KI-gestütztes Phishing: Wie Angreifer LLMs nutzen und wie du dich wehrst

KI-Phishing-Angriffe nutzen LLMs, Deepfakes und Personalisierung in großem Maßstab. Lerne, wie du KI-generierte Phishing-E-Mails erkennst und organisatorische Verteidigungen aufbaust, die funktionieren.
- Awareness
- Threats
- Detection
- Social Engineering
- Resilience
Wichtige Fakten
- KI-generierte Phishing-E-Mails haben eine 14-mal höhere Klickrate als manuell erstellte Kampagnen laut dem Threat-Intelligence-Bericht von Abnormal Security 2026
- 98 % der von LLMs generierten Phishing-E-Mails passieren traditionelle Spam-Filter, die auf Schlüsselwortabgleich und bekannter Signaturerkennung basieren
- Voice-Deepfake-Angriffe in Vishing-Kampagnen stiegen zwischen 2024 und 2026 um 442 % laut CISA Advisory AA26-071A
- Organisationen mit ausgereifter DMARC-Durchsetzung auf Reject-Policy-Ebene blockieren 93 % der Domain-Spoofing-Versuche, bevor E-Mails die Posteingänge der Mitarbeiter erreichen
- Unternehmen, die KI-basierte E-Mail-Sicherheit mit einem aktiven menschlichen Meldeprogramm kombinieren, reduzieren erfolgreiche Phishing-Kompromittierungen um 86 % im Vergleich zu reinen Technologie-Ansätzen
TL;DR
Die Phishing-Erkennung mit KI ist zu einer kritischen Disziplin geworden, da Angreifer große Sprachmodelle als Waffen einsetzen, um grammatisch einwandfreie, hochpersonalisierte Phishing-E-Mails in großem Maßstab zu produzieren. Traditionelle Erkennungsmethoden, die auf das Erkennen von Tippfehlern oder unbeholfenem Ausdruck setzten, sind nun veraltet. 2026 passieren 98 % der von LLMs generierten Phishing-E-Mails konventionelle Spam-Filter, und Voice-Deepfake-Vishing-Angriffe sind seit 2024 um 442 % gestiegen. Wirksame Verteidigung erfordert jetzt einen Schichtansatz, der E-Mail-Authentifizierungsprotokolle (DMARC, DKIM, SPF), KI-gestützte Verhaltensanalyse, menschliche Meldekultur und organisatorisches Resilienztraining kombiniert, das sich auf Prozessverifizierung statt auf visuelle Inspektion konzentriert.
Die E-Mail kam um 8:47 Uhr an einem Dienstag. Sie war an Priya adressiert, eine Senior-Buchhalterin in einem Logistikunternehmen mit 400 Mitarbeitern. Die Nachricht kam vom Anzeigenamen ihres CEOs, bezog sich namentlich auf die Vorstandssitzung vom letzten Donnerstag, erwähnte die neue Lagererweiterung, die das Unternehmen in der Vorwoche öffentlich angekündigt hatte, und bat Priya, eine dringende Überweisung an einen Lieferanten zu verarbeiten, dessen Namen sie erkannte. Die Grammatik war einwandfrei. Der Ton entsprach dem direkten, aber höflichen Kommunikationsstil ihres CEOs. Die E-Mail-Signatur enthielt die korrekte Telefonnummer, den richtigen LinkedIn-Profillink und das Firmenlogo an der richtigen Position.
Priya hätte die Zahlung beinahe ausgeführt. Was sie aufhielt, war kein Tippfehler, kein verdächtiger Link und kein Warnbanner ihres E-Mail-Clients. Es war ein Prozess. Ihr Unternehmen hatte eine obligatorische Rückrufrichtlinie für jede Überweisung über 5.000 $ implementiert. Sie griff zum Telefon, wählte die Nummer ihres CEOs aus dem Firmenverzeichnis und erfuhr, dass er diese E-Mail nie gesendet hatte.
Die Nachricht war von einem großen Sprachmodell generiert worden. Ein Angreifer hatte das LLM mit Proben der öffentlichen Kommunikation des CEOs gefüttert, LinkedIn-Posts und Pressezitate, und es dann angewiesen, eine Überweisungsanfrage in seinem Stil zu verfassen. Das Ergebnis war von einer echten E-Mail nicht zu unterscheiden. Kein Spam-Filter hatte sie markiert. Kein Kollege hatte sie in Frage gestellt. Nur ein Prozess, der außerhalb der E-Mail selbst existierte, verhinderte einen sechsstelligen Verlust.
