Am 11. und 12. Oktober 2026 haben Angreifer die Steuerungssysteme industrieller Kühlanlagen bei den großen französischen Einzelhandelsketten angegriffen. Sie manipulierten die Abtau-Parameter und setzten sie auf hohe Temperaturen, die Kompressoren fielen aus. Die Ware verdarb, in mindestens 15 Fällen kam es zu Brandausbrüchen. Knapp fünf Wochen später, am 12. und 13. November, waren Outlook und Exchange Online sowie zahlreiche weitere Microsoft-Dienste weltweit knapp 24 Stunden lang eingeschränkt. Am selben Abend noch, am 13. November, verhängte die US-Luftfahrtbehörde einen landesweiten Startstopp; rund 12.500 Fluge wurden gestrichen.
Die Frage, die sich daraus ergibt: Was geschieht, wenn Angriffe innerhalb von Sekunden vorbereitet und ausgeführt werden können, während menschliche Sicherheitsteams noch versuchen, die erste Warnmeldung zu bewerten?
Warum die drei Vorfälle aus Oktober und November 2026 zusammenpassen
Der Angriff auf Kühlanlagen: Ein Angriff auf einen industriellen Prozess
Das französische CERT, getragen von einem Koordinationszentrum aus ANSSI, COMCYBER, DGA, DGSE und DGSI, beschrieb den Vorfall am 9. November: rund 700 Standorte der großen Vertriebsketten, manipulierte Abtau-Parameter, erhebliche Warenverluste und mindestens 15 Brandausbrüchen. Die Vorgehensweise war klassisch: Zugangsdaten- und Konfigurationsschwachstellen in internet-exponierten OT-Geräten, automatisiertes Scanning, gezielte Manipulation der Steuerungsparameter. Für den Einsatz von KI gibt es weder einen Hinweis noch eine Behauptung in den Quellen.
Die Zuschreibung ist bemerkenswert, weil sie zurückhaltend formuliert ist. Das CERT spricht von einem "faisceau d'indices", einem Bündel von Indizien, das die Revolutionsgarde als Auftraggeberin und die Einheit Shahid Kaveh als Ausführende nahelegt: dieselbe Angriffsinfrastruktur für die Aufklärung von Schneider-Geräten über Modbus, der Einsatz des FOFA-Scanners, die Verbreitung über das Propagandaorgan der Einheit ab dem 13. Oktober und Farsi-Spuren in der genutzten Infrastruktur. Am 10. November wurde der iranische Botschafter in Paris einberufen, die Staatsanwaltschaft eröffnete eine Untersuchung, für zwei Offizielle der Einheit wurden internationale Haftbefehle beantragt. Iran wies die Vorwürfe zurück. Ob die Zuordnung juristisch hält, ändert nichts an der Sache: Ein Angriff auf eine Kühlkette ist ein Angriff auf die physische Lieferfähigkeit.
Die Microsoft-365-Störung: Ein Fehler mit globaler Reichweite
Der vorläufige Bericht von Microsoft vom 15. November benennt drei Faktoren, die zusammenpassten. Ein latenter Fehler sorgte dafür, dass Windows-Server unter bestimmten Lastbedingungen unresponsiv wurden, zurückzuführen auf einen Lock-Konflikt in einem internen Windows-Prozess; die zugehörige Korrektur war im Juli 2026 vorbereitet worden und lief drei Monate weltweit ohne Auswirkung. Rund 15 Stunden vor dem Ausfall wurde Teams von einem alternativen auf das primäre Gateway umgeschaltet, das auch Exchange Online bedient. Und fast 14 Prozent der Serverkapazität des Netzwerk-Gateways waren bereits am Vortag wegen eines unabhängigen Wartungsvorgangs ausgefallen. Zum Tiefpunkt waren mehr als 80 Prozent der Server unresponsiv, die Trennwände zwischen den Kapazitätseinheiten griffen nicht, und Exchange Online konnte im Gegensatz zu Teams, OneDrive und SharePoint nicht auf ein zweites Gateway ausweichen.
Entscheidend ist, was Microsoft nicht sagt: In der öffentlichen Statuskommunikation vom 13. November hieß es, es sei "a technical issue not related to cyber or AI / agents" gewesen. Ein Cyberangriff war nicht die Ursache, ein KI-Agent ebenfalls nicht. Der Bericht ist ausdrücklich vorläufig, der endgültige war für den 20. November vorgesehen. Parallel meldete Microsoft eine Phishing-Kampagne, die die Störung opportunistisch ausnutzte. Ein Ausfall von 24 Stunden in der zentralen Plattform ist damit nicht nur ein IT-Problem, sondern ein Angriffsfenster, das Dritte sofort erkannt und genutzt haben.
Der FAA-Startstopp: Wenn neue Technik auf alte Systeme trifft
Der Startstopp vom 13. November war eine Vorsichtsmaßnahme unter "extraordinary circumstances", getroffen, während die eigentliche technische Störung bereits lief und untersucht wurde. Der Fehler lag in den Flugsicherungszentren: Router und Switches waren mit Daten überlastet und lieferten inkonsistente Informationen. Neu installierte Ausrüstung sandte rund 1.000 Verbindungsversuche alle vier bis fünf Sekunden in das Fluginformationsnetz, woraufhin die alte TDM-Technik in den Bestandszentren instabil wurde. Im Verdacht standen zwei Standorte mit laufender Glasfaser-Umstellung; das Abschalten des Router-Broadcasts wirkte sofort. Die FAA erklärte, es gebe keinen Hinweis auf einen Cyberangriff, und wies auch eine Verbindung zu ihrem neuen KI-gestützten Luftverkehrssystem zurück. Zum Stand des 18. November konnten die Ermittler die Überlastung im Labor reproduzieren, wussten aber noch nicht, warum genau die beiden Router ausgefallen waren. Der Router war als Auslöser identifiziert, nicht als alleinige Ursache.
