Herausforderungen bei der Governance agentenbasierter KI: Risiken und Hindernisse für Unternehmen

Mit der zunehmenden Verbreitung autonomer KI-Systeme in Unternehmensumgebungen sehen sich Organisationen mit neuen Sicherheits- und Compliance-Risiken konfrontiert. Dieser Artikel untersucht die drängendsten Herausforderungen im Bereich der KI-Governance – von der Aufdeckung von Schatten-KI und Zugriffskontrolllücken bis hin zu regulatorischer Unsicherheit – und skizziert praktische Strategien für das Management von KI-Systemrisiken im großen Maßstab.

Wichtige Erkenntnisse

Warum unterscheiden sich die Herausforderungen der Governance agentenbasierter KI von den traditionellen KI-Risiken?
Agentische KI verknüpft autonom mehrstufige Aktionen über SaaS-Anwendungen, APIs und Browser hinweg ohne menschliche Kontrollpunkte und schafft so Governance-Risiken, für deren Bewältigung herkömmliche Sicherheitsframeworks nie ausgelegt waren.

Wie erschwert Schatten-KI das Risikomanagement von KI-Agenten?
Häufig setzen Mitarbeiter browserbasierte KI-Assistenten und -Erweiterungen ohne Genehmigung der IT-Abteilung ein und umgehen so Sicherheitskontrollen und DLP-Richtlinien – daher ist die umfassende Ermittlung von KI-Agenten der unerlässliche erste Schritt in jedem Governance-Programm.

Warum versagen herkömmliche DLP-Tools bei agentengesteuerten KI-Datenflüssen?
KI-Agenten können sensible Daten vollständig innerhalb von Browsersitzungen oder über SaaS-Integrationen hinweg transformieren und verschieben und so netzwerkbasierte DLP-Systeme umgehen, die Dateien nur im Ruhezustand oder während der Übertragung über überwachte Kanäle prüfen.

Warum sind die Herausforderungen im Bereich der Einhaltung der Vorschriften für KI-Agenten in regulierten Branchen besonders schwierig?
Sektoren wie das Gesundheitswesen und der Finanzdienstleistungssektor müssen strenge Anforderungen an die Nachvollziehbarkeit, Erklärbarkeit und Datenspeicherung erfüllen – dennoch treffen die Akteure in Echtzeit nicht-deterministische Entscheidungen, die schwer zu protokollieren, zu erklären oder auf eine einzige Gerichtsbarkeit zu beschränken sind.

Wie kann es durch Agentenverkettung zu einer Rechteausweitung kommen?
Wenn ein Agent mit Lesezugriff Daten an einen anderen Agenten mit Schreibzugriff auf eine externe Plattform weitergibt, überschreitet der kombinierte Workflow die individuellen Berechtigungen beider Agenten – eine neuartige Lücke im Risikomanagement von KI-Agenten, die bei herkömmlichen Zugriffskontrollen übersehen wird.

Welche Rolle spielt die Browserüberwachung bei der Durchsetzung von Richtlinien zur Kontrolle der KI-Nutzung?
Da viele KI-Agenten als Browsererweiterungen oder Webanwendungen fungieren, ist browsernative Telemetrie von entscheidender Bedeutung, um Schatten-KI aufzudecken, die Interaktionen von Agenten mit SaaS-Anwendungen zu verfolgen und unautorisierte Datenübertragungen in Echtzeit zu blockieren.

Welche grundlegenden Elemente sollte ein Governance-Rahmen für KI in Unternehmen umfassen?
Organisationen benötigen eine obligatorische Agentenregistrierung, eine festgelegte menschliche Verantwortlichkeit für jeden Agenten, regelmäßige Überprüfungen der Berechtigungen und Notfallpläne – gepaart mit einer kontinuierlichen Verhaltensüberwachung, um den Herausforderungen der agentenbasierten KI-Governance zu begegnen.

Warum agentenbasierte KI neue Governance-Risiken mit sich bringt

Traditionelle KI-Systeme arbeiten innerhalb eng definierter Parameter: Ein Modell empfängt Eingaben, erzeugt Ausgaben, und ein Mensch entscheidet über deren Verwendung. Agentenbasierte KI durchbricht dieses Muster grundlegend. KI-Agenten können mehrstufige Aufgaben planen, externe Tools aufrufen, auf SaaS-Anwendungen zugreifen, im Web surfen und im Namen von Nutzern mit minimaler oder gar keiner menschlichen Aufsicht Aktionen ausführen. Diese Autonomie birgt Governance-Risiken, für deren Bewältigung bestehende Sicherheitsframeworks nie ausgelegt waren.

