Ein Vertriebsmitarbeiter kopiert Auszüge aus einer Preiskalkulation in einen öffentlichen KI-Chat, um eine E-Mail vorzubereiten. Ein Projektleiter lädt ein Vertragsdokument hoch, damit er Risiken zusammenfassen lassen kann. Beide wollen Zeit sparen. Doch genau hier entscheidet sich die Frage: Wie schützt KI Geschäftsgeheimnisse, wenn sie Zugriff auf Wissen erhält, das den Wettbewerbsvorteil eines Unternehmens ausmacht?
Für mittelständische Unternehmen ist das keine theoretische Datenschutzdebatte. In Angeboten, Produktdaten, Verträgen, technischen Zeichnungen, Kundenakten und internen Strategiepapiere steckt oft jahrzehntelang aufgebautes Know-how. KI kann dieses Wissen schneller auffindbar und nutzbar machen. Ohne klare technische und organisatorische Grenzen kann sie jedoch auch zum unkontrollierten Ausgabekanal werden.
Die richtige Antwort lautet daher nicht, KI aus sensiblen Bereichen auszuschließen. Entscheidend ist, eine Infrastruktur aufzubauen, in der Datenhoheit, Zugriffsrechte und produktive Nutzung zusammenpassen.
Das Risiko entsteht nicht erst beim Datenleck
Geschäftsgeheimnisse sind mehr als Dateien mit einem Vertraulichkeitsvermerk. Dazu gehören etwa individuelle Kalkulationslogiken, Lieferantenkonditionen, Fertigungsparameter, Vertriebspipelines, Quellcode, Verhandlungsstrategien und nicht dokumentiertes Erfahrungswissen von Mitarbeitern. Ihr Wert liegt häufig in der Kombination einzelner Informationen.
Bei frei verfügbaren KI-Diensten fehlt Unternehmen meist die volle Kontrolle darüber, wo Eingaben verarbeitet werden, wie lange sie gespeichert bleiben und welche Einstellungen einzelne Nutzer wählen. Auch wenn ein Anbieter Zusagen zur Datenverarbeitung macht, löst das nicht jedes Risiko. Es bleiben Fragen zu Berechtigungen, Schatten-IT, Übertragungen in Drittländer, Protokollierung und dem Verhalten der Mitarbeiter im Arbeitsalltag.
Hinzu kommt ein weniger offensichtliches Problem: KI kann Informationen nicht nur entgegennehmen, sondern auch falsch zuordnen. Erhält ein Sprachmodell zu breite Datenzugriffe, könnte es bei einer Anfrage Inhalte aus einem nicht berechtigten Projektkontext in eine Antwort einfließen lassen. Das ist kein klassischer Hackerangriff. Es ist ein Architekturfehler.
Wie schützt KI Geschäftsgeheimnisse in der Praxis?
Der Schutz beginnt mit einer geschlossenen KI-Umgebung. Statt Unternehmenswissen in einen öffentlichen Standarddienst zu übertragen, arbeitet ein Corporate LLM innerhalb einer kontrollierten Infrastruktur. Das Modell, die Dokumentenspeicher, Schnittstellen und Zugriffsregeln werden so konzipiert, dass sensible Daten im definierten Unternehmenskontext bleiben.
Dabei geht es nicht zwingend darum, jedes Modell selbst zu trainieren. Für viele Anwendungen ist ein kontrollierter Abruf relevanter Unternehmensinformationen sinnvoller. Das Modell erhält bei einer Anfrage nur die Inhalte, die es für die konkrete Antwort benötigt. Diese Methode verbindet leistungsfähige Sprachmodelle mit einem abgeschotteten Wissenszugriff und reduziert die unnötige Verteilung sensibler Daten.