Was hat sich seit der Harvard-Diskussion von 2025 tatsächlich geändert?
Im Juli 2025 diskutierten auf der Harvard Extension School Jennifer Gold, David Cass und Naveen Balakrishnan darüber, wie KI die Informationssicherheit verändert. Gold beschrieb, wie KI Angriffe schneller, skalierbarer und schwerer erkennbar macht. Cass und Balakrishnan warnten, dass ein erheblicher Teil der Angriffe über Lieferanten und Dienstleister in die eigene Umgebung gelangt, und Balakrishnan schätzte diesen Anteil auf rund 70 Prozent. Cass war unmissverständlich: Verantwortung lässt sich nicht auslagern. Gold plädierte für die Ausbildung von Menschen, weil Fachkenntnis nicht verschwindet, wenn Routineaufgaben automatisiert werden.
Was die Diskussion von 2025 noch nicht abbildete, war die agentische Dimension. Damals ging es um generative KI als Werkzeug. Heute geht es um Systeme, die Ziele interpretieren, Werkzeuge auswählen, Ergebnisse auswerten und die nächsten Schritte selbst entscheiden. Das ist kein Gradunterschied, sondern eine andere Qualität: aus Assistenz wird Beteiligung an der Handlung.
Wie autonome KI-Agenten heute bereits angreifen
Ein klassisches Angriffsskript führt vordefinierte Schritte in fester Reihenfolge aus; die Entscheidungen sind vorab getroffen. Generative KI kann in diesem Ablauf unterstützen, etwa beim Schreiben von Phishing-Texten oder beim Analysieren von Protokolldaten, aber der Ablauf selbst bleibt von außen gesteuert. Ein KI-Agent geht einen Schritt weiter: Er interpretiert ein Ziel, wählt selbst Werkzeuge aus, wertet deren Ergebnisse aus, entscheidet über den nächsten Schritt und verknüpft mehrere Aufgaben zu einer Kette. In Multi-Agenten-Systemen arbeiten spezialisierte Agenten zusammen, etwa einer für die Aufklärung, einer für die Schwachstellenanalyse, einer für die Ausnutzung.
Was diese Systeme leisten, ist klar umrissen: Sie sammeln Informationen über potenzielle Ziele, erkennen öffentlich erreichbare Systeme, analysieren bekannte Schwachstellen, werten Sicherheitsupdates aus, bereiten Angriffswerkzeuge vor und koordinieren mehrstufige Operationen.
Und diese Fähigkeiten sind keine Zukunftsmusik. Anthropic dokumentierte am 13. November 2025 eine groß angelegte Cyberspionagekampagne, bei der nach Unternehmensangabe rund 80 bis 90 Prozent der operativen Arbeit von KI-Agenten erledigt wurden. Die Zahl ist eine Selbsteinschätzung des Anbieters zu einer einzelnen, von ihm untersuchten Operation, und Anthropic bezeichnet den Vorgang ausdrücklich als selbstberichtet. Sie belegt nicht, dass Cyberkriminalität insgesamt autonom läuft. Sie belegt etwas anderes und für die Praxis Wichtigeres: Angriffsketten lassen sich in einem Tempo aufbauen und ausführen, das zuvor manuellen Spezialisten vorbehalten war.
Die Details sind aufschlussreich. Die Kampagne richtete sich gegen rund 30 Organisationen in Technologie, Finanzwesen, Chemieproduktion und Behörden. Die Operatoren brauchten zwei bis drei Stunden Vorbereitung, bevor sie die Aufgaben an drei bis fünf Agenten übergaben; eine einzelne Sitzung umfasste 15 bis 20 Angriffsschritte. Eingriffe der Menschen blieben auf vier bis sechs kritische Entscheidungspunkte pro Kampagne beschränkt. Und die Automatisierung stieß an eine harte Grenze: Fehlhalluzinierte Zugangsdaten blockierten die vollständig autonome Ausführung.
In den weiteren Untersuchungen von Anthropic vom 10. September 2026 kam eine zweite Beobachtung hinzu, formuliert als die These, dass raffinierte Angriffe keine raffinierten Angreifer mehr erfordern. In einem dokumentierten Fall griff eine Gruppe, in deren Umfeld zwei Studenten mitwirkten, rund 50 Organisationen an, verteilt auf parallele Arbeitsströme. In einem anderen Fall extrahierte eine Bande 1,8 Millionen Android-Anwendungen und stahl dabei mehr als 2.100 Azure-AD-Token-Sätze aus über 40 Mandanten in rund 34 Stunden, wobei KI-Agenten nahezu die gesamte Arbeit leisteten.
Die Google Threat Intelligence Group beschrieb am 16. November 2026 den Übergang von einfachen KI-Abfragen zu Multi-Agenten-Frameworks, automatisierter Schwachstellenforschung und mehrstufigen Angriffsketten. Genannt werden ARTEX, CAIRN, CyberStrikeAI mit über 100 angebundenen Sicherheitswerkzeugen, HexStrike AI mit über 150 Werkzeugen und mehr als zwölf autonomen Sub-Agenten sowie PentAGI, AgentZero und ZeroHollow. GTIG beschreibt daneben Fälle, in denen Schwachstellen innerhalb eines Tages nach Veröffentlichung zu funktionierenden Exploits wurden und die Kampagne vier Tage später mehrere hundert Organisationen erfasste. Parallel dokumentiert MITRE ATT&CK unter der Kennung C0062 eine konkrete Kampagne, die als AI-orchestriert geführt wird.
