Verborgene Risiken im hybriden Unternehmen
Das Wachstum von Cloud Computing, die Einführung von SaaS, Remote-Arbeit und dezentrale Beschaffungsprozesse haben die Technologielandschaft dynamischer und schwieriger zu steuern gemacht.
Geräte verbinden sich von außerhalb traditioneller Netzwerkgrenzen. Anwendungen werden von Geschäftsbereichen beschafft. Cloud-Ressourcen können schnell entstehen oder wieder verschwinden. Mitarbeitende führen neue Services ein, um unmittelbare geschäftliche Herausforderungen zu lösen. Operative Informationen verteilen sich auf Tools, die von IT, Security, Finance, Procurement und einzelnen Geschäftsbereichen verwaltet werden.
KI verstärkt zudem die Cyberbedrohungslandschaft, senkt Einstiegshürden und ermöglicht es Angreifern, bekannte Taktiken mit höherer Geschwindigkeit, Reichweite und Raffinesse zu skalieren. In Gartners Umfrage 2025 unter 302 Cybersicherheitsverantwortlichen berichteten 62 %, dass ihre Organisationen einen Deepfake-Angriff erlebt hatten, der Social Engineering oder die Ausnutzung automatisierter Prozesse umfasste.
Gleichzeitig treiben Organisationen die Integration künstlicher Intelligenz in die tägliche Arbeit zügig voran. KI kann Teams dabei unterstützen, Probleme zu untersuchen, große Informationsmengen zu analysieren, Berichte zu erstellen, Maßnahmen zu empfehlen und Workflows zu koordinieren. Doch das Vertrauen in die Informationen, auf denen diese Initiativen beruhen, hat mit dem Anspruch, sie einzusetzen, nicht Schritt gehalten.
Eine Untersuchung aus „2025 Outlook: Data Integrity Trends and Insights“, durchgeführt von Precisely und der Drexel University, verdeutlicht das Ausmaß der Herausforderung. Nur 12 % der befragten Organisationen gaben an, dass ihre Daten für eine wirksame KI-Implementierung von ausreichender Qualität und Zugänglichkeit seien. Zwei Drittel (67 %) vertrauten den für Entscheidungen genutzten Daten nicht vollständig, während 62 % mangelnde Data Governance als zentrale Datenherausforderung nannten, die KI-Initiativen behindert.
Die Herausforderung besteht nicht mehr darin, ob Organisationen über genügend operative Daten verfügen. Entscheidend ist, ob Menschen und KI feststellen können, welche Informationen aktuell, maßgeblich, verknüpft und handlungssicher sind. Je stärker KI in operative Workflows eingebettet wird, desto stärker hängt die Qualität von Entscheidungen von der Qualität des zugrunde liegenden Kontexts ab.
Für IT-Verantwortliche wird diese Herausforderung jedoch in den operativen Fragen konkret, die Teams täglich beantworten müssen:
- Ist dieses Gerät aktiv und verwaltet?
- Welche Softwareversion ist tatsächlich installiert?
- Wem gehört der Endpoint?
- Besteht die gemeldete Schwachstelle noch?
- Ist das Gerät in einem ausreichend guten Zustand, um einen Patch zu erhalten?
- Würde die Behebung Mitarbeitende, einen aktiven Vorfall oder einen kritischen Geschäftsprozess unterbrechen?
- War die Maßnahme erfolgreich?
Die Antworten, die Teams benötigen, können über Beschaffung, Endpoint-Management, Softwareinventarisierung, Service-Management, Security- und Employee-Experience-Systeme verteilt sein. Wenn diese Systeme voneinander abweichen, müssen Teams validieren, welche Informationen aktuell und maßgeblich sind, bevor sie handeln können.
Diese Unsicherheit hat schon immer Reibung verursacht, doch KI macht sie folgenreicher: Fragmentierte oder widersprüchliche Informationen beeinflussen nicht mehr nur menschliche Analysen, sondern werden zum Kontext für Assistenten, Modelle, Automatisierung und Agents.
