Schatten-AI: Warum niemand in Ihrem Unternehmen weiß, wie viele KI-Tools gerade laufen

Das Wichtigste in Kürze:

- Schatten-AI ist der Normalzustand, nicht die Ausnahme: In fast jedem Unternehmen, das wir kennenlernen, laufen KI-Tools, die weder IT noch Datenschutz vollständig bekannt sind.

- Das Problem entsteht nicht durch Nachlässigkeit, sondern durch Tempo: Fachbereiche lösen echte Probleme schneller, als zentrale Freigabeprozesse hinterherkommen.

- Die drei teuersten Folgen sind selten die, an die man zuerst denkt: unkontrollierte Kosten, nicht nachweisbarer Datenfluss und doppelte Arbeit an denselben Use Cases.

- Ein Verbot funktioniert nicht. Was funktioniert: sichtbar machen, bewerten, einen schnelleren offiziellen Weg anbieten als den inoffiziellen.

- Aus unserer Praxis: Der Weg aus der Schatten-AI beginnt nicht mit einer Richtlinie, sondern mit einer Bestandsaufnahme und einem ersten produktiven Use Case, der zeigt, dass der geordnete Weg schneller ist.

‍

Vor einigen Monaten saßen wir bei einem Kunden aus dem Industrieumfeld in einem Workshop. Auf der Agenda stand die Frage, mit welchem KI-Use-Case man am besten startet. Nach etwa einer Stunde meldete sich jemand aus dem Vertrieb und sagte sinngemäß: „Wir machen das eigentlich schon. Seit einem halben Jahr."

Es stellte sich heraus: Das Vertriebsteam hatte ein KI-Tool abonniert, um Angebotstexte vorzubereiten. Zwei Abteilungen weiter arbeitete jemand mit einem anderen Anbieter an fast demselben Problem. Die IT wusste von keinem der beiden. Der Datenschutzbeauftragte auch nicht.

Das ist kein Einzelfall, und es ist auch kein Versagen der Beteiligten. Es ist das, was passiert, wenn eine Technologie so zugänglich wird, dass jeder Fachbereich sie selbst einführen kann, während die Organisation noch überlegt, wie sie damit umgehen will.

‍

Was ist Schatten-IT eigentlich?

Der Begriff lehnt sich an „Schatten-IT" an, beschreibt aber ein deutlich dynamischeres Phänomen. Schatten-IT bedeutete früher: Eine Abteilung kauft eine Software, die nicht im IT-Katalog steht. Das war überschaubar, weil Software Geld kostete, Installation brauchte und irgendwann in der Buchhaltung auffiel.

Schatten-AI funktioniert anders. Der Einstieg ist oft kostenlos, die Nutzung braucht keine Installation, und die relevanten Kosten entstehen nicht beim Kauf, sondern im laufenden Betrieb. Ein Mitarbeitender, der ein Sprachmodell mit Kundendaten füttert, um eine Zusammenfassung zu bekommen, löst keinen Beschaffungsprozess aus. Er löst einen Datenabfluss aus, den niemand protokolliert.

‍

Konkret meinen wir mit Schatten-AI drei Dinge:

Unregistrierte Tools. SaaS-Abos für KI-Assistenten, Transkriptionsdienste, Bildgeneratoren oder Codehilfen, die auf Team- oder Einzelebene abgeschlossen wurden.

Unkontrollierte Datenflüsse.Unternehmensdaten, die in Modelle eingegeben werden, deren Verarbeitungsort, Speicherdauer und Trainingsverwendung nicht geprüft wurden.‍

Nicht dokumentierte Automatisierungen. Workflows, Skripte und Agenten, die produktive Prozesse beeinflussen, aber niemandem offiziell gehören.

Die dritte Kategorie ist die gefährlichste, weil sie die einzige ist, die von selbst weiterläuft, wenn der Ersteller das Unternehmen verlässt.

Warum das passiert, obwohl alle Beteiligten vernünftig handeln

In den Gesprächen, die wir führen, kommt selten jemand vor, der bewusst Regeln umgeht. Was wir stattdessen sehen, ist ein Zielkonflikt, den die Organisation nicht auflöst.

