Warum Administratoren KI Produktionssystemen Noch Nicht Anvertrauen

Zwei Jahre lang haben Anbieter versprochen, dass sich Infrastrukturen selbst patchen – die Realität sieht jedoch ganz anders aus: Diejenigen, die Produktionssysteme tatsächlich betreiben, lassen KI weiterhin nicht an die Steuerung. Eine neue Umfrage unter IT-Administratoren zeigt, dass die für 2026 prognostizierte Automatisierung – KI übernimmt Patch-Management, priorisiert Schwachstellen, überwacht Systeme und steuert Incident Response – in den meisten Umgebungen bislang ausbleibt. Die eigentliche Geschichte ist die Lücke zwischen den Erwartungen der Systemadministratoren für 2024 und dem, was sie heute tatsächlich autorisieren: Es geht um Vertrauen, Verantwortlichkeit und Governance, nicht um KI-Fähigkeiten.

Action1s „2026 Survey Report: AI Impact on Sysadmins“ hat die Praktiker befragt, die Produktionsinfrastrukturen am nächsten sind, wie KI tatsächlich eingesetzt wird – und die Antworten widersprechen der Automatisierungs-Erzählung, die seit 2024 das IT-Vendor-Marketing dominiert. Weniger als jeder fünfte Systemadministrator nutzt KI aktuell für Patch-Management oder Schwachstellen-Priorisierung. Fast ein Viertel hat KI noch nie beruflich eingesetzt. Und auf die Frage, ob sie KI Patches ohne menschliche Aufsicht in Produktionssystemen ausrollen lassen würden, antwortete die Mehrheit mit Nein.

Diese Zurückhaltung ist kein Luddismus, sondern eine rationale Reaktion auf ein ungelöstes Problem: Wenn ein autonomes System Produktionsinfrastruktur, vertrauliche Dateien oder Identitätsdaten berührt und etwas schiefgeht – wer trägt die Verantwortung für den Schaden? Die Umfrage fand darauf kaum Antworten. Genau diese Frage steht derzeit im Mittelpunkt jeder Diskussion über KI-Governance im Unternehmen – egal, ob die KI einen Server patcht oder eine Kundendatenbank abfragt.

Wichtige Erkenntnisse

1. Die Automatisierungsprognosen für 2024 haben sich nicht bewahrheitet. Laut Action1s 2026-Umfrage nutzen weniger als jeder fünfte Systemadministrator KI für Patch-Management oder Schwachstellen-Priorisierung. 23 % haben KI noch nie beruflich eingesetzt.
2. Überwachung statt Autonomie ist der Standard, den Systemadministratoren akzeptieren. Nur 14 % würden KI Patches ohne menschliche Kontrolle in Produktionssystemen ausrollen lassen, 53 % verlangen Überwachung und eine kleinere Gruppe lehnt KI-Patching grundsätzlich ab.
3. Beim Policy-Override bricht das Vertrauen völlig zusammen. Nur 11 % der Systemadministratoren würden KI erlauben, bestehende Patch-Policies zu überschreiben; 40 % würden das unter keinen Umständen zulassen. Das zeigt eine tiefergehende Skepsis gegenüber KI außerhalb definierter Regeln.
4. Die Verantwortungsfrage bleibt offen. Über die Hälfte der Befragten sorgt sich um den Verlust von Transparenz oder Kontrolle über KI-gesteuerte Aktionen. Die Umfrage stellt fest: Wenn KI bei Datei- oder Identitätsmanagement-Aufgaben Fehler macht, ist die Verantwortlichkeit für den entstandenen Schaden unklar.
5. Die Lösung ist gesteuerter Zugriff, nicht blindes Vertrauen oder pauschale Verbote. Durchsetzung von Zugriffskontrollen pro Anfrage und ein einheitlicher Audit-Trail für jede menschliche und KI-Aktion liefern Unternehmen die Verantwortlichkeitsnachweise, die laut Umfrage fehlen – auch wenn Access Governance und Automatisierung im IT-Betrieb unterschiedliche Aspekte adressieren.

