Claude Mythos – Die kommende Bug-Kalypse

Die nächste Version von Anthropics Large Language Model (LLM) namens Claude Mythos wurde am 7. April 2026 angekündigt (nach einer versehentlichen Veröffentlichung am 26. März). Anders als frühere Frontier-LLMs, die öffentlich verfügbar gemacht wurden, entschied sich Anthropic dafür, den Zugriff zunächst nur ausgewählten Unternehmen im Rahmen eines Einladungsverfahrens zu gewähren. Ausschlaggebend dafür war die außergewöhnliche Fähigkeit des Modells, Exploits für Software-Schwachstellen zu identifizieren und zu entwickeln.

Seitdem wurden unzählige digitale Seiten mit Analysen und Diskussionen darüber gefüllt, welche Auswirkungen Claude Mythos auf die Softwarebranche, die Cybersicherheit, Unternehmen und die Gesellschaft insgesamt haben könnte. Das Thema hat inzwischen sogar die Mainstream-Medien erreicht, sodass selbst Menschen ohne technischen Hintergrund Fragen dazu stellen.

In diesem Artikel erklären wir, was Claude Mythos ist, welche Auswirkungen das Modell (und vergleichbare Systeme) auf die Cybersicherheit hat, was das konkret für Enterprise-Verteidiger bedeutet und welche Schritte Sie jetzt ergreifen sollten, um sich auf diese Entwicklung vorzubereiten. Außerdem betrachten wir, warum agentische KI und deren Nutzung die Leistungsfähigkeit stark beeinflussen und weshalb eine höhere Geschwindigkeit bei der Entstehung von Schwachstellen ein prägendes Merkmal der kommenden Ära sein wird, das mitunter als Bug-Kalypse bezeichnet wird.

Was ist Claude Mythos?

Claude Mythos ist Anthropics eingeschränkt verfügbares Frontier-Modell für fortgeschrittene Cybersicherheitsanalysen.

Wie alle führenden KI-Anbieter versieht auch Anthropic seine Modelle mit eigenen Namen und Versionsnummern. Mythos ist dabei das neueste, speziell auf Softwareentwicklung und Programmierung ausgerichtete Modell des Unternehmens. Laut Nicholas Carlini, einem Cybersecurity-Forscher im Anthropic-Team, war es nie das Ziel, ein Modell zu entwickeln, das speziell auf das Auffinden und Ausnutzen von Softwareschwachstellen optimiert ist. Stattdessen lag der Fokus darauf, ein außergewöhnlich leistungsfähiges Modell für Programmierung und Softwareentwicklung zu schaffen. Die Fähigkeit, Sicherheitslücken zu erkennen und entsprechende Exploits zu entwickeln, entstand dabei gewissermaßen als Nebenprodukt dieser starken Programmierkompetenzen. Das AI Security Institute im Vereinigten Königreich hat es in einer Cyber-Testumgebung getestet, in der Mythos den ersten Platz belegte, gefolgt von Claude Opus 4.6 auf Platz zwei sowie OpenAIs GPT 5.4 und GPT 5.3 Codex auf Platz drei und vier.

Dann gibt es noch ExploitGym, eine Testumgebung, in der KI-Agenten Exploits für 898 bekannte Sicherheitslücken in User-Space-Programmen, Googles JavaScript-Engine v8 und im Linux-Kernel finden und entwickeln können.

Sowohl Claude Mythos Preview als auch OpenAIs GPT-5.5 schneiden deutlich besser als frühere Modellgenerationen ab.

Anthropic kam in frühen Tests zu ähnlichen Ergebnissen und entschied deshalb, die Veröffentlichung von Claude Mythos zu verschieben. So sollten große Technologieunternehmen die Möglichkeit erhalten, ihre Sicherheitslücken zunächst zu finden und zu schließen, bevor es einer breiteren Öffentlichkeit zugänglich gemacht wird.

Was ist Project Glasswing?