Der Fachbereich hat ein konkretes Problem und eine konkrete Deadline. Ein Tool, das dieses Problem heute löst, ist attraktiver als ein Freigabeprozess, der in sechs Wochen ein Ergebnis liefert. Aus Sicht der Person, die liefern muss, ist die Entscheidung rational.

Die IT wiederum kann Anfragen nicht beliebig schnell bearbeiten, weil jede neue Datenverarbeitung geprüft werden muss. Das ist ebenfalls rational.

Das Ergebnis ist ein informeller Parallelbetrieb, in dem beide Seiten glauben, richtig zu handeln. Und je länger dieser Zustand anhält, desto teurer wird die spätere Aufräumarbeit.

Wir haben das in eigener Praxis erlebt, nicht nur bei Kunden. Auch bei uns sind 2025 im Zuge unserer eigenen KI-Umstellung über 200 Automatisierungen entstanden. Mehr als die Hälfte davon haben wir wieder abgeschaltet, weil sie sich als Duplikate, Sackgassen oder schlicht als nicht betreibbar herausstellten. Das war Teil des Lernprozesses. Aber es war nur deshalb kein Problem, weil wir von Anfang an wussten, welche Automatisierung wo läuft.

‍

Die drei teuersten Folgen:

Wenn Unternehmen über Schatten-AI sprechen, geht es zuerst meist um Datenschutz. Das ist berechtigt, aber es ist nicht das, was in der Praxis zuerst weh tut.

Kosten, die niemand zuordnen kann

Modellnutzung wird nach Verbrauch abgerechnet. Ein Workflow mit einem Fehler in der Wiederholungslogik kann in einer Nacht mehr Tokens verbrauchen als das gesamte geplante Jahresbudget einer Abteilung. Wir haben genau diesen Fall bereits gesehen: ein Workflow ohne Rate Limiting, der in einer Retry-Schleife hängen blieb.

Das Problem ist nicht der einzelne Vorfall. Das Problem ist, dass ohne zentralen Zugriffspunkt niemand sagen kann, welches Team welche Kosten verursacht, und ob eine Ausgabe überhaupt einem Nutzen gegenübersteht.

Datenflüsse, die sich nicht nachweisen lassen

Bei einer Prüfung reicht es nicht zu sagen, dass man keine personenbezogenen Daten an Dritte weitergibt. Man muss es belegen können. Wenn KI-Nutzung über Dutzende individuell abgeschlossene Accounts läuft, existiert dieser Nachweis nicht.

Für Unternehmen in regulierten Branchen ist das kein theoretisches Risiko. In der Telekommunikation und im Finanzumfeld, wo wir häufig arbeiten, sind DSGVO-konforme Verarbeitung, ISO-27001-kompatible Prozesse und vollständige Auditierbarkeit nicht verhandelbar. Mit dem EU AI Act kommt eine weitere Ebene dazu, die eine Übersicht über eingesetzte Systeme voraussetzt.

Dieselbe Arbeit, mehrfach gemacht

Das ist die Folge, die am seltensten benannt wird und am meisten Geld kostet. Wenn drei Abteilungen unabhängig voneinander eine Dokumentenzusammenfassung bauen, entstehen drei Lösungen, die niemand pflegt, drei Wissensinseln und null Skaleneffekt.

Der eigentliche Verlust liegt nicht im Aufwand, sondern in dem, was nicht passiert: Aus keinem der drei Ansätze wird ein Baustein, auf dem andere aufbauen können.

‍

Warum ein Verbot der falsche erste Schritt ist

Die naheliegende Reaktion auf Schatten-AI ist eine Richtlinie, die die Nutzung nicht freigegebener Tools untersagt. In der Praxis erreicht das meist zwei Dinge: Die Nutzung verschwindet aus den offiziellen Kanälen, und die Bereitschaft, offen darüber zu sprechen, sinkt.

Wer ein KI-Tool nutzt, das gut funktioniert, hört nicht auf, es zu nutzen. Er hört auf, davon zu erzählen. Damit verliert die Organisation genau die Information, die sie zum Steuern bräuchte.

Der wirksamere Ansatz ist unbequemer, weil er Arbeit auf der zentralen Seite bedeutet: Der offizielle Weg muss schneller sein als der inoffizielle. Erst dann wird Governance zu etwas, das Menschen freiwillig nutzen.

