gesponsertWarum Agent Sprawl Unternehmen gefährdet Shadow Agents: Die unterschätzte Gefahr für Unternehmen

Gesponsert von

AvePoint Deutschland GmbH

Immer mehr Unternehmen setzen AI Agents ein, ohne deren Aktivitäten ausreichend zu kontrollieren. Shadow Agents und Agent Sprawl erhöhen dadurch Sicherheitsrisiken und Kosten. Warum Unternehmen jetzt einen Trust Layer mit klaren Governance-Strukturen benötigen.

In diesem Sommer sorgte eine Reihe von Sicherheitsvorfällen im Zusammenhang mit Artificial Intelligence (AI) für Schlagzeilen. OpenAI, Anthropic und andere Unternehmen waren entweder selbst von schwerwiegenden Sicherheitsvorfällen mit AI Agents betroffen oder in solche Vorfälle verwickelt. Diese Ereignisse haben die Debatte über AI Safety weiter angeheizt. Gleichzeitig lenkten sie die Aufmerksamkeit verstärkt auf ein kritisches Problem, das bislang nicht ausreichend Beachtung gefunden hat: Große Mengen unüberwachter *Shadow Agents* bergen das Potenzial, die Kosten und Risiken des AI-Einsatzes auf ein bislang ungekanntes, möglicherweise katastrophales Niveau zu treiben.

Laut Gartner wird ein durchschnittliches Fortune-500-Unternehmen bis 2028 mehr als 150.000 AI Agents einsetzen. Allerdings sind nur 13 % der Unternehmen der Ansicht, über die notwendigen Governance-Strukturen zu verfügen, um diese angemessen zu verwalten. Die eigenen Untersuchungen von AvePoint zeigen zudem, dass jedes fünfte Unternehmen nicht weiß, ob seine Mitarbeitenden nicht genehmigte AI Tools nutzen. Diese Transparenzlücke hat sich seit 2025 nahezu verdreifacht. Das verdeutlicht sowohl das Ausmaß als auch die zunehmende Dynamik des Problems rund um Shadow Agents.

Kosten, Risiken und Produktivität: All dies steht im Kampf gegen *Agent Sprawl* auf dem Spiel – eine verborgene Cybersecurity-Krise, die sich mit der zunehmenden Verbreitung von *Agentic AI* immer weiter zu verschärfen droht. Um dieses Problem zu lösen, benötigen Unternehmen neue, dynamische und ganzheitliche Lösungsansätze.

Shadow Agents und Agent Sprawl

Shadow Agents sind AI Agents, die außerhalb etablierter Governance-, Procurement-, Security- oder Lifecycle-Management-Prozesse in einem Unternehmen eingeführt und eingesetzt werden. Teams können Shadow Agents für unterschiedlichste Zwecke einsetzen: etwa zur Automatisierung von Reports, zur Anbindung an Customer Workflows oder zur Integration in eine SaaS-Plattform. Weitere Anwendungsfälle sind die Priorisierung von Support Tickets, die Zusammenfassung von Sales Calls, die Verarbeitung von Invoices, die Verwaltung interner Knowledge Searches, das Verfassen interner Employee Communications oder das Monitoring von Compliance Tasks.

In diesen und anderen Anwendungsbereichen können Shadow Agents äußerst nützlich sein. Ohne zentrales Management und eine abgestimmte Koordination verstärken sie jedoch die Security Risks und verbreiten sich gleichzeitig immer weiter über verschiedene Workflows und Abteilungen hinweg. Dies führt zu Agent Sprawl: einem unverbundenen Netzwerk autonomer oder teilautonomer Systeme, die auf Daten zugreifen, Aufgaben ausführen und mit anderen Applications interagieren können, noch bevor das Unternehmen einen verlässlichen Überblick darüber hat, welche Agents überhaupt existieren.

Da Shadow Agents autonom agieren, ohne zuvor angemessen überprüft oder durch geeignete Controls eingeschränkt worden zu sein, erhöht Agent Sprawl die Risiken erheblich, treibt die Kosten in die Höhe und beeinträchtigt die Productivity. Agent Sprawl ist keineswegs ein isoliertes Problem. Der State of AI Report 2026 von AvePoint ergab, dass 21,1 % der Unternehmen nicht in der Lage sind, Aktivitäten nicht genehmigter Agents vollständig nachzuvollziehen. Gleichzeitig nutzen 46,9 % der Mitarbeitenden Agents täglich oder wöchentlich. Dieselbe Studie zeigte, dass bereits 35,5 % der Enterprise Data AI-generated sind. Innerhalb der kommenden zwölf Monate soll dieser Anteil voraussichtlich auf 42,1 % steigen. Dadurch vergrößert sich die Daten- und Systemlandschaft, die von Governance- und Monitoring-Plattformen für AI Agents abgedeckt werden muss, erheblich.