Autonome Entscheidungsfindung ohne menschliche Kontrollpunkte

Anders als herkömmliche KI-Assistenten können agentenbasierte Systeme Aktionen über mehrere Dienste hinweg verketten. Ein KI-Agent, der den Auftrag hat, einen Quartalsbericht zu erstellen, könnte beispielsweise selbstständig ein CRM-System abfragen, Daten von einer Finanz-SaaS-Plattform abrufen, ein Dokument generieren und dieses per E-Mail an die Stakeholder senden. Jeder Schritt birgt das Risiko eines Datenlecks, und die gesamte Sequenz kann ausgeführt werden, bevor sie von einem Menschen geprüft wird. Das Fehlen von Zwischenkontrollpunkten bedeutet, dass ein einzelner falsch konfigurierter Agent sensible Daten innerhalb von Sekunden über Systemgrenzen hinweg exfiltrieren kann.

Erweiterte Angriffsfläche durch Werkzeugeinsatz

Agentische KI-Systeme interagieren mit APIs, browserbasierten Anwendungen, Datenbanken und Diensten von Drittanbietern. Jeder Integrationspunkt stellt ein potenzielles Einfallstor für Angriffe dar. Folgende Risikoverstärker sind zu berücksichtigen:

• Delegierung von Anmeldeinformationen: Agenten erben oft Benutzerberechtigungen, was bedeutet, dass sie auf alles zugreifen können, worauf auch der Benutzer zugreifen kann, häufig ohne die gleiche kontextbezogene Beurteilung, die ein Mensch anwenden würde.
• Browserbasierte Aktionen: Agenten, die über Webbrowser arbeiten, können mit SaaS-Tools interagieren, Formulare einreichen, Dateien herunterladen und zu externen Websites navigieren – alles außerhalb der Sichtbarkeit herkömmlicher Endpunktsicherheitsmaßnahmen.
• Nicht geprüfte Erweiterungen und Plugins: Viele Agenten-Frameworks unterstützen Drittanbieter-Plugins oder Browser-Erweiterungen, die keiner Sicherheitsprüfung unterzogen wurden, wodurch ungesicherte KI-Einstiegspunkte entstehen.

Das Schatten-KI-Problem

Das wohl grundlegendste Governance-Risiko besteht darin, dass Unternehmen oft nicht wissen, welche KI-Systeme in ihrer Umgebung aktiv sind. Mitarbeiter setzen möglicherweise browserbasierte KI-Assistenten ein, verbinden Systeme mit unternehmenseigenen SaaS-Konten oder nutzen KI-gestützte Browsererweiterungen ohne Genehmigung der IT-Abteilung. Diese Schatten-KI-Aktivitäten umgehen Sicherheitskontrollen, Richtlinien zur Verhinderung von Datenverlust und Compliance-Überwachung. Ohne eine umfassende Erfassung der in Browsern und SaaS-Anwendungen aktiven KI-Systeme können Unternehmen nicht kontrollieren, was sie nicht sehen.

Zentrale Herausforderungen bei der Steuerung von KI-Agenten

Die Herausforderungen bei der Steuerung von KI-Agenten gehen weit über die traditionelle IT-Governance hinaus. Agentische KI-Systeme zeigen dynamische, kontextabhängige und schwer vorhersagbare Verhaltensweisen, wodurch die Durchsetzung herkömmlicher Richtlinien unzureichend wird.

Mangelnde Transparenz des Agentenverhaltens

Die meisten Sicherheitstools für Unternehmen überwachen Netzwerkverkehr, Endpunktprozesse oder Cloud-API-Aufrufe. KI-Agenten hingegen operieren häufig auf Browserebene und interagieren mit Webanwendungen und SaaS-Plattformen auf eine Weise, die für die netzwerkbasierte Überwachung unsichtbar bleibt. Ohne Telemetrie auf Browserebene können Sicherheitsteams grundlegende Fragen nicht beantworten:

1. Welche KI-Agenten sind in der Organisation aktiv?
2. Auf welche Daten greifen diese Agenten zu bzw. welche Daten erzeugen sie?
3. Mit welchen SaaS-Anwendungen interagieren die Agenten?
4. Senden Agenten Unternehmensdaten an externe Dienste?

