Bring Your Own Model: Die Schatten-KI-Bedrohung, die Ihr Netzwerk nicht sieht
Meta: Mitarbeiter laden stillschweigend leistungsstarke KI-Modelle direkt auf ihre Arbeitslaptops herunter und führen sie dort aus. Kein Netzwerkverkehr zur Überwachung. Keine Daten verlassen das Gebäude. Keine Prüfspur. Deshalb ist BYOM die Schatten-KI-Blindstelle, die traditionelle Sicherheitstools komplett übersehen werden.
---
Stellen Sie sich vor: Ein Datenanalyst in Ihrem Unternehmen lädt an einem Dienstagnachmittag Llama 3.3 herunter. Das dauert etwa zehn Minuten. Das Modell - eine wirklich leistungsfähige KI mit 70 Milliarden Parametern - läuft vollständig lokal auf seinem MacBook Pro. Er füttert es mit Kundendaten zum Kundenverlust, internen Finanzprognosen, Vertragsentwürfen. Das Modell verarbeitet alles. Ihre DLP-Tools sehen nichts. Ihre Proxy-Protokolle sind sauber. Ihr CASB meldet keine Auffälligkeiten.
Weil nichts das Unternehmen verlassen hat.
Das ist die neue Grenze der Schatten-KI, und die meisten Organisationen sind völlig unvorbereitet.
Schatten-KI ist jetzt viel schwerer zu erkennen
Die meisten Sicherheitsteams in Unternehmen haben ihre Schatten-KI-Abwehr auf einer vernünftigen Annahme aufgebaut: Wenn ein Mitarbeiter ein nicht genehmigtes KI-Tool nutzt, müssen Daten irgendwohin gesendet werden. Zu den Servern von OpenAI. Zur API von Anthropic. Zu einer SaaS-Plattform mit kostenlosem Tarif und einer Datenschutzrichtlinie, die niemand liest. Dieser ausgehende Datenfluss ist erkennbar - Sie können DNS-Anfragen überwachen, bekannte KI-Endpunkte blockieren, ungewöhnlichen API-Verkehr markieren.
Aber 2026 bringt uns ein neues Problem. Die Modelle werden klein genug, um lokal zu laufen, und leistungsfähig genug, um wirklich nützlich zu sein. Llama 3, Mistral, Phi-3, Gemma - das sind keine Spielzeugmodelle mehr. Sie können Dokumente zusammenfassen, Code schreiben, Tabellen analysieren, Verträge entwerfen und Forschungsergebnisse synthetisieren. Und sie laufen bequem auf einem modernen Laptop mit einer guten GPU. Oder sogar ohne, wenn man geduldig ist.
Der Trend „Bring Your Own Model“ - BYOM, wenn Sie ein Akronym wollen - bedeutet genau das: Mitarbeiter laden diese Modelle herunter und führen sie direkt auf der Unternehmenshardware aus. Keine Cloud-API-Aufrufe. Kein zu kennzeichnendes Abonnement. Kein ungewöhnlicher Netzwerkverkehr. Nur ein lokal laufender Prozess, der die Daten verarbeitet, die der Mitarbeiter ihm gibt.
Laut aktuellen Daten geben zwischen 43 % und 80 % der Mitarbeiter zu, bereits nicht genehmigte KI-Tools bei der Arbeit zu nutzen. Diese Zahl basiert größtenteils auf Cloud-basierten Tools. Die lokale Modellgruppe ist derzeit kleiner, wächst aber am schnellsten - und ist am schwersten zu verfolgen.
Was das wirklich anders macht
Bei traditioneller Schatten-KI ist das Risikomodell ziemlich gut verstanden. Ein Mitarbeiter kopiert Kundendaten in ChatGPT, diese Daten gelangen möglicherweise in eine Trainingspipeline, die Datenverarbeitung des Anbieters wird Ihre Haftung. Schlecht, aber zumindest gibt es ein erkennbares Ereignis.
BYOM durchbricht dieses Modell vollständig.
