{"id":1335,"date":"2026-10-06T09:41:58","date_gmt":"2026-10-06T07:41:58","guid":{"rendered":"https:\/\/www.g-lorenzen.de\/?p=1335"},"modified":"2026-10-06T11:58:28","modified_gmt":"2026-10-06T09:58:28","slug":"kuenstliche-intelligenz-in-der-cybersicherheit-chancen-risiken-und-praktischer-pruefkatalog-fuer-resiliente-ki-systeme","status":"publish","type":"post","link":"https:\/\/www.g-lorenzen.de\/index.php\/2026\/10\/06\/kuenstliche-intelligenz-in-der-cybersicherheit-chancen-risiken-und-praktischer-pruefkatalog-fuer-resiliente-ki-systeme\/","title":{"rendered":"K\u00fcnstliche Intelligenz in der Cybersicherheit: Chancen, Risiken und praktischer Pr\u00fcfkatalog f\u00fcr resiliente KI-Systeme"},"content":{"rendered":"\n

1. Die Doppelrolle der KI in der modernen Cybersicherheit<\/strong><\/h2>\n\n\n\n

Die fortschreitende Digitalisierung und die zunehmende Komplexit\u00e4t von Cyberangriffen stellen Unternehmen, Beh\u00f6rden und IT-Sicherheitsverantwortliche vor immense Herausforderungen. Angriffe erfolgen mit hoher Geschwindigkeit, nutzen automatisierte Angriffsmuster und erfordern reaktionsschnelle Verteidigungsmechanismen. In diesem dynamischen Umfeld hat sich K\u00fcnstliche Intelligenz (KI) zu einer zentralen Schl\u00fcsseltechnologie entwickelt. KI-Systeme erm\u00f6glichen die Echtzeitanalyse riesiger Datenmengen, die automatische Erkennung ungew\u00f6hnlicher Muster im Netzwerkverkehr und die Priorisierung von Sicherheitsmeldungen.<\/p>\n\n\n\n

Gleichzeitig erzeugt der Einsatz von KI jedoch neuartige Risiken und erweitert die digitale Angriffsfl\u00e4che. Wie das Bundesamt f\u00fcr Sicherheit in der Informationstechnik (BSI) in seinen Ver\u00f6ffentlichungen und Whitepapern betont, stehen Organisationen vor einem Dilemma: W\u00e4hrend KI-gest\u00fctzte Werkzeuge wie Network Intrusion Detection Systeme (NIDS), automatisierte Code-Analysen oder Sprachmodelle (LLMs) die Verteidigung st\u00e4rken, sind die zugrunde liegenden Modelle selbst anf\u00e4llig f\u00fcr gezielte Manipulationen, Erkl\u00e4rungsf\u00e4lschungen und Datenlecks.<\/p>\n\n\n\n

Besonders die mangelnde Nachvollziehbarkeit komplexer KI-Modelle \u2013 das sogenannte Blackbox-Problem \u2013 erschwert fundierte Sicherheitsentscheidungen. Methoden der erkl\u00e4rbaren K\u00fcnstlichen Intelligenz (Explainable AI, XAI) versprechen Abhilfe, bringen jedoch ihrerseits spezifische Sicherheitsrisiken mit sich. Dieser Beitrag beleuchtet auf Basis der BSI-Grundlagen die zentralen Sicherheitsl\u00fccken beim Einsatz von KI, stellt wirksame Gegenma\u00dfnahmen vor und bietet einen praxisnahen Pr\u00fcfkatalog f\u00fcr die systematische Sicherheitsbewertung.<\/p>\n\n\n\n

\n\n\n\n

2. Risiken und Sicherheitsl\u00fccken beim Einsatz von KI und XAI<\/strong><\/h2>\n\n\n\n

Der Einsatz von KI-Systemen unterscheidet sich grundlegend von klassischer Software. KI-Modelle basieren auf statistischen Mustern und komplexen Parameterstrukturen, was neuartige Angriffsvektoren er\u00f6ffnet. Das BSI unterteilt die Risiken in direkte Angriffe auf KI-Modelle, Missbrauch von Erkl\u00e4rungsmechanismen (XAI) sowie betriebliche und architektonische Schwachstellen.<\/p>\n\n\n\n

