Kaputt! Sichere KI: Wie Unternehmen Kontrolle über ihre Daten behalten

KI arbeitet mit – und weiß manchmal mehr, als Unternehmen guttut. Je tiefer sie in Prozesse eingreift, desto drängender wird die Frage: Wie behalten Unternehmen die Kontrolle über ihre Daten? Der Grat zwischen Innovation und Sicherheit ist schmal. Letztendlich ist nicht das KI-Modell selbst, sondern die Stabilität der Infrastruktur dafür verantwortlich, ob KI zum Produktivitätsmotor oder zum Risiko wird.

1. Das Dilemma: Innovation ohne Kontrolle

In deutschen Unternehmen lassen sich derzeit drei Gruppen beobachten.

• Die Experimentierfreudigen testen vorsichtig: Pilotprojekte laufen, die Begeisterung ist da, aber auch diffuse Unsicherheit darüber, was mit den Daten und Ergebnissen passiert.
• Die Regulierten nutzen KI nicht. Und das aus gutem Grund. Kliniken, Kanzleien, Infrastrukturbetreiber und KRITIS-Unternehmen können sich keine Datenschutzverstöße leisten. Die rechtlichen Vorgaben sind klar, die technischen Antworten fehlen oft.
• Die Strukturierten: Sie haben Datenklassifizierungen eingeführt, Richtlinien formuliert, sichere Infrastrukturen aufgebaut. Sie nutzen KI produktiv, aber kontrolliert und haben verstanden, dass Datensouveränität die Voraussetzung für erfolgreiche KI-Nutzung ist.

2. Warum Unsicherheit berechtigt ist?

Unsicherheit in Bezug auf KI-Nutzung im Unternehmen ist nicht unbegründet. Doch das unterschätzte Risiko liegt weniger in der KI selbst – Halluzinationen sind mittlerweile bekannt – als in der Infrastruktur, auf der sie läuft.

Das Problem beginnt bereits beim Prompt. Wer öffentliche Cloud-Dienste nutzt, gibt oft mehr preis, als ihm bewusst ist. Die meisten Anbieter sind vage, wenn es darum geht, was mit Eingaben und Antworten geschieht. Werden Daten, Prompts und Ergebnisse gespeichert? Fließen sie in Trainingsmodelle ein? Wer hat Zugriff – auch im Wartungsfall?

Noch kritischer ist die fehlende Auditierbarkeit. Unternehmen müssen Compliance-Standards erfüllen, interne Richtlinien einhalten und im Zweifel nachweisen, dass sie Datenschutz ernst nehmen. Besonders regulierte Branchen stehen unter Druck. Kliniken, Kanzleien oder Infrastrukturbetreiber müssen gesetzlich belegen können, wer wann auf welche Daten zugegriffen hat. Bei vielen Public-Cloud-Anbietern ist das schwierig bis unmöglich. Oft fehlt eine lückenlose Dokumentation, und Verantwortlichkeiten bleiben unklar. Das kann im Ernstfall – etwa bei einem Datenschutzvorfall – teuer werden.

Ein drittes Problem liegt in der Verarbeitung selbst. Ende-zu-Ende-Verschlüsselung und sichere Speichersysteme schützen Daten während der Übertragung (Data in Transit) und im Ruhezustand (Data at Rest). Doch KI-Modelle arbeiten mit Informationen, die während der Verarbeitung im Klartext vorliegen müssen. In diesem Moment entsteht eine Lücke: Entweder bleiben Daten verschlüsselt und sind somit kaum nutzbar oder sie liegen ungeschützt vor.

