Agentic AI im SOC: Wenn KI zum Analysten wird und wie Security-Teams Alert Fatigue überwinden

Das Wichtigste im Überblick

• Alert Fatigue: gilt laut mehreren aktuellen Branchenstudien als einer der Haupttreiber für Burnout unter SOC-Analyst:innen und für hohe Teamfluktuation.
• Analysten-Erlebnis statt nur Architektur: Agentic AI verändert nicht nur Prozesse, sondern den Arbeitsalltag. Es geht um weniger manuelle Triage-Routine und mehr Zeit für komplexe Fälle und Threat Hunting.
• Zweiteiliger Vortrag: „Agentic AI im SOC: Wenn KI zum Analysten wird“ von Joachim Schuster (CyberSec Tastery, Juni 2026) führt von den Grundlagen (Teil 1) zu Praxisbeispielen (Teil 2).
• Kein Modell-, sondern ein Workflow-Thema: Entscheidend für den produktiven Betrieb ist laut Schuster die Einbettung in reale Workflows mit Übergaben, Metriken und Governance.
• Intern oder extern: Ob eigenes SOC oder Managed Service, die Einführung von Agentic AI verlangt eine klare Aufgabenteilung zwischen dem Menschen und dem Agenten.

Wie funktioniert Alert Fatigue im SOC und warum ist sie ein Problem?

Moderne Security Operations Center verarbeiten heute ein Alert-Volumen, das ein einzelnes Team kaum noch vollständig sichten kann. Mehrere aktuelle Analysen beziffern das tägliche Alert-Aufkommen eines durchschnittlichen Unternehmens auf mehrere Tausend Meldungen. Ein erheblicher Teil davon bleibt unbearbeitet oder wird ungeprüft geschlossen.

Die Folge: Alert Fatigue. Analyst:innen werden gegenüber Warnmeldungen zunehmend abgestumpft, priorisieren nach Bauchgefühl statt nach Risiko oder übersehen im schlimmsten Fall echte Vorfälle zwischen hunderten Fehlalarmen. Je nach Studie berichten zwischen rund 60 und über 75 Prozent der SOC-Analyst:innen von Burnout-Symptomen, die sie direkt auf Alert-Volumen und repetitive Triage-Arbeit zurückführen (vgl. Wiz Academy, „SOC Analyst Burnout: Causes, Signs & Fixes“; ACM Computing Surveys, „Alert Fatigue in Security Operations Centres“).

Das Problem ist nicht nur menschlich, sondern betriebswirtschaftlich: hohe Fluktuation, lange Einarbeitungszeiten neuer Analyst:innen und ein reales Risiko, dass kritische Alerts in der Masse untergehen. Genau diesen Punkt adressiert auch das Orange-Cyberdefense-Datenblatt Das SOC der Zukunft: Security Orchestration, Automation and Response. Darin finden Sie mehr zu „Alert Fatigue der Analysten im SOC“ als zentrale Herausforderung, der moderne SOC-Konzepte begegnen müssen.

Genau hier setzt Agentic AI an, nicht als weiteres Automatisierungs-Tool, sondern als Versuch, die Rolle der Analystin oder des Analysten grundlegend zu entlasten.

Teil 1: Was sind die Grundlagen von Agentic AI im SOC?

Im ersten Teil seines Vortrags bei der CyberSec Tastery 2026 legte Joachim Schuster, Solution Architect bei Orange Cyberdefense Germany, die Grundlagen: Was unterscheidet Agentic AI von klassischer Automatisierung oder einfachen KI-Assistenten? Eine ausführliche Einführung in die Definition von Agentic AI haben wir bereits in unserem Beitrag Was ist Agentic AI? Einfach erklärt & mit Beispielen behandelt. Kurz zusammengefasst: Agentic AI bezeichnet KI-Systeme, die nicht nur Vorschläge liefern, sondern eigenständig Ziele verfolgen, Kontext einbeziehen und mehrstufige Aufgaben ausführen können, während der Mensch die Kontrolle über kritische Entscheidungen behält.

Im SOC-Kontext bedeutet das laut der offiziellen Ankündigung zum zweiten Konferenztag: „Security Operations Center stehen unter wachsendem Druck durch steigende Alert-Zahlen und komplexe IT-Landschaften. […] Agentic AI Security-Teams unterstützt, von der Analyse bis zur Reaktion.“ Der Titel des Vortrags „Wenn KI zum Analysten wird“ ist bewusst gewählt: Es geht nicht um ein weiteres Dashboard, sondern um Software, die einen Teil der analytischen Denkarbeit übernimmt, die bislang ausschließlich Menschen geleistet haben – von der ersten Sichtung eines Alerts bis zur begründeten Empfehlung für die nächsten Schritte.

