Jede Organisation hat ein Shadow-IT-Problem. Die meisten haben inzwischen festgestellt, dass sie auch ein Shadow-AI-Problem haben — und es bewegt sich schneller, berührt mehr sensible Daten und trägt schwerwiegendere Compliance-Folgen als alles, was zuvor kam.
Dieser Artikel erklärt, was Shadow AI ist, wie sich ihre realen Kosten beziffern lassen und warum Governance — nicht ein pauschales Verbot — die einzige dauerhafte Antwort ist.
Was ist Shadow AI?
Shadow AI ist die Nutzung von AI-Tools, -Modellen und -Diensten durch Mitarbeitende ohne Wissen, Freigabe oder Aufsicht der IT-, Sicherheits- oder Compliance-Teams.
Dazu gehören:
- Consumer-Versionen von ChatGPT, Claude oder Gemini, genutzt zum Entwurf von Verträgen, zur Zusammenfassung von Earnings Calls oder zum Debuggen internen Codes
- Copilot-artige Autocomplete-Tools, eingebettet in IDEs oder Browser ohne Enterprise-Verträge
- AI-APIs von Drittanbietern, direkt aus internen Skripten und Automatisierungs-Flows aufgerufen
- AI-Agenten, von einzelnen Teams gebaut, die externe Modell-APIs aufrufen — oft über private oder abteilungseigene Kreditkarten finanziert
- SaaS-Tools mit unbemerkt aktivierten AI-Funktionen — CRMs, Projektmanagement-Plattformen und Produktivitäts-Suiten, die Daten standardmäßig an Foundation Models weiterleiten
In einer Umfrage von Cyberhaven aus dem Jahr 2024 wurden 11 % der Daten, die Mitarbeitende in ChatGPT einfügten, als vertraulich eingestuft. Diese Zahl ist seither nur gewachsen. Die Modelle, die diese Daten erhalten, sind extern, unter keinem Vertrag und außerhalb Ihrer Auftragsverarbeitungsverträge.
Warum das Risiko größer ist, als die meisten Sicherheitsteams erkennen
Shadow AI ist nicht dasselbe wie Shadow IT. Das Risikoprofil unterscheidet sich aus drei Gründen grundlegend.
1. Die Datenflüsse sind semantisch, nicht strukturell.
Klassische DLP-Tools suchen nach Mustern: Kreditkartennummern, Sozialversicherungsnummern, Dateisignaturen. Ein Mitarbeiter, der ein Kundenangebot zur Überarbeitung an GPT-4 sendet, löst diese Regeln nicht aus. Die Daten sind unstrukturiert, kontextuell sensibel und für die meisten Monitoring-Stacks unsichtbar.
2. Die Geschwindigkeit ist um Größenordnungen höher.
Ein Entwickler, der ein nicht freigegebenes SaaS-Tool anbindet, durchläuft einen OAuth-Flow und erstellt eine einzige Integration. Derselbe Entwickler, der ein AI-Modell nutzt, kann tausende API-Calls pro Tag erzeugen, von denen jeder ein anderes Fragment proprietären Kontexts enthält.
3. Agenten potenzieren die Exposition.
Wenn Mitarbeitende AI-Agenten bauen — selbst einfache —, treffen diese Agenten autonome Entscheidungen darüber, welche Daten sie abrufen, was sie senden und welche Aktionen sie ausführen. Ein Retrieval-Augmented-Agent mit Zugriff auf Ihre interne Wissensdatenbank kann Informationen in Maschinengeschwindigkeit nach außen geben, ohne dass ein Mensch einzelne Anfragen prüft.
Die drei realen Kosten
Organisationen, die ihre Shadow-AI-Exposition kartieren, finden typischerweise drei Kostenkategorien, die sie nicht eingeplant hatten.
Risiko der Datenexfiltration
Jeder Prompt, der Kundendaten, interne Strategie, Quellcode oder personenbezogene Daten enthält und Ihren Perimeter verlässt, ist ein potenzieller Vorfall. Nach der DSGVO ist das Senden personenbezogener Daten an einen nicht vertraglich gebundenen AI-Anbieter ein Verstoß gegen die Auftragsverarbeitung, selbst wenn nachgelagert nichts Schlimmes passiert. Das Bußgeld für einen Verstoß der ersten Stufe beträgt bis zu 4 % des weltweiten Jahresumsatzes.
In regulierten Branchen — Finanzdienstleistungen, Gesundheitswesen, Recht — wird die Exposition durch sektorspezifische Vorschriften verschärft. Ein Banker, der Deal-Konditionen in ein Consumer-AI-Tool einfügt, kann Marktmissbrauchsregeln auslösen. Ein Arzt, der Patientennotizen über einen nicht freigegebenen Dienst zusammenfasst, verstößt möglicherweise gegen HIPAA oder die Pflichten des EU AI Act für Hochrisiko-AI-Systeme.
Compliance- und Audit-Versagen
Prüfer und Regulierungsbehörden fragen zunehmend nach AI-Governance. SOC 2 Type II, ISO 27001 und neue AI-spezifische Rahmenwerke (NIST AI RMF, die Risikomanagementpflichten nach Artikel 9 des EU AI Act) verlangen von Organisationen den Nachweis, dass AI-Nutzung inventarisiert, kontrolliert und protokolliert wird.
