Der Handel wird digital. Aber weiß auch jeder, welche Daten er gerade verarbeitet?

Einzelhandelsunternehmen erzeugen und verarbeiten täglich enorme Mengen unterschiedlicher Informationen: Kundendaten, Lieferantenkonditionen, Personaldokumente, Preisstrategien, Inventurdaten, Produktinformationen, Verträge, Fotos aus der Filiale und Kommunikation mit externen Partnern.

Diese Informationen entstehen längst nicht mehr ausschließlich in der Zentrale. Sie werden in Filialen, Verteilzentren, mobilen Anwendungen, E-Mails, Teams-Chats, Office-Dokumenten und Fachsystemen verarbeitet. Hinzu kommen neue KI-Anwendungen, die Inhalte zusammenfassen, Dokumente analysieren oder Mitarbeitende bei ihrer täglichen Arbeit unterstützen sollen.

Damit wächst eine entscheidende Herausforderung:

Wie können Beschäftigte schnell erkennen, welche Informationen sie verwenden, mit wem sie diese teilen dürfen und ob eine Verarbeitung durch KI zulässig ist?

Eine abstrakte Sicherheitsrichtlinie allein reicht dafür nicht aus. Datenklassifikation muss im konkreten Arbeitsprozess funktionieren. Sie muss verständlich, technisch wirksam und für Beschäftigte handhabbar sein.

Genau darin liegt die Chance: Eine gut umgesetzte Datenklassifikation ist kein Hindernis für Digitalisierung und KI. Sie ist deren Voraussetzung.

Warum der Einzelhandel besondere Anforderungen stellt

Retail-Unternehmen verbinden zentrale Unternehmensstrukturen mit einer großen Zahl dezentral arbeitender Beschäftigter. Frontline Worker arbeiten häufig unter Zeitdruck, wechseln zwischen verschiedenen Aufgaben und verfügen nicht immer über einen klassischen Büroarbeitsplatz.

Sie bearbeiten beispielsweise:

Kundenanliegen und Reklamationen
Liefer- und Bestandsinformationen
Personaleinsatz- und Abwesenheitsdaten
Fotos, Dokumentationen und Checklisten aus der Filiale
Preis-, Sortiments- und Aktionsinformationen
Lieferantenkommunikation
Schulungs- und Onboarding-Unterlagen
E-Mails, Chats und gemeinsam genutzte Dokumente

In dieser Umgebung darf Informationsschutz nicht davon abhängen, dass jeder Mitarbeitende täglich komplexe Datenschutz-, Sicherheits- und Compliance-Vorgaben interpretiert. Die entscheidenden Regeln müssen dort sichtbar und wirksam werden, wo gearbeitet wird.

Ihre Unterlagen unterscheiden dabei sinnvoll zwischen Informationsklassifizierung und technischer Datenklassifizierung: Die Informationsklassifizierung bewertet Inhalt, Wert, Kritikalität und Schutzbedarf. Die Datenklassifizierung macht Datenbestände auffindbar und ermöglicht es, Sicherheitssysteme sowie Zugriffsrechte technisch zu steuern.

Diese Unterscheidung ist für Retail-Projekte wichtig. Erst muss fachlich geklärt werden, was schutzbedürftig ist. Danach kann technisch umgesetzt werden, wie dieser Schutz durchgesetzt wird.

Was sich aus dem Praxisbeispiel dm lernen lässt

Die von Ihnen erarbeiteten dm-Unterlagen zeigen ein differenziertes Klassifikationsmodell mit den Ebenen:

Unklassifiziert
Öffentlich
Geschäftlich
Vertraulich
Geheim

Für vertrauliche und geheime Informationen kommen zusätzliche Abstufungen hinzu. Sie berücksichtigen, ob Daten intern, gemeinsam mit externen Partnern oder nur innerhalb eines individuell festgelegten Personenkreises verarbeitet werden dürfen.

Das ist für den Einzelhandel besonders wertvoll. Ein reines Schema wie „öffentlich, intern, vertraulich“ beantwortet nämlich noch nicht alle Fragen des Arbeitsalltags:

Darf ein Dokument an einen Lieferanten geschickt werden?
Darf ein externer Dienstleister daran mitarbeiten?
Muss der Inhalt verschlüsselt werden?
Darf das Dokument offline geöffnet werden?
Wer darf Berechtigungen verändern?
Ist die Verarbeitung in einer KI-Anwendung zulässig?

