KI Werkzeuge helfen bei Angriffen auf südkoreanische Banken

Worum es geht

Die Sicherheitsfirma CrowdStrike berichtete am 7. Oktober 2026 über Angriffe auf mehrere südkoreanische Finanzinstitute. Nach ihrer Analyse setzte ein bisher nicht namentlich zugeordneter Angreifer das offene Penetrationstest Werkzeug ARTEX zusammen mit mehreren großen Sprachmodellen ein. Die Aktivitäten liefen demnach von Ende September bis Anfang Oktober.

Betroffen waren laut Bericht unter anderem ein Dienst für Kreditanfragen von Finanzvermittlern und ein mobiles Arbeitssystem für Bankbeschäftigte. Parallel untersuchen südkoreanische Behörden Vorfälle bei Hana Bank, KB Kookmin Bank und Shinhan Bank. Welche dieser Vorfälle technisch zusammengehören, wie viele Datensätze entwendet wurden und wer hinter dem Angriff steht, ist bisher nicht bestätigt.

Was ARTEX und die Sprachmodelle tatsächlich machen

ARTEX ist kein selbstständig handelnder Zauberschlüssel. Das Werkzeug bündelt Arbeitsschritte, die auch bei legitimen Sicherheitstests vorkommen. Ein Angreifer kann damit Ziele untersuchen, Schwachstellen bearbeiten und Ergebnisse organisieren. CrowdStrike beobachtete zusätzlich Anfragen an DeepSeek v4.1 flash, GLM 5.3 und Grok 4.6 innerhalb von Claude Code Sitzungen.

Die Modelle halfen offenbar bei Recherche, Formulierung und technischen Aufgaben. In den untersuchten Dateien fanden sich chinesischsprachige Eingaben sowie Fragen nach Märkten für gestohlene koreanische Daten und entsprechenden Telegram Gruppen. In einer Sitzung ließ der Nutzer sogar einen Lebenslauf mit persönlichen Angaben entwerfen. Das sind Indizien, aber kein verlässlicher Identitätsnachweis.

Warum das wichtig ist

Der Fall verschiebt die Debatte von theoretischem Missbrauch zu einem dokumentierten Angriff auf echte Finanzsysteme. Die entscheidende Veränderung ist nicht, dass ein Modell allein eine Bank gehackt hätte. Vielmehr konnte eine Person mehrere Werkzeuge in einer gemeinsamen Arbeitsumgebung kombinieren und einzelne Aufgaben schneller abarbeiten.

Für Banken bedeutet das kürzere Reaktionsfenster. Schutzmaßnahmen müssen nicht nur bekannte Schadsoftware erkennen, sondern auch ungewöhnliche Abfolgen legitimer Werkzeuge, automatisierte Erkundung und verdächtige Datenabflüsse. Für Anbieter von Coding Assistenten stellt sich zugleich die Frage, welche Nutzungsmuster erkannt, begrenzt und nach einem Vorfall nachvollzogen werden können, ohne normale Sicherheitsforschung pauschal zu blockieren.

CrowdStrike bewertet einen chinesischsprachigen und finanziell motivierten Angreifer mit mittlerer Sicherheit. Diese Formulierung ist wichtig: Sprache, Infrastruktur in Hongkong und die Herkunft eines Werkzeugs können Hinweise liefern, beweisen aber weder Nationalität noch staatliche Steuerung. Für die Abwehr zählt deshalb vor allem beobachtbares Verhalten. Herkunftsvermutungen dürfen technische Belege für Zugriffe, Datenbewegungen und betroffene Konten nicht ersetzen.

Einfach erklärt

Man kann sich den Angriff wie einen Einbrecher mit einem gut sortierten Werkzeugwagen vorstellen. Der Schraubendreher öffnet nicht selbst die Tür, und der Werkzeugwagen entscheidet nichts. Aber passende Werkzeuge, Notizen und ein Assistent, der schnell nächste Schritte vorschlägt, können den Einbruch beschleunigen. Verantwortlich bleibt die Person, die den Wagen steuert.

Praktisches Beispiel

Angenommen, eine Bank betreibt 200 interne Anwendungen. Ein Angreifer findet einen von außen erreichbaren Dienst und lässt ein Werkzeug dessen Antworten sammeln. Ein Sprachmodell ordnet 500 technische Meldungen, schlägt zehn interessante Prüfpfade vor und formuliert Befehle. Der Angreifer testet diese Vorschläge, verwirft neun und nutzt einen erfolgreichen Pfad, um auf ein internes Arbeitssystem zuzugreifen.

Dieses Beispiel ist erfunden, zeigt aber den realistischen Vorteil: Nicht jeder Modellvorschlag muss stimmen. Schon eine kleine Zeitersparnis bei Recherche und Sortierung kann dazu führen, dass Verteidiger weniger Zeit zum Erkennen und Sperren haben.

Einordnung und Grenzen

Erstens stammt die technische Zuordnung im Kern von CrowdStrike. Unabhängige Redaktionen berichten darüber, haben aber nicht alle Belege selbst veröffentlicht geprüft. Zweitens sind Identität, Schadenshöhe und vollständiger Umfang der Datenabflüsse offen. Drittens belegt der Fall nicht, dass Sprachmodelle autonome Bankangriffe durchführen können. Menschen wählten Ziele, kombinierten Werkzeuge und bewerteten Ergebnisse.

Auch die genannten Banken sollten nicht automatisch jedem beschriebenen Teilschritt zugeordnet werden. Öffentliche Berichte nennen parallele Untersuchungen, doch die genaue Verbindung zwischen einzelnen Vorfällen bleibt Gegenstand der Ermittlungen.

SEO und GEO Schlüsselbegriffe

CrowdStrike, ARTEX, südkoreanische Banken, KI Sicherheit, Claude Code, DeepSeek, GLM, Grok, Finanzsektor, Cyberangriff, Sprachmodelle, Bedrohungsanalyse