2.1 Wie Angreifer Erkl\u00e4rungen (XAI) als Angriffsvektor missbrauchen<\/strong><\/h3>\n\n\n\n

Erkl\u00e4rbare K\u00fcnstliche Intelligenz soll Transparenz schaffen, indem sie aufzeigt, welche Eingabemerkmale (Features) zu einer konkreten Entscheidung beigetragen haben \u2013 beispielsweise bei der Erkennung eines Angriffs durch ein Intrusion Detection System mittels SHAP-Werten (SHapley Additive exPlanations). Allerdings k\u00f6nnen genau diese Erkl\u00e4rungen von Angreifern als Informationsquelle missbraucht werden:<\/p>\n\n\n\n

    \n
  • Erleichterung von Modelldiebstahl (Model Extraction Attacks)<\/strong>: Beim Modelldiebstahl versucht ein Angreifer, ein urheberrechtlich gesch\u00fctztes oder sicherheitsrelevantes KI-Modell (beispielsweise einen KI-basierten Virenscanner) durch systematische Abfragen nachzubilden. Normale Modelldiebst\u00e4hle erfordern eine sehr hohe Anzahl an Abfragen, was durch Monitoring-Systeme erkannt wird. Durch den Zugriff auf XAI-Erkl\u00e4rungen erh\u00e4lt der Angreifer jedoch detaillierte Informationen \u00fcber die lokalen Entscheidungsgrenzen und die Relevanz einzelner Merkmale. Dies erm\u00f6glicht es, das Modell mit einer signifikant geringeren Abfragerate und extrem hoher Pr\u00e4zision zu rekonstruieren.<\/li>\n\n\n\n
  • Missbrauch kontrafaktischer Erkl\u00e4rungen zur Malware-Generierung<\/strong>: Kontrafaktische XAI-Methoden beantworten die Frage, welche minimalen \u00c4nderungen an einer Eingabe erforderlich sind, um eine andere Modellentscheidung hervorzurufen. Angreifer k\u00f6nnen diesen Mechanismus zweckentfremden: Sie analysieren, welche spezifischen Code-Zeilen oder Datei-Eigenschaften ver\u00e4ndert werden m\u00fcssen, damit eine Schadsoftware von einem KI-basierten Antivirenprogramm nicht mehr als malizi\u00f6s eingestuft wird, w\u00e4hrend ihre funktionale Schadwirkung vollst\u00e4ndig erhalten bleibt.<\/li>\n<\/ul>\n\n\n\n

    2.2 Gezielte Manipulationen und Angriffe auf Erkl\u00e4rungsmechanismen<\/strong><\/h3>\n\n\n\n

    XAI-Systeme sind selbst Ziel von Angriffen. Durch gezielte Manipulation soll das tats\u00e4chliche Verhalten eines KI-Modells verschleiert werden, um Kontrollstellen oder Sicherheitsanalysten in tr\u00fcgerischer Sicherheit zu wiegen:<\/p>\n\n\n\n

      \n
    • Verdeckte Manipulationen bei Backdoor-Angriffen<\/strong>: In einem White-Box-Szenario (beispielsweise bei der B\u00f6sartigkeit eines Insiders oder einer Kompromittierung der Lieferkette) kann ein KI-Modell so pr\u00e4pariert werden, dass es bei normalen Eingaben korrekte Ergebnisse liefert. Sobald jedoch ein bestimmter Ausl\u00f6ser (Trigger) vorliegt, trifft das Modell eine Fehlentscheidung. Zeitgleich wird die XAI-Methode so manipuliert, dass auch die generierte Erkl\u00e4rung unauff\u00e4llig bleibt und keinerlei Hinweise auf das Fehlverhalten liefert.<\/li>\n\n\n\n
    • Black-Box-Manipulation von Erkl\u00e4rungen<\/strong>: Forschungsarbeiten des BSI belegen, dass Erkl\u00e4rungen auch ohne internen Modellzugriff durch gezielt strukturierte Eingaben (Adversarial Perturbations) manipuliert werden k\u00f6nnen. Die ausgegebene Erkl\u00e4rung t\u00e4uscht dann eine falsche Entscheidungsgrundlage vor, wodurch kritische Sicherheitsalarme von Analysten als Fehlalarm verworfen werden.<\/li>\n<\/ul>\n\n\n\n

