Cybersecurity im Zeitalter künstlicher Intelligenz: Wenn Geschwindigkeit zum entscheidenden Risikofaktor wird

Die Diskussion über Künstliche Intelligenz in der Cybersecurity wird häufig von Extremszenarien dominiert. Medien berichten über autonome Hacker-KIs, selbständig entwickelte Exploits oder Systeme, die ganze Unternehmensnetzwerke ohne menschliche Unterstützung kompromittieren. Solche Szenarien erzeugen Aufmerksamkeit, helfen Unternehmen jedoch nur bedingt bei der Einordnung der tatsächlichen Bedrohungslage.

Die aktuelle Einschätzung des Bundesamtes für Sicherheit in der Informationstechnik (BSI) (BITS-B Nr. 2026-262788-1032, Version 1.0, 22.06.2026) zeichnet ein deutlich differenzierteres Bild (Das BSI bewertet die Lage mit der Warnstufe Gelb (2) und weist darauf hin, dass zeitnah Massnahmen erforderlich sind, wobei temporäre Beeinträchtigungen des Regelbetriebs möglich sein können). Die Behörde beobachtet keine unmittelbar bevorstehende Ära vollständig autonomer Cyberangriffe. Stattdessen verändert KI bereits heute die Bedrohungslage auf eine wesentlich pragmatischere und gleichzeitig gefährlichere Weise: Sie steigert die Produktivität von Angreifern entlang nahezu aller Phasen eines Angriffs. Von der Informationsbeschaffung über Social Engineering bis hin zur Analyse von Schwachstellen können Tätigkeiten, die bisher Stunden oder Tage in Anspruch nahmen, heute innerhalb weniger Minuten durchgeführt werden.

Die eigentliche Herausforderung besteht deshalb nicht darin, dass Angreifer plötzlich intelligenter werden. Sie werden schneller. Sie können mehr Ziele gleichzeitig bearbeiten, mehr Informationen auswerten und ihre Angriffe deutlich präziser auf einzelne Unternehmen zuschneiden. KI wirkt dabei als sogenannter Force Multiplier – als Multiplikator bestehender Fähigkeiten.

Für Verteidiger entsteht daraus eine neue Realität. Viele Sicherheitskonzepte wurden in einer Zeit entwickelt, in der Angriffe vergleichsweise langsam abliefen und sich Sicherheitsverantwortliche auf klar definierte Perimeter verlassen konnten. Heute stehen Unternehmen einer Bedrohungslandschaft gegenüber, die von Cloud-Plattformen, hybriden Arbeitsmodellen, hochgradig vernetzten Lieferketten und zunehmend KI-gestützten Angriffen geprägt wird.

Die zentrale Frage lautet daher nicht, ob KI die Cybersecurity verändern wird. Diese Veränderung findet bereits statt. Die entscheidende Frage lautet vielmehr, wie Unternehmen ihre Sicherheitsprozesse anpassen müssen, um mit der neuen Geschwindigkeit Schritt halten zu können.

Die vielleicht wichtigste Erkenntnis aus der Analyse des BSI ist zugleich diejenige, die in der öffentlichen Diskussion oft untergeht. Das grösste Risiko geht derzeit nicht von einer künstlichen Superintelligenz aus, sondern von der Industrialisierung bestehender Angriffsmethoden.

Cyberkriminelle müssen das Rad nicht neu erfinden. Die meisten erfolgreichen Angriffe basieren noch immer auf bekannten Mustern. Phishing, Business Email Compromise, kompromittierte Zugangsdaten, Fehlkonfigurationen oder ungepatchte Schwachstellen gehören weiterhin zu den häufigsten Ursachen schwerwiegender Sicherheitsvorfälle. KI ermöglicht es jedoch, diese Methoden effizienter einzusetzen und deutlich besser zu skalieren.

Ein Vergleich mit der industriellen Revolution ist durchaus angebracht. Die ersten Fabriken machten Handwerker nicht zwangsläufig kreativer oder intelligenter. Sie ermöglichten es jedoch, mit denselben Ressourcen wesentlich mehr Produkte herzustellen. Genau dieser Effekt ist aktuell auch in der Cyberkriminalität zu beobachten.

Wo früher mehrere Personen notwendig waren, um Informationen über ein Zielunternehmen zusammenzutragen, kann heute ein einzelner Angreifer grosse Mengen öffentlich verfügbarer Daten analysieren. Wo früher Sprachbarrieren ein Hindernis darstellten, erzeugen moderne Sprachmodelle heute fehlerfreie Texte in nahezu beliebigen Sprachen. Wo früher ein Angreifer einzelne Ziele manuell auswählen musste, können heute ganze Branchen systematisch analysiert werden.

