Reasoning vs Rules: Wie KI die traditionelle SAST ersetzt

Am 20. Februar 2026 erlebte die Cybersicherheitswelt einen Wendepunkt, den viele als entscheidend für die Software-Sicherheitsbranche bezeichnen. Der Start von Claude Code Security durch Anthropic brachte nicht nur ein weiteres Tool ins DevSecOps-Portfolio — er stellte die Logik in Frage, auf der die milliardenschwere Static Application Security Testing (SAST)-Branche basiert.

Seit Jahrzehnten verlassen sich Organisationen auf Mustererkennung — im Wesentlichen fortschrittliche regex-basierte Scans — um festzustellen, ob Code sicher ist. Doch wie jeder Sicherheitsexperte sagt, kann ein Programm syntaktisch perfekt und pattern-clean sein, aber logisch katastrophal.

Dieser Artikel beleuchtet den Paradigmenwechsel von regelbasiertem Scannen zu reasoning-basierten Audits, warum Claude Opus 4.6 Bugs findet, die jahrzehntelang menschliche Überprüfung überlebt haben, und wie Sie Ihre Sicherheitspipeline anpassen müssen, um in dieser AI-nativen Ära zu bestehen.

Der Tod des Mustervergleichs: Warum traditionelle SAST scheitert

Traditionelle SAST-Tools arbeiten mit einer Bibliothek bekannter schlechter Muster. Sie suchen nach spezifischen Strings wie eval() in JavaScript oder unparametrierten SQL-Abfragen. Der Markt für SAST, der 2026 auf etwa 2,8 Milliarden Dollar geschätzt wird, soll bis 2035 auf 6,3 Milliarden Dollar wachsen, bei einer CAGR von 24 %, was zeigt, wie tief diese Tools in Unternehmenssicherheits-Stacks verankert sind.

Die Musterfalle

Wenn eine Schwachstelle kein vordefiniertes Signature-Muster trifft, bleibt sie für traditionelle SAST-Tools unsichtbar. Das führt zu zwei kritischen Problemen:

Der False-Positive-Tsunami: Alte Tools markieren jede Instanz eines “gefährlichen” Schlüsselworts, selbst wenn der Kontext es sicher macht. Sicherheitsteams berichten, dass bis zu 70 % der Triage-Zeit durch doppelte Alarme und False Positives verloren gehen, mit Studien, die Fehlalarmraten von 28–60 % bei herkömmlichen SAST-Implementierungen zeigen.

Die Logiklücke: Musterbasierte Tools können keine Absicht verstehen. Sie wissen nicht, dass “User A” niemals “User B”s Abrechnungsdaten durch eine Side-Channel-IDOR (Unsichere Direkte Objektverweis) zugreifen sollte. Sie können nicht über Business-Logik, Datenfluss zwischen Microservices oder subtile Interaktionen zwischen Komponenten nachdenken.

Der Paradigmenwechsel 2026

Claude Code Security markiert das Ende dieser Ära. Statt Code gegen eine Liste verbotener Muster zu prüfen, liest es den Code als zusammenhängendes Narrativ. Es versteht, dass eine Variable, die in auth.py initialisiert und durch drei Microservices in database.go weitergereicht wird, einen spezifischen Sicherheitskontext trägt, der während ihres Lebenszyklus bewahrt werden muss.

Was ist Claude Code Security?

Als Forschungs-Preview für Enterprise- und Team-Kunden am 20. Februar 2026 gestartet, repräsentiert Claude Code Security die erste industrielle Umsetzung reasoning-basierter Audits. Basierend auf dem Claude Opus 4.6 Modell, das nur zwei Wochen zuvor veröffentlicht wurde, scannt das Tool nicht nur — es denkt.

Die Entdeckung von Schwachstellen, die die Branche schockierte

Vor dem Produktlaunch führte Anthropic’s Frontier Red Team umfangreiche Recherchen durch, die die Fähigkeiten von Claude Opus 4.6 offenbarten. Bei der Analyse von Produktions-Open-Source-Codebasen — Projekten, die Millionen von Stunden Fuzzing und jahrzehntelanger Expertenreview durchlaufen hatten — fand und validierte das Modell mehr als 500 hochkritische Schwachstellen.

