LONDON (IT BOLTWISE) – Lasso beschreibt eine AI-Sicherheitsarchitektur, die bei KI-Agenten nicht bei Content-Filtern stehen bleibt, sondern das tatsächliche Verhalten gegen eine verhaltensbasierte Baseline prüft. Im Zentrum steht eine Intent Security Engine, die Abweichungen aus Session-Historie und Tool-Ketten erkennt und bei Bedarf in Echtzeit blockiert. Dazu koppelt das Unternehmen Discovery und Inventory, AI-SPM-Posture-Management, automatisiertes Red Teaming sowie Inline-Guardrails in einem geschlossenen Offense-to-Defense-Loop. Für Security-Teams verspricht das eine reduzierte Tuning-Last und klare, auditierbare Evidence über die gesamte Kette hinweg.
Klassische Sicherheitskontrollen für Software zielen oft auf deterministische Ausführungspfade: Wenn Eingaben an einem festen Codepfad landen, lassen sich Angriffsversuche anhand bekannter Muster vergleichen. Bei KI-Agenten ist das anders. Sie „reasonen“ entlang eines Ziels, wählen Tools aufgrund dieser Überlegungen aus und passen ihre nächste Aktion an die Ergebnisse der Tools an. Damit entsteht ein neues Problem: Die gleiche Nutzeranfrage kann – je nach Kontext, Session-Historie oder dem zufälligen Tool-Output – zu einer anderen Folge von Schritten führen. Lasso setzt genau hier an und formuliert „Behavior“ als eigentliche Angriffsfläche, weil sich die sicherheitsrelevante Wirkung nicht zuverlässig auf Content-Checks vorhersagen lässt.
Statt punktueller Einzelprodukte skizziert Lasso eine Plattform, die Übergaben zwischen Teams und Werkzeugen bewusst verkleinert. Der Ansatz beginnt mit einer strukturierten Discovery- und Inventory-Phase: Agenten und KI-Anwendungen sollen organisationsweit sichtbar werden, auch wenn sie nicht aus einem einzelnen Engineering-Team stammen. In der Praxis heißt das, dass Low-Code- und No-Code-Agent-Builder direkt angebunden werden, während gleichzeitig Cloud-Umgebungen sowie CI/CD-Pipelines und Code-Repositorys nach Agenten durchsucht werden. Das Ergebnis ist ein „AI Bill of Materials (AIBOM)“, das laufend aktualisiert wird und jedes Element profiliert – vom verwendeten Modell über System Prompt und Tool-Zugriffe bis hin zu Guardrails, Policies und Konfigurationen. Genau diese Datengrundlage soll verhindern, dass ein Security-Team testet, ohne zu wissen, was später wirklich in Produktion läuft.
Auf dem AIBOM baut Lasso sein AI-Security-Posture-Management, kurz AI-SPM, mit einem Sicherheitsgraphen auf. Dort verknüpft die Plattform Anwendungen und ihre Agenten mit LLMs, Datenbanken und APIs, sodass Attack Paths sichtbar werden, bevor ein Angreifer sie systematisch ausnutzt. Für die Bewertung führt AI-SPM statische Analysen an Konfigurationen durch und ordnet die Befunde zusätzlich entlang etablierter Rahmenwerke ein – genannt werden NIST, OWASP und MITRE. Entscheidend ist dabei weniger der reine Bericht, sondern die Verbindung aus technischer Fehlkonfiguration und dem Kontext, welche Kontrollabdeckung damit Lücken hat. Lasso argumentiert außerdem, dass viele reale KI-Sicherheitsausfälle nicht aus „sophisticated“ Angriffen entstehen, sondern aus zu permissiven Tool-Berechtigungen, nicht getesteten Guardrails oder System Prompts, die nicht gegen adversariale Szenarien geprüft wurden.
Im nächsten Schritt greift Lasso auf automatisiertes AI Red Teaming über, das für agentische Anwendungen ausgelegt ist, nicht nur für Web- oder API-Scans. Die Plattform beschreibt diesen Teil als Reconnaissance-Phase, in der Model, System Prompt, Tools, Guardrails und der „behavioral scope“ rückerschlossen werden. Aus den AI-SPM-Funden sollen die Ziele des Red Teamings direkt abgeleitet werden, damit Tests nicht bei generischen Checklisten enden. Lasso unterscheidet dabei drei Modi: „Static attacks“ arbeiten mit einer Payload-Bibliothek, die mit 300.000+ Varianten kontinuierlich erweitert wird; „Dynamic attacks“ nutzen Multi-Turn-Probing, um die Fragilität des Intent-Verhaltens unter längerem adversarialem Druck zu prüfen; und „High-agency attacks“ setzen autonome Gegenpartei-Instanzen ein, die mehrstufige Angriffe rollenbasiert nachbauen und dabei Kontextfenster sowie Agent Memory ausnutzen. Ein zentraler Operationalisierungshebel: Jede Schwachstellen-Meldung soll direkt in eine konkrete Remediation, eine empfohlene Guardrail-Änderung und eine erneute Testbestätigung münden – ohne manuelle Übergaben.