Ein Unternehmen mit weit verbreiteter Shadow AI kann diese Fragen nicht beantworten. Die Folge ist nicht nur ein gescheitertes Audit — es ist die Unfähigkeit, Enterprise-Verkäufe abzuschließen, Cyberversicherungen zu angemessenen Konditionen zu verlängern oder Governance-Anforderungen auf Vorstandsebene zu erfüllen.
Risiko von Nacharbeit und Ergebnissen
Shadow AI erzeugt außerdem operative Kosten, die in Sicherheitsbudgets selten auftauchen. Mitarbeitende, die unkontrollierte Modelle nutzen, produzieren Ergebnisse — Dokumente, Code, Analysen —, die halluziniert sein, internen Standards widersprechen oder auf Modellwissen beruhen können, das vor wichtigen Entwicklungen liegt. Wenn diese Ergebnisse ungeprüft in kundengerichteten oder entscheidungsrelevanten Kontexten verwendet werden, sind die Kosten der Nacharbeit real und verstecken sich oft in Projekt-Post-Mortems, statt dem AI-Risiko zugeschrieben zu werden.
Warum Verbote nicht funktionieren
Die intuitive Reaktion auf Shadow AI ist, sie zu blockieren. Firewalls können ChatGPT-Endpunkte blockieren. Richtlinien zur akzeptablen Nutzung können Consumer-AI-Tools untersagen. Keiner der Ansätze hält stand.
Mitarbeitende, die Produktivitätswerkzeuge brauchen, finden Alternativen. VPNs, private Geräte und mobile Hotspots umgehen Sperren auf Netzwerkebene innerhalb von Stunden nach ihrer Einführung. Pauschale Verbote zerstören außerdem die Produktivitätsgewinne, die die AI-Einführung strategisch wichtig machen — und sie erzeugen Unmut, der Mitarbeitende weniger geneigt macht, Probleme zu melden, wenn sie auf welche stoßen.
Die Erfahrung aus der Shadow IT ist hier lehrreich. Nach jahrzehntelangen Versuchen, privaten Cloud-Speicher zu verbieten, kamen die meisten Organisationen zu dem Schluss, dass die Antwort darin lag, besser kontrollierte Alternativen bereitzustellen — nicht darin, Mitarbeitende als Gegner zu behandeln. Dieselbe Logik gilt für AI.
Wie bewusste AI-Governance aussieht
Governance funktioniert, indem sie den sicheren Weg zum einfachen Weg macht. Die Bestandteile wirksamer AI-Governance sind:
Sichtbarkeit. Sie können nicht steuern, was Sie nicht sehen. Eine Control Plane, die AI-Nutzung in Ihrer gesamten Organisation abfängt und protokolliert — welche Modelle aufgerufen werden, von wem, mit welchen Daten —, gibt Ihnen das Fundament für alles Weitere.
Richtliniendurchsetzung. Regeln, die auf der Prompt- und Antwortebene wirken, nicht nur auf der Netzwerkebene. Das bedeutet, sensible Daten zu filtern, bevor sie Ihren Perimeter verlassen, Kategorien von AI-Nutzung zu blockieren, die gegen Ihre Richtlinie zur akzeptablen Nutzung verstoßen, und unterschiedliche Kontrollen auf unterschiedliche Risikostufen anzuwenden.
Audit-Trail. Ein manipulationssicheres Protokoll von AI-Interaktionen, das regulatorische Anforderungen erfüllt und es Ihnen ermöglicht, auf Vorfälle zu reagieren. Keine Stichprobe — eine vollständige Aufzeichnung.
Freigegebene Alternativen. Ein Katalog geprüfter AI-Tools und -Modelle, die Mitarbeitende ohne Umwege nutzen können. Shadow AI wächst im Raum zwischen „Mitarbeitende brauchen das" und „die IT hat nichts freigegeben". Verkleinern Sie diesen Raum.
Modellzugriffskontrolle. Besonders bei AI-Agenten bedeutet Governance, festzulegen, welche Modelle ein bestimmter Workflow aufrufen darf, auf welche Datenquellen er zugreifen darf und welche Aktionen er ausführen darf — mit Human-in-the-Loop-Kontrollpunkten dort, wo das Risiko es rechtfertigt.
Erste Schritte
Die Organisationen, die Shadow AI am wirksamsten in den Griff bekommen, beginnen mit Erkennung, nicht mit Durchsetzung. Kartieren Sie, was tatsächlich passiert, bevor Sie eine Richtlinie schreiben, die womöglich nicht zur Realität passt.
Fragen Sie: Welche Teams nutzen AI am intensivsten? Wofür nutzen sie sie? Welche Daten sind beteiligt? Dieses Inventar ist das Fundament für ein Governance-Programm, dem Ihre Teams folgen werden, weil es widerspiegelt, wie sie tatsächlich arbeiten.
Das Ziel ist kein risikofreies AI-Programm. Das gibt es nicht. Das Ziel ist ein risikogesteuertes — bei dem Sie wissen, was passiert, bewusste Entscheidungen darüber getroffen haben, was Sie erlauben, und es einem Prüfer, einem Vorstand oder einer Regulierungsbehörde nachweisen können, die danach fragt.
Sehen Sie, wie Qadar AI Ihnen Sichtbarkeit über jeden AI-Touchpoint verschafft → Demo buchen
