Gambit Securities “Künstliche Intelligenz im gesamten Intrusionslebenszyklus” zeigt, wie KI tiefer in realen Cyberangriffe eindringt

Gambit Securities neuer Bericht, Künstliche Intelligenz im gesamten Intrusionslebenszyklus, bietet einen detaillierten Blick darauf, wie künstliche Intelligenz über eine unterstützende Rolle im Cyberkriminalität hinausgeht und in die täglichen Mechanismen realer Angriffe integriert wird. Verfasst von Director of Threat Intelligence Eyal Sela und Cyber Threat Researcher Nir Varon, untersucht der Bericht drei unabhängige Bedrohungsakteure, die KI für alles verwenden, von der Erstellung von Skripten und Exploitation-Tools bis zur Analyse gestohlener Geschäftsdaten, der Fehlersuche in der Infrastruktur und der interaktiven Bestimmung, was als Nächstes in kompromittierten Umgebungen zu tun ist.
Die Bedeutung liegt nicht einfach darin, dass Angreifer große Sprachmodelle bitten, Malware zu schreiben. Die Fälle legen nahe, dass KI Teil des operativen Workflows eines Angriffs wird, indem sie Angreifern hilft, sich an neue Systeme, Anmeldeinformationen, Fehler und Chancen anzupassen.

Von Coding-Assistent zu operativer Teilnehmer

Über die drei Untersuchungen hinweg beobachtete Gambit, dass Angreifer KI während verschiedener Phasen eines Angriffs verwendeten. Modelle generierten Skripte, die auf die Umgebungen zugeschnitten waren, die sie trafen, entwickelten Exploitation-Tools, priorisierten wertvolle Geschäftsinformationen, führten IT- und DevOps-Aufgaben aus und verfeinerten wiederholt Befehle auf der Grundlage der Ausgabe, die von kompromittierten Systemen zurückgegeben wurde.

Dies stellt eine wichtige Evolution von einigen der frühesten Diskussionen über KI-gestützte Cyberkriminalität dar, die sich stark auf Phishing-E-Mails, Malware-Generierung oder die Senkung der technischen Hürde für unerfahrene Angreifer konzentrierten.

KI kann nun eher wie ein hochresponsiver technischer Assistent funktionieren, der während einer Operation involviert bleibt.

Das breitere Bedrohungslandschaft scheint in die gleiche Richtung zu gehen. Anthropic hat kürzlich analysiert, 832 Konten, die mit schädlicher Cyber-Aktivität zwischen März 2025 und März 2026 in Verbindung gebracht wurden, und festgestellt, dass die KI-Nutzung alle 14 Taktiken umfasst, die im MITRE ATT&CK-Framework dargestellt sind. Das Unternehmen fand auch heraus, dass der Anteil der Akteure, die es als mittleres Risiko oder höher einstuft, zwischen der ersten und zweiten Hälfte des untersuchten Zeitraums von 33 % auf 56 % anstieg.

Die Gambit-Fälle bieten einen besonders konkreten Blick darauf, wie sich diese Verschiebung in aktiven Kompromissen manifestieren kann.

Ein mutmaßlicher Ransomware-Operator setzt Claude Code in den Angriffszyklus ein

Der erste Fall betrifft einen mutmaßlichen Ransomware-Operator, den Gambit beobachtet hat, wie er Claude Code bei Angriffen auf sechs Organisationen im Juni 2026 verwendete, wobei die Forscher den Akteur auch mit zwei früheren Kompromissen in Verbindung brachten.

Die Opfer umfassten mehrere Branchen und Länder, darunter ein australisches Energieversorgungsunternehmen, ein Finanzdienstleistungsunternehmen in Mauritius, Unternehmen in Südafrika, Thailand und Malaysia sowie mehrere Organisationen in den Vereinigten Staaten. Gambit ordnet die Aktivität mit mittlerer Sicherheit einem Affiliate der The Gentlemen-Ransomware-as-a-Service-Operation zu.

Was auffällt, ist die Breite der Rolle von Claude Code.

Der Angreifer verwendete das System, um Aufklärung durchzuführen, Exploitation-Befehle zu generieren, schädliche Skripte zu schreiben, Firewall-Richtlinien zu ändern, interne Systeme zu kartieren und zu bestimmen, welche Maschinen oder Datenbanken weitere Aufmerksamkeit verdienen.

Sobald Anmeldeinformationen und Remote-Zugriff hergestellt worden waren, half die KI dabei, Aufklärungsdaten zu interpretieren und höherwertige Systeme wie Domänencontroller, Dateiserver und Backup-Infrastruktur zu identifizieren. In einem anderen Teil des Angriffs analysierte sie Datenbanken, die einem Finanzdienstleistungsunternehmen gehörten, und half dabei, Produktionsdaten und Kundendokumente als besonders wichtig zu identifizieren.

