600 Milliarden US-Dollar: So hoch sind laut dem aktuellen „Cost of Downtime Report“ von Splunk die jährlichen Kosten ungeplanter IT-Ausfälle bei den Global-2000-Unternehmen. Doch was unterscheidet Unternehmen mit den geringsten Ausfallkosten von allen anderen? Laut dem Splunk/Cisco-Report nennen 98 Prozent der weltweit befragten Unternehmen mit den niedrigsten Ausfallkosten eine durchgängige Transparenz über ihre IT-Landschaft als entscheidenden Erfolgsfaktor. Gerade mit dem zunehmenden Einsatz von KI wird diese Transparenz beim Datenmanagement zur Voraussetzung, um Störungen und Angriffe frühzeitig zu erkennen und darauf reagieren zu können. Denn KI kann Störungen, Sicherheitsvorfälle und Anomalien nur dann zuverlässig erkennen, wenn sie auf vollständige und zusammenhängende Informationen zugreifen kann.
Mehr Daten, weniger Durchblick
Anwendungen, Netzwerke, Endgeräte und Cloud-Dienste liefern bereits heute die Informationen, die Unternehmen zur Früherkennung von Störungen und Angriffen benötigen. Das Problem ist selten ein Mangel an Daten. Häufiger liegen entscheidende Hinweise über verschiedene Plattformen verstreut und müssen erst manuell zusammengeführt werden. Bei knappen Personalressourcen kostet das Zeit und erhöht das Risiko, kritische Bedrohungen zu spät zu erkennen.
So entsteht ein Resilience-Paradox: Je mehr Daten und Tools hinzukommen, desto schwieriger wird es häufig, die entscheidenden Signale rechtzeitig zu erkennen.
KI hilft, aber nur auf einer belastbaren Basis
KI kann Sicherheitsteams entlasten, etwa indem sie Alerts vorsortiert und priorisiert, Fehlalarme herausfiltert oder Vorfälle automatisch mit Kontextdaten anreichert. Doch ohne saubere, kontextualisierte Daten liefern KI-gestützte Lösungen unzuverlässige Ergebnisse. Sind die Informationen unvollständig oder fragmentiert, arbeitet auch die KI mit einem eingeschränkten Lagebild. Im schlimmsten Fall werden Fehlalarme eskaliert oder echte Bedrohungen übersehen oder falsch priorisiert. Unternehmen sollten deshalb vorhandene Informationen so zugänglich und verknüpfbar machen, dass Teams und KI-Systeme daraus fundierte Entscheidungen ableiten können. Das bestätigen auch Zahlen aus dem Splunk-Report „Die neuen Regeln des Datenmanagements”: 82 Prozent der IT-Verantwortlichen geben an, dass eine Datenmanagement-Strategie die Genauigkeit ihrer KI-Modelle verbessert hat.
„Viele Unternehmen glauben, sie müssten für KI vor allem neue Modelle einführen. Tatsächlich entscheidet heute etwas anderes über den Erfolg: ob die vorhandenen Daten überhaupt den notwendigen Kontext liefern”, sagt Juan Perea Rodríguez, Group Vice President & Country Manager Splunk Deutschland bei Cisco. „Nur dann kann KI relevante Signale richtig einordnen, Risiken priorisieren und Teams helfen, schneller auf Störungen oder Angriffe zu reagieren. Die eigentliche KI-Strategie beginnt deshalb nicht beim Modell, sondern bei der Datenbasis.“
Fünf Hebel für eine resilientes Datenmanagement
Folgende Grundlagen ermöglichen eine Datenmanagement-Strategie, die Sicherheitsdaten verfügbar, auswertbar und KI-tauglich macht:
- Datenqualität vor Datenvolumen priorisieren: Nur bereinigte und konsistente Daten in Echtzeit ermöglichen zuverlässige, KI-gestützte Sicherheitsentscheidungen. Eine Data-Fabric-Architektur hilft dabei, Daten systemübergreifend zu korrelieren und in den richtigen Kontext zu setzen, ohne sie aufwändig zu duplizieren.
- Silos aufbrechen: Sicherheitsteams brauchen eine einheitliche Sicht auf alle relevanten Datenquellen, egal ob in der Cloud, Onpremises oder bei Drittanbietern. Mit Federated-Search-Ansätzen können Daten direkt am Speicherort abgefragt werden, ohne dass sie erst an einem Ort zusammengeführt werden müssen.
- Maschinendaten für KI erschließen: Logs, Metriken und Events müssen so aufbereitet werden, dass KI-Modelle daraus lernen und Bedrohungen proaktiv erkennen können. Spezialisierte Modelle, etwa für Zeitreihenanalysen, erkennen Anomalien in Infrastrukturdaten früher als generische Ansätze.
- Infrastruktur skalierbar halten: Wachsende Datenmengen und neue Quellen sollten nicht jedes Mal einen Architektur-Umbau erfordern. Edge-Intelligence kann dabei helfen, bereits an der Quelle nur die relevanten Daten zu erfassen. So lassen sich Volumen und Kosten reduzieren.
- Governance von Anfang an mitdenken: Klare Zugriffskontrollen und eine nachvollziehbare Datenherkunft stellen sicher, dass KI nur mit autorisierten Daten arbeitet und somit regulatorische Vorgaben erfüllt. Dabei gilt das Human-in-the-Loop-Prinzip: Die KI erkennt Anomalien und schlägt Maßnahmen vor, die finale Entscheidung bei kritischen Vorfällen trifft weiterhin das Sicherheitsteam.
#Splunk
