Eingebettete KI in die Cybersecurity-Plattform integrieren

Diese Fallstudie behandelt die zweite Phase unserer Arbeit mit einer US-basierten Plattform zur Minderung von Cyberrisiken (NDA), mit der wir seit Juli 2020 zusammenarbeiten. In der ersten Phase wurde das Produkt vom Prototyp zu einem Fortune-500-SaaS weiterentwickelt (das können Sie hier nachlesen). Diese Phase beschreibt den nächsten Schritt: den Aufbau einer eingebetteten KI innerhalb des laufenden Produkts.

Die Herausforderung

Bis 2025 war die Plattform ein ausgereiftes Analytics-Produkt mit einem starken Nutzenversprechen und einer Fortune-500-Kundenbasis. Mit der Reife traten drei Probleme zutage:

• Komplexität an der Oberfläche. Die Plattform verarbeitete umfangreiche Cyberrisiko-Daten, doch ihre Interpretation erforderte Expertenwissen. Dieses Muster ist in regulierten, datenintensiven Kategorien üblich: Rechnungswesen, Bankwesen, Finanzwesen, Compliance.
   
• Niedrige Nutzungsfrequenz. Die meisten Nutzer öffneten das Tool einmal pro Quartal, um periodische Berichte zu erstellen. Das Produkt war nicht Teil ihres Tagesgeschäfts.
   
• Aufwendiges Onboarding. Neue Kunden benötigten rund 45 Minuten für eine geführte Einrichtung und die aktive Einbindung des Kundensupports, bevor sie das Produkt eigenständig nutzen konnten.

Als agentenbasierte, ChatGPT-ähnliche Interaktionen zur Markterwartung wurden, wandte sich der Kunde mit einer klaren Vorgabe an uns: Dieses Interaktionsmodell in seine Cyberrisiko-Plattform zu integrieren. Das Schwierige daran war, dass das Panel gleichzeitig für drei sehr unterschiedliche Nutzer funktionieren musste.
 

Ein Vorstandsmitglied braucht einen selbsterklärenden Screenshot, der sich direkt in einen Quartalsbericht einfügen lässt. Ein CFO braucht eine Erzählung hinter den Zahlen. Ein CISO braucht dialogische Tiefe, um die Daten zu untersuchen und darauf zu reagieren. Dieselbe Oberfläche musste allen dreien dienen. Das zu bauen bedeutete mehr, als einfach einen ChatGPT-Klon auf die Plattform zu setzen. Es bedeutete: eine Oberfläche, drei Personas und ein LLM, das in die Art und Weise eingewoben ist, wie sie alle arbeiten.

Unser Ansatz: Produktdesign

Die Kernfrage im Produkt war, wie man ein LLM in eine klassische Dashboard-Oberfläche einführt, ohne Nutzer dazu zu zwingen, zwischen zwei Arbeitsmodi zu wählen. Wir wollten weder einen weiteren ChatGPT-Klon noch einen Co-Pilot neben der Plattform bauen, denn beide Ansätze würden Nutzern zwei parallele Oberflächen hinterlassen. Wir wählten einen Hybrid. Der Nutzer behält die Vertrautheit von Klicken-und-los für alles, was er schon kann, und gewinnt Fragen-und-los für alles andere. Der Hybrid schützt die Lernkurve. Nutzer werden schrittweise an die LLM‑Zusammenarbeit herangeführt, mit Leitplanken auf jedem Schritt, bis sie eigenständig arbeiten können.

Im Kern der Lösung steht ein vierstufiges Modell: eine Leiter, die Nutzer in ihrem eigenen Tempo in die Daten eintauchen lässt – mit Aria auf jeder Stufe. Jede Ebene beantwortet eine andere Frage. Je tiefer die Ebene, desto langsamer und flexibler die Interaktion. Je höher die Ebene, desto schneller und deterministischer. Wir haben das Panel um ein einziges Prinzip herum neu gebaut: Einfachheit zuerst, Komplexität bei Bedarf.

Ebene 0 — Führungsebene: Was passiert?

