Agentic-AI-SecOps: Voraussetzungen & erste Schritte

Was Sie nach diesem Beitrag entscheiden können

• Ob Ihre Datenbasis für einen ersten Pilot ausreicht,
• Welcher Use Case als Startpunkt geeignet ist,
• Welche Rollen und Freigaben vor dem Pilot benannt werden müssen,
• Welche KPIs vor, während und nach dem Pilot gemessen werden sollten,
• Wann ein Pilot skaliert, gestoppt oder nachgeschärft werden sollte.

Das Wichtigste im Überblick

• Agentic-AI-SecOps startet nicht mit einem Modell, sondern mit einer Veränderungsinitiative und einem klaren Ziel: Welchen Mehrwert soll entstehen?
• Stabile, dokumentierte Prozesse sind die wichtigste Voraussetzung, noch vor Daten und Technologie.
• Change Management ist kein Abschlusskapitel: Rollenbilder, Qualifikation und Kommunikation entscheiden mit über den Erfolg.
• Der beste Pilot ist klein, häufig, messbar und reversibel.
• Identity, Endpoint, E-Mail, Cloud und SIEM/Log-Daten sind die wichtigsten Startquellen.
• Governance gehört vor den Pilot, nicht nach der ersten kritischen Fehlentscheidung.
• Skalierung gelingt erst, wenn Playbooks, Metriken und Übergaben stabil laufen.

Was bedeutet Agentic AI im SOC?

Agentic AI beschreibt KI-Systeme, die nicht nur Texte erzeugen oder einzelne Alerts zusammenfassen. Ein Agent verfolgt ein Ziel, zerlegt eine Aufgabe in einzelne Schritte, nutzt angebundene Werkzeuge und bereitet eine Entscheidung vor.

Ein verdächtiger Login ist ein gutes Beispiel. Ein Agent kann prüfen, ob der Standort ungewöhnlich ist, ob das Gerät bekannt ist, ob die Anmeldung mit Mehrfaktor-Authentifizierung erfolgt ist, ob das Konto privilegierte Rechte besitzt und ob ähnliche Aktivitäten bereits in anderen Systemen sichtbar sind. Anschließend kann der Agent eine erste Bewertung formulieren und eine passende Eskalation empfehlen.

Damit wird aus einzelnen Sicherheitssignalen ein strukturierter Untersuchungsprozess. Genau darin liegt der Unterschied zu einfacher Automatisierung. Klassische Automatisierung folgt festen Regeln. Agentic AI kann mehrere Informationsquellen einbeziehen, Zwischenschritte planen und eine begründete Empfehlung ableiten.

Eine gute Einführung in das Thema bietet der Beitrag Was ist Agentic AI? Einfach erklärt & mit Beispielen.

Warum Agentic AI für Security Operations relevant wird

Security Teams arbeiten unter hohem Druck. Angriffe werden schneller, die Angriffsfläche wächst, Cloud-Dienste und Identitäten gewinnen an Bedeutung und regulatorische Anforderungen nehmen zu. Gleichzeitig bleibt qualifiziertes Personal knapp.

Wie verändert KI die Angreiferseite?

Der Druck kommt inzwischen von zwei Seiten. Das BSI stellt in seiner IT-Sicherheitsinformation vom 22. Juni 2026 fest: „KI senkt Aufwand, Zeitbedarf und Einstiegshürden für offensive Cyberfähigkeiten maßgeblich.“ Angreifer profitierten dabei in besonderem Maße von Geschwindigkeit, Skalierung und Automatisierung, während die Verteidigung an Freigabeprozesse, Wartungsfenster und reale Betriebsgrenzen gebunden bleibe ((Quelle: BSI, Auswirkungen auf die Cybersicherheit von Organisationen durch die Entwicklung im Bereich Künstlicher Intelligenz, 22.06.2026).

Dokumentiert ist der Einsatz von KI durch Angreifer inzwischen über den gesamten Angriffsablauf:

• Recherche und Profiling von Zielpersonen sowie Erstellung und sprachliche Lokalisierung von Köderinhalten. Die Google Threat Intelligence Group beschreibt das im September 2026 für mehrere staatlich verbundene Gruppen. (Quelle: Google Threat Intelligence Group, GTIG AI Threat Tracker: From Prompting to Autonomy, 08.09.2026)
• Personalisiertes Spear-Phishing und skaliertes Social Engineering: Europol hält in der IOCTA 2026 fest, dass kriminelle Netzwerke Narrative mit Leichtigkeit personalisieren und Ziele in hoher Geschwindigkeit und großem Umfang adressieren können (Quelle: Europol, Internet Organised Crime Threat Assessment 2026, 29.04.2026).
• Generierung und Anpassung von Schadcode bis hin zu Schadsoftware, die nach der Erkennung durch Sicherheitsprodukte automatisiert modifiziert und erneut ausgebracht wird (Quelle: Anthropic, Detecting and countering misuse of AI: September 2026, 10.09.2026).
• Automatisierte Schwachstellenanalyse: Das BSI hält aktuelle KI-Systeme für leistungsfähig genug, Schwachstellen in kurzer Zeit umfassend und teilweise autonom zu erkennen, zu analysieren und in verwertbare Angriffspfade zu überführen (Quelle: BSI, Auswirkungen auf die Cybersicherheit von Organisationen durch die Entwicklung im Bereich Künstlicher Intelligenz, 22.06.2026).

