„Noch kein“ Agentic SOC? Wie Agentic ohne Cloud gehen kann
Security Andreas Buis1. Ihr seid nicht zu spät – ihr seid in der Mehrheit
Wenn ihr euch beim Thema „Agentic SOC“ fragt, ob alle anderen schon losgelaufen sind: Ein Blick in die Zahlen beruhigt. Gartner führt die Kategorie „AI SOC Agents“ im Hype Cycle for Security Operations 2026 zwar auf dem Peak of Inflated Expectations. Den Reifegrad stuft derselbe Report aber als „Embryonic“ ein, und die Marktpenetration liegt bei gerade einmal 1–5 % der Zielorganisationen. Gartner selbst formuliert es so:
“Expectations for artificial intelligence are rapidly pivoting from passive assistance to unproven, yet limited, autonomous capabilities.”
— Gartner, Hype Cycle for Security Operations 2026 (Analyse: dropzone.ai)
Übersetzt: Die Erwartungen rennen den belegten Fähigkeiten davon. Wer heute „noch kein“ Agentic SOC betreibt, ist in guter Gesellschaft. Mindestens 95 % haben auch keins.
Der Handlungsdruck ist trotzdem real. Die Alerts werden mehr, die Analysten weniger, und die Angreifer setzen längst selbst KI ein. Kein SOC kommt um das Thema herum. Nur klemmt es in vielen Unternehmen nicht am Willen, sondern an den Rahmenbedingungen:
- Eine verabschiedete AI-Strategie fehlt oder steckt in der Konzeptionsphase.
- AI darf nur lokal oder stark reglementiert genutzt werden (DSGVO, NIS2, DORA, KRITIS, EU AI Act, Betriebsvereinbarungen, Datenklassifizierung).
- Das SOC läuft on-prem oder darf nur Teile in die Cloud geben. Ein Online-LLM ist damit ausgeschlossen.
Muss man also auf das Agentic SOC verzichten, nur weil man (noch) nicht in die Cloud darf? Nein. Aber der Weg sieht anders aus als in den Hochglanz-Demos, und er beginnt bei Daten und Automation statt beim Modell.
2. Marktlage: Was die großen Mitbewerber unter „Agentic SOC“ verstehen
Erst mal die Begriffe, denn der Markt sortiert sich gerade in drei Stufen.
- AI-assisted: Der Mensch führt, die KI schlägt vor – das ist die Copilot-Welle.
- Semi-autonomous: Die KI untersucht selbstständig, der Mensch gibt frei.
- Autonomous: Die KI handelt in definierten Grenzen. Geprägt hat den Begriff Google zur RSAC 2025.
Das Agentic SOC sei
“a connected, multi-agent system that works collaboratively with the human analyst to achieve exponential gains in efficiency.”
Ein zweiter Befund aus demselben Hype Cycle: Die klassischen Security-Copilots, also die erste AI-Welle im SOC, stehen bei Gartner bereits im „Trough of Disillusionment“ – der Phase, in der sich der anfängliche Hype an der Realität messen muss (bei immerhin 20–50 % Marktdurchdringung). Die erste Welle korrigiert gerade ihre Erwartungen, während die zweite schon gehypt wird. Gartner warnt entsprechend vor „Agent Washing“ und rät zu kontrollierten Piloten statt Premium-Preisen ohne messbare Ergebnisse.
Neben Splunk prägen vor allem vier weitere große Anbieter den SOC-Suite-/SIEM-Markt. Wie positionieren sie sich? (Die Splunk-Antwort folgt in den Kapiteln 3–5.).
Microsofts Vision liest sich dabei stellvertretend für alle:
“In the agentic SOC, people don’t do less—they do more of what matters.”
— Microsoft Security Blog, 2026
Hört man genau hin, predigen alle vier dasselbe Evangelium: Human-in-the-Loop, begrenzte Autonomie mit Guardrails, Daten als Fundament. Einen philosophischen Graben sucht man vergeblich.
