Katalog / Aufbereitung von Daten und Wissen / PREP-024

Datenklassifizierungsregeln für den KI-Einsatz („Was darf in welches KI-Werkzeug“)

Vier einfache Datenklassen und eine einseitige Matrix festlegen, die Mitarbeitenden mit Alltagsbeispielen zeigt, welche Klasse in welches freigegebene KI-Werkzeug eingegeben werden darf.

Schneller Erfolg: bewährt, überschaubarer Aufwand, erste Ergebnisse nach Wochen, geringes regulatorisches Risiko.

Bausteine für den EigenbetriebAgenten & AutomatisierungSprachmodell

Mitarbeitende fügen täglich Texte, Tabellen und Kunden-Mails in KI-Werkzeuge ein, meist ohne zu wissen, was erlaubt ist. Die Lösung ist keine 40-seitige Richtlinie, sondern vier Datenklassen, eine einseitige Matrix „Klasse nach Werkzeug“ und einige konkrete Beispiele je Abteilung. Mit Bezeichnungen in den bereits vorhandenen Werkzeugen lassen sich die Regeln teilweise durchsetzen, statt nur auf ihre Einhaltung zu hoffen.

Problem & Nutzen

  • Heute: KMU haben entweder keine Regel oder ein pauschales Verbot, das Mitarbeitende ignorieren; Schatten-KI (private ChatGPT-Konten, Plug-ins) füllt die Lücke.
  • Nutzen: weniger Abflüsse von Kunden-, Beschäftigten- und Geschäftsgeheimnisdaten, schnellere Freigabe neuer Anwendungsfälle, eine dokumentierte Grundlage für Datenschutzbeauftragte(n), Prüfer und Kunden. Die Regeln sind eine organisatorische Aufgabe; KI-gestützte Erkennung ist SEC-017.

Varianten

  • KMU: vier Klassen, eine Matrix, Bezeichnungen in Microsoft 365 oder Google Workspace, 45 Minuten Schulung.
  • Großunternehmen: am ISMS-Schema ausrichten (ISO 27001 Anhang A.5.12/5.13), automatische Kennzeichnung, DLP und ein KI-Gateway.
  • Öffentlicher Sektor: auf den Umgang mit VS-NfD und auf landesrechtliche Datenschutzregeln abbilden; meist souveräne oder hauseigene Werkzeuge.
  • Branchenergänzungen: Gesundheitsdaten und die Verschwiegenheit nach § 203 StGB (Rechtsanwälte, Steuerberater) gehören in die oberste Klasse.

So funktioniert es

  1. Bestandsaufnahme von KI-Werkzeugen und Datenarten
  2. 4 Klassen + Beispiele je Abteilung festlegen
  3. Matrix: Klasse x Werkzeug (erlaubt / Bedingungen / verboten)
  4. Vertraulichkeitslabels in M365 / Google Workspace (+ DLP-Regeln)
  5. Ein-Seiten-Leitfaden + kurze Schulung
  6. Freigabeweg für neue Werkzeuge / neue Datenarten
  7. Überprüfung alle 6-12 Monate und nach Vorfällen
  • Klassen (typisch): Öffentlich (Website-Inhalte, Pressemitteilungen), Intern (interne Abläufe, unkritische Projektunterlagen), Vertraulich (Kundendaten, Verträge, Preise, personenbezogene Daten von Beschäftigten), Streng vertraulich (Gesundheitsdaten, Bewerbungen, Geschäftsgeheimnisse, Berufsgeheimnisse, Quellcode von Kernprodukten, Passwörter).
  • Matrix-Logik: Die Klasse begrenzt das Werkzeug, nicht die Aufgabe. Beispiel: Öffentlich darf in jedes Werkzeug; Intern nur in freigegebene Geschäftswerkzeuge mit AVV und ohne Training auf Eingaben; Vertraulich nur in EU-gehostete Werkzeuge mit AVV und Zugriffskontrolle; Streng vertraulich nur in selbst betriebene oder ausdrücklich freigegebene Werkzeuge, sonst gar nicht.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Die oder der Datenverantwortliche entscheidet über die Klasse eines Datenbestands; die IT entscheidet, welches Werkzeug freigegeben ist; die oder der Datenschutzbeauftragte und, wo vorhanden, der Betriebsrat werden zur Matrix angehört. Mitarbeitende bestimmen die Klasse ad hoc entstehender Inhalte anhand der Beispiele.

