Shadow AI: Risiken & Chancen für Mitarbeitende & KI-Tools

Shadow AI entsteht, wenn Mitarbeitende KI-Tools, persönliche Accounts, AI Agents oder andere KI-Systeme für ihre Arbeit nutzen, ohne dass diese Anwendungen offiziell freigegeben und in die Governance des Unternehmens eingebunden sind. Was zunächst nach pragmatischer Produktivitätssteigerung aussieht, kann schnell zu unklaren Datenflüssen, Datenschutzproblemen, Sicherheitsrisiken und fehlender Kontrolle führen.

Ein Mitarbeiter kopiert eine Kunden-E-Mail in seinen privaten KI-Account. Eine Kollegin lädt ein Meeting-Transkript in ein kostenloses Zusammenfassungstool. Ein Entwickler testet einen neuen Coding-Agent mit internem Quellcode. Ein Fachbereich baut eigenständig einen AI Agent und verbindet ihn mit Unternehmensdaten.

Alle vier wollen ihre Arbeit schneller erledigen. Gleichzeitig weiß das Unternehmen möglicherweise nicht mehr, welche Daten verarbeitet werden, welche Anbieter Zugriff erhalten, welche Modelle eingesetzt werden und welche Aktionen automatisiert ausgeführt werden.

Genau deshalb entwickelt sich Shadow AI zu einer zentralen Governance-Frage für Unternehmen.

In diesem Artikel erfährst du, was Shadow AI bedeutet, warum Schatten-KI zunehmend entsteht, welche Risiken für Unternehmen relevant sind und wie du KI so organisierst, dass Mitarbeitende produktiv arbeiten können und gleichzeitig Daten, Zugriffe und Verantwortlichkeiten kontrollierbar bleiben.

Was ist Shadow AI?

Shadow AI bezeichnet die Nutzung von KI-Anwendungen außerhalb der offiziell freigegebenen IT-, Datenschutz- und Governance-Strukturen eines Unternehmens.

Dazu gehören beispielsweise:

• private ChatGPT-, Claude- oder Gemini-Accounts, die beruflich genutzt werden
• nicht freigegebene KI-Tools für Übersetzungen, Texte oder Zusammenfassungen
• Meeting-Tools, die Gesprächsdaten automatisch verarbeiten
• KI-Bildgeneratoren mit internen Produktinformationen
• Coding-Assistenten mit Zugriff auf internen Quellcode
• selbst eingerichtete Automatisierungen mit KI-Funktionen
• lokal installierte Sprachmodelle außerhalb der IT-Verwaltung
• AI Agents mit Zugriff auf Unternehmenssysteme
• eigene Anwendungen auf Plattformen wie Azure OpenAI, Amazon Bedrock oder Google Vertex AI, die ohne zentrale Governance eingerichtet werden

Shadow AI ist damit eine moderne Form der bereits bekannten Shadow IT. Der entscheidende Unterschied liegt darin, dass KI-Systeme häufig deutlich mehr können als klassische Software.

Sie verarbeiten unstrukturierte Informationen, analysieren Dokumente, erzeugen neue Inhalte und können über Schnittstellen auf weitere Systeme zugreifen oder sogar Aktionen auslösen.

Je handlungsfähiger KI-Systeme werden, desto wichtiger wird die Frage, unter welchen Regeln, mit welchen Daten und mit welchen Berechtigungen sie arbeiten dürfen.

Shadow AI und Shadow IT: Wo liegt der Unterschied?

Diese zusätzliche Handlungsebene wird besonders relevant, sobald Unternehmen mit AI Agents arbeiten.

Warum Shadow AI gerade jetzt stark zunimmt

Der Auslöser ist in vielen Fällen nachvollziehbar: Mitarbeitende entdecken ein Tool, das ein konkretes Problem innerhalb weniger Minuten löst.

Für eine formale Softwareeinführung wären möglicherweise Abstimmungen, Datenschutzprüfung, Budgetfreigabe und technische Integration notwendig. Ein kostenloser KI-Dienst lässt sich dagegen häufig innerhalb weniger Sekunden nutzen.

Hinzu kommt, dass KI zunehmend direkt in bestehende Software integriert wird. Mitarbeitende müssen teilweise gar kein eigenständiges KI-Tool mehr öffnen. Generative Funktionen finden sich in Office-Anwendungen, CRM-Systemen, Browsern, Entwicklungsumgebungen, Meeting-Tools und zahlreichen SaaS-Produkten.

