Das Risiko von Shadow AI konzentriert sich auf Enterprise-Power-User

Google News machte auf eine eindringliche Warnung von Akamai aufmerksam: 5 % der Enterprise-Nutzer führen zwölfmal mehr KI-Konversationen als die untere Hälfte der Beschäftigten. Diese Mitarbeiter stellen nicht bloß gelegentlich Fragen. Sie integrieren KI in wiederkehrende Arbeitsabläufe, teilen Arbeitskontext, laden Dateien hoch und setzen manchmal Agents mit Zugriff auf Geschäftssysteme ein.

Die Erkenntnis stellt die Standardreaktion auf Shadow AI infrage, also die Nutzung von KI am Arbeitsplatz außerhalb der vom Arbeitgeber genehmigten Kontrollen. Viele Unternehmen veröffentlichen weiterhin eine Richtlinie für alle, sperren einige bekannte Websites und zählen Lizenzen für freigegebene Plattformen. Dieser Ansatz behandelt die Gefährdung als gleichmäßig verteilt, obwohl Akais Telemetriedaten eine starke Konzentration zeigen.

Dies ist kein Argument dafür, gelegentliche Nutzung zu ignorieren. Fast die Hälfte der beobachteten Enterprise-KI-Konversationen erfolgte über persönliche Identitäten statt über unternehmensverwaltete Konten. Die Kombination aus persönlichem Zugriff, intensivem Prompting und verbundenen Agents schafft jedoch ein weitaus folgenreicheres Risiko als eine isolierte Anfrage.

Der zentrale Konflikt besteht daher nicht zwischen Mitarbeitern und Sicherheitsteams. Es geht um breit angelegte Governance auf Anwendungsebene gegenüber identitätsbewussten Kontrollen, die sich auf das tatsächliche Verhalten konzentrieren. Der erste Ansatz fragt, ob ein KI-Dienst erlaubt ist. Der zweite fragt, wer ihn unter welcher Identität, mit welchen Daten und mit Zugriff auf welche Systeme nutzt.

Diese Unterscheidung ist wichtig, weil die Mitarbeiter, die mit KI den größten Mehrwert schaffen, zugleich die größte unverwaltete Gefährdung verursachen können. Sie wahllos zu bremsen würde Fachwissen verschwenden und weitere Umgehungslösungen fördern. Ihre Aktivitäten unsichtbar zu lassen, würde sensible Arbeitsabläufe über die üblichen Sicherheitsgrenzen hinauswachsen lassen.

Google News zeigt ein enger umrissenes Shadow-AI-Problem

Akamais Daten verschieben die Shadow-AI-Debatte von der Gesamtnutzung hin zur Konzentration von Aktivität und Zugriff.

Die zugrunde liegenden Erkenntnisse stammen aus Akamais Enterprise AI Usage Risk Report 2026, der am 5. August veröffentlicht wurde. Akamai stützte den Bericht auf Nutzungsdaten von LayerX, dem Unternehmen für Enterprise-Browsersicherheit, das es übernommen hat. Die Untersuchung betrachtet persönliche Konten, KI-Anwendungen, Browser-Erweiterungen, sensible Prompts und autonome Agents.

Laut dem Enterprise-KI-Bericht führte der durchschnittliche Enterprise-Nutzer mehr als 36 KI-Konversationen. Dieser Durchschnitt verdeckt eine starke Ungleichverteilung. Die Hälfte der Nutzer verzeichnete zwölf oder weniger Konversationen, während die obersten 5 % mindestens 144 führten.

Der Unterschied beschränkt sich nicht auf die Anzahl der Konversationen. Eine typische KI-Konversation umfasst laut Akamai etwa fünf Prompts. Konversationen der intensivsten Nutzer erreichen mindestens 18 Prompts und zeigen damit eine anhaltende Zusammenarbeit statt eines einzelnen suchähnlichen Austauschs.

Längere Konversationen schaffen mehr Möglichkeiten, dass Geschäftsinformationen in ein externes System gelangen. Ein Nutzer könnte mit einer harmlosen Anfrage nach einer Gliederung beginnen. Spätere Prompts können Kundendetails, interne Vorgaben, Dokumentauszüge, Quellcode, finanzielle Annahmen oder aus privaten Kommunikationen kopierte Anweisungen hinzufügen.