Datenaufbereitung

Was nötig ist: Wissen über Ihre Daten: welche Typen es gibt, wo sie liegen, wem sie gehören (PREP-001, PREP-003, PREP-004). Typische Lücken: keine Liste freigegebener KI-Werkzeuge, unklare AVV-/Kein-Training-Bedingungen der Lizenzen, sensible Ordner mit weitem Zugriff (PREP-023), personenbezogene Daten in Tabellen (PREP-022).

Schritte und realistischer Aufwand: 1. Die genutzten Werkzeuge erfassen: IT-Umfrage plus ein Blick in Proxy- oder Defender-for-Cloud-Apps-/Google-Admin-Protokolle nach KI-Domänen (0,5-1 Tag). 2. Workshop mit 3-5 Abteilungsleitungen: 10-15 reale Datentypen sammeln und je eine Klasse zuordnen (ein halber Tag). 3. Matrix und einseitigen Leitfaden entwerfen (1-2 Tage), mit Datenschutzbeauftragter/m und Betriebsrat abstimmen. 4. Bezeichnungen in Microsoft Purview (Business Premium enthält manuelle Vertraulichkeitsbezeichnungen und eingeschränkte DLP; automatische Kennzeichnung und erweiterte DLP erfordern E5 oder das Purview-Add-on, prüfen) oder Klassifizierungsbezeichnungen in Google Workspace anlegen und zunächst auf die wenigen kritischen Bibliotheken anwenden (1-3 Tage). 5. Schulung, 45 Minuten, für neue Beschäftigte aufgezeichnet.

Werkzeuge: Excel oder eine Nextcloud-/SharePoint-Liste für das Verzeichnis, Purview- oder Workspace-Bezeichnungen, n8n oder Power Automate für ein Genehmigungsformular „neues KI-Werkzeug beantragen“. Insgesamt etwa 3-6 Arbeitstage für ein KMU. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

  • KMU - A: in M365 Business Premium oder Google Workspace eingebaut; Standardablauf.
  • Großunternehmen - B: automatische Kennzeichnung, DLP und ein KI-Gateway erfordern Integration.
  • Öffentliche Hand - C: Souveränität und Vergaberegeln sprechen für selbst betriebene Werkzeuge.

Weg A — Kaufen (Standardsoftware)

  • Microsoft 365: Purview-Vertraulichkeitsbezeichnungen, DLP und (in höheren Lizenzen) Copilot, das Bezeichnungen und DLP-Richtlinien beachtet. Prüfen Sie, welche Lizenz was enthält, bevor Sie die Durchsetzung zusagen. Microsoft bietet die EU Data Boundary für abgedeckte Dienste.
  • Google Workspace: Klassifizierungsbezeichnungen und DLP in den entsprechenden Editionen; Gemini in Workspace folgt den vorhandenen Zugriffsrechten.
  • Eigenständig: Nextcloud (EU, selbst betreibbar) mit Datei-Tagging; halten Sie DATEV-Daten aus allgemeinen Chatbots heraus.
  • Wählen Sie A, wenn: Sie M365 oder Workspace haben, weniger als einige hundert Beschäftigte und Standardbedarf.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Leiten Sie den gesamten KI-Verkehr über ein Gateway (zum Beispiel LiteLLM oder eine API-Management-Schicht), das die Klasse prüft, bevor eine Anfrage das Haus verlässt: Bezeichnung aus dem Dokument, PII-Erkennung mit Microsoft Presidio, dann Weiterleitung an ein Modell in einer EU-Region (Azure OpenAI EU-Regionen, Mistral als EU-Anbieter, Amazon Bedrock Frankfurt) oder Blockade.
  • Wählen Sie B, wenn: Sie eigene KI-Anwendungen bauen oder eine zentrale Durchsetzungsstelle für viele Werkzeuge wollen.

