Was ist agentische KI in der Cybersicherheit?

Agentische KI-Systeme werden oft mit integrierter menschlicher Überwachung entwickelt, um Autonomie und Kontrolle in Einklang zu bringen.

Im Microsoft-Ansatz für agentische KI in der Cybersicherheit ist dies als kollaboratives Modell konzipiert, bei dem menschliche Bedienkräfte das Systemverhalten überwachen und steuern können.

Zu den gängigen Beispielen zählen:

• Transparentes Schlussfolgern. Microsoft-Systeme liefern unterstützenden Kontext und Begründungen zu Empfehlungen, damit Analyse-Agents die Ausgaben und Entscheidungswege des Systems besser verstehen.

• Freigabe und Anpassung. Teams können Systemaktionen überprüfen, genehmigen, ablehnen oder optimieren und Feedback einbeziehen, um Ergebnisse kontinuierlich zu verbessern.

• Prüfbare Kontrollen. Aktivitäten werden durch unternehmensweite Sicherheitskontrollen wie rollenbasierten Zugriff, Überwachungsprotokolle und Workflow-Schutzmaßnahmen gesteuert, um Verantwortlichkeit und Complianceanforderungen zu unterstützen.

Agentische KI kann dynamisch auf veränderte Bedingungen reagieren und ihr Verhalten an den Kontext anpassen, und zwar durch einen Prozess namens agentische Schleife – eine Abfolge von Schritten, die der Agent wiederholt, bis das Ziel erreicht ist.

Wahrnehmen → Schlussfolgern → Planen → Handeln → Lernen

• Wahrnehmen. Das System sammelt Informationen aus seiner Umgebung, darunter Protokolle, Warnungen, Benutzeraktivitäten, Threat Intelligence und Daten aus verbundenen Tools und Systemen.
• Schlussfolgern. Es analysiert die Informationen, erkennt Muster, bewertet Risiken und bestimmt, was die Daten im Kontext bedeuten.
• Planen. Auf Basis seiner Ziele entwickelt das System eine Abfolge von Aktionen, um das gewünschte Ergebnis zu erreichen.
• Handeln. Der Agent führt Aufgaben aus, etwa ein Gerät zu isolieren, ein Ticket zu eröffnen, eine Warnung zu eskalieren oder zusätzliche Beweise zu sammeln, indem er mit Tools, Systemen oder Workflows interagiert.
• Lernen. Das System bewertet die Ergebnisse seiner Aktionen und nutzt Feedback, neue Daten und frühere Resultate, um künftige Entscheidungen und Reaktionen zu verbessern.

Damit agentische KI effektiv funktioniert, müssen Teams auch entscheiden, ob sie ein Einzel-Agenten-System oder ein Multi-Agenten-System verwenden möchten. Ein Einzel-Agenten-System verlässt sich auf einen Agenten, um Aufgaben und Entscheidungen zu verwalten. Das funktioniert gut, wenn Workflows relativ abgegrenzt sind und Entscheidungen zentral getroffen werden. Wenn Workflows komplex sind oder unterschiedliche Arten von Fachwissen erfordern, richten Organisationen oft ein Multi-Agenten-System ein, das mehrere spezialisierte KI-Agents für Cybersicherheit nutzt, die gemeinsam auf ein gemeinsames Ziel hinarbeiten.

Auch mit autonomen Funktionen bleibt die Überwachung durch Menschen wichtig. Viele Organisationen nutzen Kontrollpunkte mit menschlicher Beteiligung und Genehmigungsstufen für sensible oder risikoreiche Aktionen, um Governance, Verantwortlichkeit und operative Kontrolle aufrechtzuerhalten.

Die Unterschiede zwischen herkömmlicher Automatisierung, generativer KI und agentischer KI werden klarer, wenn sie anhand zentraler Dimensionen verglichen werden.