Dieses Problem erfordert entschlossene und dynamische Lösungsansätze. Um es wirksam anzugehen, benötigen Unternehmen einen Trust Layer mit umfassenden Governance Capabilities. Dieser muss Continuous Visibility, klare Accountability, durchsetzbare Controls, Auditability sowie die Recovery von AI Agents gewährleisten.

Accountability durch Visibility und Control schaffen

Ein heute genehmigter Agent kann bereits morgen über neue Connections, Permissions oder Responsibilities verfügen. Um solche Veränderungen angemessen zu steuern, benötigen Unternehmen miteinander verknüpfte Governance-, Security- und Recovery Controls für die Daten, Identities, Applications und Infrastructure, auf die diese Agents angewiesen sind. Die Controls müssen über Abteilungs- und Plattformgrenzen hinweg greifen. Gleichzeitig müssen die Responsibilities zwischen den Business Owners, der IT, den Security Teams und den Service Providern klar verteilt sein.

In der Praxis beginnt dies mit einem kontinuierlich aktualisierten Inventory, das für jeden Agent dessen Owner, Purpose, Data Access, Connected Systems und Cost dokumentiert. Die Ergebnisse der Agent Discovery sollten unmittelbar in Approval-Prozesse, Access Reviews und Entscheidungen über die Decommissioning-Phase einfließen.

Permissions sollten auf die jeweils erforderlichen Tasks beschränkt werden. Wenn sich die Nutzung von Daten verändert, muss auch deren Classification hinsichtlich ihrer Sensitivity überprüft werden. Actions mit erheblichen Auswirkungen sollten zudem einer *Human Approval* unterliegen. Ein Agent, der beispielsweise eine Customer Summary erstellt, sollte nicht befugt sein, Customer Records zu verändern oder dieses Summary ohne ausdrückliche Authorization an externe Empfänger zu versenden. Security Teams benötigen darüber hinaus Logs über Access, Actions und Configuration Changes. Auf dieser Grundlage können sie Unexpected Behavior untersuchen und nachweisen, dass die vorgesehenen Controls tatsächlich funktionieren.

Recovery Plans müssen sowohl die Daten als auch die Agent Configurations berücksichtigen, die für Critical Workflows erforderlich sind. Dazu gehören getestete Procedures, mit denen Access Permissions entzogen und Services wiederhergestellt werden können. Klare Ownership, regelmäßige Access Reviews und getestete Recovery Procedures bilden einen praktikablen Ausgangspunkt, um Agent Sprawl wirksam einzudämmen.

Damit rückt erneut das Konzept eines Trust Layers in den Mittelpunkt. Ungoverned AI Agents haben das Vertrauen in zahlreiche AI-Systems erschüttert. Um dieses Vertrauen wiederherzustellen, sind Centralized Visibility und wirksame Control Mechanisms erforderlich.

Den AI Trust Layer aufbauen

Wenn es Unternehmen gelingt, Agent Sprawl einzudämmen, schaffen sie eine Grundlage, um Costs und Risks besser zu kontrollieren. Gleichzeitig erhalten Führungskräfte ein klareres Verständnis dafür, wie viel Autonomy ihre Workflows sicher unterstützen können. Ein Workflow, der mit sauberen und vollständigen Inputs zuverlässig funktioniert, kann scheitern, wenn ein Connected Service unvollständige Informationen liefert, Instructions miteinander in Konflikt geraten oder ein anderer Agent ein fehlerhaftes Result weitergibt.

Durch das gezielte Testen solcher Conditions lässt sich feststellen, an welchem Punkt die Autonomous Execution beendet werden und Human Judgment die Kontrolle übernehmen sollte. Diese Boundaries werden besonders wichtig, wenn Agents Aufgaben an andere Agents delegieren. Auf diese Weise kann sich ein lokal begrenzter Error auf weitere, an sich legitime Transactions ausbreiten.

Unternehmen sollten die aus solchen Tests gewonnenen Insights nutzen, um zu entscheiden, welche Tasks ein höheres Maß an Autonomy vertragen und bei welchen engere Constraints erforderlich sind. Changes an Models, Integrations oder dem Task Scope sollten eine erneute Evaluation anhand realistischer Failure Scenarios auslösen. Mit der Ausweitung von Agent Networks müssen Deployment Decisions die Reliability des gesamten Workflows berücksichtigen – einschließlich der jeweils schwächsten Dependency innerhalb des Systems.

Ein Trust Layer ermöglicht eine nachhaltige Adoption von AI, indem er dafür sorgt, dass getestete Operating Limits auch dann verbindlich durchgesetzt werden, wenn sich die Agents weiterentwickeln. Diese Verbindung zwischen belastbaren Test Results und wirksamen Controls ist entscheidend, um zu verhindern, dass Shadow Agents aus einzelnen Workflow Failures umfassendere Security Exposures und unmanaged Costs entstehen lassen.

(ID:51007117)