Ein Detail verdient besondere Aufmerksamkeit, weil es die Suche nach der spannenden Überschrift abgekühlt. GTIG weist darauf hin, dass uneingeschränkt autonome Ausführung forensischen Verkehr erzeugt, auf erkennbare Indikatoren zurückgreift und deutliche Spuren auf Code-Ebene hinterlässt. Autonomie ist also nicht nur schnell, sie ist auch verrauscht. Je autonomer ein Angriff handelt, desto eindeutiger wird sein Muster.
Die entscheidende Folgerung ist ökonomischer Natur: KI verändert nicht nur die technische Qualität eines Angriffs, sie verändert seine wirtschaftlichen Voraussetzungen. Sinkt der personelle Aufwand je Angriffsversuch, kann der Angreifer mehr Ziele bearbeiten, parallele Operationen durchführen und bekannte Schwachstellen schneller ausnutzen.
Welche Risiken in den nächsten Jahren plausibel sind?
Die folgenden Risiken lassen sich nach Evidenzgrad sortieren. Manche sind heute beobachtbar, manche sind technisch nachvollziehbar, manche sind ausdrücklich spekulativ.
Angriffe im Maschinentempo. Dies ist keine Prognose, sondern eine Beschreibung des Status quo. Die Zeit zwischen Bekanntwerden einer Schwachstelle, der Vorbereitung eines Angriffs und der tatsächlichen Ausnutzung schrumpft. Während ein Analyst einen möglichen Vorfall bewertet, können automatisierte Systeme weitere Schritte ausgeführt haben.
Kontinuierliche Angriffskampagnen. Agenten könnten dauerhaft nach Angriffsmoglichkeiten suchen, statt punktuell zu schlagen. Der Unterschied liegt in den Grenzen: Manuelle Angriffe sind durch Arbeitszeiten, Verfügbarkeit von Spezialisten und personelle Kapazität begrenzt. Ein Agentensystem ist das nicht.
Adaptive Angriffe. Ein Angreifer könnte aus fehlgeschlagenen Versuchen lernen und seine Strategie an erkannte Verteidigungsmaßnahmen anpassen. Dokumentiert sind heute Formen der Anpassung auf operativer Ebene, etwa das Umstellen auf einen anderen Zugangsweg, wenn der erste blockiert wurde. Weitergehende Fähigkeiten, etwa das dauerhafte Überlisten lernender Verteidigungssysteme, bleiben bislang eine Projektion.
Massenhafte Angriffe mit individueller Anpassung. Bisher bestand oft ein Spannungsverhältnis zwischen breit automatisierten und aufwendig personalisierten Angriffen. KI kann diese Grenze verschieben. Automatisch personalisierte Täuschungsversuche, synthetische Stimmen im Telefonat und dynamisch formulierte betrügerische Kommunikation werden dadurch für kleine Gruppen erschwinglich.
Angriffe auf die Verteidigungs-KI. Das ist der kritischste Punkt. Angreifer greifen dann nicht nur Unternehmenssysteme an, sondern manipulieren gezielt die KI, die diese Systeme überwacht. Dazu gehören Prompt Injection, vergiftete Datenquellen, manipulierte Sicherheitswarnungen, die Täuschung von KI-gestützten Klassifikatoren, die Manipulation von Agentenspeichern, der Missbrauch von Werkzeugberechtigungen und die Beeinflussung automatisierter Entscheidungen. Eine unzuverlässige Verteidigungs-KI wird selbst zum Einfallstor, weil eine Manipulation, die einen Menschen nur irritiert, einen automatisierten Ablauf in die falsche Richtung lenkt.
Selbstverstärkende Störungsketten. Ein überprivilegierter Agent könnte durch fehlerhafte Schlussfolgerungen oder manipulierte Eingaben Aktionen auslösen, die andere Systeme beeinträchtigen. Dass mehrere automatisierte Systeme einander unbeabsichtigt beeinflussen und Störungen gegenseitig verstärken, ist damit eine realistische Fehlerkette. Die Microsoft- und FAA-Vorfälle vom November 2026 belegen diese Kaskadenlogik für rein technische Ursachen, sie belegen aber keine solche Ursache für diese beiden Fälle.
Reicht die klassische IT-Sicherheitsarchitektur noch aus?
Die ehrliche Antwort lautet: Sie reicht als Basis, sie reicht nicht als Endpunkt. Firewalls, Netzwerksegmentierung, Endpoint Detection and Response, Extended Detection and Response, Security Information and Event Management, Multi-Faktor-Authentifizierung, Schwachstellenmanagement, Security Operations Center, Incident Response und Zero-Trust-Architekturen bleiben sämtlich relevant. Ihre Wirksamkeit ändert sich aber, wenn die Gegenseite automatisiert arbeitet.
Eine Firewall regelt nicht gegen Schnelligkeit, sondern gegen Erreichbarkeit. Eine Segmentierung wirkt gegen laterale Bewegung, unabhängig davon, wie schnell der Angreifer handelt. Eine phishing-resistente Anmeldung wirkt gegen Identitätsmissbrauch, unabhängig davon, wie überzeugend die Einladung formuliert ist. Diese Maßnahmen sind gegen automatisierte Angriffssysteme besonders wirksam, weil sie nicht versuchen, den Angreifer zu überlisten, sondern ihm Schritte technisch unmöglich machen.
Was sich ändert, ist die Last, die auf dem Rest des Stacks liegt. Was ein Analyst nachts um drei im Prio-Alarm nicht prüfen kann, muss ein System vorfiltern. Was ein Team nicht in 30 Minuten dokumentieren kann, muss ein Agent protokollieren. Die Verteidigung muss in Teilen auf Maschinentempo gebracht werden, damit die menschliche Entscheidung dort einsetzt, wo sie tatsächlich Wert erzeugt.
