Ein wachsendes Praxisproblem in Web-, Cloud- und DevOps-Teams klingt zunächst harmlos: Immer mehr Traffic gibt sich als AI-Crawler aus. Betreiber wollen legitime Bots von OpenAI, Anthropic, Google, Perplexity oder anderen Anbietern nicht pauschal blockieren, weil diese Crawler Inhalte für Suche, Ass
Viele Unternehmen behandeln ihre Workflow-Plattformen inzwischen wie neutrale Infrastruktur: Sie verbinden Tickets, Identitäten, Datenmodelle, Integrationen, Automatisierung und zunehmend auch KI-Agenten. Genau darin liegt das praktische Risiko der neuen ServiceNow-Meldung. Wenn eine solche Plattfor
Ein lokaler KI-Agent fühlt sich zunächst wie die sichere Variante an: Quellcode, Prompts und Zwischenergebnisse verlassen nicht den eigenen Rechner, das Modell läuft auf der Entwickler-Workstation oder im Labor, und eine Sandbox soll den Agenten vom Host trennen. Genau diese Annahme ist das Praxispr
Ein Entwickler lässt einen Coding-Agenten Tests reparieren. Der Agent liest Dateien, startet Shell-Befehle, installiert Pakete und verbindet sich vielleicht mit MCP-Servern. Genau dort entsteht das praktische Sicherheitsproblem: Zwischen „der Agent schlägt etwas vor“ und „auf dem Rechner passiert et
Ein typischer Schutzreflex in JavaScript-Projekten lautet: Installationsskripte abschalten, Abhängigkeiten pinnen, Scanner laufen lassen. Der aktuelle RedC2-Fall zeigt, warum das allein nicht mehr reicht. TrendAI Research hat eine Gruppe trojanisierter npm-Pakete analysiert, die wie harmlose Kalende
Ein MLflow-Tracking-Server steht für viele Teams zwischen Experimenten, Modellregistrierung und produktiver KI-Infrastruktur. Genau deshalb ist die aktuelle Schwachstelle CVE-2026-64849 mehr als ein gewöhnlicher Webfehler: Angreifer nutzen sie nach Angaben der US-Behörde CISA bereits aus. Über die W
Viele Unternehmen haben im März gelernt, dass ein kompromittiertes Open-Source-Paket nicht nur eine Entwicklerstörung ist. Es kann CI/CD-Runner, Cloud-Accounts, Kubernetes-Cluster, Modellanbieter-Keys und interne Agentenplattformen gleichzeitig berühren. Die neue Relevanz des LiteLLM-Falls liegt des
Viele Unternehmen behandeln LLM-API-Logs wie technische Diagnosedaten: hilfreich für Debugging, nützlich für Agenten-Traces, gelegentlich geteilt in GitHub-Issues, internen Tickets oder öffentlichen Benchmark-Repositories. Sichtbare Prompts und Antworten werden vielleicht bereinigt, interne Felder d
Viele Unternehmen testen KI inzwischen für Code-Reviews, Schwachstellen-Triage, Malware-Analyse oder Incident Response. Das Praxisproblem ist nicht mehr, ob Modelle in Security-Workflows nützlich sein können. Die schwierigere Frage lautet: Was passiert, wenn ein Modell nicht nur Befunde zusammenfass
Ein Sicherheitslabor soll ein kontrollierter Raum sein. Teams bauen Capture-the-Flag-Umgebungen, lassen Modelle nach Schwachstellen suchen und messen, welche Angriffswege ein KI-Agent findet. Für Unternehmen klingt das zunächst nach sinnvoller Vorsicht: Bevor ein leistungsfähiges Modell in Produkte
Ein KI-Agent soll Verträge sortieren, Quellcode prüfen oder Dateien umbenennen. Dafür erhält er Zugriff auf einen ausgewählten Ordner – nicht auf das gesamte Benutzerkonto. Genau dieses Sicherheitsversprechen ist bei Desktop-Agenten zentral: Selbst wenn ein Modell eine manipulierte Datei falsch inte
Ein Mitarbeiter bittet einen mobilen KI-Agenten, auf dem Smartphone eine Nachricht zu versenden, einen Termin anzulegen oder eine Reservierung vorzunehmen. Der Agent erfasst den Bildschirm, interpretiert ihn mit einem Vision-Language-Modell und steuert das Gerät über Android Debug Bridge, Accessibil