Diese waren keine theoretischen Bugs. Jede Schwachstelle wurde von internen Sicherheitsexperten von Anthropic oder externen Fachleuten bestätigt. Zu den Entdeckungen gehörten:

Ghostscript: Ein subtiler Logikfehler, der Abstürze verursachen könnte, durch Analyse der Git-Commit-Historie, um fehlende Bounds-Checks zu identifizieren
OpenSC: Buffer-Overflow-Schwachstellen, entdeckt durch Suche nach unsicheren Funktionsaufrufen wie strrchr() und strcat()
CGIF: Ein Heap-Buffer-Overflow, der ein konzeptuelles Verständnis des LZW-Kompressionsalgorithmus und seiner Interaktion mit dem GIF-Format erforderte

Was diese Entdeckungen bemerkenswert macht, ist, dass herkömmliche Fuzzer mit 100 % Linien- und Zweigabdeckung sie nicht erkennen konnten. Die CGIF-Schwachstelle erforderte eine sehr spezifische Abfolge von Operationen, die zufälliges Testen kaum auslösen würde.

Schlüsselkompetenzen des AI-nativen Security-Scannings

Cross-File-Traceability: Claude Code Security analysiert nicht nur einzelne Dateien — es verfolgt den Datenfluss über ganze Repositories und versteht, wie Variablen und Sicherheitskontexte durch komplexe Codebasen propagiert werden.

Verständnis der Business-Logik: Das Modell kann erkennen, ob Rabattcode-Logik ausgenutzt werden kann, um negative Salden zu erzeugen, oder ob Authentifizierungsprüfungen durch unerwartete Codepfade umgangen werden können.

Multi-Stage-Verifikation: Bevor es Menschen alarmiert, versucht Claude, sich “falsch zu beweisen”, indem es potenzielle Exploits simuliert und False Positives herausfiltert. Anthropic berichtet von False-Positive-Raten unter 5 %, verglichen mit 30–60 % bei herkömmlichen SAST-Tools.

Autonomes Reasoning: Anstatt Muster zu vergleichen, denkt Claude über Vorbedingungen, Randfälle und Entwicklerannahmen nach, die unter bestimmten Umständen scheitern könnten.

Reasoning vs. Rules: Ein technischer Deep Dive

Traditionelle SAST: Deterministische Mustererkennung

Traditionelle Tools verwenden Abstract Syntax Trees (ASTs) und Control Flow Graphs (CFGs), um bekannte schlechte Strukturen zu finden. Die Logik ist deterministisch:

If Pattern(X) ∈ Code, then Alert(X)

Die grundlegende Einschränkung? Dieser Ansatz berücksichtigt nicht die semantische Bedeutung oder den Kontext der Muster.

Reasoning-basierte Audits: Neuro-symbolische Intelligenz

Claude Code Security nutzt, was Anthropic “neuro-symbolisches Reasoning” nennt. Es kombiniert die strukturelle Genauigkeit der Code-Analyse mit der semantischen Tiefe großer Sprachmodelle. Statt zu fragen “Trifft dieses Muster auf eine schlechte Struktur zu?”, fragt es:

“Was versucht diese Funktion zu erreichen, und wo könnten die Annahmen des Entwicklers scheitern?”

Die Innovation der Verifikationsschicht

Eine der innovativsten Funktionen von Claude Code Security ist die Verifikationsschicht. Wenn das Modell eine potenzielle Schwachstelle erkennt, markiert es sie nicht sofort. Stattdessen schaltet es in einen “Red Team”-Modus, in dem es:

Einen Exploit-Pfad hypothesiert
Den Datenfluss verfolgt, um zu bestimmen, ob der Exploit in der Praxis erreichbar ist
Ein Vertrauens- und Schweregrad basierend auf tatsächlicher Ausnutzbarkeit zuweist

Dies reduziert die Alarmmüdigkeit erheblich, die Entwickler dazu bringt, Sicherheitswarnungen zu ignorieren oder stummzuschalten — ein Problem, das laut Branchenforschung bis zu 70 % der Sicherheitsteams betrifft.