Die erste Ansicht nach dem Login, konzipiert für Vorstandsmitglieder, Führungskräfte und alle, die in Sekunden Orientierung brauchen. Oben im Panel erscheinen die wichtigsten Statusindikatoren zur Cybersicherheit. Das ist die klassische Dashboard-Ansicht, sofort verfügbar, keine KI im Spiel. Blaue Buttons unter jeder Metrik führen zu vorgenerierten Inhalten: Antworten werden sofort aus bestehenden Daten angezeigt – kein Modellaufruf, kein Warten. Das ist die Screenshot-First-Ebene – die, die sich selbst erklärt.

Ebene 1 — Finanzen: Warum passiert das?

Die Untersuchungsebene, in der Nutzer wie CFOs und Finanzverantwortliche der Geschichte hinter der Zahl nachgehen. Jede Metrik lässt sich weiter über blaue Buttons (siehe oben) oder lila Buttons erkunden, die den eingebetteten KI-Chat mit Aria öffnen. Kontextuelle Prompt-Pills befinden sich neben dem offenen Freitextfeld für Fragen. Die Pills sehen aus wie kurze, lila Buttons, aber jede enthält einen komplexen Prompt, der auf Basis dessen, was der Nutzer gerade betrachtet, vorschlägt, was gefragt werden sollte. Lila Pills sind der Einstieg, um tiefer zu gehen.

Ebene 2 — Umsetzung: Erledige das für mich

Die Aktionsebene, am häufigsten genutzt von CISOs und Security-Operatoren, die das Problem bereits verstanden haben und Aria brauchen, um es anzugehen. Buttons sind nicht mehr passiv („View“), sondern werden zu Befehlen („Create“, „Identify“, „Prepare“). Das Produkt wechselt vom Anzeigen von Risiken zu deren Behebung.

Ebene 3 — Offene Fragestellung: Was auch immer Ihnen in den Sinn kommt

Ein freies Prompt-Feld, stets verfügbar, parallel zur vierstufigen Leiter. Nutzer, die genau wissen, was sie wollen, müssen nicht jede Ebene durchlaufen. Sie öffnen das Prompt-Feld und fragen.
Die Leiter ist bewusst nicht linear. In der Praxis schleift sich Ebene 1 oft mehrfach zurück (erkunden → tiefer erkunden → erneut erkunden → und erst dann handeln), denn jeder Nutzer hat sein eigenes Entscheidungstempo und seine eigene Untersuchungstiefe, bevor er einer Zahl vertraut.

Was unterschiedliche Nutzer aus derselben Oberfläche bekommen 

Für einen CISO ist dies ein Werkzeug, um eine Kennzahl in der benötigten Tiefe und im eigenen Tempo zu ergründen. Für Vorstandsmitglieder ist es ein Screenshot, der sich selbst erklärt. Für einen CFO ist es eine stimmige Erzählung, die ohne das Offenlegen der methodischen Nähte auskommt. Und durchgängig mussten Nutzer kein neues Produkt lernen, um KI-Fähigkeiten zu erhalten. Die KI holte sie dort ab, wo sie bereits arbeiteten.

Unser Ansatz: Architektur

Wir haben die Laufzeitumgebung um drei Architekturentscheidungen herum neu aufgebaut, die für Bereitstellungen im Unternehmensumfeld entscheidend sind: wie der Agent schlussfolgert, wie er innerhalb der Kundengrenzen bleibt und wie er sich mit dem Live‑Security‑Stack des Kunden verbindet.
 

Orchestrierung und Reasoning

Aria läuft auf LangGraph, einem zustandsbehafteten Orchestrierungs-Framework für Agenten, das Multi-Agent-Komposition, persistente Multi-Turn-Speicher und Live-Streaming der Tool-Ausführung unterstützt. Die Reasoning-Schicht nutzt die Claude-Modelle von Anthropic. Die Modellauswahl ist konfigurierbar, nicht architekturabhängig, sodass die Plattform den Anbieter ohne Neuschreibungen wechseln kann.
 

