Wie KI-gesteuerte Arbeitsabläufe die Sichtweise von Unternehmen auf Datenrisiken verändern

Jahrelang hatte das Datenrisiko eine relativ vertraute Form. Unternehmen machten sich Gedanken darüber, wo Daten gespeichert wurden, wer darauf zugreifen konnte, ob sie verschlüsselt waren, ob Systeme gepatcht waren und ob bei einer Sicherheitsverletzung Kunden- oder Mitarbeiterdaten offengelegt würden. Das Modell war nicht einfach, aber zumindest erkennbar: die Datenbank schützen, Zugriffsrechte kontrollieren, Anbieter überwachen, Mitarbeiter schulen und sich auf Vorfälle vorbereiten.

KI-gestützte Arbeitsabläufe haben diese Situation verändert.

Die Gefahr besteht nicht mehr nur darin, dass Daten könnten von einem Mitarbeiter gestohlen, weitergegeben oder missbraucht werden. Das Risiko besteht darin, dass Daten durch automatisierte Systeme fließen, mit anderen Informationen kombiniert werden, von einem Modell interpretiert werden, als Grundlage für eine Empfehlung dienen und dann still und leise eine geschäftliche Entscheidung beeinflussen. In dieser Kette weiß ein Unternehmen möglicherweise nicht immer, welche Daten verwendet wurden, ob sie korrekt waren, ob sie überhaupt hätten verwendet werden dürfen oder wer für das Ergebnis verantwortlich ist.

Das ist die eigentliche Veränderung. KI schafft nicht nur neue Datenrisiken, weil sie mehr Daten verbraucht. Sie verändert die Funktionslogik des Risikos an sich.

Ein Kundendienstmitarbeiter kann Support-Tickets, interne Richtlinien und CRM-Datensätze einsehen, bevor er eine Antwort verfasst. Ein Finanz-Workflow kann Rechnungen analysieren, Unregelmäßigkeiten erkennen und eine Eskalation auslösen. Ein Rekrutierungstool kann Bewerber bewerten. Ein Rechtsassistent kann Verträge durchsuchen. Ein Vertriebs-Tool kann anhand des Kundenverhaltens die nächstbesten Maßnahmen ableiten. Ein Compliance-Workflow kann Transaktionen überprüfen und verdächtige Muster kennzeichnen.

Jede einzelne Anwendung mag für sich genommen effizient erscheinen. Zusammen verwandeln sie die Unternehmensdaten in eine Echtzeit-Entscheidungsgrundlage.

Das Datenrisiko hat sich von der Datenbank auf den Arbeitsablauf verlagert

Bei der herkömmlichen Datenverwaltung beginnt man oft mit der Klassifizierung: öffentlich, intern, vertraulich, eingeschränkt. Das ist nach wie vor notwendig. KI-Workflows werfen jedoch eine schwierigere Frage auf: Was geschieht mit den Daten, nachdem das System sie gelesen hat?

Ein Dokument, das einst sicher in einem geschützten Archiv lag, kann nun von einem KI-Assistenten abgerufen, zusammengefasst, mit anderen Dokumenten kombiniert und zur Erstellung einer Empfehlung herangezogen werden. Ein Mitarbeiter kann auf einen Kundendatensatz zugreifen, um eine Serviceantwort zu verfassen. Ein vertraulicher Vertrag kann über ein Abrufsystem durchsucht werden, das das Auffinden seiner Klauseln erleichtert. Eine Tabellenkalkulation kann von einem Mitarbeiter, der Zeit sparen möchte, in ein externes KI-Tool hochgeladen werden.

Das Risiko besteht nicht nur im Zugang. Es liegt in der Transformation.

Sobald KI damit beginnt, Informationen zu verarbeiten, müssen sich Unternehmen Gedanken über Herkunft, Kontext, Genauigkeit, Aufbewahrung und die weitere Verwendung machen. War die Quelle zuverlässig? War das Dokument aktuell? Hat das Modell einen Richtlinienentwurf mit einer genehmigten Richtlinie verwechselt? Hat es eine Klausel zu stark zusammengefasst? Hat es personenbezogene Daten auf eine Weise mit Daten aus einem anderen System kombiniert, die das Unternehmen nie beabsichtigt hatte?