Marktreaktion: Warum Cybersicherheitsaktien abstürzten

Die Reaktion des Marktes auf die Ankündigung von Anthropic war schnell und heftig. Am 23. und 24. Februar 2026 erlebten Cybersicherheitsaktien erhebliche Volatilität:

CrowdStrike (CRWD): Absturz um 9,9 %
Microsoft (MSFT): Rückgang um 3,2 %
ETFs der Softwarebranche verzeichneten ihre schlechtesten Sessions seit Anfang Februar

Der Verkauf spiegelte eine wachsende Marktüberzeugung wider, dass der traditionelle “Moat” der Sicherheitsanbieter — aufgebaut auf jahrzehntelanger Bedrohungsintelligenz und manueller Forschung — durch die reasoning-Fähigkeiten der KI grundlegend herausgefordert wird.

Wie ein Analyst sagte: “Wir bewegen uns von einer Welt, in der Sicherheit eine ‘Pforte’ am Ende der Pipeline ist, zu einer Welt, in der Sicherheit eine ‘Eigenschaft’ des KI-Agenten beim Schreiben des Codes ist.”

Die breitere Branchenwirkung

Der Wandel wirkt sich nicht nur auf reine Sicherheitsanbieter aus. Bereits Anfang Februar 2026 hatte die Einführung von branchenspezifischen Claude Cowork-Plugins durch Anthropic die Softwareaktien erschüttert:

Thomson Reuters: Größter Tagesverlust in der Geschichte (-16 %)
LegalZoom: Fast 20 % eingebrochen
FactSet: Mehr als 10 % gefallen
RELX: 14 % gefallen

Das Muster ist klar: AI-native Tools, die in der Lage sind, in spezialisierten Domänen zu reasoning, stellen etablierte Softwarekategorien in Frage.

Fallstudie: Die “nicht erkennbare” jahrzehntelange Bugs

Die Ghostscript-Entdeckung

Anthropic hob eine besonders lehrreiche Schwachstelle in Ghostscript hervor, einem weit verbreiteten PostScript/PDF-Verarbeitungsprogramm. Herkömmliche SAST-Tools hatten diesen Code über 20 Jahre lang durchgelassen, weil die Syntax perfekt war.

Der Fehler: Claude analysierte die Git-Commit-Historie und fand einen Patch, der Stack-Bounds-Checks für die Font-Verarbeitung in gstype1.c hinzufügte. Er kehrte die Logik um: Wenn die Korrektur dort notwendig war, war jede andere Funktion ohne den Patch potenziell verwundbar.

In gdevpsfx.c, einer völlig anderen Datei, stellte Claude fest, dass die gleiche Funktion die Bounds-Checks, die anderswo ergänzt wurden, fehlte. Das Modell baute einen funktionierenden Crash-Proof-of-Concept.

Der Schlüsselerkenntnis: Kein CodeQL-Regel beschreibt dieses Bug-Muster. Fuzzers konnten es trotz Millionen CPU-Stunden nicht auslösen. Manuelle Code-Reviews haben es jahrzehntelang übersehen. Nur das reasoning über die Beziehung zwischen früheren Fixes und aktuellem Code konnte es aufdecken.

Warum Logikfehler wichtiger sind als Syntaxfehler

Hier endet die traditionelle SAST-Diagnose, und reasoning-basierte Audits beginnen. Der Ghostscript-Bug war kein Syntaxfehler — es war ein Logikfehler, der folgendes erforderte:

Den historischen Kontext früherer Fixes
Die semantische Beziehung zwischen verschiedenen Funktionsaufrufen
Die Implikationen fehlender Sicherheitschecks in bestimmten Kontexten

Wie Sie Ihre Security-as-Code-Pipeline weiterentwickeln

Wenn Sie noch eine Security-Pipeline aus dem Jahr 2024 verwenden, setzen Sie effektiv veraltete Tools im AI-nativen Kampf ein. So sollten Unternehmenssicherheitsteams vorgehen:

Schritt 1: Von “Linters” zu “Agents” wechseln

Hören Sie auf, Sicherheitstests als statische Linters zu behandeln, die nach der Code-Erstellung laufen. Integrieren Sie agentische Scanner, die:

Den gesamten Kontext Ihrer Anwendung lesen
API-Dokumentation und Deployment-Konfigurationen zugreifen
Business-Logik und Datenflussmuster verstehen
Sicherheitsimplikationen über Komponenten hinweg reasoning

Schritt 2: Reasoning-basierte Gateways implementieren

Ihre CI/CD-Pipeline sollte nicht mehr nur “Bei Hoch Fehler” auslösen. Stattdessen:

