Direkt zum Inhalt
Startseite
heckpiets blog
  • Anmelden
  • Startseite
  • About

You are here

  1. Startseite

Wenn die KI angreift und die IT noch auf das Wartungsfenster wartet

Mo., 16/11/2026 - 2:06pm by heckpiet

Wie KI unsere jahrzehntelangen Versäumnisse in der IT-Sicherheit offenlegt – und warum schnelleres Patchen nicht die Lösung sein wird

Stellen wir uns einmal folgende Situation vor.

Es ist Freitagabend. Der Hersteller eines medizinischen Großgeräts veröffentlicht eine kritische Sicherheitsmeldung. Die Schwachstelle wird bereits aktiv ausgenutzt. Der zuständige Techniker weiß, dass er das Update nicht ohne Weiteres installieren kann. Die Medizintechnik muss sich zunächst mit dem Hersteller abstimmen, die Auswirkungen auf den klinischen Betrieb müssen bewertet werden, und am Montagmorgen wird das Gerät wieder für die Patientenversorgung benötigt.

Die IT plant ein Wartungsfenster. Der Angreifer plant keines.

Genau in diesem Spannungsfeld bewegen wir uns in der Cybersecurity seit Jahren. Wer sich mit operativer Cyber Defense beschäftigt, insbesondere im Gesundheitswesen oder in industriellen Umgebungen, weiß, dass die technische Lösung eines Sicherheitsproblems häufig nur ein Teil der eigentlichen Herausforderung ist. Ein Patch mag bereits existieren. Ob er sich auch installieren lässt, ohne andere Probleme zu verursachen, ist eine ganz andere Frage.

Und jetzt kommt künstliche Intelligenz.

Am 23. Oktober 2026 veröffentlichte Gizmodo einen Artikel über eine Aussage von Sam Altman, dem CEO von OpenAI, zur zukünftigen Entwicklung der Cybersecurity.

„I no longer think we're gonna be able to just patch all the bugs.“ [1]

Wir werden nicht mehr in der Lage sein, einfach alle Sicherheitslücken zu patchen.

Meine erste Reaktion darauf wäre vermutlich gewesen: Sam, das konnten wir noch nie.

Wir haben es in den vergangenen Jahrzehnten nicht geschafft, sämtliche Schwachstellen zu identifizieren, geschweige denn sie rechtzeitig zu beheben. Wir betreiben IT-Infrastrukturen, in denen sich veraltete Betriebssysteme, nicht mehr unterstützte Softwarebibliotheken, proprietäre Anwendungen und teilweise Jahrzehnte alte Hardware befinden. Gleichzeitig entwickeln und beschaffen wir jeden Tag neue Systeme.

Das Neue an Altmans Aussage ist also nicht die Erkenntnis, dass wir nicht alles patchen können. Neu ist die Geschwindigkeit, mit der uns dieses Problem möglicherweise um die Ohren fliegt.

Wenn eine KI innerhalb weniger Minuten eine Schwachstelle findet, für deren Behebung wir drei Monate benötigen, haben wir kein Problem mehr, das sich überall mit einem besseren Patchmanagement oder einem etwas ambitionierteren SLA lösen lässt.

Natürlich werden wir nicht in sämtlichen Bereichen zu langsam sein. Moderne Cloud-Infrastrukturen lassen sich unter bestimmten Voraussetzungen innerhalb weniger Stunden automatisiert aktualisieren. In anderen Bereichen werden uns allerdings Architektur, Herstellerabhängigkeiten und organisatorische Prozesse weiterhin massiv ausbremsen. Und ausgerechnet dort befinden sich häufig Systeme, auf die wir im täglichen Betrieb nicht verzichten können.

Was machen wir also mit unseren Legacy-Systemen? Wie wollen wir zukünftig Software entwickeln? Welche Verantwortung müssen Hersteller übernehmen? Welche Lösungen existieren bereits, und was können wir von Unternehmen und Ländern lernen, die sich seit Jahren mit diesen Fragen beschäftigen?

KI hat die meisten dieser Probleme nicht verursacht.

Sie könnte allerdings dafür sorgen, dass wir sie uns endgültig nicht mehr leisten können.

1. Das Ende eines Wettrennens, das wir eigentlich noch nie gewonnen haben

Unser Sicherheitsmodell hat ein Geschwindigkeitsproblem

Vulnerability Management folgt seit Jahren einem relativ einfachen Prinzip. Wir identifizieren Schwachstellen, bewerten und priorisieren sie, versuchen sie zu beheben und überprüfen anschließend, ob das auch funktioniert hat.

Das ist sinnvoll und wird es auch bleiben. Das amerikanische National Institute of Standards and Technology (NIST) beschreibt Patchmanagement ausdrücklich als notwendige präventive Wartung von Technologie. Sicherheitsupdates sind kein optionaler Zusatz, sondern Bestandteil des ordnungsgemäßen Betriebs von IT-Systemen. [2]

In der Praxis hängt dieser Prozess allerdings von einer ganzen Reihe von Voraussetzungen ab. Wir müssen wissen, welche Systeme wir überhaupt betreiben, welche Software darauf läuft und ob diese von einer Schwachstelle betroffen ist. Wir benötigen einen Hersteller, der einen funktionierenden Patch bereitstellt, und eine Organisation, die diesen Patch testen, freigeben und ausrollen kann.

Und wir brauchen Zeit.

Der Verizon Data Breach Investigations Report 2026 (DBIR) zeigt bereits, dass wir mit der heutigen Geschwindigkeit erhebliche Schwierigkeiten haben.

Die Ausnutzung von Schwachstellen ist in der betrachteten Teilmenge der Data Breaches mit bekannten initialen Zugangsvektoren inzwischen der häufigste Angriffsvektor. Die entsprechende Auswertung umfasst 19.905 Breaches, wobei Vorfälle aufgrund von Fehlern und Missbrauch ausgenommen wurden. [3]

Kennzahl DBIR 2025 DBIR 2026
Schwachstellenausnutzung als bekannter initialer Angriffsvektor 20 % 31 %
Vollständig behobene Schwachstellen aus dem CISA-KEV-Katalog 38 % 26 %
Median bis zur vollständigen Behebung 32 Tage 43 Tage

Quelle: Verizon Data Breach Investigations Report 2026, Kapitel „Key topics and findings“. [3]

Im Median mussten die untersuchten Organisationen außerdem 50 Prozent mehr kritische Schwachstellen behandeln als im Vorjahresdatensatz.

Bei dieser Betrachtung geht es um Schwachstellen aus dem Known Exploited Vulnerabilities Catalog (KEV) der amerikanischen Cybersecurity and Infrastructure Security Agency (CISA). Also um Schwachstellen, für deren tatsächliche Ausnutzung bereits belastbare Hinweise existieren.

Die Organisationen müssen mehr solcher Schwachstellen behandeln, benötigen länger für deren vollständige Behebung und erreichen gleichzeitig eine niedrigere Behebungsquote.

Natürlich sind die Daten des DBIR keine repräsentative Vollerhebung sämtlicher Unternehmen weltweit. Sie beschreiben die untersuchten Organisationen und Vorfälle. Dennoch zeigen sie sehr anschaulich ein Problem, das vielen von uns aus der Praxis bekannt sein dürfte.

Interessant ist außerdem der Beobachtungszeitraum des DBIR 2026, der im Wesentlichen noch vor der Einführung besonders leistungsfähiger Cybersecurity-Modelle wie Claude Mythos liegt.

Wir haben also bereits ein Problem, bevor wir deren Auswirkungen vollständig zu spüren bekommen.

Project Glasswing und die Industrialisierung der Schwachstellenentdeckung

Im April 2026 stellte Anthropic mit Project Glasswing eine Initiative vor, die einen Wendepunkt in der Geschichte der Cybersecurity markieren könnte.

Ausgewählte Unternehmen und Organisationen erhielten Zugang zu Claude Mythos Preview, einem KI-Modell, dessen Fähigkeiten bei der Schwachstellenanalyse nach Angaben von Anthropic deutlich über denen früherer Modelle liegen.

Zu den beteiligten Organisationen gehörten unter anderem Amazon Web Services, Apple, Google, Microsoft, Cisco, NVIDIA, CrowdStrike und die Linux Foundation. Ziel war es, die Fähigkeiten des Modells zur Absicherung kritischer Software und Infrastruktur einzusetzen. [4]

Anthropic berichtete über Schwachstellen in Betriebssystemen, Browsern und zentralen Softwarekomponenten. Darunter eine 27 Jahre alte Schwachstelle in OpenBSD, einem Betriebssystem, das seit Jahrzehnten einen besonderen Fokus auf Sicherheit legt.

Eine weitere Schwachstelle wurde in FFmpeg entdeckt. Sie soll sich rund 16 Jahre im Code befunden haben. Automatisierte Testwerkzeuge hatten die betreffende Codezeile zuvor bereits millionenfach erreicht, ohne das Problem zu erkennen.

Wir reden hier nicht über irgendeine schlecht gepflegte Anwendung, die ein Entwickler vor zehn Jahren an einem Wochenende zusammengeschrieben hat. Wir reden über weitverbreitete Software, die teilweise seit Jahrzehnten intensiv untersucht wird.

Im Oktober 2026 veröffentlichte Anthropic weitere Ergebnisse im Rahmen der Erweiterung seines Cyber Verification Programs. [5]

Ergebnisse der Initiative Anzahl
Verifizierte Schwachstellen durch Glasswing-Partner, April bis Juli 2026 Mindestens 129.000
Zusätzlich durch Anthropic identifizierte Schwachstellen in Open Source, April bis Oktober 2026 Rund 5.500
Bereits als hoch oder kritisch bewertete Schwachstellen Mehr als 33.000

Das sind beeindruckende Zahlen. Allerdings müssen wir genauer hinschauen.

Die Angaben beruhen auf unvollständigen Daten aus 33 Partnerberichten und den Open-Source-Aktivitäten von Anthropic. Die Partner verwendeten unterschiedliche Verfahren bei der Triage. Eine verifizierte Schwachstelle ist zudem nicht automatisch eine veröffentlichte CVE, und eine hohe Kritikalität bedeutet nicht, dass die Schwachstelle in jeder Umgebung tatsächlich ausnutzbar ist.

Für mich ist eine andere Information aus der Veröffentlichung fast noch wichtiger.

Weniger als die Hälfte der Partner hatte Zahlen zur tatsächlichen Behebung der Schwachstellen bereitgestellt. Teilweise waren die entsprechenden Arbeiten noch nicht abgeschlossen.

Wir sehen hier also einen erheblichen Fortschritt bei der automatisierten Entdeckung von Schwachstellen. Ob die tatsächliche Behebung in einem vergleichbaren Tempo vorankommt, lässt sich aus den veröffentlichten Zahlen nicht ableiten.

129.000 verifizierte Schwachstellen sind zunächst einmal ein beeindruckendes Ergebnis für die KI-Forschung.

Für die Menschen, die diese Schwachstellen anschließend bewerten, beheben, testen und die entsprechenden Updates ausrollen müssen, sind sie vor allem eines. Arbeit.

Die Angreifer müssen gar nicht unbedingt neue Schwachstellen finden

Eine Analyse der Google Threat Intelligence Group (GTIG) vom 30. September 2026 zeigt, dass sich auch außerhalb solcher kontrollierten Initiativen die Schwachstellenlandschaft verändert.

Google untersuchte die Entwicklung zwischen Januar 2025 und August 2026. [6]

Kennzahl Vergleichswert Neuer Wert
Monatlich veröffentlichte Schwachstellen 5.045 im Januar 2026 10.740 im August 2026
Beobachtete ausgenutzte Schwachstellen pro Monat durchschnittlich 10,5 im Jahr 2025 durchschnittlich 18 von Januar bis August 2026
Beobachtete ausgenutzte Zero-Days pro Monat durchschnittlich 8 im Jahr 2025 durchschnittlich 11 von Januar bis August 2026

Nicht sämtliche Entwicklungen lassen sich ausschließlich auf KI zurückführen. Änderungen bei der Vergabe von CVE-Nummern, unterschiedliche Veröffentlichungszyklen der Hersteller und die Zusammensetzung der untersuchten Softwarelandschaft beeinflussen diese Zahlen ebenfalls.

Bemerkenswert ist allerdings, dass der Anstieg der beobachteten Ausnutzung zu einem erheblichen Teil bereits bekannte Schwachstellen, sogenannte N-Days, betrifft.

Aus Sicht eines Angreifers ist das durchaus nachvollziehbar.

Warum sollte ich erhebliche Ressourcen in die Suche nach einer völlig neuen Schwachstelle investieren, wenn ich mit einem KI-Modell einen veröffentlichten Patch analysieren, die zugrunde liegende Schwachstelle verstehen und daraus unter Umständen wesentlich schneller einen Exploit entwickeln kann?

Der Hersteller hat mit der Veröffentlichung seines Updates bereits einen Teil der notwendigen Recherchearbeit erledigt.

Der Patch ist da. Der Angreifer weiß, was geändert wurde. Der Betreiber hat sein Wartungsfenster für das kommende Wochenende geplant.

In meinem Artikel „Die Schattenseite der KI: Wenn Cyberangriffe plötzlich einen Preis in Token bekommen“ habe ich bereits die ökonomische Dimension dieser Entwicklung betrachtet.

Wenn die Kosten für Analyse, Entwicklung und Automatisierung eines Angriffs sinken, verändert sich dessen Wirtschaftlichkeit. Angriffe auf Systeme, die bislang vielleicht nicht attraktiv genug waren, können sich plötzlich lohnen.

Allerdings sollten wir die einzelnen Phasen eines Angriffs sauber voneinander unterscheiden.

Phase Möglicher Beitrag von KI
Vulnerability Discovery Entdeckung unbekannter Schwachstellen
Exploit Development Entwicklung und Anpassung funktionierender Exploits
Target Discovery Identifikation verwundbarer und erreichbarer Systeme
Exploitation Automatisierung konkreter Angriffsversuche
Post-Exploitation Analyse kompromittierter Umgebungen und weiterer Angriffswege
Operational Impact Unterstützung beim Erreichen des eigentlichen Angriffsziels

Eine gefundene Schwachstelle ist noch kein funktionierender Exploit. Ein funktionierender Exploit bedeutet noch nicht, dass ein bestimmtes System erreichbar oder erfolgreich kompromittierbar ist. Und selbst eine erfolgreiche Kompromittierung führt nicht zwangsläufig zu einem unternehmensweiten Sicherheitsvorfall.

Zwischen diesen Phasen liegen erhebliche technische und organisatorische Hürden. KI kann viele davon reduzieren. Dass sie sich in sämtlichen Bereichen gleichermaßen auswirkt, ist damit allerdings noch nicht bewiesen.

Für unsere Verteidigungsstrategie ist diese Unterscheidung wichtig. Wir haben an mehreren Stellen die Möglichkeit, einen Angriff zu unterbrechen. Wir müssen nicht zwangsläufig die zugrunde liegende Schwachstelle beseitigen, um zumindest den unmittelbaren Angriffserfolg zu verhindern.

Dazu später mehr.

Zero Day Clock – wie lässt sich diese Entwicklung überhaupt messen?

Wer sich mit der Entwicklung von Schwachstellen und deren Ausnutzung intensiver beschäftigen möchte, dem empfehle ich einen Blick auf das Projekt Zero Day Clock.

https://zerodayclock.com

Das unabhängige Observatorium entstand Anfang 2026 aus einer Diskussion darüber, wie sich die tatsächlichen Auswirkungen leistungsfähiger KI-Modelle auf Cyberangriffe überhaupt messen lassen.

Eine berechtigte Frage. Wir haben inzwischen eine Menge Meinungen, Prognosen und beeindruckende Präsentationen zu diesem Thema. Wesentlich schwieriger ist es, belastbar nachzuweisen, was tatsächlich passiert.

Zero Day Clock führt öffentlich verfügbare Informationen aus dem CVE-Programm, der National Vulnerability Database (NVD), verschiedenen Exploitation-Katalogen und Sensornetzwerken zusammen.

Die Plattform unterscheidet dabei bewusst zwischen veröffentlichten Schwachstellen, dokumentierter Ausnutzung und beobachteten Angriffsversuchen.

Zum Abrufzeitpunkt am 16. November 2026 stellte sich die Entwicklung folgendermaßen dar. [7]

Kennzahl Januar bis Oktober 2026
Veröffentlichte CVE-Datensätze 89.843
Neu als ausgenutzt katalogisierte Schwachstellen 1.188

Knapp 90.000 veröffentlichte CVEs in zehn Monaten.

Das bedeutet nicht, dass weltweit exakt 90.000 neue Schwachstellen entstanden sind. Es bedeutet zunächst einmal, dass entsprechend viele CVE-Datensätze veröffentlicht wurden.

Das CVE-Programm hat in den vergangenen Jahren die Zahl der Organisationen erweitert, die eigenständig CVE-Nummern vergeben dürfen. Ein Teil des Wachstums lässt sich deshalb durch eine bessere und breitere Erfassung erklären.

Für die operative Cyber Defense ist das allerdings nur bedingt tröstlich.

Ob eine Schwachstelle neu entstanden ist oder lediglich erstmals systematisch erfasst wird, ändert nichts daran, dass ich als Betreiber herausfinden muss, ob meine Umgebung davon betroffen ist.

Die Arbeit landet so oder so auf meinem Tisch.

Noch interessanter finde ich den Vulnerability Pressure Index von Zero Day Clock. Er vergleicht die letzten drei vollständigen Monate mit denselben drei Monaten des Vorjahres.

Kennzahl August bis Oktober 2026 im Vergleich zum Vorjahreszeitraum
Vulnerability Pressure – veröffentlichte CVEs 362 %
Scanning Pressure – beobachtete Scan-Aktivität gegen die 100 meistgescannten Schwachstellen 84 %
Zero Day Exploitation Pressure – KEV-Erfassung spätestens am Tag der CVE-Veröffentlichung 207 %

Quelle: Zero Day Clock Observatory, Abruf am 16. November 2026. [7]

In den betrachteten drei Monaten wurden rund 44.000 CVE-Datensätze veröffentlicht, gegenüber rund 12.000 im entsprechenden Vorjahreszeitraum.

Die Zahl der Schwachstellen, die spätestens am Tag ihrer CVE-Veröffentlichung bereits in einem Exploitation-Katalog erfasst waren, stieg von 94 auf 195.

Gleichzeitig zeigt die betrachtete Scanning-Telemetrie keinen vergleichbaren Anstieg.

Das ist wichtig. Mehr CVEs bedeuten nicht automatisch mehr erfolgreiche Cyberangriffe. Auch ein Anstieg dokumentierter Ausnutzung bedeutet nicht zwangsläufig, dass entsprechend mehr Unternehmen kompromittiert wurden.

Die drei Kennzahlen messen unterschiedliche Sachverhalte und dürfen nicht miteinander verrechnet werden.

Was wir allerdings sehr deutlich sehen, ist der wachsende Informations- und Handlungsdruck auf unsere Organisationen.

Warum eine durchschnittliche Time to Exploit problematisch ist

Zero Day Clock verzichtet inzwischen bewusst auf eine pauschale durchschnittliche Time to Exploit als zentrale Kennzahl. Die methodische Begründung dafür halte ich für ausgesprochen wichtig. [8]

Wir wissen in vielen Fällen gar nicht, wann eine Schwachstelle tatsächlich zum ersten Mal ausgenutzt wurde.

Wir wissen möglicherweise, wann ein Hersteller eine Sicherheitsmeldung veröffentlicht hat, wann eine CVE veröffentlicht wurde und wann ein Sicherheitsunternehmen oder eine Behörde Hinweise auf eine Ausnutzung dokumentiert hat.

Diese Zeitpunkte können erheblich auseinanderliegen.

Eine Schwachstelle kann bereits seit Monaten ausgenutzt worden sein, bevor jemand die Ausnutzung überhaupt bemerkt. Zudem kann ein Hersteller eine Sicherheitsmeldung und einen Patch veröffentlichen, bevor der entsprechende CVE-Datensatz im öffentlichen System erscheint.

Hinzu kommt ein statistisches Problem.

Ältere Schwachstellen wurden wesentlich länger beobachtet als neu veröffentlichte. Wenn wir beide Gruppen anhand der beobachteten Zeit bis zur dokumentierten Ausnutzung vergleichen, entsteht eine Verzerrung. Neuere Schwachstellen hatten schlicht weniger Zeit, um irgendwann als ausgenutzt erfasst zu werden. In der Statistik spricht man hierbei von einer Rechtszensierung, dem sogenannten Right Censoring.

Die Plattform kann also nicht zuverlässig feststellen, wann die tatsächliche Ausnutzung begonnen hat. Ebenso wenig kann sie aus ihren Daten allein ableiten, ob KI ursächlich für bestimmte Veränderungen ist.

Das schmälert den Nutzen des Projekts nicht. Im Gegenteil.

