Kommentar von Adrian Knapp, Aparavi Wenn die KI mehr sieht, als sie sollte

Anbieter zum Thema

APARAVI Software Europe GmbH

BigData-Insider

Viele Unternehmen glauben, ihre Daten seien unter Kontrolle, nur weil sie compliant gespeichert sind. Doch Künstliche Intelligenz (KI) verändert die Spielregeln. Die Modelle stellen Zusammenhänge her, kombinieren Wissen über Abteilungsgrenzen hinweg und machen Informationen sichtbar, die bislang verborgen waren. Genau dadurch geraten klassische Governance-Modelle an ihre Grenzen. Unternehmen müssen die Datensouveränität im KI-Zeitalter neu denken und kontrollierte Wissensräume einrichten.

Unternehmen erleben derzeit ein Paradoxon. Einerseits investieren sie mit hoher Geschwindigkeit in generative KI, Copiloten und agentenbasierte Systeme, um produktiver, effizienter und innovativer zu werden. Andererseits fehlt oft genau die Grundlage, die diese Systeme überhaupt erst sicher nutzbar macht: eine kontrollierte, vertrauenswürdige und kontextfähige Datenbasis. Denn mit dem Einzug generativer KI verändert sich die Rolle von Informationen grundlegend. Daten werden nicht mehr nur gespeichert, durchsucht oder archiviert – vielmehr interpretieren KI-Systeme Inhalte, kombinieren Zusammenhänge, erkennen Muster und erzeugen daraus neues Wissen. In der Folge geraten Governance-Modelle, die über Jahre hinweg als ausreichend galten, plötzlich an ihre Grenzen.

Eine neue Definition von Datensouveränität

Besonders deutlich zeigt sich das beim Begriff der Datensouveränität. Bislang war damit vor allem die Frage verbunden, wo Daten gespeichert werden und welcher rechtlichen Zuständigkeit sie unterliegen. Im KI-Zeitalter reicht das jedoch nicht mehr aus. Die entscheidende Frage lautet heute nicht mehr nur, wo Daten liegen, sondern was KI-Systeme daraus machen. Damit beginnt eine Entwicklung, die viele Unternehmen nach wie vor unterschätzen. Denn veraltete Dateien in Netzlaufwerken, doppelte Dokumentenversionen, unklare Berechtigungen oder unkontrollierte Schattenkopien gelten in herkömmlichen IT-Umgebungen zwar als lästig, aber selten als akutes Risiko. Generative KI verändert diese Situation radikal: Während eine klassische Suchmaschine Dokumente anhand von Schlagworten findet, interpretiert ein GenAI-Modell dagegen Kontexte. Es erkennt Beziehungen zwischen Inhalten und verdichtet Wissen über Abteilungs- und Systemgrenzen hinweg.

Compliance für autonome KI-Systeme

Open-Source-Tool gibt KI-Agenten regulatorische Leitplanken

Dadurch entsteht eine völlig neue Sichtbarkeit auf Unternehmensdaten. Plötzlich tauchen Inhalte in Antworten auf, die ursprünglich nie für einen breiteren Zugriff vorgesehen waren. Sensible Vertragsdetails erscheinen in Zusammenfassungen, historische Projektstände fließen in aktuelle Analysen ein und interne Wissensfragmente werden ungewollt miteinander kombiniert. Technisch betrachtet geschieht dabei nichts „Illegales“. Die KI nutzt lediglich Informationen, auf die sie Zugriff hat.

Agentische KI birgt viele Risiken

Hinzu kommt, dass viele Unternehmen ihre tatsächliche Datenrealität noch immer falsch bewerten. Zwar investieren sie seit Jahren in Data Lakes, Governance-Werkzeuge und regulatorische Vorgaben etwa im Kontext der DSGVO oder NIS2 – doch ein Großteil der relevanten Informationen liegt weiterhin außerhalb strukturierter Systeme. Verträge, Präsentationen, technische Dokumentationen, E-Mails, Chatverläufe oder Mediendateien bilden heute den eigentlichen Wissenskern vieler Unternehmen. Genau diese unstrukturierten Datenbestände entziehen sich jedoch häufig einer konsistenten Kontrolle, klaren Zugriffsregeln und einer belastbaren Nachvollziehbarkeit der Datennutzung.

