Sicherheits-KI: Wiz Atlas übertrifft GPT-5.5 und Mythos – dank clevere Teamarbeit statt einem Super-Modell

Am 27. Juli 2026 gab Wiz – der Cloud-Sicherheitsanbieter, der im März 2026 für 32 Milliarden Dollar von Google übernommen wurde – Project Atlas bekannt, ein autonomes, Multi-Modell-KI-System zur Schwachstellenforschung . Das System erreichte eine Erfolgsquote von 90,9% auf dem CyberGym-Benchmark, belegte Platz 1 und ließ sowohl Anthropics Mythos (~83%) als auch OpenAIs GPT-5.5 Cyber (~85,6%) hinter sich . Dies markiert einen bedeutenden Meilenstein im KI-Sicherheitswettlauf – nicht weil Atlas ein leistungsstärkeres Modell nutzt, sondern weil es mehrere Modelle und spezialisierte Agenten orchestriert, die zusammenarbeiten.

Was Project Atlas erreicht hat

Benchmark-Führung. Atlas erzielte 90,9% auf CyberGym, einem öffentlichen Benchmark, der die Fähigkeit von KI-Agenten misst, reale Schwachstellen in 1.507 Aufgaben aus 188 Open-Source-Softwareprojekten zu reproduzieren und zu entdecken . Zum Vergleich: Die besten Einzelmodell-Systeme – GPT-5.5 Cyber (85,6%) und Anthropics Mythos (83%) – liegen 5 bis 8 Prozentpunkte zurück . Selbst Microsofts MDASH-System, das im Mai 2026 mit über 100 spezialisierten Agenten 88,45% erreichte, wurde übertroffen .

Über 200 Zero-Day-Entdeckungen. In eigenen Tests deckte Atlas mehr als 200 bisher unbekannte Schwachstellen in weit verbreiteten Open-Source-Projekten auf, die jahrelang intensiv getestet und auditiert worden waren, darunter der Linux-Kernel, Kubernetes, gVisor, containerd und dnsmasq . Entscheidend ist, dass jeder Fund vom agentischen System Ende-zu-Ende autonom validiert wurde – es ging über modellgenerierte Vermutungen hinaus hin zu reproduzierbaren Beweisen für ein echtes Sicherheitsproblem .

CVE-2026-3854 – kritische GitHub-RCE. Eine frühe Version von Atlas identifizierte eine kritische Schwachstelle zur Codeausführung aus der Ferne in GitHub's interner Git-Infrastruktur (CVE-2026-3854, CVSS 8.8) . Der Fehler erlaubte jedem authentifizierten Benutzer mit Push-Zugriff, mit einem einzigen

git push

100.000 Dollar Bounty. GitHub zahlte eine Bounty von 100.000 Dollar für den Fund – eine der höchsten Auszahlungen in der Geschichte des Programms, wobei Wiz‘ Gesamtbelohnung möglicherweise über die vor Juli 2026 geltenden Tarife strukturiert wurde, bevor das öffentliche Programm gekürzt wurde .

Multi-Agenten-Architektur vs. Einzelmodell-Systeme

Dies ist die Kernaussage zur Architektur. Atlas ist kein einzelnes KI-Modell – es ist ein Multi-Modell-, agentisches System . So unterscheidet es sich vom Einzelmodell-Ansatz, den GPT-5.5 Cyber und Mythos verwenden:

Dimension	Project Atlas (Multi-Agent)	GPT-5.5 Cyber / Mythos (Einzelmodell)
Architektur	Orchestriert viele spezialisierte KI-Agenten (Unteragenten für Code-Analyse, Fuzzing, statische Analyse, Abhängigkeitsverfolgung), die parallel arbeiten	Ein einzelnes großes Sprachmodell, das für Cyber-Aufgaben trainiert wurde und allein arbeitet
Modellvielfalt	Kombiniert mehrere Grenzmodelle (z. B. Claude Opus 4.6 + GPT-5.5 im qualifizierenden CyberGym-Durchlauf) – wählt das beste Modell pro Unteraufgabe aus	An eine Modellfamilie und einen Satz von Gewichten gebunden
Workflow	Jeder Fund wird von einem separaten Verifizierungsagenten unabhängig überprüft, wodurch Fehlalarme praktisch eliminiert werden	Ausgabe eines einzelnen Modells, schwieriger selbst zu verifizieren
Skalierbarkeit	Kann hunderte Agenten gleichzeitig auf tausenden Zielen ausführen	Begrenzt durch den Inferenzdurchsatz eines einzelnen Modells
Kernerkenntnis	"Die beste Modellarchitektur für die Schwachstellenforschung ist kein einzelnes Modell – es ist ein orchestriertes Team von Modellen mit unterschiedlichen Spezialisierungen"	Der Einzelmodell-Ansatz stößt bei komplexen mehrstufigen Arbeitsabläufen an seine Grenzen