Die Lücke zwischen den Prognosen 2024 und der Realität 2026

2024 präsentierten Anbieter generative KI als nächsten großen Schritt für den IT-Betrieb. Systemadministratoren erwarteten bis 2026 deutliche Automatisierungsfortschritte: KI übernimmt das Routine-Patch-Management, bewertet Schwachstellen nach echtem Risiko, überwacht Systeme rund um die Uhr und beschleunigt Incident Response. Die Folgeumfrage von Action1 zeigt jedoch: Die Marktdurchdringung erfolgte zögerlich und uneinheitlich, statt der umfassenden Automatisierung, die viele erwartet hatten.

Weniger als jeder fünfte Systemadministrator nutzt KI heute für Patch-Management oder Schwachstellen-Priorisierung. Das ist eine auffallend geringe Akzeptanz für zwei Aufgaben, die oft als prädestiniert für KI-Automatisierung gelten – beide sind repetitiv, datenintensiv und scheinbar ideal für Mustererkennung und Priorisierung. Ebenso bemerkenswert: 23 % der Befragten gaben an, KI noch nie beruflich eingesetzt zu haben. Das heißt, fast ein Viertel der Systemadministratoren hat KI-Tools auch zwei Jahre nach den Prognosen nicht in den Arbeitsalltag integriert.

Die KI scheitert nicht an den Aufgaben. Systemadministratoren entscheiden sich einfach dagegen, ihr die Kontrolle zu überlassen – das sagt mehr über Vertrauen und Governance als über die Fähigkeiten der KI. Das deckt sich mit den Beobachtungen von Kiteworks im Bereich AI Data Governance: Die Einführung stockt, weil Unternehmen die Kontrollmechanismen fehlen, um KI-Aktionen sichtbar, reversibel und nachvollziehbar zu machen – nicht, weil die Modelle die Aufgaben nicht bewältigen könnten.

Warum Systemadministratoren KI keine Patches unbeaufsichtigt ausrollen lassen

Das deutlichste Signal in den Action1-Daten ist die Antwort auf eine direkte Frage: Würden Sie KI Patches ohne menschliche Aufsicht in Produktionssystemen ausrollen lassen? 53 % sagten Nein – sie verlangen menschliche Kontrolle bei jedem KI-initiierten Patch-Deployment. Nur 14 % würden KI unbeaufsichtigt patchen lassen. Das zeigt eine große Kluft zwischen der Akzeptanz von KI als Assistent und der Akzeptanz von KI als autonomem Operator – und das gilt selbst für Administratoren, die KI-Tools in anderen Arbeitsbereichen regelmäßig nutzen.

Patch-Deployment ist ein gutes Beispiel, weil die Risiken konkret und unmittelbar sind. Ein fehlerhafter Patch im Produktivsystem kann Dienste lahmlegen, Abhängigkeiten zerstören oder neue Schwachstellen öffnen – Folgen, die innerhalb von Stunden sichtbar werden, nicht als abstrakte Risiken in einem Compliance-Bericht verschwinden. Systemadministratoren, die dieses Risiko täglich managen, wissen: Patch-Entscheidungen erfordern oft Abwägungen, die ein automatisiertes System nicht leisten kann – etwa: Ist dies das richtige Wartungsfenster? Gibt es unbekannte Abhängigkeiten? Gibt es geschäftliche Gründe für eine Verschiebung? Die Befragten lehnen KI-Unterstützung bei Identifikation und Vorbereitung von Patches nicht ab – sie lehnen ab, dass KI die finale Entscheidung trifft und ohne menschliche Kontrolle ausführt.