Weg C — Selbst betreiben (Open Source)

  • Stack: Ollama oder vLLM mit einem Open-Weight-Modell für die Zeile „Streng vertraulich“, Open WebUI als Oberfläche für Mitarbeitende, Presidio für die PII-Maskierung, n8n für Genehmigungsabläufe, Nextcloud für Dateien.
  • Hardware: HW1 genügt für den Regel- und Kennzeichnungsteil; ein kleines lokales LLM für die Zeile „Streng vertraulich“ läuft auf HW1-HW2.
  • Wählen Sie C, wenn: die Daten sehr sensibel sind oder dieselbe Plattform mehrere Anwendungsfälle bedient (Baukasten-Effekt mit PREP-022, PREP-023).

Weg D — Eigenes Training

Nicht relevant. Das Training eines eigenen Klassifizierers auf Ihren gekennzeichneten Dokumenten lohnt sich nur bei sehr großen Dokumentmengen (siehe SEC-017).

Stand der Technik (2026)

  • Copilot und Gemini beachten bestehende Berechtigungen und, in den passenden Lizenzen, Bezeichnungen und DLP; saubere Kennzeichnung ist daher eine Voraussetzung für den Rollout.
  • Browser- und Endpunkt-DLP kann beim Einfügen in nicht freigegebene KI-Websites warnen oder blockieren; die Lizenzkosten schwanken stark.
  • Grenzen: Bezeichnungen verhindern nicht die Nutzung eines privaten Telefons; automatische Klassifizierer liefern falsch positive und übersehene Treffer; Regeln ohne Schulung und Beispiele scheitern.

Gemeinsame Bausteine & Kombinationen

  • Teilt die Arbeit an Bezeichnungen und Berechtigungen mit PREP-023, den Umgang mit personenbezogenen Daten mit PREP-022 und PREP-025; baut auf PREP-001/003/004 auf; speist SEC-017 und SEC-022. Der Genehmigungsablauf und das Gateway sind wiederverwendbar (Baukasten).

Aufwand, Kosten & Kennzahlen

  • Weg A: 3-6 Tage interner Aufwand für ein KMU, plus Lizenz-Upgrade, falls Bezeichnungen oder DLP fehlen.
  • Weg B: 2-6 Wochen für Gateway, PII-Prüfung und Protokollierung.
  • Weg C: 1-3 Wochen für den lokalen Stack plus Schulung; Hardwarekosten für HW1/HW2.
  • Kennzahlen: Anteil geschulter Beschäftigter, Anteil bezeichneter kritischer Bibliotheken, Zahl gefundener freigegebener gegenüber nicht freigegebenen KI-Werkzeugen, DLP-Warnungen pro Monat, Zeit bis zur Freigabe eines neuen Werkzeugs, Vorfälle.

Menschen & Veränderung

Einbinden: Geschäftsführung, Abteilungsleitungen, IT und IT-Sicherheit, Datenschutzbeauftragte(r), Recht, Betriebsrat, wo vorhanden (GUIDE-004, GUIDE-005, GUIDE-007).