Kommentar von Mark Wheeler, NTT DATA Business Solutions

Enterprise-KI: Warum Governance zum entscheidenden Wettbewerbsvorteil wird

Die Risiken sind dabei keineswegs theoretisch. Wenn Systeme auf veraltete Verträge, sensible Personaldaten oder widersprüchliche Wissensstände zugreifen, entstehen schnell Compliance-Probleme, Sicherheitsrisiken oder Fehlentscheidungen. Besonders kritisch wird das in autonomen KI-Architekturen. Dort liefern Agenten nicht mehr nur Antworten, sondern bereiten auch Entscheidungen vor, priorisieren Prozesse oder steuern automatisierte Abläufe. Fehlerhafte Wissensgrundlagen wirken sich dann unmittelbar auf operative Prozesse aus.

Gleichzeitig verändert diese Art der KI auch die Art der Datenhaltung. Die Zukunft gehört nicht gigantischen Sammlungen, sondern kuratierten Wissensräumen. Diese bündeln nicht einfach beliebige Informationen, sondern konzentrieren sich auf geschäftlich relevante, klassifizierte und kontinuierlich gepflegte Inhalte. Redundante oder veraltete Daten werden entfernt, Berechtigungen konsequent an Nutzungsszenarien gekoppelt und Wissensdomänen sauber voneinander getrennt.

Die KI braucht eigene Datenräume

Das wirkt auf den ersten Blick wie ein technischer Nebenschauplatz. Tatsächlich handelt es sich jedoch um einen fundamentalen strategischen Wandel. Denn generative KI benötigt keine maximalen Datenmengen, sondern einen vertrauenswürdigen Kontext. Dieser Zusammenhang wird besonders bei Retrieval-Augmented-Generation-Systemen sichtbar. Ihre Leistungsfähigkeit entsteht nicht allein durch das Modell selbst, sondern durch die Qualität der angebundenen Wissensquellen. Unternehmen, die ihre Datenlandschaft nicht kontrollieren, speisen ihre KI letztlich mit Unsicherheit. Das Ergebnis sind unpräzise Antworten, widersprüchliche Erkenntnisse und schwer nachvollziehbare Entscheidungen.

AI Readiness ist also letztlich weniger eine Frage der Technologie als der Datenreife. Rechenleistung lässt sich einkaufen und große Sprachmodelle sind verfügbar. Die eigentliche Differenzierung entsteht deshalb an anderer Stelle, nämlich bei der Fähigkeit, Daten kontrolliert, nachvollziehbar und kontextbezogen für KI nutzbar zu machen. Damit wird AI Readiness zu einer Managementaufgabe. Unternehmen müssen erstmals systematisch bewerten, wie geeignet ihre Datenlandschaft überhaupt für KI ist. Dabei geht es nicht nur um Sicherheit oder Compliance, sondern auch um Klassifizierung, Aktualität und Zugänglichkeit. Oft stellt sich dabei heraus, dass die größte Schwachstelle nicht im Modell, sondern in der Struktur der Informationen liegt.

Dedizierte Knowledge Bases bieten Kontrolle

Gleichzeitig verändert sich dadurch auch die Architektur moderner IT-Landschaften. Lange galt Zentralisierung als Ideal. Im KI-Zeitalter zeigt sich jedoch zunehmend, dass verteilte Wissensdomänen deutlich besser geeignet sind. Denn Fachbereiche verstehen ihre Inhalte, Abhängigkeiten und Sensibilitäten in der Regel wesentlich besser als zentrale Plattformteams. Erfolgreiche KI-Governance entsteht deshalb dort, wo fachlicher Kontext und technische Kontrolle zusammengeführt werden. An die Stelle monolithischer Datenplattformen treten deshalb verteilte Knowledge Bases. Diese bleiben organisatorisch eigenständig, folgen jedoch gemeinsamen Governance- und Sicherheitsrichtlinien. KI-Systeme erhalten dadurch keinen pauschalen und damit unkontrollierbaren Zugriff auf sämtliche Unternehmensdaten, sondern arbeiten innerhalb klar definierter und nachvollziehbarer Wissenskontexte.

Kommentar von Johannes M. Holz, Rödl

KI im Unternehmen: Produktivitätsschub mit neuen Haftungsrisiken

Genau darin liegt die nächste Evolutionsstufe der Datensouveränität. Es reicht künftig nicht mehr aus, Daten lediglich rechtskonform zu speichern. Unternehmen müssen steuern können, welche Informationen KI-Systeme sehen, wie sie diese interpretieren und in welchem fachlichen oder regulatorischen Kontext ihre Nutzung zulässig ist. Das heißt, die AI Readiness muss anhand konkreter Kriterien wie Datenqualität, Berechtigungsmodelle, Nachvollziehbarkeit und Governance-Struktur messbar gemacht werden. Nur dann sind die Verantwortlichen wirklich sicher und compliant aufgestellt.

(ID:50844332)