Wer sich mit generativer KI für das eigene Unternehmen beschäftigt, stößt schnell auf die Frage: Welches Modell soll es denn sein? Anthropic beantwortet diese Frage nicht mit einem einzigen Modell, sondern mit einer abgestuften Familie. Claude Sonnet ist dabei die Default-Empfehlung für die breite Masse der Aufgaben – also genau das, womit die meisten Teams im Tagesgeschäft starten sollten, bevor sie sich über Spezialfälle Gedanken machen. Es ist leistungsstark genug für anspruchsvolle Arbeit, aber so effizient, dass sich ein produktiver Dauerbetrieb wirtschaftlich darstellen lässt.
Drei Eigenschaften definieren Claude Sonnet im Jahr 2026:
In der Praxis scheitern KI-Projekte selten daran, dass das gewählte Modell zu schwach war – häufiger daran, dass mit Kanonen auf Spatzen geschossen wurde. Teams greifen reflexhaft zum stärksten verfügbaren Modell, zahlen dafür mehr und warten länger auf Antworten, obwohl die Aufgabe – Texte zusammenfassen, E-Mails formulieren, Daten strukturieren, Code-Bausteine erzeugen – eine mittlere Stufe locker bewältigt hätte. Claude Sonnet ist die Antwort auf genau dieses Muster: das Modell, mit dem man im Zweifel beginnt, weil es die überwiegende Mehrheit der Anforderungen souverän abdeckt.
Der zweite Gedanke hinter der mittleren Stufe ist Skalierbarkeit. Eine Aufgabe einmal manuell mit dem besten Modell zu erledigen, ist günstig. Dieselbe Aufgabe tausendfach am Tag automatisiert auszuführen, summiert sich. Sonnet ist so positioniert, dass es auch im produktiven Dauerbetrieb wirtschaftlich bleibt – ein Aspekt, der bei der Modellwahl mindestens so wichtig ist wie die reine Leistung im Einzelfall.
Anthropic ist ein US-amerikanisches KI-Unternehmen, das die Claude-Modellfamilie entwickelt und betreibt. Für die Bewertung aus DACH-Perspektive sind zwei Punkte relevant: Erstens betont Anthropic in seiner öffentlichen Kommunikation einen Fokus auf verlässliches, steuerbares Modellverhalten – also darauf, dass das Modell Anweisungen sauber folgt und sich vorhersehbar verhält, was im Geschäftseinsatz ein praktischer Vorteil ist. Zweitens ist Anthropic ein US-Anbieter, was für die Datenschutz- und Souveränitätsbewertung Konsequenzen hat, die wir im DSGVO-Kapitel ehrlich behandeln.
Wichtig für die Einordnung: Modellnamen, Versionsstände und genaue Leistungsmerkmale entwickeln sich schnell weiter. Anthropic aktualisiert die Claude-Familie laufend, und einzelne Generationsbezeichnungen ändern sich. Wir bleiben in diesem Artikel daher bewusst bei der dauerhaften Logik – „Sonnet ist die ausgewogene Mitte” – und empfehlen, den jeweils aktuellen Versionsstand und die konkreten Eigenschaften beim Anbieter zu prüfen.
Gerade dieser Punkt ist in der Praxis wichtiger, als er klingt. Wer eine KI-Strategie an einer einzelnen Modellbezeichnung festmacht, baut auf wackeligem Grund. Die tragfähige Entscheidung lautet nicht „wir nutzen Modell X in Version Y”, sondern „wir nutzen die mittlere Stufe der Claude-Familie für unsere allgemeinen Produktivaufgaben und überprüfen bei jedem größeren Versionssprung, ob sich an unserer Einordnung etwas ändert”. So bleibt die Strategie stabil, auch wenn sich die Technik im Halbjahrestakt weiterbewegt – und genau diese Robustheit gegen den schnellen Wandel ist ein Wert, den eine durchdachte Modellwahl liefern sollte.