KI skaliert alles, worauf sie basiert
KI kann operative Informationen schneller analysieren als menschliche Teams, aber Geschwindigkeit gleicht keine widersprüchlichen Datensätze ab und etabliert keine verlässlichen Datenquellen.
Ein einzelner Laptop kann in Discovery-, Endpoint-Management-, Service-Management- und Security-Tools als mehrere Datensätze erscheinen. Der aufgeführte Besitzer kann sich geändert haben. Ein System kann ihn als aktiv einstufen, während ein anderes ihn seit Wochen nicht mehr gesehen hat. Ein Schwachstellenscanner kann eine Exposition identifizieren, ohne zu bestätigen, ob die betroffene Software noch installiert ist oder ob ein früherer Behebungsversuch erfolgreich war.
Eine KI-Erfahrung kann aus diesen Informationen eine flüssige, technisch plausibel wirkende Empfehlung erzeugen. Wenn der zugrunde liegende Kontext jedoch unsicher ist, ist die Empfehlung möglicherweise operativ nicht verlässlich. KI kann diese Unsicherheit dann mit hoher Geschwindigkeit verarbeiten und weitergeben und ihre Folgen über Berichte, Workflows und Maßnahmen hinweg verstärken.
Das Risiko steigt, wenn KI über immer mehr Kanäle in die Organisation gelangt. Während einige Erfahrungen innerhalb etablierter Kontrollen arbeiten, können andere – z. B. von Mitarbeitenden ausgewählte Assistenten oder Agents, die ohne ausreichende Aufsicht verbunden werden – außerhalb dieser Kontrollen agieren und so das schaffen, was gemeinhin als Shadow AI bezeichnet wird.
„Shadow AI 2025“ von Google Cloud zeigt, dass das Risiko über die Nutzung von Consumer-KI-Tools durch Mitarbeitende hinausgeht. Es umfasst auch KI auf Enterprise-Niveau, die ohne angemessene Unternehmensaufsicht eingeführt wird, sowie „Shadow Agents“, die ohne IT-Kontrolle auf Informationen zugreifen, Aufgaben ausführen oder mit Systemen interagieren können.
Dies führt unmittelbar zu einem Datenschutzproblem, da sensible Informationen mit Tools geteilt werden können, die die Organisation weder beobachten noch steuern kann. Zudem entsteht ein Problem der operativen Konsistenz. Ohne ein gemeinsames Verständnis davon, was maßgeblich ist, können verschiedene KI-Erfahrungen unterschiedliche Datensätze nutzen, mit unterschiedlichen Berechtigungen arbeiten und zu unterschiedlichen Schlussfolgerungen gelangen.
Governance muss über das KI-Modell hinausgehen
IBMs Sicherheitsverletzungsstudie 2025 zeigt, wie weit verbreitet diese Governance-Lücken weiterhin sind. Die Studie von 600 von Sicherheitsverletzungen betroffenen Organisationen aus 17 Branchen ergab, dass 63 % entweder keine KI-Governance-Richtlinie hatten oder noch an deren Entwicklung arbeiteten. Unter Organisationen mit KI-Governance-Richtlinien prüften nur 34 % regelmäßig auf nicht genehmigte KI. IBM meldete außerdem weltweit durchschnittliche Kosten pro Sicherheitsverletzung von 4,44 Millionen US-Dollar im Jahr 2025.
Die Ergebnisse zeigen, warum Organisationen genehmigte KI nicht nur auf Modell- oder Schnittstellenebene steuern können. Sie müssen auch den operativen Kontext steuern, den sie der KI bereitstellen.
Die Antwort besteht nicht einfach darin, KI Zugriff auf mehr Daten zu geben. Es geht darum, eine Grundlage zu schaffen, die genehmigten KI-Erfahrungen hilft zu verstehen, welche Daten real sind, was sie bedeuten und was sie damit tun dürfen.