Der Graben verläuft woanders: Der Unterschied ist nicht, ob Daten und Mensch im Zentrum stehen, sondern wo Daten und Modelle laufen dürfen. Alle vier liefern ihre agentische Schicht ausschließlich aus der Cloud. Auf Regulierung antworten sie mit „Data Residency“ oder „Sovereign Cloud“, nicht mit on-prem oder air-gapped. Ein Marktbeobachter bringt die Konsequenz auf den Punkt:
“The AI SOC market has a foundational assumption baked into every product… your security data goes to the cloud.”
Für ein SOC, das kein Online-LLM nutzen darf, ist das komplette Agentic-Angebot dieser vier Anbieter damit heute schlicht nicht erreichbar. Schönreden muss man diese Lücke nicht. Füllen kann man sie trotzdem.
3. Ohne Daten keine (gute) AI
Bevor irgendein Agent sinnvoll triagiert oder reagiert, braucht er vollständige, zugängliche Daten samt Kontext. Jede AI ist nur so gut wie ihre Datengrundlage. Das ist kein Splunk-Marketing, sondern Marktkonsens; selbst SentinelOne schreibt: “Advanced AI algorithms cannot derive accurate conclusions from unparsed, low-quality telemetry.” Oder in den Worten von Cisco-Präsident Jeetu Patel:
“Data is the essential fuel for AI.”
Genau hier setzt die Cisco Data Fabric (powered by Splunk) an, positioniert als System of Record and Intelligence for the Agentic Enterprise. Sie ruht auf drei Säulen:
- Data (Maschinendaten in Petabyte-Größenordnung ökonomisch landen und nach Use Case tiern)
- Context (das Unternehmen katalogisieren, Beziehungen korrelieren)
- Action (agentische Operationen auf dieser Grundlage aktivieren)
Abb. 1: Datenfundament für das Agentic SOC — Data, Context, Action (eigene Darstellung)
Das Herzstück ist der Splunk Machine Data Lake: eine persistente, AI-fähige Datenbasis, die föderiert analysiert, statt alles teuer zu zentralisieren. In diesem Splunk-Blog heißt es dazu: “Analyze and correlate data at massive scale — without the heavy cost of centralizing it all.”
Der Fairness halber: Dass AI eine Datenplattform braucht, sagen die vier Mitbewerber auch. Microsoft hat den Sentinel Data Lake, Google hat Chronicle, Palo Alto den Cortex XDL, CrowdStrike die Falcon-Telemetrie. Nur existieren diese Data Lakes ausschließlich als Cloud-Dienst. Die Splunk-Plattform ist die einzige unter den genannten, deren Daten- und AI-Schicht (dazu Kapitel 5) vollständig in der eigenen Umgebung laufen kann. Wer heute seine Datenlage konsolidiert, baut deshalb mehr als ein besseres SIEM: das Fundament, auf dem später Agenten arbeiten. Eine AI ohne saubere Datengrundlage automatisiert nur das Rauschen.
4. Automation ist der Schlüssel: ES 8.x Premier als Fundament
Die zweite Vorleistung neben den Daten ist Automation. Meine These: Ein Agentic SOC ist am Ende hochgradig automatisierte Detection & Response plus AI-Entscheidungsunterstützung. Agenten ersetzen keine Prozesse, sie setzen auf ihnen auf – ohne standardisierte Playbooks und integriertes Case Management fehlt morgen die Leitplanke, an der „bounded autonomy“ entlanglaufen könnte. Die Mitbewerber sehen das übrigens genauso, bis hinein in die Produktarchitektur: Googles Agenten werden in SOAR-Playbooks eingebettet, und das AgentiX von Palo Alto Networks ist ausdrücklich die „next generation of Cortex XSOAR“.
Wie schwer der Automation-Teil in der Praxis ist, zeigt meine eigene Projekterfahrung: 100 % der Vorhaben, die ich begleitet habe, drohten daran zu scheitern, dass der Prozess dem SOC-Team selbst nicht ganz klar war. Und nach Abteilungsgrenzen und Schnittstellen bleibt vom gedachten Prozess oft nicht einmal ein Zehntel automatisierbar übrig. Der Engpass ist selten die Technik. Das SOC ist ein Königreich ohne Land. Erst mit einem Mandat der obersten Etage dreht sich das Bild: SecOps rückt in die Mitte, nicht als Kontrollinstanz, sondern als Regenschirm, der alle schützt.