Die Familie folgt einer einfachen, leicht zu merkenden Logik. Opus ist die Stufe, zu der man greift, wenn eine Aufgabe wirklich schwer ist und die letzte Reasoning-Reserve gebraucht wird – etwa bei sehr komplexen Analysen, vielschichtigen Aufgabenketten oder dort, wo selbst kleine Qualitätsunterschiede geschäftlich relevant sind. Diese Spitzenleistung wird tendenziell mit höheren Kosten und längeren Antwortzeiten erkauft. Haiku ist das Gegenstück: die Stufe für sehr große Mengen einfacher Aufgaben, bei denen es vor allem auf Tempo und niedrige Kosten ankommt und die Aufgabe selbst keine tiefe Argumentation erfordert.
Sonnet sitzt bewusst dazwischen – und das ist kein Verlegenheitsplatz, sondern der wirtschaftliche Sweet Spot für die meisten Anwendungen. Es liefert eine Qualität, die für anspruchsvolle Geschäftsaufgaben in aller Regel ausreicht, bleibt dabei aber schnell und kosteneffizient genug für den produktiven Dauerbetrieb. Die praktische Faustregel lautet daher: Mit Sonnet beginnen, und nur dann gezielt nach oben oder unten korrigieren, wenn der konkrete Anwendungsfall es nachweislich verlangt.
Hinter der Empfehlung, mit Sonnet zu starten, steckt eine ökonomische Überlegung. Würde man jede Aufgabe pauschal mit dem stärksten Modell erledigen, zahlte man dauerhaft für eine Leistungsreserve, die selten gebraucht wird. Würde man umgekehrt alles mit dem günstigsten Modell erledigen, riskierte man bei anspruchsvolleren Aufgaben Qualitätseinbußen, Nacharbeit und Vertrauensverlust bei den Anwendenden. Die mittlere Stufe minimiert beide Risiken gleichzeitig: gute Ergebnisse bei vertretbaren Kosten.
Für die Praxis im Mittelstand bedeutet das: Die Modellauswahl ist keine einmalige „Welches ist das beste?”-Entscheidung, sondern ein einfaches Routing. Den Großteil der Aufgaben über Sonnet laufen lassen, ausgewählte schwere Fälle an Opus geben, hochvolumige Routine an Haiku. Dieses gestufte Vorgehen senkt Kosten spürbar, ohne die Qualität dort zu opfern, wo sie zählt – und genau hier liegt der eigentliche Hebel einer durchdachten Modellstrategie.
Ein häufiges Missverständnis sei an dieser Stelle ausgeräumt: Die mittlere Stufe ist nicht „die halbe Leistung zum halben Preis”. Generative Modelle skalieren nicht linear. Für die überwiegende Mehrheit alltäglicher Geschäftsaufgaben – Zusammenfassen, Formulieren, Strukturieren, einfachere Analysen – liefert Sonnet Ergebnisse, die von denen der Spitzenstufe in der Praxis kaum zu unterscheiden sind. Der Mehrwert von Opus zeigt sich erst dort, wo eine Aufgabe wirklich an die Grenzen geht. Wer das verinnerlicht, hört auf, reflexhaft das teuerste Modell zu wählen, und trifft Entscheidungen nach Bedarf statt nach Bauchgefühl – das ist der Kern eines wirtschaftlich gesunden KI-Einsatzes.
Die Kernkompetenz von Sonnet liegt im Umgang mit Sprache. Das Modell versteht auch längere und verschachtelte Anweisungen zuverlässig, erfasst den Kontext eines Textes und liefert Ausgaben, die sich an Tonalität und Format anpassen lassen. In der Praxis heißt das: Texte zusammenfassen, umformulieren, übersetzen, strukturieren und in unterschiedlichen Stilen verfassen gehört zu den Aufgaben, bei denen Sonnet im Tagesgeschäft besonders überzeugt. Auch auf Deutsch arbeitet das Modell flüssig – ein wichtiger Punkt für den DACH-Mittelstand, da viele Geschäftsprozesse deutschsprachig ablaufen.
