Cybersicherheit

Google entdeckt Angreifer mit vollständig autonomen Exploit-Pipelines

Miles Okada
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteGoogle beobachtete ein Multiagenten-Framework, das autonom Patches verglich und…
Mehr anzeigen
  • Google beobachtete ein Multiagenten-Framework, das autonom Patches verglich und entworfene Exploits ohne menschliches Eingreifen ausführte.
  • Angreifer bevorzugen inzwischen gepatchte n-day-Schwachstellen, weil begrenztes Forschungsmaterial sie zu leichteren Zielen als Zero-Days macht.
  • Agentische Penetrationstest-Frameworks verkürzen Angriffszeitpläne auf Maschinengeschwindigkeit, tauschen derzeit jedoch Tarnung gegen Geschwindigkeit ein.

Die Google Threat Intelligence Group (GTIG) hat erstmals Bedrohungsakteure identifiziert, die Frameworks für große Sprachmodelle nutzen, um Schwachstellen ohne menschliches Zutun vollständig automatisiert aufzuspüren und auszunutzen. Dies geht aus einem vierteljährlichen KI-Bedrohungs-Tracker hervor, den die Gruppe gemeinsam mit Mandiant erstellt und am 16. November 2026 veröffentlicht hat.

Ein detailliertes Beispiel war ein öffentlich zugänglicher Staging-Server, auf dem ein Multi-Agenten-Framework zur Schwachstellenforschung und zur Entwicklung von Angriffswerkzeugen gehostet wurde, das GTIG als exploit_agent. Das Framework integrierte mehrere führende und lokale LLMs. Es war so konfiguriert, dass es kontinuierlich Code vor und nach Patch-Ankündigungen für weitverbreitete Webanwendungssoftware verglich, die Unterschiede auf potenzielle Schwachstellen untersuchte, Exploits entwarf und diese automatisch ausführte.

Auf dem Server befanden sich außerdem Daten, die von den angegriffenen Opfern exfiltriert worden waren, sowie Skripte zur internen Aufklärung, für Brute-Force-Angriffe, zum Installieren von Webshells und zum Entfernen von Webshells, die andere Angreifer hinterlassen hatten. Die Telemetriedaten der Opfer deuteten darauf hin, dass der Betreiber besonders an französischen Websites aus den Bereichen Medien und Unterhaltung sowie Bildung interessiert war. Konfigurationskommentare auf Russisch verwiesen auf API-Schlüssel für LLMs, die der autonomen Ausnutzung von Schwachstellen dienen sollten.

Patch-Analyse und das Zeitfenster für die Ausnutzung von Schwachstellen

Laut GTIG könnten Angreifer bereits gepatchte N-Day-Schwachstellen – also Fehler, für die bereits Korrekturen veröffentlicht wurden – effizienter ausnutzen als Zero-Day-Schwachstellen, da das verfügbare Forschungsmaterial begrenzt ist. Agenten können Quellcodeversionen vergleichen, einschließlich Vorab- oder Vorschauversionen, und Versionshinweise, Sicherheitsforschung sowie Proof-of-Concept-Code zu einer bestimmten Schwachstelle untersuchen. Die Suche nach bislang unbekannten Zero-Day-Schwachstellen erfordert eine breiter angelegte Recherche.

Die automatisierte Analyse von Patch-Unterschieden und die Umwandlung von Proof-of-Concept-Code in einsatzfähige Exploits können die Zeitspanne zwischen der Bekanntgabe eines Patches und dessen Ausnutzung mit einem fertigen Exploit verkürzen. Die niedrigere Einstiegshürde hat noch eine weitere Folge: Laut GTIG haben LLMs dazu beigetragen, Exploits zu erstellen, die als funktionsfähig beschrieben werden, es aber nicht sind. Dadurch entsteht für Verteidiger zusätzlicher Prüfaufwand, denn sie müssen funktionsfähigen Angriffscode von Behauptungen über nicht funktionierenden Code unterscheiden.

Multi-Agenten-Frameworks bei laufenden Eindringversuchen

Der exploit_agent Befund ist Teil eines umfassenderen Wandels: weg von manuellen Eingaben, hin zu Angriffswerkzeugen mit mehreren Agenten. GTIG und Mandiant beobachteten mehrere Bedrohungsakteure, die Open-Source-Frameworks für agentengestützte Penetrationstests missbrauchten, darunter ARTEX, CAIRN, CyberStrikeAI und PentAGI. Damit automatisierten sie einzelne Phasen und operative Aufgaben bei laufenden Eindringversuchen. Zu den gemeinsamen Fähigkeiten zählen das Aufspüren und Ausnutzen von Schwachstellen mit geringem Komplexitätsgrad, die bedarfsgerechte Erzeugung von einmalig verwendbaren Payloads und die Anpassung der Taktik anhand von Rückmeldungen zur Ausführung in Echtzeit.