Für Unternehmen bedeutet dies, dass die Anzahl potenzieller Angriffe steigt und gleichzeitig deren Qualität zunimmt. Die Eintrittsbarrieren für Cyberkriminelle sinken, während die Skalierbarkeit ihrer Aktivitäten wächst.

Um die Auswirkungen besser zu verstehen, lohnt sich ein Blick auf einen typischen Angriffszyklus.

Am Anfang steht nahezu immer die Informationsbeschaffung. Angreifer möchten verstehen, wie ein Unternehmen organisiert ist, welche Technologien eingesetzt werden, wer über Entscheidungsbefugnisse verfügt und welche Personen sich besonders für eine Kontaktaufnahme eignen.

Noch vor wenigen Jahren war dieser Prozess weitgehend manuell. Webseiten mussten analysiert, Social-Media-Profile ausgewertet und Organigramme rekonstruiert werden. Heute können KI-Systeme grosse Mengen öffentlich verfügbarer Informationen in kurzer Zeit strukturieren und zusammenfassen.

Besonders wertvoll sind dabei Daten aus Karrierenetzwerken, Stellenausschreibungen, Geschäftsberichten, Pressemitteilungen und technischen Dokumentationen. Bereits aus Stelleninseraten lassen sich häufig eingesetzte Technologien, Cloud-Plattformen oder Sicherheitslösungen ableiten. Für einen Angreifer entsteht dadurch ein erstaunlich präzises Bild der Zielumgebung.

Anschliessend folgt die eigentliche Kontaktaufnahme.

Gerade im Bereich Social Engineering hat generative KI das Kräfteverhältnis deutlich verändert. Viele Awareness-Programme basieren noch immer auf Indikatoren, die während Jahren zuverlässig funktioniert haben. Mitarbeitende wurden darauf trainiert, auf Rechtschreibfehler, ungewöhnliche Formulierungen oder sprachliche Auffälligkeiten zu achten.

Diese Merkmale verlieren zunehmend an Bedeutung.

Moderne Sprachmodelle erzeugen professionelle Texte in Deutsch, Französisch, Italienisch oder Englisch. Für Schweizer Unternehmen ist dies besonders relevant. Die Mehrsprachigkeit stellte lange Zeit eine natürliche Hürde für internationale Cyberkriminelle dar. Diese Hürde existiert heute kaum noch.

Ein Phishing-Mail kann inzwischen auf Basis öffentlich verfügbarer Informationen individuell auf eine Person zugeschnitten werden. Die Nachricht erwähnt aktuelle Projekte, Geschäftspartner oder sogar interne Rollenbezeichnungen. Dadurch entsteht eine Glaubwürdigkeit, die mit traditionellen Massenkampagnen kaum erreichbar war.

Noch anspruchsvoller wird die Lage durch den Einsatz synthetischer Medien, der bereits heute in realen Angriffskampagnen beobachtet wird. Voice-Cloning und KI-gestützte Identitätssimulation sind keine experimentellen Szenarien mehr, sondern Bestandteil operativer Social-Engineering- und Betrugsszenarien.

Im Fokus stehen dabei weniger öffentlichkeitswirksame Deepfake-Videos, sondern gezielte Manipulation einzelner Kommunikationskanäle. Besonders im Voice- und Telefonbereich hat sich die technische Qualität in kurzer Zeit so stark verbessert, dass Stimmen mit wenigen Sekunden Referenzmaterial bereits ausreichend präzise rekonstruiert werden können, um in kurzen, situativen Gesprächen glaubwürdig zu wirken.

In Kombination mit KI-gestützter Informationsbeschaffung entsteht dadurch ein deutlich mächtigeres Angriffsmuster. Angreifer sind in der Lage, Kontextinformationen zu Organisationen, Rollen, Projekten oder aktuellen Geschäftsprozessen so zu verknüpfen, dass hochgradig plausible Gesprächssituationen entstehen. Dabei wird nicht primär versucht, technische Systeme zu überwinden, sondern etablierte Entscheidungs- und Freigabeprozesse gezielt zu umgehen.

In der praktischen Umsetzung zeigt sich dieser Ansatz als Weiterentwicklung klassischer Social-Engineering-Kampagnen: Dringlichkeit, Autorität und Vertrautheit werden systematisch kombiniert, um Handlungen auszulösen, die unter normalen Umständen durch interne Kontrollmechanismen abgesichert wären.

