KPMG-Umfrage zur KI-Cybersicherheit zeigt: Reife macht Unternehmen vorsichtiger, nicht weniger
KPMG stellte eine Lücke von 50 Prozentpunkten bei der aktiven Cyberabwehr zwischen frühen KI-Experimentierern und Organisationen fest, die bereits Renditen melden. Die KPMG-Umfrage zur KI-Cybersicherheit zeigt, dass Zuversicht Bedenken nicht beseitigt. Sie verschafft Unternehmen genügend operative Erfahrung, um mehr Risiken zu erkennen, stärkere Kontrollen zu finanzieren und KI mit folgenreicherer Sicherheitsarbeit zu betrauen.
Nur 8 % der Organisationen in der Experimentierphase gaben an, KI-gestützte Cyberabwehr einzusetzen. Unter Organisationen mit etablierten Erträgen lag dieser Anteil bei 58 %. Frühe Anwender beschränkten sich zudem eher auf die Überwachung, ohne ihre Sicherheitsabläufe zu verändern.
Dies ist keine einfache Geschichte darüber, dass Unternehmen sich mit KI zunehmend wohlfühlen. Es geht vielmehr darum, wie dieses Vertrauen die Erwartungen an KI verändert. Reife Anwender gehen über die bloße Beobachtung von Bedrohungen hinaus und akzeptieren zugleich, dass tiefere Automatisierung größere Risiken und mehr Verantwortung schafft.
Die Ergebnisse stammen aus KPMGs vierteljährlicher Studie Global AI Pulse, für die 2.131 Führungskräfte aus 20 Ländern befragt wurden. Die daraus resultierende Reifelücke ist für Sicherheitsanbieter, Unternehmenskäufer, Vorstände und Beschäftigte relevant, deren Arbeitsabläufe zunehmend von KI-Agenten abhängen.
Die KPMG-Umfrage zur KI-Cybersicherheit offenbart eine operative Kluft
Die entscheidende Lücke besteht nicht darin, ob Unternehmen KI-Risiken anerkennen, sondern darin, ob diese Bedenken ihre täglichen Sicherheitsabläufe verändert haben.
KPMG befragte zwischen dem 23. Juli und dem 26. August 2026 Führungskräfte, die für Organisationsstrategie und Betrieb verantwortlich sind. Teilnehmende Organisationen meldeten in der Regel mindestens 50 Millionen US-Dollar Jahresumsatz. In mehreren großen Märkten galten höhere Schwellenwerte.
Die Forschenden verglichen 268 Organisationen in der Experimentierphase mit 208 Organisationen, die etablierte Erträge meldeten. Dieser Vergleich lieferte die deutlichste Erkenntnis zur Cybersicherheit im Global AI Pulse.
Unter den Experimentierern überwachten 26 % KI-bezogene Bedrohungen, ohne operative Änderungen vorzunehmen. Bei etablierten Anwendern fiel dieser Wert auf 4 %. Gleichzeitig stieg die aktive KI-gestützte Verteidigung von 8 % auf 58 %.
Der Kontrast deutet darauf hin, dass Programme in frühen Phasen Sicherheit häufig als Beobachtungsaufgabe behandeln. Teams sammeln Warnmeldungen, aktualisieren Richtlinien und untersuchen mögliche Missbrauchsszenarien. Sie zögern, KI direkten Einfluss auf Erkennung, Untersuchung oder Reaktion zu geben.
Etablierte Anwender haben diese Grenze überschritten. Ihre KI-Programme haben genügend Belege, Infrastruktur und internes Vertrauen geschaffen, um aktivere Sicherheitsrollen zu unterstützen. Das bedeutet nicht, dass ein autonomes Modell den gesamten Reaktionsprozess steuert.
KI-gestützte Cyberabwehr kann mehrere engere Funktionen abdecken. Ein System kann Warnmeldungen priorisieren, zusammenhängende Ereignisse verknüpfen, Untersuchungen zusammenfassen, ungewöhnliche Aktivitäten erkennen oder Eindämmungsschritte empfehlen. Für folgenschwere Maßnahmen kann eine menschliche Freigabe weiterhin verpflichtend bleiben.