Dieser angesammelte Kontext ist wichtiger als jeder isolierte Satz. Moderne KI-Arbeit entwickelt sich oft in Fragmenten. Ein Mitarbeiter fügt Informationen über mehrere Prompts hinweg hinzu, lädt unterstützende Dateien hoch und bittet das Modell wiederholt, seine Ausgabe zu überarbeiten. Jede einzelne Offenlegung kann geringfügig wirken, während die vollständige Konversation einen sensiblen Geschäftsprozess rekonstruiert.

Akamai berichtet zudem, dass 47,11 % der Enterprise-KI-Konversationen über persönliche Identitäten stattfinden. Diese Sitzungen liegen außerhalb unternehmerischer Identitätskontrollen, Aufbewahrungseinstellungen, Audit-Systeme und ausgehandelter Datenschutzvorkehrungen. Sicherheitsteams können erkennen, dass ein Browser einen KI-Dienst aufgerufen hat, ohne zu wissen, ob der Mitarbeiter ein verwaltetes Konto verwendet hat.

Die Identitätsverteilung unterscheidet sich je nach Plattform deutlich. Akamais Telemetriedaten zeigten, dass Gemini Enterprise 98,15 % der Interaktionen innerhalb unternehmerischer Identitätssysteme hielt. Microsoft Copilot for Microsoft 365 hielt 90,55 % innerhalb dieser Systeme.

Bei konsumorientiertem Zugriff zeigte sich das umgekehrte Muster. Der Bericht ordnete 61,36 % der ChatGPT-Interaktionen, 61,09 % der Claude-Interaktionen und 63,92 % der Microsoft Copilot Standard-Interaktionen persönlichen Identitäten zu. DeepSeek erreichte 99,8 %.

Diese Zahlen beweisen nicht, dass jede persönliche Sitzung vertrauliche Daten preisgegeben hat. Sie belegen eine Transparenzlücke. Ein Arbeitgeber kann unternehmensweite Regeln für Aufbewahrung, Zugriff und Datenverarbeitung nicht konsistent anwenden, wenn die Arbeit über eine Identität erfolgt, die er nicht verwaltet.

Der über Google News erschienene Artikel betont außerdem eine entscheidende Korrelation. Dieselben Power-User, die tiefere Konversationen führen, laden mit größerer Wahrscheinlichkeit Dateien hoch, teilen Geschäftsinformationen und verbinden KI mit operativen Aufgaben. Das Risiko folgt der Aktivität, weil jede zusätzliche Interaktion eine weitere Gelegenheit für unangemessene Offenlegung schafft.

Das ist eine nützlichere Einordnung, als jeden Mitarbeiter als gleichwertige Gefahrenquelle zu zählen. Ein Mitarbeiter, der eine allgemeine Frage zum Schreiben stellt, schafft nicht dasselbe Risiko wie ein Ingenieur, der einen Agent mit einem Code-Repository verbindet. Beide nutzen KI, doch ihr Zugriff, ihre Daten und ihre potenziellen Auswirkungen unterscheiden sich erheblich.

Die Schlagzeilenzahl von 5 % sollte nicht zu einem dauerhaften Schwellenwert werden. Jede Organisation wird eine andere Verteilung aufweisen. Die wichtige Veränderung ist methodischer Natur: Sicherheitsteams müssen die Konzentration messen, bevor sie entscheiden, wo stärkere Kontrollen erforderlich sind.

Die riskantesten Nutzer sind oft die produktivsten

Die Mitarbeiter, die breite KI-Richtlinien am ehesten umgehen, sind oft diejenigen, die KI bereits in funktionierende Infrastruktur verwandelt haben.

Power-User entstehen in der Regel, weil sie wiederholbaren Nutzen entdecken, bevor die formelle Beschaffung nachzieht. Sie nutzen KI möglicherweise, um Kundenforschung zusammenzufassen, Code zu debuggen, Verträge zu entwerfen, technische Dokumente zu vergleichen, Verkaufsgespräche zu analysieren oder Finanzszenarien vorzubereiten. Wiederholter Erfolg fördert eine tiefere Integration.