Leider sind nicht nur Unternehmen und Regierungen dabei, KI in hohem Tempo einzuführen. Bedrohungsakteure nutzen agentische Systeme, um die Geschwindigkeit und den Umfang ihrer Cyberangriffe zu erhöhen, wodurch mehrere Cybersicherheitsherausforderungen entstehen oder verstärkt werden, darunter:

• The Herausforderung mit der Skalierung. Sicherheitsteams stehen oft vor enormen Mengen an Warnungen, wachsender Datenkomplexität und anhaltendem Mangel an Analyse-Agents.
• Die Herausforderung mit der Geschwindigkeit. Cyberangreifer automatisieren ihre Abläufe zunehmend, während viele Verteidigungsteams noch immer auf manuelle Triage- und Incident Response-Prozesse setzen.
• Die Herausforderung mit der Zuverlässigkeit und Genauigkeit. Lange Belastung durch Nachtschichten und viele wiederkehrende Aufgaben kann zu Analystenmüdigkeit und Burnout führen, wodurch das Risiko von Inkonsistenzen und menschlichen Fehlern steigt.
• Die Herausforderung mit der Ausfallsicherheit. Moderne Organisationen arbeiten über hybride Umgebungen hinweg, die Cloudplattformen, Endpunkte, Identitäten, Anwendungen und Dienste von Drittanbietern umfassen. Diese wachsende Angriffsfläche erhöht das operationelle Risiko und schafft mehr Möglichkeiten für Cyberangreifer.

Agentische KI in der Cybersicherheit hilft Sicherheitsteams, in Umgebungen effektiver zu arbeiten, die für vollständig manuelle Security Operations (SecOps) zu komplex, zu dynamisch und zu vernetzt werden. Das unterscheidet sich von breiterer agentischer KI-Sicherheit, die sich auf den Schutz von KI-Systemen selbst konzentriert.

Anstatt Sicherheitsteams zu ersetzen, wirkt agentische KI als Multiplikator für Cybersicherheitsvorgänge und führt zu Vorteilen wie:

• Schnellere mittlere Erkennungs- und Reaktionszeit (MTTD/MTTR). Agentische KI kann Warnungen untersuchen, Signale korrelieren und Reaktionsmaßnahmen schnell koordinieren und hilft so Teams, Erkennungs- und Reaktionszeiten zu verkürzen.
• Weniger Analystenmüdigkeit und mehr Zeit für wertvollere Aufgaben. Indem agentische KI wiederkehrende und zeitaufwendige Aufgaben übernimmt, hilft sie, die Ermüdung durch Warnungen zu verringern, und ermöglicht es Analyse-Agents, sich auf strategischere Untersuchungen und Entscheidungen zu konzentrieren.
• Konsistente, wiederholbare Triage und Reaktion. Agentische KI wendet Workflows und Prozesse bei Vorfällen konsequent an und verbessert so die operative Zuverlässigkeit, indem sie Abweichungen durch manuelle Abläufe reduziert.
• Rund-um-die-Uhr-Abdeckung und elastische Skalierung. Anders als menschliche Teams kann agentische KI kontinuierlich arbeiten und für große Mengen an Warnungen, Ereignissen und Daten skalieren, ohne zusätzliches Personal zu benötigen.
• Verbessertes Signal-Rausch-Verhältnis und bessere Priorisierung. Agentische KI kann große Mengen kontextbezogener Daten analysieren, um die wichtigsten Bedrohungen zu identifizieren, unnötige Warnungen zu reduzieren und die Priorisierung zu verbessern.
• Höhere Resilienz und proaktives Risikomanagement. Agentische KI kann Umgebungen kontinuierlich überwachen, potenzielle Schwachstellen identifizieren und proaktive Sicherheitsmaßnahmen unterstützen, die Organisationen dabei helfen, Risiken zu senken und die operative Resilienz im Laufe der Zeit zu verbessern.

Mehrere Anwendungsfälle zeigen, wie Menschen und Agents zusammenarbeiten können, um die Sicherheit zu stärken.

Sicherheitsteams sehen sich oft mit mehr Warnungen konfrontiert, als manuell untersucht werden können, weshalb Priorisierung für eine effektive Reaktion unerlässlich ist.

Der Zweck des Agents:

• Erweitert Warnungen mit Threat Intelligence, Ressourcenkontext und Benutzerverhaltensdaten.
• Priorisiert Vorfälle basierend auf Risiko- und Vertrauensbewertungen.
• Empfiehlt die nächsten Schritte für Untersuchung oder Behebung.

Der Zweck des Analyse-Agents:

• Überprüft Vorfälle mit hoher Priorität.
• Validiert Erkenntnisse und Eskalationsentscheidungen.
• Bearbeitet komplexe oder sensible Untersuchungen.

