Sichere Entwicklung von KI-Anwendungen: Ein praxisorientierter Leitfaden

Sichere Entwicklung von KI-Anwendungen: Ein praxisorientierter Leitfaden

Bei der sicheren Entwicklung von KI-Anwendungen müssen das Modell, seine Daten und jedes Tool, das es aufrufen kann, bereits ab der ersten Design-Sitzung als Teil Ihrer Angriffsfläche betrachtet werden – nicht erst als Prüfpunkt vor der Einführung. Teams, die dies richtig machen, legen zunächst eine Risikostufe fest, definieren darauf abgestimmte Kontrollen, begrenzen die zulässigen Aktionen der KI und überwachen sie auch nach der Veröffentlichung. Teams, die dies falsch angehen, versehen einen Prototyp mit einem Inhaltsfilter und erklären die Arbeit damit für abgeschlossen.

Dieser Leitfaden richtet sich an Führungskräfte aus den Bereichen Business, Operations, Technologie und Produkt, die kurz davor stehen, eine KI-Anwendung in Auftrag zu geben oder zu genehmigen. Er erläutert, was die wichtigsten US-amerikanischen Rahmenwerke tatsächlich besagen, worin KI-Systeme auf eine Weise versagen, die bei herkömmlicher Software nicht auftritt, und was Sie von den für die Entwicklung Verantwortlichen verlangen sollten.

Die wichtigsten Erkenntnisse

• Sicherheit bei KI ist eine Aufgabe des Risikomanagements, keine Checkliste, die Sie einfach abarbeiten. Entscheiden Sie, welche Ergebnisse für Ihr Unternehmen am wichtigsten sind, und stellen Sie dafür zuerst die erforderlichen Mittel bereit.
• Autonome Agenten benötigen klar begrenzte Befugnisse: eindeutige Grenzen dafür, was sie tun, worauf sie zugreifen und woran sie sich erinnern dürfen. Eine alleinige Filterung von Eingaben reicht dafür nicht aus.
• Modellgewichte, Trainingsdaten und Prompts verdienen denselben Schutz wie Quellcode – und NIST hat entsprechende Leitlinien veröffentlicht.
• Kontrollen sollten mit der Kritikalität skalieren. Ein interner Zusammenfassungsdienst und ein System, das Zahlungen oder Infrastruktur berührt, benötigen nicht dasselbe Maß an Absicherung.
• Fragen Sie jeden Entwicklungspartner, wie er Bedrohungsmodelle erstellt, KI-Funktionen testet und überwacht. Vage Antworten sind ebenfalls eine Antwort.

Inhaltsverzeichnis

• Warum KI-Anwendungen eigene Sicherheitsüberlegungen erfordern
• Beginnen Sie mit einer Risikostufe, nicht mit einer Tool-Liste
• Der Lebenszyklus: Vier Bereiche, in denen über Sicherheit entschieden wird
• Agenten verändern das Sicherheitsmodell
• Governance und Compliance: Was Sie dokumentieren sollten
• Den richtigen Entwicklungspartner auswählen
• Ein durchgearbeitetes Beispiel: Dokumentenverarbeitung
• Menschen und Prozesse sind ebenso wichtig wie Code
• Wie Ridiculous Engineering Sie unterstützen kann
• FAQ
• Quellen

Warum KI-Anwendungen eigene Sicherheitsüberlegungen erfordern

Eine herkömmliche Anwendung tut, was ihr Code vorgibt. Eine KI-Anwendung tut, was ihr Code vorgibt, und zusätzlich das, was ihr Modell aus den Texten, Dokumenten und Tool-Ausgaben ableitet, die es erhält. In diesem zweiten Teil liegen die neuen Probleme.

Die Präsentation zur KI-Risikotaxonomie von NIST unterscheidet inhärente Schwachstellen (Fehler, Halluzinationen, Implementierungsfehler und Schwächen der Plattform, auf der das Modell betrieben wird) von Angriffen, die das System manipulieren sollen. Sie müssen für beides planen. Ein Modell kann auch dann eine Richtlinie erfinden, die Ihr Support-Team nie verfasst hat, wenn es niemals angegriffen wird.