      2.3 Betriebliche Herausforderungen und architektonische Systemgrenzen<\/strong><\/h3>\n\n\n\n

      Neben vors\u00e4tzlichem Missbrauch ergeben sich aus den technischen Eigenschaften von XAI und KI-Systemen strukturelle Schwachstellen im Regelbetrieb:<\/p>\n\n\n\n

        \n
      • Das Uneinigkeitsproblem (Disagreement Problem)<\/strong>: Verschiedene post-hoc Erkl\u00e4rbarkeitsoberfl\u00e4chen verwenden unterschiedliche mathematische Annahmen zur Berechnung von Erkl\u00e4rungen. In der Praxis f\u00fchrt dies h\u00e4ufig dazu, dass zwei etablierte XAI-Methoden f\u00fcr exakt dieselbe Modellvorhersage widerspr\u00fcchliche Erkl\u00e4rungen liefern. Diese Uneinigkeit l\u00e4sst sich technisch nicht ohne Weiteres aufl\u00f6sen und kann bei IT-Sicherheitsanalysen zu Verz\u00f6gerungen oder Fehlbeurteilungen f\u00fchren.<\/li>\n\n\n\n
      • Fehlinterpretationen durch fehlendes Dom\u00e4nenwissen<\/strong>: XAI-Ausgaben sind f\u00fcr Laien selten intuitiv verst\u00e4ndlich. Ohne tiefgehendes Fachwissen im jeweiligen Anwendungsfall (wie etwa Netzwerkprotokolle bei NIDS) besteht das Risiko, dass Sicherheitsbeauftragte falsche Schlussfolgerungen aus Erkl\u00e4rungsdiagrammen ziehen.<\/li>\n\n\n\n
      • Zielkonflikt mit der Berechnungskomplexit\u00e4t (Computational Costs)<\/strong>: Die nachtr\u00e4gliche Berechnung komplexer Erkl\u00e4rungen erfordert erhebliche Rechenressourcen. Dies f\u00fchrt zu erh\u00f6hten Latenzzeiten und steigenden Hardwarekosten, was insbesondere bei Echtzeit-Anwendungen zur Deaktivierung von Schutzmechanismen verleiten kann.<\/li>\n<\/ul>\n\n\n\n

        2.4 Sicherheitsl\u00fccken in Generativer KI und Sprachmodellen (LLMs)<\/strong><\/h3>\n\n\n\n

        Beim Einsatz von universellen Sprachmodellen (Large Language Models) und generativer KI identifiziert das BSI spezifische Angriffsmuster:<\/p>\n\n\n\n

          \n
        • Evasion Attacks & Indirect Prompt Injection<\/strong>: In dokumentenbasierten LLM-Chats oder KI-Programmierassistenten k\u00f6nnen Angreifer \u00fcber nicht vertrauensw\u00fcrdige Datenquellen (beispielsweise pr\u00e4parierte PDF-Dokumente oder Webseiten) versteckte Steuerbefehle einspeisen. Diese indirekten Prompt Injections veranlassen das Modell dazu, Sicherheitsvorgaben zu ignorieren, vertrauliche Daten zu exfiltrieren oder fehlerhaften Programmcode zu generieren.<\/li>\n\n\n\n
        • Bias und mangelnde Trainingsdatenqualit\u00e4t<\/strong>: Verzerrungen (Bias) in den Trainingsdaten f\u00fchren dazu, dass KI-Modelle in bestimmten Szenarien systematische Fehlentscheidungen treffen. Fehlt eine transparente \u00dcberpr\u00fcfung der Datenhistorie, bleiben diese Schwachstellen bis zum Sicherheitsvorfall unentdeckt.<\/li>\n<\/ul>\n\n\n\n
          \n\n\n\n

          3. Schutzma\u00dfnahmen und Sicherheitsstrategien f\u00fcr KI-\u00d6kosysteme<\/strong><\/h2>\n\n\n\n

          Um KI-Systeme und XAI-Komponenten wirkungsvoll zu h\u00e4rten, empfiehlt das BSI eine Kombination aus technischen, organisatorischen und personellen Schutzma\u00dfnahmen.<\/p>\n\n\n\n