Sicherheitsteams verlassen sich auf große Mengen an Bedrohungsdaten, wodurch es schwierig ist, schnell relevante und verwertbare Informationen zu gewinnen.

Der Zweck des Agents:

• Sammelt und fasst Bedrohungsinformationen aus mehreren Quellen zusammen.
• Bietet situative Sensibilität in Echtzeit und schnelle Berichterstellung.
• Korrelierte Bedrohungsaktivitäten über verschiedene Umgebungen hinweg.

Der Zweck des Analyse-Agents:

• Interpretiert strategische Risiken und Bedrohungstrends.
• Validiert die Relevanz und Auswirkung von Informationen.
• Leitet Reaktionsprioritäten und Planung.

Das Identifizieren versteckter oder neuer Bedrohungen erfordert eine kontinuierliche Analyse über große und komplexe Datensätze hinweg.

Der Zweck des Agents:

• Generiert Hunting-Hypothesen und fragt Datenquellen ab.
• Iteriert durch große Datensätze, um verdächtige Aktivitäten zu identifizieren.
• Führt kontinuierliche Hintergrundsuchen nach neuen Bedrohungen durch.

Der Zweck des Analyse-Agents:

• Validiert Erkenntnisse und bestimmt die geschäftlichen Auswirkungen.
• Untersucht fortgeschrittene oder gezielte Cyberangriffsaktivitäten.
• Verfeinert Hunting-Strategien und -Prioritäten.

Auf die Reaktion auf Sicherheitsvorfälle ist eine schnelle Koordination über Erkennungs-, Untersuchungs- und Eindämmungsaktivitäten hinweg erforderlich.

Der Zweck des Agents:

• Automatisiert das Sammeln von Beweismitteln und die Dokumentation von Vorfällen.
• Erstellt Entwürfe für Zeitachsen und fasst Cyberangriffsaktivitäten zusammen.
• Schließt Eindämmungsmaßnahmen mit Freigabe durch Analyse-Agents ab.
• Hilft beim Schutz von Endpunkten und automatisiert Workflows zur Schwachstellenbehebung.

Der Zweck des Analyse-Agents:

• Genehmigt risikoreiche Reaktionsmaßnahmen.
• Überwacht Maßnahmen zur Behebung und Wiederherstellung.
• Koordiniert die Kommunikation und die Nachbereitung nach dem Vorfall.

Organisationen müssen Sicherheitslücken identifizieren und priorisieren, bevor Bedrohungsakteuren sie ausnutzen können.

Der Zweck des Agents:

• Priorisiert Schwachstellen basierend auf dem Risikoniveau und dem Wert der gefährdeten Ressourcen.
• Identifiziert Gefährdung in Cloud-, Endpunkt- und Identitätsumgebungen.
• Empfiehlt Behebungswege und Maßnahmen zur Minderung.

Der Zweck des Analyse-Agents:

• Bestimmt Behebungsprioritäten basierend auf dem Geschäftsrisiko.
• Validiert empfohlene Aktionen.
• Koordiniert Patchen und Maßnahmen zur Risikominimierung.

Die Überwachung von Identitätsaktivitäten ist entscheidend, um unbefugten Zugriff zu erkennen und den Missbrauch von Rechten zu verhindern.

Der Zweck des Agents:

• Erkennt ungewöhnliche Anmelde- und Zugriffsmuster.
• Identifiziert riskante Berechtigungen und Risiken durch Rechteausweitung.
• Überwacht kontinuierlich identitätsbezogene Bedrohungen.

Die Rolle des Admins für Identität und Zugriff:

• Überprüft risikoreiche Zugriffsereignisse.
• Genehmigt Richtlinien- oder Berechtigungsänderungen.
• Untersucht mögliche Insider- oder Kontoübernahmeaktivitäten.

Sicherheitsteams müssen Erkennungslogik kontinuierlich aufbauen und verfeinern, um mit sich entwickelnden Bedrohungen Schritt zu halten.

Der Zweck des Agents:

• Schreibt und testet Erkennungslogik.
• Validiert die Erkennungsabdeckung und identifiziert Lücken.
• Schlägt Optimierungen vor, um falsch positive Ergebnisse zu reduzieren.

