Maschinelles Lernen vs. Schlüsselwörter: Wie Microsoft Purview riskante Chats erkennt

Von Mirko Peters · 2026-08-13

Willkommen zurück im Blog! Wenn Sie jemals die IT-Infrastruktur oder Compliance für ein modernes Unternehmen verantwortet haben, wissen Sie bereits, wie radikal sich die Unternehmenskommunikation verändert hat…

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Willkommen zurück im Blog! Wenn Sie schon einmal die IT-Infrastruktur oder die Compliance eines modernen Unternehmens verantwortet haben, wissen Sie, wie grundlegend sich die Unternehmenskommunikation im letzten Jahrzehnt verändert hat. Vorbei sind die Zeiten, in denen die Kommunikation sauber in einem E-Mail-Client lief, gebunden an formale Strukturen und vorhersehbare Formatierung. Heute kommunizieren Mitarbeitende in einem weitverzweigten digitalen Ökosystem, zu dem Microsoft-Teams-Chatnachrichten, spontane Antworten in Kanälen, Diskussionen in Viva Engage, mobile Zusammenarbeit und sogar komplexe Interaktionen mit KI-Werkzeugen wie Microsoft 365 Copilot gehören. Diese fließende Umgebung steigert Produktivität, Agilität und Innovation deutlich, bringt aber auch eine völlig neue Art von Risiken am Arbeitsplatz mit sich.

Unternehmen müssen komplexe Herausforderungen meistern, die von Belästigung am Arbeitsplatz und unangemessenem Verhalten über die Offenlegung sensibler Daten und regulatorische Verstöße bis hin zu Insider-Bedrohungen und Interessenkonflikten reichen. Der Schutz eines Unternehmens vor diesen Risiken erfordert eine robuste Überwachung, doch herkömmliche Überwachungsverfahren können mit den Nuancen moderner menschlicher Kommunikation schlicht nicht Schritt halten. In diesem Beitrag tauchen wir tief in die Technologie ein, auf der die Kommunikationsüberwachung von Microsoft Purview basiert. Wir zeigen, wie fortschrittliche Modelle für maschinelles Lernen und ausgefeilte Klassifikatoren weit über einfachen Schlüsselwortabgleich hinausgehen, um komplexe Verhaltensrisiken zu erkennen, und dabei die Privatsphäre der Nutzer respektieren und einen sicheren digitalen Arbeitsplatz fördern.

Einführung in moderne Kommunikationsrisiken am Arbeitsplatz

Um zu verstehen, warum moderne Erkennungstechnologien notwendig sind, müssen wir zunächst genau auf die Bedrohungslage in modernen digitalen Arbeitsumgebungen schauen. Früher konnten sich Compliance-Verantwortliche und Personalfachleute auf periodische Prüfungen, stichprobenartige Durchsicht von E-Mails oder direkte Meldungen verlassen, um Fehlverhalten am Arbeitsplatz aufzudecken. Schnelllebige Chatplattformen wie Microsoft Teams funktionieren jedoch viel eher wie gesprochene Gespräche als wie klassische Briefe oder formale Memos. Menschen verwenden Umgangssprache, Emojis, interne Scherze, Abkürzungen und ungezwungene Formulierungen, die die Absicht hinter einer Nachricht vollständig verändern können.

Hinzu kommt, dass allein die schiere Menge an täglich erzeugten Daten eine manuelle Aufsicht unmöglich macht. Mitarbeitende versenden Millionen von Nachrichten, die alles enthalten, von beiläufigem Small Talk bis hin zu streng vertraulichen Finanzstrategien, personenbezogenen Kundendaten (PII, Personally Identifiable Information) und geistigem Eigentum. Wenn unangemessenes Verhalten, Belästigung oder Insiderhandel vorkommen, sind sie oft tief in weitläufigen Gesprächsverläufen vergraben. Unternehmen brauchen automatisierte Systeme, die das Rauschen durchsuchen, echte Risiken markieren und den Compliance-Teams verwertbare Erkenntnisse liefern, ohne sie mit Fehlalarmen zu überfordern. Hier liegt der grundlegende Mangel veralteter Compliance-Architekturen: die übermäßige Abhängigkeit von starrem Schlüsselwortabgleich.

Die Grenzen des herkömmlichen Schlüsselwortabgleichs

Über viele Jahre stützte sich die automatisierte Inhaltsüberwachung nahezu ausschließlich auf statische Schlüsselwortlisten und reguläre Ausdrücke. Tippte ein Mitarbeitender ein bestimmtes verbotenes Wort oder eine Phrase, löste das System einen Alarm aus. Diese Methode ist zwar einfach einzurichten, leidet aber unter erheblichen operativen Schwächen in realen Geschäftsumgebungen.