Die Prozentangaben zeigen nicht, welche Funktionen die einzelnen Befragten automatisiert haben. Sie belegen dennoch eine erhebliche Verlagerung von Beobachtung hin zu Eingriffen. Diese Verschiebung verändert die Folgen von Fehlern.
Ein Überwachungssystem kann Analysten mit Fehlalarmen überlasten. Ein operatives System könnte ein Konto sperren, ein Gerät isolieren, Zugriffsrechte ändern oder eine Untersuchung umleiten. Jede Maßnahme erfordert klarere Befugnisse, Tests und Überprüfungen.
Die Studie ergab außerdem, dass 86 % der Befragten ihre Cybersicherheits-Betriebsmodelle für KI-beschleunigte Bedrohungen anpassten. Laut Bericht meldete die Mehrheit Änderungen bei Cyber-Governance oder Bedrohungserkennung.
Diese breite Reaktion stützt die ursprüngliche Nachrichtenanalyse, doch der Reifevergleich liefert das wichtigere Signal. Fast jedes Unternehmen kann sagen, dass es reagiert. Weitaus weniger können zeigen, dass diese Reaktion den operativen Betrieb erreicht hat.
Ein Betriebsmodell legt fest, wer Entscheidungen trifft, welche Systeme sie ausführen und wie die Organisation die Ergebnisse überprüft. Dieses Modell zu verändern, erfordert mehr als den Kauf einer KI-Funktion von einem Sicherheitsanbieter.
Teams benötigen nutzbare Daten, definierte Eskalationswege, Bewertungskriterien und Aufzeichnungen, die automatisierte Entscheidungen erklären. Sie brauchen außerdem eine Möglichkeit, schädliche Maßnahmen rückgängig zu machen, ohne Beweise zu verlieren.
Diese Anforderungen erklären, warum die operative Einführung dem allgemeinen Interesse hinterherhinkt. Unternehmen können KI schnell testen. Sicherheitsentscheidungen können sie nicht im selben Tempo sicher delegieren.
Reife in der KI-Cybersicherheit erhöht Ausgaben und Bedenken zugleich
Reife KI-Anwender investieren mehr in Sicherheit, weil Erfahrung Abhängigkeiten sichtbar macht, die Experimente verborgen halten können.
Einundsiebzig Prozent der etablierten Anwender nannten Cyber- und Datensicherheit als Priorität ihrer KI-Budgets. Unter den Experimentierern sagten dies nur 36 %.
Die reifere Gruppe äußerte zudem größere Bedenken. Die Hälfte bezeichnete Cybersicherheit als Hindernis für ihre KI-Strategie, verglichen mit 34 % der Experimentierer. Eine stärkere Nutzung korrelierte somit sowohl mit mehr Investitionen als auch mit größerer wahrgenommener Reibung.
Auf den ersten Blick wirken diese Ergebnisse widersprüchlich. Organisationen setzen mehr KI-gestützte Abwehr ein, bezeichnen Cybersicherheit jedoch zugleich eher als Hindernis.
Der Widerspruch löst sich auf, sobald KI in reale Arbeitsabläufe integriert wird. Ein Pilotprojekt kann mit begrenzten Daten und engen Berechtigungen arbeiten. Ein Produktivsystem ist häufig mit Identitätsplattformen, Dokumentenspeichern, Cloud-Diensten, Kundendaten und internen Anwendungen verbunden.
Jede zusätzliche Verbindung erweitert, was ein Fehler oder Angreifer erreichen kann. Ein Modell benötigt keine vollständige administrative Kontrolle, um Schaden anzurichten. Zugriff auf sensible Kontexte, ausführbare Werkzeuge oder vertrauenswürdige Kommunikationskanäle kann ausreichen.
Dadurch entsteht ein Spannungsverhältnis zwischen Fähigkeiten und Angriffsfläche. Nützliche KI benötigt Informationen und Befugnisse. Sicherheitsteams müssen beides beschränken, ohne das System wirkungslos zu machen.