Die Relevanz liegt dabei nicht in der theoretischen Möglichkeit dieser Angriffe, sondern in ihrer operativen Anwendung. Entsprechende Methoden sind bereits heute Teil realer Vorfälle im Bereich CEO Fraud, Zahlungsbetrug und Credential Harvesting. Die Eintrittshürden für diese Art von Angriffen sind deutlich gesunken, während die Qualität und Glaubwürdigkeit der Simulation kontinuierlich zunimmt.

In einzelnen Fällen wird dabei bewusst mit der Erwartung gearbeitet, dass Mitarbeitende solche Szenarien noch als hypothetisch oder technologisch nicht ausgereift einstufen. Genau diese Annahme entwickelt sich zunehmend selbst zu einem Risikofaktor.

Es ist durchaus vorstellbar, dass ein Mitarbeitender künftig einen vermeintlichen Anruf eines Vorgesetzten erhält, dessen Stimme täuschend echt klingt. Technisch ist dies keine Zukunftsmusik mehr.

Neben Social Engineering verändert KI auch die technische Seite von Cyberangriffen.

Dabei ist eine saubere Einordnung entscheidend. Aktuelle KI-Modelle ersetzen keine erfahrenen Exploit-Entwickler im Sinne einer durchgängigen, verlässlichen Entwicklung komplexer Angriffsketten. Sie verändern jedoch die Geschwindigkeit und Effizienz einzelner technischer Schritte entlang dieses Prozesses deutlich.

Dazu gehören unter anderem die Analyse von Quellcode, die strukturierte Auswertung technischer Dokumentationen, die Aufbereitung von Log-Daten sowie die schnelle Recherche und Korrelation bekannter Schwachstellen und Angriffstechniken. Diese Form der Unterstützung reduziert insbesondere die Zeit für Reconnaissance und technische Voranalyse erheblich und führt dazu, dass mehr Iterationen in kürzerer Zeit möglich sind.

Parallel dazu ist zu beobachten, dass KI-gestützte Verfahren zunehmend auch im Kontext der Schwachstellenforschung eingesetzt werden. Dies betrifft insbesondere die Identifikation potenzieller Fehlerklassen in Software sowie die Unterstützung bei der Analyse komplexer Codebasen. Für Sicherheitsforschung und Verteidigung ergeben sich daraus neue Möglichkeiten, gleichzeitig erhöht sich jedoch auch die Geschwindigkeit, mit der potenzielle Schwachstellen überhaupt sichtbar und operationalisiert werden können.

Entscheidend ist dabei weniger die Frage, ob KI vollständig neue Angriffsklassen erzeugt, sondern wie stark sie bestehende Zeitfenster zwischen Schwachstellenentdeckung, Veröffentlichung und tatsächlicher Ausnutzung verkürzt. Genau diese Phase gilt traditionell als kritisches Verteidigungsfenster für Patch- und Mitigationsprozesse.

Für Verteidiger entsteht daraus eine strukturelle Herausforderung. Die Geschwindigkeit auf Seiten der Angreifer in der Identifikation und Vorbereitung von Angriffspfaden steigt, während viele interne Sicherheits- und IT-Prozesse weiterhin durch klassische Freigabe-, Test- und Change-Zyklen geprägt sind. Diese organisatorischen Abläufe sind in der Regel nicht auf hochdynamische Bedrohungslagen ausgelegt.

Die Folge ist eine zunehmende Diskrepanz zwischen der technischen Beschleunigung der Angriffsseite und der operativen Reaktionsgeschwindigkeit vieler Organisationen. Genau in diesem Spannungsfeld entsteht ein wesentlicher Teil des aktuellen Risikos im Umgang mit Schwachstellenmanagement und Patch-Strategien.

Bei aller Dynamik wäre es falsch, die aktuellen Fähigkeiten künstlicher Intelligenz zu überschätzen.

Moderne Modelle weisen weiterhin klare technische und kontextuelle Grenzen auf. Insbesondere sogenannte Halluzinationen bleiben ein zentrales Problem. Systeme können technische Zusammenhänge falsch interpretieren, nicht existierende Funktionen oder Abhängigkeiten erzeugen und in komplexen Fragestellungen zu plausibel klingenden, aber faktisch falschen Schlussfolgerungen gelangen.

Hinzu kommt, dass komplexe Angriffsketten ein stabiles situatives Verständnis, konsistente Zielverfolgung und die Fähigkeit erfordern, unerwartete technische oder operative Veränderungen korrekt zu berücksichtigen. Genau in diesen Bereichen zeigen heutige Systeme weiterhin deutliche Schwächen in der Zuverlässigkeit und Stabilität.

