Das Vertrauen in KI ist um 17 Punkte gesunken. Der Grund: Fehlende Governance nicht-menschlicher Identitäten.
Ein Rückgang der selbst eingeschätzten KI-Reife um 17 Prozentpunkte klingt nach schlechten Nachrichten. Das ist es aber nicht. Es passiert, wenn IT-Führungskräfte ihre KI-Programme nicht mehr nach Ambitionen, sondern nach belegbaren Ergebnissen bewerten.
Die VentureBeat-Trendumfrage Q3 2026, basierend auf 800 IT-Führungskräften aus den USA und Großbritannien, zeigt: Der Anteil der Befragten, die ihr Unternehmen als „reif“ in der KI-Einführung bezeichnen, ist von 40% vor sechs Monaten auf heute 23% gesunken. Das ist kein Zeichen dafür, dass KI-Programme schlechter wurden. Es zeigt vielmehr, dass die Verantwortlichen endlich genau hingeschaut haben: Agenten wurden ohne Verantwortliche eingesetzt, Berechtigungen nie überprüft und eine nicht-menschliche Belegschaft wuchs schneller, als irgendjemand sie erfassen konnte.
Die Zahl, die diese Neubewertung antreibt, ist eindeutig. Nicht-menschliche Identitäten – also Servicekonten, API-Schlüssel und KI-Agenten, die im Namen von Mitarbeitenden und Systemen agieren – übersteigen inzwischen die Zahl der menschlichen Anwender in 83% der befragten Unternehmen. Und die am seltensten implementierte Kontrolle zur Verwaltung dieser Identitäten, das Non-Human Identity Governance, liegt bei nur 21% Verbreitung – der niedrigste Wert aller KI-Sicherheitspraktiken der Umfrage. Zusammengenommen ergibt sich ein klares Bild: Die meisten Unternehmen haben mehr Maschinenidentitäten als Menschen, aber weniger als jedes vierte verfügt über ein Governance-Programm, das diese abdeckt.
Genau deshalb ist diese Umfrage auch für Kiteworks relevant. Kiteworks Secure Data Exchange bietet Unternehmen einen kontrollierten Governance-Punkt für den Austausch sensibler Daten zwischen Menschen, Systemen und KI-Agenten – statt diese Datenströme unkontrolliert über geteilte Anmeldedaten und unregulierte Verbindungen laufen zu lassen. Der Rückgang des Vertrauens ist kein Rückschritt. Er signalisiert, dass die eigentliche Arbeit – die Schließung der Lücke bei nicht-menschlichen Identitäten – jetzt erst beginnt.
Wichtige Erkenntnisse
1. Selbstbewertungen zur KI-Reife sind in sechs Monaten eingebrochen.
Die VentureBeat-Trendumfrage Q3 2026 unter 800 IT-Führungskräften aus den USA und Großbritannien zeigt: Der Anteil, der das eigene Unternehmen als „reif“ in der KI-Einführung bezeichnet, sank von 40% auf 23%. Dieser Rückgang um 17 Punkte signalisiert, dass Führungskräfte ihre Programme endlich an der Realität und nicht mehr an Wunschvorstellungen messen.
2. Nicht-menschliche Identitäten haben menschliche Anwender bereits überholt.
In 83% der befragten Unternehmen übersteigen Maschinen- und Agentenidentitäten bereits die Zahl der menschlichen Mitarbeitenden. Die Kontrollen, die für menschliche Konten entwickelt wurden, sind aber nicht für eine Belegschaft gemacht, die stündlich neue Identitäten erzeugt.
3. Governance für diese Identitäten ist die am wenigsten entwickelte Kontrolle.
Nur 21% der Unternehmen haben Non-Human Identity Governance etabliert – das ist die größte einzelne Lücke im KI-Sicherheitsreife-Modell von VentureBeat und der Bereich, den die meisten Unternehmen noch nicht einmal abgesteckt haben.
4. Reife korreliert direkt mit Skalierbarkeit.
Unternehmen im höchsten Reifegrad der Umfrage berichten fünfmal häufiger, dass es keine Hürden für die Ausweitung ihrer KI-Agenten gibt – Governance wird so vom Compliance-Häkchen zum Wachstumstreiber.
