Microsoft bei GHY 2026, Sichere KI-Einführung mit Microsoft Purview

Wie führt man Microsoft 365 Copilot sicher und compliant ein?
Sichere KI beginnt nicht mit einem Tool, sondern mit der Frage, welche Daten die KI überhaupt nutzen darf. Berechtigungen sind der erste Sicherheitscheck, gefolgt von Datenklassifizierung mit Sensitivity Labels und Data Loss Prevention als Leitplanken. Copilot erfindet keine neuen Risiken, sondern macht bestehende Probleme nur sichtbarer, schneller und skaliert sie.

Was ist der semantische Index und warum ist er sicherheitsrelevant?
Der semantische Index ist der KI-Layer bzw. die KI-Datenbasis; eine KI arbeitet mit Vektoren aus bis zu 128 Ebenen, die pro Tenant unterschiedlich sind und von einem LLM erzeugt werden. Sobald ein Dokument im Index liegt, ist es technisch von einer KI verarbeitet, und weil der Index ein Core Feature ist, sind alle Dokumente in SharePoint und OneDrive „AI ready“.

Kann Data Loss Prevention verhindern, dass Copilot ein Dokument verarbeitet?
„Restrict Copilot from Processing Content“ gibt es anhand von Labels und Sensitive Info Types, blockt aber nur die Antwort bzw. den Prompt von Copilot, nicht den Anhang im Prompt, und gilt nur für User und Tenant. Wer Verarbeitung wirklich verhindern will, nutzt Double Key Encryption mit Sensitivity Labels oder hält das Dokument außerhalb der Cloud.

Wie macht man Shadow AI im Unternehmen sichtbar?
DSPM for AI in Microsoft Purview wirkt als Frühwarnsystem: „Total Visits other AI Apps“ zeigt Nutzung von Cursor, ChatGPT, Claude, Google Gemini und DeepSeek, „Total Interactions over Time“ die zeitliche Entwicklung. Mit Exact Data Match auf Kundennummern oder Kreditkarteninformationen wird sichtbar, welche sensiblen Inhalte tatsächlich geprompted wurden.

Wie lassen sich Copilot-Interaktionen nachvollziehen und aufklären?
Audit Logs in Microsoft Purview (E3 90 Tage, E5 ein Jahr) zeigen auf Nachfrage, wer wann welche Aktion mit welchem Prompt ausgeführt hat. Für die Aufklärung eines Vorfalls liefert eDiscovery auf Dokumentenebene ganze Chats und Prompts, inklusive Copilot in Word oder Microsoft 365 Copilot Chat samt der berührten Dokumente.

1. KI-Euphorie trifft auf fehlende Governance

Julian Kusenberg eröffnet die Session mit der Beobachtung, dass Unternehmen überall künstliche Intelligenz einsetzen möchten. Der Wunsch nach höherer Produktivität, schnellerer Verarbeitung und effizienteren Prozessen führt häufig dazu, dass KI-Projekte priorisiert werden, während Security- und Compliance-Aspekte zunächst in den Hintergrund treten.

Der Vortrag macht deutlich, dass gerade diese Herangehensweise erhebliche Risiken erzeugen kann. KI wird häufig eingeführt, bevor Datenklassifizierung, Governance-Strukturen oder Zugriffskontrollen ausreichend etabliert wurden.

2. Der Ein-Dollar-Chevy: Wenn KI ohne Leitplanken arbeitet

Als Praxisbeispiel beschreibt der Vortrag den sogenannten „Ein-Dollar-Chevy“. Ein KI-gestützter Chatbot eines Automobilherstellers reagierte auf kreative Nutzereingaben und erzeugte ein vermeintlich verbindliches Angebot für den Verkauf eines Fahrzeugs zum Preis von einem US-Dollar.

Das Beispiel verdeutlicht die Risiken unkontrollierter KI-Systeme. Fehlende Guardrails, fehlende Überwachung, fehlendes Monitoring und nicht vorhandene Richtlinien führten zu einem erheblichen Imageschaden. Die Session nutzt diesen Fall als Beispiel für die Notwendigkeit technischer und organisatorischer Kontrollmechanismen.

