Die Deutsche Telekom untersucht, wie KI-Modelle wie GPT-5.5 Cyber bestehende Sicherheitsprüfungen effizienter und umfassender machen können. Welche Herausforderungen und Grenzen dabei entstehen, bleibt offen
Die Deutsche Telekom hat im Rahmen eines Pilotprojekts analysiert, wie sich KI-Modelle in bestehende Prozesse der Cybersicherheitsprüfung integrieren lassen. Ziel war es, die Effizienz und Reichweite von Sicherheitsanalysen zu erhöhen, ohne die Qualität der Ergebnisse zu beeinträchtigen. Hintergrund ist die wachsende Zahl potenzieller Schwachstellen in IT-Systemen, die mit klassischen Methoden nur begrenzt abgedeckt werden können. Die Untersuchung konzentrierte sich auf die Frage, ob etablierte Prüfverfahren mithilfe von KI auf größere Systemlandschaften anwendbar sind, ohne dass der Personalaufwand proportional steigt.
Automatisierung und KI in der Sicherheitsprüfung
Im Projekt wurden automatisierte Verfahren und KI-gestützte Anwendungen wie GPT-5.5 Cyber von OpenAI in bestehende, bereits teilautomatisierte Prüfprozesse eingebunden. Während Security-Scanner und automatisierte Tools in vielen Unternehmen zum Standard gehören, werden umfassende Analysen bislang oft nur selektiv durchgeführt - etwa bei besonders kritischen Systemen oder bei konkretem Verdacht. Die Telekom testete, inwieweit der Einsatz von GPT-5.5 Cyber die Abdeckung auf eine größere Zahl von Systemen ausweiten kann. Nach Unternehmensangaben zeigte sich, dass die Methodik grundsätzlich skalierbar ist, jedoch auch Folgeprozesse wie das Management und die Priorisierung von Findings angepasst werden müssen.
Konkrete Anwendungsfälle und Ergebnisse
Im ersten Anwendungsfall unterstützte GPT-5.5 Cyber das Red Team bei der Analyse internetexponierter Endpunkte der Unternehmens-IT. Dabei wurden nicht nur bekannte Schwachstellen überprüft, sondern auch zusätzliche potenzielle Angriffswege identifiziert, die bei herkömmlicher Betrachtung möglicherweise unentdeckt geblieben wären. Der Mehrwert lag vor allem darin, dass die gleiche Methodik auf eine größere Zahl von Systemen angewendet werden konnte. Im zweiten Szenario analysierte das System automatisiert Quellcode in GitLab-Repositories. Tausende Codezeilen aus verschiedenen Produkten und Services wurden auf sicherheitskritische Muster und potenzielle Schwachstellen untersucht. Dies ermöglichte erstmals eine nahezu vollständige Bestandsaufnahme relevanter Code-Artefakte im laufenden Betrieb, ohne dass ein konkreter Anlass wie ein Audit erforderlich war.
Folgen für Prozesse und Organisation
Mit der Skalierung der Analysen steigt auch die Zahl der identifizierten Auffälligkeiten. Die Telekom betont, dass Unternehmen ihre nachgelagerten Prozesse wie Vulnerability Management, Patch Management und Risikobewertung weiter automatisieren und besser verzahnen müssen, um von der Effizienzsteigerung tatsächlich zu profitieren. Die Herausforderung besteht weniger darin, mehr Hinweise zu generieren, sondern darin, die zusätzlichen Erkenntnisse strukturiert in operative Maßnahmen zu überführen. KI-Agenten wie Codex könnten künftig nicht nur Schwachstellen erkennen, sondern auch automatisiert Codeanpassungen vorschlagen und deren Umsetzung prüfen. Damit verschiebt sich der Fokus von der reinen Analyse hin zur Integration von KI in den gesamten Sicherheitsprozess.
Vergleich mit anderen KI-Anwendungen im Unternehmen
Die Integration von KI in Sicherheitsprozesse steht beispielhaft für die wachsende Bedeutung automatisierter Analysen in Unternehmen. Auch andere Anbieter wie Anthropic entwickeln Lösungen, die Arbeitsabläufe dokumentieren und automatisieren. So wurde etwa für Claude Cowork eine Funktion zur Aufzeichnung von Arbeitsprozessen angekündigt, wie hier berichtet. Die Erfahrungen aus dem Telekom-Projekt zeigen, dass der Einsatz von KI nicht nur technische, sondern auch organisatorische Anpassungen erfordert. Offen bleibt, wie sich die Skalierung von Sicherheitsanalysen langfristig auf die Arbeitsweise von Sicherheitsteams und die gesamte IT-Organisation auswirkt.
Im Kontext von Cybersicherheit bezeichnet Vulnerability Management den Prozess, Schwachstellen in IT-Systemen systematisch zu identifizieren, zu bewerten und zu beheben. Mit zunehmender Automatisierung durch KI-Modelle verschiebt sich der Schwerpunkt von der manuellen Analyse hin zur Integration automatisierter Workflows. Entscheidend bleibt, dass die Bewertung und Priorisierung der Findings nachvollziehbar und risikoorientiert erfolgt, um Ressourcen gezielt einzusetzen und die Sicherheit im Unternehmen nachhaltig zu stärken.