Es gibt keinen ausgehenden Datentransfer zu erkennen. Das Modell läuft in einem lokalen Prozess. Wenn ein Mitarbeiter [Ollama](https://ollama.com/) nutzt - die derzeit beliebteste lokale Modell-Laufzeit - sieht das Ganze aus wie jede andere Anwendung auf seinem Rechner. Ihre Endpoint-Security könnte es als ungewöhnliche Software markieren. Oder gar nicht, weil es nichts traditionell „Bösartiges“ tut.
Die Risiken sind anders, nicht nicht vorhanden:
Unkontrollierte lokale Verarbeitung sensibler Daten. Wenn ein Mitarbeiter firmeneigene Daten durch ein lokales Modell laufen lässt, gibt es keine Prüfspur. Kein Nachweis darüber, was verarbeitet, was generiert und welche Schlussfolgerungen gezogen wurden. Enthalten diese Daten regulierte personenbezogene Informationen, Finanzdaten oder geistiges Eigentum, besteht ein Compliance-Risiko, das Sie nicht einmal dokumentieren, geschweige denn verteidigen können.
Modellpersistenz und Feinabstimmung. Dieses Szenario sollte CISOs schlaflose Nächte bereiten: Ein Mitarbeiter passt ein lokales Modell mit internen Firmendaten an. Das Modell lernt buchstäblich die Muster, Terminologie, Preisgestaltung und Strategie Ihres Unternehmens. Dieses Modell verbleibt dann auf seinem Laptop. Wenn der Mitarbeiter das Unternehmen verlässt, nimmt er es mit.
Keine Governance, keine Schutzmechanismen. Cloud-KI-Anbieter - die seriösen - verfügen über Inhaltsrichtlinien, Ausgabefilter und zumindest eine gewisse Verantwortlichkeit. Ein lokales Modell hat nur die Schutzmechanismen, die der Entwickler eingebaut hat, oft gar keine. Mitarbeiter, die lokale Modelle zum Verfassen von Mitteilungen, zur Codegenerierung oder für Empfehlungen nutzen, unterliegen keiner organisatorischen Kontrolle darüber, was erzeugt wird.
Endpoint-Vielfalt. Jede lokale Modellinstallation ist effektiv ein neues KI-System in Ihrer Umgebung. Keine Risikoanalyse. Keine Genehmigung zur akzeptablen Nutzung. Keine Lieferantenbewertung. Einfach herunterladen und ausführen.
Warum die IT es nicht einfach blockieren kann
Die instinktive Reaktion ist, Modell-Downloads auf Netzwerkebene oder über Endpoint-Management zu blockieren. Und ja, man kann es erschweren. Aber dieser Ansatz stößt auf unangenehme Realitäten.
Viele lokale Modelle werden über Hugging Face verteilt, das auch eine legitime Forschungs- und Entwicklungsplattform für Ihre Data-Science-Teams ist. Eine vollständige Blockade erschwert die Arbeit derjenigen, die autorisierte Aufgaben erledigen. Gleiches gilt für GitHub, wo Modellgewichte und Tools wie Ollama frei verfügbar sind.
Praktischer: Mitarbeiter, die motiviert genug sind, lokale Modelle zu nutzen, sind auch motiviert genug, sie über Heimnetzwerke herunterzuladen und per USB zu übertragen oder persönliche Geräte mit Firmensystemen zu verbinden. Sie spielen Whack-a-Mole mit einem technisch versierten Teil Ihrer Belegschaft.
Die Antwort ist keine härtere Mauer, sondern bessere Sichtbarkeit dessen, was auf Endpunkten läuft, kombiniert mit Governance-Strukturen, die legitime lokale KI-Nutzung zulassen und riskante Aktivitäten erkennen.
Die Governance-Lücke ist das eigentliche Problem
Die unbequeme Wahrheit: 63 % der Organisationen haben noch keine formalen KI-Governance-Richtlinien. Von denen, die Richtlinien haben, wurden die meisten für Cloud-KI-Tools geschrieben. Sie sprechen über genehmigte Anbieterliste, Datenklassifikation für externe Tools, akzeptable Nutzung von SaaS-KI-Plattformen.
Keine dieser Richtlinien deckt das Modell ab, das still und heimlich auf einem Laptop läuft.
