Mit dem FORBES-NEWSLETTER bekommen Sie regelmässig die spannendsten Artikel sowie Eventankündigungen direkt in Ihr E-mail-Postfach geliefert.
Microsoft setzt bei der Suche nach Sicherheitslücken zunehmend auf ein selbst entwickeltes KI-Modell. MAI-Cyber-1-Flash übernimmt bereits 90 % der Aufgaben, während OpenAIs leistungsfähigeres GPT-5.4 nur noch bei besonders komplexen Fällen zum Einsatz kommt. Damit konnte der Konzern die Kosten etwa halbieren – und zugleich die gemessene Leistung steigern.
Microsoft investiert Milliarden in führende KI-Unternehmen – und arbeitet gleichzeitig daran, deren Modelle in den eigenen Produkten seltener einsetzen zu müssen. Mit Project Perception hat der Konzern ein KI-gestütztes Sicherheitssystem gestartet, das seit dem 3. August als öffentliche Vorschau in Microsoft Defender verfügbar ist.
Das zentrale Modell hinter dem System heisst MAI-Cyber-1-Flash und wurde von Microsoft selbst entwickelt. Es übernimmt rund 90 % der Aufgaben bei der automatisierten Suche nach Schwachstellen. Lediglich die schwierigsten 10 % werden an OpenAIs GPT-5.4 weitergeleitet. Nach Angaben des Unternehmens reduziert dieser Ansatz den Rechenaufwand und damit die Kosten um etwa die Hälfte. Damit verschiebt Microsoft sogenannte Frontier-Modelle – besonders grosse und leistungsfähige KI-Systeme – innerhalb eines eigenen Produkts auf eine Art Eskalationsstufe. Sie werden nicht mehr standardmässig für jede Aufgabe eingesetzt, sondern nur dann, wenn kleinere Spezialmodelle an ihre Grenzen stossen.
Project Perception besteht aus mehreren Gruppen spezialisierter KI-Agenten. Rote Agenten untersuchen die Systeme von Kunden nach möglichen Angriffswegen. Blaue Agenten bewerten die gefundenen Hinweise und entscheiden, welche Risiken tatsächlich relevant sind. Grüne Agenten entwickeln anschliessend Lösungsvorschläge und können diese teilweise umsetzen. Bei Massnahmen mit grösseren Auswirkungen bleibt eine menschliche Freigabe erforderlich.
Microsoft Security verfolgt damit das Ziel, Cyberangriffe schneller zu erkennen, Risiken zu priorisieren und Gegenmassnahmen weitgehend automatisiert einzuleiten. Die Abrechnung erfolgt nutzungsabhängig über sogenannte Security Compute Units. Eine zentrale technische Grundlage von Project Perception ist MDASH. Das System besteht aus mehr als 100 spezialisierten Agenten, die Quellcodes durchsuchen, gefundene Sicherheitslücken überprüfen und mögliche Korrekturen vorschlagen. Zuvor arbeitete MDASH vollständig mit Modellen von OpenAI, darunter GPT-5.4, GPT-5.4 mini und GPT-5.3 Codex. Nun ersetzt MAI-Cyber-1-Flash einen Grossteil dieser extern bezogenen Kapazität. Das Modell basiert auf Microsofts MAI-Thinking-1-Modellreihe und verfügt über rund fünf Milliarden aktive Parameter. Damit ist es erheblich kleiner als die leistungsfähigsten KI-Systeme, die es bei vielen Aufgaben ablöst.
Der entscheidende Vorteil liegt nicht allein in der Grösse, sondern in der Spezialisierung. Microsoft trainierte das Modell mit eigenen Daten zu realen Sicherheitslücken, Angriffsmethoden und deren Behebung. Diese Informationen stammen aus jahrzehntelanger Arbeit an Sicherheitslösungen für rund 1,6 Millionen Kunden. Für externe KI-Labore sind vergleichbare Datensätze kaum zugänglich. Sie entstehen direkt im laufenden Betrieb der Microsoft-Infrastruktur und können nicht ohne Weiteres eingekauft oder reproduziert werden. Der Konzern nutzt damit einen Wettbewerbsvorteil, über den vor allem grosse Plattformbetreiber verfügen: proprietäre Daten aus eigenen Produkten und Kundenbeziehungen.
Bei einem internen Vergleich erreichte das gesamte MDASH-System laut Microsoft einen Wert von 95,95 % auf dem Sicherheitsbenchmark CyberGym. Damit lag es nach Angaben des Unternehmens rund zwölf Prozentpunkte vor Anthropic Mythos, einem Modell, das bei Aufgaben im Bereich der KI-gestützten Cybersicherheit als besonders leistungsfähig gilt. CyberGym wurde von Forschern der University of California, Berkeley, entwickelt. Der Benchmark umfasst 1.507 Aufgaben, die auf realen Sicherheitslücken aus 188 Open-Source-Projekten basieren. Als das Testsystem Mitte 2025 veröffentlicht wurde, lösten die besten Agentenkonfigurationen lediglich rund 20 % der Aufgaben.