Im dm-Konzept wird „Geschäftlich“ als Standard für normale Arbeitsdokumente, interne Links und IT-Support-Unterlagen verwendet. Vertrauliche Informationen umfassen unter anderem Kundendaten, Bewerbungsunterlagen, Verträge, Auditinformationen, Preis- und Marketingstrategien sowie Dokumentationen der IT-Architektur. Als geheim werden besonders kritische Informationen wie Herstellungsverfahren, Zugangsdaten oder besonders schutzbedürftige personenbezogene Daten eingeordnet.

Eine weitere wichtige Erkenntnis aus dem dm-Merkblatt lautet: Der Erfolg hängt vom bewussten Umgang der Mitarbeitenden mit sensiblen Inhalten ab. Das Konzept muss verständlich sein, Beschäftigte müssen beteiligt werden und es muss Raum für Feedback und Fragen geben.

Technik kann den Menschen unterstützen. Sie kann ihm die Verantwortung aber nicht vollständig abnehmen.

Die größten Herausforderungen in der Praxis

1. Die Klassifikation ist zu kompliziert

Viele Projekte beginnen mit einem sehr detaillierten Modell. Jede mögliche Datenart, Empfängergruppe und technische Ausnahme erhält ein eigenes Label. Fachlich kann das nachvollziehbar sein. Für Beschäftigte entsteht jedoch schnell ein Entscheidungsbaum, der im Alltag kaum noch beherrschbar ist.

Das dm-Modell begegnet diesem Problem, indem bestimmte Varianten nicht standardmäßig angezeigt, sondern nur bei Bedarf bereitgestellt werden. Damit wird die Auswahl übersichtlicher und das Risiko einer falschen Anwendung reduziert. [

Die zentrale Gestaltungsfrage lautet deshalb nicht: Wie viele Klassifikationen können wir technisch abbilden?

Sie lautet: Wie wenige Auswahlmöglichkeiten benötigen die Beschäftigten, um zuverlässig die richtige Entscheidung zu treffen?

2. Labels werden mit Schutz verwechselt

Ein sichtbares Label allein verhindert noch keinen Datenabfluss. Es schafft zunächst Transparenz und Orientierung.

Wirksamer Schutz entsteht erst, wenn das Label mit geeigneten Maßnahmen verbunden ist, beispielsweise:

Verschlüsselung
Zugriffsbeschränkungen
Einschränkung externer Freigaben
Warnungen bei riskanten Aktionen
Data-Loss-Prevention-Regeln
Aufbewahrungs- und Löschvorgaben

Das KöllnService-Konzept fasst diesen Zusammenhang prägnant zusammen: Klassifikation legt den Schutzbedarf fest, Data Security schützt vor unberechtigtem Zugriff und Datenabfluss, Retention sorgt für regelkonforme Aufbewahrung und Löschung.

Oder noch kürzer:

Klassifizieren. Labeln. Schützen.

Dieser Dreiklang ist auch in Ihrem Praxisbericht zur FACC als zentrales Prinzip ausgearbeitet: Schutzbedarf bestimmen, das Label sichtbar und als Metadatum anwenden und anschließend Verschlüsselung, Berechtigungen oder DLP-Regeln wirksam werden lassen.

3. Frontline Worker werden zu spät einbezogen

Klassifikationsmodelle werden häufig aus Sicht von Recht, Informationssicherheit oder IT entworfen. Die konkrete Arbeit in der Filiale kommt erst später hinzu.

Das führt zu typischen Problemen:

Begriffe passen nicht zum Arbeitsalltag.
Mobile Nutzung wird nicht ausreichend getestet.
Externe Zusammenarbeit funktioniert nicht wie erwartet.
Warnungen erscheinen in unpassenden Situationen.
Beschäftigte umgehen die Regeln, weil Prozesse langsamer werden.
Sensible Informationen werden in Chats kopiert, weil das geschützte Dokument zu umständlich erscheint.

Die Lösung liegt nicht in mehr Sanktionen. Sie liegt in einer besseren Gestaltung.

