Shadow AI: Warum 5% der Nutzer das Risiko treiben

Unternehmen investieren viel Zeit in die Kontrolle großer KI-Modelle wie Chatbots oder Co-Pilots. Oft richtet sich der Fokus darauf, ob Mitarbeitende solche Tools nutzen dürfen und welche Informationen dabei verarbeitet werden. Doch neue Erkenntnisse zeigen: Das deutlich drängendere Problem entsteht häufig nicht bei der großen Masse, sondern bei einer kleinen Gruppe von KI-Power-Usern – und ihrem Hang, Tools außerhalb klarer Regeln einzusetzen. Genau hier wird Shadow AI zur Sicherheitsbremse.

Eine Auswertung von Akamai, basierend auf realen Nutzungs- und Telemetriedaten, macht sichtbar, wie stark das Verhalten einzelner Nutzersegmente das Risiko verändert. Dabei geht es nicht nur um „mehr KI“, sondern um eine längere Kette aus parallelen Tools, unklaren Zugriffswegen, Erweiterungen und teils sogar autonomen Agenten im Unternehmensumfeld.

Warum Shadow AI ausgerechnet von 5% Nutzern wächst

Die Studie kommt zu einem klaren Muster: Die obersten 5% der „Enterprise Power User“ interagieren laut den Daten mit KI-Modellen etwa 12-mal so häufig wie die unteren 50% der Belegschaft. Das wirkt zunächst wie eine reine Nutzungsfrage. In der Praxis bedeutet es jedoch, dass ein kleiner Kreis KI immer stärker als Arbeitsinstrument verankert – inklusive zusätzlicher Tools, Workflows und Integrationen.

Während Security-Teams häufig versuchen, den Zugang zu großen LLMs zu steuern, entsteht durch Power-User ein „Long-Tail“-Effekt: Viele kleinere KI-Werkzeuge kommen dazu, werden kombiniert, weitergeleitet oder in bestehende Prozesse eingepasst. Dadurch verschiebt sich das Risiko weg von den bekannten Hauptsystemen hin zu einem schwerer überschaubaren Schatten-Ökosystem.

So beschreibt ein Akamai-Manager die Wirkung sinnbildlich als „outsized shadow“: Selbst wenn der Ursprung in kleinen Gruppen liegt, fällt die Sicherheitsauswirkung auf die gesamte Angriffsfläche des Unternehmens.

KI wird zum digitalen Mitspieler mit Zugriff

Ein weiterer Faktor ist die Intensität der Interaktion. Laut Akamai dauert ein typisches Gespräch zwischen Mitarbeitenden im Durchschnitt nur etwa fünf Prompts. Die Power-User dagegen kommen regelmäßig auf 18 Prompts oder mehr in vergleichbaren Unterhaltungseinheiten. Mehr Prompts bedeuten in der Regel auch mehr Kontext, mehr Eingaben und häufig eine engere Einbindung in tägliche Arbeit.

Damit verschiebt sich KI von einem „Produktivitätsschub“ zu einer Art virtuellem Teammitglied. Die Studie argumentiert, dass KI-Modelle so weit in essenzielle Geschäftsabläufe hineinwachsen, dass sie faktisch mit Zugriffsmöglichkeiten arbeiten können – und Sicherheitsbarrieren damit besonders relevant werden.

Unternehmens-Identität vs. persönliche Konten: die große Sichtlücke

Für die Cybersicherheit ist entscheidend, über welche Identitäten KI genutzt wird. Akamai berichtet, dass nahezu die Hälfte aller KI-Konversationen in Unternehmen über persönliche Identitäten statt über unternehmensgesteuerte Konten läuft. Konkret: 47,11% der Gespräche fanden über private Zugänge statt.

Das schafft einen Kontrast, der als „housebroken“ versus „feral“ beschrieben werden kann: Tools mit klaren Governance-Mechanismen lassen sich meist besser in die Unternehmensgrenzen einordnen. Persönliche Zugänge erzeugen dagegen Sichtlücken für IT, Security und Compliance.

Beispiele aus der Studie: Wer bleibt überwiegend in Unternehmenssystemen?