Microsofts Ergebnis muss dennoch differenziert betrachtet werden. Der Wert von 95,95 % bezieht sich auf das gesamte MDASH-System mit mehreren aufeinander abgestimmten Agenten – nicht ausschliesslich auf MAI-Cyber-1-Flash. Ein direkter Vergleich mit einem einzelnen Modell kann das Resultat daher vorteilhafter erscheinen lassen. Zudem stammen die veröffentlichten Zahlen vom Unternehmen selbst. Ende Juli war das Ergebnis laut einer unabhängigen Überprüfung noch nicht auf der öffentlichen Bestenliste des Benchmarks zu sehen. Für Microsofts interne Entwicklung ist dennoch vor allem ein anderer Vergleich entscheidend: Innerhalb desselben Systems stieg die gemessene Leistung durch den Wechsel von überwiegend externen Frontier-Modellen auf das eigene Spezialmodell von 88,4 % auf 95,95 %. Gleichzeitig sanken die Kosten ungefähr um die Hälfte.
Der Ansatz zeigt, wie sich die wirtschaftlichen Strukturen des KI-Marktes verändern könnten. In produktiven Anwendungen entscheidet nicht automatisch das leistungsfähigste Modell über den grössten Anteil der Nutzung. Plattformbetreiber können jede Aufgabe analysieren und anschliessend jenes System auswählen, das sie am günstigsten und effizientesten erledigt. Routineprüfungen, erste Bewertungen und die Entfernung doppelter Ergebnisse laufen bei MDASH über das kleinere Microsoft-Modell. Nur tiefergehende Analysen komplexer Angriffsketten oder die Entwicklung konkreter Angriffsnachweise werden an GPT-5.4 weitergegeben.
OpenAI stellt damit innerhalb des Systems weiterhin das leistungsfähigste Modell bereit, erhält aber nur noch rund 10 % der Anfragen. Die übrigen 90 % übernimmt ein kleineres System, das schneller, günstiger und mit exklusiven Daten trainiert wurde. Für den kommerziellen Einsatz kann diese Aufteilung entscheidend sein. Wenn die Kosten pro Sicherheitsprüfung sinken, können Unternehmen ihre Systeme häufiger und umfassender analysieren lassen. Da Project Perception nutzungsabhängig abgerechnet wird, kann ein geringerer Preis pro Vorgang zu einer deutlich höheren Gesamtzahl an Prüfungen führen.
Niedrigere Kosten bedeuten daher nicht zwingend weniger Umsatz. Werden KI-Systeme aufgrund günstigerer Preise für wesentlich mehr Aufgaben eingesetzt, können sowohl der Anbieter des Spezialmodells als auch die Entwickler besonders leistungsfähiger Systeme profitieren. Frontier-Modelle bleiben für die schwierigsten Fälle relevant, während kleinere Lösungen den Grossteil des Volumens übernehmen.
Microsoft befindet sich dabei in einer besonderen Position. Der Konzern hält laut den vorliegenden Angaben 27 % an OpenAI. Im April endeten zudem frühere Exklusivitäts- und Umsatzbeteiligungsvereinbarungen zwischen den beiden Unternehmen. Seitdem kann Microsoft stärker mit OpenAI konkurrieren und gleichzeitig vom wirtschaftlichen Erfolg des KI-Unternehmens profitieren. Ähnlich ist die Beziehung zu Anthropic aufgebaut. Microsoft investierte 5 Mrd. US-$ in das Unternehmen, während Anthropic zusagte, Azure-Dienste im Umfang von 30 Mrd. US-$ zu beziehen. Zuletzt verbuchte Microsoft einen Wertzuwachs von 3,2 Mrd. US-$ auf seine Beteiligung.
Anthropic ist damit gleichzeitig Beteiligung, Cloudkunde und Wettbewerber. Bleiben die führenden KI-Labore technologisch vorne, profitiert Microsoft über seine Investments sowie über die Nutzung der eigenen Cloud-Infrastruktur. Können deren Modelle bei bestimmten Aufgaben durch eigene Systeme ersetzt werden, sinken die Kosten und ein grösserer Teil der Marge bleibt im Konzern.
Microsoft verfolgt diese Strategie nicht allein. Google hat mit Gemini 3.5 Flash Cyber ebenfalls ein spezialisiertes Sicherheitsmodell veröffentlicht. Cisco bietet mit Antares eine ähnliche Lösung an. Gemeinsam ist den Unternehmen, dass sie über umfangreiche eigene Sicherheitsdaten verfügen und nicht mehr für jede Aufgabe allgemeine KI-Modelle externer Anbieter nutzen wollen.
Der wirtschaftlich wichtigste Teil dieser Entwicklung ist daher nicht ausschliesslich die Leistungsfähigkeit einzelner Modelle. Entscheidend wird zunehmend, wer das Produkt, die Kundenschnittstelle und die Daten kontrolliert – und damit festlegt, welche Aufgaben an welches KI-System weitergeleitet werden. OpenAI und andere Entwickler führender Modelle können weiterhin hohe Preise für besonders anspruchsvolle Rechen- und Analyseleistungen verlangen. Wie gross dieser Markt tatsächlich wird, bestimmen jedoch immer stärker die Plattformen, die zwischen den Anwendungen und den Modellen stehen. Microsoft nutzt die leistungsfähigsten externen KI-Systeme weiterhin für jene Aufgaben, die ohne sie kaum lösbar wären. Gleichzeitig entscheidet der Konzern selbst, welche Fälle tatsächlich in diese Kategorie fallen.
Text: Jon Markman
Foto: Dima Solomin