Entwickler-Datenschutz
Firmendaten bei KI-Codierung schützen
Zunächst kartieren, wie eine Entwickleraufgabe Daten an KI sendet: getippte Eingaben, ausgewählter Code, Repository-Kontext, Terminalausgabe und verbundene Tools. Daten und Konto genehmigen, Kontrollen für jeden Pfad wählen, dann einen kleinen synthetischen Pilotversuch durchführen. Ein Tool-Name oder eine No-Training-Erklärung allein beweist nicht, dass Firmendaten innerhalb der vorgesehenen Grenzen bleiben.
Für CISO und Technikleitung
Workflow vor der Kontrolle wählen.
Synthetische Planungsbeispiele. Es sind keine Tests oder Ergebnisse mit installiertem Produkt enthalten.01
Mit einer echten Technikaufgabe starten
Eine Aufgabe wählen, die Ihr Team bereits erledigen will: einen Build-Fehler erklären, eine öffentliche Hilfsfunktion verbessern oder einen Testentwurf erstellen. Entwickler, genehmigten Client und Repository-Besitzer benennen. So wird „KI erlauben“ zu einer Entscheidung, die Technik und Sicherheit gemeinsam prüfen können. Ein Pilot mit einem lokalen Editor genehmigt nicht automatisch dessen Kommandozeilen- oder Cloud-Agenten.
Dokumentieren, was die Aufgabe benötigt und worauf verzichtet werden kann. Ein Stacktrace braucht vielleicht einen Ausnahme-Namen und zwei Frames, aber keine Kundendaten. Eine Codeerklärung benötigt vielleicht eine kurze Funktion, aber keine interne Konfiguration. Das minimale nützliche Eingabemaß vor Kontrollen festlegen.
Quellkontext: Cursor: Datenschutz und Datenverwaltung · OpenAI: Agentengenehmigungen und Sicherheit
02
Informationen in den Kontext verfolgen
Ein Entwickler kann bewusst einen Ausschnitt einfügen, während der Client zusätzlichen Kontext liefert. Repository-Suche, angehängte Datei, Shell-Ergebnis oder verbundener Dienst können Material einbringen, das im ursprünglichen Prompt nicht enthalten war. Fragen, wo jede Abfrage stattfindet und welches System das Ergebnis erhält.
Die folgende Karte nutzen, um einen Kontrollverantwortlichen zu identifizieren. Arbeitgebererlaubnis regelt Offenlegung. Client-Berechtigungen regeln Zugriff. Anbieterbedingungen regeln Verarbeitung und Aufbewahrung. Endpunktkontrollen bewerten unterstützte Einreichungen. Jeder beantwortet einen anderen Teil der Kaufentscheidung.
| Source/input | Client/runtime | Empfänger oder Grenze identifizieren | Überprüfender Verantwortlicher |
|---|---|---|---|
| Ausgewählter Code oder Protokoll | Browser oder Editor | Modellanbieter und gespeicherte Transkripte | Datenverantwortlicher und Endpunktsicherheit |
| Datei- oder Terminalergebnis | Lokaler Agent | Vom ausgewählten Client gesendeter Kontext | Entwicklerplattform und Client-Administrator |
| Daten verbundener Dienste | MCP oder App-Tool | Dienst-, Tool-Ergebnis und Modellkontext | Dienstverantwortlicher und Identitätsadministrator |
| Repository-Klon | Cloud-Agent-Umgebung | Cloud-Speicher, Modellanbieter und Snapshots | Cloud- und Repository-Verantwortlicher |
Quellkontext: Cursor: Datenschutz und Datenverwaltung · OpenAI: Agentengenehmigungen und Sicherheit
03
Kontrolle für die Exposition wählen
Für eingeschränkte Quellcodedateien mit Zugriffs- und Kontextkontrollen beginnen. Für unnötige Identifikatoren in ansonsten nützlichen Protokollen Eingaben minimieren und den unterstützten Einreichungspfad bewerten. Für einen externen Connector Identität und Berechtigungen prüfen. Das Verschieben einer Aufgabe zu einem Cloud-Agenten schafft eine separate Ausführungsumgebung, erweitert nicht die Laptop-Grenze.
Kontrollen ergänzend halten. Eine No-Training-Verpflichtung erlaubt nicht, firmeneigenen Code offenzulegen. Eine Dateisystemregel beschreibt nicht jeden verbundenen Dienst. Ein aufgezeichnetes KI-Ereignis beweist nicht, dass eine Richtlinie den Inhalt bewertet oder blockiert hat.
- Erlaubte Arbeit
- Datenklassen und genehmigte Konten angeben, damit Entwickler wissen, was sie nutzen dürfen.
- Eingeschränkte Daten
- Sowohl den Quellort als auch den Pfad identifizieren, über den Daten in den Kontext gelangen könnten.