Das ist die neue Realität des Phishing. Und sie verlangt einen völlig neuen Ansatz zur Verteidigung.
Wie Angreifer Große Sprachmodelle als Waffen Einsetzen
Die Ökonomie des Phishings änderte sich dauerhaft, als große Sprachmodelle breit zugänglich wurden. Vor LLMs erforderte Phishing in großem Maßstab einen Kompromiss: Angreifer konnten Millionen generischer Nachrichten mit offensichtlichen Fehlern senden oder Stunden investieren, um eine einzelne überzeugende Spear-Phishing-E-Mail für ein hochwertiges Ziel zu erstellen. LLMs eliminierten diesen Kompromiss. Ein Angreifer kann jetzt Tausende individuell zugeschnittener, kontextbewusster Phishing-Nachrichten in Minuten produzieren. Das ist nur eine Front einer breiteren Verschiebung, und unsere ausführliche Betrachtung dazu, wie Hacker KI nutzen, kartiert das gesamte offensive Handbuch.
Die Fähigkeiten, die LLMs für Phishing gefährlich machen, fallen in drei Kategorien.
Perfekte Sprache in jedem Maßstab. Von LLMs generierte Phishing-E-Mails enthalten keine Rechtschreibfehler, keine Grammatikfehler und keine unbeholfene Formulierung. Sie entsprechen dem Register und Formalitätsniveau, das für den vermeintlichen Absender angemessen ist. Eine Nachricht, die einen CEO imitiert, liest sich anders als eine, die einen IT-Helpdesk-Techniker imitiert, und das LLM handhabt beides überzeugend. Laut dem Threat-Intelligence-Bericht von Abnormal Security 2026 erzielen KI-generierte Phishing-E-Mails eine 14-mal höhere Klickrate als manuell erstellte Kampagnen, gerade weil die Sprachqualität die häufigsten Warnzeichen beseitigt, auf die Empfänger trainiert wurden.
Tiefe Personalisierung aus öffentlichen Daten. Angreifer sammeln LinkedIn-Profile, Unternehmenswebsites, Pressemitteilungen, Social-Media-Konten und öffentliche Einreichungen, um Zielprofile zu erstellen. Sie füttern diese Daten einem LLM zusammen mit Anweisungen, spezifische Projekte, Kollegen oder aktuelle Ereignisse zu referenzieren. Das Ergebnis ist eine Nachricht, die sich persönlich anfühlt, weil sie es ist. Sie referenziert echte Details aus dem Berufsleben des Ziels. Diese Technik verwandelt generisches Phishing in das, was Sicherheitsforscher „hyperpersonalisiertes Social Engineering" nennen, und skaliert auf Tausende von Zielen gleichzeitig.
Mehrsprachiges Targeting ohne Übersetzungsartefakte. Traditionelle Phishing-Kampagnen, die auf Nicht-Englisch-Sprecher abzielten, enthielten oft Übersetzungsfehler, die Muttersprachler sofort erkannten. LLMs generieren fließenden Text in Dutzenden von Sprachen, einschließlich korrekter idiomatischer Ausdrücke, kultureller Referenzen und länderspezifischer Formatierung für Daten, Währungen und Adressen. Ein Angreifer in einem Land kann Mitarbeiter in ganz Europa, Asien und Amerika mit Nachrichten ansprechen, die sich jeweils lesen, als wären sie von einem Muttersprachler geschrieben.
Voice-Deepfakes und der Aufstieg des KI-Vishings
E-Mail ist nicht der einzige bedrohte Kanal. Voice-Deepfake-Technologie hat eine neue Generation von Vishing-Angriffen (Voice Phishing) ermöglicht, die eines der ältesten Vertrauenssignale in der menschlichen Kommunikation ausnutzen: eine vertraute Stimme erkennen.
Laut CISA Advisory AA26-071A stiegen Voice-Deepfake-Angriffe in Social-Engineering-Kampagnen zwischen 2024 und 2026 um 442 %. Die Technologie benötigt nur drei Sekunden Audio, um einen überzeugenden Stimmenklon zu erstellen. Öffentlich verfügbare Aufnahmen von Earnings-Calls, Konferenzpräsentationen, Podcast-Interviews und Social-Media-Videos liefern Angreifern reichlich Quellmaterial.