Der Zweck des Analyse-Agents:

• Überprüft und genehmigt Erkennungsaktualisierungen.
• Stimmt Erkennungen auf die Prioritäten des Unternehmens ab.
• Verantwortet die langfristige Sicherheitsarchitektur und Strategie.

Der Schutz vertraulicher Daten erfordert kontinuierliche Überwachung, Klassifizierung und Durchsetzung von Sicherheitsrichtlinien.

Der Zweck des Agents:

• Untersucht und priorisiert Verhinderung von Datenverlust und Insider-Risiken.
• Automatisiert die Ermittlung und Analyse vertraulicher Datenrisiken in allen Umgebungen.
• Identifiziert Richtlinienverstöße und Compliance-Lücken.

Die Rolle des Daten­sicherheitsadmins:

• Überprüft hochriskante Ereignisse zur Datenoffenlegung.
• Bestimmt Compliance- und Governance-Anforderungen.
• Verantwortet Entscheidungen zu Behebung und Durchsetzung von Richtlinien.

Agentische KI in der Cybersicherheit bietet den größten Mehrwert, wenn sie Teams dabei unterstützt, Daten zu analysieren, Warnungen anzureichern und auf Schwachstellen und Bedrohungen in der gesamten Umgebung zu reagieren. Dafür verwenden Organisationen APIs, um Sicherheits-Agents mit den Tools zu verbinden, die bereits verwendet werden, zum Beispiel SOAR, Extended Detection and Response (XDR), Cloud Security Posture Management (CSPM), Identity and Access Management (IAM), Security Information and Event Management (SIEM), EDR-Tools und Ticketinglösungen. Damit können agentische KI-Systeme Informationen abrufen, Workflows koordinieren, Aktionen auslösen und Systeme in Echtzeit aktualisieren.

Automatisierung spart Teams viel Zeit, aber es ist weiterhin wichtig, Kontrolle und Verantwortlichkeit zu wahren, um unbeabsichtigte Aktionen zu vermeiden. Sicherheitsteams verlangen in der Regel, dass Analyse-Agents risikoreiche Entscheidungen prüfen, und ermöglichen gleichzeitig mehr Autonomie bei risikoärmeren Aktionen. In beiden Fällen ist es wichtig, Data Governance und Zugriffssteuerungen einzurichten, damit KI nur mit freigegebenen Systemen und Daten interagiert.

Die Sicherheitsteams, die mit agentischer KI am meisten Erfolg haben, setzen Messwerkzeuge ein, um zu bewerten, wie gut sie ihre Ziele erreichen. So erhalten sie die Informationen, die sie benötigen, um ihre Implementierungen anzupassen und zu verfeinern.

Zu den wichtigsten Erfolgsmetriken gehören:

Zu den Daten, mit denen sich die Wirksamkeit von Security Operations bestimmen lässt, gehören:

• MTTD und MTTR.
• Anzahl der automatisch selektierten oder geschlossenen Warnungen.
• Senkung der Anzahl falsch positiver Ergebnisse.
• Zeit bis zur Untersuchung und Behebung von Vorfällen.

Diese Metriken geben der Führungsebene Einblick, wie agentische KI die Zeiteinteilung von Sicherheitsteams verändert:

• Vom Analyse-Agent aus manueller Untersuchung und Triage zurückgewonnene Stunden.
• Eskalationsrate für Warnungen, die ein Eingreifen von Analyse-Agents erfordern.
• Zeit bis zum Onboarding neuer Analyse-Agents mit KI-gestützten Workflows.
• Reduzierung sich wiederholender oder wenig wertschöpfender Aufgaben.

Führungskräfte können auch sehen, wie sich Sicherheitsverbesserungen mit Metriken wie den folgenden auf die gesamte Organisation auswirken:

• Kosten pro Sicherheitsincident.
• Abdeckung über Umgebungen, Identitäten, Endpunkte und Cloudressourcen hinweg
• Gesamter Compliance-Status und Auditbereitschaft.
• Verringerung der Gefährdung durch betriebsbezogene Risiken im Laufe der Zeit.

Da agentische Systeme mit unterschiedlichen Ebenen der Eigenständigkeit arbeiten, sind Governance, Transparenz und Kontrolle für eine sichere Bereitstellung unerlässlich.