5. Credential Sharing ist Standard, nicht Ausnahme.
Ohne Identitäts- und Zugriffskontrollen auf Agentenebene leiten die meisten Unternehmen KI-Agenten weiterhin über geteilte Servicekonten oder menschliche Zugangsdaten – ein Muster, das den Audit-Trail sofort auslöscht, sobald etwas schiefgeht.
Sie vertrauen darauf, dass Ihr Unternehmen sicher ist. Aber können Sie es auch belegen?
Jetzt lesen
Der 17-Punkte-Rückgang: Was sich zwischen zwei Umfragen in sechs Monaten verändert hat
Vor sechs Monaten beschrieben 40% der von VentureBeat befragten IT-Führungskräfte die KI-Einführung ihres Unternehmens als reif. In der Q3-2026-Umfrage waren es noch 23%. Für sich genommen wirkt dieser Rückgang um 17 Punkte wie ein Rückschritt bei KI-Programmen. Im Kontext der übrigen Entwicklungen der letzten sechs Monate zeigt sich jedoch ein anderes Bild.
Die meisten Unternehmen haben ihre KI-Einführungen in diesem Zeitraum nicht verlangsamt – im Gegenteil, sie haben beschleunigt. Abteilungen setzten weiterhin Agenten für Kundensupport, Programmierhilfe, Dokumentenverarbeitung, interne Recherchen und praktisch jeden denkbaren Use Case ein. Anbieter lieferten agentenbasierte Funktionen standardmäßig aktiviert aus. Mit jeder neuen Einführung kam eine weitere nicht-menschliche Identität hinzu, meist ohne formellen Antrag, Freigabe oder eine benannte Verantwortlichkeit. In diesem Umfeld musste das Vertrauen sinken, weil die Verantwortlichen erkannten, dass die Governance mit der Geschwindigkeit der Identitätszunahme nicht Schritt hielt.
Das ist die gesündere Interpretation der Daten. Ein Reifewert, der weiter steigen würde, während Non-Human Identity Governance bei nur 21% liegt, wäre tatsächlich das schlechtere Zeichen – denn dann würden IT-Führungskräfte ihre Programme nach einem Maßstab bewerten, der die am schnellsten wachsende Risikokategorie ignoriert. Ein Wert, der sinkt, weil Verantwortliche erkennen, wie viel noch fehlt, zeigt, dass die Bewertung selbst strenger wurde. VentureBeat bringt es auf den Punkt: Der Rückgang zeigt, dass Unternehmen sich ehrlich prüfen statt zuversichtlich – und das muss passieren, bevor die Lücke geschlossen werden kann.
Diese Unterscheidung ist entscheidend für die interne Kommunikation von Sicherheits- und Compliance-Teams. Ein Vorstandsmitglied oder CFO, der „KI-Reife um 17 Punkte gesunken“ liest, könnte daraus schließen, dass sich KI-Investitionen nicht auszahlen. Die treffendere Einordnung – und die, die in Budgetgespräche gehört – ist, dass das AI Data Governance-Programm des Unternehmens nun am tatsächlichen Umfang des Wachstums nicht-menschlicher Identitäten gemessen wird, nicht mehr an dem viel kleineren Umfang der letzten Bewertung. Eine formale Risikoanalyse, die jeden aktuell laufenden Agenten mit seinen Berechtigungen und seinem geschäftlichen Zweck abgleicht, liefert Compliance-Teams die belastbare Grundlage, um Lücken strategisch und nicht reaktiv zu schließen.
Nicht-menschliche Identitäten sind still zur Mehrheit geworden
Die Statistik, die jede KI-Sicherheitsstrategie für 2026 neu ausrichten sollte, ist diese: Nicht-menschliche Identitäten übersteigen in 83% der befragten Unternehmen die Zahl der menschlichen Anwender. Das ist kein Nischenergebnis einiger KI-Vorreiter – das ist der neue Standard.
