Die Rolle der künstlichen Intelligenz (KI) in der modernen Cybersicherheit

Eine von einem Sprachmodell erstellte Phishing-E-Mail erzielt eine Klickrate von 54 % – mehr als viermal so hoch wie die einer handgeschriebenen Köder-E-Mail. Im Bereich der Cybersicherheit erkennt dieselbe Technologie Kontoübernahmen und Insiderbedrohungen mittlerweile innerhalb von Minuten statt Tagen. Künstliche Intelligenz (KI) hat sich zur dynamischsten Größe in der Cybersicherheit entwickelt und spielt gleichzeitig auf beiden Seiten des Konflikts eine wichtige Rolle.

Veröffentlicht: Dezember 2023. Aktualisiert: August 2026. Geprüft vom Security Engineering and Cryptographic Advisory Team von Encryption Consulting.

Dies ist keine rein kryptografische Frage. KI in der Cybersicherheit umfasst Erkennungstechnik, Sicherheitsbetrieb, Betrugsbekämpfung und Social Engineering sowie eine zunehmende Überschneidung mit Verschlüsselung und Public-Key-Infrastruktur (PKI). Denn KI-Modelle, -Agenten und die zugrunde liegenden Datenpipelines benötigen alle eine Identität, und die Identitätssicherung in Unternehmen basiert weiterhin auf Zertifikaten und Schlüsseln. Der Rest dieses Artikels beleuchtet beide Aspekte: Was KI für Verteidiger leistet, was sie für Angreifer leistet und wo sie die kryptografischen Kontrollmechanismen berührt, die Encryption Consulting hauptberuflich entwickelt.

Wie verändert KI die Cybersicherheitsverteidigung?

KI verändert die Verteidigung, indem sie Muster in Datenmengen erkennt, die kein Analystenteam manuell auswerten kann, und anschließend schneller auf diese Muster reagiert, als es ein menschlicher Reaktionszyklus ermöglicht. Vier Funktionen tragen maßgeblich zu diesen Vorteilen bei.

Anomalie- und Verhaltenserkennung (UEBA)

UEBA-Modelle (User and Entity Behavior Analytics) erstellen für jedes Konto eine Basislinie normaler Anmeldezeiten, Datenzugriffsvolumina und Netzwerkpfade und kennzeichnen Abweichungen. So erkennt KI Insiderbedrohungen oder kompromittierte Zugangsdaten, die keine signaturbasierte Regel auslösen, da die Anmeldung selbst legitim erscheint; lediglich das Verhalten im Zusammenhang damit ist verdächtig.

Automatisierte Triage und Reaktion

Security Operations Center (SOCs) nutzen KI, um Warnmeldungen aus SIEM-, EDR- und Cloud-Protokollen zu korrelieren, Duplikate und irrelevante Meldungen herauszufiltern und erste Maßnahmen wie die Isolierung eines Hosts oder die Deaktivierung einer Sitzung zu empfehlen oder auszulösen. Dies ist der wichtigste Faktor für die Reaktionszeit (Mean Time to Response, MTTR), die maßgeblich das Ausmaß des Schadens nach einem Sicherheitsvorfall bestimmt.

Phishing- und Social-Engineering-Erkennung

E-Mail-Sicherheitsplattformen nutzen heute Sprachmodelle, um die Absicht von Nachrichten, das Verhalten des Absenders und sprachliche Muster zu bewerten, anstatt sich nur auf bekannte schädliche Links oder Hashwerte von Anhängen zu verlassen. Dies gewinnt jährlich an Bedeutung, da die Phishing-E-Mails, vor denen sie schützen, zunehmend von KI erstellt werden.

Code- und Schwachstellenscan

KI-gestützte statische und dynamische Analysetools scannen Quellcode und Abhängigkeiten schneller und mit weniger Fehlalarmen nach bekannten Schwachstellen als rein regelbasierte Scanner. Dadurch können Entwicklungsteams Fehler vor der Veröffentlichung und nicht erst nach einem Vorfall erkennen.