Wie groß die Entwicklung inzwischen ist, zeigen aktuelle Untersuchungen.

Netskope beobachtete 2025 bei seinen Unternehmenskunden bereits mehr als 1.550 unterschiedliche generative KI-SaaS-Anwendungen. Gleichzeitig stieg die durchschnittlich pro Unternehmen an solche Anwendungen übertragene Datenmenge innerhalb weniger Monate auf rund 8,2 GB pro Monat.

Der Microsoft Work Trend Index hatte bereits zuvor einen ähnlichen Trend sichtbar gemacht: Ein großer Teil der Mitarbeitenden, die KI beruflich verwenden, bringt eigene KI-Anwendungen mit an den Arbeitsplatz. Microsoft bezeichnet dieses Verhalten als BYOAI – Bring Your Own AI.

Das zeigt ein organisatorisches Problem: Die Nachfrage nach KI entsteht häufig schneller als die Unternehmensstruktur, die sie kontrolliert bereitstellen kann.

Vom privaten ChatGPT-Account zum Agentic Shadow AI

Bei Shadow AI denken viele Unternehmen zunächst an Mitarbeitende, die Texte in ChatGPT kopieren. Diese Form existiert weiterhin, inzwischen entsteht jedoch eine zweite Ebene.

Agentic Shadow AI entsteht, wenn Mitarbeitende oder einzelne Fachbereiche eigene KI-Agenten, automatisierte Workflows oder Anwendungen entwickeln, ohne dass diese Systeme zentral erfasst und kontrolliert werden.

Ein solcher Agent könnte beispielsweise:

• auf ein E-Mail-Postfach zugreifen
• Dokumente aus SharePoint oder Google Drive lesen
• CRM-Daten abrufen
• Kundendaten analysieren
• Webrecherchen durchführen
• Nachrichten vorbereiten
• Datensätze verändern
• weitere Tools über APIs aufrufen

Damit verschiebt sich die Governance-Frage erheblich. Ein Chatbot verarbeitet eine Eingabe und liefert eine Antwort. Ein AI Agent kann dagegen mehrere Systeme miteinander verbinden und innerhalb seines Handlungsspielraums selbstständig weitere Schritte auswählen.

Für Unternehmen bedeutet das: KI-Governance muss künftig auch Berechtigungen, Tools, Schnittstellen und Aktionen berücksichtigen.

Die wichtigsten Risiken von Shadow AI im Unternehmen

1. Vertrauliche Unternehmensdaten verlassen kontrollierte Systeme

Einer der häufigsten Risikofaktoren entsteht beim Umgang mit Informationen.

Ein typisches Beispiel:

Ein Vertriebsmitarbeiter möchte eine Kundenanfrage schneller beantworten und kopiert die komplette E-Mail in ein KI-Tool. Darin befinden sich Name, Kontaktdaten, Anforderungen, Preise und möglicherweise vertrauliche Projektinformationen.

Aus einer scheinbar einfachen Texthilfe wird damit eine externe Datenverarbeitung.

Vorher müsste geklärt sein:

• welcher Anbieter die Daten verarbeitet
• welcher Vertrag und Tarif genutzt wird
• wo Daten verarbeitet oder gespeichert werden
• wie lange Informationen gespeichert bleiben
• ob Eingaben zur Verbesserung von Diensten verwendet werden
• welche Datenschutzvereinbarungen bestehen
• ob personenbezogene oder besonders sensible Daten enthalten sind

Ausführlicher habe ich diese Fragen im Beitrag „Was passiert mit meinen Daten, wenn ich KI-Tools nutze?“ erläutert.

2. Unternehmenswissen verteilt sich auf persönliche Accounts

Ein weiteres Problem entsteht schleichend.

Mitarbeitende bauen eigene Prompts, Custom GPTs, Projekte, Wissenssammlungen oder persönliche KI-Assistenten auf. Darin steckt mit der Zeit wertvolles Unternehmenswissen.

Verlässt die Person das Unternehmen oder verliert das Unternehmen den Zugriff auf den Account, verschwindet möglicherweise auch dieser Kontext.

Dadurch entstehen neue Wissensinseln.

Aus Sicht des Wissensmanagements sollte wichtiges Unternehmenswissen deshalb in kontrollierten Systemen liegen und als gemeinsames KI Second Brain nutzbar gemacht werden.

3. Unterschiedliche Tools liefern unterschiedliche Qualitätsstandards

Wenn jeder Fachbereich eigene KI-Werkzeuge auswählt, entstehen häufig unterschiedliche Arbeitsweisen.