Jeder KI-Agent, den ein Unternehmen einsetzt, benötigt in der Regel eine eigene Identität – oder übernimmt häufiger die eines anderen. Jede API-Integration zwischen großem Sprachmodell und internem System braucht Zugangsdaten. Jeder automatisierte Workflow, der ein Dokument abruft, einen Vertrag zusammenfasst oder eine E-Mail im Namen eines Menschen erstellt, läuft unter irgendeiner Identität – egal, ob diese bewusst eingerichtet oder einfach von einem verfügbaren Servicekonto übernommen wurde. Hochgerechnet auf Support-Bots, Coding-Copiloten, Zusammenfassungsagenten, interne Rechercheassistenten und die wachsende Zahl von Vendor-Tools mit standardmäßig aktivierten Agentenfunktionen wird klar, warum die Zahl nicht-menschlicher Identitäten in Unternehmen, die agentenbasierte KI wirklich skalieren, innerhalb weniger Monate die Zahl der Menschen übersteigen kann.
Die meisten Identity- und Access-Management-Programme wurden dafür nie entwickelt. IAM-Systeme, Access Controls und Bereitstellungs-Workflows sind auf einen vorhersehbaren Rhythmus ausgelegt: Ein Mitarbeiter kommt, erhält ein Konto, bekommt rollenbasierte Zugriffe und verlässt das Unternehmen irgendwann wieder – dann wird das Konto deaktiviert. Nicht-menschliche Identitäten folgen diesem Lebenszyklus nicht. Ein Agent kann in wenigen Stunden von einem Entwickler für einen Test eingerichtet, mit weitreichenden Zugriffsrechten ausgestattet und dann unbegrenzt weiterbetrieben werden, weil niemand für die Stilllegung zuständig ist. Es gibt kein HR-System, das den Start eines Agenten erfasst, und meist niemanden, der sagen kann, wie viele Agenten tatsächlich laufen oder worauf sie Zugriff haben. Das CISO Dashboard bietet die einheitliche, Echtzeit-Transparenz über alle KI-vermittelten Datenzugriffe, die diese Agenten-Inventarisierung für die Sicherheitsleitung sichtbar macht – die Voraussetzung für jedes Governance-Programm, das das Unsichtbare steuern will.
Das ist der strukturelle Grund, warum Non-Human Identity Governance bei jeder anderen KI-Sicherheitsmaßnahme in der VentureBeat-Umfrage hinterherhinkt. Es liegt nicht daran, dass Sicherheitsteams das Thema ignorieren. Vielmehr sind die Tools und Prozesse, auf die sich die meisten Unternehmen für Identity Governance verlassen, auf eine relativ konstante und überschaubare Zahl menschlicher Nutzer ausgelegt – das exponentielle Wachstum nicht-menschlicher Identitäten sprengt dieses Modell.
Warum Non-Human Identity Governance die am wenigsten verbreitete KI-Sicherheitsmaßnahme ist
Von allen KI-Sicherheitsmaßnahmen, die VentureBeat erfasst hat, liegt Non-Human Identity Governance mit nur 21% Verbreitung am Ende der Liste. Das ist bemerkenswert, denn die Kontrolle, die am engsten mit der am schnellsten wachsenden Identitätskategorie im Unternehmen verknüpft ist, wird am seltensten umgesetzt.
Mehrere Faktoren führen zu dieser Lücke. Non-Human Identity Governance erfordert ein anderes Denkmodell als bei Menschen: Der Zugriff eines Mitarbeiters lässt sich auf eine selten wechselnde Rolle zuschneiden, während der Bedarf eines KI-Agenten sich von Aufgabe zu Aufgabe ändern kann. Ein Agent, der „vorsichtshalber“ überberechtigt wird, erhöht das Risiko jedes Mal, wenn er läuft – nicht nur bei der Bereitstellung. Die meisten Unternehmen führen für Agenten kein Verzeichnis wie für Mitarbeitende, sodass Governance gar nicht starten kann: Man kann nicht steuern, was man nicht sieht. Und die Verantwortung für KI-Agenten verteilt sich auf Teams, die selten eng zusammenarbeiten – Security, Data Governance, Anwendungsentwicklung und die Fachabteilung, die den Agenten ursprünglich angefordert hat. So nimmt jeder an, jemand anderes kümmere sich.