Etablierte Anwender begegnen diesem Spannungsverhältnis wiederholt. Sie lernen, welche Berechtigungen Modelle anfordern, wie Ergebnisse Beschäftigte beeinflussen und wo Abhängigkeiten von Anbietern entstehen. Experimentierer können viele dieser Fragen aufschieben, weil ihre Implementierungen begrenzt bleiben.
Das Ergebnis stellt auch eine vertraute Einführungserzählung infrage. Organisatorisches Vertrauen lässt Sicherheitsbedenken nicht verschwinden. Es verlagert sie von hypothetischen Risikoregistern in Budgets, Architektur und Entscheidungen der Geschäftsleitung.
Diese Unterscheidung ist für Unternehmenskäufer wichtig. Ein Unternehmen, das KI-Sicherheitsprodukte bewertet, sollte eine lange Liste von Kontrollen nicht als Beleg für organisatorischen Widerstand deuten. Kontrollen können darauf hinweisen, dass das Unternehmen folgenschwerere Anwendungsfälle erreicht hat.
Auch das Gegenteil gilt. Eine Organisation, die nur wenige Hindernisse meldet, verfügt möglicherweise über eine einfache, isolierte Implementierung. Geringe Bedenken deuten nicht automatisch auf stärkere Sicherheit hin.
KPMGs Reifekategorien beschreiben eine KI-Reise, keine Sicherheitszertifizierung. Etablierte Erträge bedeuten, dass Befragte bedeutende Ergebnisse und Wachstumschancen meldeten. Die Bezeichnung beweist nicht, dass ihre Abwehrmaßnahmen unabhängige Benchmarks übertreffen.
Dennoch ist der Zusammenhang nützlich. Unternehmen, die Erträge meldeten, finanzierten deutlich häufiger Cyberkontrollen, diversifizierten Anbieter, formalisierten Verantwortlichkeiten und setzten aktive Verteidigung ein.
Das Muster passt auch zum breiteren Bedrohungsumfeld. Das Weltwirtschaftsforum berichtete, dass 87 % der befragten Führungskräfte im vergangenen Jahr einen Anstieg KI-bezogener Schwachstellen beobachteten. Sein AI cyber outlook stellte zudem einen ungleichen Zugang zu Fachwissen und defensiver Technologie fest.
Mehr als die Hälfte dieser Befragten nannte begrenzte Fähigkeiten und Kenntnisse als Hindernis für KI-getriebene Cybersicherheit. Kleinere Organisationen meldeten häufiger unzureichende Resilienz als größere Organisationen.
Dieser Kontext ergänzt eine wichtige Einschränkung. Die KPMG-Befragten kamen aus größeren Organisationen, darunter viele mit den Ressourcen, formale Managementebenen aufzubauen. Ihr Weg kann nicht für jedes Unternehmen vorausgesetzt werden.
Ein reifes multinationales Unternehmen kann Kosten auf Sicherheits-, Rechts-, Daten- und Engineering-Teams verteilen. Ein kleineres Unternehmen könnte KI-Funktionen über einen bestehenden Anbieter erhalten, ohne über vergleichbare Ressourcen zur Bewertung zu verfügen.
Die Einführungslücke könnte daher zu einer Resilienzlücke werden. Gut ausgestattete Unternehmen können KI nutzen, um ihre Verteidigung zu beschleunigen und zugleich Kontrollen darum herum aufzubauen. Andere erhalten möglicherweise dieselben automatisierten Funktionen, ohne gleichwertige Transparenz über deren Verhalten.
Aktive Verteidigung macht KI-Risiken zu einem Abwägungsproblem bei Fähigkeiten
Die zentrale Frage lautet nicht mehr, ob KI in die Cybersicherheit gehört, sondern wie viel Befugnis Verteidiger gewähren können, ohne einen weiteren Angriffspfad zu schaffen.
Sicherheitsteams stehen vor einer schwierigen Asymmetrie. Angreifer können Automatisierung einsetzen, ohne Beschaffungsregeln, Audit-Anforderungen oder Änderungskontrollen befolgen zu müssen. Verteidiger müssen sich schnell bewegen und zugleich Produktivsysteme und Beweise schützen.