Vor diesem Hintergrund ist die Vorstellung einer vollständig autonomen Hacker-KI, die eigenständig Ziele identifiziert, Schwachstellen ausnutzt, Exploits entwickelt, sich lateral durch Netzwerke bewegt und anschliessend ihre Spuren verwischt, derzeit nicht Bestandteil operativer Realität, sondern bleibt überwiegend im Bereich der Forschung und hypothetischer Szenarien.

Diese Einschränkungen sind jedoch nur begrenzt sicherheitsrelevant im Sinne einer Entwarnung. Für die Veränderung der Bedrohungslage ist nicht entscheidend, ob KI komplexe Angriffe vollständig autonom ausführen kann. Entscheidend ist, dass sie bereits heute einzelne Schritte entlang der Angriffskette signifikant beschleunigt und skalierbar macht.

Genau diese Teilautomatisierung reicht aus, um die Geschwindigkeit, mit der Angriffe vorbereitet, angepasst und durchgeführt werden, nachhaltig zu erhöhen und damit die operative Verteidigungsfähigkeit vieler Organisationen unter Druck zu setzen.

Die meisten Security-Teams stehen heute nicht vor einem Mangel an Sicherheitslösungen. Der limitierende Faktor ist längst nicht mehr Technologie, sondern Zeit und kognitive Kapazität.

Die Menge sicherheitsrelevanter Ereignisse wächst dabei kontinuierlich. Endpoints erzeugen Telemetriedaten, Cloud-Plattformen liefern fortlaufend Logs, Sicherheitslösungen generieren Alerts und Vulnerability Scanner melden täglich neue Schwachstellen. In Summe entsteht eine Daten- und Ereignisflut, die sich mit klassischen Betriebsmodellen nur noch eingeschränkt bewältigen lässt.

Gleichzeitig bleibt die Anzahl qualifizierter Fachkräfte begrenzt, während die Komplexität der IT-Landschaften weiter zunimmt. Moderne Umgebungen sind hybrid, verteilt und hochgradig dynamisch. Dadurch steigt nicht nur die Menge der Daten, sondern auch die Schwierigkeit, deren sicherheitsrelevante Bedeutung korrekt einzuordnen.

Die eigentliche Herausforderung verschiebt sich damit weg von der Erkennung einzelner Ereignisse hin zur Priorisierung. Entscheidend ist nicht mehr, ob etwas erkannt wird, sondern ob es rechtzeitig als relevant klassifiziert wird.

Genau an dieser Stelle gewinnt Künstliche Intelligenz an Bedeutung für die Verteidigung.

Ihre Stärke liegt weniger in der klassischen Automatisierung einzelner Aufgaben, sondern in der Fähigkeit, grosse Datenmengen zu strukturieren, Muster zu erkennen und kontextuelle Zusammenhänge herzustellen. Damit eignet sie sich insbesondere für Security Operations, in denen Entscheidungsdruck und Datenvolumen gleichzeitig hoch sind.

In der Praxis kann KI dabei helfen, repetitive Tätigkeiten zu reduzieren, Alerts vorzuqualifizieren und Vorfälle nach Risikorelevanz zu priorisieren. Der operative Nutzen entsteht jedoch nicht durch vollständige Automatisierung, sondern durch Entlastung der Analysten in der Voranalyse und Korrelation.

Entscheidend bleibt dabei, dass KI nicht als Ersatz für sicherheitstechnische Expertise verstanden wird. Ihr grösster Mehrwert entsteht dort, wo sie erfahrene Analysten unterstützt, die Verantwortung für Interpretation und Entscheidung jedoch weiterhin beim Menschen bleibt.

Viele Unternehmen orientieren sich in ihrer Sicherheitsarchitektur weiterhin stark an einem präventiven Grundverständnis. Firewalls, Hardening, Patch-Management und Zugriffskontrollen bilden dabei die zentrale Verteidigungslinie. Dieses Modell bleibt relevant, ist jedoch unter den Bedingungen KI-gestützter Angriffe nur noch eingeschränkt ausreichend.

Der entscheidende Unterschied zur Vergangenheit liegt nicht primär in der Technologie der Verteidiger, sondern in der Geschwindigkeit und Skalierbarkeit der Angriffe. KI verändert insbesondere die Vorbereitungs- und Durchführungsphase von Angriffen. Reconnaissance, Social Engineering, Payload-Anpassung und Kampagnen-Iteration können heute deutlich schneller und in höherer Frequenz erfolgen als noch vor wenigen Jahren.