Die Folge, diese 79%-Lücke nicht zu schließen, ist nicht abstrakt. Ein unkontrollierter Agent mit dauerhaftem Zugriff auf ein File-Repository, ein CRM oder ein Dokumentenmanagementsystem stellt ein Risiko dar – unabhängig davon, ob er tatsächlich missbraucht wird. Seine Zugangsdaten könnten exfiltriert werden. Seine Berechtigungen überdauern oft den eigentlichen Zweck. Und wenn er ohne klaren Audit-Trail agiert, kann das Compliance-Team im Nachhinein nicht rekonstruieren, was passiert ist. Zero trust architecture – explizit verifizieren, minimalste Rechte vergeben, von einem möglichen Verstoß ausgehen – gilt für nicht-menschliche Identitäten genauso wie für menschliche. Die meisten Unternehmen haben dieses Modell noch nicht auf Agenten ausgeweitet. Datenminimierung bei Agentenberechtigungen – jeder Agent erhält nur Zugriff auf die Datenquellen, die seine Aufgabe erfordert – ist die operative Umsetzung des Least-Privilege-Prinzips für nicht-menschliche Identitäten und reduziert direkt das Schadensausmaß, wenn ein Agenten-Credential kompromittiert wird.
Die Credential-Sharing-Falle: Wie geteilte Zugänge Risiken vervielfachen
Fehlt einem Unternehmen eine dedizierte Identity Governance für KI-Agenten, ist der Standard fast immer derselbe: Agenten übernehmen Zugangsdaten von irgendwoher. Ein typisches Muster, das sich derzeit in den meisten Unternehmen abspielt: Ein Entwickler nutzt ein Servicekonto mit weitreichendem Datenbankzugriff, weil das Einrichten eines eingeschränkten Kontos zu lange dauert; ein Agent bekommt das API-Token eines Mitarbeiters, um Daten in dessen Auftrag abzurufen; oder eine Vendor-Lösung liefert eine Standardintegration mit Zugangsdaten, die mehr Zugriff erlauben als für die eigentliche Aufgabe nötig.
Jede dieser Abkürzungen löst ein akutes Problem und schafft ein dauerhaftes. Geteilte Zugangsdaten bedeuten geteiltes Risiko: Wird ein Servicekonto kompromittiert, sind alle Agenten, die es nutzen, betroffen – und alle Systeme, auf die das Konto Zugriff hat, sind exponiert, nicht nur das Zielsystem. Auch die Nachvollziehbarkeit geht verloren. Wenn drei verschiedene Agenten und zwei automatisierte Workflows sich als dasselbe Servicekonto anmelden, sagt ein Audit Log, der einen Zugriff auf eine sensible Datei dokumentiert, nichts darüber aus, welcher Agent es war, welche Aufgabe er hatte oder ob der Zugriff sinnvoll war. Das ist das Gegenteil dessen, was Aufsichtsbehörden und interne Risikoteams von einem Audit-Trail erwarten – und genau das Fehlerbild, das Non-Human Identity Governance verhindern soll. Ein bestätigter Datenschutzverstoß über ein geteiltes Servicekonto, das von mehreren Agenten genutzt wird, schafft einen Exfiltrationsumfang, den kein Unternehmen sicher eingrenzen kann – Meldepflichten nach HIPAA, DSGVO oder vergleichbaren Vorgaben greifen für den maximal möglichen Umfang, sofern keine eindeutigen Nachweise zur Eingrenzung vorliegen.
Shadow AI verschärft das Problem. Mitarbeitende, die eigenständig KI-Tools nutzen, geben regelmäßig sensible Daten in Consumer-KI-Oberflächen ein oder verbinden persönliche KI-Tools mit Unternehmenssystemen über eigene Zugangsdaten. Jede dieser nicht genehmigten Verbindungen ist eine weitere nicht-menschliche Identität, die das Unternehmen nicht kennt und nicht steuern kann. Data Loss Prevention-Programme, die auf die Überwachung bekannter Anwendungen und bekannter Datenabflüsse ausgelegt sind, haben nur begrenzte Transparenz darüber, was ein unkontrollierter Agent mit Daten macht, sobald er Zugriff hat. Deshalb muss Governance auf Identitätsebene Teil der Lösung sein – reine Inhaltsüberwachung reicht nicht. Eine SIEM-Plattform, die Echtzeit-Telemetrie zu Agentenzugriffen von kontrollierten Verbindungspunkten aufnimmt, liefert die Verhaltensgrundlage, um anomale Agentenaktivitäten zu erkennen, bevor sie zum Datenschutzvorfall eskalieren.