Lücken bei der Identitäts- und Zugriffskontrolle

KI-Agenten verkomplizieren das Identitätsmanagement auf verschiedene Weise. Ein Agent kann sich mithilfe des OAuth-Tokens eines Benutzers authentifizieren, unter einem Dienstkonto agieren oder gespeicherte Anmeldeinformationen in einer Browsersitzung nutzen. Traditionelle Modelle der Identitätsverwaltung gehen davon aus, dass Zugriffsanfragen von Menschen stammen. Wenn ein Agent im Namen eines Benutzers handelt, ist unklar, ob seine Aktionen den Zugriffsrichtlinien des Benutzers, einer separaten agentenspezifischen Richtlinie oder beiden unterliegen sollen. Diese Unklarheit führt zu erheblichen Herausforderungen bei der Verwaltung von KI-Agenten im Hinblick auf die Durchsetzung des Prinzips der minimalen Berechtigungen.

Blindstellen bei der Verhinderung von Datenverlust

Herkömmliche DLP-Lösungen prüfen Dateien im Ruhezustand, während der Übertragung im Netzwerk oder an Cloud-Ausgangspunkten. Agentic AI führt ein neues Datenflussmuster ein: Agenten können sensible Daten vollständig innerhalb einer Browsersitzung oder über SaaS-zu-SaaS-Integrationen kopieren, zusammenfassen, transformieren und übertragen. Wenn ein KI-Agent ein vertrauliches Dokument zusammenfasst und die Zusammenfassung in ein externes Chat-Tool einfügt, erkennen die meisten DLP-Systeme den Datenabfluss nicht, da die Daten transformiert und über einen unüberwachten Kanal übertragen wurden.

Unvorhersehbare mehrstufige Ausführung

Die Steuerung eines einzelnen API-Aufrufs ist unkompliziert. Die Steuerung einer Kette von 15 voneinander abhängigen Aktionen, die ein Agent basierend auf Zwischenergebnissen ausführt, ist es hingegen nicht. Die nichtdeterministische Natur des Schließens großer Sprachmodelle bedeutet, dass dieselbe Eingabeaufforderung bei verschiedenen Ausführungen unterschiedliche Aktionssequenzen hervorrufen kann. Diese Unvorhersehbarkeit macht es extrem schwierig, statische Steuerungsrichtlinien zu schreiben, die jedes mögliche Agentenverhalten antizipieren.

Compliance- und regulatorische Herausforderungen für KI-Agenten

Die regulatorischen Rahmenbedingungen können mit der zunehmenden Verbreitung von KI-Systemen kaum Schritt halten. Organisationen, die KI-Agenten einsetzen, stehen vor erheblichen Herausforderungen hinsichtlich der Einhaltung der Vorschriften, da die bestehenden Regelungen für eine Welt konzipiert wurden, in der Menschen Entscheidungen treffen und Software Anweisungen ausführt, nicht aber für Systeme, die autonom planen und handeln.

Unklarheit bezüglich Verantwortlichkeit und Haftung

Wenn ein KI-Agent eine Entscheidung trifft, die gegen eine Vorschrift verstößt, wer trägt dann die Verantwortung? Der Nutzer, der den Agenten eingesetzt hat? Der Entwickler, der ihn programmiert hat? Die Organisation, die seine Nutzung genehmigt hat? Vorschriften wie der EU-KI-Act schaffen risikobasierte Rahmenbedingungen, doch die Frage der Haftung für das Handeln autonomer Agenten bleibt weitgehend ungeklärt. Unternehmen müssen klare interne Verantwortlichkeitsstrukturen etablieren, auch wenn externe Vorschriften noch nicht nachgezogen haben.

Datenresidenz und grenzüberschreitende Datenflüsse

KI-Agenten, die im Internet surfen oder mit globalen SaaS-Plattformen interagieren, können unbeabsichtigt Daten über Ländergrenzen hinweg übertragen. Ein Agent, der in einem Unternehmen mit Sitz in der EU tätig ist, könnte personenbezogene Daten zur Verarbeitung an einen in den USA gehosteten KI-Dienst senden und damit möglicherweise gegen die Datenschutzbestimmungen der DSGVO verstoßen. Die Nachverfolgung dieser Datenflüsse ist schwierig, da die Agenten in Echtzeit entscheiden, welche Dienste sie aufrufen, und diese Entscheidungen von Ausführung zu Ausführung variieren können.