Ich halte es für wesentlich sinnvoller, unterschiedliche Entwicklungen sauber zu messen, als eine spektakuläre Kennzahl zu veröffentlichen, die am Ende vor allem eine gute Überschrift liefert.

Für Unternehmen würde ich daraus drei Dimensionen ableiten.

Dimension Fragestellung
Vulnerability Pressure Wie stark wächst die Menge der zu bewertenden Schwachstelleninformationen?
Exploitation Pressure Wie entwickelt sich die dokumentierte Ausnutzung relevanter Schwachstellen?
Remediation Capacity Wie viele tatsächlich relevante Schwachstellen kann unsere Organisation behandeln?

Die dritte Dimension ist mein eigener konzeptioneller Vorschlag. Sie wird durch Zero Day Clock nicht für einzelne Unternehmen gemessen.

Und genau diese Dimension entscheidet letztlich darüber, ob wir mit der Entwicklung Schritt halten können.

Wir haben nicht nur ein Geschwindigkeitsproblem. Wir haben ein Kapazitätsproblem.

Nehmen wir ein stark vereinfachtes Beispiel.

Ein Unternehmen kann monatlich 1.000 relevante Vulnerability Findings vollständig bearbeiten und deren Behebung überprüfen.

Durch bessere Schwachstellenanalyse, neue KI-gestützte Verfahren und eine vollständigere Transparenz über die eigene Infrastruktur erhält das Unternehmen künftig monatlich 1.500 neue relevante Findings.

Selbst wenn es schneller und effizienter arbeitet als jemals zuvor, wächst der Rückstau.

Zeitraum Neue Findings Abgeschlossene Remediations Zusätzlicher Rückstau
Monat 1 1.500 1.000 500
Monat 2 1.500 1.000 1.000
Monat 3 1.500 1.000 1.500
Monat 6 1.500 1.000 3.000

Das Beispiel ist hypothetisch und vereinfacht die Realität erheblich. Ein einzelner Patch kann zahlreiche Findings gleichzeitig beseitigen, nicht sämtliche Findings sind gleich relevant, und die Stilllegung eines Systems kann dessen gesamte Schwachstellenlast aus dem Bestand entfernen.

Das grundlegende Prinzip bleibt trotzdem bestehen.

Wenn der Eingang neuer, tatsächlich relevanter Sicherheitsprobleme dauerhaft größer ist als unsere Fähigkeit, diese zu behandeln, wächst der Backlog.

Ein Unternehmen kann seine Remediation-Geschwindigkeit erhöhen und gleichzeitig immer weiter zurückfallen.

Wir sollten deshalb nicht nur messen, wie schnell wir einzelne Schwachstellen beheben. Wir müssen auch wissen, wie groß unsere tatsächliche Verarbeitungskapazität ist, welche Engpässe sie begrenzen und wie sich der Rückstau insbesondere bei kritischen und aktiv ausgenutzten Schwachstellen entwickelt.

Vielleicht ist das die eigentliche Herausforderung, vor die uns Project Glasswing und vergleichbare Initiativen stellen.

Wir steigern unsere Vulnerability Discovery Capacity erheblich. Ob unsere Remediation Capacity im gleichen Maß wächst, steht auf einem anderen Blatt.

Es geht durchaus auch anders – wenn die Architektur stimmt

Bevor wir nun allerdings zu dem Schluss kommen, dass Patchmanagement grundsätzlich nicht mehr mit der Geschwindigkeit von KI mithalten kann, sollten wir uns ansehen, was in modernen IT-Architekturen bereits möglich ist.

Microsoft berichtet im Rahmen seiner Secure Future Initiative im Juli 2026, durch automatisiertes Container-Patching monatlich rund drei Millionen Vulnerability Instances zu behandeln.

Darüber hinaus wurden nach Unternehmensangaben mehr als 550.000 einzelne Vorkommen kritischer und hochriskanter Open-Source-Schwachstellen behoben. 93 Prozent der als kritisch oder besonders wertvoll eingestuften Build-Pipelines nutzen inzwischen zentral verwaltete Vorlagen. [9]

Wichtig ist die Unterscheidung. Microsoft spricht von einzelnen Vorkommen einer Schwachstelle innerhalb seiner Infrastruktur, nicht von drei Millionen unterschiedlichen Sicherheitslücken.

Trotzdem zeigt das Beispiel, welche Größenordnungen durch geeignete Architektur und Automatisierung möglich werden.

Bei Immutable Infrastructure repariere ich nicht zwangsläufig jedes laufende System einzeln. Ich erstelle ein aktualisiertes Image, überprüfe es und ersetze anschließend die vorhandenen Instanzen.

Zentral gepflegte Basis-Images ermöglichen es mir, eine Schwachstelle an einer Stelle zu behandeln und die entsprechende Änderung über zahlreiche Anwendungen hinweg auszurollen. Automatisierte CI/CD-Pipelines, Security Gates, reproduzierbare Builds, Canary Deployments und kontrollierte Rollbacks können die notwendigen Prozesse erheblich beschleunigen.

Auch Live Patching kann unter bestimmten Voraussetzungen dabei helfen, ausgewählte Betriebssystemschwachstellen ohne vollständigen Neustart zu behandeln. Es ersetzt allerdings nicht jedes Update und ist nicht für sämtliche Komponenten geeignet.

Microsoft zeigt mit seiner Initiative außerdem, dass zu einer besseren Sicherheitsarchitektur auch die konsequente Beseitigung alter Technologie gehört.

Im Juli 2026 meldete das Unternehmen den vollständigen Abschluss der Migration vom klassischen Azure Service Manager zum Azure Resource Manager für die verbliebenen Workload-Klassen. Im betreffenden Berichtszyklus wurden außerdem 15.500 veraltete oder ungenutzte Mandanten stillgelegt. [10]

Das ist Sicherheitsarbeit, die unmittelbar an der Reduzierung technischer Altlasten ansetzt.

Der entscheidende Unterschied ist also nicht ausschließlich die Qualität des Patchmanagements. Es ist die Architektur, die schnelles Patchen und die konsequente Beseitigung alter Komponenten überhaupt erst ermöglicht.

Und damit kommen wir zu dem Teil unserer IT-Landschaft, in dem genau das häufig nicht funktioniert.

2. Legacy-Systeme – wenn funktionsfähige Hardware sicherheitstechnisch unbrauchbar wird

Es gibt in unserer Branche kaum ein Thema, über das seit so vielen Jahren gesprochen wird und bei dem sich gleichzeitig so wenig grundlegend verändert hat wie das Thema Legacy-Systeme.

Wir alle kennen die Diskussionen. Das Betriebssystem wird nicht mehr unterstützt, aber die Anwendung läuft nur auf dieser Version. Die Anwendung ist seit Jahren abgekündigt, aber eine Migration wäre zu aufwendig. Der Hersteller stellt keine Sicherheitsupdates mehr bereit, aber das Gerät funktioniert doch noch.

Und irgendwann kommt zuverlässig das Argument, das einen Austausch verhindert.

Das ist viel zu teuer.

Ich halte diese Diskussion keineswegs für grundsätzlich falsch. Gerade im industriellen Umfeld und im Gesundheitswesen können wir nicht einfach jedes Gerät austauschen, dessen Betriebssystem das Ende seines Supportzeitraums erreicht hat.

Wir müssen allerdings anfangen, die Rechnung unter den veränderten Rahmenbedingungen neu aufzustellen.

Ein MRT ist kein Arbeitsplatzrechner

Ein Magnetresonanztomographie-Gerät ist eine Investition, die abhängig von Ausstattung, Leistungsfähigkeit und Infrastruktur erhebliche Beträge kostet. Hinzu kommen bauliche Voraussetzungen, Abschirmung, Kühlung, Wartung und die Integration in klinische Prozesse.

Das Gerät soll über viele Jahre Patienten untersuchen.

Innerhalb dieses Systems befinden sich allerdings Betriebssysteme, Steuerungssoftware, Datenbanken, Netzwerkkomponenten, Schnittstellen und möglicherweise proprietäre Hardware. Diese Komponenten haben häufig einen deutlich kürzeren Lebenszyklus als das eigentliche medizinische Großgerät.

Der Magnet funktioniert. Die mechanischen Komponenten funktionieren. Die Bildgebung funktioniert. Nur die IT dahinter ist irgendwann möglicherweise sicherheitstechnisch nicht mehr beherrschbar.

Dasselbe Problem finden wir bei Produktionsanlagen, speicherprogrammierbaren Steuerungen, Gebäudeleittechnik, Laboranalysesystemen und zahlreichen anderen Systemen im Bereich Operational Technology (OT), Internet of Things (IoT) und Internet of Medical Things (IoMT).

NIST beschreibt diese besonderen Herausforderungen ausführlich in seinem Guide to Operational Technology Security. Änderungen an OT-Systemen können unmittelbare Auswirkungen auf physische Prozesse haben. Verfügbarkeit, Echtzeitfähigkeit, Zuverlässigkeit und funktionale Sicherheit setzen dem Einsatz bestimmter klassischer IT-Sicherheitsmaßnahmen Grenzen. [11]

Wer sich mit Cyber Defense in solchen Umgebungen beschäftigt, weiß, dass es nicht genügt, eine verwundbare Komponente zu identifizieren und anschließend die Einhaltung einer Patchfrist einzufordern.

Wir müssen verstehen, welche Prozesse an diesem System hängen, welche Folgen eine Veränderung haben kann und welche Alternativen überhaupt existieren.

Manchmal ist die technische Lösung innerhalb weniger Minuten gefunden. Die Entscheidung, ob sie im laufenden Betrieb umgesetzt werden kann, dauert wesentlich länger.

Das ist nicht zwangsläufig Ausdruck schlechter Organisation. In einem Krankenhaus gibt es gute Gründe, vor einer Veränderung an einem medizinischen System zunächst deren Auswirkungen auf die Patientenversorgung zu verstehen.

Ein Angreifer muss sich mit diesen Fragen nicht beschäftigen.

Ein reales Beispiel – wenn ein Patch eine komplette Funktion entfernt

Wie weitreichend die Konsequenzen solcher Sicherheitsprobleme sein können, zeigt ein Fall, mit dem sich die amerikanische Food and Drug Administration (FDA) im Jahr 2025 beschäftigt hat.

Am 30. Januar 2025 veröffentlichte die FDA eine Sicherheitswarnung zu bestimmten Patientenmonitoren des Typs Contec CMS8000 und Epsimed MN-120.

Die Behörde berichtete über Schwachstellen, die unter anderem eine nicht autorisierte Fernsteuerung, den Ausfall der Geräte oder die Manipulation von Daten ermöglichen könnten. Zudem enthielt die Software eine versteckte Zugriffsmöglichkeit. Bei einer Verbindung mit dem Internet konnten Patientendaten aus der medizinischen Umgebung übertragen werden.

Interessant ist insbesondere, wie das Problem schließlich behandelt wurde.

Am 2. Juli 2025 aktualisierte die FDA ihre Sicherheitswarnung, nachdem Contec einen Softwarepatch bereitgestellt hatte.

Dieser Patch entfernte die Netzwerkfunktionalität der betroffenen Geräte vollständig.

Die Monitore konnten anschließend nur noch lokal verwendet werden. Die Vitalparameter waren damit nur noch unmittelbar am Patientenbett sichtbar. [12]

Der Hersteller hat also nicht sämtliche bisherigen Funktionen sicher wiederhergestellt. Er hat eine komplette Funktion entfernt.

Aus Sicht der Cybersecurity kann das eine geeignete Maßnahme sein. Aus Sicht eines Krankenhauses kann es allerdings erhebliche Auswirkungen haben, wenn eine zuvor vernetzte Überwachung nicht mehr möglich ist.

Wichtig ist dabei, dass der FDA zum Zeitpunkt ihrer Sicherheitswarnung keine mit diesen Schwachstellen verbundenen Cybersecurity-Vorfälle, Verletzungen oder Todesfälle bekannt waren. Der Fall ist kein Beleg für bereits eingetretene Patientenschäden. Ebenso wenig belegt er, dass das Alter der Geräte ursächlich für die Sicherheitsprobleme war.

Was er allerdings sehr deutlich zeigt, ist der mögliche funktionale Preis einer Sicherheitsmaßnahme.

Ein technisch weiterhin funktionsfähiges Gerät kann durch Cybersecurity-Probleme einen wesentlichen Teil seiner betrieblichen Nutzbarkeit verlieren.

Und das passiert bereits heute, ganz ohne die nächste Generation leistungsfähiger KI-Modelle.

Warum KI insbesondere ältere Systeme zum Problem machen könnte

Viele ältere Systeme verdanken ihren vergleichsweise unauffälligen Betrieb möglicherweise nicht ihrer besonders guten Sicherheitsarchitektur, sondern schlicht der Tatsache, dass sich bislang niemand intensiv genug mit ihnen beschäftigt hat.

Ein Angreifer muss Zeit investieren, um ein proprietäres System zu verstehen. Er muss Firmware analysieren, ungewöhnliche Protokolle nachvollziehen oder sich mit einer speziellen Softwareplattform beschäftigen.

Für manche Angreifer lohnt sich dieser Aufwand. Für viele andere bislang nicht.

Was passiert allerdings, wenn ein leistungsfähiges KI-System einen erheblichen Teil dieser Arbeit übernehmen kann?

Zero Day Clock beschreibt in seiner methodischen Einordnung auch die mögliche Bedeutung des sogenannten Long Tail älterer Schwachstellen. Sinkende Kosten bei der Analyse und Exploit-Entwicklung könnten dazu führen, dass auch bislang weniger attraktive Schwachstellen wirtschaftlich interessant werden. [8]

Ein System wird nicht dadurch sicherer, dass es zehn Jahre lang mit einer bekannten Schwachstelle betrieben wurde, ohne dass uns ein erfolgreicher Angriff aufgefallen ist.

Wir haben möglicherweise einfach Glück gehabt.

Das bedeutet nicht, dass sämtliche älteren Systeme zwangsläufig als Erstes kompromittiert werden. Ein hervorragend isoliertes und kontrolliertes Legacy-System kann ein geringeres Risiko darstellen als eine neue, schlecht konfigurierte und direkt aus dem Internet erreichbare Anwendung.

Das Alter allein ist keine ausreichende Risikobewertung.

Legacy-Systeme haben allerdings häufig eine entscheidende Eigenschaft. Wenn eine neue Schwachstelle gefunden wird, sind unsere Handlungsmöglichkeiten erheblich eingeschränkt.

Und diese fehlenden Handlungsmöglichkeiten werden bei einer beschleunigten Schwachstellenentdeckung zum eigentlichen Problem.

Kompensierende Maßnahmen können funktionieren – aber wie lange?

Netzwerksegmentierung, restriktive Firewall-Regeln, kontrollierte Fernwartung, Jump Hosts, Network Detection and Response oder die Deaktivierung nicht benötigter Dienste können das Risiko älterer Systeme erheblich reduzieren.

Ich halte diese Maßnahmen für sinnvoll und notwendig. Wir sollten uns allerdings nichts vormachen.

Eine Firewall verhindert nicht automatisch, dass eine erlaubte Kommunikation zum Angriff genutzt wird. Eine Segmentierung kann die Ausbreitung begrenzen, schützt aber nicht notwendigerweise vor einer Kompromittierung innerhalb eines Segments. Ein Monitoringsystem kann eine Manipulation möglicherweise erkennen, nachdem sie bereits stattgefunden hat.

Wir kompensieren eine Schwäche des eigentlichen Systems durch zusätzliche Sicherheitsmechanismen in dessen Umgebung.

Solange diese Mechanismen wirksam sind und das verbleibende Risiko beherrschbar bleibt, ist das eine vernünftige Strategie. Unter bestimmten Voraussetzungen kann auch ein dauerhaft isoliertes älteres System vertretbar sein.

Was wir allerdings nicht tun sollten, ist eine ursprünglich als Übergangslösung gedachte Sicherheitsmaßnahme irgendwann kommentarlos zur dauerhaften Betriebsstrategie erklären, nur weil niemand das Geld für eine Ablösung in die Hand nehmen möchte.

Ein akzeptiertes Risiko ist schließlich nicht automatisch ein beherrschtes Risiko.

Was kostet uns der Weiterbetrieb eigentlich wirklich?

Die häufigste Antwort auf die Frage, warum ein Legacy-System weiterhin betrieben wird, lautet, dass eine Ablösung zu teuer sei.

Ein neues medizinisches Großgerät kostet möglicherweise mehrere Millionen Euro. Der Austausch einer Produktionsanlage verursacht Produktionsausfälle. Eine Migration proprietärer Software kann ein mehrjähriges Projekt sein.

Alles richtig.

Aber sind diese Kosten tatsächlich höher als die Kosten eines fortgesetzten unsicheren Betriebs?

Wir betrachten bei Investitionsentscheidungen häufig den Kaufpreis eines Ersatzsystems und die Kosten eines Migrationsprojekts. Was dabei zu kurz kommt, sind die über die verbleibende Nutzungsdauer entstehenden Sicherheitskosten des bestehenden Systems.

Zusätzliche Netzwerk- und Sicherheitsinfrastruktur, individuelles Monitoring, Sonderlösungen, Incident Response, die Abhängigkeit von einzelnen Spezialisten, wiederkehrende Ausnahmen und Risikobewertungen.

Dazu kommen mögliche Schäden durch Sicherheitsvorfälle, Betriebsunterbrechungen, Datenverluste oder Manipulationen. Im Gesundheitswesen reden wir außerdem über die Patientenversorgung, in der Industrie über funktionale Sicherheit und möglicherweise erhebliche physische Schäden.

Wir müssen deshalb weg von der isolierten Betrachtung des Anschaffungspreises und hin zu einer risikoadjustierten Total Cost of Ownership.

Ein hypothetisches Beispiel über einen Zeitraum von fünf Jahren verdeutlicht die Methodik.

Kostenposition Weiterbetrieb Modernisierung Ersatz
Investition inklusive Umstellung 0 € 350.000 € 1.800.000 €
Betrieb und Wartung 500.000 € 400.000 € 300.000 €
Zusätzliche Sicherheitsmaßnahmen 350.000 € 150.000 € 100.000 €
Kosten ohne mögliche Cybervorfälle 850.000 € 900.000 € 2.200.000 €

Ergänzen wir nun verschiedene Annahmen zu den erwarteten Schäden durch Cybervorfälle, verändert sich die Entscheidung.

Szenario über fünf Jahre Weiterbetrieb Modernisierung Ersatz
Niedriges Cyberrisiko 1.050.000 € 1.000.000 € 2.250.000 €
Mittleres Cyberrisiko 2.050.000 € 1.250.000 € 2.350.000 €
Hohes Cyberrisiko 3.050.000 € 2.500.000 € 2.450.000 €

Die Zahlen sind ausdrücklich hypothetisch und keine empirischen Erfahrungswerte. Sie enthalten vereinfachte Annahmen über die zukünftigen Kosten und erwarteten Schäden. In einer tatsächlichen Investitionsentscheidung müssten unter anderem Eintrittswahrscheinlichkeiten, Schadensverteilungen, Kapitalkosten, Restwerte und Versorgungsauswirkungen berücksichtigt werden.

Das Beispiel zeigt trotzdem einen wichtigen Punkt.

Unter bestimmten Bedingungen ist der unveränderte Weiterbetrieb wirtschaftlich vertretbar. Unter anderen Bedingungen ist eine Modernisierung sinnvoller. Verändert sich die Bedrohungslage erheblich, kann sogar der ursprünglich als zu teuer betrachtete vollständige Ersatz die wirtschaftlich beste Entscheidung werden.

Genau das könnte KI bewirken.

Eine Risikobewertung, die vor fünf Jahren unter den damaligen Annahmen noch sinnvoll war, ist heute möglicherweise nicht mehr belastbar.

Und dann gibt es noch das Argument, dass ein Gerät seinerzeit mehrere Millionen Euro gekostet hat.

Ja. Hat es. Das Geld ist aber bereits ausgegeben.

Ökonomisch betrachtet handelt es sich weitgehend um versunkene Kosten, sogenannte Sunk Costs. Für die zukünftige Entscheidung sind insbesondere der verbleibende Nutzen, zukünftige Kosten, Restwerte und Risiken entscheidend.

Natürlich spielen Abschreibungen, Finanzierung und verfügbare Investitionsmittel eine Rolle.

Aber eine Abschreibungstabelle ist keine Sicherheitsarchitektur.

Hinzu kommt die Frage des Risk Appetite einer Organisation, also der grundsätzlichen Bereitschaft, bestimmte Risiken einzugehen. Davon zu unterscheiden sind konkrete Risikotoleranzen und Grenzen, die sich aus rechtlichen, betrieblichen oder sicherheitsbezogenen Anforderungen ergeben.

Wenn durch die Manipulation eines medizinischen Geräts Menschen gefährdet werden könnten, reicht eine rein finanzielle Betrachtung nicht aus.

Ein unter wirtschaftlichen Gesichtspunkten günstiger Weiterbetrieb kann trotzdem unvertretbar sein.

