NIS2 für KI-gestützte Unternehmensprozesse: Risiko, Logging und Betriebsverantwortung mit MCP

NIS2 verlangt ein Betriebsverständnis, in dem Sicherheitsvorfälle nicht nur verhindert, sondern auch erkannt, bewertet und bearbeitet werden können. Dafür braucht es Nachvollziehbarkeit: Welche Systeme waren beteiligt, welche Maßnahmen waren aktiv und welche Auswirkungen hatte ein Vorfall?

Im KI-Kontext ist diese Frage besonders relevant, weil Ergebnisse oft aus mehreren Schichten entstehen. Zwischen Quelle, Retrieval, Policy, Modell und Tool-Aufruf kann an vielen Stellen etwas schieflaufen. Ohne Sichtbarkeit bleibt jede Störung ein Ratespiel.

Typische Blindstellen sind unklare Zuständigkeiten, unvollständige Logs und fehlende Trennung zwischen Experiment und produktivem Betrieb. Teams wissen dann zwar, dass eine Antwort falsch oder zu weitreichend war, können aber nicht mehr sauber herleiten, welche Quelle, welches Tool oder welche Policy beteiligt war.

Gerade dann wird NIS2-relevante Betriebsfähigkeit schwierig. Wenn ein Vorfall nicht schnell eingegrenzt werden kann, steigen sowohl Sicherheits- als auch Organisationsrisiken. Das betrifft nicht nur Angriffe, sondern auch Fehlkonfigurationen, Berechtigungsfehler oder ungewollte Tool-Aktionen.

MCP kann hier als kontrollierbarer Knotenpunkt dienen. Wenn Quellenzugriffe und Tool-Aufrufe über eine definierte Schicht laufen, lassen sich Protokolle, Freigaben und Änderungen gebündelter betrachten. Das vereinfacht die Frage, welche Fähigkeiten ein System in einem bestimmten Zustand tatsächlich hatte.

Zusätzlich erlaubt eine gute MCP-Architektur, kritische Funktionen enger zu kapseln als unkritische. Lesende Wissensabfragen, schreibende Aktionen und externe Modellpfade können unterschiedlich behandelt werden. Das verbessert nicht nur Sicherheit, sondern auch die operative Reaktionsfähigkeit.

Ein tragfähiges Modell braucht technische und organisatorische Eigentümerschaft. Es muss klar sein, wer für Connectoren, Richtlinien, Modellauswahl, Monitoring und Reaktion auf Störungen verantwortlich ist. Sonst wächst der KI-Stack schneller als die Organisation ihn beherrscht.

MCP hilft, weil es diese Verantwortung an konkreten Artefakten festmachen kann: Welche Tools existieren, welche Quellen sind angebunden, welche Freigaben gelten und welche Logs stehen zur Verfügung? Genau diese Struktur macht aus einem Experiment einen kontrollierbaren Service.