Die Zahlen der aktuellen Lagebeschreibung verdeutlichen die Asymmetrie. Der Verizon Data Breach Investigations Report 2026 weist aus, dass die Ausnutzung von Schwachstellen den häufigsten Erstzugang darstellt, mit 31 Prozent, und dass die vollständige Behebung kritischer, bekannter Schwachstellen im Median 43 Tage dauert. 48 Prozent aller Datenpannen hatten eine Drittanbieterbeteiligung, 60 Prozent mehr als im Vorjahr. Setzt man diese Werte neben die beobachteten Angriffszeiten von unter vier Stunden, entsteht die eigentliche Herausforderung: Nicht die Erkennung ist das Problem, sondern das Verhältnis zwischen der Geschwindigkeit des Angriffs und der Geschwindigkeit der eigenen Reaktion.
Der europäische Lagebericht ENISA Threat Landscape 2026 liefert die andere Seite: 73 Prozent der aufgezeichneten Ereignisse betrafen Einrichtungen im Anwendungsbereich von NIS2, Ransomware stellt nach ENISA-Angaben 40 Prozent der ausgewerteten Ereignisse. Bemerkenswert ist, was der Bericht nicht enthält: keine Prozentzahl zu KI-gestützten Angriffen. Die Agentur beschreibt KI durchgehend qualitativ als Werkzeug der Angreifer und zugleich als Angriffsziel, nicht als dominantes statistisches Phänomen. Wer einen belastbaren Anteil sucht, findet ihn in dieser Quelle nicht.
Wie KI-gestützte Verteidigung heute funktioniert
Anomalieerkennung. KI kann große Mengen an Netzwerk-, Zugriffs- und Endpunktdaten auswerten und Abweichungen vom erwarteten Verhalten erkennen. Das löst das klassische Regelwerk-Problem, wo jedes neue Angriffsmuster eine neue Regel und eine neue Wartungslast bedeutet. Der Preis ist eine Fehlerquote, die gegen Trainingsdaten und Datenqualität steht. Falsch positive Alarme sind kein kosmetisches Problem, sie senken die Akzeptanz des Systems und damit am Ende die Sicherheit.
Priorisierung. Die eigentliche Hebelwirkung liegt oft nicht in der Erkennung, sondern in der Sortierung. Ein KI-System kann Warnungen miteinander verknüpfen, Kontextinformationen aus Inventar, Identitätssystem und Bedrohungsinformationen hinzuziehen und die Liste auf die wenigen Ereignisse reduzieren, die wirklich ein Mensch sehen sollte. Der Nutzen ist proportional zur Menge des Rauschens, das vorher manuell abzuarbeiten war.
Untersuchung. Agenten können eine Meldung mit relevantem Kontext anreichern, Protokolle auswerten und eine erste Hypothese zum möglichen Angriff formulieren. Das verschiebt die Arbeit des Analysten von der Datensammlung zur Bewertung. Nicht jede Meldung ist eine, aber die Zahl der Meldungen, die man einzeln prüfen muss, sinkt.
Unterstützung der Incident Response. Je nach Risikoklasse können Systeme defensive Maßnahmen vorbereiten oder nach vordefinierten Regeln ausführen: verdächtige Sitzungen widerrufen, kompromittierte Zugangsdaten sperren, betroffene Endgeräte isolieren, bekannte schädliche Verbindungen blockieren, Sicherheitsteams alarmieren und vorbereitete Eindämmungsmaßnahmen auslösen.
Schwachstellenanalyse und Wiederherstellung. KI kann bei der Bewertung bekannter Schwachstellen helfen, Patches nach Risiko priorisieren und Sicherheitskonfigurationen prüfen. Es gibt darüber hinaus die Perspektive ausdrücklich autorisierter autonomer Sicherheitsüberprüfungen gegen eigene Systeme, mit definiertem Umfang und protokollierten Ergebnissen. Diese Tests sind nur so wertvoll wie ihre Grenzen: Tests außerhalb des vereinbarten Rahmens sind kein Test, sondern ein Angriff. Bei der Wiederherstellung kann KI Zustände vergleichen und Konfigurationen rekonstruieren, unterstützende Automatisierung ja, unkontrollierte Änderungen an produktiven Systemen nein.
Der Nutzen einer Verteidigungs-KI entsteht nicht allein durch die Qualität ihres Modells, sondern durch die Verbindung aus zuverlässigen Daten, ausreichendem Kontext, kontrollierten Berechtigungen und überprüfbaren Maßnahmen.
Entsteht ein automatisierter Cyber-Wettlauf?
Hier liegt der analytische Kern dieser Entwicklung, und hier liegt auch die Grenze der Schlagworte. "KI gegen KI" ist eine Metapher. Tatsächlich konkurrieren nicht zwei eigenständig denkende Maschinen, sondern komplexe Systeme aus Algorithmen, Software, Daten, Berechtigungen, menschlichen Verantwortlichen und organisatorischen Prozessen. Trotzdem ist die Frage berechtigt, ob die zunehmende Automatisierung auf beiden Seiten eine neue Phase der Cybersicherheit prägt.
Wer besitzt den Geschwindigkeitsvorteil? Der Angreifer muss eine verwertbare Lücke finden, der Verteidiger muss alles sehen, was in seiner eigenen Infrastruktur passiert. Das klingt nach einem Vorteil für die Verteidigung, ist aber keiner. Der Angreifer arbeitet auf bekannten, endlich vielen Klassen von Fehlern und kann seine Suche über das Internet skalieren. Der Verteidiger muss in einer konkreten, heterogenen und sich ständig ändernden Landschaft alles erfassen, was abweicht. Es gibt keinen generellen Geschwindigkeitsvorteil, sondern situative: Der Vergleich hängt von der Qualität der Telemetrie, der Zahl verfügbarer Menschen und davon ab, wie oft Fehler auftreten, die niemand bemerkt.