Wie verändert KI das Werkzeugset des Angreifers?

KI senkt die Kosten und erhöht die Qualität von Angriffen, die früher echtes Können oder manuellen Aufwand erforderten. Drei Trends sind für Sicherheitsteams, die ein Bedrohungsmodell für 2026 entwickeln, besonders wichtig.

Deepfakes und Betrug mit synthetischen Identitäten

Sprach- und Video-Deepfakes werden mittlerweile routinemäßig bei Betrugsversuchen mit Geschäftskorrespondenz (Business Email Compromise, BEC) und Lieferantenzahlungen eingesetzt. Dabei gibt sich ein Angreifer in einem Live-Anruf als Finanzvorstand oder Ansprechpartner eines Lieferanten aus. Pindrop verzeichnete einen Anstieg der Betrugsversuche mit Sprach-Deepfakes gegen Callcenter von etwa einem pro Monat auf rund sieben pro Tag im Jahr 2024. Das Center for Financial Services von Deloitte prognostiziert, dass die durch generative KI gestützte Betrugsverluste in den USA bis 2027 auf 40 Milliarden US-Dollar ansteigen könnten, gegenüber 12.3 Milliarden US-Dollar im Jahr 2023 ( Deloitte ). Die menschliche Treffsicherheit beim Erkennen von Video-Deepfakes liegt in unabhängigen Tests nahe am Zufall. Daher muss die Erkennung technisch fundiert sein und darf nicht allein auf geschulter Aufmerksamkeit beruhen.

KI-generierte Phishing-Angriffe und Kompromittierung von Geschäfts-E-Mails

Generative Modelle erstellen mittlerweile grammatikalisch korrekte, kontextbezogene Phishing-E-Mails in großem Umfang, personalisiert anhand von ausgelesenen LinkedIn-Daten und kompromittierten Mailinglisten. Das Internet Crime Complaint Center (IC3) des FBI verzeichnete für 2025 gemeldete Cyberkriminalitätsschäden in Höhe von rund 20.9 Milliarden US-Dollar, wobei Business Email Compromise und Phishing-ähnliche Betrugsmaschen zu den größten Kategorien zählten ( FBI IC3 Jahresbericht 2025 ). Die Verteidigungsstrategie besteht in der gleichen KI-gestützten E-Mail-Filterung wie oben beschrieben, die angesichts der sich ständig verbessernden Phishing-Methoden stets auf dem neuesten Stand gehalten wird.

Widersprüchliches maschinelles Lernen

Adversarial ML-Angriffe zielen auf das KI-System selbst ab: Datenvergiftung manipuliert einen Trainingsdatensatz, sodass das Modell falsche Muster lernt; Ausweichangriffe erzeugen Eingaben, die einen Klassifikator umgehen; und Prompt Injection manipuliert die Anweisungen eines LLM durch dessen eigene Eingabe. MITRE ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems) ist hier die Standardreferenz und katalogisiert diese Techniken analog zu MITRE ATT&CK für konventionelle Angriffstechniken. Anfang 2026 dokumentierte MITRE ATLAS 16 Taktiken und 84 Techniken speziell für KI- und ML-Systeme . Jede Organisation, die KI für Sicherheitszwecke einsetzt, sollte davon ausgehen, dass ihre eigenen Modelle ein Ziel und nicht nur ein Werkzeug sind.

Für einen detaillierteren Einblick in eine dieser Angriffsklassen im Speziellen siehe den Leitfaden von Encryption Consulting zu Prompt-Injection-Angriffen und die Aufschlüsselung der Bedrohungen und Gegenmaßnahmen durch generative KI des Education Center.

Wo treffen KI, Verschlüsselung und PKI aufeinander?

KI und Kryptographie überschneiden sich auf drei konkrete Arten: KI hilft bei der Sicherung kryptographischer Infrastrukturen, Kryptographie sichert KI-Systeme, und KI-Modelle selbst benötigen die Identitäts- und Schlüsselverwaltungsmechanismen, die jedes andere Produktionssystem bereits besitzt.