Zwei Einordnungen gehören dazu. Erstens ist nicht belegt, dass KI mehr Angriffe erzeugt; belegt ist, dass sie Angriffe schneller und beliebig skalierbar macht. In einer kontrollierten Studie mit 101 Probanden erzielten vollautomatisiert erstellte Spear-Phishing-Mails eine Klickrate von 54 Prozent – genauso viel wie Mails erfahrener menschlicher Phishing-Fachleute und rund das Viereinhalbfache generischer Phishing-Mails (12 Prozent). Der Befund lautet also nicht, dass KI besser täuscht als Menschen, sondern dass sie dieses Niveau zu einem Bruchteil des Aufwands erreicht (Quelle: Heiding et al., Evaluating Large Language Models’ Capability to Launch Fully Automated Spear Phishing Campaigns, arXiv:2412.00586)

Zweitens gehen die Einschätzungen auseinander. OpenAI beobachtet, dass Angreifer KI überwiegend an bestehende Vorgehensweisen anflanschen, um schneller zu werden, und daraus keine grundsätzlich neuen Angriffsfähigkeiten gewinnen (Quelle: OpenAI, Disrupting malicious uses of AI, Oktober 2025). Für Security Operations folgt aus beidem dieselbe Konsequenz: Wenn die Angriffsseite skaliert, muss die Verteidigung ihre Entscheidungswege beschleunigen, ohne die Nachvollziehbarkeit aufzugeben.

Was bedeutet das für die Arbeit im SOC?

Viele Unternehmen haben bereits in SIEM, EDR, XDR, SOAR oder Managed Detection and Response investiert. Trotzdem bleiben viele Aufgaben manuell. Analystinnen und Analysten suchen Kontext in mehreren Werkzeugen, prüfen wiederkehrende Muster, schreiben Tickets und stimmen Reaktionsmaßnahmen ab.

Agentic AI kann diese Arbeit nicht vollständig übernehmen. Sie kann sie aber besser strukturieren. Dadurch entsteht ein klarer operativer Nutzen. Die Triage wird schneller. Die Untersuchung wird konsistenter. Die Dokumentation wird vollständiger. Die Reaktion wird besser vorbereitet.

Das ist besonders relevant für Unternehmen, die ihr bestehendes SOC weiterentwickeln möchten oder Managed Detection and Response stärker mit Automatisierung und KI verbinden wollen.

Weitere Grundlagen zu den bestehenden Betriebsmodellen finden Sie im Beitrag

MDR, XDR, EDR & SIEM: Unterschiede, Synergien, Einsatzfelder

Was sind die Voraussetzungen für Agentic-AI-SecOps?

Die wichtigste Voraussetzung ist Prozessreife. Agentic AI automatisiert nicht in erster Linie Daten, sondern Entscheidungen innerhalb eines definierten Prozesses. Ist dieser Prozess nicht klar beschrieben, kann auch ein gutes Modell nichts Verlässliches beitragen. Die Lücke wird lediglich schneller sichtbar.

Fehlt die Prozessbeschreibung, zeigt sich das im Pilot sofort:

• Der nächste Prozessschritt ist nicht eindeutig definiert.
• Eskalationspfade fehlen oder sind uneinheitlich.
• Verantwortlichkeiten sind nicht klar geregelt.
• Ausnahmen werden jedes Mal unterschiedlich behandelt.
• Erfolg und Qualität lassen sich nicht verlässlich messen.

Erst danach folgen die weiteren Voraussetzungen: eine ausreichende Datenbasis, klare Verantwortlichkeiten, definierte Guardrails, messbare KPIs und ein Use Case, der häufig genug vorkommt, um schnell zu lernen. Agentic AI braucht ein ehrliches Bild des Ist-Zustands, zuerst vom Prozess, dann von den Daten und zuletzt von der Technologie.

Welche Reifegrade ein SOC auf dem Weg dorthin durchläuft, erklärt der Artikel

Agentic AI im SOC: Architektur, Reifegrade & Roadmap

Was verändert Agentic AI für das SOC-Team?