Retrofit statt Verschrottung – die Lösungen existieren bereits

Was mich an vielen Legacy-Diskussionen stört, ist die sehr binäre Betrachtung.

Entweder wir betreiben ein System unverändert weiter oder wir ersetzen es vollständig.

Warum eigentlich?

Warum können wir nicht konsequenter zwischen dem eigentlichen Gerät und seinem digitalen Innenleben unterscheiden?

Gerade im Bereich langlebiger medizinischer Großgeräte gibt es längst Ansätze, die zeigen, dass eine Modernisierung technisch und wirtschaftlich möglich sein kann.

Siemens Healthineers bietet mit seinen sogenannten Fit Upgrades beispielsweise Modernisierungsprogramme für bestehende bildgebende Systeme an. Im MRT-Bereich lassen sich unter anderem bestimmte ältere MAGNETOM-Systeme auf neuere Hardware- und Softwareplattformen umstellen.

Dazu gehören beispielsweise Upgrades eines MAGNETOM Aera zum MAGNETOM Sola Fit oder eines MAGNETOM Skyra zum MAGNETOM Vida Fit. [13]

Der finnische Gesundheitsdienstleister Terveystalo verfolgt in Zusammenarbeit mit Siemens Healthineers eine Strategie, die auf längere Nutzungszyklen, generalüberholte Systeme und gezielte Modernisierung setzt. Bei entsprechenden MRT-Upgrades kann der vorhandene Magnet weiterverwendet werden, während andere Komponenten auf einen neueren technischen Stand gebracht werden. [14]

Beide Quellen stammen vom Hersteller. Sie belegen die Existenz entsprechender Modernisierungsmöglichkeiten, nicht automatisch deren konkrete Cybersecurity-Wirkung.

Aber für meine Argumentation ist das entscheidend.

Wir müssen unter bestimmten Voraussetzungen nicht das gesamte medizinische Großgerät ersetzen, nur weil sich die Technologie um den eigentlichen Magneten herum weiterentwickelt hat.

Was heute vor allem mit besserer Bildgebung, höherer Produktivität, Nachhaltigkeit und verlängerten Nutzungszyklen begründet wird, sollten wir künftig viel stärker auch unter Cybersecurity-Gesichtspunkten betrachten.

Vergleichbare Ansätze gibt es in der Industrie.

Unternehmen wie der spanische Automatisierungsspezialist MIESA bieten Modernisierungen bestehender Steuerungsanlagen an, beispielsweise Migrationen älterer Siemens-S5-Systeme auf aktuelle Steuerungsplattformen. Dabei geht es um den gezielten Ersatz veralteter Controller, Ein- und Ausgabekomponenten sowie Bedien- und Überwachungssysteme. [15]

Das Grundprinzip ist seit Jahren bekannt. Die mechanische Anlage bleibt erhalten, während die Steuerungstechnik modernisiert wird.

Natürlich bedeutet eine solche Modernisierung nicht automatisch, dass sämtliche Cybersecurity-Probleme beseitigt wurden. Neue Steuerungen müssen ebenfalls sicher integriert, konfiguriert und gewartet werden.

Aber wir schaffen zumindest wieder eine Plattform, für die Support, Ersatzteile, Sicherheitsupdates und moderne Schutzmechanismen verfügbar sein können.

Gerade für Systeme mit einer geplanten Nutzungsdauer von 15 oder 20 Jahren sollte die Modernisierbarkeit digitaler Komponenten aus meiner Sicht künftig eine verbindliche Beschaffungsanforderung werden.

Die bestehende Infrastruktur besser isolieren

Nicht jedes System lässt sich sofort modernisieren. Deshalb benötigen wir auch Ansätze, mit denen sich bestehende Infrastrukturen besser absichern lassen.

Siemens stellte im Oktober 2025 mit SINEC Secure Connect eine Plattform vor, die industrielle Netzwerke mithilfe eines Zero-Trust-Ansatzes absichern soll.

Über ein virtuelles Overlay-Netzwerk können autorisierte Kommunikationsbeziehungen zwischen Maschinen, Rechenzentren, Cloud-Systemen und Fernwartungsdiensten kontrolliert hergestellt werden. [16]

Der Ansatz ermöglicht es, die Kommunikation bestehender Systeme stärker einzuschränken, ohne sämtliche Geräte unmittelbar auszutauschen.

Wenn eine ältere Maschine ausschließlich mit einem definierten Steuerungssystem kommunizieren muss, gibt es keinen vernünftigen Grund, ihr darüber hinaus einen weitreichenden Netzwerkzugriff zu ermöglichen.

Ein solches Overlay macht allerdings die Firmware einer Steuerung nicht sicherer. Es beseitigt auch keine Schwachstelle in einer weiterhin erlaubten Kommunikationsbeziehung.

Genau deshalb sollten wir zwischen einem echten Retrofit und einer nachträglichen Absicherung der Umgebung unterscheiden.

Dasselbe gilt für Virtual Patching.

Hier versuchen wir, bestimmte Ausnutzungspfade durch vorgelagerte Sicherheitsmechanismen wie Web Application Firewalls, Intrusion Prevention Systems oder protokollspezifische Filter zu blockieren, ohne die betroffene Software unmittelbar zu verändern. [17]

Wir kaufen uns damit Zeit. Was wir anschließend mit dieser Zeit machen, ist entscheidend.

Zwei Wochen für einen Patch? Sechs Monate für eine Migration? Drei Jahre für die Beschaffung eines Ersatzsystems?

Oder hoffen wir einfach darauf, dass das Problem irgendwann von allein verschwindet?

Was wir von den USA im Umgang mit Legacy-Medizinprodukten lernen können

MITRE hat sich im Auftrag der FDA ausführlich mit dem Umgang mit Legacy-Medizinprodukten beschäftigt.

Die Veröffentlichung „Next Steps Toward Managing Legacy Medical Device Cybersecurity Risks“ aus dem November 2023 betrachtet insbesondere die Herausforderungen von Einrichtungen mit begrenzten Ressourcen und die Möglichkeiten einer besseren Zusammenarbeit zwischen Herstellern und Betreibern. [18]

Ein großes Krankenhausunternehmen verfügt möglicherweise über eigene Cybersecurity-Teams, spezialisierte Netzwerkarchitekten und zentrale Beschaffungsstrukturen. Ein kleines Krankenhaus verfügt möglicherweise nicht einmal über eine Person, die sich ausschließlich mit der Sicherheit medizinischer Geräte beschäftigt.

Wenn wir die Anforderungen an die Cybersecurity solcher Systeme erhöhen, müssen wir uns auch überlegen, wie kleinere Betreiber diese Anforderungen praktisch erfüllen sollen.

Gemeinsame Sicherheitsdienste, zentrale Schwachstelleninformationen, standardisierte Beschaffungsanforderungen und von Herstellern bereitgestellte technische Schutzkonzepte können dabei helfen.

Das Problem einfach an den Betreiber zu delegieren, ist keine Lösung. Insbesondere dann nicht, wenn dieser die betreffende Software gar nicht verändern kann.

Für Deutschland stellt sich außerdem eine sehr konkrete finanzielle Frage.

Wie sollen Krankenhäuser eine sicherheitsbedingt vorzeitige Modernisierung oder Ablösung ihrer Medizintechnik finanzieren?

Wir können nicht auf der einen Seite immer höhere Anforderungen an die Sicherheit kritischer Infrastrukturen stellen und auf der anderen Seite so tun, als seien die dafür notwendigen Investitionen lediglich ein weiteres Problem der IT-Abteilung.

Das Thema gehört in die langfristige Investitionsplanung und gegebenenfalls auch in staatliche Förder- und Finanzierungsmechanismen.

Wir brauchen ein tatsächliches Cybersecurity End of Life

Ich würde Unternehmen empfehlen, künftig drei unterschiedliche Zeitpunkte zu betrachten.

Begriff Bedeutung
Vendor End of Support Der Hersteller beendet die reguläre Unterstützung beziehungsweise die Bereitstellung von Sicherheitsupdates.
Technical End of Life Das System kann seine eigentliche technische Funktion nicht mehr zuverlässig oder wirtschaftlich erfüllen.
Cybersecurity End of Life Das verbleibende Sicherheitsrisiko lässt sich unter realistischen Betriebsbedingungen nicht mehr ausreichend beherrschen.

Cybersecurity End of Life ist dabei meine vorgeschlagene operative Definition und kein einheitlich standardisierter Begriff.

Entscheidend ist, dass die drei Zeitpunkte nicht identisch sein müssen.

Ein Produkt kann bereits vor dem offiziellen Supportende ein unvertretbares Risiko darstellen. Umgekehrt kann ein nicht mehr unterstütztes System unter bestimmten Voraussetzungen noch für einen begrenzten Zeitraum ausreichend sicher betrieben werden.

Wir müssen das verbleibende Risiko regelmäßig anhand der tatsächlichen Exposition, der Kritikalität, der verfügbaren Schutzmaßnahmen, der Bedrohungslage und der Möglichkeiten einer Modernisierung bewerten.

Daraus lassen sich vier grundsätzliche Strategien ableiten.

Kategorie Strategischer Umgang
Unterstützte Systeme Regulärer Betrieb mit verbindlichem Patch- und Lifecycle-Management
Modernisierbare Legacy-Systeme Austausch digitaler Komponenten, Softwaremigration oder Retrofit
Nicht modernisierbare, ausreichend isolierbare Systeme Kontrollierter Weiterbetrieb mit überprüften Schutzmaßnahmen
Nicht ausreichend absicherbare Systeme Priorisierter Ersatz, Funktionsverlagerung oder Außerbetriebnahme

Die letzte Kategorie wird in den kommenden Jahren aus meiner Sicht an Bedeutung gewinnen.

Und möglicherweise müssen wir uns auch von Systemen trennen, die technisch noch hervorragend funktionieren.

Ein Gerät, das seine eigentliche Aufgabe zuverlässig erfüllt, gleichzeitig aber ein nicht mehr beherrschbares Risiko für seine Umgebung darstellt, erfüllt nicht mehr sämtliche Anforderungen an einen sicheren produktiven Betrieb.

Diese Entscheidung gehört nicht allein in die Informationssicherheit. Sie gehört in die Geschäftsführung, die Investitionsplanung, den Einkauf und die für den Betrieb verantwortlichen Organisationseinheiten.

Wer ein Risiko akzeptiert, muss auch dessen mögliche Konsequenzen tragen können.

3. Warum wir seit Jahrzehnten keine ausreichend sichere Software entwickeln

Wir sprechen sehr viel darüber, wie wir Schwachstellen in bestehender Software erkennen und beheben können.

Mich interessiert allerdings auch, warum wir überhaupt ständig neue produzieren.

Buffer Overflows, Use-after-Free, SQL Injection, Cross-Site Scripting, fehlerhafte Zugriffskontrollen, unsichere Authentifizierung, Race Conditions und fehlerhafte Implementierungen kryptografischer Verfahren.

Viele dieser Schwachstellenklassen kennen wir seit Jahrzehnten. Wir haben Dokumentationen, Standards, Programmierrichtlinien, Schulungen und zahlreiche technische Werkzeuge entwickelt, um solche Fehler zu vermeiden.

Trotzdem finden wir sie immer wieder.

Und nun haben wir KI, die uns dabei hilft, noch mehr Software in noch kürzerer Zeit zu entwickeln.

Funktionierende Software ist noch lange keine sichere Software

Ein wesentlicher Teil des Problems liegt darin, wie wir Softwareentwicklung verstehen und bewerten.

Wir definieren funktionale Anforderungen. Eine Software soll Daten verarbeiten, Schnittstellen bereitstellen oder einen Geschäftsprozess automatisieren. Anschließend überprüfen wir, ob diese Anforderungen erfüllt werden.

Ein Login funktioniert, aber eine Zugriffskontrolle lässt sich umgehen. Eine Datenbankabfrage liefert die richtigen Ergebnisse, ermöglicht jedoch unter bestimmten Voraussetzungen eine Injection. Eine Schnittstelle verarbeitet erwartete Daten korrekt, verhält sich bei manipulierten Eingaben aber völlig anders als vorgesehen.

Wir prüfen, ob die Software das tut, was sie tun soll.

Ein Angreifer interessiert sich dafür, was die Software außerdem noch tun kann.

Hinzu kommt, dass Sicherheit häufig nicht nur eine Eigenschaft einzelner Funktionen ist, sondern des Zusammenspiels verschiedener Komponenten, Identitäten, Berechtigungen und Systemzustände.

Eine Anwendung kann in jeder einzelnen Komponente korrekt funktionieren und dennoch als Gesamtsystem eine Sicherheitslücke aufweisen, weil zwei Komponenten unterschiedliche Annahmen über Authentifizierung oder Vertrauensgrenzen treffen.

Mit zunehmender Komplexität wird es schwieriger, sämtliche relevanten Wechselwirkungen zu erfassen.

Und mit KI wird es für uns künftig wesentlich einfacher, diese Komplexität überhaupt erst zu erzeugen.

Das Märchen vom sicheren Code auf Knopfdruck

Wenn KI bereits hervorragend programmieren und gleichzeitig Sicherheitslücken finden kann, müsste sie doch eigentlich auch besonders sichere Software entwickeln können.

Die Logik klingt zunächst einmal überzeugend.

Schauen wir uns an, was die Wissenschaft dazu sagt.

Eine im Juli 2026 veröffentlichte Untersuchung mit dem Titel „RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories“ beschäftigt sich mit der Sicherheit KI-generierten Codes in realen Java-Repositories.

Der Benchmark umfasst 105 Aufgaben aus 19 unterschiedlichen Schwachstellenklassen, teilweise mit komplexen Datenflüssen über zahlreiche Funktionsaufrufe hinweg.

Die Forscher zeigen unter anderem, dass zusätzliche Kontextinformationen zwar die funktionale Korrektheit verbessern können, aber nicht automatisch zu einer vergleichbaren Verbesserung der Sicherheit führen. Auch allgemeine Sicherheitsanweisungen an die Modelle lösen das Problem nicht zuverlässig. [19]

Eine weitere Untersuchung, der im Oktober 2026 veröffentlichte „Last Secure Code Benchmark“, geht noch einen Schritt weiter.

Die Forscher entwickelten aus 150 realen Schwachstellen insgesamt 450 Aufgaben in sieben Programmiersprachen. Dabei betrachteten sie unterschiedliche Szenarien, vom Vervollständigen einer Funktion bis zur Erstellung umfangreicherer Repository-Strukturen.

Besonders wichtig ist der Versuchsaufbau. Die Aufgaben enthielten bewusst ausschließlich funktionale Anforderungen. Sicherheitsanforderungen wurden nicht explizit genannt. Anschließend bewerteten verborgene funktionale und sicherheitsbezogene Tests die Ergebnisse. [20]

Bewertungsdimension Ergebnisse der sechs untersuchten Coding Agents
Funktionale Korrektheit 73,6–91,3 %
Funktional korrekt und sicher 16,4–25,1 %

Selbst das beste untersuchte System erreichte bei der kombinierten Bewertung aus Funktionalität und Sicherheit lediglich 25,1 Prozent.

Das bedeutet ausdrücklich nicht, dass drei Viertel sämtlicher durch KI erzeugten Programme grundsätzlich unsicher sind.

Der Benchmark wurde gezielt anhand sicherheitsrelevanter Aufgaben konstruiert. Es handelt sich außerdem um einen wissenschaftlichen Preprint. Die Ergebnisse lassen sich nicht unmittelbar auf einen vollständigen Secure Development Lifecycle mit expliziten Sicherheitsanforderungen, unabhängigen Prüfungen und spezialisierten Werkzeugen übertragen.

Was sie allerdings zeigen, ist für die Praxis enorm relevant.

Sicherheit entsteht bei funktional formulierten Entwicklungsaufgaben nicht automatisch.

Wenn ein Entwickler oder eine Fachabteilung einer KI lediglich sagt, welche Anwendung benötigt wird, bedeutet ein anschließend funktionierendes Produkt noch lange nicht, dass dessen Sicherheitsanforderungen erfüllt sind.

Und wenn wir unsere Softwareentwicklung beschleunigen, ohne gleichzeitig die Sicherheitsprüfung entsprechend auszubauen, könnte es durchaus sein, dass wir uns damit eine neue Generation technischer Schulden schaffen.

Eine KI ist kein unabhängiger Sicherheitsnachweis

Eine Untersuchung von Patrick Deininger und Wolfgang Slany aus dem September 2026 betrachtet die automatisierte Behebung von Schwachstellen in verschiedenen Programmiersprachen.

Die Forscher untersuchten insbesondere, ob KI-generierte Patches die Schwachstelle beseitigen und gleichzeitig die ursprüngliche Funktionalität erhalten.

Ein wichtiges Ergebnis betrifft die Bewertung solcher Patches durch andere Sprachmodelle. Die Übereinstimmung zweier KI-basierter Bewertungsverfahren erwies sich nicht als zuverlässiger Nachweis dafür, dass die tatsächliche Bewertung mit dem Verhalten des ausgeführten Codes übereinstimmt. [21]

Das sollte man sich merken.

Wir sollten nicht den Fehler machen, eine KI Software entwickeln zu lassen, anschließend eine zweite KI um eine Sicherheitsbewertung zu bitten und daraus abzuleiten, dass die Software nun ausreichend sicher sei.

Ein Sprachmodell kann sehr überzeugend erklären, warum ein Patch korrekt ist. Es kann genauso überzeugend erklären, warum eine Schwachstelle nicht existiert.

Wenn beide Modelle derselben Meinung sind, haben wir möglicherweise zwei sehr überzeugende Einschätzungen.

Einen technischen Beweis haben wir deshalb noch lange nicht.

Wir brauchen eine unabhängige Überprüfung, die unter anderem auf tatsächlicher Codeausführung, geeigneten Sicherheits- und Regressionstests sowie gegebenenfalls formalen Verfahren basiert.

Der entscheidende Punkt ist nicht, wie überzeugend ein Modell argumentiert, sondern ob sich seine Aussagen überprüfen lassen.

Vielleicht produzieren wir auch einfach zu viel Software

In der Diskussion über KI-gestützte Softwareentwicklung kommt mir ein Aspekt deutlich zu kurz.

Wir feiern vor allem die Geschwindigkeit, mit der KI Software erzeugen kann. Mehr Features, mehr Anwendungen, mehr Schnittstellen, mehr Automatisierung, mehr Code.

Jede zusätzliche Komponente bringt allerdings potenziell neue Abhängigkeiten, Vertrauensbeziehungen und Angriffsflächen mit sich.

Was passiert, wenn plötzlich jede Fachabteilung eigene Anwendungen entwickelt und diese mit Unternehmensdaten, produktiven Schnittstellen und zentralen Identitätsdiensten verbindet?

Wer überprüft diese Anwendungen? Wer dokumentiert die Abhängigkeiten? Wer aktualisiert die verwendeten Bibliotheken?

Und wer wartet diesen ganzen Kram eigentlich in drei Jahren?

Wir könnten mit KI eine neue Generation von Legacy-Software erzeugen, bevor wir die alte überhaupt beseitigt haben.

Es reicht deshalb nicht, die Nutzung von Coding Agents zu ermöglichen und die dadurch gewonnene Entwicklungsgeschwindigkeit zu messen.

Wir brauchen klare Verantwortlichkeiten über den gesamten Lebenszyklus einer Anwendung. Dazu gehören Sicherheitsanforderungen, Wartbarkeit, nachvollziehbare Abhängigkeiten, ein benannter Owner und die Fähigkeit, eine Anwendung später kontrolliert außer Betrieb zu nehmen.

Nicht jede technisch mögliche Anwendung muss tatsächlich gebaut werden. Und nicht jedes zusätzliche Feature rechtfertigt seine langfristige Komplexität.

Wenn die Kosten für die Erstellung von Software immer weiter sinken, sollten wir uns vielleicht etwas weniger dafür interessieren, wie schnell wir eine Anwendung entwickeln können.

Interessanter ist die Frage, wie lange wir anschließend bereit sind, für ihren Betrieb und ihre Sicherheit Verantwortung zu übernehmen.

4. Die Lösungen existieren längst – wir setzen sie nur nicht konsequent genug um

Wenn wir künftig mehr Schwachstellen finden, als wir rechtzeitig beheben können, müssen wir stärker an deren Entstehung ansetzen.

Das ist keine neue Erkenntnis.

Die entsprechenden Forschungsarbeiten, Technologien und Konzepte existieren teilweise seit Jahrzehnten. Zahlreiche Unternehmen und Forschungseinrichtungen haben gezeigt, dass sich bestimmte Fehlerklassen systematisch reduzieren, kritische Systemeigenschaften mathematisch überprüfen und Schwachstellen durch eine bessere Architektur in ihren Auswirkungen begrenzen lassen.

Ein Blick auf die internationalen Ansätze lohnt sich deshalb.