Kann eine KI die andere täuschen? Eine KI-basierte Sicherheitsentscheidung ist eine Wahrscheinlichkeitsaussage. Manipulierte Eingaben, gezielt platzierte Falschinformationen und adversariale Beispiele sind genau das, wofür diese Systeme nicht gedacht sind. Ein Angreifer, der weiß, wonach die Verteidigungs-KI sucht, kann die Signale so gestalten, dass sie in die erwartete Richtung zeigen. Solange die Entscheidung ein neuronales Netz mit einem unsicheren Kontext trägt, ist dieser Vorteil strukturell vorhanden. Die klassische Abhilfe ist unspektakulär und bleibt der beste Schutz: das Modell darf nur eine Entscheidung vorbereiten, die Berechtigungen entscheiden.
Wie weit darf eine Verteidigungs-KI autonom handeln? Die Antwort hängt an der Kritikalität des betroffenen Systems und an der Reversibilität der Maßnahme. Hier werden drei Betriebsarten unterschieden. Human in the Loop bedeutet, dass ein Mensch jede Entscheidung freigibt: sicher, aber langsam und damit im Wettlauf unbrauchbar. Human on the Loop bedeutet, dass das System handelt und der Mensch eingreifen kann: das ist der Betriebsmodus, den die meisten Sicherheitsorganisationen anstreben. Vollständig autonome Ausführung ist nur dort vertretbar, wo die Handlung kein Leid verursachen kann, wenn sie falsch liegt, also etwa das Sperren eines Kontos, das ohnehin kompromittiert ist.
Können automatisierte Schutzmaßnahmen selbst zum Risiko werden? Ja. Ein falsch eingestuftes Ereignis kann automatisiert einen geschäftskritischen Dienst unterbrechen. Das ist keine theoretische Überlegung, sondern die häufigste praktische Nebenwirkung gut funktionierender Anomalieerkennung: zu viele Fehlalarme, abgeschaltete Automatisierung und damit eine insgesamt schwächere Verteidigung. Bei mehreren miteinander verbundenen Systemen können sich solche Fehler gegenseitig verstärken.
Entsteht eine Form automatisierter Eskalation? Es ist denkbar, dass sich defensive und offensive Systeme durch ihre gegenseitigen Reaktionen in einen instabilen Zustand versetzen: Der Angreifer provoziert eine Reaktion, die Reaktion erzeugt ein Signal, das wiederum eine Reaktion auslöst, bis ein System aus dem Takt gerät. Das ist als mögliches Risikoszenario zu behandeln, nicht als bereits nachgewiesene allgemeine Entwicklung. Es ist aber genau die Art Szenario, die in einer Architektur vorsorglich eingeplant werden sollte, zumal die Kontrolle solcher Schleifen am leichtesten über Begrenzungen und Ratelimits möglich ist.
Wer kontrolliert den entstehenden Wettlauf? Das ist eine organisationspolitische Frage und keine rein technische. Unternehmen entscheiden über Automatisierungsgrad und Berechtigungen, Sicherheitsanbieter über die Fähigkeiten ihrer Produkte, Cloud-Provider über die Plattformen, auf denen beides läuft, staatliche Stellen über die Rahmenbedingungen. Offene Standards und gemeinsamer Austausch von Bedrohungsinformationen sind dabei kein Nebenaspekt, sondern eine Waffe im Wettlauf: Die Angriffsseite skaliert über offene Werkzeuge, und die Verteidigungsseite kann das nur durch ebenso offene, standardisierte Telemetrie und kooperative Regeln zur Reaktionsfähigkeit kompensieren.
Was passiert, wenn die Verteidigungs-KI falsch entscheidet?
Diesem Thema wird zu wenig Aufmerksamkeit geschenkt, weil es unbequem ist. Cybersicherheit denkt traditionell in eine Richtung: schädliche Aktivität erkennen und blockieren. Eine hochautomatisierte Abwehr erzeugt aber eine zweite Risikoklasse, die in die Gegenrichtung zeigt.
Ein System kann legitime tägliche Aktivität als Angriff interpretieren und daraufhin eine geschäftskritische Anwendung isolieren. Wenn diese Entscheidung ohne ausreichende Kontrolle erfolgt, kann die Schutzmaßnahme selbst zur Betriebsstörung werden. Zu den typischen Fehlerquellen gehören False Positives und False Negatives, fehlerhafte oder nicht repräsentative Trainingsdaten, Model Drift als die schleichende Veränderung der Datenverteilung, manipulierte Telemetrie und intransparente Entscheidungen. Hinzu kommt die Abhängigkeit von externen KI-Diensten: Ein Anbieter kann ein Modell, eine Preiskonstruktion oder eine Nutzungsrichtlinie jederzeit ändern.
Ein Punkt verdient eigene Beachtung: Wenn zahlreiche Unternehmen dieselbe Plattform für automatisierte Sicherheitsentscheidungen einsetzen, könnten systematische Fehler dieses einen Anbieters weitreichende Auswirkungen haben. Das ist die Kehrseite der Konzentrationsrisiken aus dem Cloud-Bereich, nur auf einer Ebene, die man leicht unterschätzt, weil die Abhängigkeit unsichtbar ist. Sie entsteht nicht durch einen Vertrag, sondern durch die geteilte Nutzung desselben Modells.
Wie Unternehmen sich konkret vorbereiten können
Die entscheidende Frage lautet: Wie schützt man sich vor KI-gesteuerten Cyberangriffen, ohne selbst die Kontrolle an möglicherweise fehleranfällige KI-Systeme abzugeben? Die Antwort ist ein mehrschichtiges Modell, in dem KI eine Komponente ist und nicht der Rahmen.
Ebene 1: Angriffsfläche reduzieren. Vollständige Inventarisierung geschäftskritischer Systeme, risikobasiertes Patch-Management, phishing-resistente Authentifizierung, Netzwerksegmentierung, Zero Trust und Least Privilege, sichere Konfigurationen, das Verschließen unnötig erreichbarer Dienste sowie ein eigener Schutz für OT- und IoT-Infrastruktur. Diese Maßnahmen bleiben gerade gegenüber automatisierter Angriffssoftware wirksam, weil sie eine Klasse von Handlungen unmöglich machen statt nur zu melden.