          3.1 Technische Schutzma\u00dfnahmen und mehrstufige Filterung<\/strong><\/h3>\n\n\n\n

          Die technische Absicherung einer KI-Architektur erfordert eine mehrstufige Validierungskette, um sch\u00e4dliche Eingaben abzufangen und den Informationsabfluss zu begrenzen:<\/p>\n\n\n\n

            \n
          1. Abfragebeschr\u00e4nkung (Rate Limiting)<\/strong>: Zur Abwehr von Modelldiebstahl und automatisiertem XAI-Scraping wird die Anzahl der zul\u00e4ssigen Modellabfragen pro Zeiteinheit strikt limitiert (beispielsweise maximal 5 Abfragen pro Minute mit erzwungenen Pausen bei \u00dcberschreitung).<\/li>\n\n\n\n
          2. Need-to-know-Prinzip f\u00fcr Erkl\u00e4rungen<\/strong>: Detaillierte Erkl\u00e4rungsdaten d\u00fcrfen nicht uneingeschr\u00e4nkt offengelegt werden. \u00dcber ein feingranulares Rollen- und Rechtemanagement erhalten Nutzer nur die f\u00fcr ihre spezifische Aufgabe absolut notwendigen Erkl\u00e4rungsdetails.<\/li>\n\n\n\n
          3. Adversarielles Training<\/strong>: KI-Modelle werden bereits w\u00e4hrend der Trainingsphase gezielt mit manipulierten Eingaben (Adversarial Examples) konfrontiert und geh\u00e4rtet, um die Robustheit gegen\u00fcber Evasion Attacks zu steigern.<\/li>\n\n\n\n
          4. Basisschutz gegen Indirect Prompt Injection<\/strong>: Trennung von System-Prompts und nicht vertrauensw\u00fcrdigen Dateninhalten, strikte Eingabe- und Ausgabe-Validierung sowie Abschottung von LLM-Schnittstellen gegen\u00fcber externen Netzwerkaufrufen.<\/li>\n<\/ol>\n\n\n\n

            3.2 Organisatorische Governance und Supply Chain Security<\/strong><\/h3>\n\n\n\n
              \n
            • Red Teaming & Unabh\u00e4ngige Audits<\/strong>: Regelm\u00e4\u00dfige adversarielle Tests (Red Teaming), bei denen Sicherheitsteams gezielt versuchen, das KI-Modell und die XAI-Komponenten zu t\u00e4uschen, aufzudecken und zu umgehen.<\/li>\n\n\n\n
            • Software Bill of Materials for AI (SBOM for AI)<\/strong>: Transparente Dokumentation der gesamten KI-Lieferkette gem\u00e4\u00df den G7- und BSI-Empfehlungen. Eine SBOM for AI erfasst Trainingsdatens\u00e4tze, Modellarchitekturen, Hyperparameter, verwendete Bibliotheken und Vorverarbeitungsschritte.<\/li>\n\n\n\n
            • \u00dcberwachung der Computational Costs<\/strong>: Regelm\u00e4\u00dfiges Monitoring des Ressourcenverbrauchs von XAI-Algorithmen, um Performance-Engp\u00e4sse und Denial-of-Service-Risiken fr\u00fchzeitig zu vermeiden.<\/li>\n<\/ul>\n\n\n\n

              3.3 Personelle Ma\u00dfnahmen und Kompetenzaufbau<\/strong><\/h3>\n\n\n\n
                \n
              • Aufkl\u00e4rung \u00fcber XAI-Limitationen<\/strong>: Schulung von Sicherheitsbeauftragten und Analysten zur kritischen Hinterfragung von XAI-Ausgaben und zur Vermeidung von Blindvertrauen (Overreliance).<\/li>\n\n\n\n
              • Kompetenzaufbau f\u00fcr Dom\u00e4nenwissen<\/strong>: Bef\u00e4higung des Personals, Modellergebnisse im Kontext des spezifischen Fachbereichs zu validieren und das Uneinigkeitsproblem bei XAI-Methoden sachgerecht einzuordnen.<\/li>\n<\/ul>\n\n\n\n
                \n\n\n\n