Erstens hat der herkömmliche Schlüsselwortabgleich eine notorisch hohe Rate an Fehlalarmen. Stellen Sie sich eine Personalrichtlinie vor, die Gespräche über Belästigung oder Feindseligkeit am Arbeitsplatz erkennen soll. Ein statischer Schlüsselwortfilter könnte eine Nachricht allein deshalb markieren, weil sie Wörter wie „fight“, „pressure“, „target“ oder „deal“ enthält, selbst wenn diese Wörter in einem völlig harmlosen Projektmanagement-Kontext verwendet werden, etwa „Wir müssen kämpfen, um diesen neuen Kunden zu gewinnen“ oder „Das Team steht unter großem Druck, das Software-Release für Q3 zu liefern“. Compliance-Verantwortliche werden schnell von Warnmeldungen überschwemmt, was zu Alarmmüdigkeit führt, durch die echte Risiken versehentlich übersehen werden.

Zweitens sind böswillige Akteure und unzufriedene Mitarbeiter erfahrungsgemäß sehr erfinderisch. Sie können einfache Stichwortfilter leicht umgehen, etwa durch absichtliche Falschschreibungen, Leetspeak, Emojis, Metaphern oder verschlüsselte Sprache. Ist ein Filter darauf programmiert, bestimmte verbotene Begriffe zu suchen, genügt einem böswilligen Insider oft schon, ein paar Buchstaben zu verändern oder ein Synonym zu verwenden, um der Erkennung vollständig zu entgehen. Der Schutz eines modernen Unternehmens erfordert daher klar mehr als starre Wörterlisten. Notwendig ist echtes kontextuelles Verständnis.

Wie trainierbare Klassifikatoren behavioralen Kontext erfassen

Hier verändern künstliche Intelligenz und maschinelles Lernen die Lage grundlegend. Microsoft Purview nutzt fortschrittliche trainierbare Klassifikatoren, um breitere Muster menschlichen Verhaltens und die Kommunikationsabsicht zu erkennen, statt lediglich nach exakten Zeichenfolgen zu suchen.

Ein trainierbarer Klassifikator ist ein Modell für maschinelles Lernen, das Sie anhand von Beispieldaten darauf trainieren können, bestimmte Arten von Inhalten zu erkennen. Anstatt dem System vorzugeben „Suche nach genau diesen Wörtern“, stellen Sie dem Modell Beispiele für positive Treffer bereit, also Nachrichten mit Belästigung, Schimpfwörtern, Drohungen oder Verstößen gegen Vorschriften, sowie für negative Treffer, also unbedenkliche, alltägliche Geschäftskommunikation. Der Algorithmus analysiert die zugrunde liegende Semantik, den Satzbau, den Tonfall und die Zusammenhänge zwischen den Wörtern.

Wenn ein Mitarbeiter eine Nachricht in Microsoft Teams sendet oder in einer Viva-Engage-Community zusammenarbeitet, bewertet der trainierbare Klassifikator den gesamten semantischen Kontext. Er erkennt Feindseligkeit, aggressive Verhandlungen oder unangemessene Annäherungsversuche, auch wenn keine der klassischen „Triggerwörter“ vorkommt. Indem das System den Gesprächsverlauf berücksichtigt, also die vorangegangenen und nachfolgenden Nachrichten, entsteht ein genaues Bild der Absicht. So sinkt die Zahl der Fehlalarme deutlich, und Versuche, Compliance-Kontrollen zu umgehen, werden zuverlässiger erkannt.

Erkennung sensibler Informationen und strukturierter Daten

Verhaltensrisiken wie Belästigung oder Insider-Bedrohungen erfordern maschinelles Lernen, um Tonfall und Absicht zu interpretieren. Der Schutz strukturierter Daten verlangt dagegen eine andere Form von Präzision. Unternehmen müssen ständig auf die versehentliche oder absichtliche Offenlegung sensibler Informationen achten, etwa Kreditkartennummern, nationale Ausweisnummern, Gesundheitsakten und vertrauliche Finanzdaten.

Dafür nutzt Microsoft Purview robuste Sensitive Information Types (SITs). Anders als unscharfe Verhaltensklassifikatoren verwenden SITs präzise mathematische Formeln, Prüfsummenvalidierung und Mustererkennung, um strukturierte Daten zu identifizieren. Ein SIT für Kreditkarten sucht beispielsweise nicht einfach nach einer 16-stelligen Zahl. Er prüft die Issuer-Identifikationsnummer und validiert die Prüfsumme, damit sichergestellt ist, dass es sich um eine echte Kartennummer handelt und nicht um eine zufällige Seriennummer eines Softwareprodukts.

Darüber hinaus kombiniert Purview SITs mit Näheanalysen und Schlüsselwortwörterbüchern. Eine Nachricht, in der ein Name und eine Adresse einer Person vorkommen, mag völlig harmlos sein. Enthält dieselbe Nachricht jedoch eine Reisepassnummer und Bankverbindungsdaten in unmittelbarer Nähe, erkennt das System die höhere Risikostufe. Zusätzlich können Funktionen zur optischen Zeichenerkennung (OCR) Bilder in Chats oder hochgeladenen Dokumenten auswerten. So fallen auch sensible Daten, die in Screenshots oder Infografiken versteckt sind, nicht durch die Sicherheitsvorkehrungen des Unternehmens.

