Die drei Dimensionen der AI-Zugriffskontrolle
- Modellzugriff: Festlegen, welche Teams oder Anwendungen berechtigt sind, welche Modellanbieter aufzurufen (z. B. „HR darf eine freigegebene Modellfamilie nutzen, während Engineering eine andere freigegebene Modellfamilie verwendet").
- Kontrolle auf Prompt-Ebene: Beschränkung der Datentypen, die in einem Prompt enthalten sein dürfen. Im Wesentlichen Data Loss Prevention (DLP) für LLMs.
- Kontrolle auf Aktionsebene: Bei AI-Agenten ist dies die wichtigste Dimension. Sie legt fest, welche Tools ein Agent verwenden darf (z. B. „Dieser Agent darf das Dateisystem lesen, aber keine Datensätze löschen oder externe E-Mails senden").
Weg von gemeinsam genutzten API-Schlüsseln
Ein häufiger Fehler bei frühen AI-Einführungen ist die Verwendung eines einzigen „Master"-API-Schlüssels für alle AI-Anwendungen. Das schafft eine massive Sicherheitslücke: Wird ein System kompromittiert, ist die gesamte AI-Infrastruktur der Organisation gefährdet.
Sichere Deployments nutzen identitätsbewussten Zugriff. Jeder Agent und jede Anwendung sollte eine eigene, eng gefasste Identität besitzen, die eine präzise Richtliniendurchsetzung und eine klare Zuordnung in Audit-Logs ermöglicht.
Least-Privilege für AI durchsetzen
Das Prinzip der minimalen Rechtevergabe — nur den minimal notwendigen Zugriff zu gewähren — ist die Grundlage der AI-Governance. Plattformen wie Shield Control ermöglichen dies, indem sie jeden Tool-Call zur Laufzeit abfangen und vor der Ausführung gegen eine zentrale Richtlinie prüfen.