KI-gestützte Erkennung von Zertifikats- und Schlüsselanomalien

Maschinelle Lernmodelle, angewendet auf Zertifikatstransparenzprotokolle, Ausstellungsdatensätze von Zertifizierungsstellen (CAs) und Telemetriedaten zur Schlüsselnutzung, können Fehlausstellungen, unautorisiertes Verhalten von Zertifizierungsstellen, schwache oder doppelte Schlüssel sowie ungewöhnliche Schlüsselzugriffsmuster erkennen, lange bevor dies bei einer manuellen Prüfung auffallen würde. Es handelt sich um dieselbe Anomalieerkennungslogik, die bereits beschrieben wurde, nur angewendet auf Zertifikate und Schlüssel anstelle von Benutzersitzungen.

KI-gestützte Krypto-Agilität und kryptografisches Inventar

Was nicht inventarisiert ist, lässt sich weder sichern, migrieren noch automatisieren. Tools wie CBOM Secure von Encryption Consulting nutzen automatisierte Erkennung und Klassifizierung, zunehmend KI-gestützt, um eine kryptografische Stückliste (CBOM) für ein gesamtes Unternehmen zu erstellen: welche Algorithmen, Schlüssellängen, Zertifikate und Bibliotheken verwendet werden und wo. Dieses Inventar ist die Voraussetzung für Krypto-Agilität, also die Fähigkeit, einen schwachen oder veralteten Algorithmus auszutauschen, ohne das System komplett neu aufbauen zu müssen. Es bildet die Grundlage, die ein KI-gestütztes Sicherheitstool benötigt, um kryptografische Risiken korrekt einzuschätzen. Ein KI-Modell, das mit einem unvollständigen Inventar trainiert wurde, wird die Assets übersehen, die es nie erfasst hat.

Schlüsselverwaltung für KI-Modelle und Agenten

Autonome KI-Agenten, die APIs aufrufen, Daten verschieben oder im Auftrag eines Sicherheitsteams Aktionen ausführen, benötigen – genau wie ein Dienstkonto oder eine Maschine – eine verifizierbare Identität. Diese Identität ist typischerweise ein kurzlebiges Zertifikat, das über eine PKI ausgestellt und rotiert wird, und kein statischer API-Schlüssel oder gemeinsames Geheimnis. Denn eine statische Berechtigung, die einem autonomen Agenten übergeben wird, ist ein dauerhaftes Ziel. Die Funktionsweise der Anwendung von Mutual TLS (mTLS) und zertifikatsbasierter Identität für den Datenverkehr zwischen Agenten, zwischen Agenten und Modellen sowie zwischen Orchestratoren und Workern wird im Leitfaden von Encryption Consulting zur Sicherung der KI-zu-KI-Kommunikation mit privater PKI erläutert.

Auswahl KI-gestützter Sicherheitstools: Worauf es ankommt

Nicht jedes als „KI-gestützt“ vermarktete Produkt verwendet dieselbe Technologie, und die gewählte Technologie bestimmt die tatsächlichen Stärken des Tools. Prüfen Sie diese Kriterien vor dem Kauf.

• Modelltyp und Passform

  Überwachte Klassifikatoren eignen sich gut für bekannte Angriffsmuster mit entsprechenden Trainingsdaten (z. B. Malware-Familien, bekannte Phishing-Kits). Unüberwachte Anomalieerkennung ist für neuartige oder Insider-Bedrohungen geeignet, für die keine entsprechenden Beispiele vorliegen. Große Sprachmodelle eignen sich für Aufgaben der natürlichen Sprachverarbeitung wie die Zusammenfassung von Warnmeldungen und die Analyse von Phishing-Inhalten, nicht jedoch für die deterministische Klassifizierung. Ein Anbieter sollte klar angeben können, in welche Kategorie sein Modell fällt.

• Falsch-positive und falsch-negative Raten, angegeben in Zahlen.