KI kann Analysten helfen, große Mengen an Warnmeldungen zu verarbeiten und schwache Signale über verschiedene Systeme hinweg zu verbinden. Sie kann jedoch auch inkonsistente Schlussfolgerungen erzeugen, manipulierten Kontext übernehmen oder über ein integriertes Werkzeug eine unsichere Aktion ausführen.
Das Risiko wächst mit agentischer KI, also Systemen, die mehrstufige Aufgaben mit teilweiser Autonomie planen und ausführen. Diese Systeme können suchen, schlussfolgern, Software-Werkzeuge aufrufen und ihren Ansatz auf Grundlage der Ergebnisse anpassen.
KPMG stellte fest, dass 38 % der Befragten Multiagentensysteme entwickelten oder implementierten. Die bedeutende Nutzung von KI-Agenten durch Beschäftigte erreichte 34 %, nach 25 % im ersten Quartal.
Dieses Wachstum erhöht den Druck auf das Identitäts- und Zugriffsmanagement. Ein Agent muss unter einer definierten Identität arbeiten, mit Berechtigungen, die seiner Aufgabe entsprechen. Gemeinsame Anmeldedaten und weitreichende Tokens schwächen die Rechenschaftspflicht.
Sicherheitsteams müssen außerdem zwischen dem Schutz von KI und dem Einsatz von KI zum Schutz unterscheiden. Diese Ziele überschneiden sich, sind jedoch nicht identisch.
Der Einsatz von KI für Cybersicherheit bedeutet, Modelle für Bedrohungserkennung, Schwachstellenanalyse, Alarm-Triage oder Reaktion einzusetzen. Cybersicherheit für KI bedeutet, Modelle, Daten, Anwendungen, Schnittstellen und Agentenwerkzeuge vor Manipulation oder Diebstahl zu schützen.
Eine dritte Kategorie umfasst den böswilligen Einsatz von KI. Angreifer können Modelle für Aufklärung, Identitätsvortäuschung, Unterstützung bei Exploits oder Social Engineering nutzen. Organisationen müssen sich auf alle drei Kategorien vorbereiten, ohne sie als ein einziges Problem zu behandeln.
Diese umfassendere Einordnung erscheint seit mehreren Jahren in öffentlichen Leitlinien. Das AI risk framework von NIST fordert Organisationen dazu auf, KI-Risiken über den gesamten Systemlebenszyklus hinweg zu steuern, abzubilden, zu messen und zu managen.
NIST hat außerdem ein vorläufiges Cyber AI Profile entwickelt, das Cybersicherheitsergebnisse mit KI-spezifischen Chancen und Risiken verknüpft. Diese Arbeit spiegelt dieselbe Konvergenz wider, die in KPMGs Umfrage sichtbar wird.
Die praktische Herausforderung besteht in der Autorisierung. Ein KI-System, das eine Warnmeldung zusammenfasst, trägt ein Risikoniveau. Ein System, das einen Benutzer deaktiviert oder Firewall-Regeln verändert, trägt ein anderes.
Unternehmen benötigen für jeden Schritt explizite Grenzen. Sie müssen festlegen, welche Entscheidungen beratend bleiben, welche eine Genehmigung erfordern und welche unter engen Bedingungen automatisch ausgeführt werden können.
Sie benötigen außerdem Bewertungsdaten, die den tatsächlichen Betrieb widerspiegeln. Ein Modell, das mit sauberen historischen Beispielen getestet wurde, kann während eines unübersichtlichen Vorfalls versagen. Angreifer können gezielt Eingaben erstellen, die seine Annahmen ausnutzen.
Menschliche Überprüfung bleibt wichtig, darf jedoch nicht zu einer leeren Checkbox verkommen. Prüfer benötigen ausreichend Kontext, Zeit und Befugnisse, um die Empfehlung infrage zu stellen. Andernfalls verwandelt Automatisierungsbias die nominelle Aufsicht in routinemäßige Freigaben.
Das Muster reifer Einführung deutet darauf hin, dass Unternehmen dieses Vertrauen schrittweise aufbauen. Monitoring steht an erster Stelle, weil es Informationen ohne direkte Eingriffe liefert. Aktive Verteidigung folgt, wenn Organisationen ihren Daten, Kontrollen und Reaktionsprozessen vertrauen.
