MITRE-CVE-Rekord zeigt, dass KI Sicherheitslücken schneller findet, als Teams sie priorisieren können

MITRE erfasste 2025 mit 48.244 Schwachstellen einen Rekord, und der MITRE-CVE-Rekord stieg in der ersten Hälfte des Jahres 2026 weiter an. KI-gestützte Forschung half dabei, Fehler schneller aufzudecken, doch das Offenlegungsvolumen übersteigt inzwischen die Kapazitäten vieler Sicherheitsteams, jeden Fund zu prüfen, zu priorisieren und zu beheben.

Bis Juni 2026 waren laut gemeldeten Zahlen mehr als 35.000 Schwachstellen registriert worden. Das entsprach bereits fast drei Vierteln des bisherigen Jahresrekords. Das Wachstum ist nicht einfach ein Beleg dafür, dass Entwickler plötzlich deutlich schlechtere Software schreiben.

Der tiefgreifendere Wandel liegt in der Entdeckung. KI-Systeme können große Codebasen untersuchen, Softwareversionen vergleichen, Angriffspfade vorschlagen und verdächtiges Verhalten in einem Umfang sichtbar machen, den menschliche Forschende nicht erreichen können. Anthropic, OpenAI, Google, Microsoft und Sicherheitsanbieter haben alle in auf Cybersecurity ausgerichtete Modelle oder Forschungsprogramme investiert.

Daraus entsteht ein deutlicher Zielkonflikt. Verborgene Schwächen früher zu finden, gibt Verteidigern Zeit, sie zu beseitigen. Doch jede neue Offenlegung gelangt zugleich in ein bereits überlastetes System aus Maintainerinnen und Maintainern, Koordinatoren, Sicherheitsteams und Verantwortlichen für IT-Assets.

Das Ergebnis ist keine geradlinige Explosion erfolgreicher Angriffe. Die verfügbaren Daten zeigen einen Anstieg der Offenlegungen, einen geringeren Zuwachs bei beobachteter Ausnutzung und eine wachsende operative Lücke zwischen beidem.

Der MITRE-CVE-Rekord steigt schneller als die Prognosen

Die entscheidende Veränderung ist nicht eine einzelne spektakuläre Schwachstelle. Es ist die anhaltende Beschleunigung des gesamten Offenlegungssystems.

Eine Common Vulnerabilities and Exposures-Kennung, kurz CVE, ist eine standardisierte Bezeichnung für eine öffentlich offengelegte Sicherheitslücke. CVEs ermöglichen es Anbietern, Forschenden, Regierungen und Sicherheitstools, sich auf dasselbe Problem zu beziehen, ohne auf uneinheitliche Namen angewiesen zu sein.

Die Zahl registrierter Fälle lag zwischen 2017 und 2020 jährlich im Zehntausenderbereich. Sie erreichte 2021 20.161, stieg dann 2024 auf 40.077 und 2025 auf 48.244. Bis Juni 2026 waren bereits mehr als 35.000 registriert.

Das Forum of Incident Response and Security Teams, bekannt als FIRST, erwartete schon vor Jahresbeginn einen weiteren Rekord. Seine Prognose vom Februar bezifferte den Median für 2026 auf 59.427 CVEs.

Die tatsächlichen Offenlegungen übertrafen diesen Verlauf rasch. Die Halbjahresprognose von FIRST ergab, dass das Veröffentlichungsvolumen bis April um 46,3 Prozent über der früheren Projektion lag. Die Organisation erhöhte ihre Schätzung für das Gesamtjahr auf etwa 66.000 CVEs.

Diese Neubewertung identifizierte bis April 6.420 CVEs mehr, als das ursprüngliche Modell erwartet hatte. FIRST führte die Differenz auf mehrere Faktoren zurück, darunter KI-gestützte Entdeckung, breitere Berichterstattung und Veränderungen innerhalb des CVE-Ökosystems.

Das Volumen von GitHub Security Advisories war im Jahresvergleich um 449 Prozent gestiegen. Die Aktivität von VulnChecks CNA of Last Resort nahm um 3.119 Prozent zu, da die Organisation einen großen Rückstau von Schwachstellen ohne andere vergebende Stelle bearbeitete.

