Zscaler Agentic SOC bringt autonome Eindämmung ins Security Operations Center

Zscaler hat am 9. September Zscaler Agentic SOC vorgestellt und damit KI-Agenten von beratenden Aufgaben hin zur direkten Eindämmung von Bedrohungen in Unternehmensnetzwerken weiterentwickelt. Der Zielkonflikt ist unmittelbar: Schnellere Angriffe erfordern schnellere Abwehrmaßnahmen, doch ein automatisierter Fehler kann ebenso einen legitimen Nutzer sperren oder eine kritische Anwendung stören.

Das Produkt kombiniert spezialisierte Agenten, Zscaler-Telemetrie, Warnmeldungen von Drittanbietern, Geschäftskontext und Inline-Kontrollen der Zero Trust Exchange. Diese Agenten können Signale priorisieren, Angriffspfade rekonstruieren, Bewertungen zuweisen und Reaktionsabläufe einleiten. Kunden können menschliche Freigaben beibehalten oder mit wachsendem Vertrauen einen höheren Automatisierungsgrad aktivieren.

Damit positioniert sich Zscaler in einem größeren Wettbewerb um die Zukunft von Security Operations. Microsoft, Databricks, Dropzone AI und andere Anbieter entwickeln ebenfalls agentengestützte Systeme für Untersuchung und Reaktion. Zscaler setzt darauf, dass seine Position innerhalb des Netzwerkverkehrs seinen Agenten bessere Belege und einen kürzeren Weg von der Erkennung zur Durchsetzung verschafft.

Es handelt sich nicht einfach um einen weiteren Sicherheits-Chatbot. Die entscheidende Funktion ist die geschlossene Behebungsschleife, bei der Analysen direkt zum Blockieren von Datenverkehr, zur Isolierung von Identitäten oder zur Einschränkung von Zugriffsrechten führen können. Der Nutzen wird davon abhängen, ob Kunden den Belegen, Kontrollen und Wiederherstellungsprozessen hinter diesen Maßnahmen vertrauen.

Zscaler Agentic SOC verbindet Erkennung mit Eindämmung

Die Einführung verschiebt den Punkt, an dem Automatisierung endet: Zscaler will, dass KI-Agenten einen Vorfall von verstreuten Signalen bis zu einer Eindämmungsentscheidung begleiten.

Zscaler beschreibt sein neues Produkt als KI-orientiertes System für Security Operations und nicht als Assistenten, der einem bestehenden Dashboard hinzugefügt wird. Es wurde weltweit verfügbar, als das Unternehmen es am 9. September 2026 in San Jose, Kalifornien, ankündigte.

Ein Security Operations Center, kurz SOC, bezeichnet das Team und die Technologie, die für die Überwachung, Untersuchung und Reaktion auf digitale Bedrohungen zuständig sind. Die meisten SOC-Workflows verteilen diese Aufgaben weiterhin auf mehrere Produkte und Analysten.

Zscaler Agentic SOC soll diese Abfolge verdichten. Spezialisierte Agenten übernehmen Triage, Ursachenanalyse, die Zuweisung von Bewertungen und die Orchestrierung der Reaktion. Jeder Agent erfüllt eine begrenzte Aufgabe und übergibt seine Erkenntnisse anschließend an eine gemeinsame Vorfallsdarstellung.

Das System nutzt Signale aus Zscalers Netzwerk-, Identitäts-, Endpunkt-, Cloud-, Datenschutz- und Täuschungssystemen. Es kann zudem Warnmeldungen und Kontext aus externen Produkten aufnehmen. Zscaler zufolge verbindet sein Kontextgraph diese Signale mit Details wie der Bedeutung von Assets, Nutzeridentität, Gerätestatus und bekannten Schwachstellen.

Dieser Kontext ist wichtig, weil eine Warnung ihre geschäftliche Bedeutung selten selbst erklärt. Eine verdächtige Verbindung von einem ungenutzten Testgerät stellt ein anderes Risiko dar als dieselbe Verbindung von dem verwalteten Laptop einer Führungskraft aus dem Finanzbereich.

Zscaler zufolge können seine Agenten Aktivitäten dem MITRE ATT&CK-Framework zuordnen, einen Angriffspfad zusammenfassen, unterstützende Belege anzeigen und widersprüchliche Belege hervorheben. Letzteres adressiert ein grundlegendes Vertrauensproblem. Analysten müssen nachvollziehen können, warum eine automatisierte Bewertung zustande kam, bevor sie eine störende Reaktion genehmigen.