3. Die Realität vieler KI-Projekte

Der Vortrag beschreibt eine typische Ausgangssituation in Unternehmen: Prozesse sind nicht sauber dokumentiert, Rollen nicht eindeutig definiert und Berechtigungsmodelle nur teilweise etabliert. Trotzdem wird KI eingeführt, weil technologischer Fortschritt sichtbar demonstriert werden soll.

Viele Mitarbeitende verstehen dabei lediglich Eingabe und Ausgabe eines KI-Systems, besitzen jedoch kein tieferes Verständnis für die internen Entscheidungsprozesse moderner Sprachmodelle. Dadurch entstehen zusätzliche Risiken bei der Nutzung sensibler Unternehmensinformationen.

4. Warum fehlende Governance zu Datenpannen führt

Ein zentraler Schwerpunkt der Session betrifft Data Breaches. Werden KI-Systeme ohne Governance eingeführt, können bestehende Schwachstellen in Berechtigungsmodellen und Datenzugriffen schneller sichtbar werden.

Der Vortrag betont insbesondere die Bedeutung von Data Loss Prevention, Human-in-the-Loop-Konzepten, Zugriffskontrolle und Datenklassifizierung. Fehlen diese Bausteine, steigt die Wahrscheinlichkeit, dass sensible Informationen versehentlich oder unkontrolliert weitergegeben werden.

5. KI-Einführung ohne Leitplanken als Risikomodell

Zur Veranschaulichung verwendet die Session das Bild eines gefährlichen Bergpfades ohne Absicherung. Dieser symbolisiert die Einführung von KI ohne Richtlinien, Überwachung oder Governance. Unternehmen betreten damit einen Bereich, in dem Risiken zwar nicht unmittelbar sichtbar sind, langfristig jedoch erhebliche Auswirkungen haben können.

Demgegenüber steht eine strukturierte KI-Einführung mit Framework, Sicherheitsmechanismen und klar definierten Verantwortlichkeiten. Diese Leitplanken reduzieren Risiken und schaffen kontrollierbare Prozesse.

6. Drei Wege der KI-Einführung

Der Vortrag beschreibt drei typische Strategien. Die erste Variante besteht in einer schnellen Einführung ohne Sicherheitsmaßnahmen. Die zweite Variante verzichtet offiziell auf KI, führt jedoch häufig zur Entstehung von Shadow AI. Die dritte Variante kombiniert KI-Einführung mit Governance, Kontrolle und Sicherheitsmaßnahmen.

Aus Sicht der Session ist die dritte Variante langfristig die einzige nachhaltige Strategie. Sie verbindet Produktivität mit Sicherheit und Compliance-Anforderungen.

7. Shadow AI als unterschätztes Risiko

Unternehmen, die keine offiziellen KI-Werkzeuge bereitstellen, fördern häufig ungewollt die Nutzung privater KI-Dienste. Mitarbeitende verwenden eigene Konten für ChatGPT, Claude, Gemini oder andere Angebote und verarbeiten dort teilweise Unternehmensdaten.

Diese sogenannte Shadow AI erzeugt erhebliche Compliance- und Datenschutzrisiken, weil Unternehmen weder Transparenz über die Nutzung noch Kontrolle über die verarbeiteten Daten besitzen.

8. Datenklassifizierung als Grundlage jeder KI-Strategie

Ein Kernthema der Session ist die Datenklassifizierung. Sensitivity Labels gelten als fundamentale Voraussetzung für den sicheren Einsatz von KI. Sie kennzeichnen Informationen beispielsweise als öffentlich, intern, vertraulich oder streng vertraulich.

Labels geben sowohl Nutzenden als auch KI-Systemen Kontext. Erst durch diese semantische Einordnung werden automatisierte Sicherheitsentscheidungen und Compliance-Maßnahmen überhaupt möglich.

9. Sensitivity Labels als Kontext für Copilot

Microsoft Copilot verarbeitet Inhalte auf Basis der verfügbaren Berechtigungen und Informationen. Sensitivity Labels helfen dabei, den Umgang mit Daten nachvollziehbar zu gestalten und die Sensibilität von Informationen sichtbar zu machen.