Die Auswertung nennt auch Beispiele dafür, wo ein Großteil der Interaktionen über Unternehmens-Identitäten läuft. Dazu gehören unter anderem:

• Gemini Enterprise mit einem sehr hohen Anteil an Interaktionen über Unternehmensidentitäten (98,15%)
• Microsoft Copilot M365 mit ebenfalls überwiegenden Unternehmenszugriffen (90,55%)

Andere Dienste zeigen dagegen eine starke Dominanz von Logins über persönliche Identitäten. Genannt werden unter anderem DeepSeek (99,8%), sowie ChatGPT, Claude und Microsoft Copilot Standard mit einem großen Anteil über private Zugänge.

Wenn Unternehmens-E-Mails private Abos verdecken

Besonders kritisch wird es, wenn scheinbar „unternehmensnah“ klingende Zugänge in Wahrheit private Abonnements hinterlegen. Akamai berichtet, dass 14,4% der KI-Konversationen über unternehmensbezogene E-Mail-Adressen laufen, die mit persönlichen „Freemium“-Abonnements verknüpft sind – statt mit enterprise-gesteuerten Lizenzen.

Das Problem dahinter: Selbst wenn der Zugriff formal über eine Firmenidentität erfolgt, können sensible Informationen in Prompts dennoch in den Trainings- oder Verarbeitungsprozess öffentlicher Modelle einfließen. Für Security-Teams entsteht damit eine schwer zu kontrollierende Datenroute.

Long-Tail Blindness: Nischen-Tools wachsen neben den Hauptsystemen

Selbst dort, wo Unternehmen große KI-Accounts einigermaßen im Griff haben, bleibt ein Bereich oft unklar: die wachsende Zahl an Nischen-Tools, AI-aktivierten SaaS-Anwendungen und persönlichen Abonnements, die Mitarbeitende außerhalb freigegebener Kanäle installieren oder nutzen.

Der Akamai-Ansatz beschreibt das ähnlich wie Bring-Your-Own-Device: Mitarbeitende „bringen ihre eigenen KI-Tools“ und greifen auf KI über persönliche Konten zu. Das erzeugt zusätzliche Lücken bei Fragen wie: Wo wird Business-Daten gespeichert? Wie lange werden sie aufbewahrt? Wie werden sie verarbeitet?

Diese Unsicherheit ist ein Kernbestandteil von Shadow AI: Das Unternehmensziel ist gesteuerte Nutzung, aber das Nutzerverhalten führt häufig zu parallelen, schwer nachverfolgbaren Wegen.

Browser- und IDE-Erweiterungen als neuer Hotspot

Auch im Browser und in der Entwicklungsumgebung entstehen blinde Flecken. Die Studie nennt eine steigende Verbreitung von AI-Erweiterungen in mittelständischen Unternehmen: 17,7% der Mitarbeitenden nutzen mindestens eine solche Erweiterung gegenüber 9,53% in größeren Organisationen.

Hinzu kommt, dass fast 75% der Anfragen für Erweiterungsrechte als hoch oder kritisch eingestuft werden. Diese Kombination aus mehr Installationen und weitreichenden Berechtigungen erhöht die Angriffsfläche.

Warum bekannte Schwachstellen in Erweiterungen besonders gefährlich sind

Entscheidend ist außerdem die Sicherheitsqualität der Erweiterungen: Akamai fand, dass 16,31% der AI-Erweiterungen bekannte CVE-Schwachstellen enthalten. Zum Vergleich liegt der Anteil bekannter Schwachstellen bei Browser-Erweiterungen insgesamt bei 10,80%.

Damit werden KI-Erweiterungen nicht nur zu „weiteren Tools“, sondern zu potenziellen Einstiegspunkten in laufende Nutzer-Sessions und in sensible Unternehmensdaten.