Die Ankündigungsdetails des Unternehmens besagen, dass der Dienst Modelle von Anthropic und OpenAI zusammen mit proprietären Bedrohungsdaten nutzt. Zscaler hat das Produkt öffentlich nicht auf ein einzelnes Basismodell reduziert, was dem Unternehmen Spielraum gibt, Aufgaben auf unterschiedliche Modelle zu verteilen.

Der folgenreichste Schritt erfolgt nach der Untersuchung. Zscaler zufolge kann die Plattform native Inline-Kontrollen nutzen, um kompromittierte Nutzer zu isolieren, Command-and-Control-Verkehr zu blockieren und laterale Bewegungen einzuschränken. Integrationen mit Drittanbietern können diese Reaktionsmöglichkeiten über Zscalers eigene Plattform hinaus erweitern.

Kunden müssen nicht mit unbeaufsichtigter Eindämmung beginnen. Die Reaktionskontrollen unterstützen manuelle Ausführung, von Menschen genehmigte Playbooks und automatisierte Maßnahmen. Dieses abgestufte Modell ermöglicht Teams, mit Empfehlungen zu starten, bevor sie Agenten weitergehende Befugnisse einräumen.

Diese Unterscheidung hebt die Einführung von generativen KI-Funktionen ab, die lediglich Warnmeldungen zusammenfassen. Zscaler Agentic SOC platziert automatisiertes Schlussfolgern neben den Mechanismen, die Zugriffe in Echtzeit verändern können.

KI-gesteuerte Angriffe verkürzen das Zeitfenster der Verteidiger

Zscaler verkauft Reaktionsgeschwindigkeit, weil Angreifer zunehmend die Aufklärungs- und Ausführungsschritte automatisieren, die Analysten früher mehr Zeit verschafften.

Das Unternehmen argumentiert, dass herkömmliche SOC-Prozesse feindliche Aktivitäten nicht schnell genug korrelieren, analysieren und beheben können. Die ThreatLabz-Forscher des Unternehmens haben beobachtet, wie Angreifer vertrauenswürdige Websites, legitime Remote-Management-Tools und browserbasierte Techniken einsetzen, um etablierte Kontrollen zu umgehen.

Diese Methoden sind schwierig, weil jede einzelne Handlung autorisiertem Verhalten ähneln kann. Ein Tool zur Fernadministration hat legitime geschäftliche Einsatzmöglichkeiten. Eine vertrauenswürdige Domain weist nicht automatisch auf sichere Inhalte hin. Browseraufforderungen können Nutzer dazu bewegen, Befehle auszuführen, ohne erkennbare Malware herunterzuladen.

KI kann Angreifern helfen, mehr Varianten zu testen, Köder umzuschreiben, öffentliche Informationen zu sammeln und mehrstufige Aktivitäten zu koordinieren. Sie macht nicht jeden Einbruch neuartig. Sie erhöht die Geschwindigkeit und das Volumen, mit denen bekannte Techniken angepasst werden können.

Das setzt Analysten unter Druck, die mit fragmentierten Werkzeugen arbeiten. Eine Konsole kann Identitätsereignisse enthalten, während eine andere Endpunktwarnungen speichert. Netzwerkverkehr, Cloud-Aktivitäten, Schwachstellenbefunde und Informationen zur geschäftlichen Zuständigkeit können an anderen Stellen liegen.

Jede Übergabe kostet Zeit. Analysten müssen nach verwandten Ereignissen suchen, entscheiden, ob sie einen einzelnen Vorfall beschreiben, die betroffenen Assets identifizieren und eine angemessene Reaktion wählen. Automatisierung wird wertvoll, wenn sie diese mechanischen Verzögerungen beseitigt, ohne die Belege zu verbergen.

Zscaler zufolge verarbeitet seine Zero Trust Exchange täglich mehr als 750 Milliarden Transaktionen. Das Unternehmen stellt diese Größenordnung als Datenvorteil dar, da sein Dienst bereits im Pfad vieler Kundenverbindungen liegt.

Diese Aussage erfordert eine sorgfältige Einordnung. Ein großes Telemetrievolumen führt nicht automatisch zu präzisen Vorfallsbewertungen. Datenqualität, Kundenabdeckung, Korrelationslogik, Modellverhalten und umgebungsspezifischer Kontext bleiben entscheidend.