CISA weist in seinen gemeinsamen Leitlinien auf einen ähnlichen Punkt hin: KI-Systeme weisen neuartige Schwachstellen auf, die zusammen mit den üblichen Cybersicherheitsbedrohungen verwaltet werden müssen; außerdem sollte sicheres Design eine geschäftliche Priorität und kein nachträglicher Gedanke der Entwicklung sein. Dieser zweite Teil ist für Sie als Käufer besonders wichtig. Wenn Sicherheit ausschließlich im Entwicklungs-Backlog verankert ist, wird sie geopfert, sobald sich ein Termin verschiebt.

Beginnen Sie mit einer Risikostufe, nicht mit einer Tool-Liste

Die wichtigste frühe Entscheidung ist, wie viel Absicherung das System benötigt. Der OWASP AI Security Verification Standard (AISVS) ist ein von der Community erstellter Katalog überprüfbarer Sicherheitsanforderungen für KI-gestützte Systeme, der nach Stufen gegliedert ist. Stufe 1 eignet sich für interne Tools, während Stufe 3 für kritische Infrastrukturen vorgesehen ist. Entscheidend ist die Verhältnismäßigkeit: Sie wählen eine Stufe, die zur Reife und Kritikalität des Systems passt, und überprüfen das System anschließend anhand dieser Stufe.

Eine einfache Möglichkeit, Ihr Projekt einzuordnen:

Die meisten Projekte liegen irgendwo dazwischen, und das ist völlig in Ordnung. Die Übung erzwingt ein Gespräch, das andernfalls erst nach einem Vorfall stattfindet. Wenn Sie Unterstützung bei der Durchführung benötigen, beginnt unsere Softwareberatung und Unterstützung bei der Umsetzung oft genau hier.

Gehen Sie die Zielkonflikte ehrlich ein

Dr. Apostol Vassilev vom NIST hat unmissverständlich erklärt, dass die Absicherung von KI keine exakte Wissenschaft ist. In derselben NIST-Präsentation wird argumentiert, dass nicht jedes Merkmal der Vertrauenswürdigkeit gleichzeitig maximiert werden kann. Genauigkeit, Robustheit gegenüber Angriffen und Erklärbarkeit stehen in einem Spannungsverhältnis, und die Optimierung auf eines davon kann ein anderes schwächen.

Das hat eine praktische Konsequenz. Ihr Team muss schriftlich festlegen, welche Eigenschaft im Konfliktfall Vorrang hat. Ein Modell zur Betrugserkennung kann eine geringere Rohgenauigkeit zugunsten eines größeren Widerstands gegen Manipulation akzeptieren. Ein kundenorientierter Assistent kann mehr Anfragen ablehnen, damit er nicht zu etwas überredet werden kann. Niemand sollte Ihnen ein vollkommen sicheres Modell versprechen, und wer das tut, will Ihnen etwas verkaufen.

Der Lebenszyklus: Vier Bereiche, in denen über Sicherheit entschieden wird

Die Leitlinien für die sichere Entwicklung von KI-Systemen, die von CISA und dem britischen National Cyber Security Centre veröffentlicht wurden, gliedern die Arbeit in vier Phasen: sicheres Design, sichere Entwicklung, sichere Bereitstellung sowie sicherer Betrieb und sichere Wartung. So sieht jede Phase in einem echten Projekt aus.

Sicheres Design

Hier sind Änderungen am kostengünstigsten. Bevor jemand Code schreibt:

1. Bilden Sie die Datenflüsse ab. Was fließt in Prompts ein, was wird abgerufen, was wird gespeichert und was verlässt das System zu Drittanbietern von Modellen?
2. Erstellen Sie speziell für die KI-Komponenten ein Bedrohungsmodell. Fragen Sie, was passiert, wenn ein Angreifer ein Dokument, eine E-Mail, eine Webseite oder ein Support-Ticket kontrolliert, das vom Modell gelesen wird.
3. Legen Sie die menschlichen Kontrollpunkte fest. Für welche Aktionen ist die Zustimmung einer Person erforderlich? Klären Sie das jetzt und nicht erst, nachdem ein Pilotprojekt aus dem Ruder gelaufen ist.
4. Wählen Sie Modell und Hosting-Ansatz unter Berücksichtigung der Datensensibilität. Bestimmte Daten sollten Ihre Umgebung niemals verlassen.

