Palo Alto Networks hat am Dienstag einen Abonnement-Cybersicherheitsdienst auf den Markt gebracht, der mehrere fortschrittliche Modelle künstlicher Intelligenz in ein kontinuierlich laufendes offensives Sicherheitsprogramm integriert. Dieser Schritt soll testen, ob Verteidiger dieselbe beschleunigende Technologie nutzen können, die automatisierte Angriffe immer leistungsfähiger macht.

Der Dienst „Unit 42 Continuous Frontier AI Defense“ kombiniert Anthropics Claude Mythos 5, OpenAIs GPT-5.6-Cyber ​​und Open-Weight-Modelle mit dem Know-how der Sicherheitsforscher von Palo Alto. Das Unternehmen gibt an, Webanwendungen, Programmierschnittstellen, Cloud-Systeme, Quellcode-Repositories und Netzwerkressourcen im Zuge von Änderungen in der Kundenumgebung regelmäßig zu überprüfen. Reuters und Axios, während Palo Alto eine offizielle Unternehmensmitteilung.

Warum das Mehrmodell-Design wichtig ist

Herkömmliche Schwachstellenscans identifizieren in der Regel bekannte Schwachstellen oder verdächtige Konfigurationen zu einem bestimmten Zeitpunkt. Das von Palo Alto vorgeschlagene System geht einen Schritt weiter: Es testet, ob sich einzelne Schwachstellen zu einem ausnutzbaren Angriffspfad verknüpfen lassen, und stellt dem Kunden anschließend priorisierte Empfehlungen zur Behebung der Sicherheitslücken im Ticketsystem bereit. Laut der Produktseite überprüfen menschliche Experten für offensive Sicherheit die Ergebnisse des Modells, bevor diese als ausnutzbare Angriffspfade eingestuft werden. Die Tests werden zudem bei Änderungen an Anwendungen oder der Infrastruktur neu gestartet.

Diese Unterscheidung ist wichtig, da eine Liste einzelner Fehler nicht aufzeigt, wie ein Angriff ablaufen würde. Ein Konfigurationsfehler mit geringer Schwere kann in Kombination mit ungeschützten Zugangsdaten, übermäßigen Cloud-Berechtigungen oder einem ungepatchten Dienst relevant werden. Umgekehrt kann ein Scanner eine Schwachstelle aufdecken, die durch kompensierende Kontrollmechanismen unzugänglich gemacht wird. Der beschriebene Workflow zielt darauf ab, von der Erkennung zum Nachweis zu gelangen: mögliche Angriffswege zu ermitteln, deren Wirksamkeit zu überprüfen und die Behebung auf die risikoreichsten Pfade auszurichten.

Diese menschliche Überprüfung ist wichtig, da das Unternehmen nicht behauptet, dass ein einzelnes Modell eine gesamte Umgebung zuverlässig erfassen kann. Palo Alto teilte Axios mit, dass in eigenen Tests kein einzelnes Modell mehr als 40 % der Schwachstellen in einer komplexen Kundenumgebung gefunden habe. Außerdem gab das Unternehmen an, dass sich die Ergebnisse von Mythos 5 und GPT-5.6-Cyber ​​in weniger als 10 % der Fälle überschnitten. Diese Zahlen stammen vom Hersteller und nicht aus einem unabhängig veröffentlichten Benchmark. Sie sollten daher als Beleg für die Architektur des Unternehmens und nicht als allgemeingültiges Maß für die Leistungsfähigkeit von Modellen interpretiert werden.

Die Grundannahme ist, dass verschiedene Modelle unterschiedliche Schwachstellen aufweisen. Ein Modell ist beispielsweise besser im Lesen von Quellcode, ein anderes im Umgang mit Cloud-Berechtigungen und ein weiteres im Erkennen von Konfigurationsfehlern in Verbindung mit exponierten Diensten. Eine Orchestrierungsschicht kann Aufgaben verschiedenen Systemen zuweisen und deren Ergebnisse vergleichen. Menschliche Experten entscheiden dann, ob eine theoretische Schwachstelle erreichbar, relevant und sicher zu testen ist.