"Governance ist kein Overhead, sondern der einzige Weg, wie Sie schnell vorankommen und dabei die Kontrolle behalten." Daniel Pötzinger, CTO, AOE

‍

Wie wir vorgehen: drei Schritte statt einer Richtlinie

Aus unseren Projekten hat sich ein Vorgehen herausgebildet, das an der Realität ansetzt statt am Idealzustand.

Schritt 1: Bestandsaufnahme ohne Schuldzuweisung

Zuerst muss auf den Tisch, was tatsächlich läuft. Das funktioniert nur, wenn klar kommuniziert wird, dass es nicht um Konsequenzen geht, sondern um eine Grundlage.

Wir arbeiten dafür mit einer strukturierten Erhebung: Welche Tools sind im Einsatz, wer nutzt sie, welche Daten fließen hinein, welcher Nutzen entsteht. Ergänzend lassen sich über Netzwerk- und Abrechnungsdaten Hinweise auf nicht gemeldete Dienste finden.

Das Ergebnis ist selten schmeichelhaft, aber es ist die erste belastbare Grundlage für jede weitere Entscheidung.

Schritt 2: Bewerten statt pauschal verbieten

Nicht jedes Tool muss abgelöst werden. Manche sind unkritisch, weil keine sensiblen Daten hineinfließen. Andere lösen ein Problem so gut, dass die richtige Antwort lautet: offiziell einführen und absichern.

Die Bewertung läuft bei uns entlang von drei Fragen: Welche Daten sind betroffen? Wie geschäftskritisch ist der Prozess? Und gibt es das schon woanders im Unternehmen?

Aus dieser Bewertung entsteht die Priorisierung: Was wird abgelöst, was wird übernommen, was wird zusammengeführt.

Schritt 3: Einen schnelleren offiziellen Weg bauen

Der entscheidende Schritt. Solange der geordnete Weg langsamer ist als der ungeordnete, ändert sich nichts.

Bei unseren Kunden bedeutet das in der Regel: eine zentrale Plattform, auf der Automatisierungen und KI-Zugriffe laufen, mit vorbereiteten Zugängen zu geprüften Modellen, klaren Projektstrukturen und einem Deployment-Weg, der in Tagen statt Wochen funktioniert.

Technisch setzen wir das meist auf n8n auf, betrieben auf souveräner Infrastruktur in Deutschland. Ein zentrales LLM-Gateway bündelt alle Modellanfragen an einer Stelle, sodass Routing, Kosten und Audit-Trail an einem Ort zusammenlaufen. Wer eine Automatisierung bauen will, muss dafür kein eigenes Abo abschließen.

Wichtig dabei: Wir empfehlen nicht, zuerst ein vollständiges Framework zu bauen und dann den ersten Use Case. Der umgekehrte Weg funktioniert besser. Der erste produktive Anwendungsfall wird zum Leuchtturm, an dem die wichtigsten Governance-Anforderungen exemplarisch erfüllt werden. Das schafft Vertrauen in der Organisation schneller als jedes Dokument.

Wie das im Detail aussieht, haben wir im Beitrag n8n Governance: Was zwischen erstem Pilot und produktiver Enterprise-Plattform liegt beschrieben.

‍

Was sich dadurch verändert

Bei einem unserer Kunden haben wir genau diesen Weg begleitet. Der Ausgangspunkt war vergleichbar: verteilte Automatisierungsansätze, kein gemeinsames Fundament.

Der Punkt daran ist nicht die Technik. Der Punkt ist die Reihenfolge: erst ein funktionierender Weg, dann die Erwartung, dass er genutzt wird.

Woran Sie erkennen, dass Sie betroffen sind

Fünf Fragen, die sich ohne Vorbereitung beantworten lassen sollten. Wenn Sie bei zwei oder mehr zögern, existiert Schatten-AI in Ihrem Unternehmen.

