Agent gegen Agent: Cybersecurity wird teilautonom

KI in der IT-Sicherheit ist nicht neu. Neu ist, dass Systeme nicht mehr nur Warnungen
zusammenfassen, sondern Untersuchungen selbstständig durchführen, Schwachstellen
validieren und begrenzte Gegenmaßnahmen vorbereiten. Gleichzeitig nutzen Angreifer
dieselben Fähigkeiten für Aufklärung, Exploit-Suche und parallele Kampagnen. 2027 wird
daraus ein Wettlauf in Maschinengeschwindigkeit.

Der Gewinner wird voraussichtlich nicht der autonomste Cyber-Agent sein, sondern der am
besten kontrollierte: schnell genug für den Angriff, aber mit klaren Grenzen für jede
irreversible Aktion.

Google gibt an, dass sein Triage-and-Investigation-Agent bereits mehr als fünf Millionen
Warnmeldungen untersucht und typische Analysen von 30 Minuten auf rund 60 Sekunden
verkürzt habe. Codex Security verbindet dagegen ein projektspezifisches Bedrohungsmodell
mit Sandbox-Validierung und Patch-Vorschlägen. Auf der Gegenseite dokumentierte Anthropic
2026 Cyberoperationen, bei denen Multi-Agent-Systeme Aufklärung, Exploitation und
Datenabfluss orchestrierten; Menschen entschieden weiterhin über Ziele und kritische
Schritte. Die Herstellerzahlen und Fallstudien sollten als Anbieterangaben verstanden
werden, zeigen aber eine klare Richtung.

Teaser für den Detailbeitrag: „Agent gegen Agent: Warum Cybersecurity 2027
autonomer wird – und weshalb menschliche Kontrolle trotzdem unverzichtbar bleibt.“

Beispiele und Quellen:
Google Security Operations,
OpenAI Codex Security,
Anthropic Threat Intelligence Report,
International AI Safety Report 2026.

Vom Assistenten zum Aktionsagenten

Browser Use, Computer Use, Voice Agents, KI-Avatare und persönliche Superassistenten
beschreiben keine fünf unabhängigen Trends. Sie sind verschiedene Schichten derselben
Entwicklung. Browser- und Computersteuerung liefern die Hände, Sprache und Avatar die
Oberfläche, Gedächtnis und Planung die Kontinuität. Der eigentliche Trend ist ein Agent,
der nicht nur antwortet, sondern Aufgaben über mehrere Anwendungen hinweg erledigt.

Der klassische Turing-Test hilft bei dieser Bewertung wenig. Ein System kann menschlich
klingen und trotzdem falsche Entscheidungen treffen. Stanford berichtet für OSWorld, einen
Benchmark für Computeraufgaben, von 66,3 Prozent Genauigkeit – ein großer Fortschritt,
aber weiterhin ungefähr ein Fehlschlag bei drei Versuchen. Für 2027 ist daher nicht die
perfekte Menschenimitation entscheidend, sondern verlässliche Ausführung mit überprüfbaren
Zwischenschritten.

Beim Yamada-Denki-Projekt nutzten nach Angaben der Fallstudie etwa 30.000 Menschen den
Einkaufsagenten in zwei Wochen; 92 Prozent der abgegebenen Bewertungen fielen positiv aus.
Technisch interessant ist weniger der Avatar als die Kombination aus Realtime-Sprache,
Retrieval-Augmented Generation (RAG) für Produktdaten und klaren Gesprächsleitplanken.
Meta verfolgt mit Muse einen anderen Ansatz: eine eigene virtuelle Maschine, ein separater
Browser und individuell freigegebene Zugriffe. Genau solche Isolationskonzepte dürften für
persönliche Agenten wichtiger werden als ein besonders menschliches Gesicht.

Teaser für den Detailbeitrag: „Persönliche KI-Agenten 2027: Wann aus einem
Chatbot ein verlässlicher digitaler Mitarbeiter wird.“

Beispiele und Quellen:
OpenAI ChatGPT Work,
avatarin/Yamada Denki,
Meta Muse,
Stanford AI Index 2026.

Corporate AI Stack: wichtiger als das „Corporate LLM“

„Corporate LLM“ ist ein verständlicher Begriff, führt aber schnell zu einer falschen
Vorstellung: Die meisten Unternehmen werden 2027 kein eigenes großes Basismodell von Grund
auf trainieren. Sie benötigen vielmehr eine kontrollierte KI-Schicht, die unterschiedliche
Modelle mit eigenen Daten, Berechtigungen, Regeln, Werkzeugen und Qualitätsprüfungen
verbindet. Der Wert liegt nicht allein im Modell, sondern im Unternehmenskontext.