Frontline Worker sollten mit typischen Situationen geschult werden: „Foto aus der Filiale“, „Liste mit Kundendaten“, „E-Mail an den Dienstleister“, „Personaldokument“, „Auszug aus dem Kassensystem“ oder „Frage an einen KI-Assistenten“.

4. Zu viel Verantwortung bleibt beim Endanwender

Wenn jede Schutzentscheidung vollständig manuell getroffen werden muss, steigt die Fehlerwahrscheinlichkeit. Gleichzeitig kann vollständige Automatisierung falsche Klassifikationen erzeugen und Arbeitsprozesse blockieren.

Ein praktikabler Mittelweg besteht aus:

einem sinnvollen Standardlabel
verständlichen Empfehlungen
automatischer Erkennung klar definierter sensibler Inhalte
verpflichtender Klassifikation nur in ausgewählten Situationen
begründbaren Ausnahmen
technischer Durchsetzung bei besonders kritischen Daten
regelmäßiger Überprüfung des Modells

Im dm-Konzept wird ein Standardlabel bei der erstmaligen Bearbeitung in Office-Anwendungen vergeben. Gleichzeitig wird ausdrücklich darauf hingewiesen, dass das Standardlabel Aufmerksamkeit und Umsicht nicht ersetzt.

KI verändert die Risikolage

Generative KI macht vorhandene Informationen schneller auffindbar, kombinierbar und auswertbar. Dadurch werden alte Berechtigungsprobleme plötzlich sichtbar.

Ein KI-Assistent erzeugt nicht automatisch ein neues Berechtigungsproblem. Er kann aber bestehende Fehlberechtigungen wesentlich schneller nutzbar machen. Inhalte, die früher nur zufällig gefunden wurden, können über eine natürliche Frage in einen neuen Kontext einfließen.

Ihre dmTECH-Datenschutz-Folgenabschätzung betrachtet deshalb nicht nur das KI-Modell, sondern unter anderem auch Berechtigungen, Speicherorte, Datenflüsse, Löschung, Information Protection, Drittlandtransfers, Beschäftigtendaten, mögliche Überwachungseffekte, Websuche und AI Agents.

Das zeigt: Eine KI-Einführung ist immer auch ein Data-Governance-Projekt.

Vor einer breiten KI-Nutzung sollten Unternehmen mindestens klären:

Welche Datenbestände kann die KI erreichen?
Sind die Berechtigungen weiterhin fachlich erforderlich?
Welche Daten dürfen für welchen KI-Anwendungsfall genutzt werden?
Welche Daten müssen von KI-Verarbeitung ausgeschlossen werden?
Wie werden Prompts, Ausgaben und hochgeladene Dateien behandelt?
Welche Fachsysteme und Datenquellen werden angebunden?
Wer prüft neue Agents und Automatisierungen?
Wie werden Beschäftigte, Betriebsrat, Datenschutz und Informationssicherheit eingebunden?

Die Datenschutzkonferenz empfiehlt für den Einsatz von KI unter anderem, Zweck, Rechtsgrundlage, Personenbezug, Transparenz, mögliche automatisierte Entscheidungen sowie die Frage eines offenen oder geschlossenen Systems bereits bei Konzeption und Auswahl zu betrachten.

Auch der Landesbeauftragte für Datenschutz und Informationsfreiheit Baden-Württemberg betont den Grundsatz, Datenschutz und KI von Anfang an gemeinsam zu denken.

Ein KI-fähiges Klassifikationsmodell

Klassifikationen sollten künftig nicht nur Vertraulichkeit und Empfängerkreis abbilden. Sie sollten zusätzlich eine verständliche Aussage zur KI-Nutzung ermöglichen.

Ein mögliches Zielbild ist:

Öffentlich

Die Information ist für die Veröffentlichung freigegeben. Eine Verarbeitung mit freigegebenen KI-Werkzeugen ist grundsätzlich möglich, sofern keine zusätzlichen Rechte oder Einschränkungen entgegenstehen.

Intern

Die Information ist für den internen Geschäftsbetrieb bestimmt. Eine Verarbeitung kann in ausdrücklich freigegebenen Unternehmens-KI-Systemen zulässig sein. Externe, nicht genehmigte KI-Dienste bleiben ausgeschlossen.

Business Data

Informationen die intern sind und für den Geschäftsbetrieb, die aber auch Partner und bekannte Externe mitarbeiten dürfen.