Besonders wertvoll ist Sonnet dort, wo Sprache und Struktur zusammenkommen: aus einer langen E-Mail-Diskussion die Entscheidungen herausziehen, ein Protokoll in eine Aufgabenliste verwandeln, einen Fachtext für eine andere Zielgruppe aufbereiten. Solche Aufgaben sind im Alltag häufig, kosten Menschen viel Zeit und liegen genau im Stärkenbereich der mittleren Stufe – stark genug für saubere Ergebnisse, ohne den Aufwand der Spitzenstufe.
Sonnet ist auch im Programmier-Kontext eine verbreitete Wahl. Es kann Code-Bausteine erzeugen, bestehenden Code erklären, Fehler eingrenzen und bei der Umsetzung kleinerer bis mittlerer Entwicklungsaufgaben unterstützen. Für viele Entwicklungsteams ist Sonnet das Modell, das im Editor oder in der Entwicklungsumgebung als alltäglicher Assistent mitläuft, weil es schnell genug für einen flüssigen Arbeitsfluss ist und gute Qualität bei vertretbaren Kosten liefert.
Wie immer gilt die ehrliche Einordnung: Bei sehr komplexen, weit verzweigten Programmieraufgaben oder Architekturfragen kann die Spitzenstufe Opus die robustere Wahl sein. Für den großen Mittelteil typischer Entwicklungsarbeit – kleinere Funktionen, Boilerplate, Tests, Refactoring-Vorschläge, Code-Reviews – ist Sonnet jedoch oft das wirtschaftlich klügere Werkzeug. Und unabhängig von der Stufe gilt: KI-generierter Code gehört geprüft, getestet und verantwortet, nicht blind übernommen.
Moderne Claude-Modelle können größere Mengen Text in einem Vorgang verarbeiten, sodass sich umfangreiche Dokumente, lange Protokolle oder mehrere Quellen gemeinsam betrachten lassen. Das macht Sonnet nützlich für Aufgaben wie das Durchsuchen und Befragen längerer Verträge, Berichte oder Wissenssammlungen – die genaue verarbeitbare Textmenge hängt vom jeweiligen Modellstand ab und sollte beim Anbieter geprüft werden.
Hinzu kommt die Fähigkeit zum Tool-Use: Das Modell kann angebunden werden, um definierte Werkzeuge und Funktionen aufzurufen – etwa eine Datenbank abzufragen, eine Berechnung auszulösen oder eine externe Information zu holen – und die Ergebnisse in seine Antwort einzubauen. Das ist die Grundlage für anspruchsvollere, mehrstufige Anwendungen, in denen das Modell nicht nur Text erzeugt, sondern Teil eines größeren automatisierten Ablaufs wird. Für solche Agenten- und Automatisierungsszenarien ist Sonnet eine häufige Basis, weil es die nötige Verlässlichkeit mit alltagstauglicher Geschwindigkeit verbindet.
Genau in diesem Zusammenspiel aus solider Sprachkompetenz, der Fähigkeit zur Arbeit an längeren Inhalten und zuverlässigem Tool-Use liegt der praktische Grund, warum Sonnet so oft als Standardbaustein gewählt wird. Eine reine Chat-Nutzung schöpft nur einen Bruchteil des Potenzials aus. Der eigentliche Hebel entsteht, wenn das Modell in einen Prozess eingebettet wird: Es liest eine eingehende Anfrage, holt sich über Tool-Use die passenden internen Informationen, formuliert einen sauberen Entwurf und legt ihn einem Menschen zur Freigabe vor. In dieser Rolle als verlässlicher, schneller und bezahlbarer Mitspieler in automatisierten Abläufen spielt die mittlere Stufe ihre Stärke am deutlichsten aus.
Über die Schnittstelle (API) von Anthropic lässt sich Claude Sonnet in eigene Software, Workflows und Automatisierungen einbinden. Das ist der Weg für alle, die KI nicht nur per Chat nutzen, sondern in bestehende Systeme integrieren wollen – etwa in ein CRM, ein Ticketsystem, eine interne Anwendung oder eine selbst gebaute Wissensplattform. Über die API wählt man pro Anfrage gezielt die Modellstufe, sodass sich das oben beschriebene Routing zwischen Sonnet, Opus und Haiku technisch umsetzen lässt.