Doch Vertrautheit kann Nachlässigkeit fördern. Ein Modell, das bei früheren Vorfällen gut funktioniert hat, kann sich nach einem Update anders verhalten. Ein Anbieter kann das Systemverhalten ändern, ohne den Workflow des Kunden zu verändern.
Deshalb benötigt operative KI kontinuierliche Tests. Teams sollten False Positives, rückgängig gemachte Aktionen, übersehene Bedrohungen, die Häufigkeit von Eskalationen und abweichende Analystenbewertungen verfolgen. Die Leistung muss nach der Einführung gemessen werden, nicht nur vor der Freigabe.
Dieselben Nachweise sollten Kaufentscheidungen leiten. Käufer müssen wissen, ob die KI eines Anbieters Empfehlungen erzeugt, Aktionen ausführt oder Aufgaben an andere Agenten delegiert. Diese Unterschiede prägen das Risiko stärker als ein Label wie „KI-gestützt“.
Harness-Schichten bringen Governance näher an das Modell
Die stärksten Anwender von KPMG bauen Kontrollsysteme rund um KI auf, doch die Umfrage zeigt, dass vielen Organisationen weiterhin eine vollständige Abdeckung fehlt.
Fünfundfünfzig Prozent der Befragten betrieben eine formale KI-Harness-Schicht. KPMG definiert diese als Kontrollen und Tools zwischen KI-Modellen und geschäftlichen Anwendungsfällen.
Die Schicht kann steuern, worauf Modelle zugreifen, welche Aktionen sie ausführen und wie Ergebnisse Mitarbeitende oder Systeme erreichen. Sie kann außerdem Monitoring, Evaluierung, Audit-Trails und Kostenverfolgung bereitstellen.
Unter den Organisationen, die über etablierte Erträge berichteten, verfügten 86% über eine formale funktionsübergreifende oder unternehmensweite Schicht. Bei den Experimentierenden lag der Wert bei 31%.
Sicherheits- und Identitätskontrollen waren in den Schichten von 43% der Befragten vorhanden. Datenzugriffskontrollen erreichten ebenfalls 43%, während 41% KI-Ausgaben überwachten.
Diese Werte bedeuten, dass die meisten Befragten nicht jede einzelne Fähigkeit meldeten. Ein Unternehmen kann über eine formale Managementschicht verfügen und dennoch wichtige Funktionen darin vermissen lassen.
Menschliche Überprüfung erschien in 34% der Schichten. Evaluierung und Tests erreichten 33%, Richtliniendurchsetzung 30%, und Audit-Trails fanden sich in 28%.
Modell-Routing war mit 23% am wenigsten verbreitet. Routing wählt aus, welches Modell eine Aufgabe bearbeitet, und kann Organisationen helfen, Sensibilität, Leistung, Verfügbarkeit und Kosten zu steuern.
KPMG fasste das Ungleichgewicht so zusammen: Unternehmen bauen ein Tor vor einer Vermittlungszentrale. Viele Organisationen können den Zugriff beschränken, doch weniger können Arbeit dynamisch über Modelle und Anbieter hinweg leiten.
Diese Schwäche ist für die Resilienz relevant. Ein Unternehmen könnte starke Zugriffskontrollen rund um einen Anbieter haben, jedoch keine getestete Alternative. Wenn dieser Anbieter Bedingungen, Verfügbarkeit, Verhalten oder geografische Abdeckung ändert, können Abläufe ins Stocken geraten.
Etablierte Anwender schienen auf dieses Problem besser vorbereitet. Nur 6% stützten sich primär auf einen globalen Modellanbieter, verglichen mit 19% der Experimentierenden.
Weitere 8% der etablierten Anwender verließen sich auf eine kleine Zahl von Anbietern, gegenüber 29% der Experimentierenden. Die reifere Gruppe maß auch dem Wechsel zwischen Modellen eher Bedeutung bei.
Anbietervielfalt senkt Risiken nicht automatisch. Mehrere Integrationen erweitern die Systeme, die Teams bewerten und überwachen müssen. Unterschiedliche Modelle können inkonsistente Ergebnisse liefern oder andere Kontrollen erfordern.
