
3 | Governance & Protokollierung | Klare Regeln, Rollen und ein nachvollziehbares Audit-Trail. |
4 | Integration im Arbeitsalltag | In den Alltags-Tools verfügbar, wo gearbeitet wird, nicht als Extra-Tool. |
5 | Kosten & Nutzen | Klares Lizenzmodell, Messbarkeit und realistische Erwartungen. |
6 | Befähigung & Support | Schulung, Champions und Ansprechpartner bei Fragen. |
Wer kein eigenes Angebot macht, überlässt die Wahl des KI-Tools den Mitarbeitenden. ⚠️
Microsoft Copilot als Go-To Lösung 💻
Natürlich sehe und empfehle ich Microsoft Copilot als die robusteste KI-Lösung für Unternehmen. Nicht weil ich Microsoft-Fan bin (ok, vielleicht ein bisschen 😉), sondern weil er die aus meiner Sicht einzige Lösung ist, die alle sechs Kriterien oben wirklich erfüllt:
Kein Training mit Unternehmensdaten: Prompts und Antworten fliessen nicht in die Modelle der Anbieter zurück
Souveräne Verarbeitung von Daten: Daten bleiben innerhalb der Tenant-Grenze und innerhalb der im Tenant definierten geografischen Region.
Schweizer Rechenzentren: Datenverarbeitung in der Schweiz (Shared Service von Microsoft)
Eingebaute Zugriffskontrollen: Copilot antwortet nur aus Daten und Dokumente, für die man im Voraus berechtigt ist
Governance-at-scale: Integrierte Governance Controls via CCS, Agent 365 und Purview.
Copilot ist das UI of AI: Copilot lebt in den Tools, mit denen wir täglich arbeiten: Outlook, Teams, Office usw.
Beste LLMs: OpenAI GPT, Anthropic Claude, Mistral AI, alles in einer Plattform und 100% steuerbar.
Grundlage, aber noch keine Kontrolle ⚠️
Und hier muss ich ehrlich mit euch sein. Denn Copilot allein reicht nicht. Er ist die Grundlage, aber noch keine vollständige Kontrolle. Hier eine klare Übersicht, was bereits gelöst ist und was noch offen bleibt:
👉🏻 Genau diese Lücke schliesst Microsoft Purview – sehen, klassifizieren, schützen, belegen.
Data Governance mit Microsoft Purview
Nun wird es konkret. Microsoft Purview ist die Antwort auf alle offenen Punkte. Und ich sage euch: Als ich das erste Mal live in einem Kundenprojekt gesehen habe, wie Purview in Echtzeit aufzeigt, welche Mitarbeitenden mit welchen heiklen Daten in welchen KI-Tools interagieren, da war das Staunen im Raum spürbar. 😮
Purview schliesst die Lücke zwischen «Copilot eingeführt» und «KI wirklich im Griff». Das Konzept ist denkbar einfach: Vier Stufen, eine Konsole. 🎟️
Stufe 1 Sehen: Data Security Posture Management
Der Startpunkt: ein Lagebild über die gesamte KI-Nutzung im Unternehmen. Das Data Security Posture Management (DSPM) ist in Microsoft Purview integriert und beantwortet vier grundlegende Fragen:
Wer nutzt was? Berichte zur KI-Nutzung: Welche Mitarbeitenden welche KI-Tools verwenden – Copilot ebenso wie ChatGPT und Co.
Wo sind heikle Daten? Datenklassifizierung: Welche schützenswerten Inhalte in KI-Anfragen auftauchen (sofern diese als solche deklariert wurden).
Wo wird es riskant? Datenrisiko-Berichte: Decken zu breite Zugriffsrechte auf, bevor KI sie sichtbar macht.
Was tun wir dagegen? Ein-Klick-Richtlinien: Fertige Schutzregeln lassen sich direkt aus den Empfehlungen aktivieren.
💡 Wichtig: Voraussetzung für DSPM ist das eingeschaltete Purview Audit und passende Lizenzen. Ohne das läuft Stufe 1 ins Leere.
Stufe 2 Klassifizieren: Azure Information Protection (Sensitivity Labels)
Ich sage das in jedem Kundenprojekt und ich wiederhole es hier: Sensitivity Labels sind das Fundament. Ohne Klassifizierung weiss kein Tool – weder Copilot noch Purview – was schützenswert ist. Ihr könnt nicht schützen, was ihr nicht kennt. 🎯
Vier Kernentscheide müsst ihr bei der Label-Implementierung treffen:
Label-Konzept: Sollen Gruppen, Elemente oder beides klassifiziert werden?
Schutzbedarf: Zugriffsrechte, Verschlüsselungen, statische oder dynamische Kennzeichnungen?
Erweiterungen: Schutz auf lokale Dateien ausweiten, Berechtigungsvererbungen definieren.
Auto-Labeling: Automatisches Setzen von Labels auf Basis von Sensitive Information Types, Trainable Classifiers oder Datenmustern.
💡 Praxistipp 1: Startet nicht mit dem perfekten Label-Konzept. Startet mit zwei bis drei einfachen Labels und verfeinert über die Zeit. Perfekt ist der Feind von gut, auch bei Sensitivity Labels.
💡 Praxistipp 2: Die Klassifizierung und der Schutz von Inhalten ist ein komplexes, in sich gekehrtes Thema. Entsprechend sollte dies als eigenes Projekt behandelt werden.
Stufe 3 Schützen: Vom Stempel zur Sperrung
Jetzt wird es wirklich spannend. Denn Sensitivity Labels allein sind "nur" ein Stempel. Erst in Kombination mit Verschlüsselung, Browser-Erweiterung und Data Loss Prevention entsteht echter Schutz. Ich zeige euch die vier Schritte dieser Kette:
💭 Wichtig: Diese Schutzkette wirkt nur auf Intune-verwalteten Geräten mit Purview Browser-Erweiterung sowie aktivierten Service Domains in DLP. Ohne diese Voraussetzung ist die Konfiguration einer Endpoint DLP nicht möglich.
Stufe 4 Belegen: Was wirklich passiert ist
Die vierte und letzte Stufe ist die, die im Ernstfall entscheidend wird: Beim Audit, im Compliance-Gespräch, bei einem Incident. Microsoft Purview bietet dafür vier Werkzeuge:
Activity Explorer: Zeigt, welche Inhalte in KI-Anfragen gelandet sind, welchen Label-Stempel sie trugen und welche Regel angeschlagen hat.
Audit: Lückenloses Protokoll, das alle KI-Anfragen festhält und sie für spätere Abklärungen auswertbar macht.
Insider Risk Management: Erkennt auffällige Muster im Umgang mit heiklen Daten und KI-Tools.
eDiscovery: KI-Anfragen lassen sich rechtssicher (und teilweise forensisch) gezielt suchen, sichern und exportieren.
👉🏻 Aus einzelnen Handgriffen wird ein belegbarer Nachweis eurer Kontrolle.
Fünf Take Aways
Shadow AI ist kein Zukunftsgelaber, sie ist heute Realität in jedem Unternehmen. Aber sie ist auch kein Schicksal. Mit dem richtigen Vorgehen holt ihr die KI-Nutzung zurück ins Unternehmen und behaltet die Kontrolle. Hier sind fünf Take Aways aus meiner Erfahrung aus Kundenprojekten und Erfahrungsaustausch in der Community:
Kommentare