Zum Inhalt springen

Beliebte Themen
Nach Herausforderung
Schatten-KI

Vier KI-Probleme
in einer Asset-Klasse.

Die Nutzerlizenz, die jemand als Spesen abgerechnet hat, der API-Schlüssel, der Tokens verbraucht, die GPU-Flotte, die einen Sweep ausführt, und der Agent, der Ihre Systeme aufruft, sind vier verschiedene Governance-Probleme.

CerteroX deckt alle vier ab, weil es SaaS, Cloud, Assets und Identitäten bereits abdeckt.

Demo buchen
Technische Details ausblenden

Schatten-KI · Verbreitungsrisiko

Beispielhaft

In der gesamten Organisation erkannte KI-Tools

Klassifiziert anhand von Feature-Tags der Anwendungen

Erkannte KI-Tools Nutzerlizenzen, Schlüssel, Berechtigungen und Agenten
34
Geprüft und verwaltet
9
Blockiert
3
Ungeprüft kein Verantwortlicher, keine Risikobewertung
22
Tool mit der höchsten Verbreitung Anteil der Organisation mit Anmeldung
41%
OAuth-Berechtigungen mit Laufwerkszugriff Risikowert ≥ 70
6

Modell für Verbreitungsrisiken

drei Stufen, nach Anteil der Organisation

Kurz gesagt

Die KI-Ausgaben wachsen schneller, als irgendjemand sie überblicken kann.

KI kommt über Abonnements von Mitarbeitenden, Entwicklerkonten, Cloud-Rechenleistung und Tools, die sich mit Unternehmensdaten verbinden. Die Finanzabteilung sieht eine Rechnung, die IT einen Cluster und die IT-Sicherheit ein nicht genehmigtes Tool, und niemand sieht das Gesamtbild. CerteroX bringt alles in einer Ansicht zusammen, sodass jeder Teil einen Verantwortlichen und eine Entscheidung hat.

  • Kosten

    Jede KI-Ausgabe hat einen Verantwortlichen.

    Abonnements, Nutzungsgebühren und Rechenkosten für KI werden zusammen mit allem anderen erfasst, sodass Wachstum eine Entscheidung ist und keine Überraschung.

  • Risiko

    Wissen, was KI lesen kann.

    Sehen Sie, welche KI-Tools Zugriff auf Unternehmenslaufwerke, E-Mail oder Systeme erhalten haben, und prüfen Sie diese Berechtigungen so sorgfältig wie Benutzerkonten.

  • Aufwand

    Die Liste hält sich selbst aktuell.

    Neue KI-Tools werden erkannt, sobald sie auftauchen, sodass Governance nicht davon abhängt, dass jemand eine Tabelle mit Namen pflegt.

Das Problem

Drei Abteilungen sehen jeweils ein Drittel des Problems.

Die Finanzabteilung sieht eine KI-Rechnung. Das Engineering sieht einen GPU-Cluster. Die IT-Sicherheit sieht ein nicht genehmigtes Modell mit Zugriff auf Kundendaten. Niemand sieht alle drei, und die Ausgaben wachsen Monat für Monat.

+393%

Wachstum der Ausgaben für KI-native Anwendungen in Großunternehmen

Wie hoch Ihr KI-Budget in diesem Jahr auch ist: Rechnen Sie damit, dass sich die Zahl vor Jahresende unter Ihnen verschiebt.

  1. 01 zehn Nutzer, dann tausend

    Verbreitung ist eine Risikokurve.

    Zehn Personen, die einen Assistenten testen, sind ein Experiment. Tausend Personen, die ihn täglich nutzen, sind eine Abhängigkeit, ein Datenfluss und eine Verlängerung, die Sie aus einer schwachen Position verhandeln werden. Dasselbe Tool, zwei völlig unterschiedliche Entscheidungen.

    Shadow AI Dashboard mit dreistufigem Modell für Verbreitungsrisiken AI Management

  2. 02 die Liste ist schon bei Eingang veraltet

    Eine fest codierte Liste von KI-Tools ist schon in der Woche ihrer Veröffentlichung veraltet.

    Das größere Problem ist das Tool, das Sie bereits besitzen. Es erhält mit einem Point-Release eine KI-Funktion, unter einem Namen, den Ihre Sperrliste seit Jahren als sicher behandelt.

    Erkennung von Schatten-KI anhand von Feature-Tags der Anwendungen, nicht anhand einer statischen Liste AI Management

  3. 03 die Berechtigung, die niemand prüft

    Jemand hat auf „Zulassen“ geklickt, und jetzt liest ein Notiz-Tool das gesamte Laufwerk.

    OAuth-Berechtigungen überdauern die Begeisterung, mit der sie erteilt wurden. Der Umfang ist breit, geprüft wird nie, und die Berechtigung überdauert das Konto, das sie autorisiert hat.