Dieser Prozess beginnt oft harmlos. Ein Mitarbeiter testet einen öffentlichen Chatbot mit nicht vertraulichem Material. Dann erstellt er wiederverwendbare Prompts, fügt Referenzdateien hinzu, installiert eine Browser-Erweiterung oder verbindet das Modell mit einer anderen Anwendung. Aus einem persönlichen Experiment wird schrittweise ein nicht dokumentierter Produktions-Workflow.

Microsoft beobachtete diesen Adoptionsdruck bereits Jahre vor dem Akamai-Bericht. Seine Arbeitsplatz-KI-Studie aus dem Jahr 2024 ergab, dass 75 % der befragten Wissensarbeiter KI bei der Arbeit nutzten. Unter diesen Nutzern brachten 78 % ihre eigenen KI-Tools mit, statt auf eine vom Arbeitgeber bereitgestellte Option zu warten.

Die frühere Umfrage maß selbstberichtetes Verhalten, während Akamai beobachtete Nutzungs-Telemetrie präsentiert. Die Quellen verwenden unterschiedliche Methoden und Zeiträume; ihre Zahlen sollten daher nicht zu einer einzigen statistischen Aussage zusammengeführt werden. Sie beschreiben dennoch dieselbe organisatorische Spannung: Mitarbeiter übernehmen bequeme Tools schneller, als Unternehmen sie bewerten und steuern können.

Breite Verbote verfehlen diese Motivation oft. Eine Richtlinie kann Mitarbeitern untersagen, sensible Informationen in ein nicht genehmigtes Modell einzugeben. Sie kann jedoch keine freigegebene Alternative nützlich machen, eine lange Zugriffsanfrage verkürzen oder erklären, welche Informationen innerhalb eines bestimmten Workflows sicher sind.

Wenn dem freigegebenen Tool benötigte Fähigkeiten fehlen, steht ein intensiver Nutzer vor unmittelbarer Reibung. Er kann produktive Arbeit unterbrechen, eine Beschaffungsanfrage stellen oder über ein persönliches Konto weitermachen. Dauert die Genehmigung Wochen, wird das persönliche Konto zum Weg des geringsten Widerstands.

Dies entschuldigt keine unbefugte Datenverarbeitung. Es erklärt, warum allgemeine Schulungen uneinheitliche Ergebnisse liefern. Eine jährliche Compliance-Präsentation konkurriert mit täglichen Fristen, vertrauten Consumer-Oberflächen und dem unmittelbaren Nutzen einer funktionierenden Prompt-Kette.

Die Erkenntnisse zu Shadow AI von Akamai legen nahe, dass Schulungen dem beobachteten Verhalten folgen sollten. Gelegenheitsnutzer benötigen klare Grenzen und genehmigte Optionen. Power-User benötigen detailliertere Leitlinien zu Datenklassifizierung, Identität, Erweiterungen, Konnektoren, Agent-Berechtigungen und Meldung von Vorfällen.

Sie benötigen außerdem einen sichereren Weg zum Experimentieren. Ein Unternehmen kann kontrollierte Umgebungen schaffen, in denen fortgeschrittene Nutzer neue Modelle testen, ohne Produktionsdaten offenzulegen. Sicherheitsteams können dann tatsächliche Anforderungen beobachten, bevor sie entscheiden, welche Dienste, Integrationen und Workflows genehmigt werden.

Dieser Ansatz behandelt Shadow-AI-Power-User als Partner, ohne anzunehmen, dass Fachwissen automatisch Sicherheitsbewusstsein bedeutet. Jemand kann das Verhalten von Modellen verstehen und dennoch Risiken bei Aufbewahrung, Autorisierung oder Verarbeitung durch Dritte unterschätzen. Technisches Selbstvertrauen lässt einen inoffiziellen Workflow manchmal sicherer erscheinen, als er ist.