1. Können Sie sagen, wie viele KI-Tools aktuell im Einsatz sind?

2. Wissen Sie, welche Unternehmensdaten diese Tools verarbeiten?

3. Können Sie die Modellkosten des letzten Monats einer Abteilung zuordnen?

4. Gibt es eine Person, die für eine bestimmte laufende Automatisierung verantwortlich ist?

5. Was passiert mit einer Automatisierung, wenn die Person, die sie gebaut hat, das Unternehmen verlässt?

Die fünfte Frage ist erfahrungsgemäß die unangenehmste.

‍

Der nächste sinnvolle Schritt

Schatten-AI ist kein Zeichen dafür, dass etwas schiefgelaufen ist. Es ist ein Zeichen dafür, dass in Ihrem Unternehmen Menschen arbeiten, die Probleme lösen wollen, bevor jemand sie ihnen abnimmt. Das ist erst einmal eine gute Nachricht.

Die Aufgabe besteht nicht darin, diese Energie zu bremsen, sondern ihr eine Bahn zu geben, die trägt.

Wenn Sie wissen wollen, wo Ihr Unternehmen steht, ist eine strukturierte Bestandsaufnahme der pragmatischste Einstieg. Sprechen Sie uns an, wir schauen uns das gemeinsam an.

‍

Häufige Fragen zu Schatten-AI

Was ist Schatten-AI?

Schatten-AI bezeichnet die Nutzung von KI-Tools, Modellen und Automatisierungen in einem Unternehmen, ohne dass diese zentral erfasst, freigegeben oder überwacht werden. Dazu zählen nicht registrierte SaaS-Abos, ungeprüfte Datenflüsse an externe Modellanbieter und Automatisierungen ohne dokumentierte Verantwortlichkeit.

Wie unterscheidet sich Schatten-AI von Schatten-IT?

Schatten-IT betraf klassischerweise Software, deren Anschaffung Geld kostete und dadurch früher oder später sichtbar wurde. Schatten-AI ist schwerer zu entdecken, weil der Einstieg oft kostenlos ist, keine Installation nötig ist und die Kosten erst im laufenden Betrieb entstehen. Zudem fließen dabei häufig Unternehmensdaten an Dritte ab.

Welche Risiken entstehen konkret?

Die drei häufigsten sind: unkontrollierte und nicht zuordenbare Modellkosten, fehlender Nachweis über die Verarbeitung personenbezogener Daten bei Prüfungen und Compliance-Anforderungen, sowie parallele Arbeit mehrerer Teams an denselben Anwendungsfällen ohne gemeinsame Basis.

Sollte man KI-Tools im Unternehmen verbieten?

Ein Verbot verlagert die Nutzung in der Regel nur weiter in den informellen Bereich und verschlechtert die Informationslage. Wirksamer ist es, einen offiziellen Weg anzubieten, der schneller und einfacher ist als der inoffizielle, und die bestehende Nutzung zunächst sichtbar zu machen.

Wie fängt man an, wenn man nicht weiß, was alles läuft?

Mit einer Bestandsaufnahme ohne Schuldzuweisung. Erst wenn transparent ist, welche Tools genutzt werden, welche Daten betroffen sind und welcher Nutzen entsteht, lässt sich sinnvoll priorisieren, was abgelöst, übernommen oder zusammengeführt wird.

Wie lange dauert es, Schatten-AI in geordnete Bahnen zu lenken?

Die Bestandsaufnahme selbst dauert in der Regel wenige Wochen. Der erste produktive Use Case auf einer geordneten Plattform ist erfahrungsgemäß in wenigen Wochen erreichbar. Der vollständige Übergang aller bestehenden Anwendungen dauert länger und sollte nach Kritikalität priorisiert werden, nicht nach Vollständigkeit.

Welche Rolle spielt der EU AI Act dabei?

Der EU AI Act setzt voraus, dass Unternehmen wissen, welche KI-Systeme sie einsetzen und wie diese einzuordnen sind. Ohne Übersicht über die tatsächlich genutzten Systeme lässt sich diese Anforderung nicht erfüllen. Schatten-AI ist damit nicht nur ein Sicherheits-, sondern auch ein Compliance-Thema.

‍

AOE ist zertifizierter n8n Expert Partner und bietet umfangreiche Services rund um AI-Automatisierung an: Beratung, n8n als Managed Service, Governance und Umsetzung

Weiterführende Informationen: n8n & AI Automation Governance und AI Workflow Automation

‍