Seine Bestandsaufnahme stützt Joachim Schuster auf den jährlichen Security Navigator von Orange Cyberdefense: Demnach steht das klassische SOC-Modell aktuell unter Druck durch vier sich überlagernde Faktoren:

1. Alert Fatigue (ein großer, oft repetitiver Teil der Meldungen muss trotzdem einzeln gesichtet werden),
2. Slow Response (Reaktionen verzögern sich, weil Informationen erst manuell aus verschiedenen Systemen zusammengetragen werden müssen),
3. Tool Sprawl (Analyst:innen wechseln ständig zwischen SIEM, EDR, IAM und Threat-Intelligence-Plattformen, ohne dass sich daraus automatisch ein Gesamtbild ergibt) und
4. eine wachsende Angriffsfläche durch mehr Cloud-Nutzung, Identitäten und Remote-Arbeitsplätze.

Daraus leitet Joachim Schuster die zentrale Abgrenzung des Vortrags ab: Ein klassisches Sprachmodell (LLM) ist antwortorientiert. Es liefert auf eine Frage eine sprachliche Antwort, etwa eine Einschätzung oder eine Liste möglicher nächster Schritte.

Ein Agent ist dagegen zielorientiert: Er zerlegt ein Ziel wie „prüfe, ob dieser Alarm kritisch ist“ eigenständig in Teilschritte, ruft dafür Daten aus mehreren Systemen ab (z. B. EDR, Verzeichnisdienst, Threat Intelligence), bewertet die Relevanz im Kontext und bereitet – innerhalb definierter Grenzen – eine Eskalation oder Maßnahme vor oder stößt sie an.

Teil 1 legt damit das konzeptionelle Fundament für das, was im zweiten Teil praktisch wird.

Wie unterscheidet Agentic AI echte Sicherheitsvorfälle von harmlosen Fehlalarmen?

Diese Frage steht im Zentrum der Alert-Fatigue-Problematik und im Zentrum dessen, was Agentic AI im Analysten-Alltag verändert. Technisch haben wir den Weg von Alert Clustering über Enrichment bis zur automatisierten Triage-Klassifizierung bereits ausführlich im Beitrag Agentic AI operationalisieren: schneller erkennen & reagieren beschrieben. An dieser Stelle geht es um die andere Seite: Was bedeutet es für die Analysten, wenn ein Agent diese Vorsortierung übernimmt?

Der entscheidende Unterschied zu klassischen Regel- oder Schwellenwert-Systemen: Agentic AI bewertet einen Alert im Kontext, wie frühere Vorfälle, betroffene Systeme, Nutzerverhalten, Bedrohungsdaten und liefert eine nachvollziehbare Einschätzung statt nur einer Zahl. Für Analyst:innen heißt das konkret:

• Weniger Zeit für das manuelle Zusammentragen von Kontextinformationen aus verschiedenen Tools.
• Eine vorstrukturierte Priorisierung, die als Ausgangspunkt für die eigene fachliche Bewertung dient.
• Mehr Vertrauen in die Warteschlange, weil bekannt ist, nach welchen Kriterien vorsortiert wurde.

Wie diese Vorsortierung in der Praxis abläuft, veranschaulicht Joachim Schuster mit einem Vergleich aus der Notaufnahme: Ein Alarm wird zunächst grob eingeschätzt, ähnlich wie bei einer Triage im Krankenhaus, wo zuerst geprüft wird, ob eine akute Gefahr vorliegt oder nicht. Der Agent sammelt dafür Metadaten (betroffene Nutzer:innen, Hosts, Prozesse, IP-Adressen), zieht ergänzende Informationen aus EDR, Verzeichnisdienst/IAM, Threat-Intelligence-Quellen und dem Ticketsystem hinzu, korreliert diese Signale und erstellt eine strukturierte Ersteinschätzung mit vermuteter Priorität, zusammengefasstem Kontext, Begründung und empfohlenen nächsten Schritten.