Von periodischen Prüfungen bis hin zu kontinuierlichem Druck

Der Wandel ist sowohl operativer als auch technischer Natur. Ein herkömmlicher Penetrationstest liefert zwar einen wertvollen Bericht, kann aber nach Software-Releases, Änderungen der Zugriffsrechte oder Cloud-Bereitstellungen an Aussagekraft verlieren. Palo Alto gibt an, dass sein Service kontinuierlich Schwachstellen aufdeckt, die Ausnutzbarkeit validiert und nach Änderungen erneut testet. Reuters berichtete, dass Kunden Verbesserungsvorschläge auf Codeebene erhalten oder virtuelle Patches nutzen können, wenn noch kein offizieller Software-Fix verfügbar ist.

Ein virtueller Patch kann die Gefährdung durch Blockierung schädlicher Anfragen oder Angriffsmuster auf der Sicherheitsebene verringern, entfernt aber nicht den darunterliegenden fehlerhaften Code. Daher ist die Nachverfolgung messbar: Unternehmen müssen weiterhin Verantwortliche benennen, dauerhafte Korrekturen testen und durch erneute Tests bestätigen, dass der Angriffspfad geschlossen ist. Ein kontinuierlicher Service könnte diesen Prozess verkürzen, allerdings liefern die Einführungsunterlagen keine unabhängig verifizierten Hinweise auf eine schnellere Behebung der Sicherheitslücke.

Laut Reuters und dem Unternehmen werden weltweit Jahresabonnements angeboten, deren Preisgestaltung sich unter anderem nach der Auswahl kommerzieller und Open-Wight-Modelle richtet. Palo Alto hat bisher nicht genügend Details veröffentlicht, um die Kosten des Dienstes mit regelmäßigen Penetrationstests oder konkurrierenden Plattformen zu vergleichen. Auch die Fehlalarmraten auf Kundenebene, die Benchmark-Methodik und eine vollständige Beschreibung der Zugriffsregelungen für Modelle und sensible Unternehmensdaten wurden nicht offengelegt.

Diese offenen Fragen sind wichtig. Offensives Testen erfordert umfassende Zugriffsrechte, einen klar definierten Umfang und strenge Kontrollmechanismen. Ein automatisiertes System, das ein Ziel falsch identifiziert, eine unsichere Aktion ausführt oder proprietären Code offenlegt, kann bei der Suche nach bestehenden Risiken neue Risiken schaffen. Palo Alto gibt an, dass der Umfang mit dem Kunden abgestimmt und die Validierung durch Experten in den Workflow integriert ist. Potenzielle Käufer benötigen jedoch weiterhin vertragliche Klarheit hinsichtlich Datenspeicherung, Zugriff des Modellanbieters, Verantwortlichkeit im Vorfallfall und den Grenzen autonomer Aktionen.

Ein Governance-Test sowie ein Sicherheitsprodukt

Die Markteinführung erfolgt zu einem Zeitpunkt, an dem die US-Bundesregierung den Einsatz von KI zunehmend als Risikomanagement-Problem und nicht mehr als einmalige technische Anschaffung betrachtet. Das freiwillige NIST-Rahmenwerk fordert, Vertrauenswürdigkeitsaspekte während des gesamten Design-, Nutzungs- und Bewertungsprozesses von KI-Systemen zu berücksichtigen. Das NIST beschreibt sein Cybersicherheits-Rahmenwerk als Struktur zur Steuerung, Identifizierung, zum Schutz, zur Erkennung, Reaktion auf und zur Wiederherstellung nach Cybersicherheitsrisiken. Diese Dokumente stellen keine Empfehlung für dieses Produkt dar; sie veranschaulichen lediglich die umfassenderen Kontrollmechanismen, anhand derer jeder kontinuierliche KI-Sicherheitsdienst bewertet werden sollte.

Für Sicherheitsverantwortliche ist die entscheidende Frage nicht, ob ein KI-Modell in einer Demonstration eine Schwachstelle aufdecken kann. Vielmehr geht es darum, ob eine gezielte Kombination aus Modellen und Experten wiederholt relevante Sicherheitslücken schneller als Angreifer identifizieren kann, ohne dabei ein inakzeptables Betriebs- oder Datenrisiko zu erzeugen. Der neue Service von Palo Alto macht diese Frage zu einem kommerziellen Angebot. Sein Wert hängt von unabhängigen Nachweisen, transparenten Kontrollen und der Fähigkeit der Kunden ab, die schnellere Gewinnung von Erkenntnissen in verifizierte Lösungen umzusetzen.