Damit verkürzt sich ein zentraler Sicherheitszeitraum: die Phase zwischen erster Exposition eines Systems und der aktiven Ausnutzung einer Schwachstelle oder eines kompromittierten Identitätskontexts. Genau dieser Zeitpuffer war historisch gesehen ein wesentlicher Bestandteil vieler präventiver Sicherheitsmodelle.

In einer Umgebung, in der dieser Puffer schrumpft, verschiebt sich die sicherheitsrelevante Fragestellung zwangsläufig. Die zentrale Frage lautet nicht mehr ausschliesslich, wie ein Angriff verhindert werden kann, sondern wie schnell ein bereits stattfindender Angriff sichtbar wird und operativ kontrolliert werden kann.

Hier gewinnen Detection- und Response-Fähigkeiten eine neue strategische Bedeutung. Technologien wie Endpoint Detection and Response, Network Detection and Response sowie moderne XDR-Architekturen dienen nicht mehr nur der Erkennung einzelner sicherheitsrelevanter Ereignisse, sondern der kontinuierlichen Analyse von Verhaltensmustern über Endpoints, Netzwerke und Cloud-Umgebungen hinweg.

Der Mehrwert entsteht dabei insbesondere im Kontext KI-gestützter Angriffe. Wenn Angreifer in der Lage sind, Phishing-Kampagnen hochgradig zu personalisieren, technische Reconnaissance zu automatisieren und Angriffsszenarien schneller zu iterieren, steigt die Wahrscheinlichkeit, dass einzelne präventive Kontrollen umgangen werden. Detection wird damit zur entscheidenden zweiten Verteidigungslinie.

Technologie allein löst dieses Problem jedoch nicht. Die eigentliche Herausforderung liegt in der Verarbeitungsgeschwindigkeit und Priorisierung der entstehenden Sicherheitsereignisse. KI verstärkt nicht nur die Angriffsseite, sondern auch die Datenmenge auf der Verteidigungsseite. Mehr Telemetrie, mehr Alerts, mehr potenzielle Anomalien bedeuten gleichzeitig höheren Entscheidungsdruck im Security Operations Umfeld.

Aus diesem Grund setzen zunehmend mehr Organisationen auf Managed Detection and Response sowie integrierte Security Operations Modelle. Ansätze wie das Cyber Defense Center von AVANTEC kombinieren kontinuierliches Monitoring, KI-gestützte Voranalyse, menschliche Expertise und strukturierte Incident Response Prozesse. Ziel ist es, nicht nur Angriffe zu erkennen, sondern insbesondere die Zeit zwischen Erkennung, Bewertung und Reaktion systematisch zu verkürzen.

Im Kontext KI-gestützter Angriffe wird genau dieser Faktor entscheidend. Die operative Sicherheit eines Unternehmens hängt zunehmend davon ab, wie schnell es gelingt, KI-beschleunigte Angriffsmuster in Echtzeit zu identifizieren und darauf zu reagieren, bevor sich diese im System lateral ausbreiten oder geschäftskritische Prozesse beeinflussen.

Kaum ein Bereich der Cybersecurity zeigt die Verschiebung der Bedrohungslage so deutlich wie das Vulnerability Management.

Viele Organisationen arbeiten weiterhin mit einem etablierten Grundmodell. Schwachstellen werden identifiziert, anhand eines CVSS-Scores bewertet und anschliessend priorisiert. Dieses Vorgehen hat lange funktioniert, weil sowohl die Anzahl der Schwachstellen als auch die Geschwindigkeit ihrer Ausnutzung in einem vergleichsweise stabilen Verhältnis standen.

Diese Stabilität ist heute nicht mehr gegeben. Das Problem liegt dabei nicht im CVSS-Modell selbst, sondern in seiner isolierten Anwendung ohne ausreichenden Kontext. Der Score beschreibt die technische Schwere einer Schwachstelle, bildet jedoch nicht ab, wie relevant diese im konkreten Unternehmensumfeld tatsächlich ist.

In der Praxis führt das zu wiederkehrenden Verzerrungen in der Priorisierung. Schwachstellen mit hohen CVSS-Werten befinden sich häufig in Systemen ohne reale Exposition oder ohne nutzbare Angriffspfade. Gleichzeitig können moderat bewertete Findings in exponierten Systemen, Cloud-Workloads oder identitätsnahen Komponenten ein deutlich höheres tatsächliches Risiko darstellen.