Reuters Legal warnte kürzlich, dass autonome KI-Agenten Datenschutzprobleme verursachen, da sie Zugriff auf E-Mails, Dokumente und Datenbanken haben, personenbezogene Daten in großem Umfang verarbeiten, Informationen speichern und Entscheidungen treffen können, ohne dass eine menschliche Aufsicht stattfindet, wie sie in vielen bestehenden Datenschutzvereinbarungen vorausgesetzt wird. (reuters.com)

Aus diesem Grund kann das KI-Risiko nicht allein durch die IT-Sicherheit gesteuert werden. Es fällt mittlerweile in den Zuständigkeitsbereich der Rechtsabteilung, der Compliance-Abteilung, des Risikomanagements, des operativen Geschäfts, der Beschaffung, der Datenverwaltung sowie der Geschäftsteams, die die Arbeitsabläufe tatsächlich nutzen.

Das neue Risiko besteht nicht nur in Datenlecks. Es ist der Missbrauch in großem Umfang.

Ein Datenleck ist offensichtlich, sobald es entdeckt wird. Eine Datei wird offengelegt, ein System ist kompromittiert, Datensätze gelangen an Unbefugte, die Aufsichtsbehörden werden benachrichtigt und die Notfallpläne treten in Kraft. KI-bedingte Datenrisiken sind oft weniger sichtbar.

Ein Modell kann aus korrekten Daten ein falsches Ergebnis liefern, weil es den Kontext falsch interpretiert. Es kann aus fehlerhaften Daten ein plausibles Ergebnis liefern, weil die Quelle veraltet war. Es kann sensible Informationen über eine Eingabeaufforderung, ein Plug-in oder ein verbundenes System preisgeben. Es kann Mitarbeiter dazu verleiten, sich auf Ergebnisse zu verlassen, die niemand überprüft hat. Es kann Betriebsentscheidungen im großen Maßstab unbemerkt beeinflussen.

Aus diesem Grund können KI-Workflows Datenrisiken subtiler machen. Das Unternehmen erlebt möglicherweise keinen einzelnen dramatischen Sicherheitsvorfall, sondern viele kleine Beeinträchtigungen der Entscheidungsfähigkeit.

Der Bericht “State of AI in the Enterprise 2026” von Deloitte vertritt die Auffassung, dass eine wirksame KI-Governance in bestehende Risiko- und Überwachungsstrukturen integriert werden muss, anstatt in separaten „Schattenfunktionen“ angesiedelt zu sein. Außerdem wird darin die Notwendigkeit hervorgehoben, risikoreiche Anwendungen zu identifizieren, verantwortungsvolle Designpraktiken durchzusetzen und gegebenenfalls unabhängige Validierungen durchzuführen. (deloitte.com)

Das ist ein nützlicher Maßstab, da KI-Risiken selten eindeutig einer einzigen Abteilung zuzuordnen sind. Ein Marketing-Workflow kann Datenschutzrisiken mit sich bringen. Ein Finanz-Workflow kann Prüfungsrisiken mit sich bringen. Ein Personalbeschaffungs-Workflow kann Diskriminierungsrisiken mit sich bringen. Ein Rechts-Workflow kann Risiken im Zusammenhang mit dem Anwaltsgeheimnis mit sich bringen. Ein Kundenservice-Workflow kann Risiken im Bereich des Verbraucherschutzes mit sich bringen.

Im Arbeitsablauf treffen diese Risiken aufeinander.

KI macht Datenqualität zu einem Thema auf Vorstandsebene

Früher galt die Datenqualität als rein technisches Problem. Datenteams machten sich Gedanken über Duplikate, fehlende Felder, inkonsistente Bezeichnungen, mangelhafte Metadaten und fragmentierte Systeme. Führungskräfte aus dem Geschäftsbereich betrachteten dies oft als eine Art „betriebliche Hausarbeit“.

KI verändert die Bedeutung dieser Verwaltungsaufgaben.

Wenn ein menschlicher Analyst einen fragwürdigen Datenpunkt entdeckt, wird er ihn möglicherweise bemerken, hinterfragen oder nach weiteren Informationen fragen. Ein KI-Workflow hingegen verarbeitet ihn möglicherweise ohne zu zögern und fährt fort. Eine schlechte Datenqualität wird umso gefährlicher, je stärker sie in automatisierte Entscheidungsprozesse einfließt.