Als konkretes Beispiel aus dem eigenen Betrieb nennt Joachim Schuster ein Modell, in dem Alerts niedriger Kritikalität (P3/P4) zunächst vollständig vom Agenten bearbeitet werden: Rund 84 Prozent davon lassen sich automatisch als kein echter Vorfall (kein True Positive) schließen, etwa 12 Prozent gehen an eine Security-Analystin oder einen -Analysten weiter, der Rest benötigt zusätzliche Validierung durch den Kunden. Nach seinen Angaben liegt die Trefferquote dieses Modells bei rund 97,8 Prozent, bei einer Falsch-Positiv-Rate von 2,2 Prozent und einer Falsch-Negativ-Rate von 0 Prozent. Alerts mit hoher Kritikalität (P1/P2) durchlaufen dagegen dieselbe Voranreicherung, werden aber ohne Zeitverlust direkt an Security-Analyst:innen übergeben. Wichtig einzuordnen: Dies ist ein von Joachim Schuster genanntes Praxisbeispiel aus einem konkreten Setup von Orange Cyberdefense, keine allgemeingültige Branchenkennzahl.

Wichtig: Auch in diesem Modell trifft Agentic AI keine autonome Endentscheidung über sicherheitskritische Vorfälle. Kritische Alerts (P1/P2) werden weiterhin an Analyst:innen eskaliert. Die Kontrolle über Eskalation und Reaktion bleibt, abhängig vom Reifegrad und den definierten Governance-Regeln, beim Menschen. Wie sich dieses Zusammenspiel aus Agent-Vorschlag und menschlicher Freigabe strukturieren lässt, beschreiben wir im Beitrag Agentic AI im SOC: Architektur, Reifegrade & Roadmap im Detail.

Teil 2: Wie sieht Agentic AI im SOC in der Praxis aus?

Teil 2 knüpfte inhaltlich nahtlos an Teil 1 an. Joachim Schuster ordnet zunächst ein, wo Agentic AI im SOC heute bereits belastbar stark ist, bspw. beim Sammeln und Korrelieren von Informationen aus mehreren Quellen, beim Beschleunigen wiederkehrender Untersuchungsschritte und beim Ableiten strukturierter Handlungsempfehlungen. Anschließend beleuchtet er, wo die Grenzen liegen: Halluzinationen und Fehleinschätzungen, die oft überzeugend klingen, obwohl sie es fachlich nicht sind; unvollständige oder fehlerhafte Ausgangsdaten; ein neues Angriffsfeld durch Prompt Injection und Tool-Missbrauch, sobald ein Agent mit echten operativen Systemen verbunden ist; sowie die Nachvollziehbarkeit von Entscheidungen, die im SOC-Kontext unverzichtbar bleibt.

Daraus leitete er ein vierstufiges Reifegradmodell ab:

1. Assistenz (die KI liefert Informationen, der Mensch trifft alle Entscheidungen selbst),
2. Co-Pilot (die KI empfiehlt aktiv Priorisierungen und nächste Schritte),
3. Agent (die KI übernimmt operative Teilaufgaben eigenständig, etwa Datensammlung, Korrelation und Ticketerstellung) und
4. das vollautonome SOC, in dem der Mensch vor allem die Leitplanken setzt.

Mit jeder Stufe steigt laut Joachim Schuster die Autonomie, gleichzeitig sinkt aber die menschliche Kontrolle. Genau deshalb verortete er den praktischen „Sweet Spot“ für die meisten Organisationen aktuell zwischen Co-Pilot und Agent: Hier lassen sich bereits erhebliche Effizienzgewinne bei Triage, Kontextanreicherung, Dokumentation und Ticketing erzielen, ohne die menschliche Steuerung vollständig aufzugeben.

Ein zentraler Gedanke, den Joachim Schuster bereits in einem verwandten, bereits veröffentlichten Beitrag von Orange Cyberdefense auf den Punkt gebracht hat, zieht sich durch den gesamten zweiten Teil:

Diese Aussage trifft den Kern dessen, was Teil 2 des Vortrags praktisch unterlegt haben dürfte: Erst wenn ein Agent zuverlässig weiß, wann er eskalieren muss, wie sein Vorschlag dokumentiert wird und welche Kennzahl seinen Erfolg misst, wird aus einer Demo ein belastbarer Teil des Sicherheitsbetriebs. Auch aktuelle deutschsprachige Fachbeiträge betonen diesen Punkt: Agentenbasierte KI im SOC wird ohne Governance schnell selbst zum Risiko (vgl. Security-Insider, „Agentenbasierte KI im SOC wird ohne Governance zum Risiko“).