• Schatten-Agents und nicht verwaltete Automatisierung. Wenn agentische Systeme skaliert werden, können Organisationen unbeabsichtigt nicht verwaltete oder doppelte Agents erstellen. Ohne angemessene Überwachung können diese „Schatten-Agents“ zu inkonsistentem Verhalten oder nicht autorisierten Aktionen führen.
• Halluzinationen und falsch positive Ergebnisse. Wie andere KI-Systeme kann auch agentische KI falsche Schlussfolgerungen ziehen oder Daten falsch interpretieren, was ohne Validierung zu unnötigen Warnungen oder falschen Aktionen führen kann.
• Überautomatisierung und Verlust der Überwachung. Eine zu starke Abhängigkeit von Automatisierung kann die Transparenz von Entscheidungsprozessen verringern und das Risiko erhöhen, dass Kontext verloren geht oder unangemessene Aktionen ausgeführt werden.
• Datenschutz und Zugriffssteuerung. Agentische KI-Systeme benötigen Zugriff auf vertrauliche Sicherheitsdaten. Deshalb sind strenge Kontrollen rund um Berechtigungen, Daten-Grenzen und den Zugriff mit minimalen Rechten entscheidend.
• Modell-Drift und adversariale Manipulation. Im Laufe der Zeit kann die Modellleistung nachlassen, wenn sich Umgebungen verändern. Außerdem könnten Angreifer versuchen, Eingaben oder Metriken zu manipulieren, um das Verhalten des Agents zu beeinflussen.

• NIST AI Risk Management Framework (AI RMF) bietet Leitlinien für das Management von KI-bezogenen Risiken über den gesamten Lebenszyklus hinweg, einschließlich Governance, Mapping, Messung und Management.
• ISO/IEC 42001 legt Anforderungen an ein KI-Managementsystem fest und konzentriert sich auf die verantwortungsvolle Entwicklung und Nutzung von KI-Systemen.
• EU AI Act führt eine risikobasierte Klassifizierung und Complianceanforderungen für KI-Systeme ein, die in der EU betrieben werden oder diese beeinflussen.
• Branchenbezogene Vorschriften sind besondere Anforderungen für bestimmte Branchen, zum Beispiel der Health Insurance Portability and Accountability Act (HIPAA) für den Schutz von Gesundheitsdaten, der Payment Card Industry Data Security Standard (PCI DSS) für die Zahlungssicherheit und der Sarbanes-Oxley Act (SOX) für Kontrollen der Finanzberichterstellung.

Wenn Sicherheitsteams agentische KI für Cybersicherheit in ihren Organisationen bereitstellen und skalieren, hilft eine durchdachte Strategie dabei, die Sicherheitsergebnisse zu verbessern und gleichzeitig Transparenz, Verantwortlichkeit und Vertrauen zwischen den Teams zu wahren.

Organisationen führen agentische KI in der Regel in kontrollierten Phasen ein. Sie beginnen mit risikoarmen, unterstützenden Anwendungsfällen, bevor sie auf wirkungsstärkere Aktionen ausweiten. Wichtig ist auch, für Transparenz zu sorgen, wie Sicherheits-Agents Entscheidungen treffen.

Klar definierte Leitplanken helfen dabei, das Verhalten von Agents auf sichere und erwartete Grenzen zu begrenzen. Um das Risiko unerwarteten Verhaltens zu verringern, legen Teams fest, welche Aktionen KI-Agents für die Cybersicherheit autonom ausführen können, richten Genehmigungsabläufe für Vorgänge mit hoher Auswirkung oder sensible Vorgänge ein und setzen Schwellenwerte dafür, wann Sicherheits-Agents an Analyse-Agents eskalieren müssen.

Rollenbasierte Zugriffssteuerung (Role-Based Access Control, RBAC) hilft, das Risiko unbeabsichtigter Aktivitäten zu reduzieren, indem der Zugriff von Agents auf die Systeme, Daten und Aktionen beschränkt wird, die für ihre jeweilige Funktion erforderlich sind. Aus diesem Grund wenden Identitätsteams auf Agents die gleichen Prinzipien des Zugriffs mit minimalen Rechten an wie auf Personen.