Das AI soll einen Proof of Concept (PoC) für gemeldete Schwachstellen liefern
Wenn das AI nicht zeigen kann, wie der Bug ausnutzbar ist, sollte es den Build nicht blockieren
Vertrauen basierend auf Exploit-Reichweite, nicht nur auf theoretischer Schwere

Schritt 3: Mensch-in-der-Schleife (HITL) für kritische Entscheidungen

AI ist gut darin, das “Was” zu finden, aber Menschen sind weiterhin essenziell für das “Warum”. Laut Anthropic:

Kein Patch wird ohne explizite menschliche Freigabe ausgerollt
Sicherheitsarchitekten prüfen die architektonischen Implikationen der vorgeschlagenen Fixes
Entwicklungsteams validieren, dass die Behebung die Funktionalität nicht beeinträchtigt
Organisationen behalten die Governance darüber, welche Erkenntnisse sofort umgesetzt werden

Vergleich: Traditionelle SAST vs. AI-natives Security

Feature	Traditionelle SAST	AI-natives (Claude Code)
Erkennungsbasis	Vordefinierte Regeln/Regex	Kontextuelles Reasoning
False-Positive-Rate	Hoch (30–60 %)	Niedrig ( % mit Verifikation)
Logikfehler-Erkennung	Nahezu null	Hoch
Behebung	Basisberatung	Automatisch generierte Patches
Kontext	Dateiebene	Repository-übergreifend
Historische Analyse	Nein	Ja (Git-Historie)
Proof of Concept	Manuell	Automatisiert

Marktreaktion und regulatorische Maßnahmen

Branchenkonsolidierung beschleunigt

Der Start von Claude Code Security beschleunigt bereits laufende Trends:

GitLab verzeichnete 27 % Umsatzwachstum nach der Integration von Advanced SAST im Ultimate-Tarif
Sicherheitsteams fordern zunehmend einheitliche Dashboards, die SAST, Software Composition Analysis (SCA) und Geheimnis-Detektion vereinen
Mittelstands-Käufer bevorzugen integrierte Plattformen gegenüber Einzel-Lösungen

Neue regulatorische Rahmenwerke

Der UK-US AI Safety Accord, im späten 2025 formalisiert, setzt neue Protokolle für “cyber-reasoning systems”. Wichtige regulatorische Aspekte:

HITL-Pflichten: Das NIST Cyber AI Profile, aktualisiert Anfang 2026, betont HITL-Anforderungen für vollautomatisches Patchen in kritischer Infrastruktur
Dual-Use-Bedenken: Regulierungsbehörden erkennen, dass Tools, die Schwachstellen in großem Maßstab finden können, von Angreifern missbraucht werden könnten
Offenlegungspflichten: Anthropic verpflichtet sich zu 90-tägigen Offenlegungsfristen für Open-Source-Schwachstellen, wobei viele Experten diese Frist angesichts der AI-gesteuerten Entdeckung bereits für zu lang halten

Das Verteidigungs- vs. Offensivrennen

Anthropic zeigt, dass Claude Opus 4.6 bei Multi-Stage-Angriffen auf Netzwerke mit Dutzenden von Hosts nur mit Standard-Open-Source-Tools erfolgreich ist. Das Unternehmen hat mehrere Schutzmaßnahmen implementiert:

Aktivierungsproben zur Erkennung und Blockierung von Cybermissbrauch in Echtzeit
Echtzeit-Interventionsfähigkeiten, inklusive Blockieren von verdächtigem Traffic
Probe-basierte Erkennungssysteme zur Identifikation von Angreifermustern

Diese Maßnahmen erschweren legitime Sicherheitsforschung und Anthropic arbeitet mit der Community zusammen, um Sicherheit und Forschungsfreiheit auszubalancieren.

Zukunft: “Secure by Construction”

Das ultimative Ziel reasoning-basierter Sicherheit ist nicht nur, Bugs zu finden — sondern sie gar nicht erst zu schreiben. Mit zunehmender Integration von Claude Code in Entwickler-Workflows (bekannt als “vibe-coding with guardrails”) lenkt die KI Entwickler in Echtzeit von unsicheren Mustern ab.

Autonome AppSec in Sicht

Boris Cherny, Schöpfer von Claude Code, gab im Februar 2026 bekannt, dass er “seit November keinen einzigen Codezeile mehr manuell geschrieben hat”. Während er die Bedeutung der Code-Korrektheit und -Sicherheit betont, ist klar: KI-Agenten übernehmen zunehmend Verantwortung im Entwicklungszyklus.

