Au illustriert ihren Punkt an einem Szenario: Ein ausscheidender Mitarbeiter öffnet ein Wettbewerbsanalyse-Dokument, lädt es herunter, legt es in seinem privaten Cloud-Speicher ab und schickt eine Kopie per E-Mail nach außen. Diese Kette umfasst vier verschiedene Systeme. Ein klassisches SIEM erfasse nur isolierte Fragmente – eine DLP-Warnung beim Download, eine CASB-Markierung beim Upload – könne die Absicht aber nicht rekonstruieren, weil die Herkunftsgeschichte der Datei fehlt: was das Dokument enthielt, wer sonst darauf zugegriffen hat, wie sich das Verhalten des Nutzers zu seiner Grundlinie über sechs Monate verhält.
Ähnlich verhält es sich mit Anomalien: Ein einzelnes Login um ein Uhr nachts sei mehrdeutig. Fünfzig Logins desselben Kontos über sechs Monate, korreliert mit Gerätetelemetrie und Zugriffsmustern, verrieten hingegen, ob es sich um den Finanzvorstand auf Auslandsreise oder um einen Angreifer mit gestohlenen Zugangsdaten handelt. Da KI die Einstiegshürde für Angriffe senke, müsse man annehmen, dass Angreifer bereits im Netz sind – und sich auf feine Abweichungen vom Normalzustand konzentrieren. Muster zeigten sich aber nicht in kleinen Stichproben.
Aus Forderung lautet daher: KI-gestützte Sicherheit braucht vollständige Daten in voller Auflösung, ungefiltert an der Quelle. Dazu zählt sie neben Sicherheitstelemetrie auch Infrastruktur- und Betriebsdaten – Netzwerk, OT-Sensoren, IoT-Geräte, SaaS und Cloud. Hinzu kommen Identitätsdaten menschlicher und nicht-menschlicher Art, um ein Ereignis einem Nutzer, Dienstkonto, API-Schlüssel oder Token zuordnen zu können, sowie Endnutzerdaten: die Dateien, Dokumente und Inhalte, die durch Nutzer, Server und Anwendungen wandern.
Am wertvollsten seien jedoch gerade die Daten, die Sicherheitssystemen am wenigsten sichtbar sind: Geschäftsdokumente, Quellcode, geistiges Eigentum, Kundendaten, Finanzmodelle. Genau diese Bestände nähmen Angreifer zuerst ins Visier – und genau sie würden routinemäßig aus der Sicherheitsanalyse ausgeschlossen, aus Datenschutzsorgen, regulatorischen Zwängen oder weil ein CISO proprietäre Daten verständlicherweise nicht in eine Cloud eines Dritten schicken will.
Die Folgen benennt sie konkret: Eine KI, die Quellcode-Repositories nicht sieht, erkennt nicht, wenn ein Entwickler die gesamte Codebasis klont, bevor er zur Konkurrenz wechselt. Eine KI ohne Blick auf Finanzmodelle verpasse den Insider, der Quartalsprognosen abzieht. Das sei so, als dürfe ein Betrugsprüfer keine Finanzunterlagen einsehen: Die Untersuchung läuft weiter, der Betrug bleibt unentdeckt.
Dieser Ausschluss sei eine Architekturentscheidung, keine technische Grenze. Sensible Daten blieben außen vor, weil cloudabhängige Architekturen ihnen unter DSGVO, dem US CLOUD Act, DORA oder HIPAA nicht anvertraut werden könnten. Entferne man diese Abhängigkeit und betreibe die KI innerhalb der eigenen Umgebung unter eigener Kontrolle, könnten die Kronjuwelen endlich Teil der KI-gestützten Sicherheitsanalyse werden.
Vollständigkeit und Souveränität seien für Au zwei Blickwinkel auf dieselbe Anforderung: Der eine fragt, was die KI sehen kann, der andere, wer kontrolliert, was sie sieht und produziert. Datenschutz samt Souveränität über Daten, Modelle und Gewichte werde zur Schlüsselanforderung für jede Organisation und jeden Staat, der KI in der Sicherheit einsetzen will. Ihr Fazit: Die Zukunft KI-getriebener Sicherheit entscheide sich nicht daran, wer die raffiniertesten Modelle hat, sondern wer seiner KI die vollständigsten Daten gibt – in voller Auflösung, mit tiefem operativem Kontext und ohne Kontrollverzicht.