Der Fall zeigt auch die Grenzen der heutigen Schutzmaßnahmen auf. Zu einem Zeitpunkt erkannte Claude, dass es anscheinend mit einem echten Unternehmensnetzwerk interagierte, und weigerte sich, ohne Nachweis der Autorisierung fortzufahren. Der Operator öffnete eine neue Sitzung, stellte die Arbeit als autorisierten Sicherheitstest dar, und das Modell setzte seine Arbeit fort.

Aber eine erhöhte Fähigkeit bedeutete nicht fehlerlose Ausführung. Während des Kompromiss des Versorgungsunternehmens versuchte Claude, eine Firewall-Konfiguration zu ändern, und ließ letztendlich das Gerät unerreichbar. Der Vorfall ist ein wichtiger Gegenpunkt zu den Befürchtungen über perfekt autonome KI-Hacker: Modelle können offensive Operationen beschleunigen, aber sie können auch teure Fehler innerhalb der Systeme machen, die die Angreifer zu kontrollieren versuchen.

Zerofot zeigt, was passiert, wenn KI auf Skala trifft

Der zweite Fall ist weniger über einen gezielten Angriff und mehr über die Industrialisierung von Anmeldeinformationen-Diebstahl.

Gambit verfolgt den Operator als Zerofot, der eine Kampagne durchführt, die nach internet-exponierten Dateien und Verzeichnissen sucht, um API-Schlüssel, Cloud-Anmeldeinformationen, Software-Tokens und SSH-Private-Schlüssel zu stehlen.

Im Mittelpunkt der Operation stand ein benutzerdefinierter Anmeldeinformationen-Sammler-Scanner namens auto_scan. Der Operator baute das Tool mit OpenAI Codex und Claude Code, indem er den Modellen unter dem Vorwand sagte, dass die Arbeit innerhalb einer autorisierten Capture-the-Flag-Umgebung durchgeführt würde. Der Scanner sammelte exponierte Dateien, suchte nach potenziellen Anmeldeinformationen und versuchte, die gefundenen Schlüssel gegen ihre jeweiligen Dienste zu validieren.

Die Rolle der KI endete nicht, nachdem das Tool geschrieben worden war.

Claude Code wurde auch für die weniger glamourösen, aber operativ kritischen Arbeiten verwendet, um die Infrastruktur am Laufen zu halten. Durch ein Multi-Agenten-Orchestrierungs-Framework half es dabei, die Scanner-Infrastruktur, Proxys, Netzwerke, Firewall-Konfigurationen, Überwachung und Fehlersuche zu verwalten.

Diese Unterscheidung ist wichtig. Cyber-Operationen erfordern weit mehr als die Entdeckung einer Schwachstelle oder die Generierung einer Nutzlast. Infrastruktur muss bereitgestellt, Software bricht, Logs müssen interpretiert und Konfigurationsprobleme müssen gelöst werden. KI kann zunehmend bei dieser Verbindungshilfe unterstützen.

Die von Gambit dokumentierte Größe ist erheblich. Zwischen dem 5. April und dem 23. Mai 2026 sammelte die Operation 2.975 validierte Anmeldeinformationen und Schlüssel von 1.742 Opfer-Hosts. Dazu gehörten 661 SSH-Private-Schlüssel, 635 AWS-Zugriffsschlüssel, die mit 214 Konten verbunden waren, 448 Google-Gemini-Schlüssel, 254 OpenAI-Schlüssel und 176 Anthropic-Schlüssel, sowie zahlreiche andere Anmeldeinformationstypen. Gambit sagt, dass die Informationen an die Shadowserver Foundation und betroffene Diensteanbieter weitergeleitet wurden, um Benachrichtigungen und Anmeldeinformationen-Widerruf zu unterstützen.

RAGE wandelt KI-generierten Code in ein Exploitation-Framework um

Die dritte Untersuchung konzentriert sich auf RAGE, ein benutzerdefiniertes Python-Framework, das zum Scannen internet-exponierter Dienste, zur Ausnutzung verletzlicher Bereitstellungen, zum Sammeln von Anmeldeinformationen und zur Installation von Kryptowährungs-Minern konzipiert ist.

Gambits Forscher glauben, dass viel von RAGE und seinen zugehörigen Skripten KI-generiert wurde. Ein Hinweis ist ungewöhnlich aufschlussreich: Teile des Codes enthalten noch erste-Personen-Selbstkorrektur-Argumentationen, die offensichtlich vom Modell während der Entwicklung zurückgelassen wurden.

KI wurde auch direkt in das fertige System integriert. RAGE enthielt einen DeepSeek-gestützten “KI-Orchestrator” in seinem Bedienfeld, der Anweisungen für die Verwaltung des Mining-Betriebs bereitstellte.

Das Framework zielte auf exponierte Dienste wie Redis, Elasticsearch, Docker, Tomcat, Jenkins und andere ab, während es in kompromittierten Umgebungen nach Anmeldeinformationen suchte, die zusätzliche Chancen schaffen könnten.