Hinzu kommt die operative Realität vieler Organisationen. Die Anzahl gemeldeter Schwachstellen nimmt kontinuierlich zu und verteilt sich über immer komplexere IT-Landschaften. Cloud, SaaS und klassische On Premises Umgebungen existieren parallel und erzeugen eine permanente Belastung für Security und IT Teams. Selbst gut organisierte Organisationen stossen dabei an Grenzen, wenn es um eine konsistente und zeitnahe Bewertung aller Findings geht.

Parallel dazu verändert sich die Angreiferseite. KI gestützte Methoden beschleunigen die Analyse von Schwachstellen, unterstützen die Ableitung möglicher Angriffspfade und reduzieren den Aufwand für die Vorbereitung von Angriffskampagnen. Dadurch verkürzt sich insbesondere das Zeitfenster zwischen Veröffentlichung einer Schwachstelle und ihrer potenziellen Ausnutzung. Dieses Zeitfenster war bisher ein zentraler Bestandteil klassischer Patch und Mitigationsstrategien.

Vor diesem Hintergrund verschiebt sich der Fokus zunehmend weg vom klassischen Vulnerability Management hin zu einem Exposure Management Ansatz.

Im Zentrum steht nicht mehr die einzelne Schwachstelle, sondern die tatsächliche Angriffsfläche eines Unternehmens und deren konkrete Ausnutzbarkeit entlang realer Angriffspfade innerhalb der eigenen Umgebung.

Eine belastbare Bewertung dieser Exposition entsteht erst durch die Kombination mehrerer Perspektiven. Dazu gehören technische Schwachstelleninformationen, System und Netzwerkarchitektur, Identitäts und Berechtigungsstrukturen sowie die geschäftliche Kritikalität der betroffenen Systeme.

In der Praxis zeigt sich jedoch häufig, dass diese Informationen zwar grundsätzlich vorhanden sind, aber nicht in einer konsistenten und kontinuierlich nutzbaren Form zusammengeführt werden. Genau hier liegt die eigentliche Herausforderung, nicht in der Erhebung der Daten, sondern in ihrer laufenden Korrelation und Priorisierung über unterschiedliche Quellen hinweg.

Ein funktionierendes Exposure Management erfordert deshalb ein Betriebsmodell, das technische und kontextuelle Informationen kontinuierlich zusammenführt und in handlungsrelevante Prioritäten übersetzt. Nur so entsteht aus einer Vielzahl einzelner Findings ein realistisches Bild der tatsächlichen Angriffsfläche.

Gerade im Kontext KI gestützter Angriffe gewinnt dieser Ansatz weiter an Bedeutung. Wenn die Geschwindigkeit der Angriffsvorbereitung steigt, wird es entscheidend, begrenzte Ressourcen konsequent auf jene Risiken zu konzentrieren, die im konkreten Unternehmenskontext tatsächlich ausnutzbar und geschäftskritisch sind.

Lange Zeit bildete das Unternehmensnetzwerk den zentralen Schutzwall der IT-Sicherheit.

Heute hat sich diese Realität grundlegend verändert.

Cloud-Plattformen, SaaS-Anwendungen und mobile Arbeitsmodelle haben klassische Netzwerkgrenzen weitgehend aufgelöst. Identitäten übernehmen zunehmend die Rolle des neuen Perimeters.

Für Angreifer ist dies attraktiv. Wer eine privilegierte Identität kompromittiert, benötigt häufig keine komplexen Exploits mehr. Viele Schutzmechanismen lassen sich mit legitimen Berechtigungen umgehen.

KI verstärkt diese Entwicklung zusätzlich. Bessere Phishing-Kampagnen führen zu einer höheren Wahrscheinlichkeit kompromittierter Zugangsdaten. Gleichzeitig werden Identitäten immer stärker miteinander verknüpft.

Deshalb gewinnen moderne Identity-Security-Konzepte an Bedeutung. Multifaktor-Authentisierung bildet dabei lediglich die Grundlage. Ebenso wichtig sind Least-Privilege-Konzepte, kontinuierliche Überwachung, Identitätsanalysen und die Kontrolle privilegierter Zugriffe.

Besonders privilegierte Konten verdienen dabei besondere Aufmerksamkeit. Administratorrechte, Service Accounts und hoch privilegierte Cloud-Rollen stellen attraktive Ziele für Angreifer dar.

Privileged Access Management reduziert dieses Risiko durch die konsequente Kontrolle privilegierter Berechtigungen. Moderne Lösungen ermöglichen zeitlich begrenzte Zugriffe, die Überwachung privilegierter Sessions und eine deutliche Reduktion dauerhaft vorhandener Administrationsrechte.