Inline-Transparenz kann jedoch den Weg zwischen Beobachtung und Maßnahme verkürzen. Ein zusätzlich aufgesetztes Tool kann verdächtige Aktivitäten identifizieren, ist zum Blockieren aber weiterhin auf eine andere Plattform angewiesen. Zscaler kann einen Befund mit Kontrollen verbinden, die bereits Zugriffsrichtlinien durchsetzen.

Dieser Druck beschränkt sich nicht auf Zscaler-Kunden. Microsoft beschreibt ein agentisches SOC-Modell, bei dem autonome Abwehrmaßnahmen Konten sperren, Geräte isolieren und Belege zusammenstellen, bevor ein Analyst die Warteschlange öffnet.

Databricks verfolgt mit Lakewatch einen anderen Weg und wendet agentische Analysen auf Sicherheitsdaten an, die in einem Lakehouse gespeichert sind. Der Ansatz betont offene Formate, umfassende Datenaufbewahrung und Analysen nahe bei den zugrunde liegenden Geschäftsdaten.

Dropzone AI konzentriert sich darauf, Warnmeldungen über einen bestehenden Sicherheits-Stack hinweg zu untersuchen, bevor bestätigte Bedrohungen eskaliert werden. Dieses Overlay-Modell kann Käufer ansprechen, die Automatisierung wünschen, ohne ihre etablierten Tools zu ersetzen.

Diese Produkte unterscheiden sich, doch ihr kommerzielles Argument ähnelt sich. Menschliche Aufmerksamkeit ist zur begrenzten Ressource geworden. Anbieter wollen daher, dass Software Routinefälle abschließt, ernsthafte Vorfälle priorisiert und komplexe Untersuchungen für die Expertenprüfung vorbereitet.

Die unausweichliche Reaktion von Sicherheitsverantwortlichen ist operativ, nicht rhetorisch. Sie müssen entscheiden, welche Entscheidungen ein Agent treffen darf, welche Belege er vorlegen muss und welche Maßnahmen weiterhin eine ausdrückliche Genehmigung erfordern.

Der eigentliche Wettbewerb lautet: native Telemetrie gegen neutrale Integration

Zscalers wichtigster Vorteil ist zugleich sein zentraler Zielkonflikt: Native Daten können den Reaktionskontext verbessern, während Plattformabhängigkeit einschränken kann, was das System sieht.

Zscaler bezeichnet viele konkurrierende agentische SOC-Produkte als Overlays, die über fragmentierten Warnmeldungen liegen. Nach Auffassung des Unternehmens übernehmen diese Tools denselben schwachen Kontext und dieselben verzögerten Signale, die bereits menschliche Analysten belasten.

Die Alternative beginnt mit Telemetrie, die innerhalb der Zero Trust Exchange erzeugt wird. Die Plattform kann eine Verbindung mit der Identität des Nutzers, Gerätezustand, Anwendung, Datenrichtlinie und Zugriffsbedingungen kombinieren. Agenten bewerten einen Vorfall dann anhand dieses zusammengeführten Kontexts.

Das Produkt kann Zscaler-Datenverkehr untersuchen, ohne sämtliche Rohprotokolle an ein separates System für Sicherheitsinformationen und Ereignismanagement weiterzuleiten. Ein SIEM ist eine Plattform, die Sicherheitsaufzeichnungen für Analyse, Untersuchung, Compliance und Aufbewahrung sammelt.

Zscaler sagt nicht, dass jeder Kunde sein SIEM entfernen sollte. Das Unternehmen positioniert Agentic SOC als operative Ebene, die verdichtete Vorfälle an das SIEM senden kann, während Langzeitspeicherung und breite Aggregation dort verbleiben.

Diese Architektur kann doppelte Übertragungen hochvolumiger Netzwerkprotokolle reduzieren. Sie kann Reaktionsagenten außerdem ermöglichen, über dieselbe Plattform zu handeln, die den Verkehr beobachtet hat. Beide Ergebnisse hängen davon ab, wie viel der relevanten Kundenumgebung Zscaler tatsächlich abdeckt.