Die API ist auch die Grundlage für anspruchsvollere Szenarien wie Tool-Use, Retrieval-Augmented Generation (Anbindung eigener Wissensquellen) oder mehrstufige Agenten-Abläufe. Für den Mittelstand bedeutet das: Den größten Mehrwert entfaltet Sonnet meist nicht als isolierter Chat, sondern eingebettet in die Werkzeuge, mit denen die Mitarbeitenden ohnehin täglich arbeiten.
Für die direkte Nutzung durch Menschen bietet Anthropic eine Chat-Anwendung an (im Web und als App). Hier können Mitarbeitende mit Claude im Dialog arbeiten, ohne dass etwas programmiert werden muss – Texte entwerfen, Dokumente befragen, Ideen entwickeln. In den geschäftlichen Varianten dieses Angebots gelten in der Regel andere, strengere Bedingungen zur Datennutzung als in rein privaten Gratis-Angeboten; die genauen Konditionen und Editionen ändern sich und sind beim Anbieter zu prüfen.
Die App ist der schnellste Weg, um ein Gefühl für die Fähigkeiten von Sonnet zu bekommen und erste Anwendungsfälle ohne technischen Aufwand zu erproben. Für einen kontrollierten, unternehmensweiten Einsatz lohnt es sich jedoch, frühzeitig zu klären, welche Edition genutzt wird, wie Daten behandelt werden und wie Zugriffe und Nutzung gesteuert werden – sonst entsteht schnell eine unkontrollierte Schatten-Nutzung.
Claude-Modelle, darunter Sonnet, sind außerdem über die KI-Marktplätze großer Cloud-Anbieter verfügbar. Für Organisationen, die ohnehin auf einer dieser Cloud-Plattformen arbeiten, ist das oft der pragmatischste Weg: Das Modell wird im Rahmen der bestehenden Cloud-Umgebung, Abrechnung und Sicherheitskonfiguration genutzt, was Beschaffung und Governance vereinfacht und die Wahl von Verarbeitungsregionen erleichtern kann.
Welcher Bezugsweg der richtige ist, hängt von Ihrem vorhandenen Stack, Ihren Datenschutz-Anforderungen und Ihrer Beschaffungslogik ab. Wer bereits eine Cloud-Strategie hat, prüft sinnvollerweise zuerst den dortigen Marktplatz; wer maximale Flexibilität bei der Integration braucht, geht über die direkte API. Wichtig ist: Die verfügbaren Editionen, Regionen und Konditionen unterscheiden sich je Weg und ändern sich – verbindliche Aussagen gehören in die Prüfung beim jeweiligen Anbieter.
Innerhalb der Claude-Familie ist die Abgrenzung am klarsten. Zu Opus greift man, wenn eine Aufgabe nachweislich an die Grenzen der mittleren Stufe stößt: sehr komplexe Analysen, anspruchsvolles mehrstufiges Reasoning oder Situationen, in denen die letzten Prozentpunkte Qualität geschäftlich entscheidend sind. Der Preis dafür sind höhere Kosten und meist längere Antwortzeiten – weshalb Opus kein guter Default für alles ist, sondern ein gezielt eingesetztes Werkzeug.
Zu Haiku wechselt man in die Gegenrichtung: bei sehr großen Mengen einfacher, gleichförmiger Aufgaben, bei denen Tempo und Stückkosten im Vordergrund stehen und die einzelne Aufgabe keine tiefe Argumentation braucht – etwa Klassifizieren, Taggen, kurze Standardantworten. Sonnet bleibt der Mittelweg: Wer unsicher ist, beginnt mit Sonnet und justiert erst nach, wenn der reale Anwendungsfall einen Grund liefert. Diese Disziplin – nicht reflexhaft das stärkste Modell wählen – ist einer der wirksamsten Kostenhebel überhaupt.