Die McKinsey-Umfrage „State of AI 2025“ ergab, dass Unternehmen damit beginnen, Arbeitsabläufe neu zu gestalten, die Governance zu verbessern und Risiken stärker zu mindern, während sie versuchen, den Nutzen generativer KI zu erschließen. Der Bericht stellt zudem fest, dass Risiko- und Daten-Governance zu den zentralsten Elementen beim Einsatz von KI gehören. (mckinsey.com)

Diese Zentralisierung ist keine Bürokratie um ihrer selbst willen. Sie spiegelt eine praktische Realität wider. Wenn KI-Systeme schlechte Daten verwenden, verstärkt das Unternehmen Fehlentscheidungen. Wenn verschiedene Abteilungen widersprüchliche Datensätze nutzen, kann die KI interne Inkonsistenzen verstärken. Wenn Mitarbeiter nicht erkennen können, welche Quelle maßgeblich ist, liefern KI-Tools möglicherweise ausgefeilte Antworten, die auf einer schwachen Grundlage beruhen.

Aus diesem Grund gewinnen Datenherkunft, Metadaten, Zugriffsrechte und Datenqualität zunehmend an strategischer Bedeutung. Ein Unternehmen, das KI-Workflows einführen möchte, aber über eine unzureichende Daten-Governance verfügt, baut seine Automatisierung auf instabilem Fundament auf.

Die Mitarbeiter sind bereits schneller als die Unternehmensführung

Eines der dringlichsten Probleme im Zusammenhang mit Datenrisiken ist die „Shadow-AI“.

Mitarbeiter warten nicht auf eine perfekte Unternehmensarchitektur. Sie nutzen alles, was ihnen hilft, schneller zu arbeiten: öffentliche Chatbots, Browser-Plug-ins, Tools zur Erstellung von Besprechungsprotokollen, Transkriptions-Apps, Tabellenkalkulations-Assistenten, KI-Schreibhilfen und inoffizielle Automatisierungen. Manchmal nutzen sie diese Tools in guter Absicht, um Zeit zu sparen oder die Qualität zu verbessern. Das Problem ist, dass sensible Daten möglicherweise kontrollierte Umgebungen verlassen, bevor das Unternehmen das Tool geprüft hat.

Der „AI Adoption and Risk Report 2026“ von Cyberhaven, der auf Milliarden von Datenbewegungen in generativen KI-SaaS-Anwendungen, KI-Anwendungen auf Endgeräten und KI-Agenten basiert, kommt zu dem Schluss, dass die Einführung von KI in Unternehmen eine Lücke in den Bereichen Governance und Datensicherheit schafft, da Mitarbeiter die Tools schneller nutzen, als Unternehmen sie absichern können. (cyberhaven.com)

Genau hier scheitern viele Richtlinien. Den Mitarbeitern zu verbieten, KI zu nutzen, funktioniert selten, wenn Wettbewerber, Kunden und Kollegen sie bereits einsetzen. Eine uneingeschränkte Nutzung zuzulassen, ist jedoch leichtsinnig.

Der bessere Ansatz ist eine gezielte Befähigung. Stellen Sie den Mitarbeitern zugelassene Tools, klare Regeln, praktische Schulungen und sichere Arbeitsabläufe zur Verfügung. Machen Sie es einfacher, das Richtige zu tun, als das System zu umgehen.

Ein Unternehmen, das KI verbietet, ohne Alternativen anzubieten, schafft versteckte Risiken. Ein Unternehmen, das den Zugang ohne Kontrollen freigibt, setzt sich Gefahren aus. Der ausgewogene Weg liegt zwischen diesen beiden Extremen.

Autonome Akteure erhöhen den Einsatz

In der nächsten Phase werden nicht mehr nur Mitarbeiter KI-Tools anweisen. Vielmehr werden autonome oder halbautonome Agenten systemübergreifend agieren.

Ein Agent kann Informationen abrufen, Maßnahmen ergreifen, Tools aufrufen, Datensätze aktualisieren, Nachrichten versenden, Tickets erstellen, Workflows auslösen und Entscheidungen eskalieren. Damit ist er leistungsfähiger als ein Chatbot und birgt ein höheres Risiko als ein herkömmliches Automatisierungsskript.

Ein traditioneller Arbeitsablauf folgt festen Regeln. Ein Agent kann ein Ziel interpretieren und entscheiden, wie er vorgehen soll. Diese Flexibilität ist nützlich, erschwert jedoch auch die Vorhersage von Risiken. Der Agent greift möglicherweise auf mehr Daten zu als nötig, behält den Kontext länger als erwartet im Gedächtnis, handelt auf der Grundlage mehrdeutiger Anweisungen oder trifft Entscheidungen, die kein Mensch ausdrücklich genehmigt hat.

