KI und Datenschutz 2026: Das grösste Risiko ist nicht das Tool – sondern unkontrollierte Nutzung

Datenschutz wird oft zu spät diskutiert

Die typische KI-Diskussion im Unternehmen beginnt erstaunlich oft beim Tool: Dürfen wir ChatGPT verwenden? Ist Copilot sicher? Darf Claude eingesetzt werden? Wo liegen die Server? Welches Modell ist besser?

Diese Fragen sind berechtigt. Sie greifen aber zu kurz. Denn das eigentliche Risiko entsteht selten allein durch den Namen eines Tools. Es entsteht dort, wo Nutzung, Daten, Berechtigungen und Verantwortung nicht zusammenpassen.

Ein Mitarbeitender kann ein technisch freigegebenes KI-System falsch verwenden. Umgekehrt kann ein nicht offiziell eingeführtes Tool für einen völlig unkritischen, öffentlichen Text kaum ein relevantes Datenschutzrisiko darstellen. Entscheidend ist der Kontext.

Für Schweizer Unternehmen ist das Thema 2026 besonders relevant. Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte (EDÖB) weist ausdrücklich darauf hin, dass das Schweizer Datenschutzgesetz auch für KI-gestützte Datenbearbeitungen gilt. Bei Bearbeitungen mit hohem Risiko können zusätzliche Pflichten wie eine Datenschutz-Folgenabschätzung relevant werden. Gleichzeitig gelten in der EU seit dem 2. August 2026 weitere Transparenzpflichten des AI Act. Unternehmen, die grenzüberschreitend arbeiten, sollten KI deshalb nicht mehr als reines Innovationsthema behandeln, sondern als Teil ihrer normalen Daten-, Risiko- und Governance-Struktur.

Mein Grundsatz: Nicht „Welches KI-Tool ist erlaubt?“ ist die erste Frage. Sondern: „Welche Daten dürfen für welchen Zweck von wem in welchem System verarbeitet werden?“

Hinweis: Dieser Beitrag ist eine praxisorientierte Einordnung und keine Rechtsberatung.

Das unterschätzte Problem heisst Shadow AI

Viele Unternehmen versuchen zunächst, KI über Verbote zu kontrollieren. In der Praxis funktioniert das nur begrenzt. Wenn Mitarbeitende einen echten Nutzen erkennen – beispielsweise beim Zusammenfassen eines Texts, Formulieren einer E-Mail, Analysieren einer Tabelle oder Erstellen einer Präsentation – werden Werkzeuge oft trotzdem genutzt.

Das führt zu Shadow AI: KI-Anwendungen, Browser-Erweiterungen, kostenlose Accounts oder integrierte Funktionen, die im Unternehmen verwendet werden, ohne dass IT, Datenschutz oder Führung davon wissen.

Das Problem daran ist nicht, dass Mitarbeitende innovativ sind. Das Problem ist die fehlende Transparenz:

• Welche Tools werden verwendet?
• Welche Daten werden eingegeben?
• Werden Inhalte gespeichert oder für Training verwendet?
• Wo befinden sich die Daten?
• Welche Vertragsgrundlagen bestehen?
• Kann ein Mitarbeitender zwischen öffentlichem, internem und besonders schützenswertem Inhalt unterscheiden?
• Wer prüft Ergebnisse, bevor sie weiterverwendet werden?

Ein pauschales Verbot löst diese Fragen nicht. Es verschiebt die Nutzung lediglich in einen Bereich, den niemand mehr sieht.

Datenklassifizierung ist wichtiger als Tool-Listen

Eine praxistaugliche KI-Governance beginnt deshalb nicht mit einer 40-seitigen Richtlinie, sondern mit einer verständlichen Datenklassifizierung.

Klasse 1 – Öffentlich

Informationen, die ohnehin öffentlich verfügbar sind: Website-Texte, öffentliche Produktbeschreibungen, allgemeine Formulierungen oder publizierte Geschäftsberichte.

Für solche Inhalte kann die KI-Nutzung – abhängig vom Tool und den internen Regeln – vergleichsweise unkompliziert sein.

Klasse 2 – Intern

Interne Prozesse, Entwürfe, interne Präsentationen, nicht öffentliche Projektinformationen oder allgemeine Betriebsdaten.

Hier braucht es bereits klar definierte, freigegebene Systeme und Regeln zur Nutzung.

Klasse 3 – Vertraulich

Kundeninformationen, Verträge, Finanzinformationen, technische Architektur, nicht öffentliche strategische Informationen oder personenbezogene Daten.

Hier sollte klar geregelt sein, welche Plattformen diese Daten verarbeiten dürfen, welche Auftrags- und Vertragsbeziehungen gelten und wie Zugriffe kontrolliert werden.

Klasse 4 – Besonders sensibel

Besonders schützenswerte Personendaten, medizinische Informationen, Lohn- und Sozialversicherungsdaten, umfangreiche Personaldossiers, Sicherheitsinformationen oder Daten, deren Offenlegung erhebliche Schäden verursachen kann.