Der Widerstand wird noch deutlicher, wenn es um „Policy-Override“ geht: Nur 11 % der Systemadministratoren würden KI erlauben, bestehende Patch-Policies zu überschreiben, 40 % würden das unter keinen Umständen zulassen. Das ist eine deutlich härtere Haltung als bei der Überwachungsfrage und zeigt: Systemadministratoren sind deutlich wohler damit, wenn KI innerhalb klar definierter Leitplanken agiert, als wenn KI selbst entscheidet, dass Regeln nicht gelten. Regeln, die ein automatisiertes System stillschweigend überschreiben kann, sind keine echten Regeln – sondern bloße Vorschläge.

IT-Betriebsteams haben diesen Unterschied offenbar besser verstanden als die Marketingabteilungen, die sie adressieren wollen.

Das Verantwortlichkeitsvakuum, wenn KI auf sensible Systeme zugreift

Mehr als die Hälfte der befragten Systemadministratoren äußert Sorge, die Kontrolle oder Transparenz über KI-gesteuerte Aktionen zu verlieren. Diese Sorge verbindet die Patch-Fragen mit einem größeren Thema, das der Action1-Bericht aufzeigt: Wenn KI bei Datei- oder Identitätsmanagement-Aufgaben einen Fehler macht, bleibt die Verantwortlichkeit für den entstandenen Schaden ungeklärt.

Diese Verantwortlichkeitslücke zeigt sich in allen Bereichen, in denen KI-Systeme dauerhaften Zugriff auf Produktionsdaten, Zugangsdaten oder Infrastruktur erhalten – nicht nur im IT-Betrieb. Wenn ein KI-Agent mit Datei-Management-Berechtigung ein falsches Dokument löscht, verschiebt oder offenlegt, muss die Ursachenanalyse beantworten: Worauf hatte der Agent Zugriff, warum und wer hat das genehmigt? Wenn ein KI-System mit Identitätsmanagement-Berechtigung ein Konto falsch anlegt oder ändert, gelten die gleichen Fragen. Ohne Nachweis, worauf die KI zugreifen durfte und was sie tatsächlich getan hat, ist „die KI hat einen Fehler gemacht“ keine verwertbare Antwort.

Das ist eine Sackgasse.

Genau diese Vertrauens- und Verantwortlichkeitslücke steht im Zentrum der Shadow AI– und KI-Governance-Arbeit von Kiteworks. Wenn KI-Systeme mit weitreichendem, schlecht abgegrenztem Zugriff und ohne konsistenten Audit-Trail agieren, verlieren Unternehmen die Möglichkeit, nach einem Vorfall zu rekonstruieren, was passiert ist – was sowohl Ursachenanalyse als auch Verantwortlichkeit nahezu unmöglich macht. Systemadministratoren beschreiben dieses Problem aus Sicht des Betriebs, Security- und Compliance-Teams aus Sicht des Datenzugriffs. Es ist dieselbe Lücke.

Shadow AI und das größere Governance-Problem

Die Action1-Ergebnisse fügen sich in ein größeres Muster ein, mit dem Unternehmen zu kämpfen haben: KI-Tools verbreiten sich schneller in den Fachabteilungen, als Governance-Frameworks sie erfassen können. Der IT-Betrieb ist vergleichsweise sichtbar und kontrolliert – Systemadministratoren sind per Definition stärker auf Produktionsrisiken fokussiert als durchschnittliche Anwender. Wenn diese Gruppe trotz ihres Infrastrukturwissens KI weiterhin keine unbeaufsichtigte Autorität einräumt, ist das ein Indikator dafür, wie wenig Kontrolle in Abteilungen herrscht, in denen KI-Tools informell, außerhalb der IT-Sichtbarkeit und ohne jegliche Zugriffsprüfung eingeführt werden.