Betriebsrat: kommt darauf an. Die Regeln selbst sind eine Verhaltensregelung (§ 87 Abs. 1 Nr. 1 BetrVG); DLP, Proxy-Protokolle und Bezeichnungsprüfungen sind technische Systeme, die objektiv zur Verhaltensüberwachung geeignet sind, sodass in der Praxis § 87 Abs. 1 Nr. 6 BetrVG greift. § 90 Abs. 1 Nr. 3 verlangt eine rechtzeitige Unterrichtung, wenn Arbeitsabläufe mit KI geplant werden, und § 80 Abs. 3 erlaubt einen KI-Sachverständigen. Vereinbaren Sie eine Zweckbindung: Protokolle dienen der Sicherheit, nicht der Leistungsbeurteilung. Öffentliche Stellen beteiligen den Personalrat.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt seit dem 27. Juli 2026 von Anbietern und Betreibern Maßnahmen, die die KI-Kompetenz ihrer Beschäftigten fördern (kein garantiertes Niveau). Eine 45-minütige Schulung zur Matrix mit realen Beispielen ist eine praktikable Maßnahme (GUIDE-006).

Kommunikation und Pilot: Stellen Sie es als „Das dürfen Sie“ dar; beginnen Sie mit einer Abteilung und KI-Botschaftern; wählen Sie im Zweifel die höhere Klasse (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): Die Klassifizierungsarbeit selbst hat minimales Risiko. Die Pflichten nach Art. 4 gelten für die Organisation; die Transparenzpflichten nach Art. 50 gelten seit dem 2. August 2026 für die von Ihnen eingeführten KI-Nutzungen. Siehe GUIDE-014.
  • DSGVO: Personenbezogene Daten fallen mindestens in „Vertraulich“; besondere Kategorien (Art. 9) in „Streng vertraulich“. AVV (Art. 28 DSGVO) mit jedem Werkzeuganbieter, Prüfung von Drittlandübermittlungen, DSFA (Art. 35), wo KI personenbezogene Daten systematisch oder im großen Umfang verarbeitet (GUIDE-005).
  • Geheimhaltungspflichten: § 203 StGB für Rechtsanwälte, Steuerberater und Ärzte; Geheimhaltungsvereinbarungen (NDA) mit Kunden können Cloud-KI verbieten.
  • Typische Risiken: Schatten-KI, veraltete Matrix, nicht gesetzte Bezeichnungen, trügerisches Sicherheitsgefühl durch DLP; mildern Sie dies durch Schulung und Überprüfungsrhythmus. Sicherheit: GUIDE-013.

Erste Schritte

  1. Listen Sie die genutzten KI-Werkzeuge auf und fragen Sie nach Werkzeugen, die Mitarbeitende gern nutzen würden (1 Tag).
  2. Führen Sie den Klassen-Workshop mit den Abteilungsleitungen durch und schreiben Sie die einseitige Matrix mit realen Beispielen.
  3. Prüfen Sie Lizenzen und AVV-Status der Werkzeuge in der Matrix (GUIDE-010).
  4. Legen Sie Bezeichnungen für die kritischen Bibliotheken an und informieren Sie Betriebsrat und Datenschutzbeauftragte(n).
  5. Schulen Sie die Beschäftigten, veröffentlichen Sie den Leitfaden im Intranet und setzen Sie einen Überprüfungstermin in 6 Monaten.

Quellen

  1. Microsoft Learn - Learn about sensitivity labels - https://learn.microsoft.com/purview/sensitivity-labels
  2. Microsoft Learn - Data Loss Prevention in Microsoft Purview - https://learn.microsoft.com/purview/dlp-learn-about-dlp
  3. Nextcloud - Files access control and tagging documentation - https://docs.nextcloud.com/server/latest/admin_manual/file_workflows/index.html
  4. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj
  5. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  6. Bundesamt fuer Sicherheit in der Informationstechnik (BSI) - Artificial intelligence topic page - https://www.bsi.bund.de/DE/Themen/Unternehmen-und-Organisationen/Informationen-und-Empfehlungen/Kuenstliche-Intelligenz/kuenstliche-intelligenz_node.html
  7. Microsoft Presidio - https://github.com/microsoft/presidio