Benannt nach dem berühmten Glasswing-Schmetterling, der sich „in aller Öffentlichkeit“ verstecken kann, ermöglichte Anthropics Project Glasswing mehr als 50 Organisationen den Zugang zu Claude Mythos in einer privaten Vorschauphase. Ziel war es, Schwachstellen zu finden und zu beheben, bevor Angreifer das Modell zur Entwicklung von Exploits für noch ungepatchte Sicherheitslücken nutzen können. Zu den Teilnehmern gehörten unter anderem AWS, Apple, Cisco, Google, die Linux Foundation, Microsoft, Nvidia und Palo Alto Networks. Darüber hinaus stellte Anthropic den beteiligten Organisationen Nutzungsguthaben im Wert von bis zu 100 Millionen US-Dollar zur Verfügung.

Eine berechtigte Frage ist, ob es sich dabei nur um eine clevere Marketingstrategie oder um einen ernsthaften Versuch handelt, mit einer neuen, leistungsstarken Technologie verantwortungsvoll umzugehen. Die Antwort liegt vermutlich irgendwo dazwischen. Frühe Tests zeigen eindeutig einen deutlichen Leistungssprung. Gleichzeitig schadet es dem Marketing natürlich nicht, wenn selbst Menschen ohne Technikbezug in den Mainstream-Medien von Ihrem Produkt hören.

Zum Zeitpunkt der Erstellung dieses Artikels (Juni 2026) deutet vieles darauf hin, dass es in absehbarer Zeit keinen öffentlichen Zugang zu Mythos geben wird. Allerdings wurde der Kreis der eingebundenen Organisationen erweitert: Weitere 150 Organisationen aus 15 Ländern wurden aufgenommen, darunter Akteure aus kritischer Infrastruktur, Energieversorgung, Wasserwirtschaft, Gesundheitswesen, Kommunikation und Hardware.

Geht es nur um das Modell?

Viel wurde über die „One-Shot“-Fähigkeit von Mythos gesprochen: „Hier ist eine Codebasis, finde ein paar Schwachstellen.“ So baut ein Unternehmen jedoch keine Scan-Engine auf, um Sicherheitslücken zu finden, sie zu verifizieren, Exploits zu schreiben, diese dann zu überprüfen und schließlich (im Idealfall) Patches zu erstellen, um die Schwachstellen zu beheben.

Dafür braucht es vielmehr ein „Scanning-Harness“, das aus mehreren KI-Agenten besteht, die jeweils klar abgegrenzte Schritte in der gesamten Prozesskette übernehmen. Tatsächlich wollte Niels Provos, ein bekannter Sicherheitsforscher, beweisen, dass ein gutes Harness unter Nutzung öffentlich verfügbarer KI-Modelle beim Auffinden von Schwachstellen ebenso gut sein könnte. Die wichtigste Erkenntnis dabei ist, dass LLMs und Agenten einen Drang haben, möglichst schnell „fertig“ zu werden. Wird die Arbeit jedoch in kleinere Schritte zerlegt, können sie jeden dieser Schritte unabhängig voneinander ausführen. Das bedeutet zugleich, dass unterschiedliche Modelle und KI-Tools verschiedene Agenten unterstützen können, damit in jeder Phase jeweils die besten Werkzeuge eingesetzt werden.

Das knüpft auch an frühere Projekte an, insbesondere der AI Cybersecurity Challenge (AixCC) der DARPA, die von August 2023 bis August 2025 stattfand. Dabei traten sieben Teams im Finale gegeneinander an, um ein vollständig automatisiertes System zu entwickeln, das Schwachstellen eigenständig erkennen, für jede einen Proof of Vulnerability (PoV) erstellen sowie anschließend einen Patch entwickeln, testen und anwenden kann. Mehrere Mitglieder des Siegerteams Atlanta arbeiten inzwischen für Microsoft und sind dort an der Entwicklung des Scanning-Harness-Service mit dem Codenamen MDASH beteiligt.

Was ist der Codename MDASH?

