Künstliche Intelligenz noch nicht bereit für Industrial-Control-System-Cybersicherheit

Als Google Duplex erstmals eine Restaurant-Telefonleitung bediente, klang es fast menschlich. Die Demo zeigte, was KI heute kann: schmale, scriptete Gespräche mit unheimlicher Flüssigkeit auszuführen. Doch dieselbe Technologie, nun in 43 US-Bundesstaaten für Google Pixel Nutzer verfügbar, zeigt die Limits heutiger KI – fähig für Routine-Interaktionen, aber noch weit entfernt von der Bewältigung der Komplexität industrieller Steuerungssysteme (ICS).

Andere hochkarätige KI-Projekte unterstreichen diese Kluft. IBMs Project Debater kann persuasive Argumente konstruieren, aber seine Stimme bleibt roboterhaft und sein Verständnis abstrakt. Beide Beispiele illustrieren, dass die fortschrittlichste KI von Firmen mit tiefen Taschen und massiven Datensets kommt – doch selbst sie warnen, dass Algorithmen versagen können, Daten biased sein können, und unsachgemäße Praktiken Vertrauen erodieren können.

Marketing-Narrative malen KI oft als Allheilmittel für Business-Herausforderungen, versprechen, riesige Mengen industrieller Daten Sinn zu geben und die Sicherheit von Steuerungssystemen zu befestigen. Industrielle Analytics, angewendet auf Maschinendaten, treibt Konvergenz von OT und IT und befeuert die Vierte Industrielle Revolution, laut Industrial Internet of Things Analytics Framework des Industrial Internet Consortium.

Cybersicherheits-Veteran Jason Haward-Grau, CISO von PAS Global, merkt an: „Robotic Process Automation ist wahrscheinlich weit interessanter, aus KI-Perspektive, als KI in Security.“ Er argumentiert, Vendors können claimen, sie bieten KI für jedes Problem, aber Businesses sollten zuerst fragen: „Was braucht meine Organisation?“ und dann bestimmen, ob KI die Antwort ist.

Threat-Levels bleiben hoch. Eine 2018 Kaspersky-Studie fand, dass 49 % von 321 industriellen Befragten mindestens einen Angriff pro Jahr berichteten – eine Unterberichterstattung, die die wahre Zahl wahrscheinlich unterschätzt.

KI zu definieren, ist selbst eine philosophische Herausforderung. Technologie-Autor Jaron Lanier warnte 2016, dass ohne messbare Baseline „man im Fantasy-Land ist“. In der Praxis bedeutet dies, dass viele Systeme, die als „smart“ gelabelt sind, empirischer Fundierung entbehren.

Ein konkreter Use Case ist Malware- oder Anomalie-Detektion. Mit zuverlässiger Netzwerk-Baseline und robusten ML-Algorithmen, trainiert auf ausreichend Daten, kann KI Bedrohungen schnell flaggen und False Positives reduzieren. Das ist besonders wertvoll gegeben dem Cybersicherheits-Talent-Mangel.

Doch Erfolg hängt von Datenrelevanz ab. Wenn das System bestimmte Business-Prozesse nicht kennt, kann es False Alarms generieren. Zudem kann Training auf fehlerhaften Daten Malware als benign fehlklassifizieren. Adversaries können sogar Model-Features reverse-engineeren, um Detection zu evadieren.

Industrielle Umgebungen präsentieren zusätzliche Hürden. OT-Geräte nutzen oft keine Standard-IT-Protokolle, und Legacy-Control-Busse (z. B. 25 Jahre alte Systeme) sind für KI schwer zu interpretieren. Haward-Grau illustrierte dies mit einem Raffinerie-Beispiel: Während 500 IT-Geräte via Network-Tracking überwacht werden können, präsentieren 28.500 OT-Endpoints von mehreren Vendors (ABB, Schneider Electric, Siemens, Yokogawa, Philips, GE, Honeywell) eine fragmentierte Datenlandschaft, die KI-Translation und Definition von „gutem“ Verhalten kompliziert.

Der Shift von „es ist nur eine Frage der Zeit, bis wir gebreached werden“ zu „wir sind bereits kompromittiert“ amplifiziert die Komplexität, normales Netzwerkverhalten zu etablieren. Eine IBM-backed 2018 Studie zeigte, es dauert durchschnittlich 197 Tage für Enterprises, einen Breach zu detektieren – Zeit, die die Reliabilität von ML-Modellen, trainiert auf evolvierenden Netzwerktopologien, erodieren kann.

KI hält Versprechen für industrielle Cybersicherheit, aber Adoption sollte mit gut-definierten Use Cases starten, die Datenkomplexität limitieren. Wie E. F. Schumacher sagte: „Es braucht einen Touch Genie – und viel Mut – um in die entgegengesetzte Richtung zu gehen.“ Für industrielle Leader bedeutet das: Mit kleinen, handhabbaren Projekten starten, bevor KI über die gesamte OT-Landschaft skaliert wird.