Das Marketing arbeitet mit einem Modell, der Vertrieb mit einem anderen und die Verwaltung mit einem dritten Anbieter. Jeder verwendet eigene Prompts und eigene Datenquellen.

Das Ergebnis sind unterschiedliche:

• Tonalitäten
• Qualitätsstandards
• Datenquellen
• Freigabeprozesse
• Sicherheitsniveaus

Damit wird es schwieriger, KI als verlässlichen Bestandteil von Geschäftsprozessen zu etablieren.

4. Fehlende Transparenz über Entscheidungen und Ergebnisse

Bei geschäftskritischen Prozessen muss nachvollziehbar sein, wie ein Ergebnis entstanden ist.

Wenn ein Mitarbeiter einen privaten KI-Account nutzt, fehlen häufig zentrale Protokolle darüber:

• welche Daten verwendet wurden
• welches Modell gearbeitet hat
• welche Quellen berücksichtigt wurden
• welche Anweisung verwendet wurde
• wer das Ergebnis geprüft hat

Spätestens bei automatisierten Prozessen und AI Agents wird diese Nachvollziehbarkeit besonders wichtig.

5. Zu weitreichende Berechtigungen bei AI Agents

Ein neues Risiko entsteht durch Agenten und Automatisierungsplattformen.

Ein Agent erhält möglicherweise Zugriff auf E-Mail, CRM, Cloud-Speicher und Kalender. Technisch wäre er damit in der Lage, sehr viele Informationen zusammenzuführen.

Deshalb sollten Berechtigungen immer nach dem tatsächlichen Aufgabenbereich vergeben werden.

Ein Agent, der Kundendaten analysieren soll, benötigt beispielsweise nicht automatisch Löschrechte. Ein System, das E-Mail-Entwürfe vorbereitet, muss nicht zwangsläufig Nachrichten selbstständig versenden dürfen.

Das Prinzip ähnelt der Rechtevergabe bei Mitarbeitenden: Zugriff wird gezielt für die jeweilige Rolle vergeben.

6. Neue Abhängigkeiten von einzelnen SaaS-Anbietern

Wenn ein gesamter Arbeitsablauf auf einem spontan eingeführten KI-Tool aufgebaut wird, entsteht schnell eine technische Abhängigkeit.

Ändert der Anbieter Preise, Funktionen, Datenschutzbedingungen oder Schnittstellen, kann der Prozess beeinträchtigt werden.

Für strategisch wichtige KI-Prozesse lohnt sich deshalb eine Architektur, bei der Modelle und Dienste austauschbar bleiben.

Shadow AI, DSGVO und EU AI Act

Shadow AI ist aus Compliance-Sicht besonders schwierig, weil ein Unternehmen nur Regeln für Systeme anwenden kann, deren Nutzung überhaupt bekannt ist.

Bei personenbezogenen Daten gelten weiterhin die Anforderungen der DSGVO. Dazu gehören unter anderem Zweckbindung, Datenminimierung, angemessene Schutzmaßnahmen und eine nachvollziehbare Rechtsgrundlage für die Verarbeitung.

Der EU AI Act ergänzt diese Perspektive um weitere Anforderungen an den Umgang mit künstlicher Intelligenz.

Für die alltägliche Nutzung von KI ist insbesondere Artikel 4 zur KI-Kompetenz relevant. Unternehmen, die KI-Systeme einsetzen, müssen Maßnahmen unterstützen, durch die Mitarbeitende die notwendigen Kenntnisse zum verantwortungsvollen Umgang mit KI entwickeln.

Die Verpflichtung gilt bereits seit Februar 2025. Die entsprechenden Überwachungs- und Durchsetzungsregelungen gelten seit August 2026. Im Juli 2026 wurde Artikel 4 nochmals angepasst: Unternehmen müssen Maßnahmen zur Entwicklung der KI-Kompetenz unterstützen; ein pauschales identisches Kompetenzniveau für jede einzelne Person ist dabei nicht vorgeschrieben.

Für Unternehmen ergibt sich daraus eine praktische Konsequenz:

Wer KI im Unternehmen zulässt, sollte den Mitarbeitenden erklären, welche Systeme genutzt werden dürfen, welche Daten verarbeitet werden können und welche Regeln für unterschiedliche Anwendungsfälle gelten.

Eine interne KI-Richtlinie und passende Schulungen werden damit zu einem wichtigen Bestandteil professioneller KI-Governance.

