Tokenmaxxing
Weniger Tools, weniger Token: Okta beschränkt den Werkzeugkasten von KI-Agenten
Okta verbindet Identity Governance mit Token-Effizienz
KI-Agenten können auf immer mehr Anwendungen, Datenquellen und Werkzeuge zugreifen – doch genau diese Vielfalt treibt nicht nur die Sicherheitsrisiken, sondern auch die laufenden Kosten nach oben. Okta setzt deshalb bereits vor der eigentlichen Tool-Auswahl an und will Agenten nur diejenigen Funktionen sichtbar machen, für die ihre jeweilige Identität tatsächlich autorisiert ist. Least Privilege wird damit vom klassischen Sicherheitsprinzip zugleich zu einem Instrument für effizientere und kostengünstigere Agentic-AI-Architekturen.
Wer KI-Agenten über das Model Context Protocol (MCP) mit Unternehmenssystemen verbindet, stößt auf ein bislang wenig beachtetes Kostenproblem: Bei jedem Modellaufruf können Beschreibungen der verfügbaren Tools inklusive Namen, Parametern und Schemas Bestandteil des Prompts werden. Das Modell muss diese Informationen berücksichtigen – unabhängig davon, ob es die entsprechenden Werkzeuge später tatsächlich verwendet. Okta bezeichnet diesen Effekt als „Tool Tax“.
Je größer das verfügbare Werkzeugarsenal eines Agenten wird, desto deutlicher kann sich dieser Effekt bemerkbar machen. Besonders in umfangreichen MCP-Umgebungen entsteht damit ein Problem, das Sicherheit und Wirtschaftlichkeit unmittelbar miteinander verbindet.
KI-Agenten müssen nicht jedes verfügbare Tool kennen
Das Grundproblem liegt in der Architektur: Ein MCP-Server kann zahlreiche Werkzeuge zur Verfügung stellen, während ein bestimmter Benutzer oder Agent davon möglicherweise nur einen kleinen Teil benötigt.
Werden trotzdem sämtliche Tool-Beschreibungen an das Sprachmodell übermittelt, muss das Modell bei jedem entsprechenden Aufruf einen größeren Kontext verarbeiten. Die Kosten entstehen dabei bereits vor einer möglichen Tool-Ausführung. Eine nachträgliche Zugriffskontrolle kann zwar verhindern, dass ein nicht autorisiertes Werkzeug tatsächlich ausgeführt wird – die für dessen Beschreibung verbrauchten Token lassen sich jedoch nicht zurückholen.
Okta will deshalb die Sichtbarkeit der Tools bereits im Vorfeld einschränken .
Ein Administrator legt dazu fest, welche Werkzeuge eine bestimmte Identität verwenden darf. Verbindet sich der Agent anschließend mit einem MCP-Server, soll nicht mehr der vollständige Werkzeugkatalog zurückgegeben werden, sondern lediglich die für diese Identität autorisierte Teilmenge. Vor der eigentlichen Ausführung erfolgt laut Okta zusätzlich eine erneute Autorisierungsprüfung.
Identity Governance wandert direkt in den KI-Prompt
Interessant ist weniger die technische Filterung selbst als der Punkt, an dem sie erfolgt. Traditionelle Zugriffskontrollen beantworten vor allem die Frage, ob ein Benutzer oder Prozess eine bestimmte Ressource verwenden darf. In agentischen KI-Systemen kommt eine weitere Ebene hinzu: Soll das Modell überhaupt wissen, dass diese Ressource existiert? Genau hier verändert sich die Rolle von Identity and Access Management.
Nach dem Least-Privilege-Prinzip bekommt ein Agent nicht nur keine Berechtigung für unnötige Ressourcen – diese sollen nach Möglichkeit gar nicht erst in seinem verfügbaren Aktionsraum auftauchen. Damit sinkt gleichzeitig die Zahl der Entscheidungen, die ein Modell bei der Auswahl seiner Werkzeuge treffen muss.
Aus Security-Sicht ist das relevant: Ein kompromittierter Agent kann nur diejenigen Tools missbrauchen, die ihm überhaupt zur Verfügung stehen. Aus Kostensicht reduziert sich parallel der Kontext, den das zugrunde liegende Modell verarbeiten muss.
Okta sieht Einsparpotenzial von mehr als 90 Prozent
Welche Größenordnung möglich sein könnte, hat Okta anhand eigener Modellierungen untersucht.
In einzelnen simulierten Szenarien ließ sich die Zahl der für das Modell sichtbaren Werkzeuge nach Unternehmensangaben um mehr als 90 Prozent reduzieren. Da die Kosten für Tool-Schemas laut Okta annähernd mit der Zahl der übermittelten Tools skalieren, sank dieser Teil des Token-Aufwands in ähnlicher Größenordnung. Diese Zahl sollte allerdings richtig eingeordnet werden.
Es handelt sich nicht um Messwerte aus produktiven Kundeninstallationen, sondern uminterne Modellierungen von Okta auf Basis eigener Produktinformationen und öffentlich verfügbarer Herstellerdokumentation. Die tatsächliche Einsparung hängt unter anderem vom Umfang des Werkzeugkatalogs, der Berechtigungsstruktur, dem Anfragevolumen und dem eingesetzten KI-Modell ab. Okta selbst weist ausdrücklich darauf hin, dass reale Ergebnisse variieren können.
Warum Token-Kontrolle nicht allein Aufgabe des AI Gateways ist
AI Gateways können Nutzung messen, Requests steuern, Limits setzen oder Kosten einzelnen Teams und Anwendungen zuordnen. Okta argumentiert jedoch, dass diese Kontrollschicht häufig erst eingreift, nachdem die Token bereits verarbeitet wurden.
Die Identity-Schicht besitzt dagegen Informationen darüber, was ein konkreter Benutzer oder Agent tatsächlich verwenden darf. Dadurch kann der Umfang der verfügbaren Werkzeuge schon vor der Modellentscheidung reduziert werden. Beide Ansätze schließen sich damit nicht aus.
Ein Gateway kontrolliert und misst den tatsächlich stattfindenden KI-Verkehr. Identity Governance kann dagegen bereits vorher dafür sorgen, dass ein Agent weniger unnötigen Kontext erhält.
Gerade in großen Agentenlandschaften könnte diese Kombination zunehmend wichtig werden.
Aus Least Privilege wird auch ein Effizienzprinzip
Oktas Ansatz zeigt eine Entwicklung, die für Enterprise-KI weit über Token-Kosten hinausgeht: Identität entwickelt sich zur zentralen Steuerungsebene für KI-Agenten.
Je autonomer Agenten handeln und je mehr Unternehmenssysteme sie über APIs und MCP-Server erreichen können, desto wichtiger wird die Frage, welche Handlungsmöglichkeiten einer einzelnen Agentenidentität überhaupt angeboten werden.
Das klassische Sicherheitsprinzip des Least Privilege bekommt dadurch eine zweite wirtschaftliche Dimension. Weniger Berechtigungen bedeuten nicht nur eine kleinere Angriffsfläche, sondern potenziell auch weniger Kontext, weniger Modellarbeit und niedrigere Betriebskosten. Für Unternehmen könnte genau darin ein wichtiger Hebel liegen: Agentic AI lässt sich langfristig kaum wirtschaftlich skalieren, wenn jeder Agent bei jeder Entscheidung einen stetig wachsenden Werkzeugkatalog mitverarbeiten muss. Governance beginnt deshalb künftig möglicherweise nicht erst bei der Frage, was ein Agent ausführen darf – sondern bereits bei der Frage, was er überhaupt sehen darf.
