SchwachstellenKI-SicherheitDatenschutz

Agentische KI ist nicht das Problem – die fehlerhafte Umsetzung ist es

Agentische KI ist nicht das Problem – die fehlerhafte Umsetzung ist es
Zusammenfassung

Die hastige Einführung von agentic AI – künstlichen Intelligenzsystemen, die eigenständig Entscheidungen treffen und Aufgaben ausführen – wird zum Sicherheitsrisiko, nicht wegen der KI selbst, sondern wegen mangelhafter Implementierungspraktiken. Wie aktuelle Fälle bei Salesforce und ServiceNow zeigen, entstehen die kritischsten Schwachstellen nicht aus fortgeschrittener KI-Technologie, sondern aus klassischen Coding-Fehlern: fehlende Eingabevalidierung, hartcodierte Anmeldedaten und unzureichende Zugriffskontrolle. Sicherheitsforscher warnen, dass Entwickler agentic-AI-Systeme vielfach als „Black Box" behandeln, ohne die Interaktion zwischen deterministischen Legacy-Systemen und nicht-deterministischen Sprachmodellen zu verstehen – genau dort liegen die Verwundbarkeiten. Für deutsche Unternehmen und Behörden ist dies besonders relevant, da etwa ein Drittel der Organisationen agentic AI bereits einsetzt oder plant. Das Risiko liegt darin, dass KI-Agenten ohne ordnungsgemäße Authentifizierung und Zugriffskontrolle auf sensitive Daten zugreifen oder diese weitergeben können. Die Lösung besteht nicht in neuen Sicherheitskonzepten, sondern in der Anwendung bewährter IT-Sicherheitsprinzipien mit angepasster Implementierung für diese neue Technologie.

Die rasante Adoption agentischer KI-Technologien verleitet Organisationen zu einem fahrlässigen Ansatz: Sie deployten komplexe Systeme, ohne deren Funktionsweise wirklich zu verstehen. Das Ergebnis sind nicht innovative Cyber-Bedrohungen, sondern altbekannte Verwundbarkeiten in neuem Gewand.

Der Kern des Problems liegt nicht in der Künstlichen Intelligenz selbst, sondern an der unsauberen Integration klassischer Software-Komponenten mit KI-Modellen. Sicherheitsforscher Eliad Kimhy von Acronis bringt es auf den Punkt: “Agentische Systeme bauen auf alter Technologie und alten Schwachstellen auf. Was ausgenutzt wird, sind klassische Softwarevulnerabilitäten – und wer das nicht versteht, schreibt schlechte Software.”

Zwei prominente Beispiele verdeutlichen das Muster: Bei Salesforce konnten Angreifer böswillige Anweisungen in Formulare einschleusen, die der KI-Agent auf dem Backend ausführte – verstärkt durch eine abgelaufene, noch whitelistete Domain. Bei ServiceNow wiederum konnte ein Forscher durch schwache Standard-Authentifizierung als beliebiger Nutzer agieren und KI-Agenten mit Administratorrechten erstellen.

Was diese Fälle gemein haben: Sie sind nicht das Resultat von KI-spezifischen Sicherheitsproblemen, sondern von Versäumnissen bei grundlegenden Sicherheitsprinzipien – fehlende Input-Sanitization, hartcodierte Credentials, unzureichende Zugriffskontrolle.

Agentische KI funktioniert wie ein Hybrid-System aus zwei Hälften: deterministischen Tools (klassische Software mit vorhersehbarem Verhalten) und nicht-deterministischen LLM-Modellen (probabilistisch arbeitend). Die kritische Verwundbarkeit entsteht an der Schnittstelle zwischen beiden. Ein Reisebucht-Agent könnte beispielsweise Buchungsdaten offenlegen, ohne die Identität des Anfragenden zu validieren – nicht weil die KI fehlerhafte ist, sondern weil die Authentifizierung fehlschlägt.

Kimhy warnt vor einer gefährlichen Verschiebung der Aufmerksamkeit: Die Cybersecurity-Community fokussiert sich auf “sexy” Angriffe wie Jailbreaks gegen das LLM-Modell. Das ist jedoch nur die halbe oder sogar weniger als die halbe Geschichte. Die echten Probleme entstehen durch mangelnde klassische Sicherheitspraktiken.

Für deutsche Unternehmen und Behörden ist dies hochrelevant: Jeder Datenschutzvorfall durch unsicher implementierte agentische KI fällt unter DSGVO-Meldepflichten. Das BSI sollte entsprechende Richtlinien entwickeln. Die Lösung lautet “alte Prinzipien mit neuem Ansatz”: Token-basierte Authentifizierung, strenge Zugriffskontrolle auf KI-Agenten wie auf menschliche Mitarbeiter, und vor allem: tiefgehendes Verständnis dafür, wie deterministische und nicht-deterministische Komponenten interagieren.