Im Vergleich zu Modellen anderer Anbieter – etwa den GPT-Modellen von OpenAI oder den Gemini-Modellen von Google – lässt sich kein pauschaler Sieger ausrufen, und das wäre auch unseriös. Alle großen Anbieter führen leistungsfähige Modellfamilien mit ähnlicher Stufen-Logik (ein starkes Spitzenmodell, ein ausgewogenes mittleres, ein schnelles günstiges). Die Modelle entwickeln sich zudem in kurzen Abständen weiter, sodass eine heutige Momentaufnahme schnell veraltet.
Was sich sagen lässt: Claude-Modelle genießen in der Praxis einen guten Ruf für verlässliches Anweisungsfolgen, sauberes Textverständnis und einen ruhigen, gut steuerbaren Schreibstil – Eigenschaften, die im Geschäftseinsatz oft mehr zählen als ein knapper Benchmark-Vorsprung. Welches Anbieter-Modell für Sie das beste ist, hängt jedoch von konkreten Faktoren ab: vorhandener Cloud-/Tool-Stack, Datenschutz-Anforderungen, Integrationswege, die spezifische Aufgabe und nicht zuletzt der Preis. INAGRO empfiehlt deshalb, die Auswahl nicht über Marketing-Vergleiche, sondern über einen kleinen Praxistest an den eigenen Aufgaben zu treffen.
Es gibt Fälle, in denen weder Sonnet noch ein anderes US-Cloud-Modell die naheliegende Wahl ist. Wenn Datensouveränität ein hartes Muss ist – etwa weil Daten ein US-Unternehmen rechtlich nicht erreichen dürfen – können souveräne oder On-Premise-Lösungen europäischer Anbieter besser passen, auch wenn sie bei roher Allzweck-Leistung Abstriche bedeuten können. Und für sehr eng umrissene, hochvolumige Spezialaufgaben kann ein kleineres, selbst betriebenes Modell wirtschaftlicher sein als jeder Cloud-Dienst.
Die ehrliche Beratungshaltung lautet daher: Sonnet ist für viele DACH-Mittelständler eine ausgezeichnete Standardwahl für allgemeine Produktivaufgaben – aber kein Universaldogma. Die Modell- und Anbieterwahl folgt dem Anwendungsfall, dem Schutzbedarf und dem vorhandenen Stack, nicht umgekehrt.
Der Einstieg in Sonnet ist niedrigschwellig: Über die App ist das Modell sofort nutzbar, über die API genügt ein Zugang, um es in eigene Anwendungen einzubinden. Das unterscheidet ein verwaltetes Cloud-Modell grundlegend von einem souveränen Betriebsprojekt – es gibt keine GPU-Infrastruktur zu beschaffen und keine Modellgewichte zu betreiben. Genau diese geringe Einstiegshürde ist ein zentraler Vorteil der mittleren Stufe: Man kann sehr schnell mit realen Anwendungsfällen beginnen.
Der Aufwand verlagert sich von der Infrastruktur auf die saubere Einbettung. Eine produktive Nutzung im Unternehmen braucht durchdachte Prompts beziehungsweise Vorlagen, die Anbindung der richtigen internen Daten, Prüfschritte für die Ausgaben und eine klare Rollen- und Rechtelogik. Der Wert entsteht nicht durch „Claude einschalten”, sondern durch die Verzahnung mit dem konkreten Geschäftsprozess.
Weil der Zugang so einfach ist, entsteht in vielen Organisationen schnell eine unkontrollierte Nutzung: Einzelne Mitarbeitende verwenden KI-Werkzeuge auf eigene Faust, teils mit sensiblen Daten, ohne dass IT oder Datenschutz eingebunden sind. Diese „Schatten-KI” ist ein reales Risiko. Die Antwort darauf ist nicht das Verbot, sondern ein klar geregelter, bequemer offizieller Weg plus eine verständliche Nutzungsrichtlinie.
Zur Steuerung gehören: ein definierter Zugangsweg (welche Edition, welcher Marktplatz, welche API), Vorgaben dazu, welche Datenkategorien überhaupt eingegeben werden dürfen, ein Berechtigungskonzept für angebundene interne Quellen sowie ein Blick auf Nutzung und Kosten. Wer das früh aufsetzt, vermeidet sowohl Wildwuchs als auch übervorsichtige Komplettblockaden, die Mitarbeitende nur in inoffizielle Werkzeuge treiben.
