wAIser Blog
Praxiswissen zu KI-Agenten und KI-Sicherheit für Unternehmen, die KI verantwortungsvoll einsetzen wollen.
Die neue Gefahr der AI Supply Chain: sechs Einfallstore
Daten, Modelle, Pakete, Infrastruktur, Anbieter, Agenten-Werkzeuge: An sechs Stellen kann jemand deine KI-Anwendung treffen, ohne dich anzugreifen. Was daran neu ist, was schon passiert ist und was du zuerst tun solltest.
Open-Source-Modelle und ihre Gefahren: Modelldateien prüfen
Modelldateien können Code enthalten, der beim Laden läuft. Wie Pickle, Keras und GGUF angreifbar sind, was Scanner übersehen und wie du ein fremdes Modell in fünf Gates prüfst.
Agent Security Audit: Ein Self-Assessment
Vier Posts, 247 Paper, benannte Exploits – jetzt der praktische Teil. Ein Self-Assessment über Trifecta, Lifecycle, Defenses und bekannte Angriffsmuster: 16 Fragen, mit denen du deinen eigenen Agenten einordnest.
Das Defense Playbook für KI-Agenten nimmt endlich Form an
Zero Trust für Agenten, interne Agenten als Insider-Bedrohung behandeln und die ersten zertifizierten Defenses gegen Memory Poisoning. Drei Frameworks aus 2026 mit einem gemeinsamen Instinkt: Vertraue dem Modell nicht, verkleinere das, worauf du vertrauen musst.
247 Paper später: Agent Security ist ein Systemproblem, kein Textproblem
Eine SoK aus 2026 verdichtet 247 Agent-Security-Paper zu einem Befund: Einzelne Defenses funktionieren, aber komponieren nicht, wir messen die falschen Dinge, und Agent Security ist eine Systems-Engineering-Disziplin mit einem LLM im Kern.
Die Lethal Trifecta: Warum 98 % der KI-Agenten wehrlos sind
Private Daten + nicht vertrauenswürdige Inhalte + externe Kommunikation: 98 % der Produktions-Agenten vereinen alle drei Beine der Lethal Trifecta, nur 11 % bestehen die Blast-Radius-Prüfung. Man kann sich nicht heraus-prompten – nur heraus-architektieren.
Das Jahr, in dem KI-Agenten zur Angriffsfläche wurden
GuardFall, AutoJack, GitHub-Supply-Chain-Angriffe, Bug-Report-Hijacking mit ~85 % Erfolgsquote: Die Agent-Security-Forschung 2026 liest sich wie ein Pentest-Report. Warum der Agent selbst zur Angriffsfläche wird.
Zeitloses Wissen, AI-native trainiert: Warum ich FutureClass gebaut habe
Carnegie, Machiavelli, Le Bon: Die menschliche Natur hat sich nicht geändert — nur das Gewand der Wörter. Warum Lesen nicht Können ist, und wie FutureClass zeitloses Wissen mit AI Practice Labs trainierbar macht.
Wundermittel für die KI-Suche: Was die Wissenschaft über GEO sagt
GEO als bezahlte Disziplin ist zum großen Teil unbewiesen. Was die Forschung (arXiv, die Princeton-Studie, Fishkins 2.961 Prompts) wirklich über KI-Sichtbarkeit belegt, und was schlicht Wundermittel ist.
KI-Agent in 2 Nachrichten vergiftet – Memory Poisoning mit Mem0
Kein API-Zugriff, kein Jailbreak – nur 2 Chat-Nachrichten, um einen gehärteten KI-Agenten dazu zu bringen, einem Credential-Harvester zu vertrauen. Sechs Experimente zu Memory Poisoning mit Mem0 – und warum Frontier-Modelle standhielten.
Loops statt Prompts: Warum der Claude-Code-Chef aufgehört hat zu prompten
Boris Cherny prompted Claude nicht mehr – er schreibt Loops. Was das heißt, wie sich /loop und /goal unterscheiden, und der autonome Triage-Loop, den ich selbst gebaut habe.
Opus 4.8 & dynamische Workflows: 7 Agents in 5 Minuten
Sieben Agents, eine echte Legal-Tech-Plattform, fünf Minuten. Was es bedeutet, dass Claude jetzt einen Plan in ein Skript gießt und einen Schwarm parallel laufen lässt – und warum Verifikation alles ändert.
Ambient AI: Warum die nächste KI-Generation nicht antwortet, sondern bemerkt
Solange wir KI pro Anfrage bezahlen, bauen wir nur eine Form davon. Die interessantere ist der Hausmeister, der von selbst merkt, wenn etwas nicht stimmt – und 2026 ist das Jahr, in dem sie ökonomisch wird.
Anthropics 33-Seiten-Blueprint für Claude Skills
Ein offizieller Leitfaden, der zeigt, wie man Claude beibringt, wie man arbeitet – ohne eine einzige Zeile Code. Was wirklich drinsteht und warum Skills das Prompt Engineering leise ablösen.
MIT löst KI-Halluzinationen?
Eine neue Studie aus Cambridge verspricht zuverlässigere Modelle durch kalibrierte Belohnungssignale. Was sie wirklich zeigt – und was das für Entwickler heute bedeutet.
Claude Mythos Preview: Wenn KI eigenständig Zero-Days findet
181 Firefox-Exploits, ein 27 Jahre alter OpenBSD-Bug, ein kompletter FreeBSD-RCE mit ROP-Chain. Warum das Offense-Defense-Gleichgewicht gerade kippt.
Ein CLAUDE.md mit 25.000 Sternen
Wie eine einzelne Markdown-Datei auf Basis von Karpathys Beobachtungen zum meistbeachteten Repo im Claude-Code-Ökosystem wurde – und was davon in der Praxis wirklich bleibt.
Superpowers: KI-Agenten wie echte Teams
Was Superpowers wirklich tut, was das Team-Muster in einem echten Release mit 13 Agents gefunden hat und wann Spec, Plan und Subagenten-Review Overkill sind.
OpenClaw vs. NemoClaw: Warum die Frage falsch gestellt ist
Stand Oktober 2026: Was NemoClaws Sandbox gegen die Lethal Trifecta leistet und was nicht, die CVEs des Jahres und eine Härtungs-Checkliste für selbst gehostete Agenten.
Wie wir das beste KI-Modell für rechtliche Analysen gefunden haben
Update 10/2026: Wie wir KI-Modelle für Rechtsanalysen evaluiert haben, plus eine Methode in acht Schritten für heutige Modelle: echte Testfälle, Referenz-Checklisten, blinde Paarvergleiche, Judge-Bias-Checks, Kosten.
Legal AI Knowledge Base mit Docling: Lehren aus der Praxis
Wie man eine zitierfähige juristische Wissensbasis mit Docling baut: Parsing, Chunking nach Paragraph und Absatz, Zitat-Metadaten, Qualitätschecks nach dem Ingest und Retrieval-Monitoring.
Multi-Agent AI Systeme mit CrewAI
CrewAI in Produktion statt im Tutorial: Crews vs. Flows, Schemas, die keinen Lauf abbrechen, erfundene Quellen, Kostendeckel – Lektionen aus eigenen Multi-Agenten-Systemen.
Ein hartes
KI-Problem?
Ob Agenten bauen oder brechen — wenn es interessant ist, will ich davon hören.
PROJEKT STARTEN ▸