KI-Vertrauen entsteht vorgelagert
KI kann Vertrauen nicht aus sich heraus herstellen. Selbst ein anspruchsvolles Modell kann auf Basis eines duplizierten Geräts, eines veralteten Softwaredatensatzes, eines falschen Besitzers oder einer fehlenden operativen Historie plausibel schlussfolgern. Organisationen müssen Vertrauen daher vorgelagert schaffen – beginnend mit operativer Wahrheit: erkennen, was vorhanden ist, und die Assets, Software, Benutzer und Datensätze validieren, von denen Entscheidungen abhängen.
Vertrauen vertieft sich durch gemeinsamen Kontext, indem validierte Datensätze mit Besitz, Gerätezustand, Beziehungen, Abhängigkeiten, Lebenszyklus, Risiko, Employee Experience und geschäftlichen Auswirkungen verknüpft werden. Handlungsfähig wird es durch Governance, Zugriffskontrollen, Empfehlungen, Genehmigungen, Ausführung, Verantwortlichkeit und Verifizierung.
Zusammen bilden diese drei Praktiken – operative Wahrheit herstellen, gemeinsamen Kontext schaffen sowie Intelligenz und Maßnahmen steuern – ein kontinuierliches Betriebsmodell für KI-fähige Abläufe und nicht nur eine einmalige Datenbereinigung. Unser Webinar „AI Is Only as Valuable as the Operational Truth It Can Trust“ beleuchtet dieses Modell ausführlicher.
Die Ivanti Neurons Platform setzt dieses Betriebsmodell in die Praxis um, indem sie die vertrauenswürdige operative Grundlage schafft, auf der es beruht.
Informationen, die durch aktive und passive Erkennung, Konnektoren, Inventarscans, APIs und andere verbundene Quellen erfasst werden, werden normalisiert, sodass uneinheitliche Bezeichnungen für Geräte, Betriebssysteme, Software und Hersteller verglichen werden können. Datensätze, die demselben Asset zugeordnet sind, können abgeglichen und mit relevanten Informationen angereichert werden, etwa zu Besitz, Software, Lebenszyklus, Lizenzierung, Garantie und Schwachstellenkontext.
So erhalten Organisationen eine gesteuerte operative Sicht pro Asset, unterstützt durch Quellen- und Validierungshistorie, statt einer weiteren unqualifizierten Kopie der Daten. Neurons muss nicht jedes maßgebliche Enterprise-System ersetzen. Seine Rolle besteht darin, relevante operative Informationen zusammenzuführen, ihren Kontext zu bewahren und ein kontinuierlich aktualisiertes System of Record für IT- und Security-Abläufe zu schaffen. Diese konsolidierte Sicht bietet praktischen Wert für Entscheidungen.
KI-Funktionen auf Basis eines vertrauenswürdigen Neurons-Kontexts
Einige Organisationen integrieren KI-Funktionen direkt in die Anwendungen, die Mitarbeitende und IT-Teams bereits nutzen, sodass sie Entscheidungen treffen können, ohne ihre bestehenden Workflows zu verlassen. Andere Anwendungsfälle stützen sich auf genehmigte externe Assistenten, kundenseitig entwickelte Agents oder KI-Plattformen, die kontrollierten Zugriff auf Enterprise-Kontext benötigen.
Ivanti unterstützt zwei komplementäre KI-Pfade über eine gemeinsame Neurons-Grundlage. Funktionen für native Intelligenz bringen Neurons-Kontext direkt in Ivanti-Lösungen, während gesteuerter Zugriff über das Model Context Protocol (MCP) [Link zur MCP-Seite hinzufügen] autorisierten Neurons-Kontext für genehmigte externe Assistenten, kundenseitig entwickelte Agents und KI-Plattformen erweitert. Zusammen ermöglichen sie verschiedenen KI-Erfahrungen, mit konsistenten operativen Informationen zu arbeiten, ohne separate Versionen der Umgebung zu schaffen.