- Nachweis
- Das beobachtbare Ergebnis definieren, bevor ein Test gewählt oder ein Ereignis interpretiert wird.
Quellkontext: Cursor: Datenschutz und Datenverwaltung · OpenAI: Agentengenehmigungen und Sicherheit
04
Einen kleinen, nützlichen Pilotversuch aufbauen
Der Download enthält ein Aufgaben-Auswahlblatt, ein Datenpfad-Register und vier offensichtlich synthetische Marker, die Code, Geheimnisse, Protokolle und Repository-Kontext darstellen. Sie enthalten keine Kundeninformationen oder funktionierende Zugangsdaten. Sie dienen der Organisation eines Tests; sie sind kein Beweis dafür, dass ein Detektor eine reale Datenklasse erkennt.
Für jeden ausgewählten Pfad notieren Sie die Richtlinie, die Sie anwenden möchten, deren Voraussetzung und die erwartete Mitarbeitererfahrung. Fragen Sie den Kontrollverantwortlichen, ob die Testvorrichtung diese Richtlinie auslösen kann. Lassen Sie das beobachtete Ergebnis leer, bis ein echter Test durchgeführt wird. Vermerken Sie erlaubt, verweigert, Genehmigung angefordert oder nicht bewertet, zusammen mit der Client-Version und dem Beweisort.
Quellkontext: Aona: KI-Sicherheitsabdeckung
05
Genehmigen Sie den Umfang, den Sie unterstützen können
Beenden Sie den Pilotversuch mit einer klaren Entscheidung: genehmigte Aufgabe, Datenklassen, Konto, Client, Umgebung und verantwortlicher Eigentümer. Ein unerklärtes Ergebnis ist ein Grund, diesen Pfad zu untersuchen, aber kein Grund, das gesamte Produkt als sicher oder unsicher zu kennzeichnen. Verlinken Sie die detaillierten Client-Tests, wenn das Team sie benötigt.
Überprüfen Sie die Entscheidung erneut, wenn Entwickler eine CLI hinzufügen, Modelle ändern, einen Dienst verbinden oder ein Repository in eine entfernte Umgebung verschieben. Halten Sie einen nützlichen erlaubten Pfad verfügbar, während ein eingeschränkter gelöst wird. So wird das Ergebnis zu einer operativen Vereinbarung statt zu einem Richtliniendokument, dem niemand folgen kann.
Setzen Sie es in die Praxis um
Pilotpaket für Entwickler-Datenpfade
Wählen Sie eine Aufgabe aus, weisen Sie deren Kontrollverantwortliche zu und dokumentieren Sie eine begrenzte Pilotentscheidung.
Synthetische Planungsbeispiele. Es sind keine Tests oder Ergebnisse mit installiertem Produkt enthalten.
| Eingabequelle | Client/runtime | Empfänger und aufbewahrte Kopie zur Überprüfung |
|---|---|---|
| Synthetischer Code | Ausgewählter Editor oder CLI | Modellziel und Transkript |
| Gefälschter Geheimnis-Marker | Unterstützter Test-Eingabepfad | Kontrollgrenze vor der Übermittlung |
| Synthetische Testspur | Einfügen oder Datei-Upload | Anbieteranfrage und aufbewahrte Historie |
| Repository-Marker | Kontext- oder Dateilesewerkzeug | Werkzeugergebnis und nachgelagerter Kontext |
Arbeiten Sie Ihre Bewertung durch
Nutze die Prüfungen, um die benötigten Beweise zu organisieren. Speichere deine Auswahl in Wordund füge dann deine Notizen und Beweise hinzu. Deine Auswahl bleibt in diesem Tab, bis du sie herunterlädst.
0 von 3 Rezension
Beispiele und Rezensionsmaterial
Lesen Sie die Details hier oder halten Sie die PDF, bearbeitbar Word Dokument und Tabellenkalkulationen zusammen.
Developer data-path pilotLesen
All values are synthetic. Use an isolated test repository und an approved test account. No file runs commands, contacts a service or configures a product.
- Choose one task in the “Pilot decision” section.
- Complete the client und owner fields in data-path-register.csv.
- Select only the relevant labels from synthetic-pilot-markers.json. They are not real credentials und may not trigger a data classifier. Agree a supported test rule or representative safe fixture with its owner.
- If you manually test an approved AI client, use only these synthetic inputs. Record what actually happened und preserve the exact scope.
- Route deeper client-specific questions to the linked guides; do not broaden the pilot by adding new accounts or connectors.