  Bitten Sie um einen Vergleichswert anhand Ihrer eigenen Protokolldateien, nicht um eine Marketingaussage. Eine hohe Rate falsch positiver Ergebnisse führt zu einer Überlastung mit Warnmeldungen und dazu, dass das Tool ignoriert wird; eine hohe Rate falsch negativer Ergebnisse ist noch schlimmer und schwerer zu erkennen.

• Erklärbarkeit

  Kann das Tool die Gründe für die Meldung so darstellen, dass ein Analyst darauf reagieren kann? Eine Blackbox-Bewertung ohne Begründung verlangsamt die Untersuchung und erschwert die Verteidigung des Tools bei einem Audit oder einer Nachbesprechung eines Vorfalls.

• Integration und Datenformatkompatibilität

  Prüfen Sie, ob es Ihre bestehenden SIEM-, EDR- und Cloud-Logformate ohne benutzerdefinierte Pipeline verarbeiten kann und ob die Ausgabe Ihren SOAR-Playbooks entspricht. Ein Tool, das die Neuformatierung jeder Datenquelle erfordert, verursacht zusätzliche Betriebskosten, die die Zeitersparnis zunichtemachen.

• Datenresidenz und Umgang mit Trainingsdaten

  Informieren Sie sich, ob Ihre Protokolle und Telemetriedaten in das gemeinsame Modell des Anbieters einfließen, in einer mandantenisolierten Instanz verbleiben oder Ihre Umgebung überhaupt verlassen. Dies ist eine Frage der Vertragsgestaltung und Compliance, nicht nur eine technische.

• Steuerung durch den Menschen

  Vergewissern Sie sich, dass das Tool einen reinen Erkennungsmodus oder einen genehmigungsgesteuerten Modus unterstützt, bevor es autonomes Handeln ermöglicht, und dass die Genehmigungssteuerung tatsächlich durchgesetzt wird und nicht nur verfügbar ist.

Ein ausgewogenes Bedrohungsmodell: Anwendungsfälle, Nutzen und Risiko der KI-Sicherheit

Ein hilfreiches Bedrohungsmodell betrachtet KI als Dual-Use-Technologie: Jede Implementierung birgt sowohl einen defensiven Nutzen als auch ein entsprechendes Risiko, das kontrolliert werden muss. Die folgende Tabelle ordnet gängige Anwendungsfälle beiden Aspekten zu.

Anwendungsfall für KI-Sicherheit	Defensivwert	Primäres Risiko
UEBA / Anomalieerkennung	Hoch: Erkennt Bedrohungen mit unbekanntem Muster und Insiderrisiken	Mittel: Falsch-Positive, Modelldrift bei Änderungen des Normalverhaltens
SOC-Alarm-Triage und automatisierte Reaktion	Hoch: Kürzungen bedeuten kürzere Reaktionszeit	Mittel bis hoch: Autonomes Handeln benötigt strenge Schutzmechanismen.
KI-gesteuerte Phishing- und E-Mail-Filterung	Hoch: Fängt KI-generierte Köder, charakteristische Werkzeuge verfehlen	Niedrig bis mittel: Ausweichstrategien des Gegners, neuartige Köderformate
KI-gestützte Code- und Schwachstellenanalyse	Mittel bis hoch: Findet Fehler schneller, vor der Veröffentlichung	Medium: Falsch-Negative bei neuartigen Logikfehlern
KI-gestützte Erkennung von Zertifikats- und Schlüsselanomalien	Mittel bis hoch: Oberflächenfehler und Schlüsselmissbrauch frühzeitig	Mittel: Die Genauigkeit hängt vollständig von der Vollständigkeit des Inventars ab.
Generative KI-Copiloten für Sicherheitsanalysten	Medium: beschleunigt Ermittlung und Dokumentation	Mittel bis hoch: Prompt-Injection, Datenleck in Prompts
Autonome KI-Agenten mit Systemzugriff	Medium: erweitert die Abdeckung über die menschlichen Stunden hinaus.	Hoch: Vergrößert die Angriffsfläche, erfordert eine starke Agentenidentität und Schlüsselverwaltung

Wie man KI-Sicherheitstools einführt: Ein schrittweiser Prozess

Die meisten fehlgeschlagenen KI-Sicherheitsimplementierungen scheitern bei der Einführung, nicht am Modell selbst. Befolgen Sie diese Vorgehensweise, anstatt autonome Funktionen standardmäßig zu aktivieren.