Diese Details sind wichtig, weil der MITRE-CVE-Rekord nicht nur eine einzige Größe misst. Er vereint neue Forschung, ältere Funde, die ins System gelangen, Offenlegungszyklen von Anbietern, eine breitere Abdeckung und administrative Änderungen. Jede zusätzliche CVE als Beleg für neu unsicher gewordene Software zu deuten, würde die Daten falsch lesen.

Auch die Zahl der in der Schwachstellenverfolgung erfassten Softwareprodukte hat deutlich zugenommen. Sicherheitsforschende untersuchen heute mehr Anwendungen, Geräte, Bibliotheken, Cloud-Dienste und Open-Source-Komponenten. Bessere Sichtbarkeit deckt zwangsläufig Fehler auf, die zuvor undokumentiert blieben.

Große Veröffentlichungen von Anbietern können abrupte monatliche Spitzen auslösen. Ein Unternehmen könnte nach Abschluss einer koordinierten Prüfung Hunderte zusammenhängende Probleme gleichzeitig offenlegen. Das entstehende Diagramm spiegelt daher sowohl den Veröffentlichungszeitplan als auch die zugrunde liegende Entdeckungsrate wider.

Diese Einschränkungen heben die Veränderung jedoch nicht auf. KI erweitert die Menge an Code, die Forschende untersuchen können, und verkürzt die Zeit, die zur Identifizierung plausibler Schwächen nötig ist. Diese neue Kapazität entsteht, während die Meldeinfrastruktur bereits mit einem wachsenden Arbeitsaufkommen konfrontiert ist.

Der Rekord misst daher sowohl Fortschritt als auch Druck. Mehr Fehler werden sichtbar, bevor Angreifer sie finden, doch jeder valide Bericht schafft Arbeit für Maintainer und Verteidiger.

KI-gestützte Schwachstellensuche hat den Umfang der Fehlersuche verändert

KI-gestützte Schwachstellensuche verwandelt Code-Reviews von einer knappen manuellen Tätigkeit in einen Prozess, der wiederholt über riesige Softwarebestände laufen kann.

Traditionelle Schwachstellenforschung erfordert Spezialisten, die eine Anwendung verstehen, gefährliches Verhalten identifizieren, Tests entwickeln und bestätigen, ob ein Angriff praktikabel ist. Automatisierte Scanner helfen, stützen sich jedoch oft auf bekannte Muster und erzeugen Fehlalarme.

Spitzenmodelle der KI fügen eine weitere Ebene hinzu. Sie können über Dateien hinweg schlussfolgern, Daten durch ein Programm verfolgen, gepatchte und ungepatchte Versionen vergleichen, Testfälle erzeugen und Kombinationen von Schwächen vorschlagen. Menschliche Forschende müssen folgenreiche Funde weiterhin validieren, doch die Suchphase kann deutlich mehr Boden abdecken.

Anthropics Claude Mythos Preview wurde 2026 zu einem prominenten Beispiel. Das Unternehmen erklärte, im Februar mit einem frühen Modellsnapshot begonnen zu haben, Open-Source-Software zu untersuchen. Externe Sicherheitsfirmen halfen anschließend bei der Triage, Validierung und Meldung schwerwiegender oder kritischer Funde.

Anthropics öffentliches Offenlegungs-Dashboard verzeichnete in einem Snapshot vom August 462 vergebene Kennungen. Darunter waren 177 CVE-Einträge und 285 GitHub Security Advisories, wobei ein Fund beide Kennungen erhalten konnte.

Die weitergehenden Behauptungen waren wesentlich größer. Anthropic erklärte, Project Glasswing habe mehr als 10.000 schwerwiegende oder kritische Schwachstellen gefunden. Öffentliche Einträge deckten nur einen Teil dieser gemeldeten Gesamtzahl ab, sodass Forschende die meisten Einzelfunde nicht bewerten konnten.

Epoch AI untersuchte Offenlegungsdaten von 21 großen Technologieorganisationen, darunter Microsoft, Google, Apple, Oracle, Cisco, Linux, Mozilla und Apache. Die Schweregraddaten zeigten etwa 1.550 im Juni veröffentlichte CVEs mit hohem oder kritischem Schweregrad.

Dieser Juniwert lag mehr als dreimal über dem monatlichen Rekord vor der Ankündigung von Mythos Preview durch Anthropic. Im Juli wurden rund 2.500 Offenlegungen mit hohem oder kritischem Schweregrad erreicht, etwa das Fünffache des früheren Rekords.