McKinseys Studie aus dem Jahr 2026 zum Thema Vertrauen in KI warnt davor, dass Lücken in den Bereichen Governance und Risikomanagement immer kostspieliger werden, je autonomer KI-Systeme werden und je stärker sie in kritische Arbeitsabläufe eingebunden sind. Darin wird argumentiert, dass Unternehmen klare Verantwortlichkeiten, robuste Kontrollmechanismen und Überwachungsmaßnahmen benötigen, wenn sie den Einsatz von KI ausweiten wollen, ohne das Vertrauen zu untergraben. (mckinsey.com)

Das ist eine ganz andere Ebene der Steuerung. Unternehmen müssen festlegen, was Agenten tun dürfen, auf welche Daten sie zugreifen können, welche Aktionen einer menschlichen Genehmigung bedürfen, wie Entscheidungen protokolliert werden, wie Fehler erkannt werden und wie Agenten abgeschaltet werden, wenn ihr Verhalten unsicher wird.

Mit anderen Worten: Agent-Governance ist gleichzeitig Daten-Governance, Datenschutz-Governance, Cybersicherheits-Governance und operative Governance.

Compliance muss früher in den Arbeitsablauf integriert werden

In vielen Unternehmen finden Compliance-Prüfungen erst spät statt. Ein Geschäftsteam wählt ein Tool aus, testet es in einem Pilotprojekt, belegt dessen Nutzen und bittet dann die Rechts-, Datenschutz- oder Risikoteams um die Genehmigung für eine breitere Einführung. Bei KI-Workflows wird diese Abfolge zunehmend gefährlich.

Das Risiko ist oft bereits in der Konzeption verankert. Welche Daten verwendet das Modell? Handelt es sich um personenbezogene Daten? Sind sie vertraulich? Unterliegen sie gesetzlichen Vorschriften? Werden sie an einen Drittanbieter übermittelt? Können sie für das Modelltraining verwendet werden? Werden die Ergebnisse bei Entscheidungen in den Bereichen Beschäftigung, Kreditvergabe, Gesundheitswesen, Versicherungen, Recht oder bei Entscheidungen mit Auswirkungen auf Kunden verwendet? Besteht ein Recht auf Erklärung oder Überprüfung? Kann die Entscheidung überprüft werden?

Diese Fragen sollten zu Beginn gestellt werden, nicht erst, wenn der Arbeitsablauf bereits etabliert ist.

Das EU-KI-Gesetz hat diese Ausrichtung durch die Schaffung eines risikobasierten Rahmens für KI-Systeme bekräftigt. Anwendungsfälle mit hohem Risiko, darunter bestimmte Bereiche in den Bereichen Beschäftigung, Kreditwesen, Bildung, Strafverfolgung und systemrelevante Dienste, sind mit strengeren Auflagen in Bezug auf Risikomanagement, Datenverwaltung, Dokumentation, Transparenz und menschliche Aufsicht verbunden. Die Europäische Kommission beschreibt das Gesetz als den ersten umfassenden Rechtsrahmen für KI, der darauf ausgelegt ist, Risiken zu bewältigen und gleichzeitig vertrauenswürdige KI zu fördern. (digital-strategy.ec.europa.eu)

Auch Unternehmen außerhalb Europas sollten aufmerksam sein, da Kunden, Lieferanten und multinationale Konzerne häufig Erwartungen nach EU-Vorbild in die globale Geschäftspraxis einbringen. Die allgemeine Erkenntnis ist einfach: Die Gestaltung von KI-Workflows wird zunehmend zu einer Frage der Compliance.

Die Kosten einer Sicherheitsverletzung sind nur ein Teil des Risikos

Unternehmen betrachten Datenrisiken häufig unter dem Gesichtspunkt der Kosten einer Datenpanne. Das ist nach wie vor wichtig. Der „2025 Cost of a Data Breach Report“ von IBM bezifferte die weltweiten Durchschnittskosten einer Datenpanne auf 4,44 Millionen US-Dollar und hob die wachsende Bedeutung von KI und Automatisierung sowohl für die Sicherheitsmaßnahmen als auch für die Risikoexposition hervor. (ibm.com)

KI-gesteuerte Arbeitsabläufe erweitern das Risiko jedoch über das herkömmliche Szenario einer Datenpanne hinaus.