1. Erstellen Sie zunächst eine Bestandsaufnahme Ihrer Datenquellen und gegebenenfalls Ihrer kryptografischen Vermögenswerte, denn ein KI-Tool ist nur so gut wie die Daten, auf denen seine Berechnungen basieren.
2. Definieren Sie das Bedrohungsmodell und die Erfolgsmetriken für den spezifischen Anwendungsfall, bevor Sie Anbieter evaluieren, anstatt eine allgemeine „KI-Sicherheitsplattform“ zu kaufen.
3. Testen Sie das Tool zunächst im reinen Erkennungsmodus oder im Schattenmodus anhand von realem Produktionsdatenverkehr, bevor Sie ihm eine Antwortberechtigung erteilen.
4. Optimieren Sie die Falsch-Positiv-Rate anhand Ihrer eigenen Umgebung und integrieren Sie die Ergebnisse in Ihre bestehenden SIEM- und SOAR-Playbooks.
5. Fügen Sie explizite Genehmigungsmechanismen mit menschlicher Beteiligung hinzu, bevor Sie autonome oder irreversible Reaktionsmaßnahmen zulassen.
6. Erweitern Sie Ihre bestehenden Kontrollmechanismen für Identitäts- und Schlüsselverwaltung auf das KI-System selbst, einschließlich aller Agentenidentitäten, die es erstellt oder verwendet.
7. Überwachen Sie das Modell auf Abweichungen und überprüfen Sie die Erkennungsgenauigkeit regelmäßig, mindestens jedoch vierteljährlich, da sich sowohl das Verhalten der Angreifer als auch Ihre eigene Umgebung ändern können.

Abwägungen zwischen Leistung und Interoperabilität

KI-Sicherheitstools verursachen reale Betriebskosten, die bei einer Machbarkeitsstudie selten sichtbar werden.

• Inferenzlatenz

  Die Echtzeit-Inline-Erkennung (Blockierung einer Anfrage vor deren Abschluss) erfordert Modelle mit geringer Latenz, typischerweise klassische ML-Modelle anstelle großer Sprachmodelle. Batch- oder nahezu Echtzeit-Analysen können hingegen komplexere Modelle mit höherer Genauigkeit verarbeiten.

• Berechnung und Kosten im großen Maßstab

  Die Anwendung großer Sprachmodelle auf jede Logzeile oder jede E-Mail ist teuer; die meisten Produktionsumgebungen wenden das LLM selektiv an, nachdem ein kostengünstigeres klassisches Modell das Feld eingegrenzt hat.

• Aufwand für die Datennormalisierung

  Die größte versteckte Kostenfalle bei einer Implementierung ist in der Regel die Versorgung eines Modells mit konsistenten, gut gekennzeichneten Daten aus einem Dutzend unterschiedlicher Tools (Firewalls, EDR, Cloud-Audit-Logs, Zertifizierungsstellen), nicht das Modell selbst.

• Abhängigkeit von einem Anbieter bei den Trainingsdaten

  Ein Modell, das stark auf das proprietäre Telemetrieformat eines Anbieters trainiert wurde, kann schwer zu portieren sein, wenn Sie später den SIEM- oder EDR-Anbieter wechseln.

Bereitstellungsbeispiele

Anhand einiger konkreter Beispiele lässt sich erkennen, wie sich dies in der Praxis und nicht nur abstrakt auswirkt.

• Erkennung von Bankbetrug

  Eine Retailbank nutzt UEBA zur Auswertung von Transaktions- und Login-Telemetriedaten, um Kontoübernahmeversuche in Echtzeit zu erkennen und so das Zeitfenster zwischen Kompromittierung und Entdeckung von Tagen auf Minuten zu verkürzen.