Das ist der Kern des Shadow-AI-Problems: Mitarbeitende und zunehmend autonome Agenten verbinden sich mit Systemen, Dateien und Datenspeichern über KI-Tools, die nie vom Unternehmen geprüft, abgegrenzt oder protokolliert wurden. Ein Systemadministrator, der ein geprüftes KI-Tool nicht ohne Aufsicht in die Produktion lässt, führt zumindest eine Policy-Diskussion über dieses Tool. Viele KI-Nutzungen im Unternehmen finden ohne jede Policy-Diskussion statt. Die Data Governance, die IT-Teams beim Patch-Management sichtbar anwenden, muss auf jedes System ausgeweitet werden, in dem KI sensible Inhalte lesen, verschieben oder bearbeiten kann – Datei-Repositorys, sichere E-Mails, Managed File Transfer-Pipelines und Identitätssysteme gleichermaßen.

Wie gesteuerter KI-Zugriff in einer Kiteworks Control Plane aussieht

Die Action1-Umfrage benennt das Problem klar: Systemadministratoren wollen KI-Unterstützung, ohne Kontrolle, Transparenz oder Verantwortlichkeit aufzugeben, wenn etwas schiefgeht. Die Lösung erfordert dieselbe Governance-Disziplin, die Unternehmen bereits für menschliche Anwender anwenden – konsequent auf alle Akteure, die sensible Systeme berühren, egal ob menschlich oder KI-gesteuert.

Kiteworks adressiert dies mit einer Kiteworks Control Plane, die Datenzugriff, -nutzung und -austausch für jede Identität steuert – egal ob ein Mensch sich einloggt oder ein KI-Agent eine API-Anfrage stellt. Jede Anfrage eines KI-Systems zum Lesen, Abrufen oder Bearbeiten von Inhalten wird genauso bewertet wie eine menschliche Anfrage: anhand definierter RBAC– und ABAC-Richtlinien, zum Zeitpunkt der Anfrage – nicht als einmalige Provisionierungsentscheidung, die dann in Vergessenheit gerät. Diese Bewertung pro Anfrage macht den Unterschied zwischen „Wir vertrauen diesem KI-Tool grundsätzlich“ und „Wir können exakt nachvollziehen, worauf dieses KI-Tool wann, unter welcher Policy und für welchen Workflow zugegriffen hat“.

Zwei Funktionen sind für die Vertrauenslücke, die die Umfrage beschreibt, direkt relevant. Kiteworks Compliant AI erzwingt Governance auf Inhaltsebene genau dann, wenn ein KI-System Daten anfordert – filtert und begrenzt also, was ein KI-Modell oder Agent basierend auf der Policy abrufen darf, nicht nach eigenem Ermessen. Der Secure MCP Server setzt diese Policy Enforcement identisch für KI-Agenten um, die über das Model Context Protocol verbinden, sodass jede Anfrage unter denselben Access Controls geprüft und in denselben einheitlichen Audit-Logs wie eine menschliche Anfrage protokolliert wird – nicht auf einer separaten KI-Spur. Beide Funktionen liefern genau das Artefakt, das laut Action1-Report fehlt: einen überprüfbaren Nachweis darüber, was ein KI-System durfte und tatsächlich getan hat – von Menschen prüfbar, an eine spezifische Policy und Identität gebunden.

Die Grenzen von Access Governance: Was sie löst – und was nicht

Die Action1-Umfrage misst etwas, das eng mit, aber nicht identisch zu dem ist, was Access Governance tatsächlich löst. Systemadministratoren wurden gefragt, ob KI Patches ausrollt, Schwachstellen priorisiert und IT-Betriebsaufgaben ausführt – Aktionen, die auf der Patch-Management- und Konfigurationsebene der Infrastruktur stattfinden, nicht auf der Content- und Credential-Access-Ebene, die eine Governance-Plattform wie Kiteworks kontrolliert.

