{"id":33937,"date":"2026-11-02T11:20:21","date_gmt":"2026-11-02T09:20:21","guid":{"rendered":"https:\/\/www.kaspersky.de\/blog\/?p=33937"},"modified":"2026-11-02T11:20:21","modified_gmt":"2026-11-02T09:20:21","slug":"tokenomics-ai-and-cybersecurity","status":"publish","type":"post","link":"https:\/\/www.kaspersky.de\/blog\/tokenomics-ai-and-cybersecurity\/33937\/","title":{"rendered":"„Tokenomics“ \u2013 direkte Auswirkungen auf die Cybersicherheitsabteilung"},"content":{"rendered":"

Eben erst haben wir \u00fcber \u201eTokenomics\u201c<\/a> und \u201eDenial-of-Wallet\u201c-Angriffe berichtet\u00a0\u2013 neuartige DDoS-Angriffe, die darauf abzielen, KI-Token massenhaft zu verplempern. Bevor Sicherheitsexperten sich jedoch um die KI-Prozesse in anderen Abteilungen k\u00fcmmern, sollten sie \u00fcberlegen, wie die Abteilung f\u00fcr Informationssicherheit vor solchen Angriffen gesch\u00fctzt werden kann. KI-basierte Automatisierung wird derzeit in vielerlei Varianten aktiv von Sicherheitsteams getestet und implementiert. Dabei sind externe Eingriffe, die das Abwehrsystem lahmlegen k\u00f6nnten, eine Bedrohung, die auch f\u00fcr interne Prozesse und Technologien im Sicherheitsbereich relevant ist.<\/p>\n

Nach Sch\u00e4tzungen<\/a> des Sicherheitslabors Elastic kann schon die \u00dcberpr\u00fcfung eines einzigen Alarms von einem Host relativ teuer werden. Ein wichtiger Faktor ist die \u201eagentenbasierte SOC\u201c-Architektur. M\u00f6gliche Kosten f\u00fcr eine Triage: 0,69 US-Dollar f\u00fcr ein Ensemble hoch spezialisierter Agenten oder 3,42 US-Dollar f\u00fcr einen universellen Agenten mit 14 verschiedenen F\u00e4higkeiten.<\/p>\n

Diese Durchschnittswerte k\u00f6nnen in der Praxis noch weiter in die H\u00f6he schnellen. Die elementare Verarbeitung einer einfachen Warnung (z.\u00a0B. tausend Token) kann sich jederzeit in eine kaskadierende Untersuchung verwandeln, an der Millionen von Protokolleintr\u00e4gen, API-Aufrufen und damit verbundenen Daten beteiligt sind. Dann sind innerhalb weniger Minuten<\/a> schnell Millionen von Token verbraucht.<\/p>\n

Elastic hat erkl\u00e4rt, dass es Claude Sonnet 4.6 in seinem SOC einsetzt. Naheliegende Frage: Was passiert, wenn das Budget ersch\u00f6pft ist oder die Sicherheitsfilter des Modells ausgel\u00f6st werden? Schlimmstes Szenario: Es werden verd\u00e4chtige Ereignisse gemeldet, die auf die Ausweitung eines Angriffs in der Infrastruktur hinweisen k\u00f6nnten. Zur Untersuchung startet das KI-gest\u00fctzte SOC ein \u201eOrchester von Agenten\u201c. Ein Agent ruft die Anthropic-API auf, aber das Monatsbudget der Abteilung ist aufgebraucht und die API gibt Fehler zur\u00fcck. Die Ermittlungen kommen zum Erliegen. Das Team erf\u00e4hrt allerdings erst einen halben Tag sp\u00e4ter davon. Da die \u201eSicherheitsfilter\u201c bei gro\u00dfen KI-Anbietern st\u00e4ndig ge\u00e4ndert werden, k\u00f6nnten die Anfragen des SOC als b\u00f6sartig eingeordnet werden. Der Effekt w\u00e4re \u00e4hnlich, auch wenn in diesem Fall das Budget noch gar nicht ersch\u00f6pft w\u00e4re. Diese traurige Erfahrung machte Hugging Face<\/a>, als der Angriff auf seine Infrastruktur durch OpenAI analysiert wurde.<\/p>\n