Epoch wies darauf hin, dass die Zahlen öffentliche Offenlegungen abdecken, nicht jede privat entdeckte Schwachstelle. Die Organisation merkte zudem an, dass sich Schweregradbewertungen ändern, wenn Einträge neue Informationen erhalten. Historische Monatswerte können sich verschieben, nachdem Analysten einzelne CVEs überarbeiten.

Der Zeitpunkt stützt dennoch die Schlussfolgerung, dass Spitzenmodelle zu bedeutenden Forschungswerkzeugen geworden sind. KI-Programme wurden parallel zu ausgeweiteten internen Audits, neuen Offenlegungsinitiativen und größeren Investitionen durch große Anbieter eingesetzt.

Google beschrieb das eigene jüngste Entdeckungsvolumen als beispiellos in Umfang und Geschwindigkeit. Anbieterdaten deuteten darauf hin, dass viele neu gemeldete Fehler aus interner Forschung und nicht von externen Angreifern stammten. Diese Unterscheidung gibt Verteidigern die Möglichkeit, Schwächen zu patchen, bevor kriminelle Gruppen sie als Waffe einsetzen.

KI hilft Forschenden auch dabei, ältere Software erneut zu untersuchen. Legacy-Code kann Fehler enthalten, die jahrelange Tests überstanden haben, weil niemand genügend Zeit hatte, jeden Pfad zu prüfen. Ein Modell, das kontinuierlich nach verdächtigem Verhalten sucht, kann Schwachstellen aufdecken, die nichts mit aktueller Entwicklung zu tun haben.

Dieser Vorteil reicht über große Technologieunternehmen hinaus. Open-Source-Maintainer, kleinere Anbieter und Sicherheitsberatungen können automatisierte Analysen nutzen, um Komponenten zu untersuchen, die zuvor nur begrenzte Aufmerksamkeit erhielten.

Doch die Entdeckung ist nur der erste Schritt. Ein plausibler Fehler muss reproduziert, bewertet, sicher gemeldet, mit einer Kennung versehen, behoben, getestet und ausgerollt werden. KI beschleunigt den Anfang dieser Kette, ohne automatisch jedes Team am Ende zu vergrößern.

Dieses Ungleichgewicht erklärt, warum mehr Entdeckungen nicht sofort sicherere Systeme schaffen. Der Nutzen hängt davon ab, ob Maintainer Funde in zuverlässige Korrekturen umwandeln können, bevor Angreifer sie in Exploits verwandeln.

Mehr Offenlegungen bedeuten nicht, dass jeder Fehler ein Notfall ist

Das zentrale Cybersecurity-Problem hat sich von der Suche nach genügend Schwachstellen hin zur Frage verlagert, welche Funde ein unmittelbares, erreichbares Risiko darstellen.

Der reine MITRE-CVE-Rekord ist eine Zählung, keine Prioritätenliste. Eine Schwachstelle in einem internetexponierten Gateway mit aktiver Ausnutzung erfordert eine andere Reaktion als ein lokaler Fehler in einer ungenutzten Komponente.

FIRST untersuchte diese Unterscheidung anhand von Daten zur Ausnutzbarkeit. Die Halbjahresbewertung filterte Schwachstellen mithilfe des Known Exploited Vulnerabilities-Katalogs der Cybersecurity and Infrastructure Security Agency und Ergebnissen des Exploit Prediction Scoring System über 10 Prozent.

Die Organisation stellte fest, dass die relevante Ausnutzbarkeit trotz des starken Anstiegs beim Gesamtvolumen weitgehend konstant blieb. In ihrer Terminologie waren Verteidiger mit mehr Regen konfrontiert, aber nicht zwangsläufig mit einer proportional größeren Flut.

Dieses Ergebnis stellt eine verbreitete Interpretation der KI-gestützten Schwachstellensuche infrage. Modelle helfen Forschenden eindeutig dabei, mehr Funde zu erzeugen. Die aktuelle Evidenz zeigt nicht, dass jede von KI gefundene Schwäche leichter oder attraktiver auszunutzen wird.

VulnCheck analysierte 1.061 öffentlich zugeschriebene KI-gestützte Entdeckungen im Zusammenhang mit Anthropics Project Glasswing und der Berkeley Vulnerability Research Initiative. Es stellte fest, dass 14 beziehungsweise 1,3 Prozent als aktiv ausgenutzt bestätigt worden waren.