Das multimodellfähige agentische Scanning-Harness nutzt mehr als 100 KI-Agenten mit unterschiedlichen Modellen (vermutlich auch Mythos, da Microsoft an Glasswing teilnimmt), um Schwachstellen zu finden. Der jüngste Patch Tuesday von Microsoft umfasste 16 Patches zur Behebung von Schwachstellen im Windows-Netzwerk- und Authentifizierungs-Stack, die mit MDASH gefunden wurden. Microsoft testete das System anhand von fünf Jahren gemeldeter Schwachstellen in der von Windows. Dabei wurden 96 % der gemeldeten Bugs gefunden. Bei der TCP-Netzwerkkomponente von Windows identifizierte es sogar 100 % der gemeldeten Schwachstellen.

Außerdem testete Microsoft das System am öffentlichen CyberGym-Benchmark und MDASH belegte den ersten Platz.

Es ist klar, dass ein Zusammenspiel verschiedener Agenten deutlich leistungsfähiger ist als einzelne Prompts und dass das Auffinden von Schwachstellen nur der erste Schritt ist.  Entscheidend ist zu überprüfen, ob die Schwachstelle tatsächlich existiert, nicht lediglich eine bereits bekannte und gemeldete Sicherheitslücke dupliziert und sich in der Praxis tatsächlich ausnutzen lässt. Außerdem erfordern moderne Bugs, insbesondere unter iOS und Android, häufig die Verkettung mehrerer Schwachstellen, was ein einzelner Prompt kaum leisten kann. Am wichtigsten ist jedoch, dass neue Modelle eingesetzt werden können, sobald sie verfügbar sind. Das Harness ist also der Motor, während unterschiedliche Modelle, die in verschiedenen Phasen besonders stark sind, im Laufe der Zeit getestet und eingebunden werden.

Bisherige Ergebnisse aus Project Glasswing

Palo Alto veröffentlicht normalerweise 10 bis 15 Patches pro Monat, doch in diesem Monat waren es 24. Cloudflare scannte 50 interne Code-Repositories und stellte deutliche Verbesserungen bei der Erstellung von Exploit-Ketten sowie bei der PoV-Generierung fest. Vor allem aber wurde ein besseres Signal-Rausch-Verhältnis festgestellt, wobei die von Mythos gefundenen Ergebnisse insgesamt von höherer Qualität waren. Cloudflare betonte außerdem, wie wichtig ein gutes Tool ist, das jede einzelne Aufgabe aufteilt, sodass die Agenten parallel daran arbeiten können. Insgesamt wurden 2.000 Bugs gefunden, darunter 400, die als schwerwiegend oder kritisch eingestuft wurden.

Mozilla fand 271 Schwachstellen in Version 150 des Firefox-Browsers – mehr als zehnmal so viele wie in Version 148 mit einem früheren Anthropic-Modell.

Anthropic selbst setzte Mythos ein, um mehr als 1.000 Open-Source-Projekte zu scannen. Dabei entdeckte das Modell 23.019 potenzielle Schwachstellen, von denen 6.202 als hoch oder kritisch eingestuft wurden. 1.752 dieser Schwachstellen wurden manuell überprüft. Dabei stellte sich heraus, dass mehr als 90 % gültig waren und über 62 % tatsächlich als hoch oder kritisch bestätigt wurden.

Der jährliche erscheinende Verizon’s Data Breach Investigations Report 2026, der den Zeitraum von Oktober 2024 bis November 2025 abdeckt, enthält eine sehr interessante Erkenntnis: Die Ausnutzung von Schwachstellen ist inzwischen der häufigste Erstzugriffsvektor (31 %), während der Missbrauch von Zugangsdaten, der zuvor an erster Stelle lag, auf 13 % zurückgegangen ist.

Hier gilt es, einen Mythos über LLMs und ihre Sicherheitsmechanismen zu entkräften. Wenn Sie eines dieser Modelle heute nach einer Anleitung zum Bombenbau, zur Herstellung biologischer Waffen oder zur Erstellung eines Exploits für eine Softwareschwachstelle fragen, wird es die Anfrage in der Regel ablehnen.  Diese Schutzmechanismen sind jedoch eher „weiche“ Hürden, die sich mit etwas geschickter Überzeugungsarbeit oder entsprechend formulierten Eingaben mitunter umgehen lassen. Derzeit gibt es keine Möglichkeit, ein LLM so zu entwickeln, dass es nur Verteidigern beim Finden von Schwachstellen und Erstellen von Exploits hilft, nicht aber Angreifern.

