Da Unternehmen die Einführung von KI beschleunigen, setzen viele auf generative KI (GenAI) als Eckpfeiler ihrer Sicherheitsstrategie.
Doch laut Melissa Ruzzi, Director of AI bei AppOmni, kann das alleinige Vertrauen auf GenAI mehr Lücken schaffen, als es schließt.
„GenAI ist nicht deterministisch und sprachfokussiert und daher in bestimmten Fällen nicht das geeignetste Werkzeug“, erklärte Ruzzi in einer E-Mail an eSecurityPlanet.
Sie ergänzte: „Das ist, als würde man einen Taschenrechner durch Würfeln ersetzen, wenn man Zahlen addieren möchte.“
Ihre Einschätzung spiegelt eine wachsende Erkenntnis in der gesamten Branche wider: GenAI ist zwar leistungsfähig, aber nur ein Baustein eines weitaus größeren KI-Werkzeugsatzes, der erforderlich ist, um moderne Herausforderungen der Cybersicherheit wirksam zu bewältigen.
Warum GenAI in der Sicherheit allein nicht ausreicht
Sicherheitsteams sehen sich einer beispiellosen Datenmenge und -komplexität gegenüber: In Cloud-Umgebungen, SaaS-Plattformen und auf Endgeräten werden Millionen von Signalen erzeugt.
GenAI kann zwar dabei helfen, Daten zusammenzufassen und zu interpretieren, tut sich aber mit deterministischen Aufgaben, tiefgehenden mathematischen Analysen und der Korrelation großer Datenmengen schwer.
Ruzzi betonte, dass der Erfolg von KI-gestützter Sicherheit weniger von der Ausgereiftheit eines Modells abhängt als davon, wie gut Teams verschiedene Ansätze kombinieren. „Fachwissen im Bereich Sicherheit, nicht hochentwickelte KI-Algorithmen, ist der wichtigste Erfolgsfaktor“, sagte sie.
Das bedeutet, dass Unternehmen über die Annahme hinausgehen müssen, dass große Sprachmodelle allein Sicherheitsprobleme lösen können, und stattdessen einen ausgewogeneren Ansatz verfolgen sollten, der traditionelles maschinelles Lernen, Statistik und Data Science umfasst.
Warum GenAI mit unverarbeiteten Sicherheitsdaten Schwierigkeiten hat
Eine der zentralen Einschränkungen von GenAI in der Sicherheit ist die Abhängigkeit von Sprache und probabilistischen Ausgaben. Wird GenAI ohne Kontext oder Struktur auf unverarbeitete Sicherheitsdaten angewendet, kann es allgemeine oder sogar irreführende Ergebnisse erzeugen.
Ruzzi merkte an, dass das Einspeisen großer Mengen unaufbereiteter Daten in GenAI-Systeme deren Wirksamkeit häufig einschränkt. Ohne saubere, hochwertige Daten und den passenden fachlichen Kontext fehlt den KI-Ergebnissen die nötige Tiefe für verwertbare Erkenntnisse.
Deshalb beginnen viele Unternehmen, ihre Strategien zu überdenken – und von GenAI-zentrierten Ansätzen zu stärker integrierten KI-Frameworks überzugehen.
Die richtige KI für das richtige Problem einsetzen
Um einen sinnvollen Nutzen aus KI zu ziehen, müssen Unternehmen die richtigen Werkzeuge auf die richtigen Probleme anwenden. Dazu gehört die Kombination von:
- Traditionellem maschinellem Lernen zur Erkennung von Mustern und Identifizierung von Anomalien.
- Fortgeschrittener Statistik für quantitative Analysen und Risikobewertung.
- GenAI und KI-Agenten für Kontextverständnis, Zusammenfassungen und die Automatisierung von Arbeitsabläufen.
Dieser mehrschichtige Ansatz ermöglicht es Teams, die Lücke zwischen numerischer Analyse und kontextbezogenen Erkenntnissen zu schließen – etwas, das keine einzelne KI-Methode allein leisten kann.