Diese Rate lag nahe an der Ausnutzungsrate im umfassenderen Datensatz von VulnCheck. Der Vergleich deutet darauf hin, dass KI-gestützte Entdeckungen nicht grundsätzlich eher zu realen Angriffen wurden als konventionell entdeckte Schwachstellen.

Noch deutlicher wird die Lücke in den veröffentlichten Ergebnissen von Anthropic. VulnCheck berichtete, dass Claude Mythos 23.019 Kandidaten für Schwachstellen identifiziert hatte, während in seiner Analyse nur 126 als CVEs erschienen. Einer war als aktiv ausgenutzt bestätigt worden.

Diese Zahlen belegen nicht, dass die übrigen Kandidaten harmlos waren. Viele könnten noch geprüft werden, eine koordinierte Offenlegung durchlaufen, auf Patches warten oder zurückgehalten werden, weil eine Veröffentlichung Risiken schaffen würde. Sie zeigen jedoch, dass Kandidatenzahlen und validierte CVEs nicht austauschbar sind.

Die Google Threat Intelligence Group kam anhand eines anderen Datensatzes zu einer verwandten Schlussfolgerung. Ihre Analyse der Ausnutzung erfasste 141 Schwachstellen, die zwischen Januar und August 2026 sowohl offengelegt als auch ausgenutzt wurden.

Diese Gesamtzahl übertraf die 127 Fälle des gesamten Jahres 2025. Die durchschnittliche monatliche Ausnutzung stieg von 10,5 Fällen im Jahr 2025 auf 18 im Jahr 2026.

Allerdings tauchten nur 0,23 Prozent aller 2026 offengelegten Schwachstellen in beobachteter Ausnutzung auf. Das entsprach ungefähr einer aktiv ausgenutzten Schwachstelle pro 431 Offenlegungen.

Der geringe Prozentsatz sollte nicht zu Selbstzufriedenheit verleiten. Eine einzelne Schwachstelle kann Tausende Organisationen betreffen, insbesondere wenn sie in einem weit verbreiteten internetexponierten Produkt steckt. Angreifer müssen nicht jede CVE als Waffe einsetzen, um erheblichen Schaden anzurichten.

Die Daten zur Ausnutzung wurden im weiteren Jahresverlauf ebenfalls besorgniserregender. Google stellte fest, dass die Zunahme der Offenlegungen und die Zunahme der Ausnutzung nach Mai eng miteinander korrelierten. Das indexierte Offenlegungsvolumen stieg um 128 Prozent, während die indexierte Ausnutzung um 127 Prozent zunahm.

Die Ausnutzung von Schwachstellen mit hohem Risiko hat sich mehr als verdoppelt. Google zählte von Januar bis August 2026 75 ausgenutzte Hochrisiko-Schwachstellen, verglichen mit 28 im gesamten Jahr 2025.

Die Zero-Day-Aktivität blieb stabiler. Ein Zero Day ist eine Schwachstelle, die ausgenutzt wird, bevor der Anbieter oder die Nutzer über eine wirksame Behebung verfügen. Der monatliche Durchschnitt stieg von acht im Jahr 2025 auf 11 im Jahr 2026, obwohl im August 22 Fälle erreicht wurden.

Google vermutete, dass Angreifer möglicherweise unmittelbar mehr davon profitieren, bekannte Schwachstellen – sogenannte N-Days – schnell zu weaponisieren, als KI zur Entdeckung völlig neuer Zero Days einzusetzen. Modelle können Patches, Versionshinweise, Produktversionen und Proof-of-Concept-Code vergleichen, um diesen Prozess zu beschleunigen.

Deshalb benötigen Sicherheitsteams Risikokontext und nicht nur längere Listen von Schwachstellen. Der Katalog ausgenutzter Schwachstellen der CISA identifiziert Fehler, für die Hinweise auf aktive Ausnutzung vorliegen. EPSS schätzt die Wahrscheinlichkeit, dass eine veröffentlichte CVE zeitnah ausgenutzt wird.

Diese Signale sind unvollkommen, helfen Unternehmen jedoch dabei, zwischen dokumentierten Schwächen und dringenden Angriffswegen zu unterscheiden. Die Angriffsfläche von Assets, Berechtigungen, erreichbare Systeme und verfügbare Gegenmaßnahmen bleiben wesentliche Bestandteile dieser Entscheidung.

