Anthropics Claude Mythos Preview hat nicht einfach nur Fehler gefunden. Es hat gezeigt, wie schnell KI die Suche nach Schwachstellen in ein Problem des Patch-Managements verwandeln kann.
In einem Update vom 22. Mai erklärte Anthropic, dass das Modell im zugangsbeschränkten Forschungs-Preview mehr als 1.000 Open-Source-Projekte gescannt und 23.019 potenzielle Schwachstellen aufgedeckt habe. Das Offenlegungs-Dashboard wies am 22. Mai 1.726 bestätigte valide Funde aus, doch nur 97 davon waren upstream gepatcht worden.
Für Sicherheitsteams in Unternehmen liegt der kritische Punkt nicht mehr allein in der Entdeckung. Entscheidend ist, zu wissen, welche von der KI gefundenen Schwachstellen ihre Umgebungen betreffen, welche ausnutzbar sind und welche Fixes Tests und Bereitstellung durchlaufen können, bevor die Gefährdung zunimmt.
Mythos macht die Fehlersuche zu einem Skalierungsproblem
Anthropic startete Project Glasswing am 7. April 2026 und gab ausgewählten Organisationen aus den Bereichen Cloud, Sicherheit, Finanzen und Infrastruktur frühzeitigen Zugang zu Claude Mythos Preview für defensive Sicherheitsarbeit.
Mythos Preview ist nicht allgemein verfügbar. Anthropic beschreibt es als zugangsbeschränkten Forschungs-Preview für ausgewählte Teilnehmer mit Stärken beim Programmieren, bei agentischen Aufgaben und bei der Cybersicherheitsarbeit. Dieser eingeschränkte Zugang steht nun neben einer breiteren Debatte über Kontrollen für hochentwickelte KI, nachdem eine US-amerikanische Anordnung Anthropic dazu zwang, Fable 5 weltweit zu deaktivieren.
In seinem Update vom 22. Mai, erklärte Anthropic, Mythos Preview habe unter den insgesamt 23.019 potenziellen Funden schätzungsweise 6.202 Schwachstellen mit hohem oder kritischem Schweregrad entdeckt. Von 1.752 Funden mit hohem oder kritischem Schweregrad, die von unabhängigen Sicherheitsfirmen oder Anthropic überprüft wurden, erwiesen sich 1.587 als echte positive Treffer; bei 1.094 wurde ein hoher oder kritischer Schweregrad bestätigt.
Das Offenlegungs-Dashboard wies 23.019 potenzielle Funde, 1.726 bestätigte valide Funde, 1.596 Offenlegungen an Maintainer in 281 Open-Source-Projekten, 97 Upstream-Patches und 88 veröffentlichte Hinweise aus. Anthropic warnte, dass „upstream gepatcht“ nicht bedeute, dass der Fix von nachgelagerten Nutzern bereits flächendeckend installiert worden sei.
Cloudflare, einer der Teilnehmer, erklärte, Mythos Preview gehe über das bloße Markieren verdächtigen Codes hinaus. Bei den Tests von Cloudflare erzeugte das Modell Proof-of-Concept-Code, führte ihn in einer Testumgebung aus, las das Ergebnis und passte seine Hypothese bei Bedarf an.
Wie die KI-gestützte Fehlersuche Patch-Pipelines belastet
Die Zahl von 97 Patches zeigt, wie schnell die KI-gestützte Suche die Validierung, die Koordination mit Maintainers, die Erstellung von Patches und deren Bereitstellung in der Produktion überholen kann. OpenAIs Daybreak setzt ähnlichen Druck aus, indem es Codex Security einsetzt, um Softwareschwachstellen aufzuspüren und mehr automatisierte Tests in defensive Workflows zu integrieren.
Open-Source-Software steckt tief in der Infrastruktur von Unternehmen, in Cloud-Diensten, Sicherheitstools, Entwicklerplattformen und Geschäftsanwendungen. Eine bestätigte Schwachstelle im Upstream betrifft möglicherweise nicht jede Organisation, doch Sicherheitsteams müssen weiterhin wissen, ob der betroffene Code in ihren Umgebungen vorkommt und ob ein Patch tatsächlich bereitgestellt wurde. Dieses Risiko ist nicht mehr nur theoretisch, da Google von einem von KI erstellten Zero-Day-Exploit.
berichtet hat. Sicherheitsteams sollten nicht jeden von der KI erzeugten Fund als gleich dringend behandeln. Sie sollten potenzielle Funde von validierten Schwachstellen trennen und anschließend anhand von Signalen zur Gefährdung und Ausnutzbarkeit – darunter der Katalog der von CISA bekannten ausgenutzten Schwachstellen und FIRSTs Exploit Prediction Scoring System, entscheiden, welche Fixes zuerst umgesetzt werden.
Mythos Preview deutet auf einen schwierigeren Zyklus des Schwachstellenmanagements in Unternehmen hin: mehr plausible Funde, aufwendigere Validierungsarbeit und größeren Druck auf SBOMs, Asset-Inventare und Workflows zur Patch-Verifizierung.
Lesen Sie auch: Forschende entwickelten einen KI-Wurm, der seinen eigenen Angriffspfad wählen kann, und zeigen damit, wie agentische Systeme das Threat Modeling in Unternehmen verändern könnten.