In einem Fall verschafften Anmeldeinformationen, die von einer exponierten Redis-Bereitstellung eines Software-as-a-Service-Anbieters wiederhergestellt wurden, administrativen Zugriff auf ein AWS-Konto. Der Angreifer generierte anschließend zusätzliche Werkzeuge, um Identitäten, Speicher und andere Cloud-Ressourcen aufzulisten.

Wiederhergestellte Logs zeigten Zugriff auf acht Identity- und Access-Management-Benutzer, von denen vier Administratorzugriff hatten, sowie 196 Amazon-S3-Buckets.

Eine Kampagne, die hauptsächlich durch Kryptowährungs-Mining motiviert zu sein schien, hatte somit auch die Fähigkeit, einen exponierten Dienst in einen umfassenderen Cloud-Kompromiss umzuwandeln.

KI-Fehler können zum Vorteil der Verteidiger werden

Einer der interessantesten Aspekte von Gambits Forschung ist, dass sie KI-Fehler neben KI-Erfolgen dokumentiert.

Modelle legten manchmal die Absichten des Angreifers auf unerwartete Weise offen. KI-generierte Werkzeuge verwendeten auffällige Namen wie “recon” für Cloud-Sitzungen, während andere generierte Artefakte beschreibende Kommentare und Argumentationen bewahrten, die Hinweise darauf liefern könnten, wie sie erstellt wurden. Im Ransomware-Fall produzierte ein versuchter Firewall-Modifizierungsversuch einen Ausfall.

Diese Schwächen komplizieren die Vorstellung, dass KI automatisch Cyber-Operationen unauffälliger oder komplexer macht.

Microsofts Sicherheitsforscher haben ähnlich beschrieben, dass KI ein Beschleuniger innerhalb der Arbeitsabläufe der Angreifer ist, wobei menschliche Operateure viele End-to-End-Operationen noch immer leiten. Gambits Ergebnisse legen nahe, dass die Beziehung zunehmend einer Partnerschaft ähnelt: Menschen liefern Ziele und Urteilsvermögen, während KI einen erheblichen Teil der technischen Iteration absorbiert, die erforderlich ist, um diese Ziele zu erreichen.

Das kann Angreifern helfen, schneller zu sein, ohne notwendigerweise besser in der operativen Sicherheit zu sein.

Cyber-Sicherheitsteams müssen möglicherweise gegen maschinelle Iterationsgeschwindigkeit verteidigen

Die größere Sorge, die durch die Forschung aufgeworfen wird, ist die Geschwindigkeit.

Viele Sicherheitskontrollen gehen davon aus, dass ein Angreifer durch ein Netzwerk mit einer Geschwindigkeit bewegt, die der eines Menschen ähnelt. Ein Angreifer muss traditionell ein unbekanntes Technologie verstehen, Befehle recherchieren, Skripte schreiben, Fehler suchen und große Mengen an Daten interpretieren, bevor er entscheidet, wohin er als Nächstes ziehen soll.

Ein KI-System kann viele dieser Schritte komprimieren.

Das Risiko ist daher nicht auf einen zukünftigen autonomen Hacker-Agenten beschränkt. Ein Angreifer, der fest in der Kontrolle bleibt, kann immer noch KI verwenden, um den Grad an Fachwissen, Zeit und manuellem Aufwand zu reduzieren, der erforderlich ist, um in unbekannten Umgebungen zu operieren.

Verteidiger müssen möglicherweise weniger darauf achten, ob ein bestimmtes Malware-Stück “KI-generiert” ist, und mehr auf Verhaltenssignale im gesamten Angriffszyklus achten: ungewöhnlich schnelle Aufklärung, wiederholte adaptive Befehle, aggressive Anmeldeinformationen-Entdeckung, unerwartete Cloud-Aufzählung, Änderungen an Backup- oder Sicherheitsinfrastruktur und Bewegungen zwischen Systemen, die schneller sind als traditionelle menschlich geführte Operationen.

Die gleichen Fähigkeiten bleiben auch für die Verteidigung wertvoll. Anthropic hat beispielsweise KI-Systeme entwickelt, die Schwachstellen identifizieren und Sicherheitsteams dabei helfen, sie zu beheben, was die dualen Anwendungsmöglichkeiten von zunehmend leistungsfähigen Cyber-Modellen unterstreicht. Der Wettbewerb dreht sich zunehmend darum, welche Seite diese Fähigkeiten schneller und mit besserer Sichtbarkeit anwenden kann.

Letztendlich ist “Künstliche Intelligenz im gesamten Intrusionslebenszyklus” überzeugend, weil es die KI-Cyber-Sicherheitsdiskussion von hypothetischen zukünftigen Angriffen auf beobachtbares operatives Verhalten verlagert. Die drei von Gambit Security dokumentierten Fälle zeigen Angreifer, die mit verschiedenen Modellen, Frameworks und Automatisierungsgraden experimentieren, aber sie teilen ein wichtiges Muster: KI ist nicht länger auf die Vorbereitung eines Angriffs beschränkt. Sie ist zunehmend während des tatsächlichen Angriffs präsent.