Für diese Kategorie ist ein besonders strenger Umgang notwendig. Je nach Use Case kann eine Nutzung mit KI ausgeschlossen oder nur in klar kontrollierten Umgebungen zulässig sein.

Die Kategorien müssen nicht genau so heissen. Entscheidend ist, dass ein Mitarbeitender innerhalb weniger Sekunden versteht, was er tun darf.

Zehn Regeln, die in der Praxis mehr bringen als ein generelles KI-Verbot

1. Freigegebene Werkzeuge definieren

Mitarbeitende brauchen eine kurze Liste: Welche Systeme sind wofür zugelassen? Ein Enterprise-KI-Assistent für interne Daten, ein anderes Tool für öffentliches Marketingmaterial und gegebenenfalls spezialisierte Lösungen für bestimmte Prozesse.

2. Datenklassen mit Beispielen erklären

„Keine sensiblen Daten eingeben“ ist zu abstrakt. Besser sind konkrete Beispiele aus dem Alltag: Darf eine Kundenofferte hinein? Ein Lohnjournal? Ein anonymisierter Prozess? Ein interner Projektstatus?

3. Use Cases statt Tools freigeben

Ein Tool kann für einen Zweck geeignet und für einen anderen ungeeignet sein. „E-Mail-Entwurf ohne personenbezogene Daten“ ist ein anderer Use Case als „Analyse von Mitarbeiterdaten“.

4. Human Review verbindlich machen

KI-Ausgaben können falsch, unvollständig oder unangemessen sein. Bei fachlichen, rechtlichen, finanziellen oder personenbezogenen Entscheidungen muss klar sein, wer das Ergebnis prüft.

5. Berechtigungen nach dem Least-Privilege-Prinzip vergeben

Ein Agent oder Assistent sollte nur auf die Daten und Aktionen zugreifen, die er für seine Aufgabe benötigt. Microsoft empfiehlt in aktuellen Governance-Leitlinien für AI Agents explizite Ownership, Identitätskontrollen und ein Inventar der eingesetzten Agents.

6. Logging und Nachvollziehbarkeit planen

Wenn KI Teil eines geschäftskritischen Prozesses wird, muss nachvollziehbar sein, was passiert ist. Welche Datenquelle wurde verwendet? Welche Aktion wurde ausgelöst? Wer hat freigegeben?

7. Datenschutz und Security nicht erst beim Go-live einbeziehen

Je später Datenschutz, Informationssicherheit und Architektur eingebunden werden, desto teurer werden Korrekturen. Gute Governance ist ein Designparameter – keine Schlusskontrolle.

8. Mitarbeitende schulen – kurz und praxisnah

Ein einstündiges Training mit realen Unternehmensbeispielen kann mehr bewirken als eine Richtlinie, die niemand liest. Mitarbeitende müssen erkennen können, wann sie stoppen und nachfragen sollten.

9. Schattennutzung aktiv sichtbar machen

Nicht mit dem Ziel, Mitarbeitende zu bestrafen, sondern um reale Bedürfnisse zu verstehen. Wenn 30 Personen dieselbe inoffizielle Lösung nutzen, steckt dahinter wahrscheinlich ein ungelöstes Problem.

10. Governance regelmässig aktualisieren

KI-Tools, Funktionen und regulatorische Anforderungen ändern sich schnell. Eine Richtlinie von 2024 kann 2026 technisch bereits an der Realität vorbeigehen. Governance braucht einen Owner und einen Review-Rhythmus.

Illustrativer Business Case: Der „harmlose“ Excel-Upload

Ein mittelgrosses Dienstleistungsunternehmen möchte KI stärker nutzen. Es existiert noch keine klare Richtlinie. Ein Projektleiter erhält eine Excel-Datei mit Kundenprojekten, Ansprechpartnern, Umsätzen und internen Kommentaren. Um schnell eine Management-Zusammenfassung zu erstellen, lädt er die Datei in einen privaten KI-Account hoch.

Das Ziel ist nachvollziehbar. Der Prozess ist trotzdem problematisch, weil weder geklärt ist, ob diese Umgebung für die Daten freigegeben ist, noch welche Vertragsbedingungen gelten oder wie lange Inhalte gespeichert werden.

Eine bessere Lösung besteht nicht darin, den Mitarbeitenden grundsätzlich zu verbieten, KI zu nutzen. Das Unternehmen könnte stattdessen:

1. Daten in klare Schutzklassen einteilen.
2. Einen freigegebenen Enterprise-KI-Zugang bereitstellen.
3. Für Management-Summaries einen Standard-Use-Case definieren.
4. Automatisch oder organisatorisch sicherstellen, dass besonders sensible Felder ausgeschlossen werden.
5. Einen Review-Schritt vor externer Verwendung festlegen.

Damit wird aus einem Schattenprozess ein kontrollierter Produktivitätsgewinn.