Native KI und gesteuerter MCP-Zugriff nutzen vertrauenswürdigen Neurons-Kontext auf komplementäre Weise:
Native Intelligenz bringt KI in die Arbeit
Native Intelligenz nutzt relevanten Neurons-Kontext innerhalb von Ivanti-Lösungen, um Untersuchungen, Diagnosen, Empfehlungen, Reporting, Zusammenfassungen und Interaktion in natürlicher Sprache zu unterstützen. Dies kann den Aufwand verringern, operative Informationen zu finden oder einen komplexen Endpoint-Zustand zu interpretieren, ohne dass Benutzer in eine separate KI-Umgebung wechseln müssen.
Beispiele sind AI Insights & Recommendations, dialogorientiertes Reporting, Untersuchungen in natürlicher Sprache, KI-gestützte Diagnosen, Digital Employee Experience Insights, Patch Insights Agents und Automatisierungsunterstützung.
Diese Funktionen zeigen, dass KI-Nutzen nicht mit einem autonomen Agent beginnen muss. Er kann damit beginnen, Reibung in der täglichen Endpoint-Arbeit zu reduzieren.
KI kann zunächst dabei helfen, Informationen leichter zu finden und zu interpretieren. Anschließend kann sie auf Grundlage des relevanten operativen Kontexts eine Maßnahme empfehlen. Genehmigte Automatisierung und operative Workflows können definierte Maßnahmen innerhalb etablierter Berechtigungen, Richtlinien und Kontrollen ausführen. Die Organisation behält die Kontrolle über den angemessenen Grad der KI-Beteiligung für jeden Anwendungsfall.
Gesteuerter MCP-Zugriff erweitert KI über Ivanti Neurons hinaus
Die Branche setzt zunehmend Standards wie das Model Context Protocol ein, um KI-Assistenten und Agents mit Enterprise-Systemen zu verbinden. MCP standardisiert den Zugriff auf Informationen, entscheidet jedoch nicht darüber, ob diese Informationen vertrauenswürdig oder maßgeblich sind.
Ivanti betrachtet gesteuerten MCP-Zugriff daher als Ergänzung zu nativer Intelligenz. Native Intelligenz bringt KI in Ivanti-Lösungen, während MCP genehmigten externen KI-Erfahrungen eine standardisierte Möglichkeit bietet, autorisierten Neurons-Kontext abzurufen, ohne ein weiteres operatives Repository oder eine konkurrierende Version der Wahrheit zu schaffen.
Ivantis MCP-Implementierung nutzt bestehende Identitäts-, Berechtigungs- und Richtlinienkontrollen: Ein unterstützter KI-Client oder kundenseitig entwickelter Agent sendet eine Anfrage, Rollen und Berechtigungen bestimmen, worauf er zugreifen darf, und der Neurons MCP Server gibt ausschließlich autorisierten operativen Kontext über genehmigte Neurons-Services und APIs zurück.
Die KI-Erfahrung interpretiert den autorisierten Kontext, Menschen und organisatorische Kontrollen behalten die Verantwortung für Entscheidungen und Genehmigungen, und genehmigte Ivanti-Funktionen führen Maßnahmen innerhalb etablierter Leitplanken aus.
Diese Trennung verhindert, dass Zugriff mit Autorität verwechselt wird: Neurons bleibt die operative Source of Truth, während Kontextabruf, Entscheidungen, Genehmigungen und Ausführung getrennt und nachvollziehbar bleiben.
Dieser gesteuerte Pfad bietet auch eine Alternative zu Shadow AI: Genehmigte Erfahrungen können erlaubten Neurons-Kontext innerhalb definierter Kontrollen abrufen, statt sich auf unverwaltete Kopien, uneingeschränkte Verbindungen oder eine eigene Darstellung der Umgebung zu stützen.
MCP beseitigt KI-Risiken nicht; Organisationen benötigen weiterhin Informationsschutz, Monitoring, Governance und menschliche Verantwortlichkeit. Es bietet eine kontrollierte Möglichkeit, vertrauenswürdigen operativen Kontext über Ivanti-Lösungen hinaus zu erweitern.
Ivanti wendet das Modell für KI-fähige Abläufe in der eigenen Umgebung an
Ivanti setzt dieses Betriebsmodell über sein Customer Zero-Programm in die Praxis um. Das globale IT-Team nutzt die Neurons-Plattform, um eine komplexe, plattformübergreifende Endpoint-Landschaft für eine stark verteilte, überwiegend remote arbeitende Belegschaft zu verwalten.