Mit der zunehmenden Integration von künstlicher Intelligenz in Unternehmensprozesse verschiebt sich die Angriffsfläche nicht nur auf der Seite der Angreifer, sondern auch innerhalb der eigenen Systemlandschaft.

KI-Systeme werden zunehmend direkt in Geschäftsprozesse, Applikationen und Kommunikationskanäle integriert. Dadurch entstehen neue Abhängigkeiten, die sich nicht mehr sauber zwischen Daten, Logik und Benutzerinteraktion trennen lassen.

Aus Sicherheitssicht entsteht damit kein völlig neues Paradigma, sondern eine Erweiterung bestehender Kontrollanforderungen in drei Richtungen.

Erstens Governance und Zugriffskontrolle. Der Zugriff auf KI-Systeme, Modelle und Schnittstellen muss identitätsbasiert gesteuert und strikt auf notwendige Rollen beschränkt werden. Besonders kritisch sind privilegierte Funktionen, API-Zugriffe sowie die Integration in bestehende Unternehmenssysteme.

Zweitens Input- und Output-Kontrollen. Unternehmen müssen definieren, welche Daten in KI-Systeme einfliessen dürfen und welche Informationen diese Systeme wieder ausgeben oder weiterverarbeiten können. Dazu gehören Klassifizierung von Daten, Filtermechanismen für sensible Inhalte sowie Schutz vor unkontrollierter Datenweitergabe über Prompts, Kontexte oder Integrationen.

Drittens Integrations- und Systemkontrollen. KI-Systeme agieren selten isoliert, sondern sind in Applikationen, Workflows und externe Dienste eingebettet. Diese Schnittstellen müssen überwacht, protokolliert und auf unautorisierte Datenflüsse oder unerwartete Systeminteraktionen überprüft werden.

Damit wird KI nicht nur zu einem Werkzeug innerhalb der IT-Landschaft, sondern zu einem aktiv zu kontrollierenden Bestandteil der gesamten Sicherheitsarchitektur.

Viele Diskussionen über Cybersecurity konzentrieren sich weiterhin stark auf die Verhinderung von Angriffen.

Diese Sichtweise greift zunehmend zu kurz, insbesondere im Kontext KI-gestützter Angriffsmuster. Angriffe lassen sich heute schneller automatisieren, skalieren und parallelisieren, wodurch auch gut geschützte Organisationen realistisch mit erfolgreichen Sicherheitsvorfällen rechnen müssen.

Die entscheidende Frage lautet deshalb nicht mehr ausschliesslich, ob ein Angriff verhindert werden kann, sondern wie eine Organisation im Ernstfall handlungsfähig bleibt.

Hier beginnt das Thema Cyber Resilience.

Resilienz beschreibt die Fähigkeit einer Organisation, Sicherheitsvorfälle frühzeitig zu erkennen, ihre Auswirkungen zu begrenzen, den Betrieb unter Kontrolle zu halten und kritische Geschäftsprozesse rasch wiederherzustellen.

Auf technischer Ebene bedeutet dies die Fähigkeit, Angriffe über Identitäten, Endpoints und Datenflüsse hinweg sichtbar zu machen und deren Ausbreitung zu begrenzen. Entscheidend ist dabei nicht die Menge an Daten, sondern die konsistente Korrelation sicherheitsrelevanter Signale sowie deren Priorisierung nach Exposition und Geschäftskritikalität.

Auf organisatorischer Ebene bedeutet Resilienz klare Entscheidungswege zwischen IT, Security und Geschäftsleitung im Krisenfall. Dazu gehören definierte Verantwortlichkeiten, getestete Eskalationsprozesse sowie die Fähigkeit, technische Erkenntnisse schnell in geschäftliche Entscheidungen zu übersetzen.

Diese Fähigkeit wird zu einem zentralen Faktor für die Stabilität von Unternehmen im Umgang mit dynamischen Bedrohungslagen.

Viele Unternehmen verfügen heute über Incident-Response-Prozesse. Deutlich seltener ist jedoch ein geübtes Cyber Crisis Management etabliert, das über die rein technische Reaktion hinausgeht.

Der Unterschied wird insbesondere im Kontext KI-gestützter Angriffe sichtbar. Angriffe werden schneller vorbereitet, stärker automatisiert und häufiger parallelisiert. Dadurch steigt die Wahrscheinlichkeit, dass mehrere Systeme, Identitäten oder Kommunikationskanäle gleichzeitig betroffen sind und ein Vorfall sich nicht mehr isoliert technisch behandeln lässt.