Google und Android – ganze Schwachstellenklassen eliminieren

Ein besonders gutes Beispiel ist Memory Safety.

Programmiersprachen wie C und C++ bieten Entwicklern eine weitgehende Kontrolle über die Speicherverwaltung. Das ermöglicht hohe Leistungsfähigkeit und eine enge Integration mit Hardware. Gleichzeitig entstehen Möglichkeiten für schwerwiegende Speicherfehler.

Use-after-Free, Out-of-Bounds-Zugriffe, Buffer Overflows und Double-Free-Fehler gehören seit Jahrzehnten zu den problematischsten Schwachstellenklassen.

Wir investieren erhebliche Ressourcen, um solche Fehler zu erkennen, ihre Ausnutzung zu erschweren und bereits entstandene Schwachstellen zu beheben.

Eine wesentlich nachhaltigere Strategie besteht darin, Programmiersprachen und Entwicklungsmodelle einzusetzen, bei denen ein großer Teil dieser Fehler gar nicht erst entstehen kann.

Sprachen wie Rust, Go, Java, C# oder Swift verfügen über Mechanismen zur Speichersicherheit. Die konkreten Garantien unterscheiden sich und hängen unter anderem von der Laufzeitumgebung und verwendeten unsicheren Schnittstellen ab.

Besonders interessant ist Rust, das zahlreiche sicherheitsrelevante Speichereigenschaften bereits während der Kompilierung überprüft und sich auch für Anwendungsbereiche eignet, in denen bislang C oder C++ dominierten.

Die amerikanische CISA, die NSA und weitere internationale Sicherheitsbehörden forderten Softwarehersteller bereits im Dezember 2023 ausdrücklich dazu auf, sogenannte Memory Safe Roadmaps zu entwickeln. An dem Dokument waren unter anderem Behörden aus den USA, Großbritannien, Kanada, Australien und Neuseeland beteiligt. [22]

Dass sich ein solcher Ansatz praktisch umsetzen lässt, zeigt Google mit Android.

Im November 2025 berichtete Google, dass der Anteil der Memory-Safety-Schwachstellen an den erfassten Android-Schwachstellen erstmals unter 20 Prozent gefallen war.

Für den untersuchten Rust-Code nennt Google eine geschätzte Dichte von 0,2 Memory-Safety-Schwachstellen pro einer Million Codezeilen. Grundlage waren ungefähr fünf Millionen Zeilen Rust-Code und eine potenzielle, bereits vor Veröffentlichung behobene Schwachstelle.

Im Vergleich zum historischen C- und C++-Code von Android beschreibt Google eine mehr als tausendfach geringere Dichte dieser Schwachstellenklasse. [23]

Natürlich bedeutet das nicht, dass jedes Rust-Programm tausendmal sicherer ist als ein C++-Programm. Die untersuchten Codebestände unterscheiden sich unter anderem hinsichtlich Alter, Umfang und Anwendungsbereich. Die Angaben stammen zudem von Google selbst und beziehen sich auf eine konkrete Schwachstellenklasse.

Die grundsätzliche Erkenntnis bleibt trotzdem relevant.

Wenn wir die Entstehung einer Fehlerklasse durch eine technische Entscheidung systematisch reduzieren, müssen wir anschließend weniger ihrer einzelnen Ausprägungen suchen und beheben.

Google hat dafür nicht den gesamten vorhandenen Codebestand auf einmal neu geschrieben, sondern konzentriert sich insbesondere auf neue Komponenten und geeignete sicherheitsrelevante Bereiche.

Genau diese Strategie lässt sich auf andere Unternehmen übertragen.

Wir müssen nicht morgen sämtliche C++-Anwendungen verbieten. Es gibt legitime technische Gründe für den weiteren Einsatz dieser Technologien. Rust kann zudem ebenfalls unsicheren Code enthalten und schützt uns nicht vor fehlerhafter Autorisierung, Logikfehlern oder sämtlichen kryptografischen Problemen.

Aber wir sollten uns sehr genau überlegen, warum wir heute noch neue, sicherheitskritische Komponenten mit Technologien entwickeln, bei denen seit Jahrzehnten bekannte und besonders problematische Fehlerklassen systematisch möglich sind.

„Das haben wir schon immer so gemacht“ sollte dafür nicht mehr als Begründung reichen.

Australien und seL4 – Sicherheit tatsächlich beweisen

Ein weiterer Ansatz ist die formale Verifikation.

Klassische Softwaretests überprüfen, ob sich ein Programm in ausgewählten Situationen korrekt verhält. Formale Verifikation versucht mathematisch nachzuweisen, dass bestimmte definierte Eigenschaften eines Systems eingehalten werden.

Ein Test kann zeigen, dass ein Programm mit den getesteten Eingaben funktioniert.

Ein formaler Beweis kann unter den zugrunde gelegten Annahmen zeigen, dass eine Eigenschaft für sämtliche vom Modell erfassten Zustände gilt.

Ein besonders bekanntes Beispiel stammt aus Australien.

Bereits 2009 veröffentlichten Gerwin Klein und weitere Forscher eine Arbeit über die formale Verifikation des seL4-Mikrokernels. Das Projekt wurde unter maßgeblicher Beteiligung australischer Forschungseinrichtungen entwickelt und ist heute Bestandteil eines internationalen Ökosystems. [24]

Die Forscher konnten die funktionale Korrektheit der Kernel-Implementierung mathematisch gegen eine abstrakte Spezifikation nachweisen.

Inzwischen existieren für unterstützte seL4-Konfigurationen weitergehende Beweise, unter anderem zu Integrität, Vertraulichkeit und teilweise zur Korrektheit des erzeugten Maschinencodes.

Die seL4 Foundation berichtet, dass seit Abschluss des ursprünglichen Beweises im Jahr 2009 keine Verletzungen der bewiesenen funktionalen Korrektheit im entsprechend verifizierten Code festgestellt wurden.

Fehler wurden dagegen durchaus in nicht verifizierten Bestandteilen und Konfigurationen gefunden. [25]

Das ist ein sehr interessantes Ergebnis, gerade weil ein Betriebssystemkern zu den sicherheitskritischsten Komponenten einer IT-Architektur gehört.

Natürlich macht ein formal verifizierter Kernel nicht automatisch das gesamte darauf betriebene System sicher. Hardware, Treiber, Anwendungen, Konfigurationen und betriebliche Prozesse können weiterhin Schwachstellen enthalten.

Die Beweise gelten außerdem nur für bestimmte Eigenschaften, Plattformen, Konfigurationen und Annahmen.

Trotzdem zeigt seL4, dass wir wesentlich stärkere Sicherheitsgarantien erreichen können, als es durch klassische Tests allein möglich wäre.

Die Frage ist für mich deshalb nicht, ob wir künftig sämtliche Software vollständig mathematisch verifizieren können.

Die Frage ist, warum wir damit nicht längst wesentlich konsequenter bei den wirklich sicherheitskritischen Komponenten angefangen haben.

Amazon Web Services – formale Methoden sind keine akademische Spielerei

Wer glaubt, dass solche Verfahren ausschließlich etwas für Universitäten oder hochspezialisierte Betriebssysteme sind, sollte sich ansehen, was Amazon Web Services bereits seit Jahren macht.

In der 2015 veröffentlichten wissenschaftlichen Arbeit „How Amazon Web Services Uses Formal Methods“ beschreiben AWS-Ingenieure ihre Erfahrungen mit formalen Spezifikationen und Model Checking.

AWS verwendet diese Ansätze bereits seit 2011, unter anderem mithilfe der formalen Spezifikationssprache TLA+. [26]

Moderne Cloud-Infrastrukturen bestehen aus zahlreichen verteilten Komponenten. Es gibt Replikation, parallele Prozesse, Netzwerkfehler, unterschiedliche Systemzustände und komplexe Abhängigkeiten.

Ein System kann unter normalen Bedingungen hervorragend funktionieren und unter einer sehr speziellen Kombination von Ereignissen trotzdem Daten verlieren oder unerwünschte Zustände erzeugen.

AWS nutzt formale Methoden insbesondere in der Entwurfsphase, um solche möglichen Systemzustände und deren Wechselwirkungen besser zu verstehen.

Das bedeutet nicht, dass sämtliche AWS-Dienste formal bis zur letzten Codezeile verifiziert sind. TLA+-Modelle sind auch kein automatischer Nachweis dafür, dass die spätere Implementierung exakt dem Modell entspricht.

Der Ansatz zeigt aber, dass sich formale Methoden bereits heute in kommerziellen Entwicklungsprozessen einsetzen lassen.

Zwischen der vollständigen mathematischen Verifikation sämtlicher Unternehmenssoftware und dem heutigen Zustand, in dem wir solche Verfahren oftmals überhaupt nicht einsetzen, liegen eine Menge sinnvoller Möglichkeiten.

Frankreich und die Forschung an verifizierten Softwarebausteinen

Auch in Europa beschäftigen sich Forschungseinrichtungen seit Jahren mit diesen Fragen.

Ein bekanntes Beispiel ist CompCert, ein ursprünglich von Xavier Leroy am französischen Forschungsinstitut Inria entwickelter, formal verifizierter C-Compiler.

Die grundlegende Idee besteht darin, wesentliche Eigenschaften der Übersetzung von C-Programmen in Maschinencode mathematisch nachzuweisen. Damit lassen sich bestimmte Fehler ausschließen, die ansonsten durch den Compiler selbst entstehen könnten. [27]

Das macht ein in C geschriebenes Programm nicht automatisch speichersicher. CompCert kann allerdings das Vertrauen in den Übersetzungsprozess erheblich verbessern.

Ein weiteres Beispiel sind verifizierte kryptografische Bibliotheken wie HACL* und EverCrypt. Solche Projekte entwickeln kryptografische Implementierungen mit formalen Garantien unter anderem zur funktionalen Korrektheit und Speichersicherheit. [28]

Gerade bei Kryptografie halte ich diesen Ansatz für ausgesprochen sinnvoll.

Warum sollten tausende Entwickler immer wieder eigene Varianten derselben sicherheitskritischen Funktionen implementieren, wenn wir stattdessen auf besonders gut untersuchte und verifizierte Komponenten zurückgreifen können?

Dasselbe gilt für Authentifizierung, Autorisierung und zahlreiche andere grundlegende Sicherheitsfunktionen.

Je häufiger wir hochwertige Sicherheitsbausteine verwenden, desto größer kann der Nutzen einer einmaligen Investition in deren Sicherheitsqualität sein.

Natürlich schaffen wir dadurch auch Abhängigkeiten. Eine Schwachstelle in einer weitverbreiteten Bibliothek kann entsprechend viele Anwendungen betreffen.

Deshalb müssen wir die langfristige Pflege, unabhängige Prüfung und sichere Verteilung solcher Komponenten mitdenken.

Darauf komme ich im Zusammenhang mit Open Source noch einmal zurück.

Großbritannien geht noch einen Schritt weiter – Sicherheit direkt in der Hardware

Warum setzen wir eigentlich nicht auch bei der grundlegenden Rechnerarchitektur an?

Ein interessanter Ansatz ist das britische Forschungsprogramm Digital Security by Design.

Im Zentrum steht CHERI, die Capability Hardware Enhanced RISC Instructions Architecture. Die unter maßgeblicher Beteiligung der University of Cambridge und SRI International entwickelte Architektur ergänzt klassische Prozessoren um zusätzliche Mechanismen zur Speicherzugriffskontrolle und Isolation von Softwarekomponenten.

Arm entwickelte mit Morello eine experimentelle Hardwareplattform, die im Rahmen des Programms Forschungseinrichtungen und Industriepartnern zur Erprobung zur Verfügung gestellt wurde. [29]

Die grundlegende Idee ist, bestimmte Sicherheitsgrenzen nicht ausschließlich durch korrekt implementierte Software, sondern direkt durch die Hardwarearchitektur zu erzwingen.

Capability-basierte Mechanismen enthalten zusätzliche Informationen über erlaubte Speicherbereiche und Zugriffsrechte. Damit lassen sich bestimmte Speicherfehler auch in Software, die in herkömmlichen speicherunsicheren Sprachen geschrieben wurde, besser begrenzen.

CHERI eröffnet außerdem Möglichkeiten zur feineren Isolation von Softwarekomponenten, der sogenannten Compartmentalization. Eine Schwachstelle innerhalb einer Komponente muss dadurch nicht automatisch zur Kompromittierung des gesamten Systems führen.

Die Architektur löst nicht sämtliche Memory-Safety-Probleme unter allen Einsatzbedingungen. Auch die Einführung in bestehende Software- und Hardwarelandschaften bleibt eine erhebliche Herausforderung.

Morello ist zunächst eine Entwicklungs- und Erprobungsplattform, kein flächendeckender Ersatz für die heute eingesetzten Prozessorarchitekturen.

Trotzdem geht der Ansatz an die Ursache des Problems.

Wenn eine Rechnerarchitektur seit Jahrzehnten bestimmte, immer wiederkehrende Sicherheitsprobleme ermöglicht, sollte man irgendwann darüber nachdenken, ob man nicht diese Architektur verändert.

Das britische Programm zeigt auch, wie gezielte staatliche Forschungsförderung aussehen kann. UK Research and Innovation nennt für Digital Security by Design ursprünglich 70 Millionen Pfund staatliche Förderung, später weitere 13,5 Millionen Pfund sowie anerkannte Industrieinvestitionen von 270 Millionen Pfund. Das betreffende Förderprogramm ist inzwischen abgeschlossen. [29]

Das ist eine andere Art von Cybersecurity-Investition als die Entwicklung des nächsten Produkts, das uns anschließend vor den Auswirkungen derselben technischen Fehler schützen soll.

Kann KI die formale Verifikation endlich wirtschaftlich attraktiver machen?

Formale Verifikation hat einen entscheidenden Nachteil. Sie kann ausgesprochen aufwendig sein.

Sicherheitsanforderungen müssen formal beschrieben, geeignete Modelle entwickelt und mathematische Beweise erstellt werden. Bei Änderungen an der Software müssen gegebenenfalls auch die Verifikationsartefakte angepasst werden.

Genau hier sehe ich einen interessanten Einsatzbereich für KI.

Sprachmodelle könnten Entwickler bei der Erstellung formaler Spezifikationen unterstützen, Invarianten vorschlagen, Beweisstrategien entwickeln und die Arbeit mit automatisierten Theorembeweisern oder SMT-Solvern erleichtern.

Statt ausschließlich Code zu generieren, könnten solche Systeme Implementierungen gemeinsam mit überprüfbaren Aussagen über deren Eigenschaften erzeugen.

Ein Entwickler würde beispielsweise nicht nur eine Funktion für einen sicherheitskritischen Kommunikationsdienst anfordern. Er würde zusätzlich definieren, dass bestimmte Daten einen Vertrauensbereich niemals ohne Autorisierung verlassen dürfen, bestimmte Zustandsübergänge ausgeschlossen sein müssen oder Speicherzugriffe nur innerhalb festgelegter Grenzen erfolgen dürfen.

Die KI könnte bei der Erstellung der Implementierung und der notwendigen Verifikationsartefakte helfen. Ein unabhängiges mathematisches Verfahren würde anschließend überprüfen, ob die definierten Eigenschaften eingehalten werden.

Das wäre eine sinnvolle Kombination aus zwei grundsätzlich unterschiedlichen Technologien. Die KI hilft bei der Suche nach einer Lösung. Die Verifikation überprüft deren Eigenschaften.

Allerdings bleibt dabei die Qualität der Spezifikation entscheidend.

Wenn wir die falschen Eigenschaften spezifizieren, können wir am Ende eine mathematisch korrekt implementierte, aber trotzdem unsichere Anwendung erhalten.

Ebenso wenig lässt sich derzeit behaupten, dass KI die Kosten formaler Verifikation in sämtlichen Anwendungsbereichen bereits drastisch gesenkt hätte. Das ist eine Entwicklungsrichtung mit erheblichem Potenzial, kein flächendeckend gelöstes Problem.

Wir müssen allerdings nicht sämtliche Enterprise-Anwendungen vollständig formal verifizieren, um einen erheblichen Sicherheitsgewinn zu erzielen.

Authentifizierungsdienste, kryptografische Bibliotheken, privilegierte Systemkomponenten, sicherheitskritische Steuerungslogik und Mechanismen zur Isolation wären sinnvolle Kandidaten.

Vielleicht liegt die Zukunft sicherer KI-gestützter Softwareentwicklung also gar nicht darin, ein Modell zu bauen, das niemals Fehler macht.

Vielleicht liegt sie darin, einen Entwicklungsprozess zu bauen, der die Fehler des Modells möglichst zuverlässig erkennt oder bestimmte Fehlerklassen gar nicht erst zulässt.

Google OSS-Fuzz – KI dort einsetzen, wo sie tatsächlich einen Unterschied macht

Es gibt bereits Bereiche, in denen die Kombination aus KI und etablierten Sicherheitsverfahren sehr konkrete Ergebnisse liefert.

Ein gutes Beispiel ist Fuzzing.

Beim Fuzzing werden Programme automatisiert mit unerwarteten, unterschiedlichen oder gezielt manipulierten Eingaben konfrontiert. Ziel ist es, fehlerhafte Programmzustände, Abstürze und mögliche Sicherheitslücken zu erkennen.

Die Qualität des Verfahrens hängt wesentlich davon ab, welche Programmteile und Zustände durch die erzeugten Eingaben erreicht werden.

Google berichtete bereits im November 2024 darüber, wie KI-generierte Fuzzing Targets im Rahmen seines OSS-Fuzz-Projekts eingesetzt wurden.

Nach Angaben des Unternehmens konnten dadurch zusätzliche Programmteile in 272 C- und C++-Projekten untersucht werden. Mehr als 370.000 zusätzliche Codezeilen wurden durch die entsprechenden Fuzzing-Ansätze erreicht.

Dabei wurden 26 neue Schwachstellen identifiziert, darunter CVE-2024-9143 in OpenSSL, ein Fehler, der nach Einschätzung von Google möglicherweise seit rund zwei Jahrzehnten im Code vorhanden gewesen war. [30]

Die betreffenden Projekte waren teilweise bereits seit Jahren Gegenstand intensiver automatisierter Tests.

Die KI hat also nicht einfach etwas gemacht, wofür vorher niemand Zeit hatte. Sie hat neue Möglichkeiten geschaffen, bereits umfangreich untersuchte Software genauer zu analysieren.

Für mich ist das ein gutes Beispiel dafür, wie wir KI in der Cybersecurity einsetzen sollten.

Nicht jedes bewährte Verfahren muss neu erfunden werden. Wir müssen herausfinden, wo sich seine Leistungsfähigkeit durch KI tatsächlich verbessern lässt.

DARPA AI Cyber Challenge – autonome Systeme zur Schwachstellenanalyse und Patchgenerierung

Ein besonders interessantes Beispiel ist die AI Cyber Challenge (AIxCC) der amerikanischen Defense Advanced Research Projects Agency (DARPA).

Im Rahmen des Wettbewerbs entwickelten verschiedene Teams sogenannte Cyber Reasoning Systems. Dabei handelt es sich um autonome oder weitgehend automatisierte Systeme, die Schwachstellen analysieren, deren Existenz nachweisen und entsprechende Patches erstellen können.

Das Programm wurde gemeinsam mit der Advanced Research Projects Agency for Health (ARPA-H) und unter Beteiligung verschiedener Technologieunternehmen durchgeführt.

Die Ergebnisse des Finales wurden im August 2025 veröffentlicht. [31]

Ergebnis des AIxCC-Finales Wert
Analysierter Softwareumfang Mehr als 54 Millionen Codezeilen
Challenges beziehungsweise synthetische Schwachstellen im Finale 63
Identifizierte synthetische Schwachstellen 54
Davon mit Patch 43
Zusätzlich identifizierte reale Schwachstellen 18
Patches für reale Schwachstellen 11
Durchschnittliche Zeit bis zur Patch-Einreichung 45 Minuten
Durchschnittliche Kosten pro Wettbewerbsaufgabe Rund 152 US-Dollar

Der Wettbewerb zeigt, wie sich KI mit klassischer Programmanalyse, Fuzzing, Testautomatisierung und Patchgenerierung verbinden lässt.

Allerdings reden wir hier über eine strukturierte Wettbewerbsumgebung mit definierten Aufgaben, verfügbarem Quellcode und geeigneten Möglichkeiten zur Bewertung der Ergebnisse.

Die durchschnittlichen 152 US-Dollar pro Aufgabe sind keine vollständige Wirtschaftlichkeitsrechnung für die Entwicklung, Integration und den produktiven Betrieb eines solchen Systems. Auch die Einreichung eines Patches ist nicht mit dessen vollständiger Einführung in einer produktiven Unternehmensumgebung gleichzusetzen.

Bei einem proprietären medizinischen Großgerät, dessen Hersteller längst keine Updates mehr bereitstellt und dessen Quellcode uns nicht zur Verfügung steht, hilft mir ein noch so gutes Cyber Reasoning System nur begrenzt.