Abb. 2: Vom gedachten Prozess zur automatisierbaren Realität — Erfahrungswerte (eigene Darstellung)
Genau dafür ist Splunk Enterprise Security 8.x Premier gebaut: ES 8.2, Splunk SOAR, UEBA und der Splunk AI Assistant in einer Suite mit gemeinsamer Analystenoberfläche. (Der AI Assistant nutzt heute noch eine Cloud-Komponente; über den AI Tier ist er perspektivisch komplett on-prem betreibbar – dazu Kapitel 5.) Finding Groups aggregieren Alerts automatisch, SOAR-Playbooks starten direkt aus dem Case, UEBA liefert verhaltensbasierte Erkennung, und Automation Rules erledigen die Routine.
Der Weg dorthin ist ein Reifegradpfad, kein Big Bang:
Abb. 3: Der Reifegradpfad zum Agentic SOC in vier Stufen (eigene Darstellung)
Wichtig für die Roadmap: Splunk baut die agentischen Bausteine bereits in die Suite ein. Triage Agent, Malware Reversal Agent und AI Playbook Authoring wurden zur .conf25 angekündigt (Rollout 2026, Quelle). Auch diese Agenten starten zunächst in der Cloud. Dass sie über den AI Tier später auch on-prem verfügbar werden, ist meine persönliche Erwartung – Splunk hat dazu keine offizielle Roadmap-Zusage veröffentlicht. Der Automation-Unterbau, den ihr heute mit ES Premier legt, ist aber in jedem Fall derselbe, auf dem morgen die Agenten laufen. Oder mit Mike Horn (SVP & GM Splunk Security): “Built-in AI can help cut alert noise and reduce investigation time from hours to minutes.”
5. Agentic ohne Cloud: der Splunk AI Tier und lokale Modelle
Bleibt die eigentliche Frage: Wie bekommt ihr die AI-Schicht in die eigene, kontrollierte Umgebung? Hier wird das Splunk/Cisco-Portfolio konkret, auf drei Ebenen.
Ebene 1: der AI Tier mit dem Splunk Operator for Kubernetes (SOK). Splunk deployt seine AI-Services als zusätzlichen Tier der Plattform, analog zu Search- und Indexing-Tier, auf kundeneigenen GPUs und orchestriert über Kubernetes. “All data and models reside in the customer’s environment”, heißt es dazu in der .conf25-Session PLA1525 – ausdrücklich inklusive air-gapped Umgebungen. Damit läuft zum Beispiel der Splunk AI Assistant erstmals vollständig on-prem.
Und das ist keine Ankündigungsfolie mehr. Der Splunk AI Operator liegt inklusive Deployment Guide öffentlich auf GitHub (Apache-2.0-Lizenz, aktuell v0.2.0); deployen könnt ihr also heute schon. Der Guide setzt gültige Splunk-Lizenzen voraus, dazu Kubernetes (k0s v1.31+, RHEL 9) und eigene GPUs (NVIDIA L40S oder H100). Ausgerollt werden unter anderem der Splunk AI Assistant (SAIA), Ray für verteilte Inferenz, die Weaviate-Vector-DB und mehrere vortrainierte Modelle, darunter GPT-OSS 20B. Im Splunk-Voice-of-the-Customer-Portal laufen außerdem zwei begleitende Programme: „AI Tier SOK“ (Preview) und „AI Tier bare metal“ (Alpha), jeweils mit Login.
Abb. 4: AI Tier mit SOK — AI-Services in der eigenen Infrastruktur (eigene Darstellung)
Ebene 2: offene, lokal betreibbare Modelle. Für mich der unterschätzteste Baustein. Cisco veröffentlicht Security- und Zeitreihen-Foundation-Modelle open-weight auf Hugging Face: Foundation-sec-8B, ein auf Security-Kontext trainiertes 8B-Modell für Triage, Investigation-Summaries und IOC-Extraktion, sowie das Cisco Time Series Model (Apache 2.0, zero-shot Anomalieerkennung und Forecasting auf Maschinendaten). Dazu kommen die GPT-OSS-Modelle (20B/120B, Apache 2.0) für generisches Reasoning. Open-weight heißt: Diese Modelle laufen dort, wo eure Compliance es erlaubt – “on-premises, air-gapped, or in secure cloud environments” (Splunk-Blog: Splunk + Foundation AI).