Incident Response bleibt dabei auf die technische Ebene fokussiert. Im Zentrum stehen Eindämmung, Analyse und Wiederherstellung betroffener Systeme.

Cyber Crisis Management erweitert diese Perspektive um die geschäftliche Steuerung während eines laufenden Vorfalls. Entscheidend sind dann nicht nur technische Massnahmen, sondern Fragen der Entscheidungsfindung, der internen und externen Kommunikation sowie der Aufrechterhaltung der Geschäftsfähigkeit.

In der Praxis zeigt sich, dass technische Reaktionen oft schneller organisiert werden können als die übergreifende Koordination. Gerade unter Zeitdruck entstehen Verzögerungen nicht durch fehlende Tools, sondern durch unklare Verantwortlichkeiten und nicht geübte Entscheidungs- und Kommunikationswege.

KI verstärkt diesen Effekt indirekt, indem Angriffe schneller eskalieren und weniger Vorlaufzeit für Abstimmung und Organisation bleibt. Damit verschiebt sich der Fokus weg von der Frage, ob ein Vorfall technisch beherrscht werden kann, hin zur Frage, wie schnell eine Organisation handlungsfähig bleibt.

Diese Entwicklung wird auch durch regulatorische und aufsichtsrechtliche Erwartungen gestützt. In Europa zeigen Rahmenwerke wie NIS2 und DORA klar in Richtung integrierter Resilienz- und Krisenfähigkeit. In der Schweiz ist die Entwicklung weniger formalisiert, aber inhaltlich ähnlich. Nationale Vorgaben wie die Nationale Strategie zum Schutz der Schweiz vor Cyber-Risiken sowie Anforderungen aus Datenschutz- und Aufsichtsregimes insbesondere im Finanzsektor führen ebenfalls dazu, dass nicht nur technische Incident-Response-Fähigkeiten erwartet werden, sondern eine belastbare organisatorische Krisenfähigkeit über die gesamte Unternehmung hinweg.

Vor diesem Hintergrund gewinnt die systematische Vorbereitung auf Cyber Krisen an Bedeutung. Regelmässige Übungen und simulationsbasierte Szenarien helfen, Entscheidungswege zu schärfen und Reaktionsfähigkeit unter realen Bedingungen sicherzustellen.

Künstliche Intelligenz verändert die Cybersecurity bereits heute, jedoch nicht in der Form autonomer Angriffs- oder Verteidigungssysteme, wie sie häufig in der öffentlichen Diskussion dargestellt werden.

Die wesentliche Veränderung liegt in der Beschleunigung und Skalierung bestehender Angriffsprozesse. Informationen lassen sich schneller auswerten, Social Engineering wird präziser, Schwachstellen können effizienter analysiert und Kampagnen deutlich schneller umgesetzt werden. KI wirkt dabei als Multiplikator vorhandener Fähigkeiten.

Für Unternehmen bedeutet dies eine Verschiebung der sicherheitsrelevanten Prioritäten, nicht jedoch den Verlust von Kontrolle. Klassische präventive Massnahmen bleiben notwendig, reichen jedoch allein nicht mehr aus. Entscheidend wird zunehmend, wie gut Organisationen ihre reale Angriffsfläche verstehen, Risiken kontextbasiert priorisieren, privilegierte Identitäten schützen und leistungsfähige Detection- und Response-Fähigkeiten betreiben.

Die Frage der kommenden Jahre wird deshalb nicht sein, ob künstliche Intelligenz die Cybersecurity verändert. Diese Entwicklung ist bereits Realität.

Entscheidend wird sein, welche Organisationen ihre Prozesse, Technologien und Entscheidungsfähigkeit konsequent darauf ausrichten, auch unter beschleunigten Angriffsbedingungen Kontrolle zu behalten und wirksam zu reagieren.

https://www.bsi.bund.de/SharedDocs/Cybersicherheitswarnungen/DE/2026/2026-262788-1032.pdf?__blob=publicationFile&v=2

oder kurz: BITS-B Nr. 2026-262788-1032, Version 1.0, 22.06.2026

IT-Security für AI – AVANTEC
Security Assurance Services – AVANTEC
Welche AI Security Lösungen brauche ich? – Tec-Bite
Social-Engineering-Attacken erkennen und abwehren – Teil 1 – Tec-Bite
Social-Engineering-Attacken erkennen und abwehren – Teil 2 – Tec-Bite