KI-Modelle wie ChatGPT, Claude oder Gemini sind aus dem Arbeitsalltag vieler IT-Fachkräfte nicht mehr wegzudenken. Code generieren, Dokumentation zusammenfassen, Konzepte erarbeiten. Die Einsatzgebiete sind breit. Doch wer in der offensiven IT-Sicherheit arbeitet, stößt mit Cloud-basierten KI-Diensten schnell an Grenzen. Nicht an technische, sondern an praktische, rechtliche und ethische.
Das Thema lokale KI beschäftigt unsere Branche zunehmend. In diesem Beitrag wollen wir die Argumente dafür und dagegen ehrlich einordnen und eine Diskussion anstoßen: Wie haltet ihr es mit lokaler KI in der Sicherheitsforschung?
Warum Cloud-KI für Pentester ein Problem ist
Wer Penetration Tests oder Red-Team-Engagements durchführt, arbeitet zwangsläufig mit sensiblen Kundendaten. API-Dokumentationen, Quellcode, Netzwerkdiagramme, interne Konfigurationen. All das darf nicht in die Cloud eines KI-Anbieters geladen werden. Nicht nur weil es vertraglich problematisch wäre, sondern weil es ein Vertrauensbruch gegenüber dem Kunden wäre.
Egal wie gut die Datenschutzrichtlinien eines Anbieters formuliert sind: Das Risiko, dass Daten für das Training verwendet oder durch Sicherheitslücken exponiert werden, lässt sich nie vollständig ausschließen.
Dazu kommt ein ganz praktisches Problem: Cloud-basierte KI-Modelle weigern sich, Schadcode zu generieren. Das klingt zunächst vernünftig. Für eine IT-Sicherheitsfirma, die genau diesen Code für autorisierte Angriffe benötigt, ist es jedoch ein erhebliches Hindernis. Wer einen funktionierenden Reverse-Shell-Payload oder ein Phishing-Template für ein Red-Team-Engagement braucht, muss ChatGPT und Co. erst davon überzeugen, autorisiert zu sein, oder gibt vor, gerade an einem CTF-Turnier (Capture the Flag) teilzunehmen.
Was lokale KI leisten kann
Lokal betriebene Modelle lösen genau diese Reibungspunkte auf. Vier Einsatzfelder haben sich in der Praxis als besonders wertvoll erwiesen:
Digitaler Sparringspartner
Steckt man bei der Analyse einer Webanwendung fest, kann man dem Modell den relevanten Codeabschnitt zeigen und gemeinsam Hypothesen entwickeln. Wo könnte eine Race Condition vorliegen? Gibt es eine unzureichende Input-Validierung, die man übersehen hat? Die KI ersetzt nicht das eigene Denken, aber sie deckt blinde Flecken auf und fungiert als zweites Paar Augen.
Unterstützung in DFIR
Auch in der digitalen Forensik und Incident Response steckt echtes Potenzial. Logdateien parsen, Artefakte aus Speicherabbildern korrelieren, Zeitlinien aus verschiedenen Quellen zusammenführen. Gerade in zeitkritischen IR-Szenarien kann ein lokaler KI-Assistent den Unterschied machen. Nicht als Ersatz für Erfahrung, aber als Beschleuniger.
Code-Review und Tooling
Quellcode auf Sicherheitslücken zu prüfen ist zeitaufwändig. Lokale Modelle können große Codebases vorab analysieren und potenzielle Schwachstellen markieren. Die Trefferquote ist nicht perfekt, aber als erste Filterebene vor dem manuellen Review durchaus brauchbar. Und da der Code die eigene Infrastruktur nie verlässt, bleibt die Vertraulichkeit gewahrt.
Integration in eigene Toolchains
Lokale Modelle lassen sich nahtlos in eigene Workflows einbinden. Frameworks wie Ollama oder vLLM machen den Betrieb technisch zugänglich, offene Modelle wie Llama, Mistral oder DeepSeek bieten inzwischen beeindruckende Qualität.