Der Vorteil liegt in der Verringerung konzentrierter Abhängigkeiten. Eine getestete Alternative verschafft Organisationen Optionen bei einem Ausfall, einer Richtlinienänderung, einem regulatorischen Konflikt oder einem schwerwiegenden Modellversagen.
Hier treffen Cybersicherheit, Souveränität und Kontinuität zusammen. Modellsouveränität betrifft die Frage, wer kritische Modelle kontrolliert, wo sie betrieben werden und ob auf den Zugang Verlass ist.
Zweiundsiebzig Prozent der Befragten wandten formale Souveränitätskriterien auf zumindest einige Entscheidungen an oder unterhielten eine unternehmensweite Strategie. Nur 8% gaben an, dass Souveränitätsbedenken die Einführung verlangsamten.
Dieses Ergebnis deutet darauf hin, dass die meisten Unternehmen Souveränität als Gestaltungsanforderung betrachten, nicht als Grund, den Einsatz von KI einzustellen. Sie versuchen, Wechseloptionen zu bewahren und die Datenplatzierung zu kontrollieren, während sie die Einführung fortsetzen.
Verantwortlichkeit ist der andere Teil der Managementschicht. KPMG stellte fest, dass 53% die Verantwortung für KI-informierte Entscheidungen auf C-Level oder höher zuwiesen.
Bei 35% der Organisationen trug eine namentlich benannte Führungskraft die Verantwortung. Weitere 18% ordneten sie dem CEO oder dem Executive Committee zu.
Verantwortung auf Führungsebene kann Konflikte zwischen Geschwindigkeit, Kosten und Risiko lösen. Sie kann zudem Fehler leichter untersuchbar machen, weil jemand die Befugnis über das gesamte Betriebsmodell besitzt.
Ein Führungstitel garantiert jedoch keine wirksame Kontrolle. Verantwortlichkeit erfordert Entscheidungsprotokolle, verlässliche Telemetrie, Eskalationsrechte und technisches Personal, das das Systemverhalten erklären kann.
KPMG formulierte den Punkt klar: „Verantwortlichkeit verwandelt Kontrollen in Entscheidungen, deren Erklärung von jemandem verlangt werden kann.“ Das ist besonders relevant, wenn Agenten über Abteilungsgrenzen hinweg arbeiten.
Ein Sicherheitsteam kann nicht steuern, was es nicht identifizieren kann. Organisationen benötigen Inventare von Modellen, Agenten, Integrationen, Datenquellen, Verantwortlichen und Berechtigungen. Diese Aufzeichnungen müssen aktuell bleiben, wenn Mitarbeitende Tools hinzufügen.
Der Dokumentationsaufwand ist erheblich. Teams speichern Richtlinien, Bewertungen, Vorfallsnotizen und Architekturentscheidungen häufig in getrennten Systemen. Eine durchsuchbare Wissensdatenbank kann Prüfern helfen, diese Materialien während einer Bewertung miteinander zu verbinden.
Das Ziel ist nicht Dokumentation um ihrer selbst willen. Teams benötigen Nachweise, mit denen sie beantworten können, wer ein System genehmigt hat, was sich geändert hat und warum eine automatisierte Aktion erfolgte.
Die Umfrage zeigt Korrelation, nicht den Beweis sichererer KI
Reife Anwender berichten über mehr Kontrollen und aktive Abwehrmaßnahmen, doch selbstberichtete Reife kann nicht belegen, dass diese Organisationen weniger Vorfälle erleiden.
Die KPMG AI cybersecurity survey bietet einen detaillierten Einblick in Managementpraktiken. Sie liefert keine unabhängig getesteten Sicherheitsresultate.
Die Befragten ordneten die KI-Reise ihrer Organisationen ein und beschrieben ihre eigenen Kontrollen, Ausgaben und Prioritäten. Die Studie veröffentlichte keine Einbruchsquoten für die einzelnen Reifegruppen.
Sie verglich auch keine False-Positive-Raten, Eindämmungsgeschwindigkeit, finanziellen Verluste oder Wiederherstellungszeiten. Diese Kennzahlen würden helfen festzustellen, ob KI-gestützte Verteidigung die Resilienz verbessert.