“Ich denke, in der Zwischenzeit wird das sehr disruptiv sein, und es wird für viele schmerzhaft sein,” so Cherny, was die Beschäftigungsimplikationen dieser rasanten technologischen Veränderungen unterstreicht.

Die Skills, die künftig zählen

Da KI Routine-Coding und Sicherheitsaufgaben übernimmt, verschieben sich die wertvollen Fähigkeiten:

Interdisziplinäres Denken: Starke Entwickler, die Design, Infrastruktur und Business verstehen
Generalistische Neugier: Fähigkeit, über die reine Technik hinaus zu denken
AI-native Workflows: Wissen, wie man effektiv delegiert und KI-Agenten überwacht
Urteilsvermögen und Kontextverständnis: Wann automatisierte Vorschläge überschrieben werden sollten

Die Herausforderung der Open-Source-Sicherheit

Open-Source-Software stellt in diesem neuen Paradigma besondere Herausforderungen:

70–90 % moderner Anwendungen basieren auf Open-Source-Komponenten
Viele Projekte werden von kleinen Teams oder Freiwilligen ohne dedizierte Sicherheitsteams gepflegt
Schwachstellen in weitverbreiteten Bibliotheken schaffen Lieferkettenrisiken, die sich im Internet ausbreiten

Anthropic hat kostenlosen beschleunigten Zugang zu Claude Code Security für Open-Source-Maintainer ausgeweitet, da diese Communities die ersten sein werden, in denen AI-entdeckte Schwachstellen auftauchen — und Ressourcen am knappsten sind.

Das 90-Tage-Disclosur-Problem

Obwohl Anthropic eine 90-tägige Offenlegungsfrist für Schwachstellen einhält (Standard in der Sicherheitsbranche), argumentieren Kritiker, dass dieser Zeitrahmen zunehmend unzureichend ist:

KI kann Schwachstellen schneller finden, als menschliche Teams sie triagieren und patchen können
Die Lücke zwischen “Schwachstelle entdeckt” und “Patch ausgerollt” ist die Angriffsfläche, die zählt
Angreifer mit ähnlichen KI-Fähigkeiten könnten gleichzeitig dieselben Bugs finden und ausnutzen

Branchenperspektiven: Nicht alle sind alarmiert

Reaktion von CrowdStrike

CrowdStrike-Mitbegründer und CEO George Kurtz fragte öffentlich, ob Claudes Sicherheits-Tool das, was CrowdStrike tut, ersetzen könne. Claudes Antwort war vorsichtig: Das Tool ergänzt, aber ersetzt nicht Endpoint-Detection, Identitätsschutz und Runtime-Security.

Gegenwehr von Sicherheitsanbietern

Snyk, eine führende AppSec-Plattform, veröffentlichte eine Analyse, die die Marktreaktion als übertrieben ansieht:

Schwachstellen zu finden ist notwendig, aber nicht ausreichend für ein vollständiges Sicherheitsprogramm
Der wahre Wert liegt im Remediation-Loop und der Integration in bestehende Tools
Tägliche AppSec-Operationen erfordern die Bearbeitung von Hunderten bekannter Muster, Lieferkettenrisiken, Container-Fehlkonfigurationen und Compliance-Anforderungen

Das Paradoxon von KI-generiertem Code

Aktuelle Studien liefern eine nüchterne Erkenntnis:

BaxBench (ETH Zürich, UC Berkeley, INSAIT) fand heraus, dass 62 % der Lösungen führender LLMs falsch sind oder Sicherheitslücken enthalten
Claude Opus 4.5 produzierte nur in 56 % der Fälle sicheren und korrekten Code ohne security-specific prompting
CodeRabbit zeigte, dass KI-generierter Code 2,74-mal wahrscheinlicher XSS-Schwachstellen einführt als menschlich geschriebener Code

Ironie: Wir haben KI-Modelle, die 500 Zero-Days in Open-Source-Code finden können, aber auch Schwachstellen in fast der Hälfte des Codes, den sie generieren.