Um das Verhalten von Agents nachvollziehen zu können, protokollieren und prüfen Sicherheitsteams alle Aktionen von Agents, einschließlich Entscheidungen, Toolnutzung und Ergebnissen. So können sie Vorfälle untersuchen, Complianceanforderungen erfüllen und Implementierungsprobleme erkennen, die nachjustiert werden müssen.

Analyse-Agents übernehmen agentische KI eher, wenn sie sich informiert und in Kontrolle fühlen. Organisationen können Vertrauen aufbauen, indem sie sicherstellen, dass Empfehlungen von Agents klar und leicht verständlich sind. Sie erzielen auch mehr Erfolg, wenn sie KI nutzen, um die Entscheidungsfindung von Analyse-Agents zu ergänzen statt zu ersetzen.

Security Operations Centers (SOCs), IT und Compliance-Teams spielen alle eine Rolle dabei, agentische KI sicher, effektiv und im Einklang mit der Risikotoleranz der Organisation bereitzustellen. Ein Team aus verschiedenen Fachbereichen hilft Organisationen dabei, operative Anwendungsfälle zu definieren, Integration und Infrastruktur zu verwalten und regulatorische Anforderungen zu erfüllen.

Der Aufbau vollständig agentischer Workflows, die über Sicherheitsdomänen hinweg funktionieren, ist ein mehrstufiger Prozess. Wenn Organisationen ihren operativen Reifegrad erhöhen, benötigen sie stärkere Governance und mehr Überwachung.

In der frühesten Phase nutzen Organisationen vordefinierte Skripts und Workflows, um wiederkehrende Sicherheitsaufgaben zu erledigen.

So sieht Erfolg aus:

• Konsequente Ausführung von Routineaufgaben wie Warnungsanreicherung oder Ticketerstellung.
• Weniger manueller Aufwand in Workflows mit geringer Komplexität.
• Abhängigkeit von statischen Regeln und Playbooks.

Bereitschaftsindikatoren:

• Stabile Integrationen für SIEM, SOAR und Ticketing.
• Klar definierte und wiederholbare Sicherheitsprozesse.
• Ein hohes Volumen sich wiederholender Aufgaben für Analyse-Agents.

In dieser Phase unterstützt KI die Analyse-Agents, indem sie Sichtbarkeit, Zusammenfassungen und Entscheidungsfindung verbessert, aber keine direkten Aktionen ausführt.

So sieht Erfolg aus:

• Schnellere Untersuchung durch KI-generierte Zusammenfassungen und Erkenntnisse.
• Besseres Verständnis von Warnungen und mehr Kontext durch Anreicherung.
• Analyse-Agents bleiben vollständig für Entscheidungen und Aktionen verantwortlich.

Bereitschaftsindikatoren:

• Ausgereifte Datenpipelines und zentralisierte Metriken.
• Etablierte SecOps-Prozesse.
• Bedarf an schnellerer Triage und Unterstützung bei der Untersuchung.

Hier beginnt agentische KI, begrenzte Aktionen innerhalb klar definierter Leitplanken auszuführen, während Personen die Freigabebefugnis für risikoreichere Vorgänge behalten.

So sieht Erfolg aus:

• Automatisierte Triage, Anreicherung und empfohlene Wartungsschritte.
• Geringere Arbeitslast für Analyse-Agents bei wiederkehrenden Untersuchungsaufgaben.
• Freigabe durch Menschen im Prozess für Eindämmungs- und Wartungsaktionen.

Bereitschaftsindikatoren:

• Starke Identitäts- und Zugriffskontrollen für Automatisierungssysteme.
• Gut definierte Eskalations- und Genehmigungsworkflows.
• Vertrauen in die Datenqualität und Systemintegrationen.

Auf der reifsten Stufe arbeitet agentische KI über mehrere Bereiche hinweg und koordiniert Aktionen mit minimalem Eingriff durch Analyse-Agents innerhalb festgelegter Grenzen. So lässt sich End-to-End-Sicherheitsorchestrierung im gesamten Unternehmen umsetzen.

So sieht Erfolg aus:

• Kontinuierliche, autonome Erkennung, Untersuchung und Reaktion über alle Umgebungen hinweg.
• Domänenübergreifende Koordination zwischen Sicherheits-, IT-, Identitäts- und Compliance-Systemen.
• Beim Governance-, Strategie- und Ausnahmehandling steht das Personal im Fokus.