Die Beziehung zur Reife kann mehrere Erklärungen stützen. Erfahrung kann Unternehmen dazu führen, bessere Kontrollen aufzubauen. Stärkere Organisationen können KI auch schneller einführen, weil sie bereits über größere Budgets und bessere Sicherheitsteams verfügen.
Ein dritter Faktor kann beide Seiten beeinflussen. Unternehmen mit wertvollen Daten, regulierten Betriebsabläufen oder komplexer Infrastruktur investieren möglicherweise gleichzeitig stark in KI und Cybersicherheit.
Das bedeutet, dass Leser die Adoptionsquote von 58% nicht als Beweis behandeln sollten, dass aktive KI-Verteidigung etablierte Erträge erzeugt hat. Die Umfrage identifiziert einen Zusammenhang, kein kausales Ergebnis.
Auch ihre Stichprobe begrenzt die Verallgemeinerbarkeit. Teilnehmende Organisationen erfüllten erhebliche Umsatzschwellen, und die US-Tracking-Stichprobe konzentrierte sich auf Unternehmen mit mindestens 1 Milliarde US-Dollar Umsatz.
Kleinere Unternehmen sind häufig stärker von Standardsoftware und Managed-Providern abhängig. Sie haben möglicherweise weniger Einfluss auf Modellauswahl, Bewertungsmethoden oder Vorfalltelemetrie.
Auch die Kategorien des Berichts sind breit gefasst. „KI-gestützte Cyberabwehr“ kann Systeme mit sehr unterschiedlicher Autonomie, Genauigkeit und operativer Wirkung beschreiben.
Ein Befragter könnte ein Modell zur Zusammenfassung von Fällen einsetzen. Ein anderer könnte automatisierte Eindämmung zulassen. Beide in einer Kategorie zusammenzufassen, kann bedeutsame Unterschiede verschleiern.
Der Bericht besagt außerdem, dass 89% der Organisationen einen messbaren Nutzen aus KI ziehen, während nur 12% diesen Nutzen im gesamten Unternehmen konsequent mit den Kosten vergleichen. Diese Lücke sollte selbstsichere Aussagen über Erträge dämpfen.
Der gemeldete Nutzen kann Produktivität, Kosteneinsparungen, Umsatzwachstum oder bessere Entscheidungen umfassen. Er bedeutet nicht zwingend, dass ein Programm einen vollständigen finanziellen Ertrag erzielt hat.
Dieselbe Vorsicht gilt für Ergebnisse in der Cybersicherheit. Schnellere Alarmanalysen können Analystenzeit sparen, ohne die Auswirkungen eines Vorfalls zu verringern. Eine automatisierte Aktion kann die Eindämmung verkürzen und zugleich an anderer Stelle Störungen erhöhen.
Vorstände sollten daher nach Ergebniskennzahlen fragen, die an konkrete Anwendungsfälle gebunden sind. Nützliche Indikatoren umfassen Untersuchungszeit, bestätigte Erkennungsqualität, rückgängig gemachte Aktionen, übersehene Vorfälle und Service-Wiederherstellung.
Sie sollten zudem prüfen, ob die Leistung zwischen Teams und Umgebungen variiert. Ein Modell, das in einer gut instrumentierten Cloud-Workload erfolgreich ist, könnte mit Legacy-Infrastruktur Schwierigkeiten haben.
Das Verhalten der Mitarbeitenden ist eine weitere Unsicherheit. KPMG stellte bei 34% der Organisationen eine signifikante Agentenadoption fest. Die Einführung zeigt nicht, ob Mitarbeitende genehmigte Agenten nutzten, Datenregeln befolgten oder automatisierte Ergebnisse verstanden.
Shadow AI kann wachsen, selbst wenn sich die formale Governance verbessert. Mitarbeitende könnten externe Tools nutzen, weil genehmigte Systeme langsam, eingeschränkt oder schwer zugänglich sind.
Die quartalsweise Taktung der Umfrage bietet eher Orientierung als Beweise für eine plötzliche Veränderung. KPMG warnt ausdrücklich davor, Bewegungen von Quartal zu Quartal als Trends und nicht als dramatische Schritte zu lesen.