• SOC-Alarm-Triage in hybriden Cloud-Umgebungen

  Ein Enterprise SOC nutzt einen KI-Copiloten, um Warnmeldungen aus lokalen AD CS-Protokollen, Cloud-Audit-Trails und EDR-Telemetrie in einer einzigen priorisierten Warteschlange zu korrelieren und so das Warnmeldungsvolumen für Analysten um eine Größenordnung zu reduzieren.

• Kryptografisches Inventar und Krypto-Agilität

  CBOM Secure nutzt die automatisierte Erkennung und Klassifizierung von Zertifikaten, Schlüsseln und Bibliotheken, um ein Live-Kryptografieinventar aufzubauen, das sowohl die Grundlage für das Aufspüren kryptografischer Anomalien als auch für die Planung einer Post-Quanten-Migration bildet.

• E-Mail-Sicherheit für Unternehmen

  Eine Organisation setzt KI-basierte E-Mail-Filter ein, die speziell auf KI-generierte Phishing-Muster abgestimmt sind, sowie Standard-Absenderauthentifizierungskontrollen (SPF, DKIM, DMARC).

• Identität eines autonomen Agenten

  Ein DevOps-Team stellt kurzlebige, PKI-gestützte Zertifikate für autonome KI-Agenten aus, die interne APIs aufrufen, sodass jede Agentenaktion kryptografisch zuordenbar und widerrufbar ist, anstatt durch ein langlebiges gemeinsames Geheimnis authentifiziert zu werden.

Einschränkungen

Künstliche Intelligenz ist kein Ersatz für ein Sicherheitsprogramm und weist reale, gut dokumentierte Schwachstellen auf.

• Falsch-Positive und falsch-Negative

  Jedes Modell hat eine Fehlerrate. Ein falsch negatives Ergebnis bei einem gezielten Angriff ist der kostspieligste Fehler und am schwierigsten zu erkennen, da das Modell ihn definitionsgemäß nicht erkannt hat.

• Modellbetrieb

  Ein Modell, das auf Basis des Verhaltens aus dem Vorjahr trainiert wurde, verschlechtert sich mit der Veränderung der Umgebung, der Benutzerpopulation und der Taktiken der Angreifer und muss regelmäßig neu trainiert oder angepasst werden, nicht nur einmalig bereitgestellt werden.

• Erklärbarkeitslücken

  Insbesondere Deep-Learning-Modelle können eine Risikobewertung ohne nachvollziehbare Begründung erzeugen, was die Untersuchung verlangsamt und in regulierten Branchen ein Compliance-Problem darstellen kann.

• Adversarisches Risiko für das Modell selbst

  Datenvergiftung, Datenumgehung und proaktives Einschleusen von Daten, die in MITRE ATLAS katalogisiert sind, zielen direkt auf das KI-System ab. Ein Sicherheitstool, das selbst nicht gegen diese Techniken geschützt ist, kann zur Schwachstelle werden, die es eigentlich schließen sollte.

• Selbstzufriedenheit mit der Automatisierung

  Teams, die sich zu sehr auf die automatisierte Triage verlassen, hören auf, die Grenzfälle zu überprüfen, für deren Erkennung ein Modell nie trainiert wurde – und genau dort lauert ein ausgeklügelter, gezielter Angriff.

• Datenschutz und Datenlecks

  Wenn sensible Protokolle, Code oder Kundendaten in einen generativen KI-Copiloten eingespeist werden, ohne klare Garantien für den Umgang mit Daten, kann dies ein neues Risiko schaffen, dem das Unternehmen zuvor nicht ausgesetzt war.

Was würde Encryption Consulting empfehlen?