Angreifern kommen solche Szenarien nat\u00fcrlich sehr gelegen. Sie haben damit direkten Einfluss auf die Sicherheitskosten, die einem Unternehmen entstehen. Dazu f\u00fcgen sie einfach sch\u00e4dliche Prompts in die verf\u00fcgbaren Daten (DNS-TXT-Datens\u00e4tze, HTTP-Header, Code-Kommentare, Dateinamen usw.) ein und verlassen sich darauf, dass Informationssicherheitssysteme auf diese Prompts hereinfallen. Im Fall des GhostJacking-<\/a>Angriffs dienen beispielsweise WAF-Protokolle als Vektor f\u00fcr die Prompt-Injektion. In einer Studie wurde eine weitere Methode getestet: Forschern gelang ein erfolgreicher Angriff auf die LLM-<\/a>Sicherheitsfilter<\/a>. Als Folge erh\u00f6hte sich die Verz\u00f6gerung von Anfragen um das 148-fache und die Anzahl der verbrauchten Token um das 63-fache. Mit anderen Worten: Das System funktioniert scheinbar weiterhin ordnungsgem\u00e4\u00df. In Wirklichkeit steigen aber die Latenz bei der Verarbeitung von Warnungen und die damit verbundenen Kosten ins Unermessliche.<\/p>\n

Gefahr durch ger\u00e4uschlosen Ausfall<\/h2>\n

In agentenbasierten Szenarien zeigt sich die Ersch\u00f6pfung des Budgets nicht unbedingt als expliziter Fehler mit der Meldung \u201eAnforderungslimit \u00fcberschritten\u201c und einer umgehenden Benachrichtigung der Verantwortlichen. Je nach Konfiguration sind auch \u201eGuerilla\u201c-Szenarien denkbar: Wenn bei einer Anfrage an das Modell das Zeitlimit \u00fcberschritten wird, wechselt das System automatisch zu einem billigeren Modell. Dadurch sinkt die Qualit\u00e4t der Ausgaben und die Ausf\u00fchrung von Subagenten und periodischen Aufgaben wird eingestellt. Das Sicherheitsteam glaubt m\u00f6glicherweise stundenlang, dass alles wie vorgesehen funktioniert.<\/p>\n

So kontrollierst du die KI-Kosten f\u00fcr Cybersicherheit<\/h2>\n

Beim Kostenmanagement darf es nat\u00fcrlich nicht nur um die \u201eVermeidung von Mehrausgaben\u201c gehen. In diese Falle sind viele Unternehmen bereits bei der SIEM-Implementierung getappt: Als die Abrechnung nach der Menge der gesammelten Telemetriedaten eingef\u00fchrt wurde, begannen Unternehmen, die Protokollierung selektiv (aber nicht immer effektiv) einzuschr\u00e4nken. Daraus ergab sich eine l\u00fcckenhafte Erkennung. Die gleiche Situation k\u00f6nnte bei Token eintreten, nur noch rasanter und in gr\u00f6\u00dferem Umfang. Eine unausgereifte Richtlinie, die auf Kostensenkung fixiert ist, k\u00f6nnte die Genauigkeit von Untersuchungen und die Qualit\u00e4t der Antworten beeintr\u00e4chtigen. Doch was passiert, wenn eine solche Richtlinie \u00fcberhaupt fehlt? Wer entscheidet dann \u00fcber Einsparungen? Leider nicht der Systemarchitekt oder CISO, w\u00e4hrend das System entwickelt wird, sondern ein diensthabender, \u00fcberm\u00fcdeter Analyst um 3 Uhr nachts. Oder der Systemhersteller hat einen Grenzwert vorgegeben, der die Sache automatisch regelt.<\/p>\n

Es gibt ein paar einfache Prinzipien, um vorhersehbare Kosten\u00fcberschreitungen zu vermeiden und unvorhersehbare Situationen besser zu bew\u00e4ltigen.<\/p>\n