Automatisierte Erkennung mit menschlicher Prüfung und Datenschutz in Einklang bringen

Ein besonders wichtiger Aspekt eines wirksamen Compliance-Programms ist die Erkenntnis, dass automatisierte Werkzeuge Hinweise liefern, aber keine endgültigen Urteile fällen. Künstliche Intelligenz und maschinelles Lernen sind hervorragend darin, Millionen von Kommunikationsvorgängen auf eine überschaubare Liste potenzieller Risiken einzugrenzen. Die letzte Entscheidung über arbeitsrechtliche Maßnahmen sollte jedoch niemals bei ihnen liegen.

Microsoft Purview ist auf den Grundsatz verantwortungsvoller Governance und menschlicher Prüfung ausgelegt. Wenn eine Nachricht eine konfigurierte Compliance-Richtlinie auslöst, wandert sie in einen sicheren, rollenbasierten Prüfprozess. Geschulte Prüfer, etwa Compliance-Beauftragte, Personalspezialisten oder Rechtsberater, können die markierte Nachricht im vollständigen Gesprächskontext untersuchen. Sie können den Verlauf des Threads einsehen, den umgebenden Dialog bewerten und feststellen, ob tatsächlich ein Richtlinienverstoß vorliegt.

Ebenso wichtig sind die eingebauten Datenschutzmechanismen. Die Überwachung von Mitarbeitenden kann schnell zu Konflikten führen, wenn keine klaren Leitplanken festgelegt werden. Purview unterstützt Funktionen wie die Pseudonymisierung, bei der Benutzernamen für Prüfer ausgeblendet werden können, bis eine bestimmte Eskalationsschwelle erreicht ist. So bleiben Untersuchungen fair, verhältnismäßig und respektvoll gegenüber den Datenschutzrechten, während gleichzeitig eine strikte Nachvollziehbarkeit und lückenlose Prüfprotokolle gewährleistet sind.

Communication Compliance im größeren Microsoft Purview-Ökosystem einbinden

Wirksames Compliance-Management findet nicht im luftleeren Raum statt. Die Überwachung von Chats am Arbeitsplatz ist nur ein Teil eines deutlich größeren Puzzles aus Data Governance und Sicherheit. Microsoft Purview integriert Communication Compliance nahtlos in eine Vielzahl ergänzender Dienste im Microsoft 365-Ökosystem.

Die Überwachungsprotokolle, die Microsoft Purview Audit erfasst, dokumentieren beispielsweise administrative Aktionen und Benutzeraktivitäten im gesamten Mandanten. Mit den Inhaltssuche-Tools können Ermittler verwandte E-Mails, Dokumente und Zusammenarbeitsinhalte in der gesamten Umgebung finden. Wenn sich ein Compliance-Problem zu einem formellen Rechtsfall entwickelt, unterstützt Microsoft Purview eDiscovery die Rechtsabteilungen dabei, Beweismittel zu sichern, Dateninhaber zu verwalten und sichere Prüffälle aufzubauen. Data Loss Prevention (DLP)-Richtlinien verhindern unterdessen proaktiv riskante Datenübertragungen auf Endgeräten oder in der Cloud, während Communication Compliance die zwischenmenschliche Dynamik dessen prüft, was tatsächlich kommuniziert wird.

Zusammen bilden diese integrierten Funktionen eine umfassende Compliance-Plattform. Sie hilft Organisationen, sensible Daten zu schützen, komplexe branchenspezifische Vorschriften einzuhalten und eine gesunde, sichere Unternehmenskultur zu fördern.

Fazit: Einen sichereren und konformeren digitalen Arbeitsplatz aufbauen

Digitale Zusammenarbeitstools entwickeln sich ständig weiter, und die Strategien zu ihrer Absicherung müssen mitwachsen. Veraltete Stichwortlisten reichen nicht mehr aus, um moderne Organisationen vor Verhaltensrisiken, Belästigung, Datenlecks und regulatorischen Strafen zu schützen. Indem Microsoft Purview die semantische Stärke trainierbarer Klassifizierer auf Basis von maschinellem Lernen mit präzisen Typen sensibler Informationen und strukturierten Prüfprozessen mit menschlicher Beteiligung kombiniert, schafft es die Transparenz, die Organisationen benötigen, ohne die Privatsphäre der Benutzer zu gefährden oder Compliance-Teams in Fehlalarmen untergehen zu lassen.

Wenn Sie tiefer einsteigen möchten, wie Sie diese Werkzeuge in Ihrer eigenen Organisation praktisch einsetzen können, sollten Sie sich die passende Podcast-Folge ansehen: Communication Compliance - Simply Explained. In dieser Folge erläutern wir diese Konzepte in verständlicher Sprache und geben IT-Administratoren, Sicherheitsanalysten und Compliance-Verantwortlichen praktische Hinweise, wie sie sicherere und konforme digitale Arbeitsplätze aufbauen.