3. Wie sichere KI in der Praxis gelingt?

Unsicherheit lässt sich technisch auflösen. Was also machen Unternehmen anders, die KI produktiv und sicher nutzen? Sie setzen auf Infrastrukturen, die drei Dinge garantieren:

1. Kontrolle über Datenpfade
   Vertrauliche Informationen liegen in einem geschützten Unternehmens-Datenraum. Rollen und Rechte sind klar definiert und jede Änderung wird protokolliert. Unternehmen können Daten bearbeiten und synchronisieren, ohne dass diese den geschützten Bereich verlassen. So lässt sich steuern, welche Daten für KI-Modelle überhaupt zugänglich sind. Das verhindert, dass sensible Informationen abfließen. Prompts und Ergebnisse verlassen den kontrollierten Perimeter nicht.
2. Lückenlose Auditierbarkeit
   Jeder Zugriff, jede Verarbeitung, jede Änderung wird dokumentiert. Im Ernstfall können Unternehmen belegen, wer wann auf welche Daten zugegriffen hat.
3. Schutz auch während der Verarbeitung (Data in Use)
   Die Grundlage sicherer KI ist Datensouveränität: Unternehmen müssen jederzeit wissen und steuern können, wo ihre Informationen liegen und wer sie verarbeitet. Dafür benötigen sie eine souveräne Infrastruktur.

Im Zentrum steht eine Cloud-Umgebung, die Datenschutz zur Systemlogik macht. So schafft idgard mit dem Sealed-Cloud-Prinzip eine Umgebung, in der:

• Daten vollständig verschlüsselt übertragen und gespeichert werden
• Die Schlüssel beim Nutzer bleiben
• Verarbeitung nur in einer hochgesicherten Zone stattfindet – ohne Zugriff für Betreiber oder Administratoren

Dedizierte KI-Cluster können dann innerhalb dieser Zone laufen. Modelle können Daten in einer sicheren Umgebung verarbeiten, Prompts bleiben intern, Ergebnisse verlassen den Perimeter nur, wenn sie explizit freigegeben werden. Das schließt die Data-in-Use-Lücke: Selbst während KI-Modelle Daten im Klartext verarbeiten, bleiben sie unter Unternehmenskontrolle.

4. Sichere Infrastruktur ohne Eigenbetrieb

Nun stellt sich die Frage: Wie kommen Unternehmen zu solchen Infrastrukturen?

Denn eine eigene KI-Infrastruktur erfordert schnell Investitionen in sechsstelliger Höhe: Hochleistungsrechner, spezialisierte Hardware, laufende Betriebskosten. Für die meisten Unternehmen – ob experimentierfreudig oder reguliert – ist das unrealistisch.

Die Alternative sind Cloud-Infrastrukturen, die Datenschutz und Souveränität garantieren, aber die Komplexität des Eigenbetriebs vermeiden. idgard entwickelt derzeit einen Prototypen einer solchen Umgebung, die auf europäischen Datenschutzstandards basiert und einen technisch umgesetzten Betreiberausschluss vorsieht. Unternehmen können so KI-Modelle nutzen, ohne in Hardware investieren oder die Kontrolle über ihre Daten abgeben zu müssen.

Für regulierte Branchen öffnet sich damit ein Weg, KI produktiv einzusetzen, ohne gegen Compliance-Vorgaben zu verstoßen. Ein Energieversorger kann Netzpläne analysieren, eine Klinik medizinische Daten auswerten, ein Finanzdienstleister Risikomodelle rechnen, jeweils ohne sensible Informationen preiszugeben.

Experimentierfreudige Unternehmen wiederum gewinnen Sicherheit: Sie können KI-Tools nutzen, ohne dass diffuse Unsicherheit produktives Arbeiten verhindert.

5. Datensouveränität ist die Grundlage

KI wird nur dann produktiv, wenn Unternehmen die Kontrolle über ihre Daten behalten. Wer diese Kontrolle aufgibt, riskiert nicht nur Datenschutzverstöße, sondern verliert auch strategische Handlungsfähigkeit. Infrastrukturen, die Datensouveränität technisch verankern, machen den Unterschied zwischen Pilotprojekt und produktivem Einsatz.