KI für die Skalierung von Cybersecurity-Prüfungen - silicon.de

KI hilft, Sicherheitsanalysen von einzelnen, gezielten auf eine nahezu flächendeckende Prüfung auszuweiten.

Die Zahl potenzieller Schwachstellen wächst schneller als die verfügbaren Ressourcen, um diese zu entdecken.Für Unternehmen bedeutet das, Sicherheitsprüfungen effizienter zu organisieren, ohne Kompromisse bei Qualität oder Sorgfalt einzugehen. Die Deutsche Telekom hat deshalb untersucht, wie sich KI-Modelle in bestehende Sicherheitsprozesse integrieren lassen, um deren Reichweite deutlich zu erhöhen. Im Mittelpunkt stand nicht die Frage, ob KI klassische Security-Verfahren ersetzt. Ziel war vielmehr herauszufinden, ob sich etablierte Prüfmethoden auf wesentlich größere Umgebungen anwenden lassen, ohne Personalaufwand und Projektdauer proportional steigern zu müssen.

Von punktuellen Analysen zu größerer Abdeckung

Automatisierte Verfahren, Security-Scanner und KI-gestützte Anwendungen gehören heute zum Toolset von Sicherheitsteams. In der Praxis werden jedoch zahlreiche Prüfungen weiterhin selektiv durchgeführt – etwa auf besonders kritischen Systemen, im Rahmen einzelner Projekte oder bei konkreten Verdachtsmomenten. Die Telekom testete deshalb, wie sich GPT-5.5 Cyber von OpenAI in bereits teil-automatisierte Prozesse integrieren lässt, um den Umfang von Sicherheitsanalysen deutlich auszuweiten.  „Die Ergebnisse sind sehr vielversprechend. Sie geben einen Eindruck davon in welcher Weise auch die Folgeprozesse optimiert werden müssten, um bestmöglich von der Effizienz profitieren zu können“, sagt Thomas Tschersich, CSO von Deutsche Telekom.

Erweiterte Analyse internetexponierter Systeme

Im Detail konzentrierte sich das Unternehmen auf zwei zentrale Anwendungsfelder: Im ersten Anwendungsfall unterstützte GPT-5.5 Cyber das Red Team bei der Analyse von Endpunkten der Unternehmens-IT, die aus dem Internet erreichbar sind. Die Sicherheitsteams überprüften dabei nicht nur vermutete Schwachstellen auf ihre tatsächliche Ausnutzbarkeit. Es konnten auch zusätzliche potenzielle Angriffswege und Risikokonstellationen identifiziert werden, die bei einer enger gefassten Betrachtung möglicherweise unentdeckt geblieben wären. Der Mehrwert lag weniger in einer einzelnen Analyse als vielmehr in der Möglichkeit, dieselbe Methodik auf deutlich mehr Systeme anzuwenden. Dadurch erhöhte sich die Reichweite bestehender Prüfprozesse erheblich.

Softwarebestände systematisch analysieren

Ein zweites Einsatzgebiet war die Untersuchung von Quellcode in GitLab-Repositories. Tausende Codezeilen aus relevanten Produkten und Services wurden automatisiert auf potenzielle Schwachstellen, sicherheitskritische Muster sowie mögliche schädliche Inhalte analysiert. Während vergleichbare Prüfungen bislang meist projektbezogen oder anlassorientiert erfolgten, ermöglichte der großflächige KI-Einsatz eine deutlich umfassendere Überprüfung bestehender Code-Bestände.

Aus Sicht der Sicherheitsteams entstand damit erstmals eine nahezu gesamtheitliche Bestandsaufnahme relevanter Code-Artefakte – vergleichbar mit einer Generalinventur, die bisher nur mit erheblichem Aufwand realisierbar gewesen wäre. Der entscheidende Vorteil: Risiken werden nicht erst sichtbar, wenn ein Audit ansteht oder ein konkreter Verdacht vorliegt, sondern können bereits im laufenden Betrieb identifiziert werden.

Mehr Erkenntnisse schaffen neue Herausforderungen

Mit der Skalierung der Analyse steigt zwangsläufig auch die Anzahl potenzieller Findings. Genau darin liegt nach Einschätzung der Beteiligten eine der wichtigsten Erkenntnisse des Projekts. Wenn KI deutlich mehr Auffälligkeiten identifiziert, müssen Unternehmen auch die nachgelagerten Prozesse entsprechend anpassen. Die Bewertung, Priorisierung und Bearbeitung von Ergebnissen wird zunehmend zum kritischen Faktor.

Wer Sicherheitsanalysen skaliert, muss deshalb auch Prozesse wie Vulnerability Management, Patch Management, Dokumentation und Risikobewertung weiter automatisieren und enger miteinander verzahnen. Die eigentliche Herausforderung besteht nicht darin, mehr Hinweise zu generieren. Sie besteht darin, die zusätzlichen Erkenntnisse strukturiert in operative Sicherheitsmaßnahmen zu überführen.

Mit zunehmender Reife solcher KI-Systeme können Unternehmen die Automatisierungskette weiter ausbauen. KI-Agenten wie Codex sind in der Lage, auf Basis identifizierter Findings geeignete Codeanpassungen vorzuschlagen, Patches vorzubereiten und deren Einhaltung von Sicherheits- und Qualitätsvorgaben automatisiert zu validieren. Dadurch lässt sich nicht nur die Analyse, sondern auch die Bearbeitung von Schwachstellen deutlich besser skalieren.

Der Praxiseinsatz verdeutlicht damit einen grundlegenden Wandel in der Security-Organisation: KI wird nicht zum Ersatz des Menschen, sondern zum Instrument, um bestehende Sicherheitsverfahren erstmals in einer Größenordnung anzuwenden, die mit klassischen Mitteln nur schwer erreichbar wäre.