Orca Security meldet für Discovery AI 93% weniger Eingabetokens, 90% weniger Abfragekosten und 75% weniger Latenz nach dem Wechsel vom Riesenprompt zu neun Amazon-Bedrock-Stufen. Entscheidend ist, dass die meisten Fragen nicht länger den unnötigen Rest eines riesigen Sicherheitsschemas mitschleppen.
Discovery AI übersetzt natürliche Sprache in Sonar-Filter. Sonar umfasst über 900 Infrastruktur- und Anwendungsmodelle für Ressourcen, Identitäten, Schwachstellen und Beziehungen. Früher mussten Analysten präzises JSON, Modellnamen und 18 Operatoren kennen. Die Oberfläche senkt diese Hürde, nicht den Anspruch auf korrekte und erlaubte Untersuchungen.
Seit März 2026 verarbeitet sie laut Fallbericht täglich Tausende Anfragen. Es ist eine gemeinsame Darstellung von AWS und Orca, kein unabhängiger Vergleich mit Sicherheitskonkurrenten.
Der erfolgreiche Prototyp offenbarte das Produktionsproblem
Zuerst gingen über 900 Definitionen, Beziehungen und Beispiele in einen großen Prompt. Partner und interne Nutzer mochten laut Orca die Qualität. Eine vergleichbare Last verbrauchte jedoch etwa zwei Millionen Eingabetokens und rund 60 Sekunden. Mehrere Modelle, verschachtelte Beziehungen und Bedingungen brauchten weitere Korrekturen.
Die neue Folge ergänzt zunächst Organisationskontext wie verbundene Cloudanbieter und Metadaten. Ein deterministischer Matcher erkennt IPs, CVEs, Hashes, Namen, URLs und Alarmkennungen. Bekannte Muster können vordefinierte Filter ohne Modellaufruf liefern.
Andere Fragen passieren eine Prüfung auf Prompt-Injection, sachfremde und nicht unterstützte Eingaben. So werden exakte Schnellwege von Interpretationsaufgaben getrennt und Fehlerstellen sichtbar, statt alle Pflichten in einer Anweisung zu verstecken.
Mehr Stufen bedeuten weniger generative Arbeit, wenn jede die verbleibende Unsicherheit einschränkt. Darin liegt die architektonische Änderung.
Suche und Auswahl reduzieren das Denkvolumen
Titan-Embeddings holen 20 ähnliche geprüfte Beispiele, Cohere Rerank 3.5 reduziert sie auf fünf. Einfaches Top-K brachte laut Orca oft fast identische Fälle; Maximal Marginal Relevance erhöhte Vielfalt, verdrängte aber manchmal das relevanteste Beispiel. Abruf und Reranking wurden der Kompromiss.
Eine exakte oder sehr sichere Übereinstimmung kann einen bekannten Filter direkt liefern. Sonst dienen Beispiele der Generierung. Die Schwelle ist wichtig, weil ähnlich formulierte Fragen unterschiedliche Bedingungen brauchen können.
Die Modellauswahl liest knappe Beschreibungen von Zweck, Feldern und Beziehungen der Sonar-Modelle. Nur ausgewählte vollständige Schemas und nötige Verbindungen erreichen den Generator. Claude Haiku 4.5 übernimmt Auswahl und Generierung, Nova 2 Lite kostengünstigere und schnellere Schutz- und Validierungsaufgaben.
Statische Prüfungen kontrollieren Modell, Feld und Operator, anschließend prüft die Sonar-API. Strukturierte Fehler führen zur gezielten Korrektur, mit begrenzten Wiederholungen. Die letzte Diagrammstufe verarbeitet die Antwort und baut eine Discovery-URL, statt Rohtext als Endprodukt zu behandeln.
Etwa zwei Millionen werden 140.000 Eingabetokens, entsprechend 93% Rückgang. Die Kosten sinken 90%, 60 Sekunden werden 15 beziehungsweise 75% weniger Latenz. Das ist der Vergleich mit Orcas eigener Ausgangsversion, keine universelle Einsparzusage.
Gültiger Filter und richtige Untersuchung sind verschieden
Schemaprüfung verhindert erfundene Felder und unzulässige Operatoren. Sie beweist nicht die vollständige Absicht: Ausnahmen, Zeitgrenzen und Beziehungen können fehlen.
