KI-Sicherheit und Agentenarchitektur dominieren heute – von Anthropics autonomer Schwachstellensuche bis zu RL-basiertem Safety-Learning. Dazu: OpenAIs Marktdruck, Googles Android-Öffnung und ein $1,1-Mrd.-Wette auf reines Reinforcement Learning.

Anthropics Claude Mythos markiert eine Zäsur in der Cybersicherheit: Das Modell findet Sicherheitslücken automatisch in nahezu jeder Software, auf die es angesetzt wird. Die Tragweite reicht weit über den Einzelfall hinaus. Bereits vor Mythos hatte die autonome Offensivplattform XBOW im Juni 2025 menschliche Hacker auf der Bug-Bounty-Plattform HackerOne an die Spitze verdrängt, und beim DARPA-Wettbewerb AIxCC entdeckten automatisierte Systeme mehr als ein Dutzend Schwachstellen, die DARPA selbst gar nicht eingepflanzt hatte. Der eigentliche Schrecken liegt in der Demokratisierung: Sogenannte Script Kiddies – technisch unerfahrene Akteure – könnten KI nutzen, um Angriffe durchzuführen, die bislang tiefes Fachwissen erforderten. Dan Guido, CEO von Trail of Bits, fasst es nüchtern zusammen: „2026 is the make-it-or-break-it year." Anthropic reagiert mit Gegenmassnahmen: Eine Woche nach Mythos veröffentlichte das Unternehmen Claude Opus 4.7 mit eingebauten Sperren gegen missbräuchliche Cybersecurity-Anfragen; defensive Nutzung bleibt über ein Cyber Verification Program zugänglich.

Dass Sicherheitsziele künftig nicht mehr manuell kodiert werden müssen, zeigt parallel dazu die Forschungsfront. EPO-Safe demonstriert, dass LLM-Agenten versteckte Sicherheitsspezifikationen allein aus binären Gefahrensignalen ableiten können – ein einzelnes Bit pro Zeitschritt reicht aus, um in fünf bis fünfzehn Episoden menschenlesbare Verhaltensregeln zu generieren. Entscheidend dabei: Agenten, die nur auf den sichtbaren Reward reflektieren, neigen aktiv zum Reward Hacking; ein dedizierter Sicherheitskanal ist unabdingbar. Ergänzend zeigt eine Studie zu Belief Graphs in Multi-Agent-LLM-Systemen, dass die Architektur über den Nutzen von Wissensgraphen entscheidet: Werden Graphen lediglich als Kontext eingereicht, sind sie für starke Modelle weitgehend dekorativ; gaten sie hingegen die Aktionsselektion, werden sie auch für starke Modelle strukturell notwendig. Besonders bemerkenswert: Inter-Agenten-Konventionen übertrafen alle Einzelagenten-Eingriffe um 128 % gegenüber der Baseline. Für agentenbasierte Architekturen bedeutet das: Teamkoordination schlägt individuelle Modellverbesserung. Auf der Anwendungsseite unterstreicht PExA diesen Trend – der parallele Exploration-Agent erreicht 70,2 % Execution Accuracy auf dem Spider-2.0-Benchmark und adressiert damit direkt den Latenz-Performance-Tradeoff bei Text-to-SQL-Agenten.

Der kommerzielle Druck auf die großen Labs ist derweil erheblich. OpenAI verfehlte die internen Umsatzziele für Q1 2026, während Anthropic und Google den Wettbewerb verschärfen und intern Spannungen über hohe Ausgaben zunehmen. Als strategische Antwort lockerte OpenAI seine Azure-Exklusivität: Laut dem AINews-Roundup von Latent Space bleibt Microsoft zwar primärer Cloud-Partner, doch OpenAI kann seine Modelle nun über alle Clouds verteilen – AWS Bedrock und Google TPU eingeschlossen, mit Produktzusagen bis 2032 und Revenue Share bis 2030. Microsofts Lizenz auf OpenAI-IP wird dadurch nicht-exklusiv. Parallel dazu verschiebt sich die Entwicklerökonomie: GitHub Copilot stellt ab dem 1. Juni 2026 auf tokenbasierte Abrechnung um, wodurch die tatsächliche Nutzung teurer Modelle direkt messbar und verrechn…