Der Vortrag macht deutlich, dass Labels nicht spontan eingeführt werden können. Unternehmen müssen definieren, welche Informationen vertraulich, streng vertraulich oder intern sind und welche Konsequenzen daraus folgen.

10. Data Loss Prevention als technische Leitplanke

Nach der Datenklassifizierung folgt Data Loss Prevention. DLP-Richtlinien ermöglichen die Durchsetzung technischer Kontrollen auf Grundlage von Sensitivity Labels und sensiblen Datentypen.

Unternehmen können beispielsweise festlegen, dass interne Informationen nicht extern weitergegeben werden dürfen oder dass vertrauliche Informationen nur unter bestimmten Bedingungen geteilt werden. DLP bildet somit die technische Umsetzung zuvor definierter Governance-Regeln.

11. Copilot, DLP und die Grenzen der Kontrolle

Der Vortrag erläutert, dass bestimmte DLP-Funktionen die Verarbeitung durch Microsoft Copilot einschränken können. Dennoch bestehen Grenzen. DLP steuert in erster Linie die Interaktion des Nutzers mit Copilot und nicht zwangsläufig jede mögliche Verarbeitung eines Dokuments.

Deshalb sollten Unternehmen die tatsächlichen Kontrollmöglichkeiten genau verstehen und Sicherheitsmaßnahmen nicht ausschließlich auf einzelne Purview-Funktionen stützen.

12. Der semantische Index als Grundlage von Copilot

Ein wichtiger Abschnitt behandelt den semantischen Index von Microsoft 365. Dokumente in SharePoint und OneDrive werden für KI-Funktionen semantisch aufbereitet und dienen dadurch als Grundlage für Copilot-Abfragen.

Wer verhindern möchte, dass bestimmte Informationen KI-seitig verarbeitet werden, muss diesen technischen Zusammenhang berücksichtigen und geeignete Schutzmaßnahmen etablieren.

13. Audit Logs und eDiscovery für Nachvollziehbarkeit

Microsoft Purview stellt Audit Logs zur Verfügung, mit denen Aktivitäten nachvollzogen werden können. Unternehmen erhalten Transparenz darüber, wer KI-Funktionen genutzt hat, wann Interaktionen stattfanden und welche Aktionen ausgeführt wurden.

Über eDiscovery lassen sich zusätzlich umfangreiche Informationen rekonstruieren. Dazu gehören Interaktionen, Prompts, Dokumentbezüge und weitere Informationen, die für Compliance-Untersuchungen oder Vorfallanalysen benötigt werden.

14. DSPM for AI und die Erkennung von Shadow AI

Ein weiterer Schwerpunkt ist DSPM for AI (Data Security Posture Management for AI). Diese Funktion ermöglicht Transparenz über die Nutzung externer KI-Dienste innerhalb des Unternehmens.

Über entsprechende Analysen lassen sich nicht nur genutzte Dienste erkennen, sondern auch potenzielle Datenschutz- und Compliance-Risiken identifizieren. Insbesondere die Nutzung nicht freigegebener KI-Dienste wird dadurch sichtbar.

15. KI macht bestehende Probleme schneller sichtbar

Die zentrale Botschaft der Session lautet, dass KI keine völlig neuen Risiken erschafft. Vielmehr beschleunigt sie bestehende Schwächen in Governance, Berechtigungsmodellen und Datenverwaltung.

Unternehmen mit sauber definierten Berechtigungen, Klassifizierungen und Governance-Strukturen profitieren von KI deutlich stärker als Organisationen mit ungeordneten Datenbeständen und unklaren Zugriffsrechten.

16. Die wichtigsten Voraussetzungen für sichere KI

Zum Abschluss fasst der Vortrag die Grundlagen einer sicheren KI-Einführung zusammen. Berechtigungen bilden die erste Verteidigungslinie. Datenklassifizierung durch Sensitivity Labels schafft Transparenz. DLP-Richtlinien erzeugen technische Leitplanken. Audit Logs, eDiscovery und DSPM for AI sorgen für Kontrolle und Nachvollziehbarkeit.

Der Vortrag betont, dass sichere KI nicht mit einem Tool beginnt, sondern mit der Frage, auf welche Daten eine KI überhaupt zugreifen darf.