Erwähnenswert ist außerdem, dass OpenAI ein ähnliches Projekt mit dem Namen Daybreak betreibt. Es ist also damit zu rechnen, dass künftig weitere auf Cybersecurity spezialisierte KI-Scanning-Tools auf den Markt kommen werden.

Der Aufstieg von KI-basierter Schwachstellenanalyse als Service

Die frühen vielversprechenden Ergebnisse von MDASH und den Scanning-Harnesses von Cloudflare werden dazu führen, dass sich Managed Services etablieren, mit denen Unternehmen ihren eigenen Code prüfen können. OpenHack ist eine Open-Source-Option von Hadriansecurity, bei der Sie die Modelle Ihrer Wahl einsetzen können.

Im Open-Source-Bereich arbeiten IBM und Red Hat im Rahmen von Project Lightwell zusammen. Unterstützt durch KI sollen dabei 20.000 Ingenieure Unternehmen helfen, die Sicherheit von Open-Source-Software zu verbessern, auf die mehr als 90 % aller Unternehmen angewiesen sind.

Google hat mit AI Threat Defense ebenfalls eine entsprechende Lösung angekündigt, die Risiken validieren, Korrekturen erzeugen und Remediation-Workflows unterstützen soll.

Gleichzeitig sollten Sie sich des Aufstiegs von „Anonymous LLMs as a Service“ bewusst sein, bei denen Kriminelle Modellzugänge von Anbietern mieten können, die den Zugang über gestohlene Zugangsdaten organisieren, um ihre KI-Workloads darüber auszuführen.

Ein praxisorientierter Leitfaden für Verteidiger in der Post-Mythos-Welt

Schritt 1: Nicht in Panik verfallen

Genau wie auf dem Cover von Per Anhalter durch die Galaxis steht: „Keine Panik“. Ja, mit LLMs und Scanning-Harnesses werden künftig mehr Schwachstellen in Software gefunden werden. Verteidiger werden sich anpassen, aber die Tools stehen auch uns zur Verfügung: Also finden und beheben Sie Bugs in Ihrer Software, bevor Angreifer sie finden. Und wir haben das schon einmal erlebt: Als Decompiler erstmals verfügbar wurden, glaubten manche, dass Reverse Engineers dadurch überflüssig werden würden. Danach kamen Fuzzer und statische Analysetools, auch da haben sich Verteidiger kontinuierlich angepasst und ihre Fähigkeiten verbessert. Genau das wird auch diesmal wieder der Fall sein.

Schritt 2: Cyberhygiene-Grundlagen umsetzen

An den Grundlagen hat sich nichts geändert. Der Schutz Ihrer Organisation vor Cyberkriminellen hängt nach wie vor davon ab, die Grundlagen der Cybersecurity-Hygiene konsequent umzusetzen. Die meisten Sicherheitsverletzungen werden nicht durch Zero-Days in Software verursacht, sondern durch menschliche Fehler.  Wenn Angreifer beispielsweise mit den richtigen persönlichen Informationen beim Helpdesk anrufen, die Zugangsdaten eines Administratorkontos zurücksetzen lassen und anschließend Systeme verschlüsseln (wie im Fall von Jaguar Land Rover), oder Mitarbeitende durch Phishing-Mails zum Klicken auf schädliche Links verleiten, hat das wenig mit Software-Schwachstellen zu tun.

Schritt 3: Patch- und Reaktionszeiten verkürzen

Unternehmen werden künftig noch schneller auf Sicherheitsupdates reagieren müssen. Die Zeit zwischen der Entdeckung einer Schwachstelle und der Verfügbarkeit eines funktionierenden Exploits ist laut dem Zero Day Clock-Projekt in den vergangenen Jahren kontinuierlich gesunken. Ein Großteil dieser Entwicklung begann zwar bereits vor dem Einsatz von KI zur Schwachstellenanalyse, doch mit Modellen wie Claude Mythos und ähnlichen Systemen dürfte sich dieses Tempo weiter erhöhen.