Wiz argumentiert, dass die Systemarchitektur wichtiger ist als die rohe Modellfähigkeit – Atlas schlug GPT-5.5 Cyber und Mythos nicht durch ein besseres Basismodell, sondern durch die intelligente Kombination mehrerer Modelle und Agenten mit engen Verifizierungsschleifen .

Wie die Multi-Agenten-Verlagerung im Jahr 2026 stattfand

Der Zeitplan des KI-Sicherheitswettlaufs zeigt einen klaren Trend von der Einzelmodell-Dominanz zur Multi-Agenten-Überlegenheit:

• Anfang bis Mitte 2026: Eskalation der Einzelmodelle. OpenAI veröffentlichte im Juni 2026 die vollständige GPT-5.5-Cyber (85,6% auf CyberGym) im Rahmen seines Daybreak-Verteidigungsprogramms . Auch Anthropics Claude Mythos Preview erzielte hohe Werte, was Forscher des britischen AISI und von Palo Alto Networks veranlasste, zu warnen, dass Modelle "autonome Hacking-Benchmarks übertroffen" hätten .

• Mai 2026: Multi-Agent beweist sein Potenzial. Microsofts MDASH-System (über 100 spezialisierte Agenten, 88,45% auf CyberGym) zeigte, dass Multi-Agenten-Systeme Einzelmodelle übertreffen können .

• Juli 2026: Multi-Agent gewinnt. Wiz‘ Atlas (90,9%) übertraf beide und bewies, dass die Orchestrierung mehrerer Grenzmodelle jedes einzelne Modell übertrifft .

Breitere Implikationen: Schwachstellenentdeckung und Bounty-Ökonomie

Die Kombination von KI-Agenten mit systematischem Fuzzing, statischer Analyse und Code-Review produziert Zero-Days in beispiellosem Umfang – Atlas allein fand über 200 Schwachstellen in intensiv geprüftem Open-Source-Code . Diese Flut von KI-entdeckten Fehlern setzt die Wirtschaftlichkeit von Offenlegungsprogrammen unter Druck. GitHub kürzte am 27. Juli 2026 seine öffentlichen Bug-Bounty-Zahlungen um mindestens die Hälfte (kritische Funde fielen von 20.000–30.000+ Dollar auf feste 10.000 Dollar), während die einladungsbasierte VIP-Stufe weiterhin 30.000+ Dollar zahlt . Meldungen, die vor diesem Datum eingereicht wurden, einschließlich der von Atlas entdeckten CVE-2026-3854, behielten die bisherigen Zahlungsbedingungen .

Fazit

Wiz‘ Project Atlas ist der aktuelle Stand der Technik in der KI-Schwachstellenforschung – nicht weil es ein besseres Modell verwendet, sondern weil seine Multi-Agenten-, Multi-Modell-Architektur mit unabhängiger Verifizierung Einzelmodell-Systeme mit deutlichem Abstand schlägt (90,9% vs. 85,6% und 83%). Dies spiegelt einen breiteren Wandel in der KI-Sicherheitslandschaft wider: Weg von der Frage "Welches Modell ist das beste?" hin zu "Wie orchestriert man Modelle effektiv?" Wie Wiz und Google klarstellen, wird der siegreiche Ansatz im KI-Sicherheitswettlauf kein einzelnes Super-Modell sein, sondern Systeme, die Modelle, menschliche Expertise und strenge Verifizierungspipelines kombinieren .