Beginnen Sie mit dem Inventar, nicht mit dem KI-Tool. Die meisten Organisationen, die Schwierigkeiten haben, den Nutzen KI-gestützter Sicherheitsprodukte auszuschöpfen, übersehen die kryptografischen und Asset-Daten, die das Modell für korrekte Schlussfolgerungen benötigt. Deshalb dient CBOM Secure als Erkennungs- und Klassifizierungsebene, bevor Tools zur Krypto-Agilität oder Anomalieerkennung Entscheidungen treffen. Ergänzen Sie dies mit einer Beratung zur Verschlüsselung, um die aus dem Inventar abgeleitete Roadmap für Krypto-Agilität zu steuern. So erkennen Sie, wie die kontinuierliche Verwaltung Ihrer kryptografischen Sicherheitslage – und nicht nur eine punktuelle Prüfung – dafür sorgt, dass Ihr Inventar auch bei sich ändernden Umgebungsbedingungen aktuell bleibt.

Zweitens sollte jeder KI-Agent von Anfang an als Maschinenidentität behandelt werden. Ein autonomer Agent, der interne Systeme aufruft, benötigt dieselbe kurzlebige, zertifikatbasierte Identität und denselben Widerrufspfad wie jedes andere Dienstkonto – keinen statischen API-Schlüssel, der sofort nach einem Datenleck zu einem permanenten Risiko wird. Die PKI-as-a-Service- und Private-PKI-Angebote von Encryption Consulting erweitern dieses Identitätsmodell auf den Agent-zu-Agent- und Agent-zu-Modell-Verkehr, wie im oben erwähnten Leitfaden zur KI-zu-KI-Kommunikation detailliert beschrieben.

Drittens sollte für alle automatisierten Aktionen, die über ein geringes Risiko hinausgehen, eine menschliche Genehmigungsinstanz beibehalten werden. Diese Instanz sollte regelmäßig überprüft werden, sobald sich die Erfolgsbilanz des Tools verbessert hat, anstatt sie gleich am ersten Tag zu entfernen, nur weil die Demo des Anbieters einen überzeugenden Eindruck machte.

Fazit

Künstliche Intelligenz (KI) hat sich von einem experimentellen Zusatz zu einem Kernbestandteil sowohl der Cybersicherheitsabwehr als auch des Werkzeugkastens moderner Angreifer entwickelt. 2026 ist nicht das Jahr, in dem diese Entwicklung als optional betrachtet werden sollte. Defensiv gesehen ist KI besonders stark in der Anomalieerkennung, der automatisierten Priorisierung von Anfragen und dem Aufspüren von Phishing-Angriffen, die selbst immer schwerer mit bloßem Auge zu erkennen sind. Offensiv gesehen haben Deepfakes und KI-generiertes Social Engineering bereits Milliardenschäden durch Betrug verursacht, und adversarielles maschinelles Lernen (Avignarial ML) bietet Angreifern ein dokumentiertes und stetig wachsendes Repertoire an Strategien gegen die Modelle, auf die sich Verteidiger heute verlassen.

Beginnen Sie mit der Bestandsaufnahme, bevor Sie sich für Tools entscheiden. Wenn Sie nicht mit Sicherheit sagen können, welche Zertifikate, Schlüssel und Algorithmen aktuell in Ihrer Umgebung im Einsatz sind, schränkt diese Lücke jede weitere Investition in KI-gestützte Sicherheit ein.

Referenzen

• NIST, KI-Risikomanagement-Framework (KI RMF 1.0), veröffentlicht am 26. Januar 2023, und NIST-AI-600-1, Profil der generativen künstlichen IntelligenzVeröffentlichung: 26. Juli 2024.
• GEHRUNG, MITRE ATLAS, Bedrohungslandschaft für KI-Systeme durch Angreifer, 16 Taktiken und 84 Techniken (Stand: Anfang 2026).
• FBI Internet Crime Complaint Center, IC3-Jahresbericht 2025.
• Deloitte Center for Financial Services Es wird erwartet, dass generative KI das Risiko von Deepfakes und anderen Betrugsformen im Bankwesen verstärken wird..
• Pindrop, Voice Intelligence and Security Report 2025, zitiert aus einer Branchenanalyse zum Anstieg von Deepfake-Betrug in Contact Centern.