Der produktive Nutzer kann zudem zu einem verborgenen Systemverantwortlichen werden. Wenn ein Team von Prompts abhängt, die in einem persönlichen Konto gespeichert sind, besitzt das Unternehmen keine verlässliche Aufzeichnung dieser Anweisungen. Wenn der Mitarbeiter das Unternehmen verlässt, Tools wechselt oder den Zugriff verliert, kann der Workflow mit ihm verschwinden.

Dasselbe Problem betrifft Wissen. Mitarbeiter versorgen KI häufig mit Notizen, Dokumenten, Besprechungskontext und Entscheidungen, die über persönliche Bereiche verstreut sind. Ein kontrolliertes persönliches Wissenssystem kann diese Fragmentierung verringern, allerdings nur, wenn seine Zugriffs- und Datenpraktiken den organisatorischen Anforderungen entsprechen.

Sicherheitsteams stehen daher vor einer anspruchsvollen Aufgabe. Sie müssen das Fachwissen bewahren, das KI nützlich macht, und gleichzeitig den umgebenden Workflow in verwaltete Identitäten, genehmigte Datenpfade und überprüfbare Systeme überführen.

Die aktivsten Nutzer zu bestrafen kann sie weiter in den Untergrund drängen. Sie zu ignorieren kann private Experimente in nicht nachverfolgbare Infrastruktur verwandeln. Die bessere Reaktion beginnt damit, sie zu finden, zu verstehen, was sie aufgebaut haben, und wertvolle Praktiken von unsicheren Umsetzungsentscheidungen zu trennen.

Breite Richtlinien sehen Anwendungen, nicht Gefährdung

Eine Anwendungsliste kann nicht zeigen, ob ein Nutzer eine allgemeine Frage stellte oder einem autonomen Agent Zugriff auf ein kritisches Repository gewährte.

Traditionelle Shadow-IT-Programme erfassen üblicherweise Dienste, klassifizieren Anbieter und sperren verbotene Domains. Dieses Modell setzt voraus, dass jede Anwendung eine relativ stabile Risikoeinheit darstellt. Generative KI erschwert diese Annahme, weil dieselbe Oberfläche radikal unterschiedliche Verhaltensweisen unterstützen kann.

Ein Mitarbeiter könnte ChatGPT nutzen, um eine öffentliche Stellenbeschreibung umzuformulieren. Ein anderer könnte unveröffentlichte Produktspezifikationen in denselben Dienst einfügen. Ein dritter könnte eine Coding-Erweiterung installieren, die Zugriff auf lokale Dateien und Entwicklungszugangsdaten hat.

Die Domain ist identisch, doch die Gefährdung verändert sich mit Identität, Inhalt, Berechtigungen und Dauer. Eine einfache Entscheidung nach dem Muster erlaubt oder gesperrt kann diese Unterschiede nicht ausdrücken.

Akamais Sicherheitsanalyse identifiziert fünf miteinander verbundene Bereiche: zunehmende KI-Nutzung, persönliche Konten, Datenoffenlegung, Browser- oder Entwicklungs-Erweiterungen und autonome Agents. Die Kombination ist wichtiger als jede einzelne Kategorie.

Browser-Erweiterungen verdienen besondere Aufmerksamkeit, weil sie nah an der Nutzeraktivität arbeiten. Abhängig von ihren Berechtigungen können Erweiterungen Seiteninhalte lesen, Eingaben beobachten, mit Cloud-Anwendungen interagieren oder Informationen an externe Dienste senden. Mitarbeiter können sie installieren, ohne die Handlung als Softwarebereitstellung zu betrachten.

Erweiterungen für integrierte Entwicklungsumgebungen stellen Ingenieure vor ein ähnliches Problem. Ein KI-Coding-Assistent könnte Quellcode-Dateien, Konfigurationsmaterial, Fehlerprotokolle oder nahegelegene Zugangsdaten sehen. Selbst wenn der Kernservice genehmigt ist, können eine bestimmte Erweiterung, ein Kontotyp oder eine Konfiguration außerhalb der Unternehmensvorgaben liegen.