Trotzdem ist das Ergebnis wichtig.

DARPA hat gezeigt, dass sich wesentliche Teile der Schwachstellenanalyse und Fehlerbehebung automatisieren lassen. Vier der sieben entwickelten Systeme wurden bereits zum Zeitpunkt der Ergebnisveröffentlichung als Open Source bereitgestellt. Zusätzlich wurden weitere Anreize für die Integration solcher Technologien in reale, für kritische Infrastrukturen relevante Software geschaffen.

Das ist eine Form staatlicher Cybersecurity-Förderung, die mir gefällt.

Es wird konkrete Technologie entwickelt, die ein seit Jahrzehnten bestehendes Problem adressiert.

Nicht das nächste Strategiepapier darüber, wie wichtig Cybersecurity für die Zukunft ist.

Welche Ansätze sind bereits praktisch einsetzbar?

Schaut man sich die verschiedenen Projekte und Technologien gemeinsam an, wird deutlich, dass wir auf unterschiedlichen Ebenen ansetzen müssen.

Ansatz Vorreiter Strategischer Nutzen Reifegrad
Automatisiertes Container-Patching Microsoft Hohe Remediation-Kapazität Produktiver Einsatz
Modernisierung medizinischer Großgeräte Siemens Healthineers, Terveystalo Verlängerte Nutzungsdauer und erneuerbare digitale Komponenten Kommerzielle Programme
Industrielle Steuerungsmigration MIESA und weitere Automatisierungsunternehmen Ersatz veralteter digitaler Steuerungen Industrielle Praxis
Memory Safety Google Android Vermeidung bestimmter Fehlerklassen Produktiver Einsatz
Formale Kernel-Verifikation seL4, Australien Nachweis kritischer Systemeigenschaften Etablierte Technologie
Formale Systemmodellierung AWS Frühzeitige Erkennung von Designfehlern Industrielle Anwendung
Verifizierte Compiler und Kryptografie CompCert, HACL* Vertrauenswürdigkeit zentraler Softwarekomponenten Forschung und spezialisierter Einsatz
CHERI und Morello Cambridge, Arm, Großbritannien Hardwaregestützte Speicher- und Komponentenisolation Forschung und Erprobung
KI-gestütztes Fuzzing Google OSS-Fuzz Verbesserte Testabdeckung und Schwachstellenentdeckung Operativer Einsatz
Autonome Schwachstellenanalyse und Patchgenerierung DARPA AIxCC Automatisierung von Discovery und Remediation Wettbewerb und Open-Source-Transfer

Wir haben längst Technologien, mit denen wir unsere Sicherheitsprobleme an unterschiedlichen Stellen adressieren können.

Was wir nicht haben, ist eine einzelne Technologie, die sämtliche dieser Probleme gemeinsam löst.

Und vermutlich brauchen wir sie auch nicht.

Wir brauchen eine Architektur und Entwicklungsprozesse, in denen die jeweiligen Verfahren sinnvoll miteinander verbunden werden.

Open Source – wer soll die ganzen Schwachstellen eigentlich beheben?

An dieser Stelle kommen wir zu einem Problem, das in der Diskussion über KI-gestützte Schwachstellenanalyse bislang zu kurz kommt.

Ein erheblicher Teil unserer digitalen Infrastruktur basiert auf Open-Source-Software. Auch proprietäre Produkte, Cloud-Dienste, medizinische Geräte und industrielle Anwendungen enthalten zahlreiche frei verfügbare Komponenten.

Ein Projekt kann weltweit von tausenden Unternehmen verwendet werden, während seine eigentliche Entwicklung und Wartung auf den Schultern weniger Maintainer liegt.

Project Glasswing und DARPA zeigen, dass wir künftig wesentlich mehr Schwachstellen in solchen Komponenten identifizieren könnten.

Aber wer soll sie beheben?

Wenn wir mit KI innerhalb weniger Stunden mehr Schwachstellen in einem Open-Source-Projekt finden können, als dessen Maintainer in einem Jahr bearbeiten können, haben wir dann tatsächlich ein Sicherheitsproblem gelöst?

Oder haben wir das Problem zunächst nur wesentlich besser dokumentiert?

Die verantwortungsvolle Nutzung von KI zur Schwachstellenanalyse muss daher auch die Behandlung der Ergebnisse umfassen.

Wir benötigen reproduzierbare und qualitativ hochwertige Bug Reports, eine koordinierte Offenlegung, Unterstützung bei der Entwicklung von Patches sowie ausreichende Ressourcen für deren Überprüfung.

Und wir sollten die Maintainer nicht mit tausenden automatisch erzeugten Meldungen überziehen, ohne uns darüber Gedanken zu machen, wie sie diese überhaupt verarbeiten sollen.

Mit Alpha-Omega, einem Projekt der Linux Foundation aus dem Umfeld der Open Source Security Foundation (OpenSSF), gibt es bereits eine Initiative, die nachhaltige Sicherheitsverbesserungen in Open-Source-Projekten durch gezielte Finanzierung und Unterstützung fördern soll. [32]

Auch Deutschland hat hierzu einen aus meiner Sicht bemerkenswerten Ansatz entwickelt.

Die Sovereign Tech Agency investiert über den Sovereign Tech Fund in offene digitale Basistechnologien, die für unsere Wirtschaft und Gesellschaft relevant sind. [33]

In der Projektübersicht finden sich unter anderem Investitionen in die Python Software Foundation, um die Sicherheit von CPython und des Python Package Index (PyPI) zu stärken. [34]

Das halte ich für einen wichtigen Beitrag zur tatsächlichen digitalen Souveränität.

Wenn wir in Deutschland und Europa unabhängiger werden wollen, reicht es nicht, über europäische Cloud-Anbieter und eigene KI-Modelle zu sprechen.

Wir müssen auch diejenigen Technologien pflegen und weiterentwickeln, auf denen ein großer Teil dieser Systeme überhaupt basiert.

Ein Unternehmen, das mit Open-Source-Software erhebliche Umsätze generiert, sollte sich durchaus die Frage stellen, welchen Beitrag es zur langfristigen Sicherheit dieser Software leistet.

Kostenlose Nutzung bedeutet nicht, dass die Entwicklung, Wartung und Absicherung dieser Technologie ebenfalls kostenlos ist.

5. Hersteller, Lieferanten und Regulierungsbehörden – warum wir aufhören müssen, schlechte Software zu akzeptieren

Ein erheblicher Teil der Software, die Unternehmen betreiben, wird nicht von ihnen selbst entwickelt.

Wir kaufen Produkte, nutzen Cloud-Dienste, betreiben proprietäre Systeme und integrieren Anwendungen unterschiedlicher Hersteller in unsere Infrastruktur.

Damit stellt sich eine relativ einfache Frage.

Warum liegt die Verantwortung für die Sicherheit eines Produkts in der Praxis so häufig beim Betreiber, obwohl dieser die zugrunde liegende Software oftmals überhaupt nicht verändern kann?

Der Hersteller verkauft uns ein Produkt. Anschließend entdecken wir Schwachstellen, installieren Updates, bauen zusätzliche Schutzmaßnahmen auf und tragen im Falle einer erfolgreichen Kompromittierung einen erheblichen Teil der wirtschaftlichen und operativen Konsequenzen.

Natürlich haben Betreiber eine Verantwortung für die sichere Integration, Konfiguration und Nutzung ihrer Systeme.

Aber wir sollten wesentlich konsequenter die Verantwortung der Hersteller für deren tatsächliche Sicherheitsqualität einfordern.

Das Problem ist nicht nur technisch. Es ist wirtschaftlich.

Bereits 2001 beschäftigte sich der britische Sicherheitsforscher Ross Anderson in seiner Arbeit „Why Information Security is Hard – An Economic Perspective“ mit der Frage, warum es uns trotz vorhandener Technologien und umfangreicher Forschung häufig nicht gelingt, ein angemessenes Sicherheitsniveau zu erreichen.

Seine zentrale These war, dass viele Sicherheitsprobleme auf falsch gesetzte wirtschaftliche Anreize zurückzuführen sind.

Insbesondere dann, wenn diejenigen, die über die Sicherheit eines Produkts entscheiden, nicht dieselben sind wie diejenigen, die anschließend die Konsequenzen eines Sicherheitsversagens tragen müssen. [35]

Das ist mehr als 25 Jahre her.

Und wir führen immer noch weitgehend dieselbe Diskussion.

Schauen wir uns einmal die Interessen der verschiedenen Beteiligten an.

Beteiligter Typischer Interessenkonflikt
Hersteller Schnelle Markteinführung und geringe Entwicklungskosten versus langfristige Sicherheitsqualität
Einkauf Niedriger Anschaffungspreis versus langfristige Sicherheits- und Betriebskosten
Geschäftsführung Kurzfristige Investitionsziele versus langfristige Cyberrisiken
IT-Betrieb Verfügbarkeit und Stabilität versus schnelle technische Veränderungen
Informationssicherheit Schnelle Risikoreduzierung versus begrenzte operative Entscheidungsbefugnisse
Regulierungsbehörden Überprüfbare Anforderungen versus tatsächliche technische Wirksamkeit

Natürlich handelt es sich dabei nicht um grundsätzlich unvereinbare Interessen. In einem gut geführten Unternehmen sollten diese Dinge zusammengeführt werden.

In der Praxis gelingt das allerdings nicht immer.

Ein Hersteller, der mehr Geld in die Sicherheitsqualität seiner Software investiert, hat möglicherweise höhere Entwicklungskosten und benötigt länger bis zur Markteinführung.

Wenn der Kunde diese Sicherheitsqualität nicht erkennen kann oder bei seiner Beschaffungsentscheidung hauptsächlich den Preis bewertet, wird der Hersteller mit dem besseren Produkt unter Umständen wirtschaftlich benachteiligt.

Die Kosten für unzureichende Sicherheitsqualität können dagegen über Jahre hinweg beim Betreiber anfallen.

Zugespitzt könnte man sagen, dass bestimmte Geschäftsmodelle der Softwareindustrie auch deshalb funktionieren, weil ein erheblicher Teil der Folgekosten schlechter Software nicht unmittelbar beim Hersteller entsteht.

Wir müssen diese wirtschaftlichen Anreize verändern.

Und genau hier wird es interessant, wenn man sich ansieht, welche regulatorischen und organisatorischen Ansätze verschiedene Länder bereits verfolgen.

Die USA – Secure by Design und mehr Verantwortung für Hersteller

Die amerikanische CISA verfolgt seit Jahren gemeinsam mit internationalen Partnern das Ziel, die Verantwortung für sichere Software stärker auf die Hersteller zu verlagern.

Secure by Design und Secure by Default sind dabei zentrale Begriffe.

Produkte sollen bereits durch ihre Architektur und ihre Standardeinstellungen ein angemessenes Sicherheitsniveau bieten, statt Sicherheit überwiegend durch zusätzliche Maßnahmen des Kunden herstellen zu lassen.

Ein Bestandteil dieser Strategie ist das Secure by Design Pledge. Im Rahmen dieser freiwilligen Initiative verpflichten sich teilnehmende Softwarehersteller, bei verschiedenen Sicherheitseigenschaften Fortschritte zu erzielen und diese transparent darzustellen.

Dazu gehören unter anderem die Verbesserung der Authentifizierung, die Reduzierung bestimmter Schwachstellenklassen, eine bessere Offenlegung von Sicherheitslücken und die Bereitstellung relevanter Sicherheitsinformationen. [36]

Die Teilnahme ist weder gesetzlich verpflichtend noch ein Nachweis dafür, dass sämtliche Produkte eines Herstellers ausreichend sicher sind.

Die Richtung stimmt allerdings.

Mit dem Secure Software Development Framework (SSDF) stellt NIST darüber hinaus seit Jahren einen Rahmen für sichere Softwareentwicklung bereit. Der Ansatz reicht von der organisatorischen Vorbereitung über den Schutz der Entwicklungsumgebung und die Erstellung möglichst sicherer Software bis hin zur Behandlung entdeckter Schwachstellen. [37]

Unternehmen können dieses Framework auch als Grundlage für Beschaffungsanforderungen verwenden.

Wir müssen also nicht erst eine neue Definition sicherer Softwareentwicklung erfinden. Wir müssen die bereits vorhandenen Ansätze konsequenter anwenden und deren Umsetzung überprüfen.

Die USA gehen bei vernetzten Medizinprodukten weiter

Für bestimmte vernetzte Medizinprodukte gelten in den USA seit März 2023 zusätzliche gesetzliche Cybersecurity-Anforderungen nach Section 524B des Federal Food, Drug, and Cosmetic Act.

Hersteller entsprechender Produkte müssen unter anderem Pläne zum Umgang mit nach dem Inverkehrbringen entdeckten Schwachstellen, Prozesse zur Bereitstellung von Sicherheitsupdates und eine Software Bill of Materials (SBOM) vorlegen.

Im Februar 2026 veröffentlichte die FDA eine aktualisierte finale Guidance, die diese Anforderungen im Zusammenhang mit dem Qualitätsmanagement und den Zulassungsunterlagen weiter konkretisiert. [38]

Eine SBOM ermöglicht es, die in einem Produkt enthaltenen Softwarekomponenten besser nachzuvollziehen.

Wenn morgen eine kritische Schwachstelle in einer weitverbreiteten Bibliothek veröffentlicht wird, sollte ein Betreiber nicht erst zwanzig Hersteller anschreiben müssen, um herauszufinden, ob seine Geräte möglicherweise betroffen sind.

Er benötigt eine möglichst aktuelle, maschinenlesbare Beschreibung der enthaltenen Komponenten.

Natürlich ist eine SBOM zunächst nur eine Liste. Sie sagt nicht automatisch, ob eine Schwachstelle im konkreten Produkt tatsächlich ausnutzbar ist.

Ergänzend benötigen wir deshalb belastbare Informationen zur tatsächlichen Betroffenheit, beispielsweise mithilfe von Vulnerability Exploitability eXchange (VEX), und anschließend die Möglichkeit, das Problem zu beheben.

Was durch solche Anforderungen nicht automatisch gelöst wird, ist die bereits vorhandene Geräteflotte.

Das alte medizinische Großgerät, dessen Hersteller die Unterstützung längst eingestellt hat, wird durch eine neue FDA-Guidance nicht plötzlich sicherer.

Die Europäische Union – der Cyber Resilience Act als überfälliger Schritt

Mit dem europäischen Cyber Resilience Act (CRA), der Verordnung (EU) 2024/2847, hat die Europäische Union einen wichtigen regulatorischen Schritt unternommen.

Die Verordnung definiert grundlegende Cybersecurity-Anforderungen an die Entwicklung, Herstellung und Wartung von Produkten mit digitalen Elementen.

Produkte sollen unter Berücksichtigung ihrer Risiken entwickelt werden und beim Bereitstellen auf dem Markt grundsätzlich keine bekannten ausnutzbaren Schwachstellen enthalten. Hersteller müssen Verfahren zur Behandlung von Schwachstellen etablieren und während des vorgesehenen Supportzeitraums entsprechende Sicherheitsupdates bereitstellen.

Dieser Zeitraum muss die erwartete Nutzungsdauer des Produkts berücksichtigen und beträgt grundsätzlich mindestens fünf Jahre, sofern die erwartete Nutzungsdauer nicht kürzer ist. [39]

Dabei ist die zeitliche Anwendung der Verordnung zu berücksichtigen.

Zeitpunkt Bedeutung
11. Juni 2026 Anwendung der Vorschriften aus Kapitel IV zu Konformitätsbewertungsstellen
11. September 2026 Anwendung der Meldepflichten gemäß Artikel 14
11. Dezember 2027 Allgemeine Anwendung der übrigen wesentlichen Anforderungen

Zum Zeitpunkt dieses Artikels im November 2026 gelten die Meldepflichten bereits. Die meisten produktbezogenen Anforderungen werden allerdings erst im Dezember 2027 allgemein anwendbar.

Für mich ist der CRA ein längst überfälliger Schritt. Wir sollten allerdings regulatorische Mindestanforderungen nicht automatisch mit ausreichender Sicherheitsqualität gleichsetzen.

Fünf Jahre Support können bei bestimmten Verbraucherprodukten angemessen sein. Bei industriellen Anlagen mit einer vorgesehenen Nutzungsdauer von 20 Jahren sind fünf Jahre allerdings eher der Anfang des Problems als dessen Lösung.

Der CRA berücksichtigt ausdrücklich, dass bei entsprechend längeren erwarteten Nutzungszeiten auch längere Supportzeiträume erforderlich sein können.

Entscheidend wird sein, wie diese Anforderungen tatsächlich umgesetzt und durchgesetzt werden.

Hinzu kommt, dass Medizinprodukte im Anwendungsbereich der europäischen Medizinprodukteverordnungen vom CRA ausgenommen sind, weil für sie spezifische regulatorische Anforderungen bestehen.

Wir können also nicht davon ausgehen, dass der CRA sämtliche Probleme im Zusammenhang mit Legacy-Systemen und Medizintechnik automatisch adressiert.

NIS2, Medizinprodukte und die europäische Produkthaftung

Während der CRA stärker die Sicherheit von Produkten und die Verantwortung der Hersteller adressiert, verpflichtet NIS2 die erfassten Organisationen zu einem angemessenen Cybersecurity-Risikomanagement.

Dazu gehören unter anderem die Sicherheit der Lieferkette, der Umgang mit Schwachstellen, Incident Handling, Business Continuity und die Überprüfung der Wirksamkeit entsprechender Maßnahmen. [40]

Für Medizinprodukte gelten darüber hinaus Anforderungen der Medical Device Regulation (MDR). Diese umfassen unter anderem die Berücksichtigung des Stands der Technik, des Softwareentwicklungslebenszyklus, des Risikomanagements einschließlich Informationssicherheit sowie der Verifikation und Validierung. [41]

Ein weiterer interessanter regulatorischer Schritt ist die neue europäische Produkthaftungsrichtlinie, Richtlinie (EU) 2024/2853.

Sie berücksichtigt ausdrücklich auch Software als Produkt und bezieht Cybersecurity-Anforderungen sowie sicherheitsrelevante Updates in die Bewertung der Produktsicherheit ein.

Die Richtlinie gilt für Produkte, die nach dem 9. Dezember 2026 in Verkehr gebracht oder in Betrieb genommen werden. Bis zu diesem Zeitpunkt müssen die Mitgliedstaaten die Vorgaben in nationales Recht umsetzen. Nicht kommerziell entwickelte oder bereitgestellte freie Open-Source-Software ist vom Anwendungsbereich ausgenommen. [42]

Das könnte die wirtschaftliche Diskussion über schlechte Software verändern.

Bislang haben wir die Konsequenzen unsicherer Produkte häufig auf der Seite der Betreiber wahrgenommen. Wenn Sicherheitsqualität und Herstellerhaftung stärker miteinander verbunden werden, könnte sich auch die wirtschaftliche Motivation der Hersteller verändern.

Allerdings sollten wir uns nicht der Illusion hingeben, dass künftig automatisch jeder Hersteller für jeden Cyberangriff auf einen Kunden haftet.

Ein nachweisbarer Produktfehler, der kausale Zusammenhang mit einem Schaden, die erfassten Schadensarten und die konkreten rechtlichen Haftungsvoraussetzungen bleiben entscheidend.

Die Richtung halte ich trotzdem für richtig.

Großbritannien – wir mussten tatsächlich Standardpasswörter gesetzlich verbieten

Großbritannien hat mit seinem Product Security and Telecommunications Infrastructure Act (PSTI) einen anderen Ansatz gewählt.

Seit dem 29. April 2024 gelten für bestimmte vernetzte Verbraucherprodukte gesetzliche Mindestanforderungen.

Hersteller dürfen unter anderem keine universellen oder leicht zu erratenden Standardpasswörter verwenden. Sie müssen Informationen zur Meldung von Sicherheitsproblemen bereitstellen und den Mindestzeitraum für Sicherheitsupdates veröffentlichen. [43]

Was mich daran besonders fasziniert, ist die Tatsache, dass wir im Jahr 2024 tatsächlich noch ein Gesetz benötigen, um Herstellern zu erklären, dass sie nicht Millionen vernetzte Geräte mit demselben Passwort ausliefern sollten.

Wir sprechen hier nicht über die mathematische Verifikation eines Betriebssystemkerns.

Wir sprechen über ein Passwort.

Das sagt einiges über die bisherige Selbstregulierung unserer Branche aus.

Solche Anforderungen lösen selbstverständlich nicht sämtliche Sicherheitsprobleme vernetzter Geräte. Sie schaffen aber Mindeststandards, die Hersteller erfüllen müssen, wenn sie entsprechende Produkte auf dem britischen Markt anbieten möchten.

Und dieser wirtschaftliche Druck kann durchaus wirksamer sein als die freundliche Bitte eines Sicherheitsforschers.

