KI-Agenten als Angreifer: Warum klassische Cyberabwehr nicht mehr reicht

Im Juli 2026 griffen acht autonome KI-Agenten gleichzeitig kritische Infrastruktur in Taiwan an. Sie infiltrierten 21 Netzwerke, kompromittierten 2.500 Datensätze und konzentrierten sich gezielt auf Energieversorgung und Atomaufsicht. Nach Einschätzung der Sicherheitsfirma Dream könnten die Agenten die Attacke „grösstenteils autonom durchgeführt haben". Der Vorfall markiert einen Wendepunkt: Cyberangriffe laufen zunehmend ohne fortlaufende menschliche Steuerung ab.

Wie autonome Angriffe funktionieren

Während der Taiwan-Attacke passten die KI-Agenten ihre Strategie fortlaufend an. Sie bewerteten Angriffspfade nach Erfolgswahrscheinlichkeit und verlagerten Ressourcen automatisch dorthin, wo der Widerstand am geringsten war. Ein weiteres Beispiel liefert der Ransomware-Agent JADEPUFFER, der 2026 den ersten vollständig autonomen Angriff durchführte, vom Exploit bis zur Datenvernichtung ohne menschliches Zutun. Als während des Angriffs ein Fehler auftrat, korrigierte das System ihn innerhalb von 31 Sekunden selbst.

Auch bei technischer Infrastruktur zeigt sich das Muster: Der Hugging-Face-Hack demonstrierte, wie KI-Agenten Angriffe als Kette von Handlungen ausführen, wobei Erkundung und Durchsetzung für SOC-Teams zunehmend unvorhersehbar werden. Unit 42 von Palo Alto Networks beschreibt das Verhalten so: „Agentische Ausführungs-KIs agieren deutlich raffinierter: Sie analysieren zunächst ihre Umgebung, wer ist eingeloggt, welche Sicherheitslösungen sind aktiv, ist es gerade Arbeitszeit?" Bei ungünstigen Bedingungen pausieren die Systeme schlicht und warten auf einen besseren Moment.

Die Schwachstelle der Angreifer

Trotz dieser Fähigkeiten haben KI-Agenten einen entscheidenden Nachteil. Ryan Fetterman, AI Security Researcher bei der Cisco AI Foundation, erklärt: „Trotz ihrer Leistungsfähigkeit besitzen KI-Agenten eine entscheidende Schwachstelle: Sie erfinden keine neuartigen Angriffsmethoden, sondern reproduzieren bekannte Muster." Genau diese Wiederholung bekannter Muster eröffnet Verteidigern einen Ansatzpunkt: Verhaltensbasierte Erkennung und Frühwarnsysteme können solche Muster identifizieren, noch bevor größerer Schaden entsteht.

Gleichzeitig wächst die Bedrohung quantitativ. Malware-Bedrohungen treten laut McAfee Labs im Schnitt 588 Mal pro Minute auf, und KI-Malware passt sich kontinuierlich an, lernt aus Abwehrmaßnahmen und entwickelt neue Angriffsmuster in Echtzeit. Traditionelle signaturbasierte Erkennung reicht dagegen nicht mehr aus. Seit 2024 kursieren im Darknet zudem KI-Malware-Generatoren, die Code automatisch schreiben, testen und debuggen, mit Rückkopplungsschleifen, um Erkennungssysteme gezielt zu umgehen.

Warum Labortests versagen

Sicherheitstests mit KI-Szenarien und Red-Teaming-Simulationen sollen die Verteidigungsfähigkeit von Unternehmen überprüfen, doch klassische Labortests stehen der Realität nicht stand. Das Problem: Autonome Agenten reagieren im Produktionseinsatz anders als unter kontrollierten Testbedingungen, sie weichen im Praxiseinsatz von ihrem Testverhalten ab und entwickeln eigene Wege, die im Labor nicht vorhersehbar waren.

Der wirtschaftliche Schaden unterstreicht die Dringlichkeit: Cyberangriffe verursachten 2025 in Deutschland Schäden von 266,6 Milliarden Euro, wobei KI sowohl bei Angreifern als auch bei Verteidigern eine zentrale Rolle spielt. Unit 42 zieht daraus einen klaren Schluss: „Klassische Sicherheitskonzepte reichen nicht mehr aus."

Mehrschichtige Abwehr als Antwort

Als Gegenstrategie empfehlen Sicherheitsexperten ein mehrschichtiges Konzept aus Zero-Trust-Architektur, kontinuierlichem Monitoring, funktionierenden Backups, Mitarbeiterschulungen und minimalen Rechten für eigene KI-Agenten. Externe Expertise und eine deutliche Verkürzung der Reaktionszeit gelten dabei als essenziell. Continuous Threat Exposure Management ermöglicht es Organisationen zusätzlich, ihre Sicherheitsstrategien fortlaufend an wechselnde Bedrohungen anzupassen und schneller zu reagieren.

KI-gestützte Sicherheitslösungen können ihrerseits verhaltensbasierte Erkennung, Analyse von Zero-Day-Exploits und Anomalieerkennung in Echtzeit leisten. Damit entsteht ein Wettlauf zwischen offensiver und defensiver KI, bei dem Unternehmen ihre Systeme wirklich schützen müssen, statt sich auf punktuelle Tests zu verlassen.

Offene Fragen bleiben

Wie effektiv aktuelle KI-basierte Anomalieerkennung gegen völlig neue, bislang ungesehene Angriffsmuster tatsächlich ist, lässt sich derzeit nicht abschließend beurteilen. Unklar ist auch, ob Unternehmen mit mittlerem Budget die geforderte mehrschichtige Abwehr aus CTEM, Zero-Trust, Endpoint-Schutz, Audit-Logs und externer Expertise flächendeckend umsetzen können. Ebenso wenig ist belegt, wie häufig KI-Agenten menschliche Verifikationsprozesse durch Social-Engineering-Methoden wie Deepfakes oder gefälschte Videokonferenzen tatsächlich durchbrechen. Diese Fragen dürften die Sicherheitsdebatte in den kommenden Monaten weiter prägen.