Ein Unternehmen kann einen Reputationsschaden erleiden, weil ein KI-Tool einem Kunden einen falschen Rat gibt. Es kann rechtlichen Risiken ausgesetzt sein, weil ein Mitarbeiter vertrauliche Kundendaten in ein nicht autorisiertes Tool hochlädt. Es kann schlechte strategische Entscheidungen treffen, weil sich KI-generierte Analysen auf veraltete interne Daten stützen. Es kann unbeabsichtigt diskriminieren, weil ein Workflow Ersatzvariablen verwendet. Es kann Vertrauen verlieren, weil niemand erklären kann, wie eine automatisierte Entscheidung zustande gekommen ist.

Diese Fehler sehen nicht immer wie Cybersicherheitsvorfälle aus. Manche sehen wie betriebliche Fehler aus. Manche sehen wie Verstöße gegen Vorschriften aus. Manche sehen wie Mängel in der Unternehmensführung aus.

Aus diesem Grund müssen Datenrisikofunktionen ihren Blickwinkel erweitern. Die Frage lautet nicht mehr nur: “Könnten diese Daten offengelegt werden?”, sondern auch: “Könnten diese Daten missbräuchlich verwendet, falsch interpretiert, unzulässig aufbewahrt oder falsch umgesetzt werden?”

Was Unternehmen jetzt tun sollten

Der erste Schritt besteht darin, KI-Workflows abzubilden – und nicht nur KI-Tools. Eine Tool-Bestandsaufnahme gibt dem Unternehmen Aufschluss darüber, was angeschafft wurde. Eine Workflow-Karte zeigt hingegen, an welchen Stellen KI mit Daten, Entscheidungen, Kunden, Mitarbeitern und regulierten Prozessen in Berührung kommt.

Der zweite Schritt besteht darin, Anwendungsfälle nach ihrem Risiko einzustufen. Ein Brainstorming-Tool für das Marketing ist nicht dasselbe wie ein KI-System, das für Kreditentscheidungen, die Personalauswahl, die medizinische Triage, Betrugsermittlungen oder Rechtsberatung eingesetzt wird. Die Governance sollte verhältnismäßig sein, doch risikoreiche Arbeitsabläufe erfordern eine strengere Überprüfung.

Der dritte Schritt besteht darin, Datenberechtigungen auf Aufgabenebene festzulegen. Ein KI-Assistent sollte keinen umfassenden Zugriff erhalten, nur weil ein menschlicher Mitarbeiter über umfassenden Zugriff verfügt. Agenten und Workflows sollten nur die Daten erhalten, die für die jeweilige Aufgabe unbedingt erforderlich sind.

Der vierte Schritt besteht darin, die Datenherkunft zu verbessern. Unternehmen müssen wissen, welche Quellen KI-Systeme nutzen, wie aktuell diese Quellen sind, ob sie als verlässlich gelten und wie sich die Ergebnisse zurückverfolgen lassen.

Der fünfte Schritt besteht darin, dort, wo es darauf ankommt, eine menschliche Kontrolle einzurichten. Die Überprüfung durch Menschen sollte nicht nur symbolischen Charakter haben. Der Prüfer benötigt Zeit, Befugnisse und ausreichende Informationen, um die Ergebnisse hinterfragen zu können.

Der sechste Schritt besteht darin, das Verhalten der KI nach der Bereitstellung zu überwachen. KI-Workflows sollten kontinuierlich bewertet werden, da sich Modelle, Daten, Nutzerverhalten und geschäftliche Rahmenbedingungen ändern.

Der siebte Schritt besteht darin, die Mitarbeiter anhand praktischer Beispiele zu schulen. Abstrakte KI-Richtlinien reichen selten aus. Die Mitarbeiter müssen wissen, was sie hochladen dürfen, was sie nicht hochladen dürfen, wann sie die Ergebnisse überprüfen müssen, wie sie Vorfälle melden und welche Tools zugelassen sind.

Das neue Betriebsmodell für Datenrisiken

Unternehmen, die dies gut umsetzen, werden die KI-Governance nicht als Nebensache betrachten. Sie werden sie in die regulären Geschäftskontrollen integrieren.