Das Angriffsmuster folgt einer vorhersagbaren Struktur. Ein Angreifer klont die Stimme eines C-Suite-Managers, ruft einen Mitarbeiter in der Finanzabteilung oder IT an und fordert eine dringende Aktion: eine Überweisung, ein Credential-Reset oder eine Ausnahme von einer Sicherheitsrichtlinie. Der Anruf trägt inhärente Dringlichkeit, weil er scheinbar von der Führungsebene kommt, und er umgeht E-Mail-Sicherheitskontrollen vollständig.
Ein dokumentierter Fall betraf ein britisches Energieunternehmen, das 243.000 $ verlor, nachdem ein Mitarbeiter Anweisungen einer Deepfake-Stimme gefolgt war, die den CEO des deutschen Mutterkonzerns perfekt imitierte. Der Mitarbeiter bemerkte, dass die Stimme den korrekten Akzent, die richtige Kadenz und die richtigen Sprachmuster hatte. Keine Technologie markierte den Anruf als betrügerisch.
Die Kombination aus LLM-generierten E-Mails und Deepfake-Sprachanrufen schafft Mehrkanal-Angriffe, die mit Technologie allein außerordentlich schwer zu verteidigen sind. Ein Angreifer sendet eine überzeugende E-Mail, gefolgt von einem Telefonanruf in der vermeintlichen Stimme des Absenders zur Bestätigung der Anfrage. Jeder Kanal verstärkt die Glaubwürdigkeit des anderen.
Warum Traditionelle Erkennung Versagt
Jede Herausforderung bei der KI-Phishing-Erkennung 2026 lässt sich auf eine fundamentale Verschiebung zurückführen: Die Signale, auf die traditionelle Systeme sich verlassen, wurden neutralisiert.
Schlüsselwortbasierte Spam-Filter suchen nach Phrasen wie „klicken Sie hier sofort", „verifizieren Sie Ihr Konto" oder „gesperrter Zugang". LLMs generieren Phishing-Nachrichten, die diese Auslösephrasen vollständig vermeiden und natürliche Sprache verwenden, die sich wie gewöhnliche Geschäftskommunikation liest. Das Ergebnis ist eine Umgehungsrate von 98 % gegen konventionelle Spam-Filter laut Forschung des SANS Institute.
Vorlagenabgleich vergleicht eingehende Nachrichten mit Datenbanken bekannter Phishing-Vorlagen. LLMs generieren jedes Mal einzigartige Nachrichten, sodass keine zwei Phishing-E-Mails identischen Text teilen. Vorlagendatenbanken können mit unendlicher Variation nicht Schritt halten.
Absender-Reputationsbewertung prüft, ob eine E-Mail von einer bekannten oder vertrauenswürdigen Quelle stammt. Ausgefeilte Angreifer kompromittieren legitime E-Mail-Konten oder verwenden ähnlich aussehende Domains (ersetzen ein kleines „l" durch eine „1"), die bei flüchtiger Inspektion bestehen und möglicherweise keine negative Vorgeschichte haben.
Menschliche visuelle Inspektion war die letzte Verteidigungslinie. Mitarbeiter wurden trainiert, nach verdächtigen URLs, nicht übereinstimmenden Anzeigenamen und Sprachfehlern zu suchen. LLMs produzieren Nachrichten ohne einen dieser Mängel. Die Phishing-E-Mail, die Priya beinahe getäuscht hätte, enthielt keine Indikatoren, die ein traditionelles Schulungsprogramm erkannt hätte.
Das Kernproblem ist, dass Verteidiger die Erkennung um die Einschränkungen der Angreifer herum aufgebaut haben. Als diese Einschränkungen verschwanden, verschwand auch die Erkennung. Den Aufbau der nächsten Generation von Verteidigungen erfordert die Akzeptanz, dass Inhaltsqualität kein zuverlässiges Signal mehr ist.
Neue Verteidigungsstrategien, Die Tatsächlich Funktionieren
Wirksame KI-Phishing-Erkennung 2026 basiert auf einem Schichtverteidigungsmodell, in dem keine einzelne Technologie oder kein einzelner Prozess die gesamte Last trägt. Vier Schichten, die zusammenarbeiten, schaffen Resilienz gegen KI-gestützte Angriffe.
Schicht 1: E-Mail-Authentifizierungsprotokolle
DMARC, DKIM und SPF bilden das technische Fundament. Diese Protokolle analysieren nicht den E-Mail-Inhalt. Sie verifizieren, dass Nachrichten, die vorgeben, von deiner Domain zu stammen, tatsächlich von autorisierten Servern stammen.
