KI-Assistenten im Büro scheitern selten an einem einzelnen schlechten Prompt. Kritisch wird es früher: bei den Daten, die sie sehen, zusammenfassen und in neue Texte oder Entscheidungen übersetzen dürfen. Wenn in Microsoft 365 vertrauliche Dokumente, alte Freigaben und ungeklärte Zuständigkeiten nebeneinanderliegen, macht Copilot diese Unordnung nicht kleiner. Er macht sie schneller durchsuchbar.
Die aktuelle Diskussion um Vertraulichkeitslabels in Microsoft 365 ist deshalb mehr als ein Produktdetail. Sie zeigt ein dauerhaftes Grundproblem moderner Büro-KI: Ein Assistent kann nur so kontrolliert arbeiten wie die Klassifizierung, Berechtigung und Schutzlogik hinter den Daten. Purview, Sensitivity Labels und DLP sind keine Magie. Aber sie schaffen Regeln, die Software überhaupt auswerten kann.
Warum Datenklassifizierung vor der KI beginnt
Viele Unternehmen führen KI-Funktionen ein, als wäre der Assistent eine neue Oberfläche über vertrauten Daten. Technisch stimmt das teilweise. Organisatorisch ist es zu kurz gedacht. Ein Mensch übersieht eine schlecht benannte Datei vielleicht jahrelang. Ein KI-System kann sie finden, verdichten und in einen scheinbar harmlosen Antwortsatz einbauen.
Datenklassifizierung beantwortet daher eine einfache Frage: Wie sensibel ist dieser Inhalt, und welche Regeln gelten dafür? In Microsoft Purview können Sensitivity Labels etwa markieren, ob ein Dokument öffentlich, intern, vertraulich oder streng vertraulich behandelt werden soll. Labels können Schutzmaßnahmen auslösen, Wasserzeichen setzen, Verschlüsselung aktivieren oder den Umgang mit Inhalten in Microsoft-365-Diensten beeinflussen.
Das ist kein Ersatz für saubere Ablagen. Ein falsch gelabeltes Dokument bleibt falsch gelabelt. Eine zu breite SharePoint-Freigabe bleibt zu breit. Aber Labels machen Schutzbedarf sichtbar und maschinenlesbar. Genau das wird wichtig, wenn KI-Assistenten nicht nur suchen, sondern Inhalte interpretieren.
Copilot nutzt vorhandene Berechtigungen – und erbt ihre Schwächen
Microsoft beschreibt Copilot im Kern als System, das mit dem Zugriffskontext des Nutzers arbeitet. Der Assistent soll also nicht beliebig Unternehmensdaten lesen, sondern auf Informationen zugreifen, die dem jeweiligen Konto ohnehin zur Verfügung stehen. Das ist ein wichtiges Prinzip. Es verhindert aber nicht jedes Risiko.
Das Problem liegt oft in den vorhandenen Berechtigungen. Wenn ganze Abteilungen auf Projektordner zugreifen, externe Gäste vergessen wurden oder sensible Dateien in allgemeinen Teams liegen, dann ist der Zugriff formal erlaubt – aber fachlich vielleicht nicht gewollt. Copilot kann solche Informationen dann nicht aus Bosheit nutzen, sondern weil die Umgebung ihm signalisiert: Diese Daten gehören zum erlaubten Kontext.
Vor einem breiten Rollout braucht es deshalb eine ehrliche Bestandsaufnahme. Welche Teams enthalten Personal-, Finanz- oder Kundendaten? Welche SharePoint-Sites sind historisch gewachsen? Welche Informationen dürfen in Zusammenfassungen, Mails oder Präsentationsentwürfen auftauchen? Ohne diese Klärung wird KI-Governance schnell zur Kosmetik.
Vertraulichkeitslabels sind ein Steuerinstrument, kein Sicherheitsversprechen
Der Reiz von Labels liegt darin, dass sie Fachlichkeit und Technik verbinden. Ein Dokument heißt nicht nur „Final_v7_neu.docx“, sondern trägt eine Bedeutung: intern, vertraulich, kundenbezogen, reguliert. Daraus können Regeln entstehen. Wer darf es öffnen? Darf es weitergeleitet werden? Darf es in eine externe App kopiert werden? Muss eine Warnung erscheinen?
Für KI-Assistenten ist diese Ebene besonders wertvoll, weil sie Kontext schafft. Ein System kann anders mit einem normalen Projektstatus umgehen als mit einem Dokument, das als streng vertraulich markiert ist. Es kann riskante Aktionen blockieren, Nutzende warnen oder Administratoren Hinweise für die Nachbereitung liefern.
Man sollte Labels trotzdem nicht überschätzen. Sie lösen keine Datenqualität, keine Rollenunklarheit und keine Schatten-IT. Sie funktionieren nur, wenn Menschen verstehen, wann welches Label gesetzt wird, wenn automatische Klassifizierung sinnvoll trainiert ist und wenn Ausnahmen überprüft werden. Sonst entsteht ein neues Etikett auf altem Chaos.
DLP muss Prompts, Antworten und Dateien zusammendenken
Data Loss Prevention wurde lange vor allem mit E-Mail-Anhängen, Uploads oder Dateiablagen verbunden. KI erweitert die Angriffs- und Fehlerfläche. Sensible Informationen können in einem Prompt stehen, in einer Antwort auftauchen oder in einem automatisch erzeugten Dokument landen. Ein vertraulicher Vertrag wird nicht nur versendet, sondern vielleicht in fünf Stichpunkten zusammengefasst und anschließend in eine Kundennachricht kopiert.