Damit die Ergebnisse nicht nur im Bericht „versanden“, verlagert Lasso Schutzmechanismen in die Laufzeitphase: Inline Guardrails sollen an Proxy-, API- oder AI-Gateway-Ebenen blockieren können, und zwar in Echtzeit mit einer Latenz von „unter 50ms“, ohne dass Codeänderungen oder ein Zugriff auf Source Code nötig wären. Die Tiefe der Enforcement entsteht laut Beschreibung nicht aus wenigen Signaturen, sondern aus tausenden Klassifikatoren pro Interaktion, die auf OWASP LLM und „Agentic Top 10“ einzahlen sowie auf sensitive Daten und Data-Leakage-Vermeidung. Zusätzlich werden Prompt-Injection- und Jailbreak-Versuche sowie KI-spezifische Muster adressiert, die traditionelle Security-Signatures nicht abbilden. Für Fälle, in denen Semantik entscheidend ist, setzt Lasso „LLM-as-a-judge“-Bewertungen inline ein, um die Angemessenheit einer Antwort im Verhältnis zum vorgesehenen Scope zu beurteilen. Wer das verhindern will, dass Teams zu viele Regeln abschalten müssen, bekommt außerdem ein Modell aus kontinuierlichem Purple Teaming: Red Team Findings können Guardrail-Updates automatisch erzeugen, Security-Teams prüfen und approven, und mit zunehmender Zeit soll die Policy-Refinement-Kette immer weniger manuelle Schleifen benötigen.
Das Kernelement dieser Architektur ist die Intent Security Engine. Anstatt nur einzelne Prompts oder isolierte Outputs zu bewerten, baut sie eine verhaltensbasierte Baseline für Agenten und Anwendungen anhand des vollständigen Interaktionsverlaufs auf und misst dann Abweichungen. Lasso nennt dafür zwei Signale: „In-chain intent misalignment“ prüft, ob User Request, System Prompt, Agent Reasoning und Tool Actions innerhalb eines Ausführungsflows konsistent zusammenpassen; sobald ein Schritt „nicht zum Rest passt“, gilt die Intent-Integrität als kompromittiert – sogar ohne Permission Boundary zu überschreiten. „Behavioral intent anomaly“ zielt dagegen auf Musterwechsel im Tool- und Workflow-Verhalten: Wenn ein Agent normalerweise eine einzelne Tool-Aktion ausführt, aber plötzlich eine Kette mit mehreren Schritten startet, obwohl das Ergebnis scheinbar innerhalb der eigenen Regeln liegt, ist das für die Engine trotzdem ein Alarmkandidat. Laut Lasso läuft die Session-Analyse in „unter 5 Sekunden“ und soll mit „570x“ der Geschwindigkeit klassischer Ansätze arbeiten, während die Engine eine Detektionsgenauigkeit von 98,6% bei einer False-Positive-Rate von 1,4% erreichen soll – Werte, die vor allem für den Betrieb relevant sind, weil zu viele Falschalarme Sicherheitskontrollen oft „weichkochen“ lassen.
Für die Umsetzung in Unternehmen ergänzt Lasso die technischen Entscheidungen um Compliance und Reporting. Die Plattform verknüpft Befunde über den gesamten Lebenszyklus hinweg – von AI-SPM-Misconfigurations über Red-Team-Vulnerabilities bis zu Runtime-Detections – mit OWASP LLM Top 10, NIST und MITRE, sodass Security und Compliance mit demselben evidenzbasierten Mapping arbeiten, statt Ergebnisse aus getrennten Tools abgleichen zu müssen. Audit-ready Dashboards sollen dabei zeigen, was entdeckt wurde, welche Posture-Gaps existieren, was getestet wurde, welche Findings entstanden, wie sie behoben wurden und wie das verbleibende Restrisiko aussieht. Für regulierte Branchen nennt Lasso zudem Deployments on-premises oder in einer VPC, wobei laut Beschreibung kein Source-Code-Zugriff und keine Agent-Deployment-Pflicht innerhalb der Applikationsumgebung besteht – ein Punkt, der insbesondere bei strikteren Datenresidenz-Anforderungen relevant wird. Am Ende positioniert Lasso seine Plattform damit nicht als weiteres Monitoring, sondern als geschlossenen Closed-Loop für Agent-Behavior: von der ersten System-Prompt-Basis bis zur Inline-Enforcement in Produktion.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Intent Security für KI-Agenten: Lasso koppelt Discovery, Testing und Runtime-Blocking" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Intent Security für KI-Agenten: Lasso koppelt Discovery, Testing und Runtime-Blocking" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Intent Security für KI-Agenten: Lasso koppelt Discovery, Testing und Runtime-Blocking« bei Google Deutschland suchen, bei Bing oder Google News!