Die bessere Frage lautet nicht „Welches LLM gehört uns?“, sondern „Welche Daten, Prozesse,
Zugriffsregeln und Evaluationen kontrollieren wir?“

Unternehmens-KI entwickelt sich damit zu einer eigenen Betriebsplattform. Ein Model Gateway
wählt je nach Aufgabe, Kosten, Latenz und Datenklasse ein passendes Modell. RAG verbindet
Antworten mit freigegebenen Dokumenten und strukturierten Daten. Hybrid Search kombiniert
Volltext- und Vektorsuche, während ein Knowledge Graph Geschäftsbeziehungen zwischen Kunden,
Verträgen, Produkten und Prozessen sichtbar macht. Eine Agent Runtime stellt streng definierte
Werkzeuge bereit. IAM, DLP, Guardrails, Evaluation und Observability bilden die Kontrollschicht.

Praktisch sollte ein Unternehmen nicht mit „Wir brauchen ein Firmen-LLM“ starten, sondern
mit einem messbaren Prozessproblem. Zunächst eignet sich ein lesender Anwendungsfall mit
begrenzter Datenbasis und Quellenangaben. RAG ist meistens der erste Schritt; Fine-Tuning
lohnt sich erst, wenn Terminologie, Ausgabeformat oder wiederkehrendes Fachverhalten trotz
guter Datenanbindung nicht stabil genug sind. Kleine Modelle eignen sich für Klassifikation,
Extraktion und Routing, große Modelle für Aufgaben, bei denen ihre Mehrleistung tatsächlich
messbar ist.

Teaser für den Detailbeitrag: „Corporate AI 2027: Wann RAG, Fine-Tuning,
Knowledge Graph, sLLM oder Cloud-Modell die richtige Wahl ist.“

Beispiele und Quellen:
SAP Autonomous Enterprise,
Siemens Engineering Agent,
Mercedes-Benz Direct Chat,
Bosch Kundenservice,
Telekom LLM Serving.

KI wird Echtzeit: kleine Modelle, Edge AI und Spezialchips

Schnelle Inferenz ist nicht einfach ein anderes Wort für Small Language Models. sLLMs sind
ein wichtiger Baustein, doch Geschwindigkeit entsteht aus dem Zusammenspiel von Modell,
Laufzeitsoftware und Hardware. Quantisierung reduziert Speicherbedarf und Rechenlast,
Speculative Decoding erzeugt mehrere Token-Kandidaten auf einmal, KV-Caching vermeidet
wiederholte Berechnung und NPUs, GPUs oder ASICs führen die Modelle effizient aus.

Apple stellte 2026 neben einem dichten On-Device-Modell mit drei Milliarden Parametern ein
sparsames multimodales Modell mit 20 Milliarden Parametern vor, das je Anfrage nur ein bis
vier Milliarden Parameter aktiviert. NVIDIA meldete für einen eigenen MLPerf-Lauf auf Jetson
AGX Thor eine 6,4-fach kürzere Laufzeit gegenüber der verwendeten Referenz. Das Ergebnis ist
anbieterspezifisch, zeigt aber, wie stark Quantisierung, Multi-Token Prediction und
Cache-Wiederverwendung zusammenwirken können.

Lokale Ausführung kann Datenschutz, Latenz und Ausfallsicherheit verbessern, ist aber nicht
automatisch sicher. Auch ein On-Device-Agent braucht verschlüsselte Speicherbereiche,
saubere Berechtigungen, signierte Updates und Schutz vor manipulierten Eingaben.

Teaser für den Detailbeitrag: „sLLM, NPU und Edge AI: Wie KI 2027 lokal,
schnell und teilweise offline arbeitet.“

Beispiele und Quellen:
Apple Foundation Models,
NVIDIA TensorRT Edge-LLM,
Automotive- und Robotics-Beispiele.

Die synthetische Öffentlichkeit: Wenn Agenten Trends machen

KI-generierte Bilder, Videos und Texte sind 2027 nicht mehr die eigentliche Neuigkeit.
TikTok meldete bereits Ende 2025 mehr als 1,3 Milliarden gekennzeichnete KI-Videos;
YouTube führte 2026 sichtbarere Labels und automatische Erkennung für realistisch wirkende
KI-Inhalte ein. Der nächste Schritt ist die Verbindung von Generierung und autonomer
Optimierung.

Der mögliche Hype-Loop lautet: schwaches Signal erkennen, Varianten erzeugen, posten,
reagieren, Resonanz messen, das Narrativ optimieren – und den Kreislauf wiederholen.

