Autonome KI-Agenten für Pentesting: Lyrie und die neuen Risiken
Penetrationstests, die bislang Wochen manueller Arbeit, spezialisierte Teams und enge Skill-Sets erfordert haben, werden zunehmend von autonomen KI-Agenten übernommen. Laut Help Net Security hat OTT Cybersecurity mit Lyrie ein Open-Source-Tool veröffentlicht, das autonome Pentesting-Operationen durchführt — ohne dass Sicherheitsexperten jeden Schritt manuell lenken müssen. Das reduziert nicht nur Kosten, sondern auch die Zeit vom Scanning bis zur Ausploitation erheblich.
Parallel dazu zeigt sich ein kritischeres Bild: Wie t3n berichtet, kann Claude Mythos Preview von Anthropic nicht nur Sicherheitslücken in Software identifizieren, sondern auch Code schreiben, der diese Lücken aktiv ausnutzt. Anthropic hat deshalb bewusst auf einen freien öffentlichen Zugang verzichtet. Das unterstreicht ein zentrales Dilemma: Die gleiche Automatisierung, die roten Teams hilft, Systeme zu schützen, befähigt auch potenzielle Angreifer, Exploits in Minuten statt Wochen zu entwickeln.
Für den deutschsprachigen Mittelstand und Konzerne hat dies unmittelbare DSGVO-Konsequenzen. Autonome Sicherheitstests müssen dokumentiert sein — nicht nur das Ergebnis, sondern jeder Schritt, den ein Agent unternommen hat. Besonders bei KI-Pentesting auf Pillar-Ebene kommt hinzu: Wer ein Tool wie Lyrie einsetzt, muss sicherstellen, dass es nur innerhalb der eigenen Netzwerk-Grenzen läuft und keine Trainings-Daten oder Probe-Daten an externe Server sendet. Das ist nicht automatisch der Fall.
Dass arXiv bereits 2026 Papers über "Autonomous Intelligent Agents for Natural-Language-Driven Web Execution" veröffentlicht, zeigt: Diese Technologie ist keine Science-Fiction mehr, sondern wird gerade in Produktion gehen. Der Standard-Ansatz für interne Sicherheit — regelmäßige manuelle Red-Team-Sessions — wird damit ausgehöhlt, wenn nicht gleichzeitig die Detektions- und Audit-Fähigkeiten mitziehen.
Für deine Organisation heißt das konkret: Wenn autonome Agenten bei dir Schwachstellen finden, musst du sie nicht nur fixen, sondern auch verstehen, wie der Agent das getan hat. Das erfordert klare Safety-Pipelines für LLM-Anwendungen — und ein Audit-Log, das nicht nur "Fehler gefunden" protokolliert, sondern jeden Explorations-Schritt nachvollziehbar macht.