Ebene 2: KI für die Früherkennung einsetzen. KI-gestützte Sicherheitsüberwachung, verhaltensbasierte Anomalieerkennung, automatisierte Kontextanalyse, Erkennung von Identitätsmissbrauch, Korrelierung von Warnungen und dynamische Risikobewertung. Nicht jede Aufgabe braucht ein Modell: Wo Regeln deterministisch, nachvollziehbar und günstiger sind, bleiben sie die bessere Wahl. Ein Modell ist dort sinnvoll, wo die Menge der Daten die Kapazität des Menschen übersteigt oder wo sich das Muster laufend ändert.
Ebene 3: Kontrollierte defensive Automatisierung. Das Prinzip ist risikobasierte Handlungsfreigabe. Niedriges Risiko bedeutet automatische Datensammlung, Kontextanreicherung und Alarmpriorisierung. Mittleres Risiko bedeutet technische Schutzmaßnahmen mit klar definierten Regeln, engen Berechtigungen und überprüfbaren Rücknahmemöglichkeiten. Hohes Risiko bedeutet menschliche Freigabe, etwa beim Abschalten einer geschäftskritischen Produktionsanlage. Die passende Kontrollstufe folgt aus der Kritikalität des Systems, nicht aus der Bequemlichkeit des Prozesses.
Ebene 4: Die Verteidigungs-KI selbst absichern. Schutz gegen Prompt Injection, strikte Trennung vertrauenswürdiger Anweisungen von externen Daten, eigenständige Berechtigungen für KI-Agenten, Zugriffsbeschränkungen für Werkzeuge und APIs, technische Freigabemechanismen außerhalb des Sprachmodells, sichere Behandlung von Zugangsdaten, Überwachung von Agentenaktionen, Schutz persistenter Agentenspeicher, manipulationssichere Protokollierung, Laufzeitüberwachung und Schutz vor missbräuchlichen Rechen- und API-Kosten. Ein zweites Modell zur Überprüfung des ersten kann hilfreich sein, bietet aber keine mathematische Sicherheitsgarantie. Prüfen muss außerdem die Architektur sein, nicht nur das Modell: Ein Modell kann korrekt arbeiten und trotzdem durch eine manipulierte Berechtigung oder einen manipulierten Speicher kompromittiert sein.
Ebene 5: Unabhängige Sicherheitsmechanismen. Sicherheitskritische Entscheidungen dürfen nicht ausschließlich von probabilistischen Modellen abhängen. Deterministische Sicherheitsregeln, Berechtigungsgrenzen, getrennte administrative Kontrollsysteme, Transaktionslimits, Ratelimits, automatische Unterbrechungsmechanismen, manuell auslösbare Notabschaltungen, nachvollziehbare Protokollierung und getestete Rückfallverfahren gehören dazu. Kann eine Organisation einen fehlerhaften oder kompromittierten Agenten zuverlässig begrenzen und abschalten, ohne dafür auf denselben Agenten angewiesen zu sein?
Ebene 6: Resilienz und Wiederherstellung. Getestete Backups, isolierte Wiederherstellungsumgebungen, alternative Kommunikationswege, geübte Cloud-Ausfallszenarien, Wiederanlaufpläne für zentrale Anwendungen, sichere manuelle Betriebsverfahren und regelmäßige Krisenübungen. Genau diese Ebene fehlt vielen Unternehmen, und genau dort zeigen die Vorfälle vom November 2026 ihre wirtschaftliche Dimension. Ein Ausfall von 24 Stunden in der zentralen Plattform ist kein IT-Problem, sondern ein Geschäftsproblem, und die Antwort darauf ist kein besserer Alarm, sondern ein geübter Wiederanlauf.
Ebene 7: Kontinuierliche Überprüfung. Kontrollierte Sicherheitstests, Red Teaming und Purple Teaming, ergänzt um KI-spezifische Prüfungen: Robustheit gegen manipulierte Eingaben, Berechtigungsüberschreitungen, Fehlalarme, Modell- und Werkzeugausfälle, schädliche oder unbeabsichtigte Handlungsketten und Fehlverhalten bei unvollständigen Daten.
Wohin führt die Entwicklung in den Jahren 2027 bis 2030?
Die folgenden Szenarien sind Analysen, keine Prognosen. Sie beschreiben, was technisch und organisatorisch möglich wäre, nicht was mit Sicherheit eintreten wird.
Szenario 1: Das automatisierte Security Operations Center. Routinearbeit übernimmt die KI, Menschen konzentrieren sich auf komplexe Vorfälle, strategische Fragen und die Freigabe kritischer Maßnahmen. Der Nutzen liegt in der Entlastung der Analysten. Die Grenzen liegen in der Qualität der Telemetrie, in der Belastbarkeit durch Fehlalarme und in der Frage, ob die eingesparten Kapazitäten für anspruchsvollere Aufgaben verwendet werden oder nur weggespart werden.
Szenario 2: Permanenter Wettbewerb zwischen Angriff und Verteidigung. Beide Seiten verstehen ihre Verfahren kontinuierlich. Das kann zu einem Wettrüsten führen, in dem jede neue Abwehrmaßnahme neue Angriffsmethoden hervorruft und umgekehrt. Ob dieses Wettrüsten stabil bleibt oder eskaliert, entscheidet sich daran, ob auf beiden Seiten der Aufwand für die nächste Runde sinkt. Wenn Abwehrmaßnahmen billiger werden als Angriffe, stabilisiert sich der Kreislauf. Wenn umgekehrt, beschleunigt er sich.