Konkret nennt Joachim Schuster fünf Punkte, die aus Governance- und Security-Sicht vor jedem produktiven Einsatz geklärt sein sollten:

1. Human-in-the-Loop (klar definiert, welche Maßnahmen automatisiert laufen dürfen und bei welchen ein Mensch zustimmen muss, gerade bei kritischen Reaktionen, hoher Unsicherheit oder potenziell geschäftsrelevanten Auswirkungen),
2. ein Policy- und Permission-Layer nach dem Least-Privilege-Prinzip (welche Daten darf der Agent lesen, welche Systeme ansprechen, welche Aktionen auslösen),
3. durchgängige Audit-Transparenz,
4. Safety-Guardrails gegen riskante Kettenreaktionen (damit aus einem unsicheren Signal nicht direkt eine harte Reaktion folgt) sowie
5. Data Security & Compliance, weil im SOC mit besonders sensiblen, teils personenbezogenen Daten gearbeitet wird.

Sein Fazit dazu: Governance ist kein nachgelagertes Kontrollthema, sondern von Anfang an Teil des Designs und schafft überhaupt erst das Vertrauen, das ein produktiver Einsatz braucht.

Wie verändert Agentic AI den Arbeitsalltag von SOC-Analyst:innen?

Hier liegt der eigentliche Kern dieses Beitrags. Ein SOC-Analyst-Alltag ohne Agentic-AI-Unterstützung sieht häufig so aus: Alert-Warteschlange abarbeiten, Kontext manuell zusammensuchen, ähnliche Fälle wiedererkennen, entscheiden, dokumentieren – und das dutzende bis hunderte Male pro Schicht. Diese Routine ist es, die laut den oben zitierten Studien maßgeblich zu Erschöpfung und Fluktuation beiträgt.

Mit Agentic AI verschiebt sich der Schwerpunkt:

• Weniger Routine-Triage, mehr Fallprüfung: Die vorstrukturierte Ersteinschätzung übernimmt der Agent, die fachliche Bewertung bleibt beim Menschen.
• Neue Aufgabe – Agenten überwachen: Analyst:innen prüfen zunehmend, ob der Agent richtig entschieden hat, statt jeden Fall von Grund auf neu zu bearbeiten.
• Mehr Raum für Threat Hunting und Weiterbildung, weil repetitive Aufgaben wegfallen.
• Verändertes Kompetenzprofil: Neben klassischem Security-Wissen gewinnt das Verständnis für KI-Systeme, deren Grenzen und Governance-Anforderungen an Bedeutung.

Diese Verschiebung ist kein Selbstläufer. Sie gelingt nur, wenn Teams von Anfang an einbezogen werden, Vertrauen in die Agentenlogik aufgebaut wird und klar definiert ist, wo Automatisierung endet und menschliche Verantwortung beginnt.

Wie lassen sich SOC-Prozesse automatisieren und orchestrieren?

Wir behandeln diese Frage ausführlich, inklusive Integrationsmustern und Beispiel-Playbooks im Beitrag Agentic AI operationalisieren: schneller erkennen & reagieren. Kurz zusammengefasst: Orchestrierung verbindet SIEM, SOAR, EDR/XDR und ITSM zu einem durchgängigen Workflow, in dem Agentic AI Alerts anreichert, klassifiziert und innerhalb definierter Leitplanken erste Reaktionsschritte einleitet oder vorschlägt. Wer sich zusätzlich für die technische Architektur und Reifegradmodelle interessiert, findet diese im Beitrag Agentic AI im SOC: Architektur, Reifegrade & Roadmap.

Welche Vorteile bietet ein externer SOC gegenüber einem internen bei der KI-Einführung?

Viele Unternehmen stehen vor der Frage, ob sie Agentic AI in ein bestehendes internes SOC integrieren oder auf einen externen, verwalteten Service setzen. Ein externer SOC-Betrieb, etwa im Rahmen von Managed Detection and Response (MDR), bietet bei der KI-Einführung mehrere Vorteile:

• Vorhandene Erfahrung: Managed-Service-Provider betreiben Agentic-AI-Workflows bereits über viele Kund:innen hinweg und bringen erprobte Playbooks statt Prototypen mit.
• Schnellere Reifegrad-Entwicklung: Governance-Strukturen, Eskalationsregeln und Metriken müssen nicht von Grund auf entwickelt werden.
• Zugriff auf breitere Bedrohungsdaten: Aggregierte Erkenntnisse aus mehreren Umgebungen verbessern die Kontextbewertung durch die Agenten.
• Entlastung des internen Teams: Statt selbst Agentic-AI-Systeme zu betreiben und zu überwachen, konzentriert sich das interne Team auf Bewertung und Entscheidung.