Eine native Plattform sieht ihre eigenen Signale mit ungewöhnlicher Tiefe. Möglicherweise benötigt sie dennoch externe Daten, um Aktivitäten über E-Mail, Quellcode, Software-as-a-Service-Anwendungen, Betriebstechnik und Sicherheitsprodukte anderer Anbieter hinweg zu rekonstruieren.

Deshalb ist die Integration von Drittanbietern keine Nebenfunktion. Sie bestimmt, ob der Kontextgraph einen vollständigen Angriffspfad oder ein detailliertes Fragment davon darstellt.

Databricks vertritt den gegensätzlichen Weg. Sein Lakewatch-Design betont offene Formate und Analysen über Sicherheits- und Geschäftsdaten hinweg, die bereits in einem Lakehouse gespeichert sind. Das kann einen breiten historischen Kontext bieten, ohne von einer Inline-Durchsetzungsplattform auszugehen.

Microsoft verfügt über einen weiteren strukturellen Vorteil. Defender, Entra, Sentinel, Microsoft 365 und Azure können Endpunkt-, Identitäts-, E-Mail-, Cloud- und Kollaborationssignale beitragen. Seine agentische Strategie baut auf einer großen installierten Unternehmensbasis auf.

Spezialisten wie Dropzone AI bieten Neutralität. Ihre Systeme können über bestehende SIEM-, Endpunkterkennungs-, Fallmanagement- und Orchestrierungsprodukte hinweg arbeiten. Diese Flexibilität kann die Abhängigkeit von einer Plattform verringern, obwohl die Agenten Daten aus vielen Quellen normalisieren müssen.

Zscalers Antwort ist ein offenes Integrationsmodell in Kombination mit nativer Durchsetzung. Das Unternehmen möchte externe Belege in seine Untersuchung einbeziehen und die Eindämmung zugleich nahe an seinen eigenen Inline-Kontrollen halten.

Das Ergebnis wird nicht von der Anzahl der Integrationen auf einer Produktseite bestimmt. Käufer müssen testen, ob diese Verbindungen ausreichend Kontext übertragen, in beide Richtungen funktionieren und Belege nach einer automatisierten Maßnahme bewahren.

Eine oberflächliche Integration importiert möglicherweise nur einen Warnungstitel ohne die zugehörigen Ereignisse. Eine stärkere Integration kann Rohbelege abrufen, einen Fall aktualisieren, eine kontrollierte Reaktion einleiten und das Ergebnis dokumentieren.

Dies ist die zentrale Wettbewerbsfrage hinter Zscaler Agentic SOC. Native Telemetrie bietet Geschwindigkeit und Kohärenz. Neutrale Plattformen bieten mehr Auswahl. Unternehmenskäufer müssen entscheiden, welche Schwäche in ihrer Umgebung das größere Risiko darstellt.

Autonome Reaktionen schaffen eine neue Fehlerfläche

Ein Agent, der einen Angreifer stoppen kann, kann auch legitime Arbeit unterbrechen – deshalb ist die Genauigkeit bei der Eindämmung wichtiger als flüssige Incident-Zusammenfassungen.

Eine fehlerhafte Zusammenfassung kostet Analysten Zeit. Eine fehlerhafte automatisierte Reaktion kann ein Konto deaktivieren, einen vertrauenswürdigen Dienst blockieren, die Produktion unterbrechen oder ein kritisches Gerät während eines dringenden Geschäftsprozesses isolieren.

Dieses Risiko macht autonome Eindämmung nicht unbrauchbar. Es verändert den erforderlichen Beweismaßstab. Sicherheitsteams müssen einen Agenten als operative Kontrollinstanz bewerten, nicht bloß als Produktivitätsfunktion.

Die erste Voraussetzung sind nachvollziehbare Belege. Zscaler erklärt, seine Agenten zeigten für jede Entscheidung sowohl unterstützende als auch widersprechende Signale. Kunden sollten prüfen, ob diese Erklärungen auf zugrunde liegende Ereignisse verweisen, statt eine überzeugende Erzählung ohne reproduzierbare Belege zu liefern.

Die zweite Voraussetzung ist begrenzte Befugnis. Ein Agent, der eine schädliche Datei blockieren darf, birgt ein anderes operatives Risiko als einer, der Führungskräfte isolieren, Zugangsdaten widerrufen oder weitreichende Netzwerkregeln ändern darf.