Agenten erhöhen den Einsatz erneut. Ein KI-Agent ist Software, die ein Modell nutzt, um mit begrenzter menschlicher Intervention mithilfe von Tools ein Ziel zu verfolgen. Je nach den erhaltenen Berechtigungen kann er Dateien durchsuchen, APIs aufrufen, Datensätze ändern oder andere Anwendungen auslösen.

Ein Chatbot gibt normalerweise Text zurück, den ein Mensch bewertet. Ein Agent kann handeln. Dieser Wandel verwandelt ungenaue Ausgaben, manipulierte Anweisungen oder übermäßige Berechtigungen in operative Folgen.

Ein Mitarbeiter, der mit einem Agenten experimentiert, könnte ein persönliches Token verbinden, umfassenden Repository-Zugriff gewähren oder das System auf einem nicht verwalteten Gerät ausführen. Sicherheitsteams wissen möglicherweise nicht, dass der Agent existiert, weil er wie gewöhnliche Browser-, API- oder lokale Entwicklungsaktivität erscheint.

Das Risiko besteht auch über die ursprüngliche Unterhaltung hinaus fort. Ein Prompt kann nach dem Schließen eines Browser-Tabs aus dem Blick geraten. Ein Agent kann weiterhin eingeplant sein, Zugangsdaten behalten oder über Integrationen weiterarbeiten.

Netskope identifizierte diese wachsende Angriffsfläche in seiner Shadow-AI-Studie von 2025. Demnach griffen im Mai 2025 noch immer 60 % der beobachteten Unternehmensnutzer auf persönliche generative KI-Anwendungen zu. Das Unternehmen erfasste zudem benutzerdefinierte Agenten, Cloud-KI-Plattformen und On-Premises-Tools als aufkommende Formen von Shadow AI.

Netskope berichtete, dass die durchschnittliche Organisation in seinem Datensatz sieben generative Software-as-a-Service-KI-Anwendungen nutzte, gegenüber 5,6 drei Monate zuvor. Zudem verfolgte das Unternehmen mehr als 1.550 unterschiedliche generative KI-Anwendungen. Diese Zahlen verdeutlichen, warum es schwierig wird, eine vollständige Sperrliste zu pflegen.

Eine Sperrliste durch die Überwachung jedes einzelnen Prompts zu ersetzen, würde jedoch eigene Probleme schaffen. Datenschutz der Beschäftigten, arbeitsrechtliche Vorschriften, Datenminimierung und Vertrauen bleiben relevant. Mehr Transparenz bedeutet nicht automatisch bessere Governance, wenn die Datenerhebung keinen klaren Zweck oder angemessene Schutzmaßnahmen hat.

Das Ziel sollte eine verhältnismäßige Kontrolle sein. Organisationen können mit Metadaten beginnen, etwa Identitätstyp, Anwendungskategorie, Upload-Ereignissen, Erweiterungsberechtigungen, Tool-Verbindungen und ungewöhnlicher Aktivität. Eine eingehendere Prüfung sollten sie nur dort anwenden, wo Recht, Richtlinien und Risiko dies rechtfertigen.

Dieses Modell ähnelt etablierten Zero-Trust-Prinzipien. Zugriff hängt von Identität, Gerät, Ressource und Kontext ab, nicht allein vom Standort. KI-Governance sollte jede Interaktion anhand einer vergleichbaren Kombination von Signalen bewerten.

Ein verwalteter KI-Service macht nicht jede Handlung sicher. Ein nicht genehmigter Service macht auch nicht jede Handlung gleichermaßen gefährlich. Die entscheidende Frage lautet, worauf Nutzer, Modell und verbundene Tools gemeinsam zugreifen können.

Deshalb verfehlt eine breit gefasste Richtlinie das zentrale Konzentrationsproblem. Sie regelt den Namen der Anwendung, während sich die tatsächliche Gefährdung um bestimmte Identitäten und Arbeitsabläufe ansammelt.

Konzentrierte Kontrolle schafft eigene Risiken

Gezielte Governance ist präziser als pauschale Einschränkungen, doch Organisationen sollten Nutzungsvolumen nicht mit einem Beleg für Fehlverhalten verwechseln.