Szenario 3: Cybersecurity wird zur Frage wirtschaftlicher Ressourcen. Rechenleistung, Sicherheitsdaten, Modellüberwachung und Spezialwissen verursachen Kosten. Für kleinere Unternehmen kann die zunehmende Komplexität die Finanzierbarkeit der Cybersicherheit erschweren. Der gegenläufige Befund ist nicht zu unterschätzen: Standardisierte KI-Sicherheitsdienste könnten dem Mittelstand ein Sicherheitsniveau eröffnen, das bisher mittelstandsübergreifend unerreichbar war. Beide Effekte können gleichzeitig wirken, und die Frage ist, welcher überwiegt.
Szenario 4: Resilienz wird wichtiger als vollständige Prävention. Unternehmen akzeptieren zunehmend, dass sich nicht jeder Angriff und nicht jeder technische Ausfall vermeiden lässt. Die Sicherheitsstrategie verlagert sich deshalb zusätzlich auf Schadensbegrenzung, unabhängige Kontrollen und schnelle Wiederherstellung. Das ist die direkte Lehre aus den drei Ausgangsfällen: Der französische Kühlanlagenangriff war ein Angriff, der Microsoft-Ausfall war ein Fehler, der FAA-Startstopp war eine Vorsichtsmaßnahme. Auf die betriebliche Praxis hin lösten alle drei dieselbe Frage, nämlich die Frage nach der Handlungsfähigkeit unter Bedingungen, die niemand kontrollieren kann.
Gibt es ein digitales Wettrüsten ohne Gewinner?
Werden KI-basierte Angriffe irgendwann so günstig, dass Unternehmen dauerhaft unter automatisiertem Angriffsdruck stehen? Diese Frage ist nicht hypothetisch, sie beschreibt die aktuelle Kostenentwicklung. Der Angriff wird nicht teurer, wenn KI ihn beschleunigt, sondern im Gegenteil: Die gleiche Kapazität bearbeitet mehr Ziele. Ob defensive Systeme das kompensieren können, hängt davon ab, wie viel der Verarbeitungskapazität für echte Erkennung verwendet wird und wie viel für die Verwaltung von Fehlalarmen.
Ein wirtschaftlicher Vorteil entsteht für diejenigen, die große Mengen an Sicherheitsdaten und leistungsfähige KI-Infrastruktur besitzen. Für den Mittelstand ist das selten eine Option, die aus eigener Kraft finanzierbar ist. Der Weg dorthin führt über geteilte Bedrohungsinformation, gemeinsam betriebene Erkennungsdienste und die Standardisierung von Telemetrieformaten. Ein einzelner kleiner Anbieter kann sich gegen eine skalierende Angriffsflotte nicht allein behaupten, wohl aber in einem Verbund.
Hinzu kommt eine Unterscheidung, die in der öffentlichen Diskussion oft verwischt wird. Defensive Systeme müssen besonders zuverlässig, nachvollziehbar und geschäftsverträglich handeln. Sie dürfen keinen Kunden unnötig stören, keine Compliance-Vorgabe verletzen, und ihre Entscheidungen müssen dokumentierbar sein. Angreifer unterliegen denselben Anforderungen nicht. Sie brauchen Erfolg, keine Nachvollziehbarkeit, keine Verfügbarkeit und keine Fehlertoleranz. Dieser strukturelle Unterschied spricht dafür, dass der Wettlauf im KI-Zeitalter nicht symmetrisch ist, sondern zugunsten der Verteidigung kippt, wenn die Verteidiger ihre Automatisierung diszipliniert betreiben und die Angreifer ihre nicht.
Was Geschäftsführung und IT-Leitung jetzt entscheiden müssen
Diese Entwicklungen sind keine reine IT-Aufgabe. Die Entscheidungen, die anstehen, liegen überwiegend bei der Geschäftsführung.
Zuerst der akzeptierte Grad an KI-Automatisierung. Zweitens die Frage, welche Berechtigungen ein KI-Agent im eigenen Umfeld überhaupt bekommt. Drittens die Investitionen in Sicherheitsarchitektur, insbesondere in unabhängige Kontrollmechanismen und getestete Wiederherstellung. Viertens die Abhängigkeit von Cloud- und KI-Anbietern und die daraus folgende Exit-Strategie. Fünftens Haftung und Verantwortlichkeit für automatisierte Entscheidungen. Sechstens die Anforderungen an Notfallfähigkeit, die in der Regel nicht mit IT-Sicherheitsbudget, sondern mit Notfallmanagementbudget verhandelt wird. Siebtens die Weiterbildung der Fachkräfte, denn die entscheidenden Engpässe sind nicht mehr Werkzeuge, sondern Menschen, die ein Verhalten bewerten können, das in Sekunden abläuft.
Der regulatorische Rahmen verschärft diese Aufgaben, ohne sie aufzuheben. Die Richtlinie NIS2 gilt seit dem 17. Oktober 2024, ihre deutsche Umsetzung, das neu gefasste BSIG 2025, ist am 6. Dezember 2025 ohne allgemeine Übergangsfristen in Kraft getreten. Betroffene Einrichtungen mussten sich binnen drei Monaten bei der gemeinsamen Meldestelle registrieren, die Meldefristen sind hart: Erstmeldung binnen 24 Stunden, Folgemeldung binnen 72 Stunden, Abschlussbericht spätestens einen Monat später. Das BSI geht von rund 29.500 Einrichtungen unter seiner Aufsicht aus. DORA gilt seit dem 17. Januar 2025 und verschärft die Anforderungen für Finanzunternehmen einschließlich des Drittrisikomanagements, mit Meldefristen von vier Stunden für wesentliche ICT-Vorfälle.