Berechtigungen sollten dem Schweregrad des Vorfalls, der Zuverlässigkeit der Einschätzung, der Kritikalität des Assets und den Wiederherstellungskosten entsprechen. Aktionen mit geringerem Risiko können automatisiert ausgeführt werden. Maßnahmen mit größeren Auswirkungen sollten genehmigt werden müssen, bis die Organisation eine verlässliche Leistung nachgewiesen hat.

Die dritte Voraussetzung ist Rückgängig-Machbarkeit. Jedes automatisierte Playbook benötigt einen getesteten Rollback-Pfad. Analysten müssen wissen, wie sie den Zugriff wiederherstellen, eine Sperre aufheben und den ursprünglichen Zustand zurücksetzen können, wenn sich die Bewertung ändert.

Die vierte Voraussetzung ist Prüfbarkeit. Sicherheits- und Compliance-Teams benötigen Aufzeichnungen darüber, was der Agent beobachtet hat, welche Modelle oder Richtlinien die Entscheidung beeinflussten, welche Aktion erfolgte und wer sie genehmigte.

Die fünfte Voraussetzung ist Widerstandsfähigkeit gegen Manipulation. Ein Angreifer könnte versuchen, Daten zu vergiften, irreführende Korrelationen zu erzeugen oder von einem Agenten verarbeitete Anweisungen auszunutzen. Umfangreicherer Tool-Zugriff eröffnet einem kompromittierten Agenten mehr Möglichkeiten, Schaden anzurichten.

Die Analyse zur Agentensicherheit des NIST ergab breite Übereinstimmung, dass etablierte Cybersicherheitsprinzipien weiterhin relevant sind, jedoch für KI-Agenten angepasst werden müssen. Identität, Autorisierung, Überwachung und Governance werden schwieriger, wenn Software mit begrenzter Aufsicht planen und handeln kann.

Menschliche Genehmigung allein löst nicht jedes Problem. Analysten könnten Empfehlungen zu schnell freigeben, wenn das Alert-Volumen hoch ist oder Erklärungen autoritativ wirken. Die Aufsicht muss daher klare Eskalationsregeln, Stichproben, Leistungsüberprüfungen und unabhängige Validierung umfassen.

Auch die Qualität der zugrunde liegenden Telemetrie bleibt unsicher. Eine Branchenanalyse zur Sichtbarkeitslücke argumentiert, dass Agenten Fehlentscheidungen treffen können, wenn Endpoint-, Identitäts-, Cloud- und Netzwerkbelege fragmentiert bleiben.

Der Kontextgraph von Zscaler adressiert diese Kritik direkt, doch das Unternehmen hat öffentlich keine universellen Genauigkeitsbenchmarks für jede Kundenumgebung vorgelegt. Leistung und Nutzen bleiben Herstellerangaben, bis Implementierungen unabhängig vergleichbare Belege liefern.

Falschpositive sind nur eine Seite des Problems. Ein Agent kann auch falschnegative Ergebnisse liefern, einen verdächtigen Fall schließen oder eine neuartige Kette einzeln harmloser Aktionen übersehen.

Kunden sollten vollständige Vorfälle statt isolierter Alert-Klassifizierungen bewerten. Sinnvolle Tests umfassen kompromittierte Identitäten, Missbrauch von Remote-Management, browserbasierte Angriffe, laterale Bewegungen und Aktivitäten über Zscaler sowie Drittsysteme hinweg.

Teams sollten zudem unterstützte und automatisierte Modi vergleichen. Eine Empfehlung, die Analysten regelmäßig ablehnen, sollte nicht zu einer unbeaufsichtigten Aktion werden, nur weil ein Konfidenzwert eine willkürliche Schwelle überschreitet.

Agentische Eindämmung erfordert eine schrittweise Einführung. Beginnen Sie mit Beobachtung und Zusammenfassungen, gehen Sie zu Empfehlungen über, automatisieren Sie eng begrenzte reversible Aktionen und erweitern Sie Befugnisse erst, wenn gemessene Belege die Änderung stützen.

Zscalers KI-Partnerschaften sind weniger wichtig als seine Kontrollebene

Die Modelle können die Schlussfolgerungsfähigkeit verbessern, doch Zscalers nachhaltige Differenzierung entsteht durch die sie umgebenden Daten-, Berechtigungs- und Durchsetzungssysteme.

Zscaler hat Anthropic und OpenAI als Modellpartner für Agentic SOC genannt. Dadurch erhält die Plattform Zugang zu Frontier-Modellen, ohne jede Aufgabe an einen einzelnen Anbieter zu binden.