Schritt 4: Continuous Threat Exposure Management (CTEM) einführen

Der Rat, schneller zu patchen, begleitet Organisationen seit mehr als einem Jahrzehnt, jedoch meist ohne den gewünschten Erfolg. CTEM setzt dort an, wo klassisches Vulnerability Management (VM) an seine Grenzen stößt. Eine VM-Lösung liefert Ihnen eine riesige Liste bekannter anfälliger Software in Ihrer gesamten Organisation sowie eine Priorisierung in niedrig, mittel, hoch und kritisch, meist basierend auf dem CVSS-Score. Dadurch konzentrieren sich überlastete IT- und Security-Teams in der Regel nur auf kritische und hohe Prioritäten beim Patchen und benötigen dafür oft mehr als 30 Tage.

CTEM hingegen betrachtet die Sicherheitsrisiken in Ihrer gesamten digitalen Infrastruktur, erkennt gefundene Schwachstellen und priorisiert sie nicht anhand eines generischen CVSS-Scores, sondern unter Berücksichtigung Ihres Kontexts und Ihrer Umgebung. Ein Server mit einer Schwachstelle in einer Datenbank hat eine niedrige Priorität, wenn er vom Internet getrennt ist, und eine kritische Priorität, wenn es einen Pfad vom Internet dorthin gibt. Zudem können auch Schwachstellen mit mittlerem Risiko verstärkt ins Visier von KI geraten. Während menschliche Angreifer bisher oft nicht den Aufwand betrieben haben, passende Exploits dafür zu entwickeln, könnten KI-Systeme diese Hürde deutlich senken.

Auch hier ist es Zeit, mit einem Mythos aufzuräumen: Patches machen Ihre Umgebung nicht automatisch sicherer. Die Empfehlung, alles sofort zu patchen, sobald Updates verfügbar sind, wird durch die koordinierten Prozesse großer Teams – und inzwischen auch von KI-Scanning-Harnesses – geprägt. Diese nehmen die Schwachstellen aus Bug-Bounty-Programmen entgegen, bewerten und priorisieren sie, entwickeln gezielte Sicherheits-Patches und stellen diese anschließend in einem monatlichen Rhythmus bereit. Das gilt für große Webbrowser, Betriebssysteme auf Desktop und Mobilgeräten, große Cloud-Infrastrukturen und den Code einiger Sicherheitsanbieter.

Bei allen anderen Softwareprogrammen und SaaS-Services, auf die Ihre Organisation angewiesen ist, führt Patchen statistisch gesehen häufig dazu, dass mehr neue Schwachstellen eingeführt als behoben werden. Natürlich müssen Sie so schnell wie möglich patchen, wenn eine bekannte Schwachstelle bereits aktiv ausgenutzt wird und ein entsprechendes Patch verfügbar ist. Dennoch sollten Sie aber nicht automatisch davon ausgehen, dass jedes Patch direkt zu mehr Sicherheit führt; hier finden Sie weitere Details.

Schritt 5: Eigenen Quellcode kontinuierlich prüfen

 Wenn Ihre Organisation eigenen Code entwickelt und betreibt, sei es für interne oder kundenorientierte Zwecke, müssen Sie ihn regelmäßig mit einem guten Harness und leistungsfähigen Modellen dahinter scannen. Gerade bei neuen Projekten lohnt es sich, dies von Anfang an konsequent zu tun, um den späteren Nachbesserungsaufwand zu begrenzen. Gleichzeitig müssen Sie ausreichend Ressourcen einplanen, um die Vielzahl an Problemen zu bewältigen, die die KI voraussichtlich finden wird.