Was die Top-Tier-Unternehmen unterscheidet: Governance als Wachstumstreiber
Die wichtigste Erkenntnis der VentureBeat-Umfrage ist nicht der Vertrauensrückgang selbst. Es ist, was die Daten über die Unternehmen am oberen Ende der Reifeskala zeigen. Diese Unternehmen berichten fünfmal häufiger als der Durchschnitt, dass sie keine Hürden bei der Ausweitung ihrer KI-Agenten haben.
Das stellt die Governance-Debatte auf den Kopf. Intuitiv wird angenommen, dass Governance die KI-Einführung verlangsamt – jede Kontrolle zwischen Agent und Datenquelle sei ein Hindernis für den Geschäftsnutzen von KI. Die Umfragedaten zeigen das Gegenteil: Unternehmen, die echte Governance für ihre nicht-menschlichen Identitäten aufgebaut haben – also jeden Agenten sehen, dessen Zugriff auf die tatsächliche Aufgabe beschränken und dessen Aktionen auditieren können – sind am besten aufgestellt, um weitere Agenten einzuführen, ohne an Grenzen zu stoßen. Governance bremst sie nicht – sie ermöglicht das Wachstum, weil das Grundproblem bereits gelöst ist: zu wissen, was vorhanden ist, und zu steuern, worauf es zugreifen kann.
Unternehmen ohne diese Grundlage stoßen an eine andere Grenze. Sie können die ersten Agenten meist problemlos einführen, oft mit geteilten Zugangsdaten, weil das Risiko noch nicht spürbar ist. Doch jeder weitere Agent auf dieser unkontrollierten Basis erhöht das Risiko schneller als den Nutzen – bis Security-, Legal- oder Compliance-Teams eingreifen und das gesamte Programm ausbremsen, weil niemand grundlegende Fragen zu laufenden Agenten beantworten kann. Genau diese Hürde haben die Top-Tier-Unternehmen der VentureBeat-Umfrage bereits genommen – ein klares Argument, Non-Human Identity Governance frühzeitig aufzubauen, statt sie nach einem Vorfall nachzurüsten. Kiteworks bietet die einheitliche Governance-Umgebung – eine Policy Engine, ein Audit-Trail für alle KI-vermittelten und menschlichen Inhaltsflüsse – die Skalierung von Agenten ohne Compliance-Hürden zur operativen Realität macht.
Die Lücke schließen: Was Governance auf Agentenebene wirklich erfordert
Um Non-Human Identity Governance von 21% Verbreitung auf einen annähernd flächendeckenden Standard zu bringen, braucht es einen anderen Ansatz als die meisten bestehenden IAM-Investitionen: Jeder KI-Agent wird als eigene, kontrollierte Identität behandelt – nicht als Erweiterung eines menschlichen oder Servicekontos.
Das beginnt mit Transparenz. Ein Unternehmen kann nur steuern, was es kennt – der erste Schritt ist also, eine vollständige Inventarisierung aller Agenten mit Zugriff auf sensible Daten oder Systeme zu erstellen: Wer hat sie angefordert, worauf können sie zugreifen und warum? Danach müssen Zugriffsrechte pro Agent und pro Aufgabe zugeschnitten werden, statt pauschal übernommen zu werden. Ein Agent, der Verträge zusammenfasst, braucht keinen Schreibzugriff auf die Systeme, in denen sie liegen. Ein Agent, der Kundenfragen beantwortet, benötigt nicht die umfassenden CRM-Rechte des Support-Teams. Attributbasierte Zugriffskontrolle und rollenbasierte Zugriffskontrolle bieten Wege zur feineren Steuerung – aber nur, wenn sie gezielt auf Agenten angewendet werden. Die Anwendung von Datenklassifizierungs-Labels auf Inhalte, auf die Agenten zugreifen können, ermöglicht es Policy Engines, bei jeder Anfrage sensitivitätsbasierte Einschränkungen durchzusetzen – die Voraussetzung für präzise ABAC-Governance.