Die Erkenntnisse von Akamai sprechen dafür, Power User genauer zu betrachten. Sie belegen nicht, dass die obersten 5 % die meisten bestätigten Vorfälle verursachten, die sensibelsten Datensätze offenlegten oder unverantwortlich handelten. Hohe Aktivität ist ein Risikoindikator, kein Urteil über einen Vorfall.

Diese Einschränkung ist wichtig. Die Telemetrie beschreibt Unterhaltungen, Identitäten und Nutzungsmuster. Sie kann nicht den vollständigen geschäftlichen Zweck hinter jeder Interaktion offenlegen. Ein Sicherheitsanalyst, der KI-Kontrollen testet, kann bei einer Messung allein nach Gesprächsvolumen einem unsicheren Nutzer ähneln.

Organisationen sollten die 5-%-Zahl daher nicht in eine automatische Durchsetzungskategorie verwandeln. Intensive Aktivität sollte eine kontextbezogene Prüfung auslösen. Sie rechtfertigt ohne zusätzliche Belege weder eine sofortige Kontosperrung noch invasive Überwachung oder Disziplinarmaßnahmen.

Der Datensatz spiegelt außerdem die Sichtbarkeit von Akamai und LayerX wider. Er sollte nicht als universelle Erhebung über jede Branche, Geografie, jedes Gerät und jede KI-Implementierung behandelt werden. Unternehmen benötigen zunächst ihre eigene Ausgangsbasis, bevor sie Schwellenwerte festlegen oder die Gefährdung schätzen.

Ein zweites Problem ist falsches Vertrauen in Unternehmenskonten. Verwaltete Identitäten verbessern Auditierbarkeit, Zugriffskontrolle und vertraglichen Schutz. Sie hindern Mitarbeitende jedoch nicht daran, eingeschränkte Informationen einzugeben, eine halluzinierte Antwort zu akzeptieren oder einer verbundenen Anwendung übermäßige Berechtigungen zu gewähren.

Unternehmensversionen von Gemini, Copilot, ChatGPT oder Claude können bestimmte Risiken durch administrative Kontrollen verringern. Sie können Datenklassifizierung, Berechtigungsdesign, Workflow-Prüfung oder menschliches Urteilsvermögen nicht ersetzen.

Ein drittes Problem betrifft das organisatorische Vertrauen. Beschäftigte, die glauben, jede KI-Interaktion werde vom Management gelesen, könnten ihre Nutzung verbergen, auf persönliche Geräte ausweichen oder genehmigte Tools meiden. Diese Reaktion verringert genau die Sichtbarkeit, die ein gezieltes Programm schaffen sollte.

Unternehmen benötigen transparente Überwachungsregeln. Nutzer sollten verstehen, welche Signale erhoben werden, warum sie wichtig sind, wer sie prüfen darf und wie lange sie verfügbar bleiben. Sicherheitsteams sollten Risikoerkennung und Leistungsüberwachung nach Möglichkeit voneinander trennen.

Das NIST AI profile bietet ein nützliches Gegengewicht zu enger Durchsetzung. Es strukturiert Risikoarbeit über Governance, Mapping, Messung und Management. Dieser Lebenszyklusansatz behandelt Kontrollen als fortlaufendes System statt als einzelne Mitarbeiterrichtlinie.

Governance definiert Zuständigkeiten, zulässige Nutzung, Meldewege und Rechenschaftspflicht. Mapping identifiziert den Geschäftskontext, betroffene Personen, Daten und Abhängigkeiten. Messung prüft, ob Risiken und Kontrollen beobachtet werden können. Management priorisiert Reaktionen entsprechend Auswirkungen und Risikotoleranz.

Auf Shadow-AI-Power-User angewandt verhindert diese Reihenfolge einen vorschnellen Sprung von der Erkennung zur Bestrafung. Ein Unternehmen identifiziert zunächst intensive Arbeitsabläufe, ordnet deren Geschäftszweck und Datenzugriff ein, misst die konkrete Gefährdung und wählt dann eine verhältnismäßige Kontrolle.