                4. Pr\u00fcfkatalog zur Sicherheitsbewertung von KI-Systemen<\/strong><\/h2>\n\n\n\n

                Der folgende Pr\u00fcfkatalog unterst\u00fctzt IT-Sicherheitsbeauftragte, Entwickler und Pr\u00fcforganisationen bei der systematischen Bewertung von KI-Anwendungen und XAI-L\u00f6sungen. Er basiert auf den Checklisten und Kriterienkatalogen des BSI (unter anderem QUAIDAL, AIC4 und das XAI-Whitepaper).<\/p>\n\n\n\n

                4.1 Kategorie I: Wissensmanagement & Awareness<\/strong><\/h3>\n\n\n\n

                Die organisatorische Verankerung von Sicherheitswissen bildet das Fundament f\u00fcr den sicheren Betrieb von KI-L\u00f6sungen. Die folgende \u00dcbersicht definiert die zentralen Anforderungen an Personalschulungen und Informationsprozesse.<\/p>\n\n\n\n

                Pr\u00fcfkriterium<\/th>Anforderung & Pr\u00fcfgegenstand<\/th>Umsetzungsstatus<\/th><\/tr>
                WM-01: Personalschulung<\/strong><\/td>Nutzende und Analysten sind \u00fcber Chancen, Grenzen und Angriffsrisiken von KI und XAI geschult.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                WM-02: Stand der Technik<\/strong><\/td>Die Entwicklungsteams beobachten fortlaufend den aktuellen Forschungsstand zu KI-Schwachstellen.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                WM-03: Cyber Threat Intelligence<\/strong><\/td>Aktuelle Bedrohungsinformationen zu eingesetzten KI-Bibliotheken und XAI-Tools werden ausgewertet.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

                4.2 Kategorie II: Organisatorische Governance & Auditierung<\/strong><\/h3>\n\n\n\n

                Ein strukturierter Audit-Prozess stellt sicher, dass Risiken \u00fcber den gesamten Lebenszyklus \u00fcberwacht werden. Nachfolgend sind die Kriterien f\u00fcr Risikomanagement und kontinuierliche \u00dcberpr\u00fcfung zusammengestellt.<\/p>\n\n\n\n

                Pr\u00fcfkriterium<\/th>Anforderung & Pr\u00fcfgegenstand<\/th>Umsetzungsstatus<\/th><\/tr>
                OG-01: Spezifische Risikoanalyse<\/strong><\/td>Eine anwendungsfallbezogene Risikoanalyse f\u00fcr das KI-Modell inklusive der XAI-Komponenten liegt vor.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                OG-02: Red Teaming<\/strong><\/td>Gezielte Penetrationstests und adversarielle Angriffe auf Modell und Erkl\u00e4rungen wurden durchgef\u00fchrt.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                OG-03: Regelm\u00e4\u00dfige Audits<\/strong><\/td>Bei kontinuierlichem Nachtraining des Modells finden periodische \u00dcberpr\u00fcfungen der Modellg\u00fcte statt.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                OG-04: Cost & Performance Monitoring<\/strong><\/td>Die Rechenzeit und Latenz der XAI-Erkl\u00e4rungen wird \u00fcberwacht, um DoS-Risiken zu vermeiden.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

                4.3 Kategorie III: Technische H\u00e4rtung & Systemarchitektur<\/strong><\/h3>\n\n\n\n

                Technische Schutzmechanismen minimieren die Angriffsfl\u00e4che an den Schnittstellen des KI-Systems. Die Tabelle nennt die wesentlichen Kontrollen f\u00fcr API-Schutz und Modellh\u00e4rtung.<\/p>\n\n\n\n

                Pr\u00fcfkriterium<\/th>Anforderung & Pr\u00fcfgegenstand<\/th>Umsetzungsstatus<\/th><\/tr>
                TH-01: Rate Limiting<\/strong><\/td>Die Abfrageanzahl an die API ist wirksam beschr\u00e4nkt, um Modelldiebstahl zu verhindern.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                TH-02: Need-to-know bei XAI<\/strong><\/td>Erkl\u00e4rungsdaten werden im Sinne des Minimalprinzips nur autorisierten Rollen bereitgestellt.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                TH-03: Adversarielles Training<\/strong><\/td>Das Modell wurde mit gelabelten Adversarial Examples gegen Evasion Attacks geh\u00e4rtet.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                TH-04: Prompt-Injection-Schutz<\/strong><\/td>Bei LLM-Anwendungen sind System-Prompts und Eingabedaten strikt getrennt und validiert.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                TH-05: XAI-Methodenevaluation<\/strong><\/td>Eingesetzte XAI-Methoden wurden hinsichtlich ihrer Anf\u00e4lligkeit f\u00fcr Manipulationen bewertet.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