Guide und source references
Canonical guide: https://aona.ai/solutions/ai-data-security-for-developers/ Source review: 2026-09-21
- Cursor: Privacy und Data Governance: https://cursor.com/docs/enterprise/privacy-and-data-governance
- OpenAI: Agent approvals und security: https://learn.chatgpt.com/docs/agent-approvals-security
- Aona: AI security coverage: https://aona.ai/resources/ai-security-coverage/
Data path registerLesen
| Task | Eingabequelle | Input path | Data owner | Client und version | Ausführungsort | Recipient or destination | Retained copy to review | Control boundary | Intended control | Expected outcome | Observed outcome | Nachweis |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Explain a synthetic test failure | toy test trace | pasted log | ASSIGN | RECORD | RECORD | RECORD | client und provider history | DEFINE | SELECT | DEFINE | UNTESTED | |
| Explain a synthetic function | toy function | selected code | ASSIGN | RECORD | RECORD | RECORD | client und provider history | DEFINE | SELECT | DEFINE | UNTESTED | |
| Find a synthetic marker | fixture folder | repository context | ASSIGN | RECORD | RECORD | RECORD | tool result und downstream context | DEFINE | SELECT | DEFINE | UNTESTED | |
| Review a connected response | approved synthetic service data | approved tool only | ASSIGN | RECORD | RECORD | RECORD | service log und model transcript | DEFINE | SELECT | DEFINE | UNTESTED |
Synthetic pilot markersLesen
Notice: Synthetic labels only. No credential, customer record or test result.
Code: def synthetic_total(values): return sum(values)
Secret: NOT_A_CREDENTIAL_D01_CANARY
Log: SYNTHETIC_D01_TEST_TRACE File test_total.py, line 6: synthetic_total(None) File example.py, line 2: return sum(values) TypeError: NoneType object is not iterable Expected test behaviour: return 0 for an empty input; decide separately whether None is valid.
Context: SYNTHETIC_D01_CONTEXT_MARKER
PilotentscheidungLesen
Task: ____________________ Business purpose: ____________________ Permitted inputs: ____________________ Restricted inputs: ____________________ Account, client/version and OS: ____________________ Local, remote or cloud execution: ____________________ Expected control and prerequisite: ____________________ Observed result: UNTESTED Evidence location: ____________________ Decision: NOT YET REVIEWED Owner and review date: ____________________ Recheck triggers: new client, model, connector, repository location or policy.
Bevor du weitermachst
Halte diese Unterscheidungen klar
- Genehmigung einer Marke
- Genehmigen Sie eine Aufgabe und Client-Konfiguration. Dieselbe Marke kann Editor-, CLI- und Cloud-Pfade bereitstellen.
- Einen Marker als DLP-Ergebnis bezeichnen
- Ein gefälschtes Label testet nur den Zugriff, sofern kein geeigneter Richtlinienauslöser festgelegt wurde.
Wenden Sie sie auf die KI-Nutzung durch Mitarbeiter an
Bring deinen tatsächlichen Datenpfad mit.
Aona kann bei der Bewertung des Schutzes sensibler Daten und der Richtlinienergebnisse auf unterstützten, installierten Endpunktpfaden von Mitarbeitern helfen.
Native Kontrollen variieren je nach Anbieter, Version und Eingabepfad. Agenteninspektion ist eine begrenzte Einführung; dieses Paket impliziert keinen agentenlosen Cloud-Schutz.
Bringen Sie das ausgefüllte Datenpfad-Register und eine synthetische Aufgabe zu einer begrenzten Entwickler-Datenschutz-Demo mit.
Überprüfe deinen AnwendungsfallFAQ
Fragen zu dieser Entscheidung
Sollten wir jeden KI-Coding-Assistenten bis zum Ende des Piloten verbieten?
Bedeutet kein Training, dass der Code auf dem Laptop bleibt?
Können wir ein Ergebnis für alle Entwickler wiederverwenden?
Beweist dieses Paket, dass Aona unseren Coding-Client schützt?
Beweise hinter dem Leitfaden
Quellen und Umfang
Erstellt von Aona. Quellen überprüft 2026-09-21. Das zitierte Material unterstützt die unten genannten Punkte; es zertifiziert kein Produkt oder Ihren Anwendungsfall.
- Cursor: Datenschutz und Datenverwaltung
Unterscheidet lokale Client-Datenanfragen, Anbieterbehandlung und Cloud-Agent-Umgebungen.
vendor · geprüft 2026-09-21 - OpenAI: Agentengenehmigungen und Sicherheit
Trennt Sandbox-, Genehmigungs- und Netzwerkkontrollen für lokale und Cloud-Nutzung.
vendor · geprüft 2026-09-21 - Aona: KI-Sicherheitsabdeckung
Aktuelle öffentliche Unterscheidung zwischen unterstützten Endpunkt-Richtlinienpfaden und begrenzter Agenteninspektion.
vendor · geprüft 2026-09-21