    Risikobewertung von OAuth-Berechtigungen nach Sensibilität, Umfang, Einwilligung und Inaktivität SaaS Management

  4. 04 eine GPU ist eine Cloud-Instanz

    Der Trainingscluster ist gewöhnliche Verschwendung mit interessantem Anstrich.

    Ungenutzte Executors, überdimensionierte Instanzen, eine weiterlaufende Vorgängergeneration, Spot-fähige Workloads zum On-Demand-Preis. Daran ist nichts Besonderes, außer wie viel es pro Stunde kostet.

    Die vollständige Empfehlungs-Engine mit 26 Prüfungen, angewendet auf ML-Executors AI Management

  5. KI zu steuern heißt zu wissen, welche Tools, welche Berechtigungen, welche GPUs und welche Agenten Sie gerade jetzt haben. Jedes der vier lässt sich heute ändern.

So hilft CerteroX AI Management

Demo buchen
Was die Arbeit erledigt

Drei der fünf Disziplinen.

Jedes Produkt läuft eigenständig und nutzt dasselbe Asset-Modell, daher erfordern produktübergreifende Aufgaben keinen Integrationsaufwand.

Sie sehen die vollständigen technischen Details. Schalten Sie sie aus, um die Kurzfassung zu sehen.

Technische Details ausblenden
Wie es tatsächlich umgesetzt wird

Fünf Schritte, von der Erkennung bis zum auditierten Agenten.

KI-Governance scheitert am dritten Schritt, weil die meisten Tools Ihnen sagen können, dass etwas passiert, aber nicht, was Sie dagegen tun können.

  1. Erkennen, was tatsächlich genutzt wird

    Vier Signale aus Nutzerlizenzen, Berechtigungen, Rechenleistung und Agenten, zu einem Bild zusammengeführt.

    • Erkennung von Schatten-KI anhand von Feature-Tags der Anwendungen, nicht anhand einer statischen Liste AI Management
    • Verbreitung von KI-Tools, geordnet nach Anteil der Organisation, der sie nutzt AI Management
    • Erkennung von OAuth-Berechtigungen für genehmigte Drittanbieter-Anwendungen SaaS Management
    • Executor-Transparenz: die Rechenleistung, auf der jede Workload tatsächlich läuft AI Management
    • Tracking von ML-Tasks, Runs und Runsets mit Konsolenprotokollen und Meilensteinen AI Management

  2. Das Risiko bewerten

    Risiko ist Daten plus Umfang plus Reichweite, und alle drei sind messbar.

    • Risikobewertung nach Datensensibilität sowie DSGVO-, HIPAA- und SOC-2-Risiko AI Management
    • Risikobewertung von OAuth-Berechtigungen nach Sensibilität, Umfang, Einwilligung und Inaktivität SaaS Management
    • Shadow AI Dashboard mit dreistufigem Modell für Verbreitungsrisiken AI Management
    • Modell-Registry mit Versionierung sowie Datensatz-Versionierung mit Herkunftsnachweis AI Management

  3. Entscheiden und die Entscheidung durchsetzen

    Verwaltet, blockiert oder ignoriert, mit Automatisierung, die die Entscheidung bei Erkennung umsetzt.

    • Status-Workflow für Schatten-KI: verwaltet, blockiert oder ignoriert AI Management
    • Workflow-Automatisierung, die bei Erkennung warnt, blockiert oder entzieht AI Management
    • Entzug von Berechtigungen mit einem Klick, auch als Workflow-Aktion verfügbar SaaS Management
    • Rückgewinnung von KI-Nutzerlizenzen über die SaaS-Lizenz-Engine AI Management

  4. Kosten erfassen wie alles andere

    KI-Ausgaben sind vier Posten in drei Systemen. Hier sind sie ein Portfolio mit Budgets.

    • Eigene ML/KI-Kostenpools mit eigenen Budgets AI Management
    • KI-Budgets pro Anwendung mit Warn- und kritischen Schwellenwerten AI Management
    • Rightsizing und Generationswechsel bei GPU- und Trainingsinstanzen AI Management
    • Erkennung kurzlebiger Executors für die Migration auf Spot- und Preemptible-Instanzen AI Management
    • Möglichkeiten zur regions- und cloudübergreifenden Migration von Trainings-Workloads AI Management

  5. Jeden Aufruf belegen

    Wenn ein Agent Zugangsdaten zu Ihren Systemen hat, ist der Audit-Trail die Kontrolle.

    • Bereichsbezogene MCP-Tokens pro Organisation mit vollständiger Auditierung der Tool-Aufrufe AI Management
    • Jeder Tool-Aufruf von KI-Agenten auditiert und mit Kontingenterfassung AI Management
    • Vollständiger Audit-Trail über Bereitstellung und Entzug von KI-Nutzerlizenzen AI Management
    • Audit-Log für jeden Bereitstellungs- und Entzugsschritt SaaS Management

Lassen Sie sich jede dieser Funktionen direkt im Produkt zeigen, auf dem Bildschirm, auf dem sie stattfindet.

