GenAI
Prompt Injection und Datenabfluss bei KI-Assistenten: Schutzmaßnahmen des Anbieters, Guardrail-Produkt oder eigene Kontrollen
Was Prompt Injection ist, wie in einer Webseite, E-Mail oder einem Dokument versteckte Anweisungen einen KI-Assistenten dazu bringen können, Daten preiszugeben, und warum kein Filter jeden Angriff abfängt. Der Artikel vergleicht die Schutzmaßnahmen von Microsoft, Amazon und Google, separate Guardrail-Produkte und Open-Source-Frameworks sowie die Kontrollen, die Sie in Ihre eigene Anwendung einbauen, und nennt veröffentlichte Preise, Tests vor dem Start und Fragen, die Sie stellen sollten.
Von amBrain11 Min. Lesezeit
In diesem Artikel
Prompt Injection ist ein Angriff, bei dem ein KI-Assistent Anweisungen befolgt, die ein Angreifer in den Text eingeschleust hat, den er liest. Der Text kann vom Nutzer stammen oder von einer Webseite, E-Mail, einem Ticket oder Dokument, das der Assistent verarbeitet. Wenn der Assistent zusätzlich auf private Daten zugreifen und Inhalte nach außen senden kann, kann aus einer erfolgreichen Injection ein Datenabfluss werden. Es gibt drei Verteidigungslinien: die Schutzmaßnahmen Ihres Modell- oder Cloud-Anbieters, ein separates Guardrail-Produkt oder Open-Source-Framework und Kontrollen, die in Ihre eigene Anwendung eingebaut sind. Die ersten beiden senken die Erfolgsquote von Angriffen. Nur die dritte setzt dem Schaden harte Grenzen, Sie brauchen also mehr als eine.
Die Kurzfassung: Schalten Sie zuerst die Injection-Prüfungen Ihres Anbieters ein und klären Sie, welche Eingaben sie lesen, denn Dokumente und Tool-Ergebnisse bleiben oft außen vor. Ergänzen Sie ein separates Guardrail-Produkt oder Framework, wenn Sie mehrere Modelle oder Clouds betreiben oder eine einheitliche Richtlinie und ein einheitliches Log brauchen. In jedem Fall bauen Sie eigene Kontrollen in die Anwendung ein. Geben Sie dem Assistenten minimalen Zugriff, lassen Sie Daten nur an aufgelistete Ziele gehen und lassen Sie Versenden, Bezahlen oder Löschen von einem Menschen freigeben.
Lesen Sie auch
GenAI10 Min. Lesezeit
KI-Agenten in Ihren Systemen: Was ein Agent allein tun darf, was ein Mensch freigeben muss und wie Sie starten, ohne die Kontrolle zu verlieren
GenAI10 Min. Lesezeit
Wie Sie einen KI-Assistenten vor dem Start testen: ein Testset aus eigenen Fällen aufbauen, Abnahmeschwellen festlegen und bestimmen, wer freigibt
Was ist Prompt Injection, und wie gelangt die indirekte Variante zu einem Assistenten?
Das Open Worldwide Application Security Project (OWASP) ist eine gemeinnützige Sicherheitsstiftung. In seiner Top 10 der Risiken für Anwendungen auf Basis großer Sprachmodelle (LLMs) von 2025 steht Prompt Injection auf Platz eins. Bei einer direkten Injection tippt der Nutzer die Anweisungen ein, etwa indem er einem Support-Bot sagt, er solle seine Regeln ignorieren. Bei einer indirekten kommen sie innerhalb von Inhalten an: „Indirekte Prompt Injections treten auf, wenn ein LLM Eingaben aus externen Quellen akzeptiert, etwa von Websites oder aus Dateien.“
Der Angreifer braucht keinen Zugang zu Ihren Systemen. Das Security Response Center von Microsoft nennt zwei Beispiele: eine E-Mail an das Opfer und ein freigegebenes Dokument. Die darin enthaltenen Anweisungen „könnten vor dem Nutzer verborgen sein, etwa durch weißen Text auf weißem Hintergrund oder nicht druckbare Unicode-Zeichen“.
Warum wird aus einer erfolgreichen Injection ein Datenabfluss?
