DLP für KI: Data Loss Prevention in der Ära der Sprachmodelle

Die DLP-Lücke bei KI-Anwendungen

Klassische DLP-Lösungen wurden für bekannte Kanäle gebaut: E-Mail-Anhänge, USB-Datenträger, Uploads in Cloud-Speicher. Sie erkennen Dateitypen, Dokumentklassifizierungen und feste Muster.

KI-Nutzung sieht anders aus. Wenn ein Mitarbeiter einen Vertragsabschnitt in ein Chatfenster eines Cloud-Dienstes kopiert, sieht die Netzwerk-DLP im Zweifel nur verschlüsselten HTTPS-Verkehr zu einem bekannten Anbieter. Selbst mit TLS-Inspektion bleibt die Herausforderung: Es gibt keine Datei, kein Dokumentlabel, nur freien Text, eingebettet in eine Frage.

Das Ergebnis ist eine blinde Stelle. Genau über diesen Kanal fließen heute Vertragsinhalte, Kundendaten, Kalkulationen und Quellcode ab, meist ohne böse Absicht, sondern weil Mitarbeiter produktiv sein wollen. Wie verbreitet das ist, beschreibt unser Beitrag zu Shadow AI im Unternehmen.

KI-spezifische DLP-Herausforderungen

Data Loss Prevention für Sprachmodelle muss mit Mustern umgehen, für die klassische Systeme nicht ausgelegt sind:

• Daten im Fließtext: Sensible Informationen stecken in natürlichsprachigen Prompts, ohne Dateiformat und oft ohne feste Struktur.
• Copy-and-Paste ganzer Dokumente: Mitarbeiter fügen vollständige Verträge, Protokolle oder Tabellen in Chatfenster ein.
• Programmatische API-Aufrufe: Entwickler und Automatisierungen senden Daten direkt an KI-Schnittstellen, am Browser vorbei.
• Angereicherte Kontexte: RAG-Systeme und Agenten laden selbstständig Dokumente in den Kontext eines Modells. Was dort landet, entscheidet nicht mehr der Mensch allein.
• Prompt Injection: Manipulierte Inhalte in Dokumenten oder Webseiten können ein Modell dazu bringen, Daten preiszugeben oder Aktionen auszuführen, die niemand beabsichtigt hat.

Die Lösung: DLP auf Gateway-Ebene

Ein KI-Gateway sitzt zwischen Nutzern bzw. Anwendungen und den Sprachmodellen. Da alle KI-Anfragen über diesen einen Punkt laufen, kann es den Inhalt verstehen und nicht nur den Datenverkehr:

• Textklassifizierung: Ist der Inhalt öffentlich, intern oder vertraulich?
• Entitätserkennung: Enthält die Anfrage Namen, Adressen, IBAN, Steuer-IDs oder andere personenbezogene Daten? Details dazu im Beitrag PII-Erkennung in Echtzeit.
• Mustererkennung: Enthält sie Quellcode, SQL-Abfragen, Zugangsdaten oder Konfigurationsdateien?
• Kontextprüfung: Wer fragt, aus welcher Abteilung, über welche Anwendung und an welches Modell?

Auf dieser Grundlage trifft das Gateway eine Entscheidung: durchlassen, maskieren, an ein lokales Modell umleiten, blockieren oder zur Freigabe vorlegen.

Regelbasierte Kontrolle: Beispiele

DLP-Regeln für KI sollten so konkret wie möglich sein. Einige Beispiele aus der Praxis:

Wichtig ist, dass Regeln nicht nur verbieten. Ein reines Blockieren treibt Mitarbeiter zurück zu privaten Konten. Wirksamer ist ein Umleiten: Die Anfrage wird trotzdem beantwortet, nur eben vom lokal betriebenen Sprachmodell statt von einem Cloud-Dienst.

Integration mit bestehendem DLP und SIEM

Ein KI-Gateway ersetzt Ihre vorhandene DLP-Lösung nicht, sondern ergänzt sie um die KI-Dimension:

• SIEM-Anbindung: Gateway-Ereignisse wie Maskierungen, Blockierungen und Regelverstöße lassen sich in bestehende Security-Monitoring-Systeme wie Splunk oder Elastic übertragen.
• Einheitliche Klassifizierung: Vorhandene Vertraulichkeitsstufen können in die Gateway-Regeln übernommen werden.
• Identitäten aus dem SSO: Regeln greifen pro Nutzer, Gruppe oder Abteilung, ohne zusätzliche Benutzerverwaltung.
• Nachweis: Ein Audit-Trail dokumentiert, welche Regel wann gegriffen hat.

So entsteht eine deutlich vollständigere Sicht auf Datenflüsse, einschließlich des Kanals, der bisher unsichtbar war.

Einführung in der Praxis: so gehen Sie vor

1. Bestandsaufnahme: Welche KI-Dienste werden genutzt, offiziell und inoffiziell? Proxy- und Firewall-Logs geben erste Hinweise.
2. Datenklassen definieren: Welche Informationen dürfen niemals an externe Modelle? Personaldaten, Kundendaten, Finanzzahlen, Quellcode sind typische Kandidaten.
3. Offiziellen Kanal bereitstellen: Ein KI-Assistent über das Gateway muss für Mitarbeiter mindestens so bequem sein wie das private Konto.
4. Mit Beobachtungsmodus starten: Regeln zunächst nur protokollieren, dann schrittweise durchsetzen. So vermeiden Sie Fehlalarme, die Akzeptanz kosten.
5. Direkten Zugriff einschränken: Erst wenn die Alternative steht, sollten nicht freigegebene KI-Dienste netzwerkseitig begrenzt werden.

Häufige Fehler

• Nur blockieren: Verbote ohne Alternative erhöhen die Schattennutzung.
• Nur Muster, keine Semantik: Reguläre Ausdrücke erkennen IBANs, aber keine vertrauliche Strategie in Prosa. Es braucht beides.
• API-Nutzung vergessen: Automatisierungen und Entwicklerwerkzeuge sind oft der größere Datenstrom als der Browser.
• Logs mit Klartextdaten: Ein DLP-Protokoll darf nicht selbst zur Sammlung sensibler Daten werden.

DLP für KI mit Verdacloud

Das Secure Gateway von Verdacloud prüft Anfragen inhaltlich, maskiert personenbezogene Daten, setzt Regeln pro Abteilung durch und leitet vertrauliche Anfragen an ein Sprachmodell weiter, das auf dedizierter Hardware in ISO-27001-zertifizierten Rechenzentren in Bayern und Sachsen läuft. Für die Einbettung in Ihre Sicherheitsstrategie empfehlen wir zusätzlich unseren Beitrag zur Zero-Trust-Strategie für KI. Bei Fragen zu Governance und Richtlinien unterstützt Sie VerdaGen.ai.