Bereitschaftsindikatoren:

• Ausgereifte Governance-Frameworks für KI und Automatisierung.
• Metriken mit hoher Sicherheit und Datenintegrität über alle Systeme hinweg.
• Starke bereichsübergreifende Abstimmung zwischen Sicherheits-, IT- und Compliance-Teams.
• Etabliertes Vertrauen in automatisierte Entscheidungen mit Nachvollziehbarkeit und Überwachung.

Agentische KI steckt bei der Einführung noch in einem frühen Stadium, aber mehrere klare Trends prägen ihre Entwicklung im Bereich Sicherheit.

• Autonomes Red Teaming. KI-Agents werden zunehmend Gegnerverhalten simulieren, um Abwehrmaßnahmen kontinuierlich zu testen, Schwachstellen zu identifizieren und Sicherheitskontrollen in Echtzeit zu validieren.
• Agent-Schleifen. Agentische KI für Sicherheitsoperationen wird kontinuierlicher und selbstoptimierender werden, wobei Agents Wahrnehmungen, Aktionen und Lernergebnisse nutzen, um Erkennung und Reaktion zu verfeinern.
• KI-zu-KI-Cyberkonflikt. Da auch Cyberangreifer KI einsetzen, können künftige Cyberangriffe defensive und offensive agentische Systeme beinhalten, die direkt gegeneinander antreten.
• Prädiktive Abwehr. Statt auf Vorfälle zu reagieren, werden agentische Systeme Bedrohungen vorausschauend erkennen, indem sie Muster, Gefährdungsdaten und Angreiferverhalten analysieren, um Cyberangriffe zu verhindern, bevor sie eintreten.
• Kollaborative KI-Agents. Mehrere spezialisierte Agents werden Aufgaben wie Erkennung, Untersuchung, Behebung und Berichterstellung koordinieren, um skalierbarere und widerstandsfähigere Sicherheitsabläufe zu schaffen.
• Sich weiterentwickelnde Rolle des Analyse-Agents. Analyse-Agents wird sich von wiederkehrenden Untersuchungs- und Reaktionsaufgaben hin zu höherwertigen Aufgaben wie der Überwachung von Agents, der Richtliniengestaltung und dem strategischen Risikomanagement verlagern.

Unternehmen können Bedrohungen über ihre digitale Umgebung hinweg mit einer einheitlichen, KI-gesteuerten Sicherheitsplattform von Microsoft erkennen, untersuchen und darauf reagieren. Im Mittelpunkt steht Microsoft Security Copilot, eine natürliche, KI-gestützte Sicherheitslösung, mit der Analyse-Agents Vorfälle auswerten, Bedrohungen zusammenfassen und Reaktionsmaßnahmen über alle Umgebungen hinweg koordinieren kann. Eingebettete Agents erweitern diese Funktionen über Microsoft Security-Lösungen hinweg.

Sicherheitsteams sind oft von der Menge an Warnungen, manueller Triage und fragmentierten Untersuchungen überfordert. In Microsoft Defender XDR hilft agentische KI dabei, Risiken mit hoher Priorität zu priorisieren, Vorfälle schneller zu untersuchen und die Effizienz der Reaktion zu verbessern.

• Sicherheitswarnungstriage-Agent – Priorisiert Warnungen, reduziert Störungen und hilft Analysepersonal, sich schneller auf Vorfälle mit hohem Risiko zu konzentrieren.
• Sicherheitsanalyst-Agent – Untersucht Vorfälle, korreliert Signale und empfiehlt Reaktionsmaßnahmen, um SOC-Abläufe zu optimieren.
• Bedrohungssuche-Agent – Sucht in allen Umgebungen nach verborgenen Bedrohungen, verdächtigem Verhalten und neuen Angriffsmustern.
• Agent für dynamische Bedrohungserkennung – Analysiert Aktivitäten kontinuierlich und passt die Erkennungslogik an, um sich entwickelnde Bedrohungen und Anomalien zu identifizieren.
• Threat Intelligence Briefing Agent – Fasst Threat Intelligence in umsetzbare Erkenntnisse zusammen, damit Teams neuen Risiken immer einen Schritt voraus sind.