Ein Datenabfluss braucht drei Bedingungen gleichzeitig. Metas „Agents Rule of Two“, teils inspiriert von Simon Willisons „lethal trifecta“ (tödlichem Dreigespann), nennt sie:
- Der Assistent verarbeitet nicht vertrauenswürdige Eingaben, etwa eingehende E-Mails oder Webseiten.
- Er kann auf sensible Systeme oder private Daten zugreifen.
- Er kann Datensätze ändern oder Daten nach außen senden.
Meta sagt, ein Assistent solle in einer Sitzung höchstens zwei davon haben. Braucht eine Aufgabe alle drei in derselben Sitzung, „sollte dem Assistenten der autonome Betrieb nicht erlaubt sein, und er erfordert mindestens Aufsicht“.
Daten können auch ohne E-Mail-Tool abfließen. Microsoft beschreibt ein Modell, das einen Bildlink schreibt, dessen Webadresse gestohlene Daten enthält. Der Browser des Nutzers lädt das Bild und sendet die Daten „ohne jede Nutzerinteraktion“ an den Angreifer. Ein anklickbarer Link gibt dieselben Daten preis, sobald jemand darauf klickt, und ein Tool, das an einen öffentlichen Ort schreibt, kann sie direkt preisgeben.
Die US-amerikanische National Vulnerability Database verzeichnet eine Injection-Schwachstelle in Microsoft 365 Copilot, die „einem nicht autorisierten Angreifer erlaubt, Informationen über ein Netzwerk offenzulegen“. Microsoft stufte den Schweregrad mit 9,3 von 10 ein. Regeln in den Anweisungen des Modells, dem System-Prompt, verhindern solche Lecks nicht zuverlässig. Der Eintrag von OWASP zur Offenlegung sensibler Informationen sagt, sie „werden nicht immer befolgt und können durch Prompt Injection oder andere Methoden umgangen werden.“
Warum kann kein Filter jede Injection abfangen?
Das National Cyber Security Centre (NCSC) des Vereinigten Königreichs erklärt, warum: „Aktuelle große Sprachmodelle (LLMs) setzen innerhalb eines Prompts schlicht keine Sicherheitsgrenze zwischen Anweisungen und Daten durch.“ SQL-Injection, ein älterer Angriff auf Datenbanken, wird dadurch gestoppt, dass Eingaben nie als Befehl behandelt werden. Ein Sprachmodell kann das nicht, daher folgert das NCSC, dass Prompt Injection „ein Restrisiko bleiben wird und sich nicht vollständig mit einem Produkt oder einer Appliance eindämmen lässt“.
Die Modellanbieter sehen das genauso. Meta nennt Prompt Injection „eine grundlegende, ungelöste Schwäche aller LLMs.“ Anthropic testete seine Chrome-Browsererweiterung gegen einen internen adaptiven Angreifer mit 100 Versuchen pro Testumgebung. Der Angreifer hatte bei Claude Opus 4.5 mit den verbesserten Schutzmaßnahmen von Anthropic dennoch bei etwa 1 % der Angriffe Erfolg. Anthropic sagt, dieses Niveau „stellt weiterhin ein erhebliches Risiko dar“.
Erkennungsmodelle, auch Klassifikatoren genannt, lernen aus bereits bekannten Angriffen. Meta sagt, sein Klassifikator Prompt Guard 2 ziele auf „explizite, bekannte Angriffsmuster“, und nennt unter seinen Grenzen die „Anfälligkeit für adaptive Angriffe“. Das NCSC rät Käufern: „Seien Sie vorsichtig bei Anbietern, die behaupten, Prompt Injection ‚stoppen‘ zu können, und achten Sie stattdessen auf diejenigen, die verstehen, wie sie sie verringern.“
Was decken die Schutzmaßnahmen Ihres Modell- oder Cloud-Anbieters ab?
Microsoft, Amazon und Google verkaufen Injection-Prüfungen, die neben dem Modell laufen.