Außerdem war Ihr Quellcode schon immer von hohem Wert und sollte daher entsprechend geschützt sein. Heute gilt das umso mehr, denn jeder Leak kann dazu führen, dass innerhalb von Stunden oder Tagen Scans durchgeführt und Exploits mit Maschinengeschwindigkeit entwickelt werden.

Schritt 6: Open-Source- und Supply-Chain-Risiken absichern

Der Software-Stack Ihrer Organisation wird mit hoher Wahrscheinlichkeit Open-Source-Komponenten enthalten. Da der Quellcode öffentlich zugänglich ist, können auch Angreifer ihn frei analysieren und nach Schwachstellen durchsuchen. Deshalb müssen Ihre Entwickler sich noch stärker als bisher der Risiken von Supply-Chain-Angriffen bewusst sein. Ihr eigener Code kann hervorragend sein und regelmäßig auf neu eingeführte Schwachstellen überprüft werden. Wenn jedoch eine verwendete Abhängigkeit einen ungepatchten Bug enthält, kann Ihre Anwendung dennoch angreifbar bleiben.  Stellen Sie sicher, dass Sie Organisationen unterstützen, die Open-Source-Projekte fördern und absichern. Sie werden einen Zugang zu KI-gestützten Scanning-Diensten benötigen, um die wachsende Zahl an Schwachstellen bewältigen zu können, die in den kommenden Jahren entdeckt werden.

Ein wichtiger Teil des Umgangs mit den bevorstehenden Herausforderungen ist die Entwicklung klarer Richtlinien für den internen Einsatz von LLMs, KI-Agenten und MCP-Servern. Das gemeinnützige Center for Internet Security (CIS) stellt dazu drei sehr gute Leitfäden zur Verfügung.

Schritt 7: Eine Kultur der Cyberresilienz schaffen

Schaffen Sie in Ihrer gesamten Organisation eine realistische Kultur der Cybersecurity-Resilienz. Es reicht nicht mehr aus, nur das Nötigste in Cybersecurity zu investieren, sie lediglich als Kostenfaktor statt als sicheren Wachstumstreiber für die Organisation zu betrachten und die Folgen eines Sicherheitsvorfalls erst dann zu bewältigen, wenn er bereits eingetreten ist. Die Härtung Ihrer IT-Umgebung wird dabei immer wichtiger. Dazu gehört, sensible Unternehmensdaten in SharePoint und OneDrive zu schützen, schädliche E-Mails aus den Postfächern Ihrer Mitarbeiter fernzuhalten und sicherzustellen, dass Nutzer ausreichend geschult sind, um auch die Bedrohungen zu erkennen, die technische Schutzmechanismen umgehen können.

---

Reduzieren Sie Ihre Angriffsfläche in Microsoft-365-Umgebungen

Mit 365 Permission Manager von Hornetsecurity behalten Security-Teams und Microsoft-365-Administratoren jederzeit den Überblick darüber, wer in Teams, SharePoint und OneDrive auf welche Daten zugreifen kann. Nutzen Sie die Lösung, um riskante Freigaben zu identifizieren, Compliance-Richtlinien durchzusetzen, Benachrichtigungen zu kritischen Berechtigungsänderungen zu erhalten, Verstöße zu beheben und die Berichte zu erstellen, die Sie sie zum Nachweis Ihrer Kontrolle benötigen.

Möchten Sie die Datenexposition reduzieren und die Governance in Microsoft 365 stärken? Dann buchen Sie eine Demo oder fordern Sie eine kostenlose Testversion von 365 Permission Manager von Hornetsecurity an.

---

Fazit: Mehr Schwachstellen, kürzere Reaktionszeiten

Generative KI hat weiterhin erhebliche Auswirkungen auf die Cybersicherheit. Claude Mythos lenkt die Aufmerksamkeit auf ein grundlegendes Problem vieler Unternehmen: die oftmals unzureichende Qualität der Software, auf die sie angewiesen sind. Ihre Organisation sollte daher bereits heute die notwendigen Maßnahmen ergreifen, um sich auf die bevorstehende Welle neu entdeckter Schwachstellen vorzubereiten und diese wirksam zu bewältigen.