Typische Beispiele für Shadow AI

Warum ein pauschales KI-Verbot Shadow AI selten vollständig löst

Unternehmen reagieren auf neue Risiken häufig zunächst mit Einschränkungen. Das kann bei bestimmten Anwendungen sinnvoll und notwendig sein.

Ein Verbot beseitigt allerdings nicht automatisch den Auslöser für die Nutzung.

Mitarbeitende verwenden KI häufig, weil sie damit reale Probleme lösen:

• zu viele E-Mails
• lange Dokumentationen
• wiederkehrende Recherche
• aufwendige Meeting-Nachbereitung
• manuelle Datenübertragung
• fehlende Informationen

Wenn diese Aufgaben weiterhin bestehen, bleibt der Anreiz hoch, nach eigenen Werkzeugen zu suchen.

Eine nachhaltige Strategie kombiniert deshalb klare Grenzen mit guten freigegebenen Alternativen.

Wie du Shadow AI im Unternehmen sichtbar machst

Der erste Schritt besteht darin, die tatsächliche Nutzung zu verstehen.

Eine einfache Bestandsaufnahme kann mit sieben Fragen beginnen:

1. Welche KI-Tools werden aktuell verwendet?
   Nicht nur offiziell beschaffte Systeme betrachten, sondern auch Anwendungen in Marketing, Vertrieb, HR, Entwicklung, Verwaltung und Projektmanagement.
2. Wer nutzt persönliche KI-Accounts für berufliche Aufgaben?
   Entscheidend sind insbesondere private Zugänge zu Chatbots, Transkriptionsdiensten, Bildgeneratoren und Coding-Assistenten.
3. Welche Daten werden dort verarbeitet?
   Kundendaten, interne Dokumente, Verträge, Mitarbeiterinformationen, Finanzdaten, Code und Zugangsdaten benötigen besondere Aufmerksamkeit.
4. Welche Systeme sind mit KI verbunden?
   Dazu gehören CRM, ERP, E-Mail, Cloud-Speicher, Kalender, Projektmanagement und Datenbanken.
5. Welche Aktionen darf die KI ausführen?
   Lesen, Schreiben, Versenden, Löschen und Ändern sind unterschiedliche Risikostufen.
6. Welche Ergebnisse werden menschlich geprüft?
   Kritische Kommunikation und irreversible Aktionen sollten klare Freigaberegeln haben.
7. Wer trägt die Verantwortung?
   Für jedes produktive KI-System sollte ein verantwortlicher Fachbereich oder Prozessverantwortlicher benannt sein.

7 Maßnahmen gegen unkontrollierte Shadow AI

1. Eine verständliche KI-Richtlinie erstellen

Eine gute Richtlinie sollte Mitarbeitenden konkrete Antworten geben.

Zum Beispiel:

• Welche KI-Tools dürfen verwendet werden?
• Welche Accounts sind zulässig?
• Welche Daten dürfen verarbeitet werden?
• Welche Informationen dürfen keinesfalls eingegeben werden?
• Wann ist eine Freigabe notwendig?
• Wer ist Ansprechpartner bei neuen Tools?

Je konkreter diese Regeln formuliert sind, desto einfacher lassen sie sich im Alltag anwenden.

2. Genehmigte KI-Werkzeuge bereitstellen

Mitarbeitende sollten für typische Aufgaben eine funktionierende Alternative erhalten.

Wenn ein Unternehmen KI für Texte, Recherche, Meetings oder E-Mails nutzen möchte, sollte klar sein, welche Lösung dafür vorgesehen ist.

3. Unternehmenswissen zentral verfügbar machen

KI liefert bessere Ergebnisse, wenn sie auf aktuelle und freigegebene Informationen zugreifen kann.

Produktinformationen, Prozesse, Richtlinien, Vorlagen und internes Fachwissen sollten deshalb strukturiert in eine kontrollierte Wissensarchitektur eingebunden werden.

4. Rollen und Berechtigungen definieren

Ein Marketing-Assistent braucht andere Informationen als ein Finance-Agent.

Ein sinnvoll aufgebautes System regelt deshalb:

• welche Daten eine Rolle lesen darf
• welche Systeme erreichbar sind
• welche Aktionen zulässig sind
• welche Aktionen menschliche Freigaben benötigen

5. Human-in-the-Loop für kritische Aktionen nutzen

Automatisierung muss nicht bedeuten, jeden Schritt vollständig autonom auszuführen.