Effektive Governance für die BYOM-Ära muss mehrere Punkte adressieren, die die meisten aktuellen Richtlinien nicht abdecken:
KI-Inventar auf Endpoint-Ebene. Sie können nur das steuern, was Sie sehen. Zu wissen, welche KI-Modelle auf Ihren Geräten installiert und aktiv sind - nicht nur welche SaaS-Tools genutzt werden - ist die neue Basisanforderung.
Datenklassifizierung für lokale Inferenz. Nur weil Daten das Gebäude nicht verlassen, heißt das nicht, dass ihre Nutzung unkontrolliert ist. Richtlinien müssen festlegen, welche Datenkategorien durch lokale Modelle verarbeitet werden dürfen und unter welchen Bedingungen.
Genehmigte lokale Tools. Statt eines generellen Verbots, das zu verdecktem Verhalten führt, etablieren intelligente Organisationen kuratierte Listen genehmigter lokaler Modelle für spezifische Anwendungsfälle - und bieten legitime Wege für Mitarbeiter, Erweiterungen anzufragen.
Abgangsprozesse. Standard-Offboarding-Prozesse sind nicht darauf ausgelegt, dass ein Mitarbeiter ein Modell mit Ihren Daten feinabgestimmt hat. Das muss sich ändern.
Die Mitarbeiter sind hier nicht die Bösewichte
Es lohnt sich zu sagen: Die meisten Menschen, die lokale KI-Modelle auf ihren Arbeitslaptops nutzen, versuchen nicht, Daten zu exfiltrieren oder Sicherheitsmaßnahmen zu umgehen. Sie wollen ihre Arbeit besser machen, oft mit Tools, die tatsächlich privater sind als die Cloud-Alternativen, die sie sonst nutzen könnten.
Der Analyst, der sensible Kundendaten durch ein lokales Mistral-Modell laufen lässt, anstatt sie zu ChatGPT hochzuladen, hat möglicherweise bessere Datenschutzinstinkte als Kollegen, die sich darüber keine Gedanken gemacht haben. Er hat einen legitimen Bedarf erkannt - KI-gestützte Analyse - und eine Option gewählt, die seiner Ansicht nach Daten im Haus hält.
Das Problem ist, dass „im Haus, aber unkontrolliert“ nicht dasselbe ist wie „gesteuert und sicher“. Gute Absichten schaffen keine Prüfspuren oder Risikoanalysen.
Die Organisationen, die das gut meistern, sind diejenigen, die die Mitarbeiter dort abholen, wo sie sind: den legitimen Produktivitätswert lokaler KI-Tools anerkennen, Rahmenwerke schaffen, die genehmigte Nutzung erlauben, und die Sichtbarkeit aufbauen, um zu erkennen, wann diese Rahmenwerke umgangen werden.
Die Organisationen, die Schwierigkeiten haben werden, sind diejenigen, die BYOM nur als Sicherheitsproblem sehen, das blockiert werden muss, statt als Governance-Problem, das gemanagt werden muss.
Was jetzt zu tun ist
Wenn Ihr aktuelles KI-Governance-Programm sich ausschließlich auf die Überwachung ausgehenden Datenverkehrs und die Verwaltung Ihrer genehmigten SaaS-Anbieterliste konzentriert, ist es Zeit, es zu erweitern. Beginnen Sie mit einer ehrlichen Bewertung Ihrer Endpunktlandschaft - laufen lokale KI-Tools bereits in Ihrer Umgebung? (Tipp: Sehr wahrscheinlich ja.)
Von dort aus ist die Arbeit vertraut: Bewerten Sie das Risiko, erstellen Sie passende Richtlinien, schaffen Sie legitime Wege für Mitarbeiter mit echtem Bedarf und bauen Sie die Überwachungsfähigkeit auf, um Abweichungen zu erkennen.
Die Modelle werden immer kleiner und leistungsfähiger. Die Hürde, wirklich leistungsfähige KI lokal auszuführen, sinkt kontinuierlich. Dieser Trend kehrt sich nicht um. Die Frage ist, ob Ihre Governance Schritt hält.