Wie sich Agentic AI konkret in MDR-Services integrieren lässt, inklusive Chancen und Risiken, beschreiben wir im Beitrag Integration von Agentic AI in MDR. Einen strukturierten Vergleich der zugrundeliegenden Technologien liefert außerdem MDR, XDR, EDR & SIEM: Unterschiede, Synergien, Einsatzfelder. Wer den nächsten Schritt konkret plant, findet auf unserer Service-Seite Detect & Respond einen Überblick über Angebote für Erkennung und Reaktion.

Was kostet ein Security Operations Center mit Agentic-AI-Unterstützung?

Die Kosten für ein SOC mit Agentic-AI-Unterstützung lassen sich nicht pauschal beziffern. Sie hängen von Faktoren wie Unternehmensgröße, Anzahl zu überwachender Systeme, gewähltem Betriebsmodell (intern, hybrid, vollständig ausgelagert) und dem bereits vorhandenen Tool-Stack ab. Anstelle einzelner Preisangaben lohnt sich der Blick auf die relevanten Kostentreiber:

• Lizenz- und Plattformkosten für die eingesetzten Agentic-AI-Funktionen (häufig Teil bestehender SIEM-/SOAR-/XDR-Lizenzen oder als Zusatzmodul).
• Integrationsaufwand, um Agenten an bestehende Datenquellen und Ticketing-Systeme anzubinden.
• Personal- und Schulungskosten für die veränderte Analystenrolle (siehe vorheriger Abschnitt).
• Laufende Governance- und Audit-Aufwände, um Nachvollziehbarkeit der Agenten-Entscheidungen sicherzustellen.

Dem stehen quantifizierbare Einsparpotenziale gegenüber: Eine vielzitierte Branchenschätzung beziffert allein die Kosten manueller Alert-Triage in den USA auf rund 3,3 Milliarden US-Dollar pro Jahr (Quelle: Vectra AI, unter Berufung auf Branchendaten). Das ist ein Hinweis darauf, wie viel Wert in reduzierter manueller Bearbeitungszeit liegt, unabhängig vom konkreten Preismodell. Wer die Kosten unterschiedlicher Betriebsmodelle strukturiert vergleichen möchte, findet im Beitrag MDR, XDR, EDR & SIEM: Unterschiede, Synergien, Einsatzfelder sowie im direkten Gespräch über die Service-Seite Detect & Respond eine fundierte Grundlage für eine individuelle Kalkulation.

Fazit: Agentic AI im SOC ist kein Selbstzweck und kein reines Effizienzprojekt

Im Kern geht es darum, den Menschen im Security Operations Center wieder das machen zu lassen, wofür Expertise und Urteilsvermögen gebraucht werden: komplexe Entscheidungen treffen, statt sich durch endlose Alert-Warteschlangen zu arbeiten. Alert Fatigue ist real, messbar und teuer, für Unternehmen wie für die Menschen, die im SOC arbeiten.

Der zweiteilige Vortrag von Joachim Schuster bei der CyberSec Tastery 2026 hat diesen Weg nachgezeichnet: von den konzeptionellen Grundlagen in Teil 1 bis zu den praktischen Umsetzungsfragen in Teil 2. Der rote Faden dabei: Technologie allein löst das Problem nicht. Entscheidend sind eingebettete Workflows, klare Verantwortlichkeiten und eine Kultur, in der Analyst:innen dem Agenten vertrauen können, ohne die Kontrolle zu verlieren. Joachim Schuster brachte es am Ende seines zweiten Vortragsteils auf den Punkt: Die Frage sei nicht mehr, ob KI im SOC eine Rolle spielen wird, sondern welche Aufgaben man ihr zuerst anvertraue und unter welchen Bedingungen.

Wer diesen Weg strategisch vorbereiten will, findet passende vorgelagerte Schritte in unseren Beiträgen GenAI & AI Agents im Unternehmen: Mehr Innovation, weniger Risiko (strategische Einführung von GenAI) und AI Security in der Praxis: Wie Unternehmen KI-Workloads wirksam schützen (technische Absicherung von KI-Workloads). Beide führen inhaltlich direkt auf das hier beschriebene SOC-Thema hin.