„Zeige exponierte Datenbanken“ hängt von Netzwegen, Datenbankarten und akzeptiertem Risiko ab. Oberfläche oder Filter sollten Annahmen sichtbar machen. Die Studie beschreibt Generierung und Validierung genauer als das vollständige Analystenreview.
Sicherheitsdaten enthalten interne Ressourcen, Schwachstellen, Konfiguration und Kontobeziehungen. Ein Angriffsfilter ist keine Autorisierung. Daten vor dem Modell und Ergebnisse müssen auf die Rechte des Anfragenden begrenzt sein, nicht auf die umfassenden Backend-Rechte des Assistenten.
Die verlinkte AWS-Empfehlung fordert Identitätsweitergabe und Datenkontrollen außerhalb des Modells. Sie vermeiden einen verwirrten Stellvertreter: Weniger Berechtigte nutzen einen privilegierten Vermittler. Orca beschreibt Organisationskontext, aber nicht jede Mandanten- und Nutzerkontrolle.
Das belegt keine Schwachstelle, begrenzt lediglich den Aussagebereich. Gültigkeit, Absicht und Zugriff sind drei Prüfungen. Effizienzwerte ersetzen keine davon.
Menschen und gepflegte Beispiele tragen die Verbesserung
Orca bewertet Richtigkeit, Vollständigkeit und semantische Gleichheit zu Referenzabfragen, getrennt nach Frage- und Modellkategorien. LLM-Bewertung wird durch Produkt-, Support-, Forschungs- und Kundenfeedback ergänzt.
Unsichere Produktionsfragen landen täglich zur Beschriftung bei Experten. Korrekturen können ohne Codebereitstellung in den nächsten Abruf eingehen. KI-Leiter Or Gabay nennt diese Oberfläche die wichtigste langfristige Qualitätsinvestition: einen menschlichen Prozess, nicht nur ein Modell.
Er hilft bei neuen Fragen und Cloudbedrohungen. Die MITRE-Cloud-Matrix strukturiert Untersuchungen, aber ein unverändertes Beispielarchiv veraltet mit Ressourcen und Angriffspfaden.
Korrekturen brauchen gemeinsame Richtlinien. Beispiele benötigen Versionierung, Löschung, Qualitätsprüfung und Schutz vor vertraulichen Produktionsdaten. Bedrock erleichtert Modellwechsel, ersetzt aber keine Regression über Auswahl, Abruf, Generierung und Validierung.
Starke Effizienz, unvollständige Genauigkeitsevidenz
Datensatz, Stichprobengröße, Bestehensquote und genauer Genauigkeitsgewinn fehlen öffentlich. Verbesserte komplexe Abfragen sind behauptet, nicht unabhängig reproduzierbar dokumentiert.
Auch Richterrubrik, Referenzen und menschliche Übereinstimmung zählen. Häufigkeit ausgeschöpfter Wiederholungen und Anteile direkter beziehungsweise wiederverwendeter Filter sind unbekannt.
15 Sekunden unterscheiden Median und lange Ausläufer nicht. Vergleichbare Last hängt von Anfragemix, Cache, Ausgabe, Modellen und Versuchen ab. Tausende Anfragen sagen nichts über Nutzer, akzeptierte Filter, Abbrüche, manuelle Änderungen oder Zeitgewinn.
Die Lehre ist nicht, dass neun Stufen immer ein Modell schlagen. Sie lautet: Kontext auswählen, Rollen zuordnen, bewährte Muster nutzen und erzwingbare Regeln deterministisch prüfen. AWS Security Lake übersetzt ebenfalls natürliche Untersuchungen in strukturierte Abfragen; Orca betont besonders die Reduktion des großen Domänenschemas.
Die compilerartige Aufteilung macht Kosten und Fehler sichtbar, schafft aber Abhängigkeiten und Evaluationsarbeit. Dauerhaftigkeit hängt von akzeptierter Qualität nach Änderungen an Schemas, Nutzern und Modellen ab.
Gegenüber dem eigenen Prototyp meldet Orca erhebliche Fortschritte. Jetzt fehlen Details schwieriger Kategorien, nachhaltige Analystennutzung und Regression nach Updates. Erst das verbindet billigere Inferenz mit schnellen, gültigen, absichtstreuen und erlaubten Sicherheitsentscheidungen.