Ruzzi hob außerdem hervor, dass Sicherheitsrisiken grundsätzlich kontextabhängig sind.
Es geht nicht nur darum, Anomalien zu erkennen, sondern auch Beziehungen zu verstehen – etwa wie die Berechtigungen eines Benutzers mit sensiblen Daten und Systemkonfigurationen zusammenwirken.
Die Kombination mehrerer KI-Techniken ermöglicht eine tiefere Korrelation und eine präzisere Risikobewertung.
KI in Sicherheitsteams wirksam einsetzen
Unternehmen, die KI in der Cybersicherheit operationalisieren möchten, sollten sich auf mehrere zentrale Bereiche konzentrieren.
Datenqualität über Modellkomplexität stellen
KI-Systeme sind nur so leistungsfähig wie die Daten, auf denen sie basieren.
Saubere, umfassende Datensätze – darunter Auditprotokolle, Konfigurationen und API-Telemetriedaten – sind weitaus wertvoller als die Einführung immer komplexerer Modelle.
Eine schlechte Datenqualität führt unabhängig vom verwendeten Modell zu Halluzinationen und unzuverlässigen Ergebnissen.
Von der Alarmtriage zu narrativen Erkenntnissen übergehen
Sicherheitsteams werden von Warnmeldungen überflutet. Anstatt KI zur Untersuchung von Problemen einzeln einzusetzen, sollten Unternehmen sie nutzen, um aussagekräftige Muster sichtbar zu machen und das Wichtigste zu priorisieren.
So können sich Analysten auf Risiken mit großen Auswirkungen konzentrieren, statt sich durch irrelevante Daten zu arbeiten.
Numerische und kontextbezogene Analysen verbinden
Reine statistische Modelle bieten keinen Kontext, während GenAI bei der numerischen Analyse an Präzision mangelt.
Die Kombination beider Ansätze ermöglicht ein vollständigeres Verständnis von Risiken, indem Verhalten, Berechtigungen und Datenempfindlichkeit miteinander verknüpft werden.
Wiederkehrende Aufgaben der Risikobewertung automatisieren
KI kann den manuellen Aufwand verringern, indem sie Korrelationen automatisiert und komplexe Risiken identifiziert – etwa unbefugte Ausweitung von Berechtigungen oder veraltete Konfigurationen.
So können Teams von reaktiven Untersuchungen zu proaktivem Handeln übergehen und die Zeit bis zur Behebung von Wochen auf Minuten verkürzen.
Intelligentere KI-Sicherheitsprogramme aufbauen
Während KI die Cybersicherheit weiter verändert, bewegt sich die Branche auf stärker integrierte und pragmatischere Ansätze zu.
Der Fokus verlagert sich weg von der Jagd nach den fortschrittlichsten Modellen und hin zum Aufbau von Systemen, die mehrere KI-Techniken mit fundiertem Fachwissen kombinieren.
Diese Entwicklung spiegelt zudem einen breiteren Trend wider: KI wird unverzichtbar, um mit modernen Bedrohungen Schritt zu halten, doch ihre Wirksamkeit hängt davon ab, wie sie implementiert wird.
Unternehmen, die KI als eigenständige Lösung betrachten, riskieren eine Überkomplizierung bei unzureichenden Ergebnissen. Wer sie hingegen sorgfältig in bestehende Arbeitsabläufe integriert, wird den größten Nutzen erzielen.
Letztlich ist GenAI kein Ersatz für traditionelle Methoden – sie ist eine Erweiterung derselben.
Wenn Sicherheitsteams ihre Strategien verfeinern, geht es nicht darum, sich auf ein einzelnes Werkzeug zu verlassen, sondern einen kohärenten KI-gestützten Ansatz aufzubauen, der Automatisierung, Genauigkeit und menschliches Urteilsvermögen ausbalanciert.
Wie Ruzzis Erkenntnisse zeigen, geht es bei der Zukunft der Cybersicherheit nicht nur um die Einführung von KI – sondern darum, die richtige Kombination aus Werkzeugen, Daten und Fachwissen zu nutzen, damit sie wirksam funktioniert.