Anforderungen an Prüfprotokollierung und Erklärbarkeit

Viele regulatorische Rahmenbedingungen verpflichten Organisationen zur Führung von Prüfprotokollen über Entscheidungen, die sich auf Einzelpersonen oder finanzielle Ergebnisse auswirken. Agentische KI-Systeme stellen hierbei besondere Herausforderungen dar:

• Lücken in der Aktionsprotokollierung: Wenn ein Agent über einen Browser agiert, werden seine Aktionen möglicherweise nicht in serverseitigen Protokollen erfasst. Die Überwachung auf Browserebene ist daher unerlässlich, um vollständige Prüfprotokolle zu gewährleisten.
• Erklärbarkeitsdefizite: LLM-basierte Agenten können nicht immer erklären, warum sie eine bestimmte Handlungssequenz gewählt haben. Die Erfüllung der Erklärbarkeitsanforderungen gemäß Vorschriften wie dem EU-KI-Gesetz erfordert zusätzliche Werkzeuge, um die Argumentation der Agenten zu erfassen und zu rekonstruieren.
• Einwilligungsverwaltung: Beauftragte, die auf personenbezogene Daten zugreifen oder diese verarbeiten, müssen gegebenenfalls überprüfen, ob eine entsprechende Einwilligung vorliegt. Die automatisierte Einwilligungsprüfung in der Geschwindigkeit der Auftragsbearbeitung stellt ein weitgehend ungelöstes Problem dar.

Branchenspezifischer Regulierungsdruck

Finanzdienstleistungen, Gesundheitswesen und der öffentliche Sektor unterliegen verstärkten Compliance-Prüfungen. In diesen Branchen müssen KI-Systeme, die mit regulierten Daten – Patientenakten, Finanztransaktionen, vertraulichen Informationen – interagieren, branchenspezifische Vorschriften wie HIPAA, PCI DSS und FedRAMP einhalten. Die Risiken solcher Systeme sind in diesen Kontexten besonders hoch, da bereits eine einzige unautorisierte Aktion eines Systems behördliche Strafen, Meldepflichten bei Datenschutzverletzungen oder den Verlust der Zertifizierung nach sich ziehen kann.

Herausforderungen im Risikomanagement in agentenbasierten KI-Systemen

Die Rahmenwerke für das Risikomanagement in Unternehmen müssen sich weiterentwickeln, um dem spezifischen Bedrohungsprofil autonomer KI-Systeme gerecht zu werden. Die Herausforderungen im Risikomanagement von KI-Systemen umfassen technische, operative und strategische Dimensionen und erfordern neue Ansätze zur Risikoidentifizierung, -bewertung und -minderung.

Schnelle Injektion und Agentenmanipulation

Agentenbasierte KI-Systeme, die externe Inhalte verarbeiten, sind anfällig für Prompt-Injection-Angriffe. Ein Angreifer könnte Anweisungen in eine Webseite, E-Mail oder ein Dokument einbetten, das ein Agent verarbeitet, und ihn so von seiner eigentlichen Aufgabe ablenken. Beispielsweise könnte ein Agent, der im Internet recherchiert, auf versteckte Anweisungen stoßen, die ihn dazu veranlassen, Zugangsdaten abzugreifen oder auf eine Phishing-Seite zu gelangen. Validierungsmechanismen für KI-Antworten sind daher unerlässlich, um manipulierte Ausgaben zu erkennen und zu blockieren, bevor diese zu schädlichen Aktionen führen.

Privilegienausweitung durch Agentenverkettung

Wenn mehrere Agenten zusammenarbeiten oder ein einzelner Agent Unteragenten aufruft, kann die effektive Berechtigungsstufe über die Befugnisse der einzelnen Komponenten hinausgehen. Betrachten Sie folgendes Szenario:

1. Agent A hat Lesezugriff auf eine Kundendatenbank.
2. Agent A übermittelt Agent B eine Datenzusammenfassung.
3. Agent B hat Schreibzugriff auf eine externe Kommunikationsplattform.
4. Die kombinierte Wirkung besteht darin, dass Kundendaten auf eine externe Plattform gelangen, obwohl keiner der beiden Agenten einzeln über Lese- und Schreibberechtigungen für diese Schnittstelle verfügte.