Ein AI Agent kann beispielsweise ein Angebot vorbereiten, während ein Mitarbeiter den Preis bestätigt. Ein E-Mail-Assistent erstellt einen Antwortentwurf, bevor dieser versendet wird. Ein CRM-Agent erkennt neue Kontakte, legt sie aber erst nach Freigabe an.

Dadurch entsteht ein kontrollierter Übergang zwischen KI und Mensch.

6. Nutzung und Aktionen protokollieren

Bei integrierten KI-Systemen sollten relevante Aktionen nachvollziehbar sein.

Dazu können gehören:

• verwendete Datenquellen
• ausgeführte Aufgaben
• gewählte Modelle
• Freigaben
• Fehler
• ausgelöste Aktionen

Diese Informationen helfen bei Qualitätssicherung, Datenschutz, Fehleranalyse und Weiterentwicklung.

7. KI-Kompetenz systematisch aufbauen

Mitarbeitende müssen verstehen, warum bestimmte Regeln existieren.

Dazu gehört Wissen darüber:

• welche Informationen sensibel sind
• wie generative KI mit Eingaben arbeitet
• warum KI Ergebnisse erfinden kann
• wann Quellen überprüft werden müssen
• wann eine menschliche Entscheidung notwendig bleibt
• welche Tools im Unternehmen zugelassen sind

Technische Kontrolle und KI-Kompetenz ergänzen sich dabei.

Vom Tool-Wildwuchs zum kontrollierten KI-System

Langfristig stellt sich für viele Unternehmen die Frage, ob zehn einzelne KI-Tools wirklich die beste Architektur sind.

Ein Unternehmen könnte beispielsweise für E-Mail, Meetings, CRM, Recherche und Wissensmanagement jeweils eigene KI-Anwendungen einführen.

Damit entstehen jedoch schnell mehrere Benutzerverwaltungen, unterschiedliche Datenflüsse und voneinander getrennte Wissensbestände.

Eine Alternative ist ein gemeinsames KI-System für Unternehmen, das unterschiedliche Aufgaben innerhalb einer kontrollierten Architektur verbindet.

Wie AI Cowork Shadow AI reduzieren kann

Genau an diesem Punkt setzt AI Cowork an.

AI Cowork ist als unternehmenseigenes Multi-Agent-System aufgebaut. Virtuelle Mitarbeiter erhalten definierte Rollen, Firmenwissen, Berechtigungen und Fähigkeiten innerhalb einer gemeinsamen Umgebung.

Typische Aufgaben können beispielsweise sein:

• E-Mails analysieren und Antwortentwürfe vorbereiten
• Meetings zusammenfassen und Aufgaben erkennen
• CRM- oder ERP-Daten für die Übernahme vorbereiten
• Angebotsanfragen strukturieren
• internes Unternehmenswissen durchsuchen
• wiederkehrende Verwaltungsprozesse unterstützen

Datenflüsse, verwendete Modelle, Speicherorte, Löschfristen und Zugriffsrechte können dabei entsprechend dem jeweiligen Projekt dokumentiert und festgelegt werden. Kritische Aktionen lassen sich über menschliche Freigaben absichern.

Zusätzlich ermöglicht das System ein aufgabenbezogenes Modellrouting. Für einfache Aufgaben kann ein kleineres oder lokales Modell eingesetzt werden, während leistungsfähigere Modelle nur dort verwendet werden, wo ihre Fähigkeiten tatsächlich benötigt werden.

Damit entsteht eine Alternative zum unkoordinierten Einsatz vieler einzelner KI-Werkzeuge: Mitarbeitende erhalten Zugang zu KI, während das Unternehmen Regeln, Wissen, Datenzugriffe und Freigaben zentral organisieren kann.

Mehr über AI Cowork und virtuelle KI-Mitarbeiter erfahren

Ein möglicher 30-Tage-Plan gegen Shadow AI

Unternehmen müssen Shadow AI nicht in einem einzigen Großprojekt lösen. Ein strukturierter Einstieg kann innerhalb weniger Wochen beginnen.

Woche 1: Nutzung sichtbar machen

• genutzte KI-Tools erfassen
• Fachbereiche befragen
• kritische Datenarten identifizieren
• vorhandene KI-Projekte dokumentieren

Woche 2: Risiken priorisieren

• Tools nach Datenrisiko bewerten
• geschäftskritische Anwendungen identifizieren
• persönliche Accounts und externe Plattformen prüfen
• bestehende Berechtigungen analysieren

Woche 3: Regeln und Alternativen definieren

• KI-Richtlinie formulieren
• freigegebene Tools festlegen
• Verantwortlichkeiten bestimmen
• erste Schulungen durchführen

Woche 4: Einen kontrollierten Use Case starten

Wähle einen häufig auftretenden Prozess mit messbarem Aufwand.