Die Reaktion könnte darin bestehen, ein persönliches Konto in ein verwaltetes Konto zu überführen. Sie könnte eine übermäßige Erweiterungsberechtigung entfernen, einen persönlichen API-Schlüssel ersetzen, die Tools eines Agenten begrenzen oder einen besseren Unternehmensservice genehmigen.

Einige Arbeitsabläufe sollten vollständig eingestellt werden. Ein ungeprüfter Agent, der Finanzdaten ändert oder regulierte Gesundheitsdaten verarbeitet, stellt eine andere Gefährdungsstufe dar als ein Schreibassistent, der öffentliches Material nutzt. Die Konzentrationsanalyse hilft, diesen Unterschied zu finden, doch die menschliche Prüfung bestimmt weiterhin seine Bedeutung.

Gezielte Governance muss auch privilegierte Nutzer berücksichtigen. Ingenieure, Administratoren, Forschende, Führungskräfte, Rechts- und Finanzteams arbeiten häufig mit folgenreicherer Information als ihre Kollegen. Gesprächsvolumen und Zugriffssensitivität sollten gemeinsam bewertet werden.

Ein Nutzer mit 150 risikoarmen Gesprächen über öffentliche Marketingsprache kann weniger Gefährdung darstellen als jemand, der ein vertrauliches Übernahmedokument hochgeladen hat. Volumen ist nützlich, weil es fest verankertes Verhalten sichtbar macht. Inhalt und Berechtigungskontext bestimmen die potenzielle Auswirkung.

Die skeptische Schlussfolgerung ist eindeutig: Die Shadow-AI-Telemetrie von Akamai verbessert die Priorisierung, liefert jedoch keinen vollständigen Risikoscore. Organisationen brauchen weiterhin lokale Belege, transparente Regeln und sorgfältige Prüfung.

Worauf Sicherheitsteams als Nächstes achten sollten

Die nächste Phase der Shadow-AI-Governance wird an der Einführung verwalteter Identitäten, Agentenberechtigungen und nachweisbaren Verringerungen sensibler Gefährdung gemessen werden.

Das erste Signal ist der Anteil arbeitsbezogener KI-Aktivität, der von persönlichen Identitäten zu unternehmensverwalteten Konten wechselt. Das ist aussagekräftiger als die Zahl gekaufter Lizenzen. Ein Unternehmen kann Tausende Enterprise-Lizenzen besitzen, während Beschäftigte weiterhin vertraute persönliche Konten nutzen.

Sicherheitsverantwortliche sollten die Kontenmigration nach Team und Aktivitätsniveau messen. Fortschritte bei gelegentlichen Nutzern sind nützlich, aber Veränderungen bei den intensivsten Nutzern sind am wichtigsten. Ein sinkender Anteil persönlicher Konten in dieser Gruppe würde Akamais Konzentrationsthese stützen und zeigen, dass gezielte Interventionen funktionieren.

Die Kennzahl muss sorgfältig interpretiert werden. Ein verwalteter Login beweist kein sicheres Verhalten. Er bietet jedoch eine stärkere Grundlage für Zugriffskontrolle, Aufbewahrungseinstellungen, Auditierbarkeit und Reaktion auf Vorfälle.

Das zweite Signal ist das Wachstum von Agenten und Erweiterungen mit Zugriff auf Geschäftssysteme. Organisationen sollten erfassen, was diese Tools lesen, ändern und übertragen können. Sie sollten außerdem identifizieren, welche Identitäten die Zugangsdaten bereitgestellt haben.

Berechtigungen sind wichtiger als die Anzahl der Agenten. Zehn Agenten, die auf öffentliche Informationen beschränkt sind, können weniger Gefährdung schaffen als ein System mit Schreibzugriff auf Produktionsdaten. Prüfungen sollten sensible Ressourcen, dauerhafte Zugangsdaten, externe Datenübertragung und Handlungen ohne menschliche Bestätigung priorisieren.

Jede Verringerung übermäßiger Berechtigungen würde die Argumente für fokussierte Governance stärken. Ein schnelles Wachstum unentdeckter Agenten würde Behauptungen schwächen, dass aktuelle KI-Richtlinien eine sinnvolle Abdeckung bieten.