Tony Miller, Vice President, Enterprise Services bei Ivanti, erklärt: „Entscheidend ist in jeder Umgebung, wirklich eine Single Source of Truth zu haben, wenn es um den Zustand der Endpoints in Ihrer Umgebung geht.“ Mit dieser vertrauenswürdigen Grundlage kann Ivanti mehr seiner Endpoint-Abläufe automatisieren.
„Dank Neurons können wir ein hohes Maß an Automatisierung erreichen.“ Jarek Piszczatowski, Director, Customer Zero and Automation, Ivanti
So kann ein schlankes Team von Endpoint-Administratoren Abläufe im großen Maßstab unterstützen und den manuellen Aufwand auf die Prüfung von Ergebnissen, das Monitoring von Ausnahmen und die Nachverfolgung von Geräten konzentrieren, die Aufmerksamkeit erfordern.
Dort beginnen, wo operative Wahrheit zu Handeln wird
Endpoints sind ein praktischer Ausgangspunkt, weil sie vertrauenswürdigen operativen Kontext mit sichtbaren, messbaren Ergebnissen verbinden. Autonomous Endpoint Management (AEM) führt Gerätezustand, Besitz, installierte Software, Patch-Status, Employee Experience und Risiko zusammen, damit Teams Probleme untersuchen, die angemessene Reaktion bestimmen, innerhalb definierter Kontrollen handeln und Ergebnisse verifizieren können.
Betrachten Sie beispielsweise eine kritische Schwachstelle, die Tausende von Endpoints betrifft. Ein Schweregradwert allein kann die Reaktion nicht bestimmen. Teams müssen bestätigen, dass Datensätze aktuell sind, Endpoints aktiv und verwaltet sind, die anfällige Software installiert ist und die Behebung angemessen ist. Frühere Bereitstellungsfehler, Auswirkungen auf Mitarbeitende oder ein aktiver Vorfall können die Reaktion ebenfalls verändern.
KI kann den operativen Kontext interpretieren, betroffene Endpoints identifizieren und die Reaktion priorisieren. Verlässlichkeit hängt davon ab, den technischen Schweregrad gemeinsam mit aktuellen Endpoint-Bedingungen zu bewerten. AEM verbindet Erkenntnisse anschließend über einen gesteuerten Kreislauf mit Ergebnissen: Kontrollen bestimmen erlaubte Maßnahmen und Genehmigungsanforderungen, genehmigte Funktionen führen aus, und die Verifizierung bestätigt, ob jedes Gerät den beabsichtigten Zustand erreicht hat.
Erfolg ist nicht eine Empfehlung oder eine abgeschlossene Automatisierungsaufgabe. Erfolg ist der Nachweis, dass der richtige Endpoint innerhalb definierter Kontrollen die angemessene Maßnahme erhalten und das beabsichtigte Ergebnis erreicht hat.
Dasselbe Betriebsmodell unterstützt eine proaktivere Digital Employee Experience (DEX). Signale wie geringer Speicherplatz, wiederkehrende Anwendungsfehler, Leistungsabfall oder Konfigurationsprobleme können Produktivitätsprobleme sichtbar machen, bevor Mitarbeitende ein Ticket eröffnen.
Durch die Verknüpfung von Gerätezustand, Besitz, Employee-Experience-Signalen, Vorfällen und operativer Historie kann KI-gestützte Untersuchung Probleme früher erkennen. Genehmigte Behebung kann innerhalb etablierter Leitplanken erfolgen, während nachfolgende Endpoint- und Experience-Signale zeigen, ob sie erfolgreich war.