Sichere Entwicklung

Für Teams, die Modelle entwickeln oder feinabstimmen, ist NISTs SP 800-218A das maßgebliche Dokument. Es wurde im Juli 2024 veröffentlicht und ergänzt das Secure Software Development Framework (SSDF) Version 1.1 um KI-spezifische Praktiken. Seine zentrale Idee ist für jeden Käufer nützlich: Modellgewichte, Trainingsdatensätze und Belohnungsmodelle sind Vermögenswerte und sollten mit derselben Sorgfalt gespeichert und geschützt werden wie Quellcode.

In der Praxis bedeutet das Zugriffskontrollen und Audit-Protokolle für Trainingsdaten, Herkunftsnachweise für Datensätze, versionierte und signierte Modellartefakte sowie eine geprüfte Lieferkette für Modelle und Bibliotheken von Drittanbietern. Wenn Ihr Anbieter Ihnen nicht sagen kann, woher die Trainingsdaten stammen oder wer sie ändern kann, haben Sie eine Lücke gefunden.

Auch KI-gestützte Programmierung gehört auf diese Liste. Von Programmierassistenten erzeugter Code benötigt weiterhin dieselbe Prüfung, statische Analyse und Abhängigkeitsprüfung wie von Hand geschriebener Code. Wir haben darüber geschrieben, wie generative KI eine Neubewertung des Softwareentwicklungsprozesses erzwingt, und die Kurzfassung lautet: Die durch KI gewonnene Geschwindigkeit macht eine disziplinierte Prüfung wichtiger, nicht weniger wichtig.

Sichere Bereitstellung

Die Sicherheit bei der Bereitstellung besteht größtenteils aus gewöhnlicher guter Hygiene, angewandt mit Blick auf KI: segmentierte Netzwerke, aus Prompts und Protokollen herausgehaltene Geheimnisse, Dienstkonten mit den geringsten erforderlichen Berechtigungen und validiertes Verhalten vor dem Produktivstart. CISA, NSA, FBI und Partner haben gemeinsame Leitlinien für die sichere Bereitstellung von KI-Systemen veröffentlicht, die Sie an Ihr Infrastrukturteam weitergeben sollten.

Testen Sie vor der Veröffentlichung die Fehlerszenarien, nicht nur den Idealfall. Führen Sie adversariale Prompts gegen das System aus. Versuchen Sie, es dazu zu bringen, seine Anweisungen offenzulegen, die Daten eines anderen Benutzers preiszugeben oder ein Tool aufzurufen, das es nicht aufrufen sollte. Dokumentieren Sie die Ergebnisse und beheben Sie die Probleme vor dem Start, nicht danach.

Sicherer Betrieb und Wartung

KI-Systeme verändern sich. Anbieter aktualisieren Modelle, Abrufdaten ändern sich, und Benutzer finden neue Formulierungen. Planen Sie eine kontinuierliche Überwachung, die Protokollierung von Prompts und Tool-Aufrufen (mit Datenschutzkontrollen), das Patchen des umgebenden Stacks und einen definierten Prozess für den Umgang mit Schwachstellen ein. Benennen Sie eine verantwortliche Person. Ein KI-Feature ohne namentlich benannte verantwortliche Person ist dasjenige, das unbemerkt ausfällt.

Agenten verändern das Sicherheitsmodell

Ein Chatbot antwortet. Ein Agent handelt. Sobald Ihre Anwendung im Namen eines Benutzers im Internet suchen, Datenbanken abfragen, E-Mails senden oder Code ausführen kann, verschiebt sich die Sicherheitsfrage von „Was könnte es sagen?“ zu „Was könnte es tun?“

Das OWASP Gen AI Security Project Top 10 für agentische Anwendungen baut auf seiner Taxonomie agentischer Bedrohungen, seinem Leitfaden zur Bedrohungsmodellierung und seinen Richtlinien für sichere Entwicklung auf. Darin werden Risiken wie die Übernahme der Agentenziele und unerwartete Codeausführung benannt. Die Autoren beschreiben den Wandel als Übergang vom Schutz des Codes zur Durchsetzung begrenzter Befugnisse: klar definierte Grenzen dafür, was eine autonome Einheit tun, worauf sie zugreifen und was sie wissen darf.

Wir haben die vollständige Liste in unserem Beitrag zu den OWASP Agentic AI Top 10 und den Vorbereitungen, die Sicherheitsteams treffen solltenbehandelt. Die folgenden Kontrollen halten wir für besonders wichtig.

