Cybersecurity-Teams stehen vor einer strukturellen Herausforderung: Die Zahl potenzieller Schwachstellen wächst schneller als die verfügbaren Ressourcen, um diese zu entdecken. Gleichzeitig werden IT-Landschaften komplexer, Softwarezyklen kürzer und Angriffsflächen größer. Für Unternehmen bedeutet das, Sicherheitsprüfungen bzw. Risikoanalysen effizienter zu organisieren, ohne Kompromisse bei Qualität oder Sorgfalt einzugehen. Die Deutsche Telekom hat deshalb untersucht, wie sich moderne 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
Heutzutage gehören immer häufiger automatisierte Verfahren, Security-Scanner und KI-gestützte Anwendungen 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. Der Ansatz: bewährte Verfahren beibehalten, deren Skalierbarkeit jedoch durch noch mehr KI-Unterstützung erhöhen.
Symbolbild: pr13
„Unser Ziel war nicht, bestehende Sicherheitsverfahren durch KI zu ersetzen. Entscheidend war die Frage, ob wir etablierte Prüfprozesse breiter anwenden können, ohne den Ressourcenbedarf im gleichen Maße erhöhen zu müssen. 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“, erläutert 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.
Bessere 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. „Fortschritte bei KI ermöglichen es Unternehmen, Sicherheitsanalysen auf deutlich größere Umgebungen auszuweiten. Der entscheidende Faktor bleibt jedoch die Einbettung in bestehende Security-Prozesse. Die Bewertung von Risiken und die Ableitung konkreter Maßnahmen erfordern weiterhin die Expertise erfahrener Sicherheitsteams“, bekräftigt Tschersich.
KI als Skalierungsfaktor für Security-Teams
Für die Deutsche Telekom zeigt das Projekt vor allem eines: Der Nutzen von KI in der Cybersicherheit liegt nicht primär im Ersatz menschlicher Expertise, sondern in ihrer Vervielfachung. Wiederkehrende Analyseaufgaben lassen sich in größerem Umfang durchführen, während Security-Spezialisten ihre Zeit verstärkt für Bewertung, Priorisierung und strategische Entscheidungen einsetzen können. Gerade angesichts wachsender Bedrohungslagen und des anhaltenden Fachkräftemangels wird diese Fähigkeit für viele Unternehmen zunehmend entscheidend.
Der Praxiseinsatz verdeutlicht damit einen grundlegenden Wandel in der Sicherheits-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.
Text und Bild: OpenAI