Beim EU AI Act ist die oft diskutierte Verzögerung inzwischen rechtsverbindlich umgesetzt: Das Digital Omnibus on AI vom Juli 2026 hat die Hochrisiko-Pflichten auf den 2. Dezember 2027 beziehungsweise den 2. August 2028 verschoben. Unberührt und bereits anwendbar sind dagegen die Verbote und die Pflicht zur KI-Kompetenz seit Februar 2025 sowie die Transparenzpflichten seit August 2026. Der Cyber Resilience Act bleibt bei seinen Terminen, die Meldepflichten für Hersteller sind seit dem 11. September 2026 aktiv; Adressat ist der Hersteller, nicht der Endanwender. Das NIST AI Risk Management Framework liefert keine Rechtspflicht, aber eine anerkannte Orientierung; eine verbindliche Version 2.0 existiert bislang nicht.
Automatisierte Sicherheitsentscheidungen brauchen klare Verantwortlichkeiten und überprüfbare Prozesse. Eine Entscheidung, die ein Modell getroffen hat, muss auf eine Person, eine Regel und einen Zeitpunkt zurückführen sein. Sonst ist sie im Streitfall wertlos und im Alltag nicht korrigierbar.
Sieben Maßnahmen mit dem größten Hebel
- Angriffsfläche reduzieren. Asset-Management, Patch-Management, sichere Identitäten und grundlegende IT-Hygiene bleiben die Grundlage. Alles Weitere ist ein Zuschlag auf eine Fläche, die man vorher verkleinert hat.
- KI-gestützte Früherkennung sinnvoll integrieren. Vorhandene Funktionen in SIEM-, EDR-, XDR- und SOC-Prozessen auf ihre Eignung prüfen und an messbaren Kennzahlen ausrichten, nicht an Marketingversprechen. Der Test ist die Zeit bis zur korrekten Einordnung eines Vorfalls.
- Kritische Gegenmaßnahmen kontrolliert automatisieren. Automatisierte Schutzaktionen nach Risiko und Reversibilität abstufen. Menschliche Freigabe dort, wo erhebliche oder schwer rückgängig zu machende Schäden entstehen können.
- KI-Agenten wie privilegierte technische Identitäten behandeln. Zugriffe konsequent beschränken, Aktivitäten protokollieren und jeden Agenten nur mit den tatsächlich erforderlichen Werkzeugen ausstatten. Ein Agent mit Breitschaftrechten ist kein Werkzeug, sondern eine offene Angriffsfläche.
- Die eigene KI-Sicherheitsarchitektur prüfen. Prompt-Injection-Risiken, manipulierbare Datenquellen, externe Integrationen, Modellfehler, Agentenberechtigungen und persistenter Speicher systematisch testen, einschließlich der Frage, wie sich der Agent verhält, wenn er mit manipulierten Daten beliefert wird.
- Geschäftskritische Abhängigkeiten und Ausfallszenarien prüfen. Cloud-Ausfälle, der Verlust von Kommunikationsdiensten, industrielle Steuerungssysteme und externe Infrastruktur. Der Test ist nicht die Wiederherstellung eines Servers, sondern die Wiederaufnahme eines Geschäftsprozesses.
- Nicht nur Prävention, sondern Reaktions- und Wiederherstellungsfähigkeit messen. Mean Time to Detect, Mean Time to Respond, Recovery Time Objective und Recovery Point Objective, dazu die Fehlalarmquote, der Anteil kontrolliert automatisierter Maßnahmen sowie Erfolgsquote und Dauer getesteter Wiederherstellungen. Kennzahlen, die niemand erhebt, sind keine Kontrolle.
Fazit: Die eigentliche Zukunftsfrage
Der französische Kühlanlagenangriff zeigte, dass digitale Angriffe physische Folgen haben können. Die Microsoft-365-Störung verdeutlichte die Auswirkungen technischer Abhängigkeit. Die FAA-Störung machte sichtbar, welche Folgen Fehler in kritischen Infrastrukturkomponenten haben können. Und die aktuellen Untersuchungen dokumentieren, dass KI-Agenten zunehmend in der Lage sind, komplexe Cyberoperationen zu unterstützen oder zu großen Teilen automatisiert auszuführen.
Die zentrale Frage lautet daher nicht mehr ausschließlich, wie ein Unternehmen Hacker fernhält. Sie lautet zusätzlich, wie es sich gegen Angriffe im Maschinentempo schützt, seine eigenen automatisierten Verteidigungssysteme kontrolliert und bei einem unvermeidbaren Ausfall handlungsfähig bleibt.
Auf die Leitfrage "KI gegen KI, wohin führt das" lässt sich eine differenzierte Antwort geben. KI-gestützte Verteidigung wird weiter an Bedeutung gewinnen, weil die Verarbeitungskapazität, die Angriffe billig machen, für die Verteidigung nur auf dem Weg über Automatisierung zu gewinnen ist. Ein zunehmender technologischer Wettlauf ist plausibel und in ersten Formen bereits erkennbar. Ein vollständig autonomer Kampf zwischen Angriffs- und Verteidigungs-KI ist aber weder zwangsläufig noch eine wünschenswerte Standardarchitektur.
Langfristige Sicherheit entsteht aus der Kombination von KI, klassischen technischen Sicherheitsmaßnahmen, menschlicher Verantwortung, unabhängigen Kontrollmechanismen und belastbarer Infrastruktur. Die Antwort auf die Frage aus dem Titel liegt deshalb weniger in der Frage, welches Modell im Wettbewerb gewinnt, als in einer anderen: Ein Unternehmen muss entscheiden, wie viel Kontrolle es abgibt und wo es eine behalten will. Diese Entscheidung ist eine Managemententscheidung, und sie fällt jetzt.
Die Zukunft der Cybersicherheit wird nicht allein davon abhängen, welche KI schneller angreift oder besser verteidigt. Entscheidend wird sein, welche Unternehmen ihre Technologie auch dann noch beherrschen, wenn automatisierte Systeme versagen.
Fragen & Antworten