Berechtigungen müssen bis auf Dokumentebene greifen
Eine zentrale Benutzeranmeldung allein reicht nicht aus. Ein Vertriebsleiter benötigt andere Informationen als ein Einkäufer, ein Projektleiter andere als ein Servicetechniker. Deshalb müssen KI-Anwendungen bestehende Rollen- und Rechtekonzepte übernehmen oder gezielt erweitern.
In der Praxis bedeutet das: Die KI darf nur auf Dokumente, Datenbanken und Prozessinformationen zugreifen, die der jeweilige Nutzer auch ohne KI sehen dürfte. Diese Prüfung muss vor der Antwort stattfinden, nicht erst danach durch eine nachgelagerte Kontrolle. Besonders bei Projektdaten, Personalinformationen, M&A-Unterlagen oder Entwicklungsakten ist diese Trennung unverzichtbar.
Gleichzeitig sollten Berechtigungen nicht pauschal auf ganze Abteilungen verteilt werden. Je feiner der Zugriff geregelt ist, desto besser lassen sich Vertraulichkeit und Nutzbarkeit verbinden. Zu komplexe Rechtekonzepte können allerdings die Akzeptanz senken. Die richtige Granularität richtet sich deshalb nach Schutzbedarf, Prozessrealität und vorhandener Systemlandschaft.
Daten werden nicht für jede Aufgabe gleich behandelt
Nicht jedes Dokument erfordert dieselbe Sicherheitsstufe. Eine interne Arbeitsanweisung darf möglicherweise in einer breiten Wissenssuche erscheinen. Eine Angebotskalkulation oder ein Entwurf für ein Patent dagegen nicht. Eine belastbare KI-Strategie ordnet Daten daher Schutzklassen zu und definiert, was mit jeder Klasse geschehen darf.
Für besonders sensible Informationen können Unternehmen den Zugriff vollständig ausschließen, nur ausgewählten Rollen erlauben oder die Inhalte vor der Verarbeitung anonymisieren beziehungsweise pseudonymisieren. Bei Kunden- und Personaldaten ist zudem die DSGVO-Konformität der Verarbeitung verbindlich zu prüfen.
Wichtig ist auch die Datenminimierung. Eine KI muss nicht den gesamten Dateiserver kennen, um einen Serviceprozess zu beschleunigen. Oft genügt ein klar abgegrenzter Wissensbestand mit geprüften Quellen. Das senkt das Risiko und erhöht zugleich die Antwortqualität, weil veraltete, doppelte oder fachfremde Dokumente nicht in die Ergebnisse einfließen.
Verschlüsselung, Protokolle und Schnittstellen bilden die technische Basis
Sensible Daten müssen bei der Übertragung und Speicherung verschlüsselt sein. Ebenso relevant ist die sichere Anbindung bestehender Systeme wie ERP, CRM, DMS oder SharePoint. Jede Schnittstelle erweitert den Nutzen der KI, aber auch die Angriffsfläche.
Eine produktionsreife Lösung benötigt daher klare Regeln für Schlüsselverwaltung, Netzwerkzugriffe, Mandantentrennung, Backup und Löschfristen. Protokolle sollten nachvollziehbar machen, welche Datenquellen eine Antwort verwendet hat, welcher Nutzer eine Anfrage gestellt hat und ob ein Zugriff verweigert wurde. Diese Transparenz ist kein Selbstzweck. Sie ermöglicht es, Vorfälle zu untersuchen, Berechtigungen anzupassen und die Qualität des Systems zu verbessern.
Protokollierung darf jedoch nicht selbst zum Risiko werden. Wer Anfragen vollständig speichert, kann darin wiederum vertrauliche Inhalte sammeln. Deshalb braucht auch das Logging ein Berechtigungs- und Löschkonzept.
Governance entscheidet über den Schutz im Alltag
Die beste Infrastruktur verliert an Wirkung, wenn Mitarbeiter nicht wissen, welche Inhalte sie eingeben dürfen und welche Anwendung für welchen Zweck vorgesehen ist. Ein allgemeines Verbot öffentlicher KI-Tools wird häufig umgangen, wenn es keine sichere Alternative gibt. Wirksamer sind klare Leitplanken und ein System, das konkrete Arbeit erleichtert.