Der tatsächliche Engpass liegt bei Triage- und Patch-Kapazitäten

KI kann Sicherheitsbefunde schneller erzeugen, als Unternehmen Zuständigkeiten klären, Korrekturen testen und Patches sicher ausrollen können.

Jede valide Schwachstelle löst einen operativen Prozess aus. Ein Maintainer muss das Problem reproduzieren, seine Schwere bewerten, betroffene Versionen identifizieren, eine Korrektur erstellen, auf Regressionen testen, eine Sicherheitsmeldung vorbereiten und die Veröffentlichung koordinieren.

Kunden stehen anschließend vor ihrer eigenen Prozesskette. Sie müssen das betroffene Produkt ausfindig machen, verstehen, ob eine verwundbare Funktion aktiv ist, kompensierende Maßnahmen bewerten, ein Update einplanen und bestätigen, dass der Patch erfolgreich war.

Diese Arbeit wird schwierig, wenn ein Unternehmen kein präzises Softwareinventar besitzt. Ein Sicherheitsteam kann eine Schwachstelle nicht zuverlässig priorisieren, wenn es nicht weiß, wo die betroffene Komponente läuft oder welche Geschäftsdienste von ihr abhängen.

Abhängigkeiten von Drittanbietern verschärfen das Problem. Eine verwundbare Bibliothek kann mehrere Ebenen unterhalb einer Anwendung liegen und für deren Betreiber unsichtbar bleiben. Container, Plugins, Firmware und verwaltete Dienste können Verantwortlichkeiten zusätzlich verschleiern.

Arbeitskräftemangel erhöht den Druck. Yukimi Sota von der japanischen Niederlassung von Proofpoint sagte dem ursprünglichen Nachrichtendienst, dass viele Unternehmen bei Gegenmaßnahmen zurückfielen, weil es in der Sicherheitsbranche nicht genügend Fachkräfte gebe.

Jüngste unbefugte Zugriffe und Informationslecks bei japanischen Unternehmen verliehen dem Bericht zusätzliche Dringlichkeit. Zu den Vorfällen gehörten Berichten zufolge Times Car, ein großer Carsharing-Dienst, und sie veranlassten die japanische Regierung dazu, Unternehmen zur Stärkung ihrer Abwehrmaßnahmen aufzurufen.

Das unmittelbare Risiko besteht nicht darin, dass jede neue CVE einen Notfall-Rollout erfordert. Das Risiko besteht darin, dass eine unstrukturierte Warteschlange dazu führt, dass Teams die kleine Zahl der Schwachstellen übersehen, die Angreifer bereits ausnutzen.

Alle Patches in der Reihenfolge ihrer Veröffentlichung einzuspielen, würde knappe Zeit verschwenden. Es könnte auch Ausfälle verursachen, wenn überhastete Änderungen komplexe Produktionssysteme beeinträchtigen. Verteidiger müssen Threat Intelligence mit ihrem eigenen Asset- und Geschäftskontext verbinden.

Eine praktikable Priorisierungsreihenfolge beginnt mit aktiver Ausnutzung. Anschließend sollten Teams die Internet-Exponierung, Authentifizierungsanforderungen, Angriffskomplexität, erlangte Berechtigungen, Datensensibilität und die Bedeutung des betroffenen Dienstes berücksichtigen.

Die Schweregradeinstufung eines Anbieters allein kann diese Fragen nicht beantworten. Eine kritische Schwachstelle in einem isolierten Testsystem kann eine weniger unmittelbare Gefahr darstellen als ein schwerwiegender Fehler an einem öffentlichen Gateway.

Sicherheitsteams benötigen außerdem eine zuverlässige Möglichkeit, Entscheidungen zu dokumentieren. Sicherheitsmeldungen, Ausnahmeregelungen, Notizen zu betroffenen Systemen und Nachweise zu Gegenmaßnahmen verteilen sich häufig auf Tickets, Chats, Tabellen und E-Mails.

Eine durchsuchbare technische Wissensdatenbank kann Teams dabei helfen, Hinweise auf Schwachstellen mit Architekturdokumenten und früheren Behebungsarbeiten zu verknüpfen. Sie ersetzt weder Scans noch Patching, verringert jedoch wiederholte Untersuchungen.