Mehr erfahren

Demo buchen
Das Ergebnis

So sieht der Zielzustand aus.

Ein KI-Portfolio mit einem Verantwortlichen, einem Status und einem Budget für jede einzelne Position.

  1. 01

    Die Erkennung wächst ohne Ihr Zutun.

    Die Klassifizierung basiert auf Feature-Tags der Anwendungen im Katalog, sodass ein Tool, das im nächsten Quartal KI-Funktionen erhält, im nächsten Quartal erscheint, ohne dass eine Liste gepflegt werden muss.

  2. 02

    Jedes Tool hat einen Status.

    Verwaltet, blockiert oder ignoriert. Ignoriert ist eine legitime Antwort, sofern jemand sie gewählt hat, und der Workflow setzt die jeweils gewählte durch.

  3. 03

    Berechtigungen werden wie Konten geprüft.

    Ein Risikowert von 0–100 aus Datensensibilität, Umfang, Einwilligung und Inaktivität, mit Entzug per Klick, der auch als automatisierte Workflow-Aktion verfügbar ist.

  4. 04

    Die GPU-Rechnung durchläuft dieselben sechsundzwanzig Prüfungen.

    ML-Executors sind Cloud-Instanzen, daher greifen Rightsizing, Generationswechsel, Erkennung verwaister Ressourcen und Spot-Migration automatisch. Die KI-Kostenoptimierung läuft auf derselben Engine wie der Rest Ihrer Cloud.

  5. 05

    Die Agenten werden auditiert.

    Bereichsbezogene MCP-Tokens pro Organisation, jeder Tool-Aufruf protokolliert und auf Kontingente angerechnet. Sie können beantworten, was ein KI-Agent wann von Ihren Systemen abgefragt hat.

Häufige Fragen: KI-Einführung steuern

Häufig gestellte Fragen

Sie möchten eine andere Frage stellen?

Kontakt aufnehmen
Wie erkennen Sie KI-Tools, von denen Sie noch nie gehört haben?

Die Klassifizierung beruht auf Feature-Tags der Anwendungen im Katalog, sodass ein neues Tool die Klassifizierung dessen übernimmt, was es tut. Die Browser-Erweiterung liefert die Domains, der Identitätsanbieter die Anmeldungen und die Konnektoren die maßgeblichen Benutzerlisten für alles, was bereits genehmigt ist.

Wir wollen KI-Nutzung fördern, nicht überwachen. Steht das im Weg?

Das Dashboard ordnet nach Verbreitung, was für die Förderung ebenso nützlich ist wie für Einschränkungen. Das Tool, das 41 % Ihrer Organisation bereits nutzen, ist eine Verhandlungschance. Der Status lautet verwaltet, blockiert oder ignoriert: drei Antworten, von denen zwei Ja bedeuten.

Was genau ist der MCP-Teil?

Jedes CerteroX Produkt stellt einen Model-Context-Protocol-Server bereit, sodass Ihre KI-Agenten das Asset-Inventar, die Cloud-Rechnung und die Lizenzposition direkt abfragen können. Tokens sind pro Organisation beschränkt, und jeder Tool-Aufruf wird auditiert und auf Kontingente angerechnet. Der Agent hat also ein Berechtigungsmodell und ein Protokoll wie jede andere Identität.

Erfasst das auch KI-Ausgaben in Tools, für die wir bereits bezahlen?

Genau diesen Fall übersehen fest codierte Listen völlig. Da nach Funktion klassifiziert wird, wird eine vorhandene Anwendung, die eine KI-Funktion erhält, im Katalog neu klassifiziert und erscheint mit ihrem Verbreitungsanteil in der Schatten-KI-Ansicht, obwohl nie etwas Neues gekauft wurde.

Woher stammen die Daten zu GPU- und Trainingskosten?

Dieselben Collectors wie für den Rest Ihrer Cloud-Landschaft, über AWS, Azure, Google Cloud, Nebius, Kubernetes und Databricks. Darüber liegt die Experiment-Ebene: Tracking von ML-Tasks, Runs und Runsets, benutzerdefinierte Metriken und Spark-Instrumentierung über den Delight-Agent-Collector.

Verwandte Themen

Dasselbe Asset-Modell, eine andere Frage.

Plattform ansehen
Beginnen Sie mit dem, was vorhanden ist

Sie haben KI
bereits produktiv im Einsatz.
Sehen Sie, wie sie sichtbar wird.

Schatten-KI nach Verbreitungsanteil geordnet, OAuth-Berechtigungen mit Datenzugriff, Tool-Aufrufe von Agenten im Audit-Trail und GPU-Ausgaben mit Verantwortlichen: vier Governance-Probleme, eine befüllte KI-Position. Sagen Sie uns, welche Assistenten Ihnen die meisten Sorgen machen.

Arbeitssitzung buchen

Eine Richtlinie, die auf einem echten Inventar beruht, ist eine Richtlinie, an die sich Menschen halten.