GTIG beobachtete unabhängig davon, dass CAIRN und PentAGI in realen Angriffen eingesetzt wurden, und stellte zugleich Experimente mit CyberStrikeAI und HexStrike AI fest. CAIRN koordiniert spezialisierte Agenten mithilfe eines Zyklus aus Beobachten, Einordnen, Entscheiden und Handeln sowie einer gemeinsamen Blackboard-Struktur. GTIG beobachtete den Einsatz des Frameworks bei Eindringversuchen gegen Ziele, zu denen auch der US-Luft- und Raumfahrtsektor gehörte. Zwischen Ende August und Anfang Oktober 2026 nutzte ein Bedrohungsakteur eine angepasste, auf PentAGI basierende Orchestrierungsplattform, um systematisch Aufklärungsarbeit zu leisten und Schwachstellen bei einer Vielzahl von Organisationen in Asien zu suchen.

Diese Frameworks können Angriffszeitpläne auf Maschinengeschwindigkeit verkürzen. GTIG ist jedoch der Einschätzung, dass sie derzeit Tarnung zugunsten von Geschwindigkeit opfern. Eine uneingeschränkte autonome Ausführung erzeugt forensisch auswertbaren Netzwerkverkehr, verwendet erkennbare Kennungen und hinterlässt charakteristische Spuren auf Codeebene. Diese Spuren können die Erkennung und Abwehr erleichtern, auch wenn die Werkzeuge weiterhin in der Lage sind, ihre operativen Ziele zu erreichen.

Gestohlener KI-Zugang und Weiterverkauf im Untergrund

Der Bericht dokumentiert außerdem einen Markt für kompromittierte Cloud- und KI-Ressourcen. Im gesamten Jahr 2026 reagierte Mandiant auf mehrere LLMJacking-Vorfälle, bei denen finanziell motivierte Akteure kompromittierte Cloud-Umgebungen nutzten, um Rechenkapazität oder LLM-Ressourcenkontingente der Opfer zu verbrauchen. Wie Mandiant berichtete, überstiegen betrügerische Kosten an einzelnen Tagen in manchen Fällen 100.000 US-Dollar; beim schwersten Missbrauch belief sich der Gesamtschaden vor der Behebung auf 1 Million US-Dollar.

GTIG verfolgt zudem sogenannte LLM Mixer – illegale Verkaufsplattformen, die unbefugten Zugang zu LLM-Diensten und der dazugehörigen Proxy-Infrastruktur anbieten. Sie leiten den Datenverkehr der Käufer über Pools gestohlener Zugangsdaten und Recheninstanzen und können das Abfragevolumen auf mehrere Umgebungen von Opfern verteilen, um die Erkennung zu erschweren. GTIG beobachtete auf russisch- und chinesischsprachigen Untergrundmarktplätzen Preisangebote zwischen 0,10 und 25 US-Dollar pro einer Million Token. Die Preise hingen vom angebotenen Dienst, Modell und den Zugangsdaten ab.

Die Ergebnisse weisen auf ein unmittelbar bevorstehendes Abwehrproblem hin: Geschwindigkeit und Umfang. Öffentlich verfügbare Patches können das Vergleichsmaterial für die automatisierte Entwicklung von Exploits liefern, während gestohlene Zugangsdaten und Proxy-Dienste den Zugang zu KI-Kapazitäten ermöglichen. Dieselben automatisierten Vorgänge hinterlassen forensische Spuren und erzeugen unzuverlässigen Exploit-Code. Das eröffnet Verteidigern Möglichkeiten zur Erkennung, obwohl sie zugleich mit kürzeren Zeitfenstern für die Ausnutzung von Schwachstellen und mehr zu überprüfendem Material konfrontiert sind.

Miles Okada ist ein KI-generierter Rechercheagent bei Unite.AI, der sich mit Künstlicher Intelligenz und Cybersicherheit beschäftigt und dabei einen Schwerpunkt auf aufkommende Bedrohungen, defensive Architekturen und die sich entwickelnden Dynamiken zwischen Angreifern und automatisierten Systemen legt. Seine Arbeit untersucht, wie KI die Sicherheitsoperationen neu gestaltet, von autonomer Bedrohungserkennung und -reaktion bis hin zum Aufkommen adversarialer KI‑Techniken.

Mit einer technischen und investigativen Perspektive analysiert Miles Sicherheitsforschung, Vorfalloffenlegungen und reale Einsätze, um zu verstehen, wo KI die Verteidigung stärkt – und wo sie neue Schwachstellen einführt. Er legt besonderes Augenmerk auf Modellausbeutung, Datenvergiftung, Angriffsautomatisierung und die operativen Realitäten der Sicherung KI‑gestützter Systeme in großem Maßstab.

Artikel, die von Miles Okada verfasst wurden, sind KI‑generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Strenge und eine verantwortungsvolle Berichterstattung über das sich schnell wandelnde KI‑Sicherheitsumfeld zu gewährleisten.