Eine Data Policy Engine, die RBAC und ABAC für KI-Agenten durchsetzt, steuert, ob dieser Agent eine Datei lesen, einen Datensatz abrufen oder mit einem Credential arbeiten darf – und protokolliert, dass er es getan hat. Sie entscheidet jedoch nicht, ob ein bestimmter Patch sicher für den Produktivserver ist, und ersetzt nicht die Patch-Management-, Change-Control- und Monitoring-Tools, nach denen die Systemadministratoren gefragt wurden. Beide Probleme haben dieselbe Wurzel – unklare Verantwortlichkeit, wenn KI autonom handelt – aber sie erfordern unterschiedliche Kontrollen. Unternehmen, die die Vertrauenslücke im IT-Betrieb schließen wollen, brauchen Patch-Management-Plattformen mit integrierten Freigabeworkflows und Rollback-Kontrollen; Unternehmen, die die Content-, Datei- und Identitätszugriffsseite absichern wollen, brauchen gesteuerten Zugriff und Audit-Logging für jedes System, das KI berührt. Die meisten Unternehmen brauchen beides – das eine ersetzt das andere nicht.

Access Governance ist zudem nur so stark wie die Policy, die das Unternehmen konfiguriert. RBAC- und ABAC-Kontrollen setzen die Regeln um, die das Security-Team definiert – sie bestimmen nicht selbst, was ein „sicherer“ KI-Zugriffsbereich für eine bestimmte Rolle oder einen Workflow ist. Die Verantwortlichkeit, die die Action1-Befragten fordern, hängt davon ab, dass Unternehmen die Policy-Arbeit im Vorfeld leisten: Wer und was darf auf welche Inhalte zugreifen, unter welchen Bedingungen – und dann darauf vertrauen, dass die Plattform diese Definition konsequent durchsetzt und protokolliert.

Governance-First: Der Weg zur KI-Einführung im IT-Betrieb

Die Systemadministratoren in dieser Umfrage formulieren sinnvolle Bedingungen für eine stärkere KI-Nutzung: Transparenz, Reversibilität und eine klare Verantwortlichkeitskette – kein KI-Einführungsversagen. Unternehmen, die dieselbe Lücke beim KI-Zugriff auf sensible Inhalte und Systeme schließen wollen, sollten mit diesen drei Bedingungen starten, statt pauschal zu erlauben oder zu verbieten.

Das bedeutet: Jeder KI-Agent und jeder KI-Workflow wird als Identität behandelt, die denselben Access-Policies, Risikoanalysen und Audit-Anforderungen unterliegt wie ein menschlicher Anwender – keine Sonderbehandlung, nur weil der Anfragende ein Modell und kein Mensch ist. Es bedeutet, KI-Aktionen so granular zu protokollieren, dass die Fragen „Was wurde wann und mit welcher Berechtigung abgerufen?“ ohne forensische Nachforschung nach einem Vorfall beantwortet werden können. Und es bedeutet, Zugriffskontrollen und Audit-Infrastruktur so präzise zu gestalten, dass Vertrauen keine Rolle mehr spielt – weil jede Aktion überprüfbar ist, egal durch wen oder was sie ausgelöst wurde.

Unternehmen, die das umsetzen, können die Rolle von KI im IT-Betrieb und bei Content-Workflows gezielt und evidenzbasiert ausbauen – statt zwischen pauschalen Verboten und unbeaufsichtigter Autonomie festzustecken. Genau so beschreiben sich die meisten Action1-Befragten aktuell.

Erfahren Sie mehr darüber, wie Sie den KI-Agentenzugriff auf sensible Inhalte unter einer einheitlichen Control Plane steuern können – vereinbaren Sie jetzt eine individuelle Demo.

Weitere Ressourcen

• Blogbeitrag
  Zero‑Trust-Strategien für kosteneffizienten KI-Datenschutz
• Blogbeitrag
  Wie 77 % der Unternehmen bei KI-Datensicherheit scheitern
• eBook
  AI Governance Gap: Warum 91 % kleiner Unternehmen 2025 russisches Roulette mit Datensicherheit spielen
• Blogbeitrag
  Es gibt kein „–dangerously-skip-permissions“ für Ihre Daten
• Blogbeitrag
  Aufsichtsbehörden fragen nicht mehr, ob Sie eine KI-Policy haben. Sie wollen den Nachweis, dass sie funktioniert.