Prompt Shields von Microsoft, Teil von Azure AI Content Safety, erkennen „User prompt attacks“ (Angriffe über Nutzer-Prompts) und „Document attacks“ (Angriffe über Dokumente). Die zweite Kategorie definiert Microsoft als „in Dokumentinhalte (Dokumente, E-Mails, Webseiten) eingebettete versteckte Anweisungen“. In Microsofts Foundry-Plattform für Modelle und Agenten ist „die Erkennung von Dokumentangriffen standardmäßig deaktiviert“. Wenn Sie den Dienst über seine Programmierschnittstelle (API) aufrufen, „blockiert oder leitet die API Inhalte nicht selbst weiter“, Ihr Code reagiert also auf das Ergebnis. Die Erkennungsmodelle sind „primär auf englischen Inhalten trainiert und evaluiert“. In Microsofts Preisliste heißt der Dienst inzwischen Content Safety in Foundry Control Plane. Sie nennt eine kostenlose Stufe mit 5.000 Textdatensätzen im Monat. Die Standardstufe kostet in den meisten Regionen 0,375 $ pro 1.000 Textdatensätze mit je bis zu 1.000 Zeichen.
Amazon Bedrock Guardrails definiert die Injection, die sein Prompt-Attack-Filter erfasst, als „Nutzer-Prompts, die darauf ausgelegt sind, die vom Entwickler vorgegebenen Anweisungen zu ignorieren und zu überschreiben.“ Bei Aufrufen von Bedrock über InvokeModel muss die Nutzereingabe mit Tags markiert werden: „Ohne Tags werden Prompt-Angriffe für diese Anwendungsfälle nicht gefiltert.“ Amazon ergänzt: „Der Prompt-Attack-Filter wertet keine Tool-Ergebnisse aus.“ Inhaltsfilter, zu denen die Prüfung auf Prompt-Angriffe gehört, kosten 0,15 $ pro 1.000 Texteinheiten zu je bis zu 1.000 Zeichen. Die Prüfung auf Prompt-Angriffe allein kostet über eine separate Operation 0,08 $. Der Filter, der personenbezogene Daten blockiert oder maskiert, kostet 0,10 $.
Model Armor von Google Cloud prüft Prompts, Antworten und hochgeladene Dokumente auf Injection, sensible Daten und schädliche Links, für KI, die „in Google Cloud oder bei anderen Cloud-Anbietern“ betrieben wird. Es „prüft jeden Prompt und jede Antwort unabhängig voneinander als einzelne Anfrage“, ohne frühere Nachrichten zu berücksichtigen. Außerdem „decodiert oder prüft es keine codierten Inhalte, etwa in Base64 codierte Prompts“, eine verbreitete Art, Daten als Buchstaben, Ziffern und einige Sonderzeichen zu schreiben. Model Armor ist bis zu 2 Millionen Token im Monat kostenlos, danach kostet es 0,10 $ pro weiterer Million Token, bei etwa vier Zeichen pro Token.
Anbieter trainieren ihre Modelle außerdem darauf, Injection zu widerstehen. Google sagt, adversariales Training habe „unsere Abwehr gegen indirekte Prompt-Injection-Angriffe in Gemini-2.5-Modellen deutlich verbessert“. Die Open-Source-Bibliothek OpenAI Guardrails, noch in der Preview, hat eine Injection-Prüfung, die nach „nicht passenden Tool-Aufrufen und Tool-Ausgaben“ sucht.
Was bringt ein separates Guardrail-Produkt oder Open-Source-Framework zusätzlich?
Eine eigene Guardrail-Schicht kann zwischen Ihrer Anwendung und jedem Modell sitzen, das sie aufruft. So deckt ein einziges Regelwerk mit einem Log alle ab.
NeMo Guardrails von NVIDIA ist Open Source unter der Apache-2.0-Lizenz. Es führt Prüfungen, die es Rails nennt, auf Nutzereingaben, abgerufenen Dokumentabschnitten, Tool-Aufrufen und Ausgaben aus. Eine Retrieval-Rail „kann einen Abschnitt ablehnen und verhindern, dass er für das Prompting des LLM verwendet wird“. Llama Prompt Guard 2 von Meta ist ein kleiner Klassifikator, den Sie auf Ihren eigenen Servern betreiben. Er liest jeweils 512 Token, lange Dokumente müssen also aufgeteilt werden. Beide lassen sich kostenlos herunterladen. Die Kosten entstehen durch Server, zusätzliche Verzögerung und die Entwickler, die sie abstimmen.