Neue Angriffswege: Shadow AI als Infrastruktur für Cyberangriffe

Wenn KI in mehr Kanäle eindringt, entstehen nicht nur mehr Datenrisiken, sondern auch neue Angriffsmuster, die klassische Kontrollen umgehen können. Akamai nennt dafür mehrere Beispiele:

• Vibe Hacking: Angreifer verändern lokal nutzbare Konfigurationsdateien (z. B. Dateien wie AI_CONFIG.md), um Coding-Assistants verdeckt in Richtung unsicherer oder nicht autorisierter Aktionen zu steuern.
• CursorJacking: Manipulierte Erweiterungen sollen still und heimlich Informationen wie API-Keys, Session-Tokens oder proprietären Quellcode aus lokalen Datenbanken abgreifen.
• CometJacking: Über indirekte Prompt-Injection in bösartigen Webseiten wird ein AI-Agent dazu gebracht, lokale Dateien zu exfiltrieren. So rückt nicht nur der menschliche Endpunkt in den Fokus, sondern auch der KI-Kollaborateur selbst.

Damit wird Shadow AI nicht nur zum Privatsphäre- oder Datenschutzproblem, sondern zu einer Grundlage für automatisierte Folgeangriffe.

Was CISOs jetzt anders angehen müssen

Die zentrale Herausforderung für Security-Verantwortliche lautet laut Akamai nicht mehr „ob“ KI genutzt wird, sondern wo KI tatsächlich im Unternehmen operiert und welche Teams dabei am stärksten abhängig sind. Zusätzlich geht es darum, ob diese Systeme innerhalb der Unternehmensleitplanken bleiben.

Der Zeitdruck ist klar: Antworten müssen gefunden werden, bevor Angreifer genau diese Lücken ausnutzen.

Checkliste: So lassen sich Shadow-AI-Risiken reduzieren

Aus den Empfehlungen der Studie lässt sich eine praktische Leitlinie ableiten:

• Laufende Transparenz aufbauen: AI-Anwendungen, Browser-/IDE-Erweiterungen und Agenten im Netzwerk entdecken und in Echtzeit beobachten – inkl. Prompts, Uploads und Antworten.
• Shadow AI konsequent eindämmen: Corporate SSO nutzen, unkontrollierte persönliche Logins blockieren und verknüpfte Unternehmens-E-Mails im Zusammenhang mit „Freemium“-Abos prüfen.
• Kontextbezogene KI-DLP einsetzen: Prompts auf Ebene der Eingaben inspizieren, um unstrukturierte Datenlecks (z. B. Code-Snippets oder interne Textpassagen) besser zu erkennen als mit reinen Legacy-Pattern-Methoden.
• Erweiterungen und Berechtigungen auditieren: Inventar pflegen, strikte Berechtigungsgrenzen durchsetzen und Add-ons anhand bekannter CVE-Risiken prüfen oder filtern.
• KI-Agenten wie Identitäten behandeln: Autonome Agenten und Browser als privilegierte digitale Identitäten betrachten – mit Least-Privilege, klar begrenztem Scope und laufendem Monitoring.

Fazit: Shadow AI ist ein Risiko mit Hebelwirkung

Die wichtigste Botschaft der Akamai-Ergebnisse: Das größte KI-Sicherheitsrisiko entsteht oft nicht durch die breite Nutzung, sondern durch die intensive Nutzung einzelner Power-User – und durch das Schatten-Ökosystem aus zusätzlichen Tools, Erweiterungen und teils unklaren Kontenpfaden. Shadow AI vergrößert damit Sichtlücken und erhöht die Wahrscheinlichkeit von Datenabfluss, während gleichzeitig neue Angriffstechniken entstehen, die herkömmliche Kontrollen umgehen können.

Wer KI-Sicherheit ernst nimmt, muss deshalb mehr tun als die Governance der großen LLMs zu prüfen. Entscheidend ist ein ganzheitliches Bild: Welche KI-Werkzeuge arbeiten wirklich im Unternehmen, mit welchen Identitäten, welchen Berechtigungen – und ob sie in Echtzeit überwacht werden. So lässt sich das Risiko gezielt dort reduzieren, wo es bereits faktisch im Alltag entsteht.

Quelle: https://thehackernews.com/2026/08/the-outsized-shadow-why-5-of-ai-users.html