KI kann auch in dieser Phase unterstützen. Ein Modell kann Sicherheitsmeldungen zusammenfassen, Produktnamen Inventaren zuordnen, Versionen vergleichen, Anweisungen zur Behebung entwerfen und Analysten dabei helfen, doppelte Berichte zu gruppieren.

Diese Anwendungen erfordern Kontrollen. Sicherheitsteams müssen generierte Schlussfolgerungen überprüfen, vertrauliche Systeminformationen schützen und vermeiden, Anmeldedaten oder sensible Architekturdetails an nicht autorisierte Dienste zu senden.

Automatisierte Korrekturen schaffen ein separates Risiko. Ein Patch, der einen verwundbaren Codepfad entfernt, könnte einen anderen Fehler einführen oder das Produktionsverhalten beeinträchtigen. Maintainer benötigen weiterhin Tests, Reviews und eine gestaffelte Bereitstellung.

Der Druck verteilt sich innerhalb des Software-Ökosystems ungleichmäßig. Große Anbieter können dedizierte Produktsicherheitsteams betreiben und umfangreiche Offenlegungszyklen koordinieren. Kleine Open-Source-Projekte könnten von wenigen Freiwilligen abhängen, die sich um Tausende von Nutzern kümmern.

KI-gestützte Forschung kann daher Kosten von gut finanzierten Modellentwicklern und Sicherheitslaboren auf Maintainer mit begrenzten Ressourcen verlagern. Mehr Fehler zu finden ist wertvoll, doch Offenlegungsprogramme müssen die Fähigkeit der Empfänger zur Reaktion berücksichtigen.

Verantwortungsvolle Meldungen benötigen Deduplizierung, klare Reproduktionsschritte, Nachweise zur Schwere und angemessene Zeitfenster für die Behebung. Tausende Warnungen mit geringer Zuverlässigkeit einzureichen, würde Aufmerksamkeit beanspruchen, ohne entsprechende Sicherheitsgewinne zu erzielen.

Das stärkste Ergebnis ist eine ausgewogene Pipeline. KI sucht breitflächig, Menschen validieren folgenreiche Befunde, Maintainer erhalten nützliche Meldungen, und Verteidiger priorisieren die Bereitstellung nach der tatsächlichen Exponierung.

Ohne diese Disziplin wird ein höheres Entdeckungsvolumen zu einer weiteren Quelle für Warnmüdigkeit. Teams sehen mehr Warnungen, während die wenigen gefährlichsten Fälle weiterhin verborgen bleiben.

KI verändert beide Seiten des Schwachstellenwettlaufs

Der strategische Wettbewerb besteht nicht zwischen KI-Verteidigern und traditionellen Angreifern. Beide Seiten können ähnliche Fähigkeiten in unterschiedlichen Phasen desselben Schwachstellenlebenszyklus nutzen.

Verteidiger gewinnen derzeit einen bedeutenden Vorteil, wenn interne KI-Programme Fehler vor der Veröffentlichung finden und beheben. Google berichtete, dass 401 von 433 Chrome-Schwachstellen in einem großen Update intern entdeckt wurden.

Dieses Muster deutet darauf hin, dass der Anstieg der Offenlegungen auch präventive Arbeit umfasst. Eine vom Anbieter kontrollierte Entdeckung ermöglicht es Ingenieuren, einen Patch zu entwickeln, dessen Veröffentlichung zu koordinieren und Kunden vorzubereiten, bevor sich detaillierte technische Informationen verbreiten.

Angreifer gewinnen nach der Offenlegung an Hebelwirkung. KI kann eine Sicherheitsmeldung analysieren, Codeänderungen vergleichen, einen Proof of Concept erzeugen, nach exponierten Systemen scannen und öffentlichen Exploit-Code anpassen. Diese Aktivitäten verkürzen den Zeitraum zwischen Veröffentlichung und versuchter Ausnutzung.

Recorded Future erklärte, die durchschnittliche Zeit, die Angreifer zur Ausnutzung von Schwachstellen benötigten, sei von 72 Stunden im Jahr 2025 auf 24 Stunden im Jahr 2026 gesunken. Diese Schätzung unterstreicht die Notwendigkeit, erreichbare Schwachstellen sofort zu priorisieren, auch wenn die meisten CVEs nie in beobachteten Angriffen auftauchen.