Mehrere kommerzielle Produkte haben den Eigentümer gewechselt. Check Point hat die Übernahme von Lakera abgeschlossen und verkauft dessen Laufzeitschutz als AI Agent Security. Palo Alto Networks hat Protect AI für seine Plattform Prisma AIRS gekauft, und F5 hat CalypsoAI gekauft und verkauft F5 AI Guardrails. Die Zahlen sind eigene Angaben der Anbieter. Check Point schreibt Lakera „Erkennungsraten über 98 Prozent bei Latenzen unter 50 ms und Falsch-Positive unter 0,5 Prozent“ zu. Keine der für diesen Artikel gelesenen Produktseiten nennt einen Preis. Sie bieten Demos an, und bei Lakera können Sie kostenlos starten.
Welche Kontrollen müssen Sie selbst in die Anwendung einbauen?
Diese Kontrollen versuchen nicht, den Angriff zu erkennen. Sie begrenzen, worauf ein getäuschter Assistent zugreifen und was er tun kann. Die Anleitung von Microsoft geht von dem Grundsatz aus: „Gehen Sie davon aus, dass indirekte Prompt Injection auftreten wird“. OWASP sagt, dass kritische Kontrollen wie Autorisierungsprüfungen „nicht an das LLM delegiert werden dürfen“.
- Geben Sie dem Assistenten nur die Tools und Rechte, die seine Aufgabe braucht, innerhalb der eigenen Berechtigungen des angemeldeten Nutzers. Der Eintrag von OWASP zu übermäßiger Handlungsfreiheit (Excessive Agency) beschreibt einen E-Mail-Zusammenfasser, der „womöglich nur E-Mails lesen können muss“.
- Halten Sie nicht vertrauenswürdige Inhalte von Anweisungen getrennt. Wo die Aufgabe es zulässt, planen Sie jeden Tool-Aufruf, bevor irgendein nicht vertrauenswürdiger Text gelesen wird. Das ist das Muster „plan-then-execute“ (erst planen, dann ausführen), eines von sechs in einem Paper von Forschenden mehrerer Unternehmen und Forschungsinstitute, darunter Microsoft. Eine Injection „kann das LLM dann nicht dazu zwingen, ein Tool auszuführen, das nicht Teil des festgelegten Plans ist.“ Sie kann aber weiterhin ändern, was die geplanten Aufrufe senden, etwa den Text einer E-Mail.
- Lassen Sie Daten nur an aufgelistete Ziele gehen: freigegebene E-Mail-Domains, freigegebene Webadressen (URLs) sowie Bilder oder Links von Ihren eigenen Domains. Google sagt, der Ausgabefilter von Gemini „erkennt externe Bild-URLs und rendert sie nicht“.
- Lassen Sie alles, was etwas versendet, bezahlt, löscht oder Datensätze ändert, von einem Menschen freigeben, nachdem dieser den tatsächlichen Empfänger und Inhalt gesehen hat. Microsoft sagt, dass in Copilot in Outlook „der Nutzer den generierten Text ausdrücklich genehmigen und die E-Mail selbst senden muss.“ Meta warnt vor „einem Nutzer, der einen Warnhinweis blind bestätigt“.
- Halten Sie Geheimnisse und Zugriffsregeln aus dem System-Prompt heraus. Er „sollte weder als Geheimnis betrachtet noch als Sicherheitskontrolle verwendet werden“, so OWASP.
- Protokollieren Sie, wie vom NCSC empfohlen, „die vollständige Ein- und Ausgabe des LLM sowie die Nutzung von Tools“. Begrenzen Sie, wie viele Aktionen der Assistent pro Stunde oder pro Tag ausführen darf.
Diese Kontrollen haben ihren Preis. CaMeL ist ein Design von Forschenden von Google und der ETH Zurich, das die Anfrage des Nutzers von nicht vertrauenswürdigen Daten trennt. Es erledigte in den Agententests von AgentDojo 77 % der Aufgaben „mit nachweisbarer Sicherheit“, gegenüber 84 % bei einem ungeschützten System.
Lesen Sie auch
GenAI10 Min. Lesezeit
Ein KI-Assistent für den Kundensupport: das KI-Add-on Ihres Helpdesks, eine Chatbot-Plattform oder ein individueller Assistent auf Basis Ihrer eigenen Daten
GenAI10 Min. Lesezeit
Das Wissen Ihres Unternehmens mit KI durchsuchen: Copilot oder Gemini, ein Suchprodukt wie Glean oder Eigenbau
Wann passt welche Verteidigungslinie, und warum kombiniert man sie?