Jede Interaktion muss zudem auf Agentenebene protokolliert werden, nicht auf Basis geteilter Zugangsdaten. So kann das Compliance-Team oder ein Auditor im Nachhinein genau nachvollziehen, welcher Agent was getan hat – statt nur einen gemeinsamen Serviceaccount zu sehen. Das ist das Designprinzip hinter dem Secure MCP Server, der KI-Agenten einen kontrollierten, auditierbaren Zugangspunkt zu sensiblen Inhalten bietet – statt eines dauerhaften, unkontrollierten Credentials. Statt ein Agent übernimmt die Rechte eines Menschen oder eines Servicekontos, authentifiziert er sich via OAuth 2.0 mit Tokens im Credential Store des Betriebssystems – nie direkt im KI-Modell – und jede Anfrage wird in Echtzeit gegen RBAC- und ABAC-Policies geprüft, inklusive Rate Limiting, um das Extraktionsvolumen einzelner Agenten zu begrenzen.
Dasselbe Prinzip gilt für die Steuerung, welche Daten ein KI-Modell oder Agent überhaupt sehen und bearbeiten darf. Kiteworks Compliant AI erzwingt Policy dort, wo sensible Inhalte auf ein KI-System treffen – mit Datenklassifizierung und einer Data Policy Engine, sodass Zugriffsentscheidungen für jede Anfrage individuell getroffen werden, statt auf einer pauschalen Berechtigung zu beruhen. Diese Kombination – ein kontrollierter Zugangspunkt für Agenten plus Policy Enforcement auf Datenebene – macht aus „Non-Human Identity Governance“ mehr als eine Umfragekategorie: Jeder Agent hat eine eigene Identität, eigene Berechtigungen und einen eigenen Audit-Trail – und keiner nutzt die Zugangsdaten eines Menschen, um seine Aufgabe zu erfüllen.
Dafür müssen Unternehmen die KI-Einführung nicht verlangsamen. Sie müssen die Governance-Schicht parallel zu den Agenten aufbauen – nicht erst im Nachhinein. Genau das unterscheidet die Top-Tier-Unternehmen der VentureBeat-Umfrage von denjenigen, die noch darauf warten, dass das Governance-Programm mit einer bereits gewachsenen Agentenpopulation Schritt hält.
Erfahren Sie mehr darüber, wie Sie die Governance-Lücke bei nicht-menschlichen Identitäten mit agentenbasierten Zugriffskontrollen und auditierbaren KI-Verbindungen schließen können – vereinbaren Sie jetzt eine individuelle Demo.
Häufig gestellte Fragen
Der Rückgang spiegelt eine ehrlichere Selbsteinschätzung wider, keinen Rückschritt bei der KI-Einführung. Mit der Verbreitung nicht-menschlicher Identitäten und KI-Agenten erhielten IT-Führungskräfte einen klareren Blick darauf, wie viel AI Data Governance noch offen ist – und die Reifewerte sanken entsprechend der Realität, nicht mehr der früheren, optimistischeren Einschätzung. Die Einführung von KI-Tools stieg im selben Zeitraum weiter an; geändert hat sich, wie streng die Verantwortlichen ihre eigene Governance daran messen. Unternehmen mit gesetzlichen Compliance-Pflichten – HIPAA, DSGVO, CMMC – sollten diese Umfrage als externen Anlass nutzen, eine eigene, formale Risikoanalyse ihrer nicht-menschlichen Identitäten durchzuführen, da Aufsichtsbehörden künftig auch den KI-Datenzugriff nach denselben Rahmenwerken bewerten werden wie den menschlicher Anwender.
Non-Human Identity Governance umfasst die Richtlinien, Tools und Prozesse zur Inventarisierung, Steuerung, Überwachung und Stilllegung von Identitäten, die KI-Agenten, Servicekonten und API-Integrationen zugeordnet sind – im Unterschied zu menschlichen Identitäten. Es geht um Fragen wie: Wer ist für einen bestimmten Agenten verantwortlich? Auf welche Daten und Systeme kann er zugreifen? Entspricht dieser Zugriff seiner Aufgabe? Wird seine Aktivität so protokolliert, dass sie auditierbar ist? Kiteworks adressiert dies mit Access Controls und kontrollierten Verbindungspunkten, die Agentenzugriffe aufgabenspezifisch beschränken, statt pauschale, dauerhafte Berechtigungen zu vergeben. Programme zum Management von Lieferkettenrisiken sollten diese Governance auch auf KI-Agenten von Drittanbietern ausweiten – ein von einem Vendor bereitgestellter Agent mit weitreichenden Rechten im eigenen Umfeld ist ein Supply-Chain-Risiko, das die meisten aktuellen Vendor-Governance-Frameworks nicht explizit abdecken.