KI-Systeme könnten letztlich unbekannte Schwachstellen autonom entdecken und ausnutzen. Öffentliche Fälle und Anbieterangaben zeigen Fortschritte bei längeren Ketten von Cybersicherheitsaufgaben, doch die verfügbaren Belege bleiben uneinheitlich.

Einige Demonstrationen finden in kontrollierten Umgebungen mit sorgfältig ausgewählten Zielen, umfangreichen Rechenressourcen, maßgeschneiderten Anweisungen und fachkundiger Aufsicht statt. Ihre Ergebnisse belegen nicht, dass gewöhnliche Kriminelle dieselbe Leistung im großen Maßstab reproduzieren können.

Palo Alto Networks erklärte, fortschrittliche Modelle von Anthropic und OpenAI hätten dabei geholfen, 75 Schwachstellen in seinen Produkten zu finden – mehr als das Siebenfache der üblichen monatlichen Zahl. Der Chief Product Officer räumte zudem ein, dass der Aufwand erhebliche Anpassungen und menschliche Expertise erforderte.

Diese Einschränkung ist wichtig. Modellfähigkeit ist nur ein Teil eines operativen Angriffs. Angreifer benötigen weiterhin Zielzugang, Infrastruktur, Validierung, Tarnung, Persistenz und einen Weg, technischen Zugriff in ein nützliches Ergebnis zu verwandeln.

Auch Verteidiger besitzen strukturelle Vorteile. Anbieter kontrollieren Quellcode, interne Tests, Produkttelemetrie und die Patch-Verteilung. Sie können Modelle auf ihre eigenen Systeme ausrichten und Ergebnisse mit Ingenieuren validieren, die die Architektur verstehen.

Angreifer profitieren von Asymmetrie. Sie benötigen nur einen brauchbaren Weg zu einem Ziel, während Verteidiger jedes wichtige System absichern müssen. KI schafft dieses Ungleichgewicht nicht, doch schnellere Forschung kann es verstärken.

Die Offenlegung selbst verbindet beide Seiten. Die Veröffentlichung einer CVE gibt Verteidigern eine gemeinsame Kennung und Informationen zur Behebung. Sie kann Angreifern aber auch zeigen, worauf sie sich konzentrieren sollten – insbesondere wenn ein Patch den verwundbaren Code offenlegt.

Eine Offenlegung auf unbestimmte Zeit zu verzögern, ist keine Lösung. Nicht gemeldete Fehler können weiterhin ausnutzbar bleiben, ohne dass Kunden einen Weg zum Schutz erhalten. Das Ziel ist eine Koordination, die Maintainer Zeit für die Veröffentlichung einer Korrektur gibt und zugleich unnötige technische Offenlegung begrenzt.

Die bisher stärksten Belege stützen eine engere Schlussfolgerung als sowohl optimistische als auch alarmistische Behauptungen. KI erhöht bereits die Kapazität zur Entdeckung von Schwachstellen. Sie hilft auch bei Analyse und Exploit-Entwicklung, doch die Ausnutzung ist nicht im direkten Verhältnis zu den reinen Offenlegungszahlen gestiegen.

Dieses Gleichgewicht kann sich ändern. Modelle werden besser, cybersicherheitsorientiertes Training wird ausgeweitet, und mehr Unternehmen integrieren Agenten in Forschungsworkflows. Zugangskontrollen rund um die leistungsfähigsten Systeme werden beeinflussen, wie schnell sich diese Fähigkeiten verbreiten.

Sicherheitsverantwortliche sollten ihre Planung nicht an einer einzigen dramatischen Prognose ausrichten. Sie sollten davon ausgehen, dass sowohl Entdeckung als auch Weaponisierung schneller werden, und dann Prozesse aufbauen, die über mehrere mögliche Zeitverläufe hinweg nützlich bleiben.

Das bedeutet kürzere Zyklen zur Asset-Identifizierung, erprobte Verfahren für Notfall-Patches, bessere Segmentierung und stärkeres Monitoring auf Ausnutzung. Es bedeutet auch, defensive KI dort einzusetzen, wo ihre Ergebnisse mit maßgeblichen Daten überprüft werden können.

Worauf Sicherheitsteams als Nächstes achten sollten

Drei Signale werden zeigen, ob der Anstieg von Schwachstellen beherrschbar bleibt oder sich zu einer größeren Ausnutzungskrise entwickelt.

