AI winners & losers•Kapitel 6 von 10

Deine Daten sind die Anzahlung

AI wird nützlicher, sobald sie Zugriff auf Code, Dokumente, Erinnerungen und Arbeitsabläufe erhält. Kapitel 5 zeigt, wie daraus Datenrisiken, Wechselkosten…

Juli 19, 2026 6 min read Research-Schwerpunkt

AI wird besser, je mehr sie über dich weiß. Genau darin liegt ihr größter Nutzen – und ihr gefährlichster Preis.

Ein Coding-Assistent braucht Zugriff auf Quellcode. Ein Unternehmensagent liest Verträge, E-Mails und Prozesswissen. Ein persönlicher Assistent wird hilfreicher, wenn er Termine, Vorlieben, Beziehungen und frühere Entscheidungen kennt.

Der Nutzer bezahlt deshalb nicht nur mit Geld und Rechenleistung. Er bezahlt mit Kontext. Mit jedem Dokument und jeder Erinnerung wächst die Leistung – und die Abhängigkeit.

Nützlichkeit verlangt Nähe

Ein allgemeines Modell kann einen Vertrag erklären. Ein tief integrierter Agent kann ihn mit früheren Vereinbarungen, internen Richtlinien, Kundendaten und aktuellen Risiken vergleichen. Der zweite Dienst ist wertvoller, weil er den Kontext des Unternehmens kennt.

Bei persönlichen Assistenten gilt dasselbe. Ein System, das nur eine Frage sieht, bleibt austauschbar. Ein System, das Jahre von Gesprächen, Zielen und Gewohnheiten kennt, kann präziser erinnern, priorisieren und beraten.

mehr Datenzugriff → bessere Leistung → tiefere Integration → höhere Wechselkosten

Die wertvollste AI kennt nicht nur die Antwort. Sie kennt den Grund, warum diese Antwort für genau diesen Nutzer wichtig ist.

Der Fall Grok Build

Im Juli 2026 wurde bekannt, dass der Coding-Assistent Grok Build deutlich mehr Daten aus Nutzer-Repositories an einen anbieterkontrollierten Cloudspeicher übermittelte, als für die konkrete Aufgabe erforderlich erschien.

In einem dokumentierten Test wurden rund 5,1 Gigabyte hochgeladen, obwohl die Coding-Aufgabe nur etwa 192 Kilobyte benötigte. Betroffen sein konnten Quellcode, Konfigurationen, alte Geheimnisse und Zugangsdaten.

Nach Bekanntwerden wurde die Upload-Funktion serverseitig deaktiviert. Der Anbieter kündigte die vollständige Löschung zuvor übertragener Daten an. Offen blieben Umfang, betroffene Versionen und die unabhängige Überprüfbarkeit der Löschung.

Der Vorfall zeigt ein Grundproblem agentischer Systeme: Um hilfreich zu sein, sammeln sie Kontext. Wenn Umfang, Speicherort und Aufbewahrung nicht transparent sind, kann aus Assistenz unbemerkt Datenabfluss werden.

Null Datenspeicherung ist kein einzelner Schalter

OpenAI, Microsoft, AWS und Anthropic bieten Unternehmenskunden inzwischen abgestufte Schutz- und Aufbewahrungsmodelle. Doch die Regeln unterscheiden sich nach Produkt, Modell, Vertrag, Region und Funktion.

Zero Data Retention kann für einen API-Modus gelten, während Prompt-Caching, Batch-Verarbeitung, Files APIs, Websuche oder Sicherheitsprüfung andere Speicherwege erzeugen. Die Aussage „Wir nutzen Anbieter X“ reicht deshalb für eine Risikobewertung nicht aus.

Welches Produkt und welches Modell verarbeitet die Daten?
Wo werden Eingaben, Ausgaben, Dateien, Logs und Agentenspeicher abgelegt?
Welche Ausnahmen gelten für Missbrauchserkennung, Support, Batch und Caching?
Wer kann auf die Daten zugreifen?
Wie werden Löschung und Vertragsende überprüft?

Training, Speicherung und Zugriff sind verschiedene Fragen

Die Zusage „Wir trainieren nicht mit Kundendaten“ beantwortet nur einen Teil. Daten können gespeichert werden, ohne in ein Basismodell einzufließen. Sie können in Logs, Caches, Dateien, Vektordatenbanken, Agentengedächtnissen oder Sicherheitssystemen verbleiben.

Training: Werden Eingaben zur Verbesserung eines Modells verwendet?
Aufbewahrung: Wie lange bleiben Eingaben, Ausgaben und Dateien gespeichert?
Zugriff: Welche Personen, Systeme oder Dritte können sie sehen?
Weiterverwendung: Dürfen Daten für Sicherheit, Support oder Produktanalyse genutzt werden?

Wer diese Ebenen vermischt, kann sich durch eine korrekte, aber unvollständige Zusage in falscher Sicherheit wiegen.

Der Agent braucht mehr Rechte als das Chatfenster

Ein Chatbot beantwortet eine Frage. Ein Agent handelt. Dafür benötigt er Kalender, E-Mail, Code-Repositories, Kundensysteme, Dateien, Zahlungsdaten und interne Werkzeuge.

Mit jedem Connector wächst die Angriffsfläche. Ein kompromittiertes Dokument kann den Agenten zu einer unerwünschten Aktion bewegen. Zu breite Berechtigungen können aus einem kleinen Fehler einen organisationsweiten Vorfall machen.