Mandantentrennung

Die Agenten von Aria arbeiten über Dutzende spezialisierter Tools hinweg: Risikoexposition, Frameworks, Governance, Scoring, Planung, Dokumenten‑I/O und alles, was der Kunde über eigene Konnektoren bereitstellt. Jedes Tool ist zum Zeitpunkt seiner Erstellung fest mit authentifiziertem Nutzer, Organisation und Profil verdrahtet. Das Modell kann diese Identität weder weitergeben noch ändern oder einsehen.
 

Für Agentensysteme ist das besonders wichtig. Mandantenübergreifender Zugriff in Aria ist kein Downstream‑Filter, der durch Prompt‑Injection, Jailbreak‑Versuche oder in hochgeladenen Dokumenten eingebettete bösartige Anweisungen umgangen werden könnte. Der Agent kann schlicht keine Tools außerhalb seiner Mandantengrenze aufrufen. In organisationsweiten Chats werden außerdem Namen von Geschäftsbereichen pseudonymisiert, bevor irgendeine Nachricht das Modell erreicht, und im Antwort-Stream wieder de‑anonymisiert – das Modell sieht also niemals echte Kundenkennungen.

Live-Integrationen über MCP

Aria fragt den Live‑Security‑Stack des Kunden ab, nicht nur Plattfomdaten. Heute CrowdStrike Falcon, morgen jedes MCP‑konforme Tool. Die Registrierung erfolgt pro Profil, OAuth 2.1 übernimmt die Authentifizierung. Damit wird Aria von einem eigenständigen Analyseprodukt zu einer Orchestrierungsschicht für den gesamten Sicherheitsbetrieb des Kunden.
Wir erweitern Aria zudem so, dass es seine eigenen Tools als MCP‑Server bereitstellt, sodass Claude Desktop, Cursor oder die internen Tools des Kunden Aria‑Daten von dort abrufen können, wo der Nutzer bereits arbeitet. Aria liest aus jedem Tool, das der Kunde verbindet, und stellt eigene Daten auf Kundenseite für MCP‑Clients bereit.

Vom Admin definierte Agenten

Der Administrator des Kunden erstellt neue Spezialisten direkt in der Anwendungs‑UI: Name, Prompt, Tools. Neue Agenten gehen in Minuten für die gesamte Organisation live. Das läuft parallel zu den von uns gemanagten Prompts als schneller Pfad für akute Anforderungen, sodass der Kunde der Plattform neue Rollen beibringt, statt auf ein Release zu warten.

Die Lösung

Aria ist eine eingebettete KI, nativ für die Plattform. Sie lebt innerhalb der Oberfläche, der Marke und der Authentifizierungsgrenze des Kunden – mit der analytischen Tiefe der ursprünglichen Plattform darunter und einer konversationellen Frontend-Schicht obendrauf. Nutzer wechseln nicht zu einem separaten Tool, um sie zu verwenden.

Für Nutzer hat sich die Experience verändert. Das Produkt beantwortet ihre Fragen und handelt darauf – innerhalb desselben Panels. Das Analyse-Tool, das früher Experteninterpretation verlangte, wurde zu einem Self‑Service‑Produkt, in dem Nutzer an einem Ort fragen, erkunden und handeln. Risiken werden nicht mehr nur angezeigt. Sie werden im selben Workflow adressiert.

Für den Kunden ist die Produktentwicklung nicht länger von Release-Zyklen abhängig. Das Admin-Team kann in Minuten neue Agenten, neue Prompts und neue Konnektoren zu Live‑Security‑Tools ausrollen – direkt über die Anwendungs‑UI konfiguriert. Der Kunde kann die Plattform selbst erweitern, sobald neue Anforderungen entstehen, ohne auf einen Sprint oder ein Deployment zu warten.

Strukturell hat sich geändert, dass die Plattform nun als Orchestrierungsschicht für den Security‑Stack des Kunden arbeitet, nicht nur als Analyseprodukt. Dieselbe Oberfläche dient Vorstandsberichten, CFO‑Narrativen und CISO‑Untersuchungen. Dieselbe Architektur ermöglicht es dem Admin‑Team des Kunden, Arias Fähigkeiten zu erweitern und neue Security‑Tools ohne Beteiligung der Entwicklung anzubinden.