Das erste Signal ist das Verhältnis zwischen allen CVEs und bestätigter Ausnutzung. Die reinen Offenlegungszahlen werden wahrscheinlich weiterhin Rekorde erreichen, bestimmen das operative Risiko jedoch nicht allein.

Teams sollten den CISA-Katalog, Telemetriedaten zur Ausnutzung und Wahrscheinlichkeitswerte mit hoher Zuverlässigkeit verfolgen. Bleiben ausgenutzte Schwachstellen ein kleiner Anteil der Offenlegungen, kann Priorisierung einen Großteil der Arbeitslast begrenzen.

Beginnt die Ausnutzung schneller zu wachsen als die Offenlegung, verändert sich das zentrale Argument. Dies würde darauf hindeuten, dass Angreifer einen größeren Anteil der Befunde in funktionierende Operationen umwandeln und nicht lediglich von einem größeren Pool profitieren.

Das zweite Signal ist die Verzögerung zwischen Entdeckung, Validierung und Patch-Verfügbarkeit. KI-gestützte Programme können Tausende Kandidaten beanspruchen, während nur ein Teil davon in öffentlichen Sicherheitsmeldungen mit Korrekturen erscheint.

Eine sinkende Umwandlungsverzögerung würde zeigen, dass Anbieter und Koordinatoren ihre Kapazitäten parallel zur Entdeckung ausbauen. Ein wachsender Rückstau würde bedeuten, dass KI den Anfang der Pipeline beschleunigt hat, ohne den schwierigeren Engpass bei der Behebung zu lösen.

Öffentliche Register sollten die Bewertung erleichtern. Nützliche Berichterstattung würde Kandidaten, validierte Schwachstellen, zugewiesene Kennungen, fertiggestellte Patches und bereitgestellte Korrekturen voneinander trennen.

Das dritte Signal ist die Geschwindigkeit der Ausnutzung, nachdem ein Patch oder Sicherheitshinweis veröffentlicht wurde. Früher maßen Verteidiger die Reaktionsfenster für viele Schwachstellen in Wochen. Hinweise auf eine routinemäßige Bewaffnung innerhalb eines Tages würden mehr Organisationen dazu zwingen, Prüfungen ihrer Angriffsfläche und Notfallmaßnahmen zu automatisieren.

Dieses Signal ist wichtiger als spektakuläre Demonstrationen im Labor. Eine wiederholbare Verkürzung der Zeit bis zur Ausnutzung in der Praxis würde jedes Unternehmen betreffen, das gängige Software nutzt – selbst wenn Angreifer nie eine vollständig autonome Entdeckung von Zero-Day-Schwachstellen erreichen.

Der MITRE-CVE-Eintrag sollte daher eine Überprüfung der Prozesse auslösen, keine wahllose Panik. Organisationen müssen wissen, welche Systeme sie betreiben, welche davon mit dem Internet verbunden sind und wer Entscheidungen über die Behebung trifft.

Sie sollten außerdem testen, ob dringende Updates vom Sicherheitshinweis bis zur Bereitstellung gelangen können, ohne in Genehmigungswarteschlangen stecken zu bleiben. Notfallverfahren, die nur auf dem Papier existieren, werden einem 24-Stunden-Fenster zur Ausnutzung nicht gerecht.

Die KI-gestützte Suche nach Schwachstellen bleibt eine Chance für die Verteidigung. Sie kann alte Schwächen aufdecken, bevor Kriminelle sie finden, und Maintainer dabei unterstützen, Code zu prüfen, der bislang nicht ausreichend begutachtet wurde.

Der Nutzen hängt davon ab, was nach der Entdeckung geschieht. Ein Befund, den niemand validiert, erzeugt Rauschen. Eine validierte CVE ohne verfügbaren Patch schafft Angriffsfläche. Ein Patch, den Kunden nicht bereitstellen können, lässt das zugrunde liegende Risiko bestehen.

Für Entwickler, Sicherheitsverantwortliche und Technologiekäufer lautet die zentrale Frage nicht mehr, ob KI mehr Schwachstellen finden kann. Die Belege zeigen, dass sie es kann. Die Frage ist, ob Ihre Organisation diese Flut von Befunden in eine kurze, priorisierte Maßnahmenliste verwandeln kann, bevor ein Angreifer dasselbe tut.