Eine praxisnahe KI-Governance beantwortet vier Fragen: Welche Daten dürfen verarbeitet werden? Welche Systeme sind freigegeben? Wer trägt fachlich und technisch Verantwortung? Wie werden Vorfälle, neue Anwendungsfälle und Änderungen an Datenquellen geprüft?
Dazu gehören verbindliche Nutzungsrichtlinien, kurze Schulungen und feste Freigabeprozesse für neue KI-Workflows. Mitarbeiter müssen erkennen können, wann eine Anfrage vertrauliche Informationen enthält und wann eine Rückfrage an den Fachbereich erforderlich ist. Das ist keine Bremse für Innovation. Es verhindert, dass Produktivität durch unklare Verantwortung erkauft wird.
Schutz braucht auch Widerstand gegen Manipulation
KI-Systeme verarbeiten nicht nur interne Dokumente, sondern oft auch E-Mails, Anhänge, Tickets oder externe Inhalte. Darin können Anweisungen verborgen sein, die das Modell zu unerwünschtem Verhalten verleiten sollen. Solche Prompt-Injection-Angriffe versuchen beispielsweise, eine KI dazu zu bringen, interne Regeln zu ignorieren oder zusätzliche Daten auszugeben.
Dagegen helfen mehrere Schutzschichten. Externe Inhalte sollten als untrusted behandelt werden. Das Modell darf keine weitreichenden Aktionen allein aufgrund von Textanweisungen ausführen. Für kritische Prozesse wie Zahlungen, Vertragsfreigaben oder Änderungen an Stammdaten braucht es feste Prüfregeln und gegebenenfalls eine menschliche Freigabe.
Je autonomer ein Workflow arbeitet, desto höher sind Nutzen und Kontrollbedarf. Ein Assistent, der interne Richtlinien zusammenfasst, benötigt andere Sicherheitsmaßnahmen als ein Agent, der Daten zwischen CRM und ERP überträgt. Unternehmen sollten Automatisierung deshalb nicht als Alles-oder-nichts-Entscheidung verstehen, sondern schrittweise nach Risikoklasse aufbauen.
Von der Einzellösung zur sicheren KI-Infrastruktur
Der sinnvollste Einstieg ist selten ein unternehmensweiter Rollout ohne Prioritäten. Besser eignet sich ein Anwendungsfall mit messbarem Nutzen und klarer Datenbasis: etwa die Suche in technischen Serviceunterlagen, die Zusammenfassung von Projektwissen oder die Unterstützung bei der Angebotsvorbereitung innerhalb eines abgegrenzten Berechtigungskonzepts.
Vor der Umsetzung sollten Verantwortliche Datenquellen, Schutzklassen, Nutzergruppen und gewünschte Aktionen erfassen. Daraus entsteht eine Architekturentscheidung: Welche Daten bleiben lokal, welche Systeme werden angebunden, wie wird identitätsbasiert authentifiziert und wo sind Freigaben erforderlich? Erst danach sollte das Modell ausgewählt werden. Ein leistungsfähiges Modell kompensiert keine unklare Sicherheitsarchitektur.
Solara AI entwickelt geschlossene Corporate-LLMs und KI-Workflows so, dass sie nicht neben bestehenden Strukturen stehen, sondern kontrolliert in diese integriert werden. Der Maßstab ist dabei nicht die Anzahl möglicher Funktionen, sondern die sichere Wirkung im konkreten Geschäftsprozess.
Geschäftsgeheimnisse zu schützen bedeutet letztlich nicht, Wissen wegzusperren. Es bedeutet, es für die richtigen Mitarbeiter zum richtigen Zeitpunkt nutzbar zu machen - ohne dass Kontrolle, Nachvollziehbarkeit und Datenhoheit verloren gehen.