Das macht den Bericht als Managementsignal wertvoll. Er zeigt, worauf erfahrene Organisationen ihre Aufmerksamkeit richten. Er sollte nicht als Benchmark für Sicherheitswirksamkeit präsentiert werden.
Drei Signale werden zeigen, ob aktive KI-Verteidigung liefert
Der nächste Test besteht darin, ob Unternehmen die berichtete Zuversicht in messbare Sicherheitsergebnisse umwandeln können, ohne neue Fehler hinter Automatisierung zu verbergen.
Das erste Signal sind operative Nachweise. Unternehmen sollten beginnen zu berichten, ob KI Erkennungsqualität, Untersuchungsgeschwindigkeit, Eindämmungszeit oder die Auswirkungen von Vorfällen verändert.
Diese Kennzahlen werden das Reifeargument von KPMG stärken, wenn aktive Nutzer nach Berücksichtigung von Unternehmensgröße und Sicherheitsausgaben bessere Ergebnisse zeigen. Häufige Rücknahmen oder übersehene Vorfälle würden es schwächen.
Das zweite Signal ist eine breitere Umsetzung vollständiger Managementschichten. Sicherheits- und Identitätskontrollen führen heute, während Tests, Auditierbarkeit, menschliche Überprüfung und Routing weiterhin weniger verbreitet sind.
Fortschritt erfordert mehr als eine Erhöhung der gesamten Adoptionsrate von 55%. Organisationen benötigen ergänzende Kontrollen, die Modellauswahl, Berechtigungen, Ergebnisse, Aktionen und Wiederherstellung abdecken.
Das dritte Signal ist Verantwortlichkeit unter Druck. Eine namentlich benannte Führungskraft ist besonders wichtig, wenn sich ein Modell fehlerhaft verhält, ein Anbieter Änderungen vornimmt oder ein Agent sensible Daten offenlegt.
Vorfallsberichte sollten zeigen, ob Organisationen den Entscheidungsweg rekonstruieren können. Sie sollten das Modell, den Kontext, Berechtigungen, Genehmigungen und die beteiligten Kontrollen benennen.
Regulatorische Leitlinien und Branchenstandards werden diese Offenlegungen prägen. Anbieter werden ebenfalls unter Druck geraten, zu erklären, wie ihre Agenten Identitäten nutzen, Protokolle bewahren und Kundentests unterstützen.
Für Unternehmenskäufer besteht die unmittelbare Aufgabe darin, Fähigkeitsbehauptungen von Betriebsnachweisen zu trennen. Fragen Sie, wo KI handeln kann, welche Entscheidungen eine Genehmigung erfordern und wie schnell eine Aktion rückgängig gemacht werden kann.
Sicherheitsverantwortliche sollten außerdem reine Monitoring-Einführungen mit aktiven Abwehrmaßnahmen vergleichen. Das Ziel ist nicht maximale Autonomie. Es ist die richtige Befugnis für jede Aufgabe, gestützt durch Tests und klare Verantwortlichkeiten.
Wissensarbeiter spielen in diesem Prozess ebenfalls eine Rolle. Sie sollten verstehen, welche Agenten auf ihre Dokumente, Nachrichten und Anwendungen zugreifen können. Sie sollten wissen, wie sie eine unsichere Empfehlung infrage stellen können.
Die KPMG AI cybersecurity survey legt nahe, dass Erfahrung die Sicherheitsdebatte verändert. Reife Anwender behandeln Risiken nicht als Grund zum Rückzug. Sie sehen darin einen Anlass, robustere Betriebssysteme aufzubauen.
Diese Schlussfolgerung bleibt vorläufig, bis bessere Ergebnisdaten vorliegen. In den kommenden Quartalen sollte auf unabhängig gemessene Verbesserungen bei der Erkennung, umfassendere Kontrollschichten und transparente Vorfallberichte geachtet werden.
Unternehmen sollten mit einer konkreten Frage beginnen: Welches KI-System kann heute eine Handlung ausführen, und kann das Unternehmen diese Handlung anschließend erklären? Ist die Antwort unklar, ist das Vertrauen schneller gewachsen als die Kontrolle.