Zusammen helfen diese Agents dabei, die manuelle Untersuchung zu reduzieren und die Reaktion auf Vorfälle über Endpunkte, Identitäten, E-Mails und Cloudworkloads hinweg zu beschleunigen.

In Microsoft Sentinel hilft Security Copilot Analyse-Agents dabei, von manuellen Untersuchungen zu natürlichen Workflows auf Basis von Promptbooks zu wechseln. Analyse-Agents kann KQL generieren, Vorfälle zusammenfassen, Entitäten anreichern, Benutzer und Geräte analysieren und Untersuchungsschritte über Logic Apps und Promptbooks automatisieren.

Ein benutzerdefinierter Sentinal-Agent für die Berichterstellung bei Vorfällen kann Untersuchungsergebnisse, Entitäten, Erkenntnisse und Schritte zur Behebung aus Vorfällen extrahieren. Promptbooks können auch die Benutzeranalyse automatisieren und Erkenntnisse direkt zu den Vorfallaktivitätsprotokollen hinzufügen.

Diese Funktionen helfen dabei, das manuelle Schreiben von Abfragen zu reduzieren, die Konsistenz bei Untersuchungen zu verbessern und Zeit für Analyse-Agents zu sparen, indem wiederholbare Aufgaben automatisiert werden.

In Microsoft Purview hilft Security Copilot Teams dabei, Daten über Datensicherheitsstatus-Management, Verhinderung von Datenverlust, Insider-Risikomanagement, eDiscovery, Überwachung und Communication Compliance hinweg zu schützen und zu verwalten.

• Datensicherheits-Triage-Agent – Priorisiert DLP- und Insider-Risikowarnungen, erläutert den Risikokontext und kann Wiederherstellungsworkflows mit Datenbesitzenden anstoßen.
• Datensicherheitsstatus-Agent – Findet vertrauliche Daten, erkennt verborgene Risiken und offengelegte Anmeldeinformationen, verbessert die Kennzeichnung von Sensibilität und erstellt Zusammenfassungen für die Führungsebene.

Diese Agents helfen Sicherheitsteams dabei, die manuelle Triage zu reduzieren, kritische Risiken schneller zu priorisieren und den Betrieb für Datensicherheit und Compliance zu stärken.

In Microsoft Entra hilft Security Copilot Teams dabei, riskante Benutzerkonten, ungewöhnliche Anmeldungen, privilegierten Zugriff und identitätsbasierte Bedrohungen zu untersuchen. Copilot kann den Identitätskontext zusammenfassen, Risikosignale erklären und Aktionen wie das Widerrufen von Sitzungen, Zugriffsüberprüfungen oder das Anpassen von Bedingten Zugriffsrichtlinien empfehlen.

Zu den Funktionen gehören Agents für Identität und Zugriff sowie Microsoft Entra-Agent-ID, mit der Unternehmen KI-Agent-Identitäten mit Lebenszyklusverwaltung, Zugriffsgovernance und Schutzkontrollen für Identitäten registrieren, verwalten und steuern können.

Diese Funktionen helfen Unternehmen dabei, Identitätsrisiken zu verringern und Zero Trust-Prinzipien auf menschliche und KI-Identitäten gleichermaßen anzuwenden.

In Microsoft Intune hilft Security Copilot Endpunkt- und IT-Teams dabei, Geräte-Compliance, Konfigurationsabweichungen, Schwachstellen und Behebungsbedarf zu verstehen. Copilot kann das Geräterisiko zusammenfassen, Nichtkonformitäten erläutern, nächste Schritte empfehlen und Teams helfen, schneller zu reagieren.

Endpunktverwaltungs-Agents helfen dabei, Complianceprüfungen zu automatisieren, Geräteprobleme zu untersuchen und die Behebung über verwaltete Endpunkte hinweg zu steuern.

Diese Funktionen helfen dabei, die manuelle Untersuchung von Endpunkten zu reduzieren, Compliancevorgänge zu verbessern und Konfigurationslücken schneller zu schließen.

Gemeinsam helfen Microsoft Security Copilot und eingebettete Agents Unternehmen dabei, von reaktiven, manuellen Security Operations zu einer adaptiven, KI-gestützten Abwehr zu wechseln, die Schutz, Geschwindigkeit und Skalierung über den gesamten Sicherheitslebenszyklus hinweg verbessert.