Ein sicherer und intelligenter Digital Workplace: So schaffen Sie die Grundlage

Die Herausforderungen bei Sensitivitätskennzeichnung und DLP

Ich habe unzählige Gespräche mit IT-Teams geführt, die plötzlich mit der Aufgabe betraut wurden, Sensitivitätskennzeichnungen und DLP-Richtlinien einzuführen, ohne dass die eigentlichen Datenverantwortlichen mit eingebunden wurden. In der Praxis zeigt sich, dass es sich hierbei nicht nur um ein technisches Thema handelt. Vielmehr ist es eine unternehmensweite Verantwortung. Trotzdem wird die IT oft allein damit beauftragt, Klassifizierungen zu definieren, Kennzeichnungen zu vergeben und Richtlinien durchzusetzen, obwohl dafür das notwendige Fachwissen aus den Bereichen Compliance und Governance fehlt.

Das muss sich ändern. Die IT sollte eine unterstützende Rolle einnehmen, aber nicht alleinige Eigentümerin der Datensicherheit sein. Die Herausforderung ist nicht nur technischer, sondern vor allem kultureller Natur. Organisationen müssen den Schutz sensibler Daten als gemeinsame Aufgabe verstehen. Die IT kann und sollte dabei eine vermittelnde Rolle spielen. Für mich wird es im Jahr 2025 ein zentrales Anliegen sein, Brücken zwischen den beteiligten Teams zu bauen und die richtigen Ansprechpartner zusammenzubringen.

Data Lifecycle Management: Mehr als nur Aufbewahrungsrichtlinien

Data Lifecycle Management wird häufig auf das Thema Aufbewahrungsfristen reduziert, aber es umfasst deutlich mehr. Unternehmen erzeugen heute Daten in einem nie dagewesenen Umfang. Ohne eine klare Strategie für den Datenlebenszyklus laufen sie Gefahr, in redundanten, veralteten und trivialen Daten zu versinken (im Englischen bekannt als „ROT“: Redundant, Obsolete, Trivial). Ein effektives Datenmanagement ist nicht nur aus Compliance-Gründen wichtig. Es steigert auch die Effizienz und spart Kosten.

In meiner Arbeit mit Unternehmen lege ich besonderen Wert auf drei Punkte:

1. Speicheroptimierung: Relevante Daten werden gezielt dort abgelegt, wo sie hingehören. Unkontrollierte Verteilung wird vermieden.
2. Verwaltung von Aufbewahrungsfristen: Wesentliche Daten werden aufbewahrt und gleichzeitig die Einhaltung aktueller gesetzlicher Vorgaben sichergestellt.
3. Beseitigung von ROT-Daten: Überflüssige Daten werden identifiziert und entfernt. Das reduziert Risiken und verbessert die Gesamtleistung.

Wenn Unternehmen den Wert von DLM erkennen, wird ihnen schnell bewusst, dass es sich um eine strategische Funktion handelt und nicht um eine reine IT-Aufgabe. Ziel ist es, Teams in die Lage zu versetzen, effizienter zu arbeiten, indem sie jederzeit auf die richtigen Informationen zugreifen können, ohne durch unnötige Datenmengen ausgebremst zu werden.

Wie DLP, DLM und Content Labelling die Grundlage für KI schaffen

Einer der spannendsten technologischen Fortschritte unserer Zeit ist die Integration von Künstlicher Intelligenz in den Arbeitsalltag. Doch KI ist immer nur so gut wie die Daten, auf die sie zugreifen kann. Die Leistungsfähigkeit von KI-Modellen hängt entscheidend davon ab, wie sauber, gut strukturiert und korrekt klassifiziert die Daten sind. Ohne eine solide Basis aus DLP und DLM besteht das Risiko, dass KI auf fehlerhaften Daten aufsetzt, Compliance-Probleme verursacht oder Inhalte generiert, die keinen Bezug zum geschäftlichen Kontext haben.

Wenn ich mit Unternehmen über den Einsatz von KI spreche, gliedere ich die Anforderungen in drei Kernbereiche:

1. Produktivität: KI-gestützte Werkzeuge können Arbeitsabläufe optimieren, Inhalte zusammenfassen und die Effizienz steigern.
2. Inhaltserstellung: Die Fähigkeit der KI, Inhalte zu erstellen und weiterzuentwickeln, ist direkt von der Qualität der zugrunde liegenden Daten abhängig. Eine sorgfältige Datenklassifizierung und Governance stellen sicher, dass KI hochwertige und relevante Inhalte liefert, statt auf irrelevante Daten zuzugreifen.
3. Automatisierung: Automatisierte Prozesse auf KI-Basis können Unternehmen grundlegend verändern, sofern sie auf einer sicheren und strukturierten Datenbasis aufbauen.

Es geht dabei nicht nur um Microsoft Copilot oder ein einzelnes Tool. Vielmehr ist ein grundlegender Perspektivwechsel erforderlich. Unternehmen müssen sich frühzeitig mit dem Thema KI-Fähigkeit auseinandersetzen, indem sie ihre Daten systematisch klassifizieren, schützen und so aufbereiten, dass daraus messbarer Mehrwert entsteht.