SPF (Sender Policy Framework) veröffentlicht einen DNS-Eintrag, der auflistet, welche Mailserver berechtigt sind, E-Mails im Namen deiner Domain zu senden. DKIM (DomainKeys Identified Mail) fügt ausgehenden Nachrichten eine kryptographische Signatur hinzu, mit der Empfänger überprüfen können, dass die Nachricht während der Übertragung nicht verändert wurde. DMARC (Domain-based Message Authentication, Reporting and Conformance) weist empfangende Mailserver an, wie sie mit Nachrichten umgehen sollen, die SPF- oder DKIM-Prüfungen nicht bestehen.
Organisationen mit DMARC-Durchsetzung auf der „Reject"-Policy-Ebene blockieren 93 % der Domain-Spoofing-Versuche, bevor Nachrichten die Posteingänge der Mitarbeiter erreichen. Dennoch haben 2026 nur 34 % der Fortune-500-Unternehmen DMARC auf Reject-Ebene implementiert. Die verbleibenden 66 % haben entweder keinen DMARC-Eintrag, verwenden eine reine Überwachungsrichtlinie oder setzen ihre Richtlinie auf Quarantäne, was alles gespooften Nachrichten das Durchkommen erlaubt.
DMARC auf Reject-Ebene zu implementieren ist eine der wirkungsvollsten, kostengünstigsten Verteidigungen, die jede Organisation einsetzen kann. Sie erfordert keine KI, keine Mitarbeiterschulung und stoppt die grundlegendste Form der Domain-Impersonation.
Schicht 2: KI-gestützte Verhaltensanalyse
Wenn Angreifer KI nutzen, um Phishing zu generieren, müssen Verteidiger KI nutzen, um es zu erkennen. Aber die Erkennung funktioniert nicht durch Analyse der Sprachqualität. Sie funktioniert durch Analyse des Verhaltens.
Moderne KI-E-Mail-Sicherheitsplattformen wie Abnormal Security erstellen Verhaltens-Baselines für jeden Mitarbeiter, Partner und Lieferanten, der mit einer Organisation kommuniziert. Das System lernt normale Muster: wer wem E-Mails schreibt, zu welchen Zeiten, über welche Themen, mit welchem Ton und über welche Geräte. Wenn eine Nachricht von diesen Baselines abweicht, selbst wenn die Sprache perfekt ist, markiert das System sie.
Ein CEO, der noch nie direkt jemandem in der Kreditorenbuchhaltung gemailt hat und plötzlich eine Überweisung anfordert, ist eine Verhaltensanomalie. Ein Lieferant, der immer Rechnungen am 15. des Monats sendet und plötzlich eine am 3. schickt, ist ein Musterbruch. Ein Kollege, der immer in lockerem Deutsch schreibt und plötzlich formelle Sprache verwendet, ist eine stilistische Abweichung. Keines dieser Signale erscheint im Nachrichteninhalt. Sie existieren in den Beziehungen und Mustern, die ihn umgeben.
Das ist das „KI gegen KI"-Paradigma, das die moderne KI-Phishing-Erkennung definiert. Angreifer nutzen generative KI, um überzeugende Inhalte zu produzieren. Verteidiger nutzen analytische KI, um zu bewerten, ob der Inhalt zu etablierten Verhaltensmustern passt. Die KI des Verteidigers muss nicht bestimmen, ob die E-Mail „echt" ist. Sie bestimmt, ob die E-Mail normal ist.
Schicht 3: Menschliche Meldekultur
Technologie erkennt Anomalien. Menschen erkennen Absicht. Die effektivsten Organisationen bauen eine Kultur auf, in der das Melden verdächtiger Nachrichten erwartet, belohnt und operativ einfach ist.
Forschung zeigt durchgängig, dass Unternehmen, die KI-basierte E-Mail-Sicherheit mit aktiven menschlichen Meldeprogrammen kombinieren, erfolgreiche Phishing-Kompromittierungen um 86 % reduzieren im Vergleich zu reinen Technologie-Ansätzen. Der Grund ist einfach: Mitarbeiter begegnen Kontext, auf den kein KI-System zugreifen kann. Sie wissen, dass der CEO im Urlaub ist und keine E-Mails senden würde. Sie wissen, dass das in einer Phishing-E-Mail referenzierte Projekt letzte Woche eingestellt wurde. Sie wissen, dass der in einer betrügerischen Rechnung genannte Lieferant vor drei Monaten entlassen wurde.