Diese Art der Rechteausweitung durch Agentenverkettung stellt ein neuartiges Risiko dar, das von herkömmlichen Zugriffskontrollmodellen nicht abgedeckt wird. Unternehmen benötigen KI-gestützte Zugriffskontrollrichtlinien, die die kumulativen Berechtigungen von Agenten-Workflows bewerten und nicht nur die Fähigkeiten einzelner Agenten.

Verstärkung der Bedrohung durch Insider

Ein böswilliger Insider, der Daten manuell exfiltriert, ist durch Zeit und die Menge der Daten, auf die er während einer Sitzung zugreifen kann, eingeschränkt. Ein Insider, der einen KI-Agenten zur Automatisierung der Datenerfassung und -exfiltration einsetzt, kann hingegen in Maschinengeschwindigkeit arbeiten und in deutlich kürzerer Zeit wesentlich mehr Daten extrahieren. Um KI-Missbrauch zu verhindern, muss nicht nur das Verhalten der Agenten überwacht werden, sondern auch, wer sie eingesetzt hat und ob ihre Verhaltensmuster eher auf vorsätzlichen Missbrauch als auf legitime Automatisierung hindeuten.

Risiken von Drittanbietern und Lieferkettenagenten

Unternehmen interagieren zunehmend mit KI-Agenten, die von Anbietern, Partnern und Kunden betrieben werden. Diese Drittanbieter-Agenten können über APIs, gemeinsam genutzte SaaS-Umgebungen oder browserbasierte Portale auf Unternehmensressourcen zugreifen. Das Risikomanagement externer Agenten erfordert Folgendes:

• Agentenidentifizierung: Unterscheidung zwischen menschlichen Benutzern und KI-Agenten, die auf Unternehmensressourcen zugreifen.
• Verhaltensbasierte Ausgangsmessung: Festlegung normaler Interaktionsmuster für Drittanbieter und Kennzeichnung von Anomalien.
• Vertragliche Kontrollen: Sicherstellen, dass die Verträge mit den Anbietern die Nutzung von KI-Agenten, den Umgang mit Daten und die Haftung regeln.
• SaaS-Identitätsschutz: Überprüfung, ob Drittanbieter-Agenten sich über zugelassene Identitätsanbieter authentifizieren und die SaaS-Zugriffskontrollen nicht umgehen.

Strategien zur Bewältigung der Herausforderungen bei der Governance agentenbasierter KI

Die Bewältigung der Herausforderungen im Bereich der KI-Governance erfordert eine Kombination aus technischen Kontrollen, politischen Rahmenbedingungen und organisatorischen Praktiken. Die folgenden Strategien bieten eine praktische Grundlage für Unternehmen, die KI-Agenten steuern möchten, ohne Innovationen zu ersticken.

Etablierung einer umfassenden KI-Agentenerkennung

Man kann nicht steuern, was man nicht sieht. Der erste Schritt besteht darin, Erkennungsmechanismen zu implementieren, die alle im Unternehmensumfeld aktiven KI-Agenten identifizieren – einschließlich Schatten-KI-Tools, die Mitarbeiter ohne Genehmigung der IT-Abteilung einsetzen. Die Überwachung auf Browserebene ist besonders wichtig, da viele KI-Agenten als Browsererweiterungen, Webanwendungen oder browserbasierte Automatisierungstools fungieren. LayerX Security bietet browsernative Transparenz über die Aktivitäten von KI-Agenten und ermöglicht es Unternehmen, Schatten-KI-Nutzung aufzudecken, die Interaktionen von Agenten mit SaaS-Anwendungen zu überwachen und Richtlinien zur KI-Nutzungskontrolle direkt vor Ort durchzusetzen.