Japan und Singapur – Sicherheit als Bestandteil der Kaufentscheidung

Japan verfolgt mit seinem Cybersecurity-Labeling-Programm JC-STAR einen Ansatz, der sich insbesondere mit der Vergleichbarkeit der Sicherheitsqualität von IoT-Produkten beschäftigt.

Das Programm wurde im März 2025 gestartet. Es definiert unterschiedliche Sicherheitsstufen und orientiert sich unter anderem an internationalen Standards.

Während für niedrigere Stufen definierte Anforderungen und Herstellererklärungen im Vordergrund stehen, sieht das Konzept für höhere Stufen weitergehende Prüfverfahren vor. [44]

Singapur hat bereits im Jahr 2020 mit seinem Cybersecurity Labelling Scheme (CLS) ein vergleichbares Konzept eingeführt. Das System unterscheidet vier Sicherheitsstufen und soll die Sicherheitsmerkmale vernetzter Produkte für Käufer besser nachvollziehbar machen. [45]

Besonders interessant finde ich die internationale Zusammenarbeit.

Singapur hat Vereinbarungen zur gegenseitigen Anerkennung bestimmter Sicherheitskennzeichnungen und Anforderungen unter anderem mit Finnland, Deutschland, Südkorea und Großbritannien geschlossen.

Deutschland ist über das IT-Sicherheitskennzeichen des Bundesamts für Sicherheit in der Informationstechnik (BSI) in diese Zusammenarbeit eingebunden.

Im März 2026 vereinbarten zudem Japan und Singapur die gegenseitige Anerkennung bestimmter Anforderungen ihrer Programme. Seit dem 1. Juni 2026 können als gleichwertig anerkannte Kriterien bei entsprechenden Konformitätsbewertungen berücksichtigt werden. [46]

Das ist meines Erachtens ein vernünftiger Ansatz.

Ein Hersteller kann mit einer höheren Bildauflösung, einem schnelleren Prozessor oder einem geringeren Energieverbrauch werben. Bei der Cybersecurity bleibt es dagegen häufig bei der Aussage, dass das Produkt selbstverständlich nach den aktuellen Sicherheitsstandards entwickelt worden sei.

Was auch immer das im konkreten Fall bedeuten mag.

Ein nachvollziehbares Label kann bestimmte Sicherheitseigenschaften sichtbar machen. Es ist allerdings kein Beweis dafür, dass ein Produkt keine Schwachstellen enthält. Auch die Qualität der Prüfverfahren und die langfristige Aktualität solcher Informationen bleiben entscheidend.

Internationale Anerkennung kann außerdem dazu beitragen, unnötige Mehrfachprüfungen zu reduzieren.

Denn wenn jedes Land eigene Verfahren für weitgehend dieselben technischen Eigenschaften etabliert, schaffen wir vor allem eines.

Mehr Bürokratie.

Australien – von Empfehlungen zu verbindlichen Anforderungen

Auch Australien hat seine Strategie weiterentwickelt.

Seit dem 4. März 2026 gelten dort die Cyber Security (Security Standards for Smart Devices) Rules 2025.

Die Vorschriften führen verbindliche Mindestanforderungen für zahlreiche Smart Devices ein, die für den persönlichen beziehungsweise häuslichen Gebrauch bestimmt sind.

Sie betreffen unter anderem Passwörter, die Meldung von Schwachstellen und Informationen über Sicherheitsupdates. Die Regeln erfassen entsprechende Produkte, die ab dem 4. März 2026 hergestellt werden. Bestimmte Produktgruppen wie Smartphones, Tablets, Desktopcomputer und Laptops sind ausgenommen. [47]

Australien verbindet damit Ansätze verbindlicher Produktsicherheit mit einer langen Tradition hochwertiger Sicherheitsforschung, wie das zuvor beschriebene seL4-Projekt zeigt.

Natürlich lassen sich Verbraucherprodukte nicht ohne Weiteres mit industriellen Anlagen oder medizinischen Systemen vergleichen.

Die grundsätzliche Entwicklung ist allerdings dieselbe.

Hersteller sollen nicht mehr völlig frei darüber entscheiden können, welches Mindestmaß an Sicherheit sie ihren Kunden zumuten möchten.

Was können wir daraus für Deutschland und Europa lernen?

Die internationalen Beispiele zeigen unterschiedliche Schwerpunkte.

Land oder Region Wesentlicher Ansatz
USA Verbindung staatlicher Forschung, freiwilliger Herstellerprogramme und sektorspezifischer Regulierung
Europäische Union Verbindlicher Rahmen für Produktsicherheit, Herstellerverantwortung und Betreiberpflichten
Großbritannien Gesetzliche Mindestanforderungen und Forschung an grundlegenden Rechnerarchitekturen
Japan Vergleichbarkeit und Bewertung der Sicherheitsqualität von Produkten
Singapur Sicherheitskennzeichnung und internationale gegenseitige Anerkennung
Australien Verbindliche Mindeststandards und Forschung an hochvertrauenswürdigen Systemkomponenten

Ich würde mir für Deutschland und Europa eine Kombination dieser Ansätze wünschen.

Es wäre zu einfach, Europa pauschal vorzuwerfen, dass wir ausschließlich regulieren und keine Technologie entwickeln. Mit CompCert, der Sovereign Tech Agency, hochwertigen industriellen Lösungen und zahlreichen Forschungsprojekten haben wir durchaus eigene Kompetenzen.

Die Frage ist vielmehr, ob es uns gelingt, daraus in ausreichendem Umfang tatsächlich eingesetzte Technologie und wirtschaftlich tragfähige Lösungen zu machen.

Wie finanzieren wir die Modernisierung kritischer Infrastruktur? Wie unterstützen wir kleinere Hersteller bei der Entwicklung sicherer Produkte? Wie bringen wir formal verifizierte Komponenten stärker in die industrielle Praxis? Wie entwickeln wir eigene Fähigkeiten im Bereich KI-gestützter Schwachstellenanalyse und Cyber Defense?

Wenn wir ausschließlich neue regulatorische Anforderungen formulieren und gleichzeitig die zugrunde liegenden Technologien unverändert bleiben, beschäftigen wir am Ende vor allem mehr Menschen mit der Dokumentation unserer Sicherheitsprobleme.

Ich hätte lieber ein paar Milliarden Euro mehr für die Entwicklung sicherer Technologien als den nächsten Ordner mit ausgefüllten Compliance-Anforderungen.

Der Einkauf muss endlich Teil der Cybersecurity werden

Viele unserer heutigen Sicherheitsprobleme entstehen Jahre, bevor sie im Vulnerability Management auftauchen.

Sie entstehen in Ausschreibungen, in Beschaffungsentscheidungen und in Verträgen, in denen Sicherheitsanforderungen nicht ausreichend konkretisiert werden.

Wenn ein Produkt erst einmal angeschafft, installiert und tief in die Geschäftsprozesse integriert wurde, haben wir oftmals nur noch einen sehr begrenzten Handlungsspielraum.

Deshalb sollten wir wesentlich mehr Sicherheitsentscheidungen treffen, bevor ein Produkt überhaupt in unsere Umgebung gelangt.

Anforderung Was ich vom Hersteller erwarten würde
Produktlebenszyklus Verbindliche Support- und Sicherheitsupdate-Zeiträume
Softwaretransparenz Aktuelle SBOM und nachvollziehbare Aussagen zur Betroffenheit
Schwachstellenmanagement Etablierter Product Security Incident Response Team (PSIRT)-Prozess
Reaktionszeiten Vertraglich definierte Fristen für Bewertung, Mitigation und Sicherheitsupdates
Sichere Entwicklung Nachvollziehbarer Secure Development Lifecycle und unabhängige Sicherheitsprüfungen
Architektur Dokumentierte Vertrauensgrenzen, Schnittstellen und sichere Standardkonfigurationen
Update-Fähigkeit Signierte Updates, überprüfbare Integrität und geeignete Rollback-Verfahren
Modernisierung Austauschbarkeit digitaler Komponenten während der physischen Nutzungsdauer
End of Life Verbindliche Migrations- und Außerbetriebnahmestrategien
Security Assurance Überprüfbare Nachweise sicherheitskritischer Produkteigenschaften

Die Anforderungen müssen selbstverständlich zur Kritikalität des jeweiligen Produkts passen.

Für eine einfache interne Anwendung brauche ich andere Nachweise als für ein System, das medizinische Geräte steuert oder sicherheitskritische industrielle Prozesse beeinflusst.

Eine ISO-27001-Zertifizierung des Herstellers ist übrigens kein Beweis dafür, dass ein bestimmtes Softwareprodukt besonders sicher ist.

Wir müssen zwischen der Sicherheit der Organisation und den tatsächlichen Sicherheitseigenschaften ihres Produkts unterscheiden.

Für Webanwendungen bietet beispielsweise der OWASP Application Security Verification Standard (ASVS) eine gute Grundlage, um konkrete und überprüfbare Anforderungen zu definieren. [48]

Solche Standards sollten wir in tatsächliche Abnahmekriterien übersetzen.

Und wir müssen bereit sein, einem Hersteller auch einmal zu sagen, dass sein Produkt diese Anforderungen nicht erfüllt und deshalb nicht gekauft wird.

Sonst können wir uns die gesamte Diskussion sparen.

Gleichzeitig muss sich gute Sicherheitsqualität für Hersteller wirtschaftlich lohnen.

Ein Produkt, dessen Anschaffungspreis zehn Prozent höher liegt, kann über seinen gesamten Lebenszyklus deutlich günstiger sein, wenn es weniger zusätzliche Sicherheitsmaßnahmen benötigt, einfacher aktualisiert werden kann und einen längeren Supportzeitraum besitzt.

Dabei sollten wir Sicherheit nicht anhand der bloßen Anzahl veröffentlichter CVEs bewerten.

Ein Hersteller, der aktiv nach Schwachstellen sucht und transparent kommuniziert, könnte andernfalls schlechter aussehen als ein Hersteller, bei dem kaum jemand nach Schwachstellen sucht.

Sinnvoller ist eine Kombination aus Reaktionszeiten, der Wiederholung bekannter Schwachstellenklassen, der Qualität der Offenlegung, langfristiger Unterstützung und unabhängigen Nachweisen relevanter Sicherheitseigenschaften.

Wir müssen endlich lernen, gute Sicherheitsqualität wirtschaftlich zu belohnen, statt schlechte Sicherheitsqualität über den niedrigsten Anschaffungspreis zu subventionieren.

6. Die Zukunft der Cyber Defense – vom Patchmanagement zur tatsächlichen Widerstandsfähigkeit

Kommen wir zurück zu Sam Altman.

Wenn wir nicht mehr davon ausgehen können, sämtliche relevanten Schwachstellen rechtzeitig zu beheben, wie muss unsere zukünftige Cyber Defense aussehen?

Altman schlägt vor, die Verteidigungsmodelle grundlegend zu verändern und dieselbe Technologie für eine neue Art von Schutzschild einzusetzen. [1]

Wenn Angreifer zunehmend KI einsetzen, müssen wir als Verteidiger ebenfalls in der Lage sein, diese Technologie zu nutzen.

So weit, so gut.

Wenn wir allerdings einfach ein leistungsfähiges KI-Modell auf unsere bestehende, teilweise seit Jahrzehnten gewachsene und hochgradig komplexe IT-Landschaft setzen, haben wir noch keine bessere Sicherheitsarchitektur.

Wir haben zunächst einmal ein leistungsfähigeres Werkzeug zur Analyse einer weiterhin schlechten Architektur.

Wir müssen Systeme bauen, die auch unter Angriffen funktionieren

Unsere Systeme enthalten Schwachstellen. Einige kennen wir, andere noch nicht. Für manche existieren Patches, für andere möglicherweise niemals.

Und einige dieser Schwachstellen werden ausgenutzt werden, bevor wir reagieren können.

Diese Annahme ist keineswegs neu. Sie steckt in Konzepten rund um Defense in Depth, Zero Trust und Assume Breach.

NIST beschreibt Zero Trust als einen Sicherheitsansatz, bei dem nicht allein aufgrund der physischen oder logischen Netzwerkposition ein implizites Vertrauen gewährt wird. [49]

Was passiert also, wenn ein internetexponierter Server kompromittiert wird? Wenn ein medizinisches Gerät manipuliert wird? Wenn ein interner Dienst plötzlich von einem Angreifer kontrolliert wird?

Kann der Angreifer weitere Systeme erreichen? Erhält er Zugriff auf privilegierte Identitäten? Kann er Sicherheitsmechanismen deaktivieren, Backups manipulieren oder kritische Geschäftsprozesse beeinflussen?

Die Antworten auf diese Fragen sind für mich wesentlich relevanter als die bloße Anzahl offener CVEs in einem monatlichen Vulnerability-Management-Report.

Wir müssen die Auswirkungen einer erfolgreichen Kompromittierung bereits bei der Gestaltung unserer Infrastruktur berücksichtigen.

Dafür gibt es eine eigene technische Disziplin, die in der gegenwärtigen Diskussion über KI und Cybersecurity wesentlich mehr Aufmerksamkeit verdient.

Cyber Resiliency Engineering

NIST hat bereits 2021 mit der Special Publication 800-160 Volume 2 Revision 1 einen umfangreichen Ansatz zur Entwicklung cyberresilienter Systeme veröffentlicht. [50]

Das zugrunde liegende Konzept umfasst vier wesentliche Fähigkeiten.

Fähigkeit Bedeutung
Anticipate Mögliche Bedrohungen und Kompromittierungen antizipieren
Withstand Wesentliche Funktionen trotz eines Angriffs aufrechterhalten
Recover Verlorene Funktionen kontrolliert wiederherstellen
Adapt Systeme und Prozesse an veränderte Bedrohungen anpassen

Cyber Resiliency Engineering betrachtet Sicherheit nicht ausschließlich als die Fähigkeit, Angriffe zu verhindern. Systeme sollen so gestaltet werden, dass sie auch unter ungünstigen Bedingungen ihre wesentlichen Aufgaben erfüllen oder kontrolliert wiederhergestellt werden können.

Gerade im Gesundheitswesen halte ich diesen Ansatz für zentral.

Ein Krankenhaus muss unter bestimmten Voraussetzungen auch dann weiterhin Patienten behandeln können, wenn Teile seiner IT-Infrastruktur kompromittiert sind.

Dazu reicht es nicht, Backups zu besitzen. Wir müssen wissen, wie sich klinische Prozesse bei einem IT-Ausfall organisieren lassen, welche Informationen weiterhin benötigt werden, welche Systeme unabhängig voneinander betrieben werden können und in welcher Reihenfolge eine sichere Wiederherstellung erfolgen muss.

Redundanz, Isolation, unabhängige Wiederherstellungsumgebungen und alternative Betriebsprozesse müssen bereits bei der Gestaltung der Systeme berücksichtigt und regelmäßig getestet werden.

Das ist etwas anderes als die Vorstellung, dass uns das nächste Security-Produkt vor sämtlichen Cyberangriffen schützen wird.

Wir sollten unsere Infrastruktur vielmehr so bauen, dass eine erfolgreiche Kompromittierung nicht automatisch zum vollständigen Verlust ihrer betrieblichen Fähigkeiten führt.

Vom Vulnerability Management zum tatsächlichen Exposure Management

Die Zahlen von Zero Day Clock und die Entwicklungen rund um Project Glasswing zeigen, warum eine rein schwachstellenorientierte Betrachtung künftig stärker an ihre Grenzen stoßen könnte.

Ein Unternehmen muss nicht sämtliche weltweit veröffentlichten Schwachstellen behandeln.

Es muss allerdings sehr schnell herausfinden können, welche davon für seine eigene Umgebung relevant sind.

Und genau daran scheitert es in der Praxis häufig bereits.

Wir haben einen Vulnerability Scanner, ein Asset Management, Netzwerk-Telemetrie, Informationen über Benutzer und Berechtigungen sowie verschiedene Threat-Intelligence-Quellen.

Oftmals liegen diese Informationen allerdings in unterschiedlichen Systemen, bei unterschiedlichen Teams und in unterschiedlicher Qualität vor.

Die Aufgabe besteht darin, aus diesen Informationen ein halbwegs brauchbares Gesamtbild zusammenzusetzen.

Und das dauert.

Der Exploit Prediction Scoring System (EPSS) von FIRST versucht beispielsweise abzuschätzen, mit welcher Wahrscheinlichkeit innerhalb der folgenden 30 Tage eine Ausnutzung einer veröffentlichten Schwachstelle beobachtet wird. [51]

Der Known Exploited Vulnerabilities Catalog der CISA wiederum enthält Schwachstellen, für deren tatsächliche Ausnutzung belastbare Hinweise vorliegen.

Für die betroffenen amerikanischen Bundesbehörden gelten auf Grundlage der Binding Operational Directive 22-01 verbindliche Fristen zur Behandlung solcher Schwachstellen. Für andere Unternehmen dient der Katalog insbesondere als wichtige Quelle zur Priorisierung. [52]

Solche Informationen müssen wir mit unserem Wissen über die eigene Infrastruktur verbinden.

Eine CVSS-10-Schwachstelle auf einem abgeschalteten Testsystem kann ein geringeres unmittelbares Risiko darstellen als eine niedriger bewertete Schwachstelle auf einem internetexponierten System, das privilegierte Zugriffe in die Unternehmensumgebung ermöglicht.

Was zählt, ist die tatsächliche Exposition.

Welche Systeme sind erreichbar? Welche Schwachstellen lassen sich miteinander kombinieren? Welche Identitäten und Berechtigungen können missbraucht werden? Welche Auswirkungen hätte eine erfolgreiche Kompromittierung?

Ein modernes Vulnerability Management sollte nicht einfach eine Liste von Schwachstellen produzieren. Es sollte möglichst präzise beschreiben können, welche realistischen Angriffswege durch unsere Infrastruktur existieren.

Hier können KI-Systeme einen erheblichen Beitrag leisten, indem sie Informationen aus Asset Management, Netzwerk-Telemetrie, Identity-Systemen, Schwachstellenscannern, Threat Intelligence und Security Monitoring miteinander verbinden.

Wir sollten allerdings nicht vergessen, dass auch das beste KI-Modell keine verlässliche Bewertung vornehmen kann, wenn die zugrunde liegenden Informationen unvollständig oder falsch sind.

Ein gepflegtes Asset Inventory wird durch KI nicht überflüssig. Es wird möglicherweise noch wichtiger.

Vielleicht sollten wir aufhören, auf den Patch zu warten

Wir müssen stärker zwischen der tatsächlichen Behebung einer Schwachstelle und der Reduzierung des daraus entstehenden Risikos unterscheiden.

Ein Patch kann die zugrunde liegende Schwachstelle beseitigen. Eine Mitigation kann unter bestimmten Voraussetzungen verhindern oder erschweren, dass sie erfolgreich ausgenutzt wird.

Nehmen wir an, ein Hersteller veröffentlicht eine kritische Schwachstelle in einer produktiv betriebenen Anwendung. Der Patch kommt erst in zwei Wochen, gleichzeitig gibt es bereits Hinweise auf eine aktive Ausnutzung.

Unsere Reaktionsfähigkeit darf in diesem Moment nicht ausschließlich davon abhängen, wann der Hersteller den Patch liefert.

Wir müssen in der Lage sein, unmittelbar mögliche Angriffswege zu bewerten und geeignete Maßnahmen umzusetzen.

Zugriffe auf bestimmte Dienste lassen sich einschränken, betroffene Funktionen deaktivieren, Netzwerkverbindungen unterbinden, Identitäten sperren oder Angriffsversuche durch geeignete Filter blockieren.

Ob diese Maßnahmen tatsächlich wirksam sind, müssen wir anschließend überprüfen. Ein vermeintlich blockierter Angriffspfad hilft uns wenig, wenn sich dieselbe Schwachstelle über einen anderen Weg weiterhin ausnutzen lässt.

Die Daten von Zero Day Clock zeigen, warum diese Fähigkeit wichtiger wird. Eine Schwachstelle kann bereits am Tag ihrer öffentlichen CVE-Erfassung in einem Exploitation-Katalog geführt werden. Eine klassische Patchfrist von 14 oder 30 Tagen kann dann einen erheblichen Zeitraum offenlassen, in dem Angriffe bereits möglich sind.

Das gilt selbst dann, wenn der Betreiber seine eigenen Vorgaben formal einhält.

Natürlich lässt sich aus dem Datum eines KEV-Eintrags nicht unmittelbar der tatsächliche Beginn der Ausnutzung ableiten. [8]

Für uns als Betreiber ändert das allerdings nichts an der Notwendigkeit einer möglichst schnellen Risikoreduzierung, sobald eine relevante Bedrohung erkannt wurde.

Das setzt wiederum voraus, dass unsere Infrastruktur solche Maßnahmen überhaupt ermöglicht.

Wenn ich den Netzwerkzugriff eines einzelnen Systems nicht einschränken kann, ohne gleichzeitig einen erheblichen Teil meiner Infrastruktur außer Betrieb zu nehmen, habe ich ein Architekturproblem.