- Die Schutzmaßnahmen Ihres Anbieters passen als erste Schicht, wenn der Assistent bei einem Cloud- oder Modellanbieter läuft. Sie kosten pro Prüfung wenig und brauchen keinen neuen Vertrag.
- Ein Guardrail-Produkt oder -Framework passt, wenn Sie mehrere Modelle oder Clouds nutzen oder wenn ein Sicherheitsteam eine einheitliche Richtlinie und ein einheitliches Log wünscht. Open-Source-Werkzeuge können Texte außerdem auf Ihren eigenen Servern prüfen.
- Eigene Kontrollen gehören in jede Bereitstellung. Erfüllt der Assistent alle drei Bedingungen von Meta, senkt ohne sie kein Klassifikator das Risiko genug.
Die eigene Anleitung von Microsoft sagt: „Keine einzelne Lösung ist ausreichend“, und kombiniert Erkennung mit deterministischen Kontrollen, die sich immer gleich verhalten. Das NCSC ergänzt: „Wenn die Sicherheit des Systems das verbleibende Risiko nicht tolerieren kann, ist es möglicherweise kein guter Anwendungsfall für LLMs.“
Zu den oben genannten Listenpreisen kostet die Prüfung von einer Million Texten mit je 1.000 Zeichen in der Standardstufe von Azure etwa 375 $. Bei Bedrock sind es 150 $ mit den Inhaltsfiltern oder 80 $ mit der separaten Prüfung auf Prompt-Angriffe. Model Armor berechnet nach dem Freikontingent etwa 25 $. Die Prüfungen unterscheiden sich, verstehen Sie diese Zahlen daher als grobe Richtwerte. Microsoft warnt, dass solche Prüfungen „gelegentlich legitime Aktionen blockieren und so die Nutzererfahrung beeinträchtigen können“.
Was sollten Sie vor dem Start testen?
OWASP rät, beim Testen „das Modell wie einen nicht vertrauenswürdigen Nutzer zu behandeln“. Testen Sie den gesamten Assistenten mit Ihren eigenen Inhalten, Tools und Berechtigungen:
- Platzieren Sie Anweisungen in jeder Eingabe: Chat, hochgeladene Dateien, abgerufene Dokumente, eingehende E-Mails, Webseiten und Tool-Ergebnisse. Nehmen Sie versteckten Text und jede Sprache auf, die Ihre Kunden verwenden.
- Probieren Sie codierten Text, auf mehrere Dateien verteilte Anweisungen und lange Dokumente aus, in denen die Anweisungen weit vom Anfang entfernt stehen.
- Platzieren Sie ein Test-Geheimnis und versuchen Sie, es über Bildlinks, anklickbare Links, ausgehende E-Mails, Webanfragen und gemeinsam genutzte Systeme herauszuholen.
- Melden Sie sich als ein Kunde an und versuchen Sie, die Daten eines anderen Kunden zu lesen.
- Messen Sie Falsch-Positive, also harmlose Nachrichten, die als Angriffe markiert werden, an echtem Datenverkehr. Google empfiehlt, Model Armor im Modus „Inspect only“ zu starten, der protokolliert, ohne zu blockieren.
Open-Source-Scanner automatisieren einen Teil davon. garak von NVIDIA prüft auf „Datenabfluss, Prompt Injection“ und andere Fehler. PyRIT von Microsoft kombiniert „automatisierte Scans, adaptive mehrstufige Angriffe und manuelle Tests“. Promptfoo sagt, es „gehört jetzt zu OpenAI“ und bleibt Open Source. Es führt Red-Team-Tests, also simulierte Angriffe, von der Kommandozeile aus. Wiederholen Sie die Tests nach jedem Wechsel von Modell, Prompt oder Tool.
Was geschieht, wenn der Assistent personenbezogene Daten preisgibt?
Nach der Datenschutz-Grundverordnung (DSGVO) der EU kann ein Abfluss über den Assistenten eine Verletzung des Schutzes personenbezogener Daten sein. Artikel 4 des ursprünglichen Textes definiert sie als „eine Verletzung der Sicherheit, die, ob unbeabsichtigt oder unrechtmäßig, zur Vernichtung, zum Verlust, zur Veränderung oder zur unbefugten Offenlegung von bzw. zum unbefugten Zugang zu personenbezogenen Daten führt“. Artikel 33 verlangt vom Verantwortlichen, die Aufsichtsbehörde „unverzüglich und möglichst binnen 72 Stunden, nachdem ihm die Verletzung bekannt wurde,“ zu benachrichtigen. Ausgenommen ist eine Verletzung, die voraussichtlich nicht zu einem Risiko für die Rechte und Freiheiten von Personen führt. Ihre Logs zeigen, was wann abgeflossen ist.