Damit wird aus einem KI-Post eine agentische Kampagne. Das betrifft legitimes Marketing
ebenso wie Astroturfing, Desinformation und künstliche Popularität. Eine EACL-Studie von
2026 untersuchte sieben Millionen Posts und Interaktionen von 32.000 LLM-Agenten auf einer
agentenbasierten Plattform. Die Forscher fanden unter anderem sozialen Einfluss,
Gruppenbildung und Polarisierung. Das beweist noch keine autonome Übernahme realer
Plattformen, zeigt aber, dass Agenten bekannte soziale Dynamiken reproduzieren können.

Teaser für den Detailbeitrag: „Die synthetische Öffentlichkeit: Erzeugen
KI-Agenten 2027 ihre eigenen Trends und Meinungsschleifen?“

Beispiele und Quellen:
TikTok AIGC-Kennzeichnung,
YouTube AI-Labels,
EACL-Studie zu sozialen LLM-Agenten.

Wer darf handeln? Identität und Vertrauen für Agenten

Sobald Agenten E-Mails versenden, Dateien verändern, Software ausrollen oder Geld ausgeben,
entsteht eine neue Sicherheitsfrage: Handelt der richtige Agent im Auftrag der richtigen
Person – mit den richtigen Rechten und nur für den vorgesehenen Zweck? Ein normaler
Benutzer-Login reicht dafür nicht aus. Agenten brauchen eigene technische Identitäten,
begrenzte Vollmachten und eine überprüfbare Aktionshistorie.

NIST arbeitet seit 2026 an Konzepten für Identifizierung, Authentifizierung, Autorisierung
und Auditierbarkeit von Software-Agenten. Nach mehr als 600 Kommentaren wurde DevSecOps als
erster Implementierungsfall ausgewählt. Parallel erweitert C2PA seine Content Credentials um
maschinenlesbare Angaben zum verwendeten Modell und zum Grad menschlicher Kontrolle. Für
Zahlungen entstehen wiederum Mandate, die Zweck, Händler, Betrag und Ablaufzeit kryptografisch
festhalten können.

Teaser für den Detailbeitrag: „Nach dem Login für Menschen kommt die
digitale Vollmacht für Agenten: Identität, Rechte und Audit Trails 2027.“

Beispiele und Quellen:
NIST Agent Identity,
C2PA 2.4,
Google-Leitfaden zu MCP, A2A, UCP und AP2.

Physical AI: zuerst in der Fabrik, später im Wohnzimmer

Bei Robotik ist Zurückhaltung angebracht. Der Stanford AI Index 2026 nennt für reale
Haushaltsaufgaben lediglich rund zwölf Prozent Erfolgsquote, während Robotermanipulation in
kontrollierten Simulationen 89,4 Prozent erreicht. Der Abstand zwischen Labor und Alltag ist
also weiterhin groß. Für einen breiten Haushaltsdurchbruch erscheint 2028 oder später
plausibler als 2027.

In strukturierten Industrieumgebungen ist Physical AI dagegen bereits konkret. BMW berichtet,
dass Figure 02 innerhalb eines zehnmonatigen Piloten in Spartanburg die Produktion von mehr
als 30.000 BMW X3 unterstützte, über 90.000 Bauteile bewegte und etwa 1.250 Betriebsstunden
leistete. 2026 folgte ein weiterer Pilot in Leipzig. Das ist noch keine universelle
Roboterarbeit, aber ein belastbarer Hinweis darauf, wo der Markt zuerst skaliert: bei eng
definierten, wiederholbaren und körperlich belastenden Aufgaben.

Teaser für den Detailbeitrag: „Physical AI 2027: Warum der Roboter-Durchbruch
in der Fabrik beginnt – und im Haushalt noch warten muss.“

Beispiele und Quellen:
BMW Physical AI,
Stanford AI Index 2026,
Google DeepMind Robotics Model Card.

2027 wird das Jahr der kontrollierten Handlung

Die sichtbarste Veränderung wird nicht unbedingt ein neues größeres Modell sein. Sie entsteht,
wenn KI Zugriff auf Werkzeuge, Unternehmenswissen, Geräte, Budgets und reale Prozesse erhält.
Dadurch verschiebt sich die zentrale Frage von „Was kann das Modell sagen?“ zu „Was darf das
System tun – und wie lässt sich das Ergebnis überprüfen?“

Besonders wichtig für Unternehmen ist deshalb der Corporate AI Stack. Er verbindet passende
Modelle mit freigegebenen Daten, fachlichem Kontext, Identitäten, Evaluationen und klar
begrenzten Aktionen. Agentische Cybersecurity, lokale Echtzeit-KI und neue Vertrauensstandards
sind keine getrennten Nebenthemen, sondern die Bausteine, die diese Unternehmens-KI erst
produktionsfähig machen.