Geeignete Beispiele sind:

• E-Mail-Bearbeitung
• Meeting-Nachbereitung
• interne Wissenssuche
• CRM-Datenpflege
• Dokumentenverarbeitung

Definiere anschließend Datenzugriffe, Qualitätskriterien, Freigaben und Erfolgsmessung.

So entwickelt sich aus einzelnen KI-Experimenten schrittweise eine kontrollierte KI-Infrastruktur. Dieser Ansatz ist auch ein zentraler Baustein auf dem Weg zur AI Native Company.

Shadow AI als Signal für ungenutztes Automatisierungspotenzial

Shadow AI ist gleichzeitig ein guter Hinweis darauf, wo Mitarbeitende konkreten Bedarf sehen.

Wenn mehrere Personen unabhängig voneinander KI verwenden, um ähnliche E-Mails zu beantworten, Dokumente zusammenzufassen oder Informationen zu recherchieren, zeigt das einen möglichen Automatisierungs-Use-Case.

Deshalb lohnt sich neben der Risikobetrachtung eine zweite Frage:

Welche Aufgabe versuchen unsere Mitarbeitenden mit diesem KI-Tool eigentlich zu verbessern?

Die Antwort kann wertvolle Hinweise auf Prozesse liefern, die sich offiziell, sicher und skalierbar mit KI unterstützen lassen.

Shadow AI wird damit auch zu einer Art Frühindikator für bestehende operative Engpässe.

Häufige Fragen zu Shadow AI

Fazit: Shadow AI braucht Sichtbarkeit, Regeln und gute Alternativen

Shadow AI entsteht häufig dort, wo Mitarbeitende schneller handeln als die bestehende IT- und Governance-Struktur.

Das ist nachvollziehbar. Moderne KI-Tools können innerhalb von Minuten Aufgaben erleichtern, für die bisher viel manuelle Arbeit notwendig war.

Für Unternehmen entsteht daraus eine klare Aufgabe: Sie müssen wissen, welche KI verwendet wird, welche Daten verarbeitet werden, welche Berechtigungen bestehen und wer für Ergebnisse und Aktionen verantwortlich ist.

Dafür braucht es eine Kombination aus:

• Bestandsaufnahme
• KI-Richtlinien
• KI-Kompetenz
• freigegebenen Systemen
• Rollen und Berechtigungen
• Human-in-the-Loop-Freigaben
• Monitoring und Dokumentation

Die interessanteste Information steckt dabei häufig in der Shadow AI selbst: Sie zeigt, welche Aufgaben Mitarbeitende bereits heute mit KI verbessern möchten.

Diese Use Cases lassen sich anschließend strukturiert bewerten und in kontrollierte Unternehmensprozesse überführen.

Shadow AI in deinem Unternehmen strukturiert angehen

Wenn in deinem Unternehmen bereits ChatGPT, Copilot, Claude, Gemini oder andere KI-Werkzeuge genutzt werden, können wir gemeinsam analysieren, wo daraus Risiken entstehen und welche Anwendungsfälle sich für eine zentrale KI-Lösung eignen.

Mit AI Cowork entwickeln wir virtuelle KI-Mitarbeiter innerhalb eines unternehmenseigenen Systems mit Firmenwissen, Rollen, Freigaben und Anbindungen an bestehende Anwendungen.

Der Einstieg beginnt dabei mit einem konkreten Prozess und kann anschließend modular erweitert werden.

Buche eine kostenlose Erstberatung auf unserer Webseite unter www.peter-krause.net/kontakt.

Quellen und weiterführende Informationen

• Netskope Threat Labs: Cloud and Threat Report – Shadow AI and Agentic AI 2025
• Netskope Threat Labs: Cloud and Threat Report – Generative AI 2025
• Microsoft & LinkedIn: Work Trend Index Annual Report 2024
• Europäische Kommission: AI Literacy – Questions & Answers, aktueller Stand 2026
• Europäische Union: Verordnung (EU) 2024/1689 – Artificial Intelligence Act, insbesondere Artikel 4

„`

Über den Autor

Peter Krause

KI-Berater, Buchautor & Gründer

Über Peter Krause LinkedIn KI-Buch