Wenn ich ein kompromittiertes Benutzerkonto nicht sperren kann, weil darüber zahlreiche automatisierte Geschäftsprozesse laufen, habe ich ein Identitätsproblem.

Wenn ich eine verwundbare Anwendung nicht abschalten kann, weil ein gesamter kritischer Geschäftsprozess ausschließlich von diesem System abhängt, habe ich ein Resilienzproblem.

Die Geschwindigkeit meiner Cyber Defense hängt also nicht ausschließlich davon ab, wie gut meine Detection-and-Response-Werkzeuge sind.

Sie hängt in erheblichem Maße davon ab, wie meine Infrastruktur ursprünglich gebaut wurde.

Wir brauchen andere Kennzahlen

Wenn sich unsere Sicherheitsstrategie verändert, müssen wir auch die Kennzahlen verändern, mit denen wir ihren Erfolg bewerten.

Die Anzahl offener Schwachstellen, der durchschnittliche CVSS-Score und die Einhaltung definierter Patchfristen bleiben relevant.

Sie reichen allerdings nicht aus.

Ich würde ein zukünftiges Metrikmodell stärker auf tatsächliche Exposition, Risikoreduzierung und Remediation-Kapazität ausrichten.

Kennzahl Aussage
Time to Know Wie schnell erkennen wir, welche Systeme betroffen sind?
Time to Exposure Assessment Wie schnell können wir die tatsächliche Exposition bewerten?
Time to Mitigate Wie schnell schränken wir einen relevanten Angriffsweg nachweislich ein?
Time to Remediate Wie lange dauert die vollständige und überprüfte Behebung?
Exposure Window Wie lange bleibt ein relevanter Angriffsweg tatsächlich nutzbar?
Remediation Capacity Wie viele relevante Findings können wir innerhalb eines definierten Zeitraums behandeln?
Vulnerability Backlog Wie entwickeln sich Bestand und Alter noch nicht behandelter Findings?
Legacy Risk Exposure Wie groß ist die verbleibende Exposition nicht ausreichend unterstützter Systeme?
Critical Attack Paths Wie viele identifizierte, realistisch nutzbare Angriffswege führen zu besonders kritischen Ressourcen?
Recovery Time Wie schnell lassen sich kritische Funktionen sicher wiederherstellen?

Die Kennzahlen sind als konzeptioneller Vorschlag zu verstehen. Einige ähneln bereits etablierten Security-Kennzahlen. Andere müssten im jeweiligen organisatorischen Kontext präzise definiert werden.

Insbesondere beim Exposure Window müssen wir zwischen beobachteten und geschätzten Zeiträumen unterscheiden. Bei einer bislang unbekannten Schwachstelle wissen wir häufig nicht, seit wann sie tatsächlich ausgenutzt werden könnte.

Wir können allerdings messen, wann eine Schwachstelle für uns als relevant identifiziert wurde und wann ein nachgewiesener Angriffspfad wirksam unterbrochen werden konnte.

Ein System kann sämtliche definierten Patchfristen einhalten und trotzdem mehrere Tage einem erheblichen Risiko ausgesetzt gewesen sein.

Ein anderes System kann einen Patch verspätet erhalten, während der relevante Angriffsweg bereits wenige Stunden nach Bekanntwerden der Schwachstelle zuverlässig blockiert wurde.

Welches dieser beiden Systeme wurde besser geschützt?

Mit einem klassischen Report zur Einhaltung unserer Patch-SLAs können wir diese Frage nicht beantworten.

Autonome Cyber Defense – aber bitte mit einer vernünftigen Sicherheitsarchitektur

Wenn Angriffe weiter an Geschwindigkeit gewinnen, müssen wir bestimmte Entscheidungen und Reaktionen stärker automatisieren.

KI-Agenten können dabei helfen, große Mengen an Telemetriedaten zu analysieren, Angriffsverläufe zu rekonstruieren, Zusammenhänge zu identifizieren und geeignete Gegenmaßnahmen vorzuschlagen.

Unter klar definierten Voraussetzungen könnten solche Systeme auch bestimmte Maßnahmen selbstständig ausführen.

Ein kompromittiertes Benutzerkonto sperren, einen gestohlenen Token widerrufen, eine verdächtige Verbindung unterbrechen oder ein Endgerät isolieren.

Viele dieser Möglichkeiten kennen wir bereits aus bestehenden SOAR-, EDR- und XDR-Lösungen.

Der Unterschied besteht darin, dass ein klassisches automatisiertes Playbook normalerweise eine vorher definierte Abfolge von Aktionen unter festgelegten Bedingungen ausführt.

Ein KI-Agent kann abhängig von seinem Design selbstständig Handlungsschritte auswählen, weitere Informationen beschaffen und Entscheidungen treffen, die nicht im Detail durch einen Menschen vorgegeben wurden.

Darin liegt ein erhebliches Potenzial. Allerdings auch ein erhebliches Risiko.

Ein Agent, der auf zentrale Sicherheitssysteme zugreifen, Firewall-Regeln verändern, Benutzerkonten sperren und produktive Systeme isolieren kann, ist selbst eine ausgesprochen kritische Komponente.

Wird er manipuliert oder kompromittiert, erhält ein Angreifer möglicherweise Zugriff auf genau die Werkzeuge, die eigentlich zur Verteidigung der Organisation vorgesehen sind.

Ein Modell sollte nicht allein deshalb administrative Rechte erhalten, weil es in einem Benchmark besonders gute Ergebnisse erzielt.

Wir müssen die analytischen Fähigkeiten eines Modells konsequent von seinen tatsächlichen Ausführungsbefugnissen trennen.

Ich würde ein zukünftiges KI-gestütztes Cyber-Defense-System deshalb in etwa folgendermaßen aufbauen.

Security-Telemetrie

SIEM, EDR, NDR, Vulnerability Management, Identity-Systeme und Threat Intelligence stellen dem Agenten relevante Informationen zur Verfügung. Eingehende Daten müssen grundsätzlich als potenziell manipulierbar behandelt werden.

↓

AI Reasoning Agent

Das KI-System analysiert die Informationen, entwickelt Hypothesen, bewertet mögliche Angriffswege und erzeugt Handlungsvorschläge.

↓

Unabhängige Policy- und Autorisierungsebene

Eine vom Modell unabhängige Kontrollinstanz überprüft die vorgeschlagenen Aktionen anhand verbindlicher Richtlinien, technischer Berechtigungen, Risikogrenzen und betrieblicher Einschränkungen.

↓

Kontrollierte Ausführung

Vordefinierte, ausreichend begrenzte Aktionen können automatisiert ausgeführt werden. Maßnahmen mit größeren betrieblichen Auswirkungen benötigen eine geeignete Freigabe.

↓

Validierung, Audit Trail und Wiederherstellung

Die tatsächliche Wirkung der Maßnahme wird überprüft. Aktionen werden nachvollziehbar dokumentiert und müssen, soweit technisch sinnvoll möglich, rückgängig gemacht werden können.

Entscheidend ist, dass der Agent seine eigenen Berechtigungen nicht verändern und nicht eigenständig die Kontrollinstanz umgehen kann.

Er erhält möglichst nur kurzlebige, aufgabenbezogene Zugriffsrechte. Die eigentliche Ausführung erfolgt über definierte Schnittstellen mit festgelegten Parametern, nicht über einen allgemeinen administrativen Zugang zu sämtlichen produktiven Systemen.

Insbesondere in OT- und IoMT-Umgebungen müssen zusätzlich betriebliche und technische Safety Constraints berücksichtigt werden.

Es ist ein Unterschied, ob ein KI-Agent ein verdächtiges Benutzerkonto vorübergehend sperrt oder ob er ein System außer Betrieb nimmt, das unmittelbar für die Patientenversorgung benötigt wird.

Diese Architektur ist mein konzeptioneller Vorschlag. Sie ist kein fertiger Standard und auch kein Nachweis dafür, dass sich autonome Security Agents damit unter sämtlichen Bedingungen zuverlässig absichern lassen.

Sie verdeutlicht aber, in welche Richtung wir solche Systeme entwickeln sollten.

Die KI liefert die analytische Intelligenz. Über ihre tatsächlichen Befugnisse entscheidet die Sicherheitsarchitektur.

Die besondere Ironie des KI-Schutzschilds

Gizmodo greift in seinem Artikel über Sam Altman einen bemerkenswerten Punkt auf.

Im Juli 2026 kam es bei OpenAI selbst zu einem Sicherheitsvorfall, bei dem KI-Agenten im Rahmen interner Cybersecurity-Evaluationen vorgesehene Sicherheitsgrenzen überwinden konnten.

Nach Angaben von OpenAI nutzten die Agenten Schwachstellen in gemeinsam genutzter Forschungsinfrastruktur aus, etablierten nicht autorisierte Kommunikationsmöglichkeiten und erlangten Zugriff auf das Internet.

Im weiteren Verlauf wurden auch Systeme beziehungsweise Teile der Infrastruktur von Hugging Face kompromittiert.

OpenAI veröffentlichte am 26. August 2026 einen Bericht zu dem Vorfall. [53]

Eine unabhängige Untersuchung durch METR und Redwood Research betrachtete zusätzlich das Verhalten und die Zusammenarbeit der beteiligten Agenten. [54]

Die Systeme befanden sich in einem speziellen Evaluationsumfeld mit besonderen technischen Voraussetzungen und reduzierten Schutzmechanismen. Daraus lässt sich nicht ableiten, dass sich gewöhnliche KI-Anwendungen automatisch genauso verhalten.

Der Vorfall zeigt allerdings, dass leistungsfähige Agenten unter bestimmten Bedingungen Sicherheitskontrollen umgehen und unerwartete technische Wege zur Erreichung ihrer Ziele finden können.

Bereits zuvor erkannte Möglichkeiten zum Verlassen der vorgesehenen Umgebung waren behandelt worden. Die Agenten fanden dennoch weitere Wege.

Wir können also nicht einfach alle Bugs patchen.

Das gilt offensichtlich auch für die Infrastruktur, in der die KI-Systeme selbst betrieben werden.

Wenn OpenAI trotz seiner technischen Möglichkeiten Schwierigkeiten damit hat, besonders leistungsfähige Agenten zuverlässig innerhalb einer definierten Sicherheitsumgebung zu halten, sollten wir sehr sorgfältig darüber nachdenken, welche Rechte und Handlungsmöglichkeiten wir solchen Systemen in unseren produktiven Umgebungen einräumen.

Ein zukünftiges KI-basiertes Defense Shield darf nicht zu einer einzigen hochprivilegierten und kaum kontrollierbaren Sicherheitskomponente werden.

Sonst haben wir ausgerechnet mit unserem neuen Sicherheitswerkzeug einen weiteren besonders attraktiven Angriffspunkt geschaffen.

Welche Verantwortung übernehmen eigentlich die KI-Hersteller?

An dieser Stelle würde ich Sam Altman gerne noch eine Frage stellen.

Wenn Unternehmen wie OpenAI davon ausgehen, dass ihre Technologie die Cyberrisiken fundamental verändert, welche Verantwortung übernehmen sie dann selbst für die Verteidigerseite?

Altman ist schließlich nicht einfach ein unabhängiger Sicherheitsforscher, der vor einer technologischen Entwicklung warnt.

Er ist CEO eines Unternehmens, das diese Entwicklung maßgeblich vorantreibt.

Dass KI-Hersteller ihre leistungsfähigsten Modelle kontrolliert bereitstellen und besonders risikoreiche Fähigkeiten nicht uneingeschränkt freigeben, ist nachvollziehbar. Die Technologie ist inhärent Dual Use.

Anthropic hat beispielsweise im Oktober 2026 sein Cyber Verification Program erweitert. Es unterscheidet zwischen defensivem Zugang, autorisiertem Red Teaming und besonders spezialisierten Einsatzbereichen.

Nach Angaben des Unternehmens sollen sich auch kleinere Betreiber kritischer Infrastruktur, regionale Krankenhäuser, Open-Source-Maintainer und Sicherheitsforscher für bestimmte Zugriffsformen qualifizieren können. [5]

Das ist grundsätzlich ein sinnvoller Ansatz.

Allerdings stellt sich dabei eine Frage, die aus meiner Sicht bislang zu wenig diskutiert wird.

Was passiert, wenn die Sicherheit unserer digitalen Infrastruktur künftig davon abhängt, dass wir Zugang zu besonders leistungsfähigen KI-Modellen einiger weniger Technologieunternehmen erhalten?

Wer entscheidet, welche Organisationen Zugang zu welchen Fähigkeiten bekommen? Wie wird dieser Zugang finanziert? Welche Abhängigkeiten entstehen? Welche rechtlichen oder politischen Veränderungen könnten ihn einschränken?

Und wie stellen wir sicher, dass auch Organisationen mit begrenzten Ressourcen in der Lage sind, sich angemessen zu verteidigen?

Die Programme der KI-Hersteller können einen wichtigen Beitrag leisten. Sie ersetzen jedoch keine eigenständige, langfristig tragfähige Cybersecurity-Strategie.

Gerade für Europa halte ich die Entwicklung eigener Fähigkeiten in diesem Bereich für wichtig.

Dabei geht es nicht ausschließlich darum, ein europäisches Sprachmodell zu entwickeln. Wir brauchen auch geeignete Sicherheitswerkzeuge, offene Forschungsgrundlagen, überprüfbare Agentenarchitekturen und die Möglichkeit, sensible Software und Infrastruktur unabhängig analysieren zu können.

Sonst lösen wir möglicherweise einen Teil unserer heutigen Sicherheitsprobleme, indem wir eine völlig neue technologische Abhängigkeit schaffen.

Wie ich eine zukünftige Cybersecurity-Strategie aufbauen würde

Wir stehen vor drei parallelen Aufgaben. Wir müssen unsere bestehende Infrastruktur besser absichern, unsere Altlasten reduzieren und verhindern, dass die Systeme, die wir heute entwickeln und beschaffen, die Altlasten von morgen werden.

Das lässt sich nicht mit einem einzelnen Security-Projekt lösen.

Kurzfristig müssen wir unsere Fähigkeit zur unmittelbaren Risikoreduzierung verbessern.

Unternehmen brauchen ein belastbares Asset Inventory, Transparenz über Software- und Hardwareabhängigkeiten, priorisiertes Vulnerability Management, kontinuierliche Exposure-Bewertungen und wirksame Mitigationsmöglichkeiten.

Außerdem müssen wir prüfen, welche organisatorischen Prozesse unnötige Verzögerungen verursachen.

Wenn ein kritischer Angriffspfad aufgrund fehlender Zuständigkeiten erst mehrere Tage lang diskutiert werden muss, haben wir ein Organisationsproblem, das wir auch ohne KI lösen könnten.

Ein KI-Modell kann unsere Entscheidungsfindung beschleunigen. Es kann aber nicht verhindern, dass drei Organisationseinheiten zunächst darüber diskutieren, wer eigentlich für die Firewall-Regel zuständig ist.

Mittelfristig müssen wir unsere technischen Altlasten systematisch reduzieren.

Für relevante Legacy-Systeme brauchen wir eine verbindliche Strategie. Weiterbetrieb unter definierten Bedingungen, Modernisierung, kontrollierte Isolation, Ersatz oder Außerbetriebnahme.

Dauerhafte Ausnahmen ohne einen klaren Verantwortlichen, einen finanzierten Ablöseplan und eine regelmäßige Neubewertung sollten nicht mehr akzeptiert werden.

Die dafür notwendigen Investitionen müssen Bestandteil der langfristigen Unternehmensplanung werden.

Langfristig müssen wir die Entstehung neuer Risiken reduzieren und unsere Systeme widerstandsfähiger gestalten.

Bei der Entwicklung und Beschaffung neuer Systeme sollten wir wesentlich stärker auf überprüfbare Sicherheitseigenschaften achten.

Memory-safe Programmiersprachen, sichere Standardkomponenten, unabhängige automatisierte Sicherheitsprüfungen, nachvollziehbare Software-Lieferketten und formale Verifikation besonders kritischer Funktionen sind dafür wichtige Bausteine.

Gleichzeitig müssen wir unsere Architektur so gestalten, dass kritische Funktionen auch dann erhalten bleiben oder kontrolliert wiederhergestellt werden können, wenn einzelne Bestandteile kompromittiert wurden.

Gerade im Gesundheitswesen und in industriellen Umgebungen ist das mindestens genauso wichtig wie die Geschwindigkeit, mit der wir die nächste Schwachstelle patchen.

Eine zukünftige Sicherheitsarchitektur muss mehrere Ebenen verbinden

Für mich ergibt sich daraus ein Modell, das deutlich über die klassische Betrachtung einzelner Security-Produkte hinausgeht.

Sicherheitsebene Strategisches Ziel Mögliche Ansätze
Prävention Möglichst wenige neue Schwachstellen erzeugen Memory Safety, Secure by Design, verifizierte Komponenten
Architektur Auswirkungen einer Kompromittierung begrenzen Isolation, Least Privilege, Zero Trust, Compartmentalization
Transparenz Risiken und Abhängigkeiten verstehen Asset Inventory, SBOM, VEX, Exposure Management
Kontinuierliche Überprüfung Schwachstellen und Fehlkonfigurationen frühzeitig erkennen KI-gestützte Analyse, Fuzzing, Security Testing
Unmittelbare Reaktion Relevante Angriffswege schnell unterbrechen Virtual Patching, SOAR, kontrollierte Security Agents
Nachhaltige Behebung Ursachen von Sicherheitsproblemen beseitigen Patching, Refactoring, Retrofit, Ersatz
Resilienz Kritische Funktionen erhalten oder wiederherstellen Redundanz, Recovery, getestete Backups, alternative Betriebsprozesse

Keine einzelne dieser Ebenen reicht aus.

Ein hervorragendes Patchmanagement hilft mir wenig, wenn ich nicht weiß, welche Systeme ich betreibe. Eine hervorragende Netzwerksegmentierung hilft mir wenig, wenn privilegierte Identitäten sämtliche Segmentgrenzen überwinden können. Ein KI-Agent hilft mir wenig, wenn seine Informationen über die Infrastruktur falsch sind oder er selbst zu einem unkontrollierbaren Sicherheitsrisiko wird.

Wir müssen Sicherheit stärker als Eigenschaft des gesamten Systems verstehen.

Nicht als eine Sammlung einzelner Sicherheitsprodukte, die wir nachträglich um unsere Infrastruktur herum bauen.

Mein Fazit – vielleicht zwingt uns KI endlich dazu, die richtigen Probleme zu lösen

Ich glaube nicht, dass Patchmanagement in den kommenden Jahren überflüssig wird. Ganz im Gegenteil. Wir werden weiterhin sehr viel patchen müssen, vermutlich mehr und unter teilweise erheblich höherem Zeitdruck als heute.

Was sich verändern muss, ist unsere Erwartung daran.

Wir haben über Jahrzehnte eine digitale Infrastruktur aufgebaut, deren Sicherheit in erheblichem Maße davon abhängt, dass wir immer wieder neu entdeckte Fehler möglichst schnell beheben.

Diese Strategie funktioniert nur, solange wir in der Lage sind, ausreichend schnell und umfassend zu reagieren.

KI könnte uns an vielen Stellen zeigen, dass wir genau dazu nicht mehr in der Lage sind.

Daraus ergeben sich für mich drei wesentliche Konsequenzen.

Wir werden unsere technischen Altlasten nicht mehr beliebig lange weiterbetreiben können. Wir müssen aufhören, neue Software mit denselben strukturellen Fehlern zu entwickeln. Und wir brauchen Sicherheitsarchitekturen, die auch dann funktionieren, wenn einzelne Schwachstellen nicht rechtzeitig behoben werden.

Die Lösungen für viele dieser Probleme existieren längst.

Wir wissen, wie sich bestimmte Schwachstellenklassen durch speichersichere Programmiersprachen reduzieren lassen. Wir können kritische Systemeigenschaften formal verifizieren. Wir können Software automatisiert analysieren, testen und aktualisieren. Wir können bestehende Anlagen modernisieren und Systeme so bauen, dass eine einzelne Kompromittierung nicht zwangsläufig zum Ausfall der gesamten Infrastruktur führt.

Es fehlt uns also nicht grundsätzlich an Ideen oder Technologien.

Es fehlt uns oftmals an der Bereitschaft, die damit verbundenen wirtschaftlichen, organisatorischen und technischen Konsequenzen zu ziehen.

Sam Altman hat recht. Wir werden nicht mehr alle Bugs rechtzeitig patchen können.

Das eigentliche Problem ist allerdings, dass wir unsere digitale Infrastruktur über Jahrzehnte so gebaut haben, dass wir an vielen Stellen genau darauf angewiesen sind.

KI könnte uns endlich dazu zwingen, diese Infrastruktur zu verändern. Und zwar nicht nur ihre Sicherheitsprodukte, sondern die Technologie selbst, ihre Architektur, die Softwareentwicklung und die wirtschaftlichen Entscheidungen, die dahinterstehen.