Die ökonomische Perspektive wird oft vergessen

Datenschutz wird häufig als Bremse der Innovation dargestellt. Das halte ich für zu kurz gedacht. Fehlende Governance erzeugt selbst Kosten:

• Mitarbeitende testen dieselben Tools mehrfach.
• Fachbereiche kaufen parallele Lizenzen.
• IT kennt die reale Tool-Landschaft nicht.
• Daten werden mehrfach hochgeladen und kopiert.
• Security- und Datenschutzfragen müssen nachträglich geklärt werden.
• Bei einem Vorfall fehlt die Nachvollziehbarkeit.

Gute Governance reduziert also nicht nur Risiko. Sie reduziert auch Tool-Sprawl, Doppelarbeit und Unsicherheit.

Ein pragmatischer 30-Tage-Start

Unternehmen müssen kein sechsmonatiges AI-Governance-Programm starten, um besser zu werden.

Woche 1: Realität erfassen

Welche KI-Werkzeuge werden bereits verwendet? In welchen Teams? Für welche Aufgaben? Welche Datenarten sind betroffen?

Woche 2: Regeln vereinfachen

Vier Datenklassen, eine Liste freigegebener Tools, fünf bis zehn typische Use Cases und eine klare Eskalationsstelle.

Woche 3: Priorisierte Use Cases absichern

Für die drei wichtigsten Anwendungsfälle Zugriffe, Daten, Verantwortlichkeiten, Review und Dokumentation definieren.

Woche 4: Kommunikation und Training

Keine 60-seitige Richtlinie. Eine kompakte Guideline, praxisnahe Beispiele und kurze Schulungen.

Danach beginnt die eigentliche Governance-Arbeit: messen, lernen, verbessern.

Fünf Fragen, die Führungskräfte regelmässig stellen sollten

„Dürfen unsere Mitarbeitenden überhaupt generative AI verwenden?“

Die bessere Antwort ist selten ein pauschales Ja oder Nein. Entscheidend sind Tool, Datenklasse und Use Case. Ein Unternehmen sollte deshalb eine Positivliste für freigegebene Werkzeuge und Beispiele für erlaubte Nutzung bereitstellen. Damit wird aus Unsicherheit ein kontrollierbarer Rahmen.

„Müssen wir jede Nutzung zentral genehmigen?“

Nein. Governance darf die Organisation nicht lähmen. Routine-Use-Cases mit niedriger Risikoklasse können standardisiert freigegeben werden. Für neue oder sensible Anwendungsfälle braucht es dagegen einen schlanken Review-Prozess.

„Was machen wir mit Mitarbeitenden, die bereits andere Tools nutzen?“

Zuerst verstehen, warum. Häufig sind Schattenlösungen ein Symptom fehlender offizieller Alternativen. Wer nur sperrt, ohne den Bedarf zu lösen, verschiebt das Problem.

„Brauchen wir einen AI Officer?“

Nicht jedes Unternehmen braucht eine neue Vollzeitrolle. Es braucht aber eindeutige Verantwortlichkeit. Wer entscheidet über AI Governance, wer über Security, wer über Datenschutz und wer über fachliche Use Cases? Diese Rollen können in bestehenden Funktionen verankert sein.

„Wie verhindern wir, dass Governance in einem Jahr wieder veraltet ist?“

Durch Lifecycle Management: Owner, Agent-/Tool-Inventar, regelmässiger Review, dokumentierte Ausnahmen und eine einfache Möglichkeit, neue Use Cases einzureichen.

Welche Dokumente ich für einen pragmatischen Start erstellen würde

Ein funktionierendes Governance-Paket muss nicht aus hundert Seiten bestehen. Für viele Unternehmen reichen zum Start fünf Artefakte:

1. AI Usage Guideline – eine verständliche Seite mit Do's, Don'ts und Eskalationsweg.
2. Data Classification Cheat Sheet – konkrete Beispiele aus dem Unternehmen.
3. Approved Tools Register – Tool, Zweck, Owner, Datenklasse, Status.
4. Use Case Register – Use Case, Nutzen, Daten, Risiko, Freigabe, KPI.
5. AI / Agent Inventory – spätestens bei Agents: Owner, Identität, Tools, Berechtigungen, Monitoring und Lifecycle.

Damit entsteht eine Governance, die operativ nutzbar ist und später wachsen kann.

Fazit: Datenschutz und KI sind kein Gegensatz

Unternehmen brauchen nicht weniger KI, sondern kontrollierbare KI.

Wer Mitarbeitenden nur sagt, was sie nicht dürfen, wird Shadow AI kaum verhindern. Wer dagegen sichere Werkzeuge, nachvollziehbare Regeln, klare Datenklassen und verständliche Use Cases bereitstellt, schafft die Grundlage dafür, dass KI produktiv eingesetzt werden kann.

Das Ziel sollte deshalb nicht sein, jede KI-Nutzung zu verhindern. Das Ziel ist, dass Unternehmen jederzeit beantworten können:

Wer nutzt welche KI – für welchen Zweck – mit welchen Daten – unter welcher Verantwortung?

Genau dort beginnt professionelle AI Governance.