Granulare KI-Zugriffskontrolle implementieren

KI-Agenten sollten nach dem Prinzip der minimalen Berechtigungen arbeiten, wobei der Zugriff auf die für ihre jeweilige Aufgabe erforderlichen Mindestressourcen beschränkt sein sollte. Eine effektive KI-Zugriffskontrolle umfasst Folgendes:

• Berechtigungen pro Aufgabe: Anstatt einem Agenten umfassenden Zugriff zu gewähren, der an die Identität eines Benutzers gebunden ist, sollten für jeden spezifischen Workflow spezifische Berechtigungen vergeben werden.
• Zeitgebundener Zugriff: Agentenberechtigungen werden automatisch widerrufen, sobald eine Aufgabe abgeschlossen ist oder ein definierter Zeitraum abgelaufen ist.
• Agentenübergreifende Berechtigungsanalyse: Bewerten Sie die kumulativen Zugriffsrechte von Agentenketten, um eine unbeabsichtigte Rechteausweitung zu verhindern.
• Browsergesteuerte Kontrollen: Blockieren Sie Agenten auf Browserebene den Zugriff auf nicht autorisierte SaaS-Anwendungen oder sensible Datenkategorien.

Einsatz von KI-gestützter Datenverlustprävention

Herkömmliche DLP-Lösungen müssen erweitert werden, um KI-spezifische Datenflüsse abzudecken. KI-DLP-Lösungen sollten Daten während ihrer Übertragung durch Browsersitzungen prüfen, erkennen, wenn Agenten versuchen, sensible Informationen in externe Dienste zu kopieren, und unautorisierte Datenübertragungen in Echtzeit blockieren. Dies umfasst die Überwachung von Zwischenablagevorgängen, Formularübermittlungen, Datei-Uploads und API-Aufrufen, die von KI-Agenten im Browser initiiert werden. Unternehmen sollten zudem KI-generierte Antworten validieren, um sicherzustellen, dass Agenten nicht versehentlich sensible Daten in ihre Ausgaben aufnehmen.

Entwickeln Sie ein KI-Governance-Framework mit klarer Verantwortlichkeit

Technische Kontrollen allein reichen nicht aus. Unternehmen benötigen einen formalen Rahmen für die KI-Governance, der Folgendes definiert:

1. Anforderungen an die Agentenregistrierung: Alle KI-Agenten müssen vor ihrem Einsatz bei der IT-Sicherheit registriert werden. Dies beinhaltet die Dokumentation ihres Zwecks, ihrer Datenzugriffsanforderungen und ihres zu erwartenden Verhaltens.
2. Eigentum und Verantwortlichkeit: Jeder Agent muss einen designierten menschlichen Verantwortlichen haben, der für das Handeln des Agenten und die Einhaltung der Vorschriften verantwortlich ist.
3. Periodische Überprüfungszyklen: Die Berechtigungen, das Verhalten und die geschäftlichen Begründungen der Agenten sollten mindestens vierteljährlich überprüft werden.
4. Verfahren zur Reaktion auf Zwischenfälle: Spezifische Handlungsanweisungen für die Reaktion auf agentenbezogene Sicherheitsvorfälle, einschließlich Agentenisolierung, Entzug von Anmeldeinformationen und forensische Analyse von Browser-Aktivitätsprotokollen.

Kontinuierliche Überwachung und Verhaltensanalyse einführen

Statische Richtlinien können das nicht-deterministische Verhalten von Agenten nicht vollständig steuern. Unternehmen sollten daher eine kontinuierliche Überwachung implementieren, die Verhaltensbaselines für jeden Agenten festlegt und Abweichungen kennzeichnet. Dies umfasst die Erfassung des Umfangs und der Sensibilität der abgerufenen Daten, der verwendeten SaaS-Anwendungen, der Häufigkeit und des Zeitpunkts der Agentenaktionen sowie aller Zugriffsversuche auf Ressourcen außerhalb des definierten Zuständigkeitsbereichs des Agenten. Browserbasierte Sicherheitslösungen bieten hierfür die optimale Grundlage, da sie Agentenaktionen genau dort beobachten, wo Benutzer und Agenten mit Web- und SaaS-Ressourcen interagieren.

Die Risiken agentenbasierter KI-Systeme werden mit zunehmender Leistungsfähigkeit der Agenten und ihrer tieferen Integration in Unternehmensprozesse weiter steigen. Organisationen, die jetzt in Erkennung, Zugriffskontrolle, KI-gestützte Datenverlustprävention (DLP) und strukturierte Governance-Frameworks investieren, sind deutlich besser aufgestellt, um die Produktivitätsvorteile agentenbasierter KI zu nutzen und gleichzeitig die mit dem Einsatz autonomer KI-Agenten verbundenen Sicherheits-, Compliance- und Betriebsrisiken zu managen.