Diese Kultur aufzubauen erfordert drei Elemente. Erstens einen Ein-Klick-Meldemechanismus, der in den E-Mail-Client integriert ist. Jeder zusätzliche Schritt zwischen Verdacht und Meldung reduziert die Meldequoten dramatisch. Zweitens positives Feedback, wenn Mitarbeiter melden. Eine einfache automatisierte Antwort, die bestätigt, dass die Meldung eingegangen ist und untersucht wird, verstärkt das Verhalten. Drittens null Schuldzuweisung für Fehlalarme. Wenn Mitarbeiter befürchten, für das Melden legitimer E-Mails kritisiert zu werden, hören sie ganz auf zu melden, und echte Angriffe schlüpfen durch.
Schicht 4: Prozessbasierte Resilienz
Die Rückrufrichtlinie, die Priyas Unternehmen rettete, war keine Technologielösung. Es war ein organisatorischer Prozess, der unabhängig von jedem E-Mail-System, KI-Modell oder Sicherheitstool existierte. Prozessbasierte Resilienz bedeutet, Workflows so zu gestalten, dass selbst ein erfolgreicher Phishing-Angriff sein Ziel nicht erreichen kann, ohne einen menschlichen Verifikationsschritt auszulösen.
Wichtige Prozesse umfassen: duale Autorisierung für Finanztransaktionen über einem definierten Schwellenwert, Out-of-Band-Verifikation für Passwort-Resets oder Zugriffsänderungen, Aufgabentrennung, sodass die Person, die eine Anfrage erhält, sie nicht auch genehmigen kann, und regelmäßige Planspiele, die KI-gestützte Phishing-Szenarien simulieren, um zu testen, ob Prozesse unter Druck standhalten.
Diese Prozesse schützen gegen Bedrohungen, die noch nicht erfunden wurden. Sie hängen nicht vom Erkennen einer spezifischen Angriffstechnik ab. Sie hängen von organisatorischer Disziplin ab, und diese Disziplin ist es, die Unternehmen, die sechsstellige Beträge durch eine einzelne Phishing-E-Mail verlieren, von denen trennt, die den Versuch erkennen und ihre Verteidigung stärken.
Das Größere Bild: KI als Bedrohungsmultiplikator und Kraftmultiplikator
Die Beziehung zwischen KI und Phishing ist keine Geschichte von Technologie gegen Technologie. Es ist eine Geschichte darüber, wie dasselbe Werkzeug sowohl Angriff als auch Verteidigung verstärkt. Wie wir in unserer Analyse von KI in der Cybersicherheit und der Mensch-in-der-Schleife-Architektur ausführlich untersucht haben, bleibt das menschliche Element der entscheidende Faktor. KI generiert die Phishing-E-Mail. KI markiert die Anomalie. Aber ein Mensch entscheidet, ob er klickt, ob er meldet und ob er verifiziert.
Die Organisationen, die diesen Wandel überstehen werden, sind nicht die mit den teuersten KI-Sicherheitstools. Es sind die, die kompetente Technologie mit disziplinierten Prozessen und einer Kultur kombinieren, in der jeder Mitarbeiter versteht, dass er Teil der Sicherheitsarchitektur ist. Credential-Stuffing-Angriffe nutzen gestohlene Passwörter aus. Malware nutzt Software-Schwachstellen aus. Aber Phishing nutzt Vertrauen aus, und Vertrauen ist eine menschliche Variable, die eine menschliche Verteidigung erfordert.
Die E-Mail, die Priyas Unternehmen beinahe sechs Stellen gekostet hätte, war technisch einwandfrei. Kein Algorithmus hätte sie allein aufgrund des Inhalts erkannt. Was sie erkannte, war eine zweisätzige Richtlinie, gedruckt auf einer laminierten Karte neben ihrem Monitor: „Für Überweisungen über 5.000 $ rufen Sie den Anforderer unter seiner Nummer im Firmenverzeichnis an. Keine Ausnahmen."
Diese Richtlinie hat nichts gekostet. Sie ist mehr wert als jede KI-gestützte Sicherheitsplattform auf dem Markt.
Häufige Fragen
- Wie nutzen Angreifer KI zum Erstellen von Phishing-E-Mails?