Der häufigste Denkfehler beim Einstieg lautet: Daten rein, Agent bauen, Erfolg raus. In der Praxis entscheidet aber weniger die Technologie darüber, ob ein Pilot trägt, als die Frage, ob das Team die neue Arbeitsweise mitträgt. Agentic AI verändert, wie im SOC entschieden wird und damit Rollenbilder, Qualifikationsprofile und Karrierewege.

Für Analystinnen und Analysten verschiebt sich die Arbeit von der manuellen Recherche hin zur Bewertung vorbereiteter Entscheidungen. Das klingt nach Entlastung und wird trotzdem häufig als Bedrohung erlebt, solange niemand ausspricht, welche Tätigkeiten entfallen und welche Verantwortung bleibt. Wer diese Frage offenlässt, bekommt keine ehrlichen Rückmeldungen zu Fehlerklassen und genau diese Rückmeldungen braucht der Pilot, um besser zu werden.

Dass der Engpass selten die Technik ist, zeigt auch der Blick auf gescheiterte Vorhaben: Gartner erwartet, dass bis Ende 2027 wegen steigender Kosten, unklarem Geschäftsnutzen oder unzureichender Risikokontrollen mehr als 40 Prozent der Agentic-AI-Projekte wieder eingestellt werden. Das sind Führungs- und Organisationsthemen, keine Modellprobleme.

Vier Punkte gehören deshalb von Anfang an dazu:

• Ein erklärtes Zielbild: Welchen Mehrwert soll Agentic AI schaffen – Entlastung, Qualität, Geschwindigkeit oder Abdeckung? Ohne Antwort bleibt der Pilot beliebig und am Ende unbewertbar.
• Eine ehrliche Aussage zu Rollen: welche Aufgaben entfallen, welche neu entstehen und welche Entscheidungen beim Menschen bleiben.
• Ein Qualifizierungspfad: Umgang mit Agenten und Werkzeugen, Detection Engineering, Daten- und Modellverständnis, kritische Bewertung von KI-Ergebnissen.
• Beteiligung statt Verkündung: Wer später mit dem Agenten arbeitet, sollte Use Case, Guardrails und Abbruchkriterien mitdefinieren.

Praktisch heißt das: Benennen Sie Change-Verantwortliche, binden Sie HR und die interne Kommunikation früh ein und planen Sie feste Rückkopplungsschleifen, zum Beispiel ein wöchentliches Review, in dem das Team Fehlerklassen, Grenzfälle und Nachbesserungen bespricht. Der Aufwand dafür ist überschaubar. Sein Fehlen ist einer der häufigsten Gründe, warum ein technisch funktionierender Pilot nicht in den Regelbetrieb kommt.

Welche Datenquellen brauche ich am Anfang wirklich?

Für den Start reichen wenige, hochwertige Datenquellen. Entscheidend ist, dass sie zusammen ein verwertbares Bild ergeben: Wer handelt, welches System ist betroffen, welche Signale liegen vor, wie kritisch ist der Kontext und welche Maßnahme wäre zulässig?

Die Rolle von SIEM, XDR, EDR und MDR ordnet dieser Vergleich ein:

MDR, XDR, EDR & SIEM: Unterschiede, Synergien, Einsatzfelder

Wie wähle ich den richtigen Pilot-Use-Case?

Ein guter Pilot-Use-Case ist häufig, klar abgrenzbar, messbar und bei Fehlern reversibel. Er sollte genug Volumen liefern, damit innerhalb weniger Wochen echte Daten entstehen, aber nicht so kritisch sein, dass ein Fehlverhalten sofort geschäftskritisch wird.

Welche Rollen sind im Pilot wichtig?

• Change-Verantwortliche: gestalten die organisatorische Einführung, begleiten Rollenveränderungen und sammeln Rückmeldungen aus dem Team.
• HR und Personalentwicklung: klären Qualifikationsanforderungen, Weiterbildung und die künftige Aufstellung des Teams.
• Interne Kommunikation: sorgt dafür, dass Ziel, Grenzen und Auswirkungen des Piloten rechtzeitig und verständlich erklärt werden.
• AI Owner: koordiniert Scope, Ziele, Risiken und Freigaben.
• Security Lead: definiert Use Case, Playbook, Eskalationsregeln und Erfolgskriterien.
• Detection Engineer: sorgt für Telemetrie, Regeln, Kontext und Qualitätsverbesserung.
• Datenschutz/Legal/Compliance: prüfen Datenverarbeitung, Aufbewahrung, Transparenz und regulatorische Anforderungen.
• SOC-Analystinnen und -Analysten: testen Ergebnisse, markieren Fehlerklassen und verbessern Übergaben.
• Fachbereichs-Owner: liefert Business-Kontext zu kritischen Assets und akzeptablen Maßnahmen.