Eine Multi-Modell-Strategie kann unterschiedliche Aufgaben an das jeweils am besten geeignete Modell weiterleiten. Ein Modell könnte einen komplexen Vorfall zusammenfassen, während ein anderes Belege bewertet oder einen Reaktionsplan erstellt.

Allerdings werden Basismodelle zunehmend vielen Cybersicherheitsanbietern zugänglich. Der Zugang zu ihnen schafft für sich genommen keinen dauerhaften Vorteil. Wettbewerber können ähnliche Fähigkeiten lizenzieren oder Modelle austauschen, wenn sich die Leistung verändert.

Die schwierigere Arbeit liegt rund um das Modell. Sicherheitsagenten benötigen normalisierte Belege, eingeschränkte Tools, organisationsspezifische Richtlinien, Identitätskontrollen, dauerhafte Protokolle und Reaktionsmechanismen. Sie benötigen zudem Bewertungssysteme, die ihr Verhalten anhand realer Incident-Muster testen.

Zscaler erklärt, seine Agenten griffen auf mehr als zehn Jahre Erfahrung mit SOC, Managed Detection, Response und Threat Hunting zurück. Das Unternehmen sagt außerdem, dass Erkenntnisse aus Tausenden Kundenumgebungen in das System einfließen.

Diese Aussagen beschreiben Trainings- und Tuning-Eingaben, keine unabhängig verifizierte Genauigkeit. Käufer benötigen weiterhin Ergebnisse aus Umgebungen, die ihrer eigenen ähneln.

Die Architektur bietet Zscaler mehrere praktische Stellhebel. Das Unternehmen kann eine verdächtige Verbindung mit Richtlinien- und Posture-Kontext anreichern. Es kann eine Reaktion auf Grundlage der geschäftlichen Auswirkungen empfehlen. Anschließend kann es sie über Inline-Kontrollen ausführen, ohne auf das System eines anderen Anbieters warten zu müssen.

Dieser geschlossene Kreislauf ist nur wertvoll, wenn Governance an jedem Schritt verankert bleibt. Ein Modell sollte keinen uneingeschränkten Zugriff erhalten, nur weil die umgebende Plattform eine weitreichende Sichtbarkeit besitzt.

Sicherheitsteams benötigen rollenbasierten Zugriff, begrenzte Zugangsdaten, Aktionslimits, Genehmigungsrichtlinien und eine Trennung zwischen Kunden. Sie sollten außerdem wissen, ob Incident-Daten gespeichert werden, wo die Inferenz erfolgt und wie Modellanbieter eingereichte Inhalte behandeln.

Modellupdates schaffen ein weiteres operatives Problem. Ein neueres Modell kann sich anders verhalten, selbst wenn der umgebende Workflow unverändert bleibt. Anbieter benötigen Regressionstests, bevor sie ein Modell ändern, das Eindämmungsentscheidungen beeinflusst.

Kunden sollten fragen, ob Zscaler die Modellversion, Agentenkonfiguration, den Richtlinienstatus und die für jede Aktion verwendeten Belege aufzeichnet. Ohne diese Details wird die Untersuchung einer fehlerhaften Reaktion deutlich schwieriger.

Erklärbarkeit erfordert ebenfalls mehr als Text. Eine wirksame Incident-Ansicht sollte Analysten ermöglichen, Zeitstempel, Identitäten, Netzwerksitzungen, betroffene Assets, widersprüchliche Signale und die Abfolge der Agentenentscheidungen zu prüfen.

Hier wird das Angebot von Zscaler Agentic SOC konkret. Die Überschrift nennt KI-Agenten, doch das Produkt wird durch verlässliche Kontrolltechnik erfolgreich sein.

Frontier-Modelle können Agenten helfen, Mehrdeutigkeiten zu interpretieren. Sie können fehlende Belege, übermäßige Berechtigungen, schwache Integrationen oder einen ungetesteten Wiederherstellungsplan nicht ausgleichen.

Drei Signale werden zeigen, ob Zscaler Agentic SOC funktioniert

Der nächste Test ist keine weitere Feature-Ankündigung, sondern ob Kunden eine sinnvolle Eindämmung automatisieren können, ohne Geschäftsunterbrechungen zu erhöhen.

