Shadow AI im Unternehmen: Das unsichtbare Risiko

Shadow AI im Unternehmen: die neue Shadow IT

Shadow IT kennen IT-Abteilungen seit Jahren: private Cloud-Speicher, nicht genehmigte Messenger, selbst beschaffte Software. Shadow AI folgt demselben Muster, ist aber in einem Punkt gefährlicher: Bei klassischer Shadow IT liegen Daten an einem ungeplanten Ort. Bei Shadow AI werden Inhalte gezielt an ein externes System gesendet, dort verarbeitet und unter Umständen gespeichert oder – je nach Nutzungsbedingungen – für das Training weiterer Modelle verwendet.

Typische Formen von Schatten-KI:

• öffentliche Chat-Assistenten im Browser mit privatem Konto,
• Browser-Erweiterungen, die Webseiten, E-Mails oder Formulare an KI-Dienste übermitteln,
• KI-Funktionen in bereits genutzter Software, die ohne Prüfung aktiviert wurden,
• Transkriptions- und Meeting-Tools, die Besprechungen aufzeichnen und auswerten,
• Coding-Assistenten mit Zugriff auf den Quellcode,
• selbst gebaute Automatisierungen, die Daten per API an KI-Dienste weiterreichen.

Wie verbreitet ist Shadow AI?

Belastbare Zahlen liefert der IBM Cost of a Data Breach Report 2025: Jede fünfte untersuchte Organisation meldete einen Sicherheitsvorfall im Zusammenhang mit Schatten-KI. Solche Vorfälle erhöhten die durchschnittlichen Kosten eines Datenschutzvorfalls um rund 670.000 US-Dollar. 63 % der betroffenen Organisationen hatten keine Richtlinien zur KI-Governance, und bei Vorfällen mit Schatten-KI waren überdurchschnittlich oft personenbezogene Kundendaten betroffen.

Die Ursache ist fast nie böser Wille. Mitarbeitende wollen schneller arbeiten, und wenn das Unternehmen kein geeignetes Werkzeug anbietet, greifen sie zu dem, das sie privat kennen.

Die konkreten Risiken

Hinzu kommt ein strategisches Problem: Wissen darüber, wie KI im Unternehmen tatsächlich eingesetzt wird, bleibt unsichtbar. Gute Anwendungsfälle, die sich skalieren ließen, werden nie bekannt.

Shadow AI erkennen

Kein einzelnes Verfahren liefert ein vollständiges Bild. Bewährt hat sich eine Kombination:

1. Netzwerk- und DNS-Auswertung: Zugriffe auf bekannte KI-Domains und API-Endpunkte in Proxy- und DNS-Protokollen zeigen, welche Dienste genutzt werden und wie häufig.
2. SaaS- und Erweiterungsinventar: Welche Anwendungen und Browser-Erweiterungen sind installiert, welche KI-Funktionen in bestehender Software aktiv?
3. Endpoint- und DLP-Signale: Auffällige Kopier- und Upload-Vorgänge großer Textmengen oder Dateien in Webformulare.
4. Anonyme Befragung: Die ehrlichste Quelle ist oft die direkte Frage, welche Tools wofür genutzt werden, ohne Sanktionsdrohung.

Wichtig: Technische Überwachung von Beschäftigten berührt Datenschutz und Mitbestimmung. Stimmen Sie Maßnahmen mit Datenschutzbeauftragtem und Betriebsrat ab und werten Sie möglichst aggregiert aus.

Lösung: Kanalisieren statt verbieten

Ein pauschales KI-Verbot wirkt selten. Es verlagert die Nutzung auf private Smartphones und Heimrechner, wo sie gar nicht mehr sichtbar ist. Erfolgreicher ist ein Dreiklang:

• Eine sichere Alternative bereitstellen: Ein freigegebener KI-Assistent, der für den Alltag genauso gut funktioniert wie das private Tool, mit lokalem Modell für vertrauliche Inhalte.
• Leitplanken technisch durchsetzen: Ein Secure Gateway maskiert personenbezogene Daten, wendet DLP-Regeln an und protokolliert die Nutzung. Wie das funktioniert, erklärt der Beitrag Was ist ein Secure AI Gateway?.
• Klare Regeln und Schulung: Eine verständliche KI-Richtlinie legt fest, welche Tools für welche Daten erlaubt sind. Schulungen vermitteln, warum.

Erst wenn die Alternative verfügbar ist, lohnt es sich, nicht freigegebene KI-Dienste an der Firewall zu sperren. Eingebettet in eine übergreifende Zero-Trust-KI-Strategie wird aus dem Risiko ein gesteuerter Kanal.

Praxisbeispiel: So läuft die Umstellung typischerweise ab

Ein mittelständisches Unternehmen stellt bei der Bestandsaufnahme fest, dass mehrere Abteilungen private Chat-Konten nutzen, vor allem für Korrespondenz, Übersetzungen und Zusammenfassungen. Statt eines Verbots führt es einen internen KI-Assistenten ein, der über ein Gateway läuft: Standardanfragen werden maskiert verarbeitet, Personal- und Finanzthemen gehen ausschließlich an ein lokal gehostetes Modell. Nach einer Pilotphase werden die privaten Dienste gesperrt. Die Auswertung der Protokolle zeigt, welche Anwendungsfälle am häufigsten sind, und liefert damit die Grundlage für die nächsten KI-Projekte.

Die sichere Alternative mit Verdacloud

Verdacloud betreibt die technische Basis für diese Alternative: Local LLM & Secure Gateway kombiniert ein lokal gehostetes Sprachmodell mit VerdaGate, dem Secure Gateway unserer Schwestermarke VerdaGen.ai, auf dedizierter Hardware in ISO-27001-zertifizierten Rechenzentren in Bayern und Sachsen. Für KI-Richtlinie, Schulung und Einführungsbegleitung ist VerdaGen.ai Ihr Ansprechpartner. Die Pakete finden Sie auf der Preisseite.