Begrenzen Sie die Befugnisse des Agenten

• Beschränken Sie den Umfang der Tools. Geben Sie einem Agenten ein Tool zum „Lesen von Rechnungen“, keine Datenbankverbindung.
• Verwenden Sie identitätsbewusste Tool-Aufrufe. Der Agent sollte mit den Berechtigungen des von ihm betreuten Benutzers handeln, damit ein kompromittierter Agent nicht über das Token dieses Benutzers hinaus zugreifen kann.
• Verlangen Sie für risikoreiche Aktionen eine Genehmigung. Erstattungen, Löschungen, ausgehende Nachrichten an Kunden und die Ausführung von Code sollten für eine manuelle Prüfung angehalten werden. Dies von Anfang an einzuplanen ist deutlich einfacher, als es nach der Bereitstellung nachzurüsten.
• Begrenzen Sie den Speicher. Langzeitspeicher und Abrufspeicher können durch adversariale Inhalte vergiftet werden, die das Verhalten über viele Interaktionen hinweg beeinflussen. Behandeln Sie das, woran sich der Agent erinnert, als nicht vertrauenswürdige Eingabe und sorgen Sie dafür, dass dies prüfbar und zurücksetzbar ist.
• Prüfen Sie Tool-Definitionen. Manipulierte Tool-Beschreibungen stellen ein Lieferkettenrisiko dar. Fixieren Sie Versionen und prüfen Sie Änderungen so, wie Sie eine Abhängigkeit prüfen würden.

Denken Sie daran, dass Prompts keine Sicherheitsgrenze darstellen

Einem Modell zu sagen: „Gib niemals Kundendaten preis“ ist eine Aufforderung, kein Durchsetzungsmechanismus. Die Durchsetzung gehört in die umgebenden Schichten: Autorisierungsprüfungen im Code, Ausgabevalidierung, Ratenbegrenzungen und Netzwerkkontrollen. Wenn eine Kontrolle durch einen cleveren Satz außer Kraft gesetzt werden kann, handelt es sich um eine Richtlinie.

CISA hat gemeinsam mit australischen und anderen internationalen Partnern außerdem Leitlinien zur sorgfältigen Einführung agentischer KI-Diensteveröffentlicht. Diese sind eine gute Lektüre für Führungskräfte, die entscheiden, wie schnell sie Agenten einführen wollen. Wenn Ihre Pilotprojekte hinter den Erwartungen zurückbleiben, behandelt unsere Analyse warum Bereitstellungen von KI-Agenten in Unternehmen hinter den Erwartungen zurückbleiben die betriebliche Seite.

Governance und Compliance: Was zu dokumentieren ist

Frameworks geben Ihren Prüfern, Kunden und Ihrem Vorstand ein gemeinsames Vokabular. Drei davon sollten Sie kennen:

• Das NIST AI Risk Management Framework und sein Profil für generative KI. NIST AI 600-1 ist eine branchenübergreifende Ergänzung zum AI RMF für generative KI und eignet sich zur Strukturierung von Risikoprüfungen.
• OWASP AISVS. Testbare Anforderungen, die Sie in Abnahmekriterien überführen können.
• ISO/IEC 27001. Nicht speziell auf KI ausgerichtet, aber viele Unternehmenskunden erwarten sie. Ein Überblick über die Kontrollen nach ISO 27001, Anhang A hilft Ihnen zu erkennen, welche bestehenden Kontrollen Ihr KI-System übernehmen sollte.

Wenn Sie an Unternehmen verkaufen, sollten Sie damit rechnen, dass Ihre Kunden in Sicherheitsfragebögen nach Ihren KI-Kontrollen fragen. Einheitliche Antworten frühzeitig vorzubereiten, spart Wochen in Verkaufsprozessen, und dieser Beitrag über KI im Risikomanagement für Sicherheitsfragebögen bietet einen sinnvollen Einblick in die Veränderungen dieses Prozesses.

Wenn Sie in Europa tätig sind oder dorthin verkaufen, bringt die Regulierung zusätzliche eigene Pflichten mit sich. Dafür führen wir eine Bereitschafts-Checkliste für den EU-KI-Rechtsakt Auch Behörden können unsere Analyse zu der KI-Einführung, die die Bereitschaft von Behörden überholt relevant finden.