Vertraulich, KI freigegeben

Die Information darf nur in festgelegten, vertraglich und technisch geprüften KI-Umgebungen verarbeitet werden. Berechtigungen, Zweck, Empfänger und Dokumentation müssen zum Anwendungsfall passen.

Vertraulich, keine KI-Nutzung

Die Information darf nicht in KI-Systeme eingegeben, hochgeladen oder durch Agents verarbeitet werden.

Streng vertraulich

Der Zugriff wird auf den kleinstmöglichen Personenkreis begrenzt. Zusätzlich können Verschlüsselung, blockierte Weitergabe, Druck- und Kopierbeschränkungen sowie ein Ausschluss der KI-Verarbeitung erforderlich sein.

Ihre interne Label-Struktur sieht bereits eine Unterscheidung zwischen „Vertraulich, KI erlaubt“ und streng vertraulichen Informationen ohne KI-Nutzung vor. Für zugelassene interne KI werden dabei technische Schutzmaßnahmen und die Abgrenzung zu nicht genehmigten externen KI-Diensten vorgesehen.

Das ist aus unserer Sicht der richtige nächste Entwicklungsschritt: Die Frage „Darf KI diese Daten verwenden?“ gehört unmittelbar in das Klassifikations- und Schutzkonzept.

So gelingt die Umsetzung für Frontline Worker

Einfache Sprache statt Compliance-Vokabular

Ein Label muss in wenigen Sekunden verstanden werden. Beschäftigte benötigen eine kurze Beschreibung und konkrete Beispiele aus ihrem Arbeitsbereich.

Nicht: „Informationen mit erheblicher Auswirkung auf Vertraulichkeit und Integrität.“

Besser: „Enthält das Dokument Kundendaten, Personaldaten, nicht veröffentlichte Preise oder Vertragsinformationen? Dann ist es vertraulich.“

Mobile Prozesse von Anfang an testen

Ein Retail-Konzept muss auf gemeinsam genutzten Geräten, Smartphones, Browsern und den tatsächlich eingesetzten Anwendungen funktionieren. Die dm-Unterlagen berücksichtigen ausdrücklich Unterschiede zwischen Desktop-, Browser- und Mobilanwendungen sowie die teilweise unterschiedliche Darstellung von Labels.

Standardfälle automatisieren

Normale Arbeitsdokumente sollten ein geeignetes Standardlabel erhalten. Besonders sensible Informationen können durch definierte Inhaltstypen erkannt werden. Bei riskanten Freigaben kann zunächst gewarnt und bei besonders kritischen Daten blockiert werden.

Schulungen nach Rollen gestalten

Mitarbeitende in Filialen benötigen andere Beispiele als Einkauf, HR, Marketing, Logistik oder Geschäftsführung.

Ihre RTL-Schulungsunterlagen sehen dafür einen Mix aus Intranet, FAQ, Kurzvideos, offenen Sprechstunden, kompakter Schulung und festem Onboarding vor. Die Einführung soll schrittweise und transparent erfolgen.

Schutz ohne Überwachungsgefühl

Beschäftigte müssen nachvollziehen können, dass die Klassifikation dem Schutz von Informationen dient und nicht automatisch ein Instrument zur Leistungs- oder Verhaltenskontrolle ist. Ihre Schulungsunterlagen stellen ausdrücklich klar, dass Labels auf Dokumentenebene greifen und kein Monitoring-Werkzeug darstellen.

Diese Klarheit ist entscheidend für Akzeptanz und Mitbestimmung.

Unser Vorgehen: Von der Richtlinie bis zum wirksamen Schutz

Wir unterstützen Retail-Unternehmen nicht nur bei der technischen Einrichtung einzelner Labels. Unser Ansatz verbindet Recht, Datenschutz, Informationssicherheit, Technik und den tatsächlichen Arbeitsalltag.

1. Analyse und Datenlandkarte

Wir identifizieren relevante Datenarten, Prozesse, Systeme, Rollen, Empfänger und typische Nutzungssituationen in Zentrale, Filialen, Logistik und mobiler Arbeit.

2. Klassifikations- und Schutzkonzept

Wir entwickeln ein verständliches Modell mit klaren Beispielen, Verantwortlichkeiten, externen Freigaberegeln und einer belastbaren Zuordnung technischer Schutzmaßnahmen.