Als verwaltetes Cloud-Modell bringt Sonnet die typischen Eigenschaften eines gemanagten Dienstes mit: Der Anbieter kümmert sich um Betrieb und Aktualisierung, dafür ist man von dessen Verfügbarkeit, Modellpolitik und Preisgestaltung abhängig. Modellversionen entwickeln sich weiter und werden abgelöst – wer eine Anwendung auf ein bestimmtes Verhalten aufbaut, sollte einplanen, dass neue Versionen getestet und Anwendungen nachgezogen werden müssen.
Eine kluge Architektur reduziert diese Abhängigkeit: Wer die Modellanbindung sauber kapselt, kann zwischen Stufen wechseln und im Bedarfsfall auch einen anderen Anbieter prüfen, ohne die ganze Anwendung neu zu bauen. Diese Flexibilität ist gerade im sich schnell bewegenden KI-Markt ein praktischer Wert – und ein Punkt, den INAGRO bei der Konzeption von KI-Anwendungen von Anfang an mitdenkt.
Allen Szenarien gemeinsam ist ein Muster: Der Wert entsteht nicht aus dem Modell allein, sondern aus der Kombination aus klar umrissenem Anwendungsfall, sauberer Anbindung der richtigen Daten und einem Prüfschritt für die Ausgaben. Claude Sonnet ist dabei oft genau die richtige Stufe – stark genug für Qualität, günstig genug für den Dauerbetrieb. INAGRO empfiehlt, mit einem kleinen, gut messbaren Anwendungsfall zu starten und von dort aus zu skalieren, statt zu versuchen, alles auf einmal zu automatisieren.
Ein realistischer Einstieg für einen Mittelständler sieht typischerweise so aus: Man wählt einen einzigen Prozess mit klarem, wiederkehrendem Aufwand – etwa die Beantwortung gleichartiger Kundenanfragen oder die Aufbereitung eingehender Dokumente. Dafür baut man eine kleine, gut kontrollierte Lösung auf Basis von Sonnet, misst über einige Wochen den realen Nutzen und sammelt Erfahrung mit Qualität, Prüfaufwand und Kosten. Erst wenn dieser erste Fall trägt, erschließt man weitere Prozesse. Dieses Vorgehen hält das Risiko klein, schafft schnell sichtbare Ergebnisse und baut intern das Wissen auf, das für eine breitere Einführung nötig ist. Der häufigste Fehler ist das Gegenteil: ein zu groß geschnittenes erstes Projekt, das an seiner eigenen Komplexität scheitert, bevor es Wirkung zeigen kann.
Die Nutzung über die API wird typischerweise nach verarbeiteter Textmenge abgerechnet – grob gesagt: Je mehr Text ein- und ausgeht, desto höher die Kosten pro Anfrage. Innerhalb der Familie ist Sonnet preislich zwischen dem teureren Opus und dem günstigeren Haiku angesiedelt. Wir nennen hier bewusst keine erfundenen exakten Preise, weil Tarife sich ändern und je nach Modellversion, Region und Bezugsweg unterschiedlich sind. Für eine belastbare Kalkulation gilt: aktuelle Preise beim Anbieter beziehungsweise auf dem genutzten Cloud-Marktplatz prüfen.
Entscheidend für das Erwartungsmanagement ist das Prinzip: Bei verbrauchsbasierten Modellen entstehen die Kosten pro Anfrage und summieren sich mit dem Volumen. Eine einzelne Anfrage ist günstig; ein hochfrequenter Automatisierungsprozess kann spürbar zu Buche schlagen. Wer Volumen, durchschnittliche Anfragengröße und Stufenwahl im Blick hat, kann die Kosten gut steuern – wer einfach „loslaufen lässt”, erlebt mitunter Überraschungen.