Strategische Empfehlungen für Sicherheitsverantwortliche

Sofortmaßnahmen (nächste 30 Tage)

Claude Code Security in einer Sandbox mit repräsentativen Codebasen evaluieren
Vergleich mit aktuellen SAST-Tools — Fehlalarmraten und neue Erkenntnisse messen
Team-Readiness für AI-gestützte Sicherheits-Workflows prüfen
CI/CD-Gates überprüfen, um reasoning-basierte Verifikation zu integrieren

Mittelfristige Strategie (3–6 Monate)

Hybride Ansätze testen, die herkömmliches SAST mit reasoning-basierten Logik-Checks kombinieren
Governance-Frameworks für AI-basierte Erkenntnisse und Fixes etablieren
Schulungen für Sicherheitsarchitekten in der Überwachung von AI-Security-Agenten
Metriken entwickeln, um die Qualität und Effizienz der AI-gestützten Sicherheit zu messen

Langfristige Positionierung (6–12 Monate)

Plattformkonsolidierung planen — der Markt bewegt sich auf einheitliche Sicherheitsplattformen zu
Regulatorische Änderungen vorbereiten, z.B. im Bereich AI-gestützter Sicherheit und autonomes Patchen
Eigene oder gekaufte AI-native Fähigkeiten aufbauen statt AI an Legacy-Architekturen anzubringen
Partnerschaften mit AI-Sicherheitsanbietern pflegen, dabei aber kritisches internes Know-how bewahren

Die kommende Zweiteilung

Die Sicherheitsbranche wird sich wahrscheinlich in zwei Bereiche aufspalten:

Upstream: AI-Labs dominieren

Unternehmen wie Anthropic und OpenAI kontrollieren die “Upstream”-Sicherheit im Software-Entwicklungszyklus — Schwachstellen finden vor und während der Entwicklung.

Laufzeit: Traditionelle Anbieter wenden sich an

Etablierte Player wie CrowdStrike, Microsoft und Palo Alto Networks konzentrieren sich auf “Runtime”-Schutz und organisatorische Verantwortlichkeit — Bereiche, in denen menschlich validierte Sicherheit und Echtzeit-Reaktion weiterhin entscheidend sind.

Diese Zweiteilung erklärt, warum manche Sicherheitsaktien stark gefallen sind, andere aber resilient blieben: Investoren setzen auf die Unternehmen, die diesen Übergang erfolgreich meistern.

Fazit: Anpassen oder geprüft werden

Der Start von Claude Code Security am 20. Februar 2026 markiert mehr als nur eine Produktankündigung — er bedeutet das Ende der “Checklisten-Ära” der Cybersicherheit. Herkömmliche SAST-Tools, mit ihrer Mustererkennung und hohen False-Positive-Rate, sind für die Komplexität und den Umfang moderner Softwaresysteme unzureichend.

Die Zahlen sprechen für sich:

Über 500 hochkritische Schwachstellen in gut getesteten Open-Source-Codes durch Claude Opus 4.6
Weniger als 5 % False-Positive-Rate im Vergleich zu 30–60 % bei klassischen Tools
2,8 Milliarden Dollar Markt für SAST, der grundlegend disruptiert wird
Milliardenverluste bei Cybersecurity-Aktien innerhalb weniger Tage

Um vorne zu bleiben, müssen Organisationen aufhören, nur Muster zu suchen, und stattdessen auf Logik setzen. Die Zukunft der Sicherheit liegt im reasoning, nicht in den Regeln.

Sicherheitsteams, die dies nur als eine weitere Ankündigung eines Anbieters sehen, riskieren, unvorbereitet zu sein, wenn Angreifer gleichwertige Fähigkeiten einsetzen. Das Zeitfenster zwischen der Einführung KI-gestützter Sicherheit durch Verteidiger und der Ausnutzung durch Angreifer schließt sich rapide.

Wie Logan Graham, Leiter des Anthropic Frontier Red Teams, sagte: “Ich würde nicht überrascht sein, wenn dies einer — oder der Hauptweg — ist, auf dem Open-Source-Software künftig gesichert wird.”

Die Frage ist nicht, ob KI die Anwendungssicherheit transformieren wird. Sie hat es bereits. Die Frage ist, ob Ihre Organisation zu den Verteidigern gehört, die diese Transformation frühzeitig annehmen, um den Vorteil zu behalten.

Dieser Artikel basiert auf öffentlich verfügbaren Informationen vom 25. Februar 2026, einschließlich offizieller Ankündigungen von Anthropic, Marktforschungsergebnissen verschiedener Quellen und Analysen von Cybersicherheits-Experten.