Digitale Souveränität
Wer sich vollständig auf Cloud-KI-Dienste verlässt, macht sich abhängig. Abhängig von Preismodellen, die sich über Nacht ändern können. Abhängig von Terms of Service, die bestimmte Anwendungsfälle plötzlich ausschließen. Und abhängig von geopolitischen Entscheidungen. Exportrestriktionen können dazu führen, dass ein Dienst für bestimmte Länder oder Branchen schlicht nicht mehr verfügbar ist.
Lokale Modelle schaffen Unabhängigkeit. Einmal heruntergeladen und konfiguriert, laufen sie auch dann weiter, wenn ein Anbieter seine Richtlinien ändert. Und was lokal verarbeitet wird, bleibt lokal. Kein Logging durch Dritte, keine Möglichkeit, dass Eingaben in zukünftigen Trainingsläufen auftauchen.
Die andere Seite: Kosten und Grenzen
So attraktiv das Bild bislang wirkt, lokale KI ist kein Selbstläufer. Drei Punkte sollte man realistisch einplanen.
Hardware
Leistungsfähige lokale Modelle brauchen leistungsfähige Hardware. Wer ein 70B-Parameter-Modell flüssig betreiben will, braucht GPUs mit ausreichend VRAM. Eine einzelne professionelle GPU kostet leicht mehrere tausend Euro, und für wirklich große Modelle braucht man unter Umständen mehrere davon. Gerade jetzt, wo Hardwarepreise durch steigende Nachfrage nach AI-Beschleunigern weiter anziehen, ist das eine erhebliche Investition. Kleinere Modelle im 7B- bis 14B-Bereich laufen zwar auch auf Consumer-Hardware, liefern aber nicht immer die Qualität, die man für komplexe Aufgaben braucht.
Qualität und Aufwand
Auch wenn offene Modelle enorme Fortschritte gemacht haben: In bestimmten Bereichen liegen die großen Cloud-Modelle noch vorn. Die Lücke wird kleiner, aber sie existiert. Dazu kommt der Aufwand für Einrichtung, Updates und Evaluierung neuer Modellversionen. Das kostet Zeit und setzt Know-how voraus.
KI ersetzt keine Forscher
KI ersetzt kein eigenes Denken. Wer blind auf KI-generierte Ergebnisse vertraut, ohne sie zu validieren, wird früher oder später auf die Nase fallen. Halluzinationen sind real, Kontext geht verloren, und ein Modell versteht die Feinheiten einer spezifischen Kundenumgebung nicht. Sicherheitsforschung erfordert Kreativität, Intuition und tiefes technisches Verständnis. Das bringt ein Sprachmodell nicht mit.
Mint Secure GmbH
Wie Mint Secure euch dabei unterstützt
Wir helfen euch, KI sinnvoll und sicher in eure offensiven und defensiven Prozesse zu integrieren:
KI-Strategie & Setup
Wir beraten bei der Auswahl, Dimensionierung und Einrichtung lokaler Modelle, von der Hardware bis zur Toolchain-Integration mit Ollama oder vLLM.
Pentest & Red Teaming
Autorisierte Angriffssimulationen mit erfahrenen Analysten, unterstützt durch KI, aber getragen von echtem Know-how.
Datenschutzkonforme Workflows
Wir gestalten Prozesse, in denen sensible Kundendaten die eigene Infrastruktur nie verlassen und Vertraulichkeit gewahrt bleibt.
Ihr wollt loslegen? Wir bieten einen kostenlosen Erstberatungstermin an.
Jetzt Kontakt aufnehmen.
Fazit
Lokale KI ist für die offensive Sicherheitsforschung mehr als ein Trend. Sie löst reale Probleme: Vertraulichkeit von Kundendaten, fehlende Flexibilität von Cloud-Modellen und digitale Abhängigkeit. Gleichzeitig ist sie kein kostenloses Rundum-sorglos-Paket. Hardware, Aufwand und die Grenzen der Modelle wollen ehrlich eingeplant werden.
Am Ende bleibt KI ein Werkzeug, kein Ersatz für die Erfahrung, Kreativität und Intuition erfahrener Forscher. Wer sie so einsetzt, gewinnt Unabhängigkeit, ohne die Qualität aus der Hand zu geben.
Wie haltet ihr es mit lokaler KI in der Sicherheitsforschung? Mint Secure begleitet euch beim Aufbau sicherer, souveräner KI-Workflows.
Sprecht uns an.