Spätestens hier sollten Sie sich aktiv mit den Auswirkungen auf Mitarbeitende, Rollenbilder, Qualifikationsanforderungen und die künftige Organisationsstruktur auseinandersetzen. Dies geschieht im Idealfall offen und zeitig, um Unsicherheiten im Team von vornherein bestmöglich zu vermeiden.

Der Artikel

Autonomes Incident-Management: Tier-2 & Echtzeit-Containment

Wie messe ich, ob es funktioniert?

Messen Sie vor und nach dem Pilot dieselben Werte: Bearbeitungszeit, MTTD/MTTR, False-Positive-Rate, Re-Routing, manuelle Stunden, Auditqualität und Zufriedenheit der Analystinnen und Analysten. Ohne Baseline bleibt der Pilot eine Meinung; mit Baseline wird er eine Entscheidungsvorlage.

• Vorher: Vier Wochen Baseline ohne Agentic AI erfassen.
• Währenddessen: jede KI-Empfehlung mit Ergebnis, Freigabe und Abweichung dokumentieren.
• Nachher: Werte nach 4, 8 und 12 Wochen vergleichen.
• Entscheidung: skalieren, nachschärfen oder stoppen, basierend auf Zahlen.

Wie KPIs im produktiven Rollout wirken, erklärt der Artikel

Agentic AI operationalisieren: schneller erkennen & reagieren

Vom Piloten zur Skalierung

Skalierung beginnt nicht mit mehr Use Cases, sondern mit stabileren Übergaben. Erst wenn Daten, Playbooks, Guardrails und Reviews funktionieren, sollte der nächste Use Case angeschlossen werden. Jede neue Automatisierung braucht dieselbe Frage: Wird sie die Entscheidung besser, schneller und nachvollziehbarer machen?

30/60/90-Tage-Plan für den Einstieg

• Tag 0-30: Zielbild festhalten, Use Case wählen, Prozess dokumentieren, Datenquellen prüfen, Rollen benennen, Team informieren, Baseline messen, Guardrails definieren.
• Tag 31-60: Agent nur in begrenztem Scope nutzen, Empfehlungen prüfen, Fehlerklassen sammeln, Playbooks anpassen.
• Tag 61-90: KPI vergleichen, Governance nachziehen, Skalierungsreife bewerten, nächsten Use Case priorisieren.

Was sind häufige Fehler und wie vermeide ich sie?

• Change zu spät adressieren. Rollenbilder, Qualifikation und Kommunikation gehören in die Planung, nicht in die Retrospektive. Erklären Sie früh und transparent, welche Arbeit entfällt und welche Verantwortung bleibt.
• Alles auf einmal starten. Nehmen Sie sich einen Use Case vor, setzen Sie sich ein Ziel und klare Grenzen.
• Datenqualität überschätzen. Quellenliste und Testfälle sollten vor dem Pilot geprüft werden.
• KI allein laufen lassen. Definieren Sie Freigaben und Eskalationen nach Kritikalität.
• Erfolg nicht messen. Vorher-Nachher-Vergleiche gehören verpflichtend zum Projekt.

• Ohne Zielbild starten. Wenn niemand benennen kann, welcher Mehrwert entstehen soll, lässt sich der Pilot am Ende auch nicht bewerten.
• Prozesse überspringen. Ein Agent kann einen undokumentierten Prozess nicht reparieren, er macht dessen Lücken nur schneller sichtbar.

Wie Orange Cyberdefense unterstützen kann

Orange Cyberdefense unterstützt Unternehmen beim Aufbau und bei der Weiterentwicklung von Security Operations. Dazu gehören Reifegradanalysen, SOC-Prozessdesign, Managed Detection and Response, XDR-Integration, SIEM- und SOAR-Einbindung sowie AI Security.

Orange Cyberdefense kann den Einstieg über Readiness-Assessment, Use-Case-Workshop, Datenquellenbewertung, Pilotdesign, MDR-/SOC-Anbindung, Detection Engineering, Governance, Change-Begleitung und KPI-Reporting begleiten. Der Mehrwert in der Zusammenarbeit liegt darin, nicht mit einer Tool-Demo zu starten, sondern mit einem realistischen Betriebsmodell, das später skalieren kann.

Agentic AI sollte dabei nicht als isoliertes Innovationsprojekt betrachtet werden. Der größte Nutzen entsteht, wenn Agentic AI in bestehende Security Operations eingebettet wird und MDR, XDR, SIEM, SOAR, ITSM und Threat Intelligence sinnvoll zusammenspielen.

Passende Leistungen und Inhalte sind AI Security: Sichern Sie Ihre KI-Investition, Detect & Respond, Security Operations, Datasheet: Managed Detection and Response, Agentic AI im SOC: Architektur, Reifegrade & RoadmapundMDR, XDR, EDR & SIEM: Unterschiede, Synergien, Einsatzfelder.