Aufgaben, die mit einer Standardabfrage erledigt werden k\u00f6nnen, sollten nicht an das KI-Modell gehen. <\/strong>Alles, was sich wiederholt und im Voraus bekannt ist, sollte auf traditionelle Weise mit Regeln und Datenabfragen abgearbeitet werden. Diese Abfragen k\u00f6nnen zwar mithilfe von KI entwickelt werden, m\u00fcssen jedoch festgelegten Abl\u00e4ufen folgen. Ein KI-Modell sollte nur dort verwendet werden, wenn es wirklich um die Bewertung einer mehrdeutigen Situation geht.<\/p>\n

Verwende strenge Grenzwerte und warne die Nutzer offensiv, wenn diese Werte \u00fcberschritten werden. <\/strong>Limits sollten kombiniert werden: ein Limit pro Aufgabe, ein Limit pro Tag und so weiter. Sobald Grenzwerte \u00fcberschritten werden, m\u00fcssen sowohl die diensthabenden Analysten als auch die Systemadministratoren gewarnt werden. Und zwar sofort!<\/p>\n

Entscheide im Voraus, was passiert, wenn ein Limit erreicht wird. <\/strong>Egal, ob du das KI-Modell in solchen F\u00e4llen anhalten und Kosten sparen willst\u00a0\u2013 und dadurch die Kontrolle verlierst\u00a0\u2013 oder ob das Modell weiterlaufen soll und du daf\u00fcr extra bezahlen musst. Diese Entscheidung muss getroffen werden, bevor ein Vorfall eintritt.<\/p>\n

Beschr\u00e4nke die Berechtigungen und die Tools, die die Agenten nutzen k\u00f6nnen. <\/strong>Je weniger Aktionen dem System zur Verf\u00fcgung stehen, desto effektiver arbeitet es an einer konkreten Aufgabe, desto weniger M\u00f6glichkeiten hat es, die Kosten in die H\u00f6he zu treiben, und desto geringer ist die Wahrscheinlichkeit, dass es von Au\u00dfenstehenden \u201eausgenutzt\u201c wird.<\/p>\n

Unterziehe externe, nicht vertrauensw\u00fcrdige Daten einer strengen Untersuchung. <\/strong>Externe Daten k\u00f6nnen nicht nur zu Prompt-Injektionen f\u00fchren, sondern auch die Auslastung bewusst erh\u00f6hen. Zu diesen Daten z\u00e4hlen eingehende Anfragen, Aufforderungen, Nachrichten und Kommentare sowie verschiedene technische Felder mit beliebigen Textinhalten (DNS-Eintr\u00e4ge, HTTP-Header, Dateinamen). Begrenze ihre Gr\u00f6\u00dfe und \u00fcberwache die von ihnen erzeugte Last.<\/p>\n

Bereite dich darauf vor, Ausf\u00e4lle bei externen Anbietern abzufangen. Auch in solchen Situationen solltest du die volle Kontrolle \u00fcber die Daten deines Unternehmens behalten. Ein vielversprechender Ansatz sind lokale Modelle, die \u201eon-premises\u201c bereitgestellt werden<\/strong>\u00a0\u2013 zumindest f\u00fcr den Bereich Informationssicherheit. Selbst wenn diese Modelle nicht dem neuesten Stand der Technik entsprechen, sorgen die enge Spezialisierung und das gezielte Training mit Unternehmensdaten f\u00fcr Effizienz und Betriebssicherheit.<\/p>\n

In einer komplexeren Architektur kann die Verwendung von LLMs in mehrere Ebenen unterteilt werden<\/strong>. Die erste Abwehrlinie (Routing, Rauschfilterung, Datenanreicherung) wird von kompakten lokalen Modellen \u00fcbernommen. Dadurch werden die Budgetschwankungen erheblich reduziert. Die zweite Ebene bildet ein gro\u00dfes lokales Modell, das die inhaltliche Arbeit erledigt: Es verkn\u00fcpft Ereignisse, testet Hypothesen und erstellt ein Gesamtbild des Vorfalls. Dieses Modell wird nicht nach Anzahl der Anfragen abgerechnet, sondern sein Durchsatz ist begrenzt. Daher kann es anstelle von Budget\u00fcberschreitungen zu \u00dcberlastungen und Ereigniswarteschlangen kommen. Nur konkrete, wirklich schwierige F\u00e4lle werden an f\u00fchrende cloudbasierte Modelle weitergeleitet, m\u00f6glichst mit ausdr\u00fccklicher Genehmigung eines menschlichen Analysten. Auch in diesem Schema gibt es variable Kosten. Sie betreffen jedoch eine \u00fcberschaubare Anzahl von \u201eharten N\u00fcssen\u201c, bei denen die Weiterleitung auf einer bewussten Entscheidung beruht und kein zuf\u00e4lliger Nebeneffekt ist.<\/p>\n