Das Prinzip der geringsten Berechtigung wird deshalb zur Grundregel: Der Agent erhält nur die Daten und Werkzeuge, die er für den nächsten Schritt benötigt.

Je autonomer der Agent, desto kleiner muss sein unkontrollierter Handlungsspielraum sein.

Erinnerung wird zum Lock-in

Persönliche und betriebliche Erinnerung ist eine der stärksten Funktionen moderner AI. Das System lernt Sprache, Prioritäten, Beziehungen, Ausnahmen und erfolgreiche Arbeitsabläufe.

Ein konkurrierendes Modell kann günstiger oder leistungsfähiger sein, kennt aber die Geschichte nicht. Der Wechsel kostet dann nicht nur eine neue Lizenz, sondern Kontext, Qualität und Vertrauen.

Agentenrollen und Berechtigungen
interne Wissensgraphen und Vektordatenbanken
Prompts, Regeln und Evaluationssysteme
Fehlerhistorien und erfolgreiche Workflows
Feinabstimmungen, Adapter und proprietäre Integrationen

Wird diese Struktur nicht exportierbar aufgebaut, verlagert das Unternehmen einen Teil seines institutionellen Gedächtnisses in das System eines Anbieters.

Geschäftsgeheimnisse wandern mit Menschen und Systemen

Der Streit zwischen Apple und OpenAI im Sommer 2026 erweitert die Datenfrage um eine menschliche Dimension. Apple wirft OpenAI und früheren Apple-Mitarbeitern in einer Klage vor, vertrauliche Hardwareinformationen genutzt zu haben. OpenAI bestreitet ein Interesse an Geschäftsgeheimnissen anderer Unternehmen; die Vorwürfe sind nicht gerichtlich entschieden.

Unabhängig vom Ausgang zeigt der Fall, wie schnell Wissen heute kopiert, durchsucht und kombiniert werden kann. Unternehmen brauchen deshalb klare Zugriffskontrollen, Geräteverwaltung, Protokollierung und eine belastbare Grenze zwischen persönlicher Erfahrung und übertragener Unternehmensinformation.

Private Cloud und lokale AI

Die Antwort auf diese Risiken ist keine vollständige Abkehr von Cloud-AI. Sie ist der Aufbau klarer Vertrauensgrenzen.

Apple verfolgt dies mit Private Cloud Compute. Andere Unternehmen nutzen isolierte Enterprise-Umgebungen, eigene Verschlüsselungsschlüssel, private Clouds oder lokale Modelle.

öffentlich oder unkritisch → allgemeine Cloud-AI

geschäftlich sensibel → isolierte Enterprise-Umgebung

hoch vertraulich oder reguliert → private Cloud oder lokale Inferenz

kritische Aktion → menschliche Freigabe und vollständiges Audit

Die neue Vertrauensarchitektur

Ein belastbares Enterprise-System benötigt mehr als eine Datenschutzseite. Es benötigt technische Beweise und organisatorische Kontrolle.

Datenklassifikation: öffentlich, intern, vertraulich oder streng geschützt
Policy-basiertes Routing: sensible Daten nur an zugelassene Modelle und Regionen
Minimierung: nur der notwendige Ausschnitt statt der gesamten Datenbasis
Verschlüsselung und eigene Schlüssel
vollständige Protokollierung
Portabilität von Erinnerung, Agenten und Wissensstrukturen
unabhängige technische Prüfungen

Je tiefer AI in Entscheidungen eindringt, desto wichtiger wird diese Ebene. Das beste Modell verliert seinen wirtschaftlichen Wert, wenn der Kunde ihm seine wichtigsten Daten nicht anvertrauen kann.

Wer von Datensouveränität profitiert

lokale und Edge-Rechenleistung
private Clouds und souveräne Rechenzentren
Model-Router mit Daten- und Regionsregeln
Data-Loss-Prevention und AI-Sicherheitsplattformen
Observability, Audit und Berechtigungsmanagement
verschlüsselte Wissens- und Vektordatenbanken
Modelle mit vertraglich klarer Aufbewahrung

Unter Druck geraten Anbieter, deren Nutzen von maximalem Datenzugriff abhängt, ohne dass Kunden Speicherwege und Weiterverwendung kontrollieren können.

Die Gridizer-Research-Watchlist

neue Vorfälle mit Code-, Dokumenten- oder Credential-Uploads
Änderungen bei Zero Data Retention und Standardaufbewahrung
Ausnahmen für Caching, Batch, Files, Websuche und Sicherheitsprüfung
Einführung lokaler und privater Inferenz
Portabilität von Agentengedächtnis und Unternehmenswissen
Gerichtsverfahren zu Geschäftsgeheimnissen und Mitarbeiterwechseln
Anbieter von DLP, Observability, Routing und Zugriffskontrolle
regulatorische Anforderungen an Datenresidenz, Audit und Löschung

Der Preis der perfekten Assistenz

AI wird persönlicher und produktiver, weil sie immer mehr Kontext erhält. Der Kunde muss nicht alles lokal halten. Er muss aber wissen, wohin Daten fließen, wie lange sie bleiben, wer zugreifen kann und wie sich das gelernte Wissen exportieren lässt.

Deine Daten sind die Anzahlung. Der eigentliche Kaufpreis entsteht, wenn das System so viel über dich oder dein Unternehmen weiß, dass ein Wechsel kaum noch möglich erscheint.