Jeder KI-Agent, automatisierte Workflow und jede Systemintegration benötigt in der Regel eine eigene Identität zur Authentifizierung und zum Betrieb – und Unternehmen setzen diese viel schneller ein, als sie Mitarbeitende einstellen. Eine einzelne Fachabteilung, die agentenbasierte KI für Support, Dokumentenverarbeitung oder Programmierhilfe nutzt, kann in der Zeit, in der ein neuer Mitarbeiter eingearbeitet wird, Dutzende nicht-menschliche Identitäten hinzufügen. Deshalb fand VentureBeat diesen Anteil bereits bei 83% der befragten Unternehmen. Die meisten Identity and Access Management-Programme sind auf dieses Wachstum nicht ausgelegt. Data-Governance-Frameworks, die nicht-menschliche Identitäten explizit einschließen – mit festgelegten Verantwortlichen, regelmäßigen Zugriffsüberprüfungen und Stilllegungsprozessen – sind der organisatorische Hebel, um IAM-Disziplinen auf eine Identitätspopulation auszuweiten, die schneller wächst als HR-gesteuerte Provisionierungsprozesse mithalten können.
Die Umfragedaten sprechen für das Gegenteil. Unternehmen im höchsten Reifegrad – also mit der ausgereiftesten Governance – berichten fünfmal häufiger, dass es keine Hürden für die Ausweitung ihrer KI-Agenten gibt, weil sie bereits die nötige Transparenz und Zugriffskontrolle haben, um Agenten ohne unkontrollierbares Risiko hinzuzufügen. Unternehmen ohne diese Grundlage stoßen später auf Probleme, wenn Security- oder Compliance-Teams eingreifen müssen, weil niemand den Überblick über laufende Agenten hat – das ist eine deutlich größere Bremse als Governance von Anfang an einzubauen. Diese Grundlage früh zu schaffen, statt sie nachträglich einzuführen, ist der Unterschied zwischen proaktivem KI-Risikomanagement und reaktivem Handeln unter Druck. Ein Incident-Response-Plan, der Agentenfehlfunktionen und Credential-Exfiltration explizit abdeckt – mit definierten Rollback-Prozessen und Meldepflichten – ist die operative Ergänzung zur Governance-Architektur: Er regelt, was nach der Erkennung passiert, nicht nur, wie erkannt wird.
Starten Sie mit einer Inventarisierung: Identifizieren Sie alle KI-Agenten, Servicekonten und Integrationen, die aktuell Zugriff auf sensible Systeme oder Daten haben, und klären Sie, wer jeweils verantwortlich ist und warum der Zugriff besteht. Im nächsten Schritt sollten Sie die Berechtigungen jedes Agenten auf seine konkrete Aufgabe beschränken, statt geteilte Zugangsdaten zu nutzen, und Agentenzugriffe auf sensible Inhalte über einen kontrollierten Verbindungspunkt wie den Secure MCP Server leiten, sodass jede Aktion einer spezifischen, verantwortlichen Identität zugeordnet wird. Die Datenklassifizierung der Inhalte, auf die Agenten zugreifen dürfen, ist die Voraussetzung, damit ABAC-basierte Zugriffsbeschränkungen durchgesetzt werden können – ohne sie kann eine Policy Engine keine sensitivitätsbasierten Einschränkungen auf Agentenanfragen anwenden. Die resultierenden Agenten-Logs in Echtzeit an eine SIEM-Plattform zu übergeben, gibt Security-Teams die Verhaltensgrundlage, um anomale Agentenaktivitäten zu erkennen, bevor sie zu einem meldepflichtigen Vorfall eskalieren.
Weitere Ressourcen
- Blogbeitrag
Zero‑Trust-Strategien für kostengünstigen KI-Datenschutz - Blogbeitrag
Wie 77% der Unternehmen bei der KI-Datensicherheit scheitern - eBook
AI Governance Gap: Warum 91% kleiner Unternehmen 2025 russisches Roulette mit Datensicherheit spielen - Blogbeitrag
Für Ihre Daten gibt es kein „–dangerously-skip-permissions“ - Blogbeitrag
Aufsichtsbehörden fragen nicht mehr, ob Sie eine KI-Policy haben. Sie wollen Beweise, dass sie funktioniert.