                4.4 Kategorie IV: Datenqualit\u00e4t, Transparenz & Supply Chain<\/strong><\/h3>\n\n\n\n

                Sicherheit beginnt bei der Datenakquise und erfordert vollst\u00e4ndige Transparenz \u00fcber alle Modellkomponenten. Die Kriterien in dieser Kategorie decken Trainingsdaten und Lieferkettenabdeckung ab.<\/p>\n\n\n\n

                Pr\u00fcfkriterium<\/th>Anforderung & Pr\u00fcfgegenstand<\/th>Umsetzungsstatus<\/th><\/tr>
                DT-01: Trainingsdaten-Qualit\u00e4t<\/strong><\/td>Qualit\u00e4tskriterien der Trainingsdaten (beispielsweise gem\u00e4\u00df BSI QUAIDAL) wurden systematisch gepr\u00fcft.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                DT-02: Bias-Detektion & Mitigation<\/strong><\/td>Trainingsdaten und Modellausgaben wurden auf systematische Verzerrungen (Bias) untersucht.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                DT-03: Software Bill of Materials (SBOM)<\/strong><\/td>Eine transparente SBOM for AI dokumentiert Datenquellen, Modellarchitektur und Bibliotheken.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr>
                DT-04: Menschliche Aufsicht (Human-in-the-Loop)<\/strong><\/td>Sicherheitskritische Entscheidungen erfordern eine finale Validierung durch qualifizierte Fachkr\u00e4fte.<\/td>Offen \/ In Pr\u00fcfung \/ Erf\u00fcllt<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
                \n\n\n\n

                5. Fazit & Ausblick<\/strong><\/h2>\n\n\n\n

                K\u00fcnstliche Intelligenz bietet enorme Potenziale zur St\u00e4rkung der IT-Resilienz, stellt Sicherheitsteams jedoch vor v\u00f6llig neue Herausforderungen. Wie die Analysen des BSI zeigen, ist erkl\u00e4rbare KI (XAI) ein wertvolles Hilfsmittel zur Modelloptimierung und Fehlerdiagnose, kann jedoch aufgrund bestehender Limitationen \u2013 wie dem Uneinigkeitsproblem oder der Anf\u00e4lligkeit f\u00fcr Modelldiebstahl \u2013 nicht als alleinige Sicherheitsgarantie dienen.<\/p>\n\n\n\n

                Ein verl\u00e4sslicher Schutz erfordert daher einen ganzheitlichen Ansatz: Technische H\u00e4rtungsma\u00dfnahmen wie Rate Limiting und Prompt-Filtering m\u00fcssen mit organisatorischer Governance, transparenter Lieferketten-Dokumentation (SBOM for AI) und kontinuierlichem Personaltraining kombiniert werden. Mit dem vorgestellten Pr\u00fcfkatalog erhalten Organisationen ein praxistaugliches Instrument an die Hand, um KI-Anwendungen von der Entwicklung bis zum Betrieb systematisch auf Sicherheitsrisiken zu \u00fcberpr\u00fcfen und nachhaltig abzusichern.<\/p>\n\n\n\n

                <\/p>\n","protected":false},"excerpt":{"rendered":"

                1. Die Doppelrolle der KI in der modernen Cybersicherheit Die fortschreitende Digitalisierung und die zunehmende…<\/p>\n","protected":false},"author":1,"featured_media":667,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[4],"tags":[],"class_list":["post-1335","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-it-audit"],"_links":{"self":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts\/1335","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/comments?post=1335"}],"version-history":[{"count":1,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts\/1335\/revisions"}],"predecessor-version":[{"id":1336,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/posts\/1335\/revisions\/1336"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/media\/667"}],"wp:attachment":[{"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/media?parent=1335"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/categories?post=1335"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.g-lorenzen.de\/index.php\/wp-json\/wp\/v2\/tags?post=1335"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}