Darum reicht es nicht, DLP nur am Rand des Systems zu betreiben. Regeln müssen dort greifen, wo Menschen mit KI arbeiten: beim Abfragen, Zusammenfassen, Kopieren, Teilen und Exportieren. Microsoft Purview positioniert DLP genau als solchen Kontrollrahmen für sensible Informationen über verschiedene Dienste hinweg.
In der Praxis sollte man DLP gestuft einführen. Erst beobachten, dann warnen, dann blockieren. Zu harte Regeln werden umgangen, zu weiche Regeln erzeugen Scheinsicherheit. Gute DLP-Policies erklären außerdem, warum eine Aktion riskant ist. Eine verständliche Warnung wirkt besser als eine kryptische Fehlermeldung.
Der wichtigste Test: Würde ein neuer Mitarbeiter das sehen dürfen?
Eine brauchbare Leitfrage für KI-Projekte ist überraschend analog: Würde man diese Datenquelle auch einem neuen Mitarbeiter in derselben Rolle geben? Falls nicht, sollte sie auch nicht automatisch im KI-Kontext landen. Der Vergleich hilft, weil er Technikdebatten erdet. Es geht nicht darum, alles zu sperren, sondern um angemessenen Zugriff.
Für einen Vertriebsassistenten können freigegebene Produktunterlagen, aktuelle Preislisten und genehmigte Kundenkommunikation sinnvoll sein. Alte Vertragsverhandlungen, interne Eskalationen oder ungeprüfte Margendokumente sind es womöglich nicht. Für HR, Legal, Finance und Security liegt die Schwelle noch höher.
Hilfreich ist ein kleines Betriebsmodell: klare Datenräume, verantwortliche Owner, regelmäßige Rezertifizierung, dokumentierte Ausnahmen und Pilotgruppen, die bewusst begrenzt starten. KI produktiv zu machen heißt nicht, sie überall gleichzeitig freizuschalten.
Auditierbarkeit entscheidet über Vertrauen
Wenn ein Assistent sensible Daten falsch nutzt, braucht man Spuren. Welche Quelle war beteiligt? Welcher Nutzer hat gefragt? Welche Richtlinie hat gegriffen? Wurde eine Ausgabe blockiert, gewarnt oder zugelassen? Ohne Protokolle bleibt nur Bauchgefühl – und das reicht weder für Sicherheit noch für Compliance.
Audit-Logs, Aufbewahrungsregeln und Nachvollziehbarkeit sind deshalb Teil der Produktivitätsarchitektur. Sie helfen bei Vorfällen, aber auch im Normalbetrieb. Wenn eine DLP-Regel ständig anschlägt, ist vielleicht die Policy zu grob. Vielleicht ist aber auch eine Datenquelle falsch klassifiziert oder ein Prozess ungeeignet für KI-Automation.
Vertrauen entsteht nicht dadurch, dass ein Anbieter verspricht, Datenschutz ernst zu nehmen. Vertrauen entsteht, wenn Organisationen sehen können, wie Daten verwendet werden, wo Grenzen liegen und wer Verantwortung trägt.
Grenzen: Klassifizierung macht Ergebnisse nicht automatisch richtig
Auch sauber klassifizierte Daten garantieren keine korrekten KI-Antworten. Ein Assistent kann alte Informationen überbewerten, Quellen missverstehen oder plausible Zusammenfassungen formulieren, die fachlich lückenhaft sind. Labels und DLP kontrollieren den Umgang mit Daten; sie ersetzen keine fachliche Prüfung.
Gerade deshalb sollten Unternehmen festlegen, welche Ergebnisse direkt genutzt werden dürfen und wo menschliche Freigabe Pflicht bleibt. Bei Recht, Personal, Finanzen, IT-Sicherheit und externer Kundenkommunikation sollte KI eher vorbereiten als entscheiden. Das ist kein Misstrauen gegenüber der Technik, sondern professionelle Arbeitsteilung.
Warum das dauerhaft relevant ist
Microsoft 365 ist nur ein prominentes Beispiel. Die gleiche Frage stellt sich in Google Workspace, Slack, Salesforce, Jira, ServiceNow und internen Wissenssystemen: Welche Daten darf ein Assistent kennen, welche darf er kombinieren, und welche darf er weitergeben? Je näher KI an reale Arbeitsprozesse rückt, desto wichtiger werden Klassifizierung, Berechtigungen, DLP und Auditierbarkeit.
Der produktive Nutzen entsteht nicht durch möglichst grenzenlose Assistenten. Er entsteht durch Systeme, die genug Kontext haben, um Arbeit zu erleichtern, aber nicht so viel Freiheit, dass sie gewachsene Datenprobleme beschleunigen. Wer KI im Unternehmen ernst nimmt, muss daher nicht nur Modelle testen. Er muss Datenregeln aufräumen.
Quellen
- Heise: Microsoft 365 soll Vertraulichkeit-Labels besser beachten
- Microsoft Learn: Sensitivity labels in Microsoft Purview
- Microsoft Learn: Data, Privacy, and Security for Microsoft 365 Copilot
- Microsoft Learn: Learn about data loss prevention
Hinweis: Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde menschlich redaktionell geprüft. Stand: 06.05.2026.