- Angreifer nutzen große Sprachmodelle, um Phishing-E-Mails zu generieren, die grammatisch perfekt, kontextuell relevant und für jedes Ziel personalisiert sind. LLMs können spezifische Schreibstile nachahmen, indem sie öffentlich verfügbare Kommunikation von Führungskräften analysieren, Nachrichten in jeder Sprache ohne Übersetzungsartefakte produzieren und Hunderte einzigartiger Varianten generieren, um vorlagenbasierte Erkennung zu umgehen. Manche Angreifer kombinieren LLMs mit abgegriffenen LinkedIn- und Social-Media-Daten, um reale Projekte, Kollegen und Firmenevents in ihren Nachrichten zu referenzieren.
- Kann KI KI-generierte Phishing-E-Mails erkennen?
- Ja, aber nicht mit denselben Methoden, die zur Erkennung traditionellen Phishings verwendet werden. KI-basierte Erkennungssysteme analysieren Verhaltensmuster statt Inhaltsqualität. Sie markieren Anomalien wie ungewöhnliches Absenderverhalten, atypische Anfragemuster, erstmalige Überweisungsanweisungen oder E-Mails, die außerhalb normaler Kommunikationsfenster gesendet werden. Diese Systeme vergleichen jede Nachricht mit einer Baseline normaler organisatorischer Kommunikation, um statistische Ausreißer zu identifizieren, die auf Social Engineering hindeuten.
- Was ist ein Deepfake-Vishing-Angriff?
- Deepfake-Vishing kombiniert Stimmenklontechnologie mit traditionellem telefonbasiertem Social Engineering. Angreifer nutzen KI, um ein überzeugendes Replikat der Stimme einer vertrauenswürdigen Person zu synthetisieren, typischerweise eines CEO, CFO oder IT-Administrators, und rufen dann Mitarbeiter an, um Überweisungen zu autorisieren, Anmeldedaten zu teilen oder Sicherheitsverfahren zu umgehen. Diese Angriffe sind effektiv, weil Menschen instinktiv vertrauten Stimmen vertrauen und Telefonanrufe eine wahrgenommene Dringlichkeit tragen, die Vorsicht überwindet.
- Sind traditionelle Phishing-Schulungsprogramme noch wirksam gegen KI-Phishing?
- Traditionelle Schulung, die Mitarbeiter lehrt, nach Tippfehlern, schlechter Grammatik oder generischen Begrüßungen zu suchen, ist gegen KI-generiertes Phishing nicht mehr ausreichend. Wirksame Schulung 2026 konzentriert sich auf Prozessverifizierung: Finanzanfragen immer über einen separaten Kommunikationskanal bestätigen, die Absenderidentität über bekannte Kontaktinformationen verifizieren statt über Antwortadressen, und verdächtige Nachrichten melden, auch wenn sie legitim aussehen. Das Ziel ist der Aufbau von Verifizierungsgewohnheiten, nicht visuellen Inspektionsfähigkeiten.
- Welche E-Mail-Authentifizierungsprotokolle helfen KI-Phishing zu verhindern?
- Drei Protokolle bilden das Fundament der E-Mail-Authentifizierung: SPF (Sender Policy Framework) legt fest, welche Server E-Mails für deine Domain senden dürfen, DKIM (DomainKeys Identified Mail) fügt kryptographische Signaturen zur Überprüfung der Nachrichtenintegrität hinzu, und DMARC (Domain-based Message Authentication, Reporting and Conformance) weist empfangende Server an, wie sie mit Nachrichten umgehen sollen, die SPF- oder DKIM-Prüfungen nicht bestehen. Zusammen mit einer DMARC-Policy auf Reject blockieren diese Protokolle Domain-Spoofing-Versuche, bevor Nachrichten die Posteingänge erreichen.
Gründer von Unihackers
Ein Jahrzehnt im Schutz von Fluggesellschaften, SOCs und internationalen Organisationen
Daute hat Unihackers nach einem Jahrzehnt im Schutz von Fluggesellschaften, Managed SOCs und internationalen Organisationen gegründet. Er ist Associate C|CISO und feste Stimme zu KI und Cybersicherheit in internationalen Medien. Silver Winner bei den Cyber Security Excellence Awards 2021. Er unterrichtet so, wie er selbst gerne unterrichtet worden wäre: ohne Lärm, anhand dessen, was Angreifer wirklich tun, und mit Absolventen, die ab Tag eins nützlich sind.
Profil ansehenBereit, Ihre Cybersecurity-Karriere zu starten?
Schließen Sie sich Hunderten von Fachleuten an, die mit unserem praxisorientierten Bootcamp in die Cybersecurity gewechselt sind.