Das erste Signal ist messbare Leistung im Produktionsbetrieb. Käufer sollten nach dokumentierten Veränderungen bei Untersuchungszeit, Eindämmungszeit, Analystenaufwand, falschpositiven Aktionen und rückgängig gemachten Entscheidungen suchen.

Ein Kundenzitat über eine schnellere Analyse liefert hilfreichen Kontext, belegt jedoch keine allgemeine Zuverlässigkeit. Aussagekräftige Belege würden automatisierte und menschlich geführte Workflows über definierte Incident-Kategorien hinweg vergleichen.

Die wertvollsten Berichte werden Triage und Eindämmung voneinander trennen. Viele Tools können Alerts zusammenfassen oder priorisieren. Deutlich weniger können sicher eine Reaktion gegen eine aktive Identität, ein Gerät, ein Ziel oder eine Anwendung ausführen.

Zeigen Implementierungen eine schnellere Eindämmung mit wenigen unnötigen Aktionen, gewinnt Zscalers Argument für native Telemetrie an Unterstützung. Häufige Rücknahmen oder Genehmigungsengpässe würden das Argument für Closed-Loop-Automatisierung schwächen.

Das zweite Signal ist die Tiefe der Drittanbieterintegration. Zscaler muss nachweisen, dass Agentic SOC schlüssige Incidents zusammenführen kann, wenn die Belege über die eigene Plattform hinausreichen.

Käufer sollten beobachten, welche SIEM-, Endpoint-, Identitäts-, Cloud-, Ticketing- und Orchestrierungsintegrationen bidirektionale Workflows unterstützen. Sie sollten zudem prüfen, welchen Kontext jeder Connector überträgt.

Breite Integration würde Zscalers Aussage stärken, dass native Telemetrie und offene Tooling-Ansätze nebeneinander bestehen können. Begrenzter Kontext würde Kunden eine weitere Teilansicht hinterlassen, selbst wenn diese Ansicht detailliert ist.

Das dritte Signal ist, wie Wettbewerber Schlussfolgerungen mit Durchsetzung verbinden. Microsoft kann autonome Workflows über Defender, Entra, Sentinel, Azure und Microsoft 365 hinweg aufbauen. Databricks kann offene Daten und Langzeitkontext betonen. Spezialanbieter können für Unabhängigkeit von der Durchsetzungsplattform argumentieren.

Eine wettbewerbliche Reaktion, die vergleichbare Eindämmung mit breiteren Belegen ermöglicht, würde Zscalers Differenzierung verringern. Umgekehrt würden schwache oder verzögerte Integrationen über konkurrierende Stacks hinweg Zscalers Inline-Position attraktiver machen.

Sicherheitsverantwortliche sollten nicht auf einen universellen Gewinner warten. Sie können eine eng umrissene Incident-Klasse definieren, eine von Menschen überprüfte Baseline festlegen und denselben Workflow über potenzielle Systeme hinweg testen.

Die Bewertung sollte Belegqualität, Entscheidungskonsistenz, Eindämmungsgeschwindigkeit, Integrationstiefe, Analysteneingriffe und den Erfolg von Rollbacks messen. Sie sollte außerdem adversariale Tests enthalten, die darauf ausgelegt sind, den Agenten irrezuführen.

Teams benötigen eine verlässliche Aufzeichnung dieser Tests. Eine durchsuchbare technische Wissensdatenbank kann Playbooks, verworfene Bewertungen, Integrationsgrenzen und Erkenntnisse nach Incidents über Sicherheits- und Engineering-Gruppen hinweg bewahren.

Der Start von Zscaler Agentic SOC macht autonome Verteidigung zu einer aktuellen Beschaffungsentscheidung statt zu einem fernen Konzept. Sein stärkstes Argument ist die Verbindung von Kontext und Inline-Aktion.

Seine schwierigste Frage ist ebenso direkt: Können Organisationen Agenten genügend Befugnisse geben, um Angreifern zuvorzukommen, ohne zuzulassen, dass eine unsichere Bewertung zu einem automatisierten Ausfall wird?

Beginnen Sie mit einem reversiblen Workflow, definieren Sie die Belegschwelle und messen Sie jeden Eingriff. Die Zukunft agentischer Sicherheitsoperationen wird durch diese Aufzeichnungen entschieden, nicht dadurch, wie überzeugend eine KI den Incident schildert.