Die Beschaffungsabteilung wird die Anbieter prüfen, bevor Tools angeschafft werden. Die Rechtsabteilung wird die Bestimmungen zur Datenverarbeitung und Haftung prüfen. Die Datenschutzteams werden Folgenabschätzungen durchführen. Die Abteilung für Cybersicherheit wird die Zugriffs- und Datenlecksrisiken testen. Die Datenteams werden die Datenherkunft und -qualität verwalten. Die interne Revision wird prüfen, ob die Kontrollmaßnahmen funktionieren. Die Geschäftsverantwortlichen bleiben für die Ergebnisse verantwortlich.

Die Arbeit von Deloitte zum Thema KI-Governance bringt diesen Punkt auf den Punkt: Führende Unternehmen integrieren die Governance in bestehende Risiko- und Kontrollstrukturen, anstatt eigenständige Funktionen aufzubauen. (deloitte.com)

Das ist das einzig realistische Modell. KI ist mittlerweile zu stark in die Arbeitsabläufe eingebettet, als dass sie von außen gesteuert werden könnte. Sie muss in die Art und Weise integriert werden, wie Unternehmen Prozesse genehmigen, überwachen und verbessern.

Die größte Herausforderung ist kultureller Natur. Geschäftsteams betrachten die Risikoprüfung oft als Hindernis. Risikoteams sehen die Einführung von KI möglicherweise als unkontrolliertes Risiko an. Die besseren Unternehmen schaffen eine gemeinsame Sprache: Sie setzen KI dort ein, wo sie einen Mehrwert schafft, schränken ihren Einsatz dort ein, wo das Risiko unverhältnismäßig hoch ist, und legen die Kontrollmechanismen so klar fest, dass die Teams ohne Improvisationen vorgehen können.

KI verändert die Bedeutung von Vertrauen

Im alten Datenrisikomodell war Vertrauen oft gleichbedeutend mit Vertraulichkeit. Können wir die Daten schützen?

Im KI-Workflow-Modell hat Vertrauen eine größere Bedeutung. Können wir die Daten schützen? Können wir nachweisen, woher sie stammen? Können wir aufzeigen, wie sie verwendet wurden? Können wir die Entscheidung erklären? Können wir das Ergebnis korrigieren? Können wir das System stoppen? Können wir den Prozess gegenüber einer Aufsichtsbehörde, einem Kunden, einem Mitarbeiter oder dem Vorstand verteidigen?

Aus diesem Grund entwickelt sich die KI-Governance zunehmend zu einer Vertrauensfunktion und ist nicht mehr nur eine Compliance-Funktion.

Ein Unternehmen, das diese Fragen nicht beantworten kann, kann dennoch Produktivitätssteigerungen durch KI erzielen. Es wird jedoch Schwierigkeiten haben, KI sicher zu skalieren, insbesondere in sensiblen Arbeitsabläufen.

Der nächste Wettbewerbsvorteil wird nicht dadurch entstehen, dass KI überall eingesetzt wird. Er wird dadurch entstehen, dass KI dort eingesetzt wird, wo das Unternehmen nachweisen kann, dass der Arbeitsablauf sicher, rechtmäßig, ausreichend genau, überwacht und nachvollziehbar ist.

Das Fazit

KI-gesteuerte Arbeitsabläufe verändern das Datenrisiko, da sie den Weg der Daten durch das Unternehmen verändern.

Daten werden nicht mehr nur gespeichert, abgerufen und geschützt. Sie werden abgerufen, interpretiert, zusammengefasst, kombiniert, verwertet und manchmal von autonomen Akteuren genutzt. Das eröffnet neue Möglichkeiten für mehr Effizienz und eine bessere Entscheidungsfindung, schafft aber auch neue Schwachstellen.

Die Unternehmen, die sich anpassen, werden das Datenrisiko nicht mehr als rein defensives technisches Problem betrachten. Sie werden es als Teil der Geschäftsgestaltung betrachten.

Vor der Einführung eines KI-Workflows werden sie fragen, woher die Daten stammen, ob das System darauf zugreifen soll, wie die Ergebnisse genutzt werden, wer das Ergebnis anfechten kann, was passiert, wenn das Modell falsch liegt, und wie der gesamte Prozess überprüft werden kann.

Das ist der neue Maßstab. Nicht “Haben wir KI?”, sondern “Können wir dem Arbeitsablauf vertrauen?”

KI wird Datenrisiken nicht beseitigen. Sie wird Datenrisiken dynamischer, operativer und enger mit unternehmerischen Entscheidungen verknüpft machen.