Abb. 5: Vier lokal betreibbare Modelle im Splunk-Umfeld (eigene Darstellung)
Abb. 6: Das spezialisierte Security-Modell — Triage, Investigations, Summarization (eigene Darstellung)
Ebene 3: die Integrations-Werkzeuge, heute schon GA. Der Splunk MCP Server (für Splunk Enterprise und Cloud) macht die Plattform „agent-ready“: AI-Agenten sprechen standardisiert und RBAC-kontrolliert mit Splunk. Für die lokale Modell-Anbindung gibt es mehrere Wege. Das Splunk AI Toolkit bindet selbst gehostete LLMs (etwa via Ollama) direkt an die Splunk-Suche an. DSDL 5.2 bringt lokales LLM-Serving, eine lokale Vector DB (Milvus) und RAG-Workflows in einem Container, die air-gapped-Installation ist offiziell dokumentiert. Damit lassen sich heute schon AI-Summaries und Investigations-Empfehlungen mit Foundation-sec-8B direkt in ES erzeugen, ohne dass ein einziges Event die eigene Umgebung verlässt.
Abb. 7: Platform AI Tools — Modelle, AgenticOps, Predictive ML (eigene Darstellung)
Ein kurzer Exkurs zum Zeitreihen-Modell, weil sich daran viel erklärt: Ein Time Series Foundation Model ist architektonisch ein Verwandter des LLM, nur „liest“ es statt Wörtern numerische Sequenzen. Für ein SOC ist das relevant, weil der Großteil der Telemetrie genau das ist: Zeitreihen. Anomalieerkennung und Forecasting funktionieren damit zero-shot, ohne eigenes Modelltraining. Ein realistischer erster AI-Use-Case für regulierte Umgebungen, noch bevor irgendein LLM im Spiel ist.
Abb. 8: Cisco Time Series Model — Verstehen, Forecasting, Anomalieerkennung (eigene Darstellung)
Abb. 9: Trainiert auf Maschinendaten aus vielen Domänen (eigene Darstellung)
Abb. 10: LLM vs. TSFM — gleiche Architektur, andere „Sprache“ (eigene Darstellung)
Die Philosophie dahinter passt zum regulierten Betrieb. Kamal Hathi (SVP & GM Splunk) zur .conf25: “The power of AI will ultimately come from your data”, mit „human-in-the-loop and human-on-the-loop frameworks“ als ausdrücklichem Designprinzip.
6. Fazit: Mithalten trotz On-Prem
Auf die Cloud-Freigabe warten müsst ihr nicht. Die großen Mitbewerber bieten beeindruckende Agenten, aber ausnahmslos als SaaS; für on-prem- und air-gapped-SOCs bleibt dort nur Zuschauen. Dabei ist das, was ein Agentic SOC wirklich trägt, gar nicht cloud-exklusiv: eine konsolidierte Datenlage, disziplinierte Automation und AI-Modelle, die dorthin kommen, wo die Daten sind – nicht umgekehrt.
Mit dem Machine Data Lake als Fundament, ES 8.x Premier samt SOAR und UEBA als Automations-Rückgrat und dem AI Tier plus open-weight Foundation-Modellen als lokaler AI-Schicht lässt sich dieser Weg heute skizzieren. Als Reifegradpfad, nicht als Big Bang. Versteht das als Startpunkt für eure eigene AI-/SOC-Roadmap, nicht als fertiges Design. Ob euer SOC agentisch werden kann, obwohl es on-prem bleibt, ist keine offene Frage mehr. Offen ist nur, in welcher Reihenfolge ihr die Bausteine legt. Und Splunk ist einer der wenigen Partner, mit dem beide Welten offenstehen: Cloud, wenn ihr dürft. Souverän on-prem, solange ihr müsst.
Erfahren Sie mehr
Datenhoheit: Welche Rolle digitale Souveränität in der Resilienzstrategie spielt