Auswahl eines Entwicklungspartners

Unabhängig davon, ob Sie KI-Entwicklungsdienstleistungen, Anbieter für maßgeschneiderte KI-Software oder ein internes Team vergleichen: Dieselben Fragen unterscheiden ernsthafte Entwickler von bloß enthusiastischen Anbietern. Fragen Sie:

1. Wie führen Sie eine Bedrohungsmodellierung für eine KI-Funktion durch? Sie benötigen eine konkrete Methode und ein Beispielartefakt, keine Präsentationsfolie.
2. Was umfasst Ihr Testen über Unit-Tests hinaus? Achten Sie auf Tests gegen adversariale Prompts, Tests auf Datenlecks und Evaluationsdatensätze, die bei jeder Änderung ausgeführt werden.
3. Wohin gelangen unsere Daten? Lassen Sie sich eine klare Antwort zu Modellanbietern, Aufbewahrungsfristen und der Nutzung für das Training geben.
4. Wie begrenzen Sie, was Agenten tun können? Achten Sie auf eingeschränkte Tools, an Benutzer gebundene Berechtigungen und Genehmigungsschranken.
5. Wer wird an der Arbeit beteiligt sein? Erfahrene Entwickler, die sowohl Ihr Geschäftsziel als auch die technischen Einschränkungen verstehen, treffen bessere Abwägungen als ein ständig wechselndes Team.
6. Was geschieht nach dem Start? Überwachung, Patching und Reaktion auf Vorfälle sollten im Plan und im Budget vorgesehen sein.

Fragen Sie außerdem, welche Größe angemessen ist. Nicht jedes Problem benötigt einen Agenten, und nicht jeder Workflow braucht ein Modell. Eine deterministische Automatisierung mit einem gezielt eingesetzten KI-Schritt ist häufig günstiger, schneller und leichter abzusichern als ein frei agierender Agent. Die passende Größe ist besser als bloßer Eindruck.

Ein ausgearbeitetes Beispiel: Dokumentenverarbeitung

Nehmen wir ein häufiges Projekt: das Extrahieren von Feldern aus Verträgen und Rechnungen. Die sichere Variante unterscheidet sich in leicht aufzuzählenden Punkten von der schnellen Variante.

Die schnelle Variante sendet vollständige Dokumente an ein gehostetes Modell und schreibt die Ergebnisse direkt in das Finanzsystem. Die sichere Variante klassifiziert Dokumente zunächst nach ihrer Sensibilität, entfernt Informationen, die das Modell nicht benötigt, validiert extrahierte Felder anhand von Schemata und Geschäftsregeln, markiert Ergebnisse mit geringer Konfidenz zur Prüfung durch eine Person und schreibt über ein eng begrenztes Dienstkonto mit Protokollierung in nachgelagerte Systeme. Sie behandelt Text im Dokument als nicht vertrauenswürdig, da ein Dokument Anweisungen enthalten kann, die sich an das Modell richten.

Nichts davon ist exotisch. Es erfordert etwas mehr Planungszeit und eine Prüfwarteschlange und beseitigt das Szenario, in dem eine manipulierte PDF-Datei eine Zahlung auslöst. Unser Beitrag zu Kosten, Architektur und Best Practices der KI-Dokumentenverarbeitung geht näher auf dieses Muster ein.

Menschen und Prozesse sind genauso wichtig wie Code

Sicherheitsgewohnheiten scheitern, wenn dem Team die Fähigkeiten fehlen, sie aufrechtzuerhalten. Entwickler müssen Prompt Injection, Datenvergiftung und Risiken in der Modell-Lieferkette verstehen. Produktverantwortliche müssen in der Lage sein, eine Funktion abzulehnen, deren Risiko noch nicht begrenzt ist. Wir haben über eine Neuausrichtung Ihrer Talentstrategie für Kompetenzen im Bereich generativer KI und darüber wie KI die Engineering-Kultur verändert genau aus diesem Grund. Bereitschaft ist auch eine Frage der Führung, die wir in folgendem Beitrag untersuchen: Heute entscheidet über morgen: Sind wir bereit für generative KI?