3. KI-Readiness und Governance

Wir prüfen, welche Daten für welche KI-Anwendungsfälle verwendet werden dürfen, welche Anwendungen freigegeben werden können und wo Ausschlüsse erforderlich sind. Datenschutz-Folgenabschätzung, KI-Register, Nutzungsrichtlinie und Beteiligungsprozesse werden dabei zusammengeführt.

4. Technische Umsetzung

Je nach Plattform und Zielbild werden Sensitivity Labels, Verschlüsselung, Berechtigungen, DLP, Retention und weitere Sicherheitskontrollen konzipiert, getestet und eingeführt. Das KöllnService-Modell verbindet diese Elemente über den gesamten Informationslebenszyklus in Exchange, SharePoint, OneDrive und Teams.

5. Pilot mit echten Retail-Szenarien

Wir testen nicht nur technische Funktionen. Wir erproben typische Situationen aus Filiale, Einkauf, HR, Logistik, Kundenservice und externer Zusammenarbeit.

6. Kommunikation, Schulung und dauerhafte Governance

Wir entwickeln rollenbezogene Schulungen, FAQ, Kurzleitfäden und Prozesse für Rückfragen und Ausnahmen. Anschließend wird das Konzept regelmäßig auf neue Datenarten, KI-Anwendungen und veränderte Geschäftsprozesse überprüft.

Datenklassifikation ist kein Etikettenprojekt

Ein Label im Dokument ist sichtbar. Sein eigentlicher Wert entsteht jedoch im Hintergrund.

Es steuert, wer auf Informationen zugreifen darf. Es kann verhindern, dass sensible Daten an die falsche Stelle gelangen. Es unterstützt Aufbewahrung und Löschung. Und es schafft die Grundlage dafür, KI gezielt zuzulassen, statt sie entweder pauschal zu verbieten oder unkontrolliert einzusetzen.

Für den Einzelhandel bedeutet das:

weniger Unsicherheit bei den Beschäftigten
klarere Regeln für Filialen und Zentrale
sicherere Zusammenarbeit mit Lieferanten und Dienstleistern
besserer Schutz von Kunden-, Personal- und Geschäftsdaten
eine belastbare Grundlage für KI und Automatisierung
nachvollziehbare Governance statt isolierter Einzelmaßnahmen

Fazit: Wer KI im Handel nutzen will, muss zuerst seine Daten verstehen

Retail-Unternehmen müssen sich nicht zwischen Produktivität und Datenschutz entscheiden.

Die bessere Antwort ist ein Klassifikationsmodell, das beides miteinander verbindet: einfache Entscheidungen für Beschäftigte, wirksame technische Kontrollen, klare Regeln für externe Zusammenarbeit und eine eindeutige Aussage zur Nutzung von KI.

Die Erfahrungen aus den vorliegenden Projekten zeigen, dass Datenklassifikation dann erfolgreich wird, wenn sie nicht als reines IT-Projekt behandelt wird. Sie muss zu Organisation, Prozessen, Menschen und Anwendungen passen.

KöllnService unterstützt Sie dabei, aus abstrakten Anforderungen ein praxistaugliches Schutzkonzept zu entwickeln. Von der ersten Datenlandkarte über Richtlinie, Datenschutz und Mitbestimmung bis zur technischen Umsetzung, Pilotierung und Schulung Ihrer Frontline Worker.

Möchten Sie wissen, ob Ihre Daten bereits bereit für Copilot, AI Agents und andere KI-Anwendungen sind?

Wir analysieren gemeinsam mit Ihnen:

welche Informationen besonders schutzbedürftig sind,
wo heute Fehlfreigaben und unklare Zuständigkeiten bestehen,
welche Daten mit KI verarbeitet werden dürfen,
welches Klassifikationsmodell zu Ihrem Retail-Unternehmen passt,
und wie sich Schutzmaßnahmen umsetzen lassen, ohne die tägliche Arbeit in den Filialen unnötig zu erschweren.

Sprechen Sie mit uns über einen Data-Classification- und AI-Readiness-Workshop für Ihr Unternehmen. Wir machen aus Datenklassifikation keine zusätzliche Belastung, sondern eine belastbare Grundlage für sicheren Handel und verantwortungsvolle KI.