Vertrauenswürdiger Kontext verbindet außerdem Endpoint-Management, DEX und Patch-Management mit einem gemeinsamen Risikoansatz. Gerätezustand, Experience-Signale und Schwachstellenexposition helfen Teams, Behebung dort zu priorisieren, wo Sicherheitsrisiko und Auswirkungen auf Mitarbeitende zusammentreffen. Predictive Remediation unterstützt den Wandel von der Reaktion auf Ausfälle hin zur Identifizierung und Behebung entstehender Endpoint-Probleme, während risikobasiertes Patch-Management geschäftskritische Expositionen priorisiert.
Die kontinuierliche Prüfung von Gerätekonfigurationen und installierten Patches gegen definierte Richtlinien- und Compliance-Baselines hilft Teams, Abweichungen zu erkennen, Lücken innerhalb etablierter Kontrollen zu beheben und den resultierenden Zustand zu verifizieren – und unterstützt so kontinuierliche Compliance statt einer punktuellen Bewertung.
AEM überführt KI daher von potenziellem zu messbarem operativem Wert, indem vertraute Endpoint-Fragen mit vertrauenswürdigem Kontext, kontrolliertem Handeln und Ergebnisnachweisen verbunden werden.
Vertrauen durch Nutzung und Verifizierung erhalten
Vertrauenswürdiger Kontext wird wertvoller, wenn er genutzt und verifiziert wird. Teams verbringen weniger Zeit mit dem Abgleich von Datensätzen, KI-gestützte Empfehlungen können auf aktuellere operative Informationen zurückgreifen, und Automatisierung kann innerhalb klarerer Richtlinien- und Berechtigungsgrenzen arbeiten.
Nachweise aus abgeschlossenen Maßnahmen können anschließend den operativen Datensatz stärken, der für die nächste Entscheidung genutzt wird. Da sich Assets, Software, Besitz, Bedrohungen, Vorfälle und KI-Erfahrungen kontinuierlich verändern, muss operatives Vertrauen im Laufe der Zeit erhalten und verifiziert werden.
Vertrauenswürdiges Handeln im gesamten Unternehmen skalieren
AEM bietet einen fokussierten, messbaren Ausgangspunkt, doch dieselbe vertrauenswürdige Grundlage kann Entscheidungen in Service-Management, Security, Compliance, Procurement, Finance und Software Asset Management unterstützen.
Verbundener Endpoint- und Asset-Kontext hilft Teams, Gerätezustände mit Vorfällen, Änderungen, Employee Experience, Risiko, Besitz, Behebungshistorie, Softwarenutzung und Lebenszyklusereignissen in Beziehung zu setzen. Dies reduziert die Unsicherheit, die operative, sicherheitsbezogene und optimierungsorientierte Entscheidungen verlangsamt.
Über diese Funktionen hinweg bleibt das Betriebsmodell konsistent:
- Signale identifizieren ein Problem oder eine Chance.
- Vertrauenswürdige Datensätze und gemeinsamer Kontext klären, was aktuell ist und was zählt.
- KI und Analytics unterstützen Untersuchung und Priorisierung.
- Governance bestimmt den angemessenen Handlungsgrad.
- Genehmigte Funktionen führen aus.
- Verifizierung dokumentiert das Ergebnis.
Diese Kontinuität reduziert die Notwendigkeit, Kontext bei jeder Übergabe neu aufzubauen, und schafft eine nachvollziehbare Aufzeichnung dessen, was identifiziert, empfohlen, genehmigt, ausgeführt und verifiziert wurde. Organisationen können das Modell auf umfassendere IT- und Security-Workflows ausweiten, wenn ihre Anwendungsfälle und ihre Governance reifen.
KI-fähige Abläufe auf vertrauenswürdigem Kontext aufbauen
KI skaliert alles, worauf sie basiert. Für Führungskräfte in Unternehmen besteht die Priorität nicht einfach darin, mehr KI einzusetzen, sondern sicherzustellen, dass jede operative Entscheidung auf vertrauenswürdigem Kontext beruht, jede Maßnahme innerhalb definierter Kontrollen bleibt und jedes Ergebnis verifiziert werden kann. Mit Ivanti Neurons als dieser vertrauenswürdigen operativen Grundlage können Organisationen von KI-Ambition zu operativer Sicherheit gelangen.