flowki@club:~$ Coding, Automation & Security — auf Deutsch
FlowKI Club

Deine KI. Deine Community. Deine Vorteile.

  • KI Know-how
  • Prompts & Tools
  • Security & Privacy
  • Community Support
  • Exklusive Vorteile
Werde Teil der Community

Kritische Copilot-Sicherheitslücke: 2FA-Codes gestohlen

Eine kritische Sicherheitslücke in Copilot ermöglichte Hackern, Zwei-Faktor-Authentifizierung-Codes zu stehlen. Das SearchLeak-Exploit zeigt strukturelle Schwächen in der LLM-Sicherheit.

Kritische Copilot-Sicherheitslücke: 2FA-Codes gestohlen

Dieser Beitrag wurde mit KI-Unterstützung aus der angegebenen Quelle erstellt und vor der Veröffentlichung automatisch gegen sie abgeglichen. Nicht jeder Beitrag wird zusätzlich von Hand gelesen — wir prüfen stichprobenweise nach und kennzeichnen Korrekturen. Beruht ein Artikel auf einem selbst durchgeführten Test, weisen wir das ausdrücklich aus.

Sicherheitslücke in Copilot offenbart fundamentale Probleme

Eine kritische Sicherheitslücke in Microsoft Copilot ermöglichte es Angreifern, 2FA-Codes (Zwei-Faktor-Authentifizierung) direkt von Benutzern zu extrahieren. Das SearchLeak-Exploit demonstriert ein grundlegendes Problem im Sicherheitsansatz der LLM-Industrie.

Wie das Exploit funktionierte

Die Sicherheitslücke nutzten Angreifer durch gezielt formulierte Prompts aus. Sie konnten Copilot dazu bringen, sensible Informationen wie zeitgebundene Authentifizierungscodes preiszugeben – Daten, die normalerweise nur dem Benutzer bekannt sein sollten. Das SearchLeak-Konzept basiert darauf, dass LLMs bei der Kontextabgrenzung versagen und Informationen aus verschiedenen Quellen vermischen können.

Das strukturelle Problem

Das Incident zeigt ein wiederkehrendes Muster: Während LLM-Anbieter Sicherheitsfunktionen mit "Prompt Injection" und "Jailbreak-Schutz" bewerten, übersehen sie grundlegende Fragen der Datentrennung. Ein System, das potenziell auf Nutzerdaten, Suchverlauf oder andere kontextuelle Informationen zugreift, muss streng kontrollieren, welche Daten in welchen Situationen ausgegeben werden.

Die aktuelle Branchenpraktik behandelt LLM-Sicherheit oft isoliert: Man versucht, einzelne problematische Outputs zu blockieren, ohne die fundamentale Architektur zu überdenken. Das ist vergleichbar mit dem Versuch, ein Leck in einem Boot zu stopfen, während die Struktur selbst porös bleibt.

Warum dieser Ansatz scheitert

LLMs sind probabilistische Modelle – sie generieren Outputs basierend auf Wahrscheinlichkeitsverteilungen, nicht auf logischen Regeln. Das macht vollständige Sicherheitsgarantien technisch äußerst schwierig. Unternehmen können zwar Filter einbauen und bestimmte Muster blocken, aber kreative Umformulierungen oder neue Angriffsvektor bleiben möglich.

Dazu kommt: Je mehr Kontextinformationen ein System hat (was für bessere Nutzerfreundlichkeit erforderlich ist), desto größer die Angriffsfläche.

Konsequenzen

Für Unternehmen bedeutet dies, dass LLM-basierte Assistenten, die Zugriff auf sensible Daten haben, zusätzliche Sicherheitsebenen benötigen – nicht nur auf der Prompt-Ebene, sondern bei der Datenverwaltung selbst.

Benutzer sollten verstehen: 2FA-Codes sollten niemals über einen Copilot oder ähnlichen Service eingegeben oder abgerufen werden. Mehrschichten-Authentifizierung funktioniert nur, wenn die Faktoren wirklich getrennt sind.

TeilenXLinkedInWhatsApp
Weiterlesen

Aus dem Magazin

Alle Artikel
SECURITY

AI-Agenten ohne Kontrolle: Das Governance-Problem

2 min · 29. Juli

SECURITY

Google: Hacker nutzen KI zur Entwicklung von Zero-Day-Exploits

2 min · 13. Mai

SECURITY

Chrome-Sicherheitslücke in JavaScript-Engine aktiv ausgenutzt

2 min · 9. Juni