Wie Ridiculous Engineering helfen kann

Ridiculous Engineering ist eine in Colorado ansässige Softwareentwicklungsberatung mit Sitz in Lafayette. Wir entwerfen, entwickeln, modernisieren und betreuen individuelle Software, einschließlich KI-gestützter Lösungen, Workflow-Automatisierung sowie der dazugehörigen Integrationen und Cloud-Architektur. Unser KI-Entwicklung und Automatisierung Service umfasst die Entwicklung von KI-Funktionen und Automatisierungen mit den oben beschriebenen Anforderungen an Sicherheit und Wartbarkeit, während unser Entwicklung individueller Software Team sich um die zugehörige Plattform kümmert. Sie arbeiten direkt mit erfahrenen Ingenieuren zusammen, denen das Geschäftsergebnis ebenso wichtig ist wie der Technologiestack. Wenn Sie ein Projekt abwägen, beginnen Sie ein Gespräch mit uns und bringen Sie zunächst Ihren riskantesten Anwendungsfall mit.

FAQ

Was ist die sichere Entwicklung von KI-Anwendungen?

Dabei handelt es sich um die Entwicklung KI-gestützter Software mit Sicherheitskontrollen in jeder Phase: Design, Entwicklung, Bereitstellung und Betrieb. Dazu gehören der Schutz von Daten, Modellen und Prompts sowie die Begrenzung dessen, was die KI tun kann. CISA und das britische NCSC beschreiben diesen Lebenszyklus in ihren gemeinsamen Richtlinien.

Worin unterscheidet sich die Absicherung einer KI-Anwendung von der Absicherung herkömmlicher Software?

KI-Systeme können durch die von ihnen gelesenen Inhalte manipuliert werden, etwa durch Dokumente oder Webseiten, und sie können auch ohne Angriff falsche Ausgaben erzeugen. Standardkontrollen wie Zugriffsverwaltung und Patchen benötigen Sie weiterhin. Hinzu kommen KI-spezifische Maßnahmen wie adversariales Testen, der Schutz von Modellgewichten und Datensätzen sowie eine begrenzte Berechtigung für Agenten.

Welche Standards sollten wir befolgen?

Beginnen Sie mit dem NIST AI Risk Management Framework und seinem Profil für generative KI zur Strukturierung von Risiken, dem NIST SP 800-218A für sichere Entwicklungspraktiken sowie dem AISVS und dem Agentic Top 10 von OWASP für überprüfbare Kontrollen. Wählen Sie die Tiefe abhängig davon, wie kritisch das System ist. Ihre Rechts- und Sicherheitsteams sollten bestätigen, welche Vorschriften für Ihre Branche gelten.

Kann ein KI-System jemals vollständig sicher sein?

Nein. NIST-Experten beschreiben KI-Sicherheit als iterativen Risikomanagementprozess, und einige Ziele der Vertrauenswürdigkeit stehen in einem Zielkonflikt mit anderen. Realistisch ist es, zu entscheiden, welche Risiken am wichtigsten sind, sie zu reduzieren und die Überwachung fortzusetzen.

Wie bewerten wir ein Unternehmen für KI-Softwareentwicklung im Hinblick auf Sicherheit?

Fragen Sie nach der Methode zur Bedrohungsmodellierung, dem Ansatz für adversariales Testen, den Bedingungen für den Umgang mit Daten, dem Berechtigungsdesign für Agenten und dem Überwachungsplan nach der Einführung. Achten Sie auf konkrete, dokumentierte Antworten von den Ingenieuren, die die Arbeit ausführen werden.

Quellen

• Präsentation zur NIST-Taxonomie von KI-Risiken (Vassilev)
• CISA: Grundsätze für die sichere Integration von KI in der Betriebstechnik
• OWASP AI Security Verification Standard (AISVS)
• CISA und UK NCSC: Richtlinien für die sichere Entwicklung von KI-Systemen
• NIST SP 800-218A
• CISA: Gemeinsame Leitlinien für die sichere Bereitstellung von KI-Systemen
• OWASP Top 10 für agentische Anwendungen
• CISA: Sorgfältige Einführung agentischer KI-Dienste
• Technische Berichte des NIST AIRC (AI 600-1)

Empfohlen

• OWASP Agentic AI Top 10: Sicherheitsrisiken für 2026
• KI-Dokumentenverarbeitung: Kosten, Architektur und Best Practices
• Schutz vor Prompt-Injection: Ein Leitfaden für Sicherheitsingenieure für 2026
• Checkliste zur Vorbereitung von Unternehmen auf den EU-KI-Rechtsakt (vor August 2026)