Das dritte Signal ist, ob Organisationen weniger Vorfälle mit sensiblen Daten nachweisen können, ohne nützliche Einführung zu unterdrücken. Dies ist die schwierigste Kennzahl, weil Sicherheits- und Produktivitätsteams die Ergebnisse gemeinsam bewerten müssen.

Ein erfolgreiches Programm sollte eingeschränkte Uploads, nicht verwaltete Zugangsdaten und nicht genehmigte Integrationen reduzieren. Gleichzeitig sollte es die genehmigte Nutzung ausreichend zugänglich halten, damit Beschäftigte nicht auf unsichtbare Kanäle ausweichen.

Kennzahlen, die nur auf blockierten Anfragen beruhen, fördern die falschen Anreize. Mehr Sperren können stärkere Durchsetzung, wachsende unsichere Nachfrage oder schlechte genehmigte Alternativen bedeuten. Teams müssen Präventionsereignisse mit Kontenmigration, Einführung genehmigter Arbeitsabläufe, Nutzerfeedback und bestätigten Vorfällen vergleichen.

Die Einordnung durch Google News bleibt nur dann nützlich, wenn Organisationen sie in ihren eigenen Umgebungen prüfen. Die genaue 5-%-Schwelle kann sich ändern, doch Konzentration sollte in der internen Telemetrie sichtbar werden, wenn das zugrunde liegende Muster besteht.

Sicherheitsteams können mit mehreren praktischen Fragen beginnen. Welche Beschäftigten nutzen KI am häufigsten? Welche von ihnen setzen auf persönliche Identitäten? Wer lädt Dateien hoch, installiert Erweiterungen oder verbindet Agenten mit internen Systemen? Welche genehmigten Tools erfüllen ihre Bedürfnisse nicht?

Diese Fragen schaffen einen besseren Ausgangspunkt als die Frage, ob sämtliche KI erlaubt oder verboten werden sollte. Sie verknüpfen Governance mit der tatsächlichen Arbeit und zeigen auf, wo Bequemlichkeit die Kontrolle umgeht.

Unternehmen sollten außerdem einen Eskalationsweg schaffen, der nicht mit Disziplinarmaßnahmen beginnt. Wenn die Sicherheit ein fortgeschrittenes, inoffizielles Verfahren findet, sollte die erste Prüfung dessen Geschäftswert, Dateneingaben, Berechtigungen und Alternativen identifizieren. So entsteht die Möglichkeit, nützliche Praktiken beizubehalten und gleichzeitig unnötige Gefährdung zu beseitigen.

Wo das Risiko unmittelbar ist, etwa bei einem Agenten mit umfassendem Produktionszugriff, sollte Eindämmung zuerst erfolgen. Wo die Gefährdung geringer ist, können Migration und Beratung eine bessere langfristige Compliance liefern als ein pauschales Verbot.

Führungskräfte sollten vor der Erklärung, das Problem sei unter Kontrolle, noch eine letzte Frage stellen: Kann die Organisation ihre KI-Workflows mit der höchsten Intensität beschreiben, ohne sich auf eine Umfrage zu stützen? Wenn die Antwort nein lautet, agiert die Richtlinie der Evidenz voraus.

Google News lenkte die Aufmerksamkeit auf eine wichtige Umkehrung. Shadow AI ist weit verbreitet, doch die schwerwiegendste Gefährdung verteilt sich nicht unbedingt gleichmäßig. Bei den Personen, die KI am intensivsten nutzen, laufen Produktivität, Daten, Identität und autonomer Zugriff zusammen.

Damit wird der nächste Schritt klar. Identifizieren Sie die konzentrierten Workflows, überführen Sie sie in eine verwaltete Identität, überprüfen Sie ihre Berechtigungen und messen Sie, ob die Exposition sensibler Daten sinkt. Allgemeine Regeln können Grenzen setzen, doch nur Erkenntnisse aus der tatsächlichen Nutzung zeigen, wo Schutz erforderlich ist.