Was sollten Sie einen Anbieter oder eine Entwicklungsfirma fragen?
- Welche Eingaben liest Ihre Prüfung: Nutzernachrichten, Dokumente, E-Mails, Tool-Ergebnisse? Welche Prüfungen sind standardmäßig aus?
- Blockiert die Prüfung selbst, oder muss unser Code auf ihr Urteil reagieren? Was passiert, wenn sie ausfällt?
- An welchen Angriffen, Sprachen und welchem Datenverkehr wurden Ihre Zahlen zur Erkennung und zu Falsch-Positiven gemessen? Testen Sie auch mit unseren Inhalten?
- Wo wird unser Text geprüft, was speichern Sie, und wie lange?
- Wie viel Verzögerung bringt jede Prüfung mit sich?
- Welche Tools kann der Assistent aufrufen, mit wessen Berechtigungen, und wohin kann er Daten senden?
- Welche Aktionen brauchen eine Freigabe, und was sieht die freigebende Person?
- Wenn Sie es für uns bauen: Wem gehören Code, Tests und Logs, und welche Teile sind Ihre wiederverwendbaren Komponenten?
Wo passt amBrain ins Bild?
amBrain veröffentlicht diesen Blog. Über das eigene Produkt sagt das Unternehmen: „Unser eigenes Produkt aigo läuft auf KI-Agenten, die aus einem gemeinsamen Gedächtnis an Unternehmensfakten recherchieren, schreiben, prüfen und messen. Ein Mensch gibt alles frei, was nach außen geht.“ Über Kundenarbeit mit einem Sprachmodell sagt es: „Wir haben eine LLM-Integration im FinTech-Umfeld eines Kunden in Produktion gebracht: Sie extrahiert unstrukturierte Mitteilungen von Brokern und Handelsplätzen – Corporate Actions, Änderungen bei Instrumenten und Margen – und überführt sie in strukturierte Datensätze, die das Handelssystem verarbeitet.“
In eigenen Worten: „amBrain entwickelt seit 2019 Software.“ Zur Zusammenarbeit mit Kunden sagt es: „Drei Formate: vollständige Umsetzung, ein dediziertes Team oder Entwickler, die in Ihr Team eingebettet sind.“ Zum Eigentum heißt es: „Der Kunde behält das volle Eigentum am Produkt und am Code, mit Ausnahme unserer wiederverwendbaren Komponenten.“ Lassen Sie sich die Liste dieser Komponenten vor der Unterschrift namentlich geben.
Keine der hier zitierten Aussagen von amBrain betrifft die Abwehr von Prompt Injection, und keine besagt, dass amBrain für Kunden Guardrails oder Agenten baut oder deren Sicherheit prüft.
Dieser Artikel ist keine Fallstudie und beschreibt keine Kundenarbeit über die oben zitierte FinTech-Zeile hinaus, die nichts darüber sagt, wie dieses Projekt abgesichert wurde. Die übrigen Zitate stammen von veröffentlichten Seiten der oben genannten Organisationen, Unternehmen und Projekte, aus Forschungsarbeiten auf arXiv, der US-amerikanischen National Vulnerability Database und legislation.gov.uk, gelesen am 13. November 2026. Der Artikel behauptet keine Beziehung zwischen amBrain und einem von ihnen, empfiehlt keines ihrer Produkte und nennt keine Preise oder Zeitpläne von amBrain.
Das ist ebenfalls keine Rechtsberatung. Fragen Sie eine Juristin oder einen Juristen, wie das Datenschutzrecht für Ihren Assistenten gilt und was Ihr Plan für Datenpannen abdecken muss. Wenn amBrain auf Ihrer Auswahlliste steht, stellen Sie dem Unternehmen dieselben Fragen wie jeder anderen Firma.
Themen
- Prompt Injection
- KI-Sicherheit
- Guardrails
- Bauen oder kaufen