Der mit Abstand größte Hebel zur Kostenkontrolle ist die bewusste Stufenwahl – genau der rote Faden dieses Artikels. Viele Teams zahlen unnötig viel, weil sie pauschal das stärkste Modell nutzen, obwohl die mittlere oder kleine Stufe für die Aufgabe gereicht hätte. Sonnet als Default zu setzen und nur bei nachgewiesenem Bedarf auf Opus hochzustufen, senkt die Kosten oft erheblich, ohne dass die Qualität dort leidet, wo sie zählt. Für gleichförmige Massenaufgaben ist der Wechsel zu Haiku ein weiterer Sparhebel.
Anthropic ist ein US-Unternehmen. Das bringt – wie bei anderen US-Cloud-Anbietern auch – die bekannten Drittland-Themen mit sich, etwa den Bezug zum US CLOUD Act, der US-Behörden unter bestimmten Voraussetzungen Zugriff auf von US-Unternehmen kontrollierte Daten erlauben kann. Dieses Restrisiko lässt sich durch die Wahl geeigneter Verarbeitungsregionen und Vertragskonstruktionen reduzieren, aber nicht vollständig ausräumen. Für viele geschäftliche Anwendungsfälle ist die Nutzung bei sauberer Gestaltung gut vertretbar; für hochsensible Daten oder Berufsgeheimnisträger ist im Einzelfall genau zu prüfen, ob ein US-Anbieter die richtige Wahl ist.
Wichtige Stellschrauben sind die Verarbeitungsregion (wo verfügbar, eine EU-Region oder ein Cloud-Marktplatz mit EU-Bezug) und die gewählte Edition. Geschäftliche Editionen unterscheiden sich von rein privaten Gratis-Angeboten typischerweise dadurch, dass für eingegebene Daten strengere Regeln gelten – etwa, dass Inhalte nicht ohne Weiteres zum Training verwendet werden. Die genauen, jeweils aktuellen Bedingungen sind beim Anbieter zu prüfen und gehören in die vertragliche Gestaltung.
Wie bei jedem KI-System gilt: Die größte verbleibende Schwachstelle ist oft die eigene Organisation, nicht der Anbieter. Zwei Punkte sind im Mittelstand besonders häufig die Ursache von Problemen. Erstens die unbedachte Eingabe sensibler Daten – ohne klare Regel, welche Datenkategorien in ein KI-Werkzeug gegeben werden dürfen, landen schnell Inhalte dort, die nicht hingehören. Zweitens das Berechtigungskonzept bei angebundenen internen Quellen: Eine KI-gestützte Wissensbasis ist nur so sicher wie die Zugriffsrechte dahinter. Greift ein Assistent auf Quellen zu, die einzelne Mitarbeitende eigentlich nicht sehen dürften, entsteht ein hausgemachtes Datenschutzproblem.
Beides ist mit überschaubarem Aufwand beherrschbar: eine verständliche KI-Nutzungsrichtlinie, klare Regeln zur Dateneingabe, ein sauberes Rollen- und Rechtekonzept und ein offizieller, bequemer Nutzungsweg, der die Schatten-Nutzung überflüssig macht. Diese organisatorischen Maßnahmen sind oft wirksamer als jede technische Einzelmaßnahme.
Für die DSGVO-Bewertung lohnt es sich außerdem, zwischen verschiedenen Datenarten zu unterscheiden. Viele produktive Anwendungsfälle – Texte umformulieren, allgemeine Recherche, Entwürfe erstellen – kommen ganz ohne personenbezogene oder besonders sensible Daten aus und sind datenschutzrechtlich vergleichsweise unkritisch. Anspruchsvoller wird es, sobald personenbezogene Daten von Kunden oder Mitarbeitenden, Geschäftsgeheimnisse oder besonders schützenswerte Kategorien ins Spiel kommen. Eine pauschale Aussage „KI ist datenschutzrechtlich erlaubt oder verboten” führt deshalb in die Irre. Die sinnvolle Vorgehensweise ist, Anwendungsfälle nach Datensensibilität zu sortieren, mit den unkritischen zu beginnen und für die sensibleren gezielt die nötige rechtliche und technische Absicherung aufzubauen – im Zweifel gemeinsam mit den eigenen Fachexperten.