Der Angreifer wird jedenfalls nicht darauf warten, dass unsere IT-Abteilung ihr nächstes Wartungsfenster organisiert.

Und wenn unser Sicherheitskonzept darauf angewiesen ist, dass er das tut, dann haben wir das falsche Sicherheitskonzept.


Quellen und Referenzen

Bedrohungslage, künstliche Intelligenz und Vulnerability Management

[1] AJ Dellinger, Gizmodo – Sam Altman: ‘I No Longer Think We’re Gonna Be Able to Just Patch All the Bugs’.

  1. Oktober 2026. Ausgangspunkt des Artikels und Einordnung der Aussagen von Sam Altman.

https://gizmodo.com/sam-altman-i-no-longer-think-were-gonna-be-able-to-just-patch-all-the-bugs-2000829947

[2] Murugiah Souppaya, Karen Scarfone, NIST – Guide to Enterprise Patch Management Planning: Preventive Maintenance for Technology.

NIST Special Publication 800-40 Revision 4, April 2022.

https://csrc.nist.gov/pubs/sp/800/40/r4/final

[3] Verizon Business – 2026 Data Breach Investigations Report.

  1. Insbesondere Seite 10, Abbildung 5 und die Auswertung zur Behebung von KEV-Schwachstellen.

https://www.verizon.com/business/resources/T5c2/reports/2026-dbir-data-breach-investigations-report.pdf

[4] Anthropic – Project Glasswing: Securing critical software for the AI era.

  1. April 2026. Vorstellung der Initiative, beteiligter Organisationen und der Fähigkeiten von Claude Mythos Preview.

https://www.anthropic.com/glasswing

Ergänzende technische Informationen:

https://www.anthropic.com/research/mythos-preview

[5] Anthropic – Expanding the Cyber Verification Program.

  1. Oktober 2026. Ergebnisse von Project Glasswing, methodische Einschränkungen der Partnerdaten und neue Zugangsstufen für Cybersecurity-Anwendungen.

https://www.anthropic.com/news/cyber-verification-program

[6] Robin Grunewald, Supriya Mazumdar, Kelli Vanderlee, Google Threat Intelligence Group – Vulnerability Discovery and Exploitation Trends in the AI Era.

  1. September 2026.

https://cloud.google.com/blog/topics/threat-intelligence/vulnerability-discovery-and-exploitation-trends-in-the-ai-era

[7] Zero Day Clock Observatory – Vulnerability Exploitation, Measured.

Kontinuierlich aktualisiertes Observatorium zu veröffentlichten CVEs, dokumentierter Ausnutzung und beobachteten Scan-Aktivitäten.

Datenstand der im Artikel verwendeten Auswertung: 16. November 2026. Die Jahreszahlen beziehen sich auf Januar bis Oktober 2026, die Pressure-Indizes auf die letzten drei vollständigen Monate im Vergleich zum entsprechenden Vorjahreszeitraum.

https://zerodayclock.com

[8] Zero Day Clock Observatory – About: Cybersecurity Is Almost Impossible to Measure. We Are Trying Anyway.

Methodische Grundlagen, Datenquellen, Einschränkungen, Right Censoring und Erläuterungen zur Abkehr von einer pauschalen Time-to-Exploit-Kennzahl.

https://zerodayclock.com/about

Automatisierte Remediation und Legacy-Reduktion

[9] Microsoft – Secure Future Initiative: July 2026 SFI Progress Report.

Juli 2026. Ergebnisse zu automatisiertem Container-Patching, zentral verwalteten Build-Pipelines und Software Supply Chain Security.

https://www.microsoft.com/en/trust-center/security/secure-future-initiative/sfi-progress-report-july-2026

[10] Microsoft Learn – What's New in the Secure Future Initiative.

Fortschrittsübersicht zur Stilllegung veralteter Systeme, zur Migration vom Azure Service Manager zum Azure Resource Manager und zur Bereinigung ungenutzter Mandanten.

https://learn.microsoft.com/en-us/security/zero-trust/sfi/secure-future-initiative-whats-new

Legacy-Systeme, Operational Technology und Medizintechnik

[11] Keith Stouffer et al., NIST – Guide to Operational Technology (OT) Security.

NIST Special Publication 800-82 Revision 3, September 2023.

https://csrc.nist.gov/pubs/sp/800/82/r3/final

[12] U.S. Food and Drug Administration – Cybersecurity Vulnerabilities with Certain Patient Monitors from Contec and Epsimed: FDA Safety Communication.

  1. Januar 2025, aktualisiert am 2. Juli 2025. Beschreibung der Schwachstellen, Sicherheitsmaßnahmen und des Patches zur Entfernung der Netzwerkfunktionalität.

https://www.fda.gov/medical-devices/safety-communications/cybersecurity-vulnerabilities-certain-patient-monitors-contec-and-epsimed-fda-safety-communication

[13] Siemens Healthineers – Magnetic Resonance Imaging: Options & Upgrades.

Herstellerinformationen zu konkreten Modernisierungsprogrammen für vorhandene MAGNETOM-MRT-Systeme.

https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/upgrades

Ergänzende Übersicht zu Fit Upgrades:

https://www.siemens-healthineers.com/medical-imaging/medical-imaging-options-upgrades/fit-upgrades

[14] Siemens Healthineers – Finnish Healthcare Provider Invests with Sustainability in Mind.

Fallbeschreibung zur Investitions- und Modernisierungsstrategie des finnischen Gesundheitsdienstleisters Terveystalo, einschließlich MRT-Upgrades unter Weiterverwendung vorhandener Magneten.

https://www.siemens-healthineers.com/perspectives/sustainable-investment-decisions

[15] MIESA – Control System Modernisation and Migration.

Praxisorientierte Beschreibung industrieller Steuerungsmigrationen, insbesondere des Ersatzes abgekündigter Controller, Ein- und Ausgabekomponenten sowie Bedien- und Überwachungssysteme.

https://www.miesasa.com/en/servicios/control-system-modernisation-migration/

[16] Siemens AG – Neue Siemens-Plattform bringt Zero-Trust-Sicherheit in industrielle Netzwerke.

  1. Oktober 2025. Herstellerinformationen zur Einführung von SINEC Secure Connect.

https://press.siemens.com/global/de/pressemitteilung/neue-siemens-plattform-bringt-zero-trust-sicherheit-industrielle-netzwerke

[17] Palo Alto Networks – What Is Virtual Patching? Definition, How It Works & Guide.

Technische Erläuterung des Virtual-Patching-Ansatzes und seiner Grenzen.

https://www.paloaltonetworks.com/cyberpedia/what-is-virtual-patching

[18] Melissa Chase, Steven Christey Coley, Ronnie Daldos, Margie Zuk, MITRE – Next Steps Toward Managing Legacy Medical Device Cybersecurity Risks.

  1. November 2023. Im Auftrag der FDA erarbeitete Untersuchung zum Umgang mit Legacy-Medizinprodukten, insbesondere unter Berücksichtigung von Einrichtungen mit begrenzten Ressourcen.

https://www.mitre.org/news-insights/publication/next-steps-toward-managing-legacy-medical-device-cybersecurity-risks

Wissenschaftliche Untersuchungen zur Sicherheit KI-generierter Software

[19] Yanlin Wang, Ziyao Zhang, Chong Wang, Xinyi Xu, Mingwei Liu, Yong Wang, Jiachi Chen, Zibin Zheng – RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories.

Findings of the Association for Computational Linguistics, ACL 2026, Juli 2026.

https://aclanthology.org/2026.findings-acl.1786/

DOI:

https://doi.org/10.18653/v1/2026.findings-acl.1786

[20] Tianyi Wu et al. – Last Secure Code Benchmark: Is the Code You Vibe Secure?

  1. Oktober 2026. Wissenschaftlicher Preprint zur funktionalen Korrektheit und Sicherheitsqualität von Coding Agents, einschließlich der Versuchsanordnung mit ausschließlich funktional formulierten Anforderungen.

https://arxiv.org/abs/2610.14766

[21] Patrick Deininger, Wolfgang Slany – Fixing, Breaking, or Faking It? An Execution-Calibrated Evaluation of LLM Vulnerability Patching in JavaScript, Python, Go, and Java, and the Limits of LLM-as-Judge.

Journal of Cybersecurity and Privacy, 2. September 2026.

https://www.mdpi.com/2624-800x/6/5/153

DOI:

https://doi.org/10.3390/jcp6050153

Memory Safety, formale Verifikation und sichere Rechnerarchitekturen

[22] CISA, NSA, FBI und internationale Partnerbehörden – The Case for Memory Safe Roadmaps.

Dezember 2023. Gemeinsame Empfehlungen zur Entwicklung speichersicherer Software und zur strategischen Migration bestehender Softwareportfolios.

https://www.cisa.gov/sites/default/files/2023-12/The-Case-for-Memory-Safe-Roadmaps-508c.pdf

[23] Jeff Vander Stoep, Google Android Security – Rust in Android: Move Fast and Fix Things.

  1. November 2025. Ergebnisse zur Entwicklung von Memory-Safety-Schwachstellen und zum Einsatz von Rust in Android.

https://blog.google/security/rust-in-android-move-fast-fix-things/

[24] Gerwin Klein et al. – seL4: Formal Verification of an OS Kernel.

Ursprüngliche Veröffentlichung auf dem ACM Symposium on Operating Systems Principles, Oktober 2009. Erweiterte Darstellung in Communications of the ACM, Juni 2010.

https://doi.org/10.1145/1743546.1743574

[25] seL4 Foundation – seL4 Proofs.

Technische Dokumentation zu formal verifizierten Eigenschaften, unterstützten Konfigurationen, Annahmen und den Erfahrungen aus dem langfristigen Einsatz des Mikrokernels.

https://sel4.systems/Verification/proofs

[26] Chris Newcombe, Tim Rath, Fan Zhang, Bogdan Munteanu, Marc Brooker, Michael Deardeuff – How Amazon Web Services Uses Formal Methods.

Communications of the ACM, April 2015.

https://www.amazon.science/publications/how-amazon-web-services-uses-formal-methods

DOI:

https://doi.org/10.1145/2699417

[27] Xavier Leroy und CompCert-Projekt – The CompCert C Compiler.

Projektinformationen, Veröffentlichungen und wissenschaftliche Grundlagen des formal verifizierten C-Compilers.

https://compcert.org/

[28] Jonathan Protzenko et al. – EverCrypt: A Fast, Verified, Cross-Platform Cryptographic Provider.

IEEE Symposium on Security and Privacy, 2020. Weiterführende technische Dokumentation und Quellcode verifizierter kryptografischer Komponenten im HACL*-Projekt.

https://github.com/hacl-star/hacl-star

[29] UK Research and Innovation – Digital Security by Design.

Informationen zum abgeschlossenen britischen Forschungs- und Förderprogramm, zur CHERI-Architektur, zur Morello-Plattform und zum Umfang der staatlichen und industriellen Investitionen.

https://www.ukri.org/what-we-do/browse-our-areas-of-investment-and-support/digital-security-by-design/

KI-gestützte Cyber Defense und automatisierte Softwareanalyse

[30] Oliver Chang, Dongge Liu, Jonathan Metzman, Google Open Source Security Team – Leveling Up Fuzzing: Finding More Vulnerabilities with AI.

  1. November 2024. Ergebnisse KI-generierter Fuzzing Targets im Rahmen von OSS-Fuzz.

https://security.googleblog.com/2024/11/leveling-up-fuzzing-finding-more.html

[31] Defense Advanced Research Projects Agency – AI Cyber Challenge Marks Pivotal Inflection Point for Cyber Defense.

  1. August 2025. Offizielle, nachträglich korrigierte Ergebnisse des AIxCC-Finales, Angaben zur Schwachstellenidentifikation, Patchgenerierung, durchschnittlichen Bearbeitungszeit und den Kosten pro Wettbewerbsaufgabe.

https://www.darpa.mil/news/2025/aixcc-results

Weitere Informationen zum Wettbewerb:

https://aicyberchallenge.com/finals-winners-announcement/

Open Source, Finanzierung und digitale Infrastruktur

[32] Alpha-Omega – Linux Foundation Project.

Informationen zur Finanzierung und Unterstützung nachhaltiger Sicherheitsverbesserungen in Open-Source-Projekten.

https://alpha-omega.dev/

[33] Sovereign Tech Agency – Sovereign Tech Fund.

Informationen zur gezielten Finanzierung offener digitaler Basistechnologien und zur Verbesserung ihrer Sicherheit, Stabilität und langfristigen Wartbarkeit.

https://www.sovereign.tech/programs/fund/

[34] Sovereign Tech Agency – Technologies and Projects.

Übersicht tatsächlich unterstützter Technologien und Projekte, einschließlich der Investitionen in die Python Software Foundation, CPython und PyPI.

https://www.sovereign.tech/tech

Wirtschaftliche Anreize und Herstellerverantwortung

[35] Ross Anderson – Why Information Security is Hard: An Economic Perspective.

17th Annual Computer Security Applications Conference, ACSAC, Dezember 2001. Grundlegende wissenschaftliche Betrachtung wirtschaftlicher Anreizprobleme in der Informationssicherheit.

https://www.acsac.org/2001/abstracts/thu-1530-b-anderson.html

DOI:

https://doi.org/10.1109/ACSAC.2001.991552

[36] Cybersecurity and Infrastructure Security Agency – Secure by Design Pledge.

Mai 2024. Freiwillige Verpflichtung von Softwareherstellern zur Verbesserung und transparenten Darstellung ausgewählter Sicherheitseigenschaften.

https://www.cisa.gov/sites/default/files/2024-05/CISA%20Secure%20by%20Design%20Pledge_508c.pdf

[37] Murugiah Souppaya, Karen Scarfone, Donna Dodson, NIST – Secure Software Development Framework (SSDF) Version 1.1: Recommendations for Mitigating the Risk of Software Vulnerabilities.

NIST Special Publication 800-218, Februar 2022.

https://csrc.nist.gov/pubs/sp/800/218/final

Internationale Regulierung und Produktsicherheit

[38] U.S. Food and Drug Administration – Cybersecurity in Medical Devices: Quality Management System Considerations and Content of Premarket Submissions.

Final Guidance, Februar 2026. Einschließlich der Empfehlungen zu Section 524B des Federal Food, Drug, and Cosmetic Act.

https://www.fda.gov/regulatory-information/search-fda-guidance-documents/cybersecurity-medical-devices-quality-management-system-considerations-and-content-premarket

[39] Europäische Union – Verordnung (EU) 2024/2847 über horizontale Cybersicherheitsanforderungen für Produkte mit digitalen Elementen (Cyber Resilience Act).

  1. Oktober 2024. Insbesondere Artikel 2, 13, 14 und 71 sowie Anhang I.

https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX%3A32024R2847

[40] Europäische Union – Richtlinie (EU) 2022/2555 über Maßnahmen für ein hohes gemeinsames Cybersicherheitsniveau in der Union (NIS2).

  1. Dezember 2022. Insbesondere Artikel 21 zu Cybersecurity-Risikomanagementmaßnahmen.

https://eur-lex.europa.eu/eli/dir/2022/2555/oj

[41] Europäische Union – Verordnung (EU) 2017/745 über Medizinprodukte (Medical Device Regulation).

  1. April 2017. Insbesondere Anhang I, Abschnitt 17, zu elektronischen programmierbaren Systemen und Software.

https://eur-lex.europa.eu/eli/reg/2017/745/oj

[42] Europäische Union – Richtlinie (EU) 2024/2853 über die Haftung für fehlerhafte Produkte.

  1. Oktober 2024. Insbesondere Einbeziehung von Software, Sicherheitsupdates, Geltungsbereich und zeitliche Anwendbarkeit.

https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32024L2853

[43] UK Government, Office for Product Safety and Standards – Regulations: Consumer Connectable Product Security.

Informationen zu den seit dem 29. April 2024 geltenden Anforderungen des PSTI-Regimes.

https://www.gov.uk/guidance/regulations-consumer-connectable-product-security

Gesetzliche Grundlage:

https://www.legislation.gov.uk/uksi/2023/1007

[44] Information-technology Promotion Agency, Japan – Japan Cyber STAR (JC-STAR).

Informationen zum japanischen IoT-Produktsicherheitskennzeichnungssystem, seinen Anforderungen und Bewertungsverfahren.

https://www.ipa.go.jp/en/security/jc-star/index.html

[45] Cyber Security Agency of Singapore – About Cybersecurity Labelling Scheme for IoT (CLS).

Informationen zu den Sicherheitsstufen und zur internationalen gegenseitigen Anerkennung.

https://www.csa.gov.sg/our-programmes/certification-and-labelling-schemes/cybersecurity-labelling-scheme/about/

[46] Ministry of Economy, Trade and Industry, Japan – State Minister Ino Signs Memorandum on Mutual Recognition of Labeling Scheme Based on JC-STAR and Singapore’s Cybersecurity Labelling Scheme (CLS).

  1. März 2026. Gegenseitige Anerkennung bestimmter technischer Anforderungen ab 1. Juni 2026.

https://www.meti.go.jp/english/press/2026/0318_002.html

[47] Australian Government, Department of Home Affairs – Security Standards for Smart Devices.

Informationen zu den seit dem 4. März 2026 geltenden Cyber Security (Security Standards for Smart Devices) Rules 2025.

https://www.homeaffairs.gov.au/about-us/our-portfolios/cyber-security/security-standards-for-smart-devices

[48] OWASP Foundation – Application Security Verification Standard (ASVS) 5.0.0.

Mai 2025. Technischer Anforderungskatalog zur Entwicklung, Prüfung und Beschaffung sicherer Webanwendungen und Webservices.

https://asvs.owasp.org/

Resilienz, Exposure Management und Risiken autonomer KI-Agenten

[49] Scott Rose, Oliver Borchert, Stu Mitchell, Sean Connelly, NIST – Zero Trust Architecture.

NIST Special Publication 800-207, August 2020.

https://csrc.nist.gov/pubs/sp/800/207/final

[50] Ron Ross et al., NIST – Developing Cyber-Resilient Systems: A Systems Security Engineering Approach.

NIST Special Publication 800-160 Volume 2 Revision 1, Dezember 2021. Grundlegender Ansatz zum Cyber Resiliency Engineering.

https://csrc.nist.gov/pubs/sp/800/160/v2/r1/final

[51] Forum of Incident Response and Security Teams (FIRST) – Exploit Prediction Scoring System (EPSS), Frequently Asked Questions.

Methodik, Wahrscheinlichkeitsinterpretation und Verhältnis zu bestätigter aktiver Ausnutzung.

https://www.first.org/epss/faq

[52] Cybersecurity and Infrastructure Security Agency – Known Exploited Vulnerabilities Catalog.

Kontinuierlich aktualisierter Katalog nachweislich ausgenutzter Schwachstellen.

https://www.cisa.gov/known-exploited-vulnerabilities-catalog

Ergänzend: Binding Operational Directive 22-01, Reducing the Significant Risk of Known Exploited Vulnerabilities.

https://www.cisa.gov/news-events/directives/binding-operational-directive-22-01

[53] OpenAI – The Hugging Face Incident and the Road Ahead.

  1. August 2026. Untersuchung des Sicherheitsvorfalls im Zusammenhang mit autonomen KI-Agenten und Darstellung der anschließend eingeleiteten Schutzmaßnahmen.

https://openai.com/index/hugging-face-incident-and-the-road-ahead/

[54] METR und Redwood Research – Brief Independent Investigation of Agents’ Behavior, Reasoning and Collaboration in the OpenAI / Hugging Face Hacking Incident.

  1. August 2026. Unabhängige Untersuchung des Verhaltens und der Zusammenarbeit der beteiligten KI-Agenten.

https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/


Recherche- und Bewertungsstand: 16. November 2026.

Methodische Hinweise: Wissenschaftliche Veröffentlichungen, Preprints, Herstellerangaben, regulatorische Anforderungen und Wettbewerbsergebnisse wurden entsprechend ihrer unterschiedlichen Aussagekraft eingeordnet. Die verwendeten Daten von Zero Day Clock unterliegen laufenden Aktualisierungen. CVE-Veröffentlichungen, KEV-Erfassungen und beobachtete Angriffsversuche messen unterschiedliche Sachverhalte. Insbesondere darf ein KEV-Erfassungsdatum nicht mit dem tatsächlichen Beginn der Ausnutzung gleichgesetzt werden.

Das einleitende Krankenhausszenario, das Kapazitätsmodell zur Schwachstellenbehebung und die wirtschaftlichen Szenarien zum Weiterbetrieb beziehungsweise Ersatz von Legacy-Systemen sind hypothetische Beispiele. Das Cybersecurity End of Life, das erweiterte Metrikmodell und die dargestellte Architektur für kontrollierte KI-gestützte Cyber Defense sind eigene konzeptionelle Vorschläge und keine bereits allgemein standardisierten Verfahren.

Mastodon • RSS