Eigentlich entspricht das gesamte Vorgehen dem klassischen mehrstufigen SOC-Modell: Auf der ersten Ebene wird gefiltert und auf der dritten Ebene wird analysiert. Nur werden diese Rollen inzwischen von Modellen \u00fcbernommen, nicht mehr von Menschen.<\/p>\n\n","protected":false},"excerpt":{"rendered":"

Wie wirken sich die Abh\u00e4ngigkeiten von KI auf die Cybersicherheit eines Unternehmens aus?<\/p>\n","protected":false},"author":2722,"featured_media":33938,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1848,3107,3108],"tags":[4297,274,2774,1520,3849,3118,645,1654],"class_list":["post-33937","post","type-post","status-publish","format-standard","has-post-thumbnail","category-business","category-enterprise","category-smb","tag-autonomes-soc","tag-bedrohungen","tag-budget","tag-ki","tag-ml","tag-soc","tag-technologie","tag-tips"],"hreflang":[{"hreflang":"de","url":"https:\/\/www.kaspersky.de\/blog\/tokenomics-ai-and-cybersecurity\/33937\/"},{"hreflang":"en-in","url":"https:\/\/www.kaspersky.co.in\/blog\/tokenomics-ai-and-cybersecurity\/31131\/"},{"hreflang":"en-ae","url":"https:\/\/me-en.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/26165\/"},{"hreflang":"ar","url":"https:\/\/me.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/13757\/"},{"hreflang":"en-gb","url":"https:\/\/www.kaspersky.co.uk\/blog\/tokenomics-ai-and-cybersecurity\/30971\/"},{"hreflang":"es-mx","url":"https:\/\/latam.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/29565\/"},{"hreflang":"es","url":"https:\/\/www.kaspersky.es\/blog\/tokenomics-ai-and-cybersecurity\/32542\/"},{"hreflang":"it","url":"https:\/\/www.kaspersky.it\/blog\/tokenomics-ai-and-cybersecurity\/31073\/"},{"hreflang":"ru","url":"https:\/\/www.kaspersky.ru\/blog\/tokenomics-ai-and-cybersecurity\/42810\/"},{"hreflang":"tr","url":"https:\/\/www.kaspersky.com.tr\/blog\/tokenomics-ai-and-cybersecurity\/14993\/"},{"hreflang":"x-default","url":"https:\/\/www.kaspersky.com\/blog\/tokenomics-ai-and-cybersecurity\/56523\/"},{"hreflang":"fr","url":"https:\/\/www.kaspersky.fr\/blog\/tokenomics-ai-and-cybersecurity\/24492\/"},{"hreflang":"pt-br","url":"https:\/\/www.kaspersky.com.br\/blog\/tokenomics-ai-and-cybersecurity\/25399\/"},{"hreflang":"ru-kz","url":"https:\/\/blog.kaspersky.kz\/tokenomics-ai-and-cybersecurity\/31135\/"},{"hreflang":"en-au","url":"https:\/\/www.kaspersky.com.au\/blog\/tokenomics-ai-and-cybersecurity\/36876\/"},{"hreflang":"en-za","url":"https:\/\/www.kaspersky.co.za\/blog\/tokenomics-ai-and-cybersecurity\/36545\/"}],"acf":[],"banners":"","maintag":{"url":"https:\/\/www.kaspersky.de\/blog\/tag\/ki\/","name":"KI"},"_links":{"self":[{"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/posts\/33937","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/users\/2722"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/comments?post=33937"}],"version-history":[{"count":3,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/posts\/33937\/revisions"}],"predecessor-version":[{"id":33940,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/posts\/33937\/revisions\/33940"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/media\/33938"}],"wp:attachment":[{"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/media?parent=33937"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/categories?post=33937"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kaspersky.de\/blog\/wp-json\/wp\/v2\/tags?post=33937"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}