KI findet Schwächen in Verschlüsselungsverfahren: Was die Forschung zeigt — und was ein lokales Modell davon kann

KI findet Schwächen in Verschlüsselungsverfahren: Was die Forschung zeigt — und was ein lokales Modell davon kann

Ende Juli 2026 hat Anthropic eine Forschungsarbeit veröffentlicht, in der ein nicht öffentlich verfügbares Modell namens Claude Mythos Preview zwei neue Angriffe auf kryptographische Verfahren gefunden hat. Bemerkenswert ist die Ebene: Die Funde betreffen die Mathematik der Verfahren, nicht den Code, der sie umsetzt.

Die wichtigste Einordnung vorweg, weil Schlagzeilen sie gern verlieren: Keiner der beiden Funde betrifft Systeme, die heute im Einsatz sind. Nach Angaben des Herstellers muss keine produktive Software geändert werden.

Und die zweite Einordnung, die für diesen Blog wichtiger ist: Was ein Forschungsmodell in einem Labor mit erheblichem Aufwand leistet, leistet ein lokal betriebenes Modell im Homelab nicht. Dieser Artikel trennt beides — und zeigt, wofür lokale Modelle bei der Prüfung von Verschlüsselung tatsächlich taugen.

Was gefunden wurde

Das Signaturverfahren HAWK

HAWK ist ein Kandidat für ein digitales Signaturverfahren, das auch gegen künftige Quantencomputer sicher sein soll, und befindet sich im laufenden Auswahlverfahren der US-Standardisierungsbehörde NIST.

Das Modell fand eine bisher ungenutzte Symmetrie in der mathematischen Struktur des Verfahrens, die einen schnelleren Angriff auf den geheimen Schlüssel ermöglicht. Nach Angaben des Herstellers wird die effektive Schlüsselstärke dadurch etwa halbiert.

Die Konsequenz: Um das bisherige Schutzniveau zu halten, müssten die Schlüssel deutlich größer werden — und damit ginge ein Teil dessen verloren, was das Verfahren attraktiv gemacht hat, nämlich seine Kompaktheit. Die Schwäche wurde vor der Veröffentlichung mit den Autoren des Verfahrens abgestimmt.

Eine verkürzte Variante von AES

AES ist das weltweit am häufigsten eingesetzte symmetrische Verschlüsselungsverfahren. Der zweite Fund betrifft aber nicht AES, wie es tatsächlich verwendet wird, sondern eine absichtlich verkürzte Variante mit weniger Runden — ein übliches Übungsziel in der Kryptoanalyse.

Für diese verkürzte Variante verbessert der gefundene Ansatz den bisher besten bekannten Angriff deutlich. Auf das vollständige Verfahren überträgt er sich nicht.

Wenn du also liest, „AES sei geknackt“: Das stimmt nicht. Die Verschlüsselung, die deine Verbindungen und Festplatten schützt, ist davon nicht betroffen.

Warum das trotzdem bedeutsam ist

Nicht wegen der Ergebnisse, sondern wegen des Wegs dorthin. Kryptoanalyse auf dieser Ebene war bisher Spezialisten vorbehalten. Dass ein Modell hier weitgehend selbstständig neue Ansätze findet, verändert, wie Verfahren künftig vor ihrer Einführung geprüft werden können.

Das ist die eigentliche Nachricht: Verfahren lassen sich früher und gründlicher testen — was genau der Zweck solcher Prüfungen ist.

Was ein lokales Modell davon kann — und was nicht

Hier liegt der Punkt, den Artikel zu diesem Thema gern verwischen.

Das Forschungsmodell ist nicht öffentlich verfügbar. Die Arbeit lief mit erheblichem Rechenaufwand, mehreren parallel arbeitenden Instanzen und menschlicher Begleitung. Ein Modell, das auf einer Grafikkarte im Keller läuft, wird keine neuen mathematischen Schwächen in Verschlüsselungsverfahren finden.

Wofür lokale Modelle dagegen durchaus taugen, ist eine andere, praktisch viel häufigere Frage: Wird Verschlüsselung in deinem eigenen Code richtig verwendet?

Die Fehler, die in der Praxis tatsächlich vorkommen

Die allermeisten Sicherheitslücken im Umgang mit Verschlüsselung liegen nicht in den Verfahren, sondern in ihrer Verwendung:

• Fest im Code hinterlegte Schlüssel oder Passwörter.
• Ungeeignete Zufallsquellen für Schlüssel oder Einmalwerte.
• Veraltete oder ungeeignete Verfahren, die aus Gewohnheit weiterverwendet werden.
• Falsche Betriebsarten, die trotz eines sicheren Verfahrens Muster preisgeben.
• Wiederverwendete Einmalwerte — ein Fehler, der ein sonst sicheres Verfahren vollständig aushebeln kann.

Ein Sprachmodell kann solche Muster im Zusammenhang erkennen, wo ein reiner Mustervergleich an der Schreibweise hängenbleibt — etwa wenn ein Schlüssel über mehrere Funktionen weitergereicht wird.

Die Grenze, die dazugehört

Ein Modell, das Code prüft, kann Fehler übersehen und Fehler melden, die keine sind. Bei Sicherheitsprüfungen ist die erste Art gefährlicher, weil sie ein falsches Gefühl von Sicherheit erzeugt.

Deshalb gehört ein solches Werkzeug neben etablierte Prüfwerkzeuge, nicht an ihre Stelle — und bei sicherheitskritischem Code in die Hände von Menschen, die die Befunde beurteilen können.

Warum eine solche Prüfung lokal laufen sollte

Der Grund ist naheliegend, wird aber oft übersehen: Code, der auf Schwächen in der Verschlüsselung geprüft wird, enthält im Zweifel genau die Schwächen — und manchmal die Schlüssel selbst.

Solchen Code an einen fremden Dienst zu schicken, heißt, die gefundenen Lücken aus der Hand zu geben, bevor sie geschlossen sind.

Für diesen Einsatz ist der lokale Betrieb deshalb nicht nur eine Kostenfrage, sondern die naheliegende Wahl — besonders bei fremdem oder vertraulichem Code, für den du keine Weitergabebefugnis hast.

Und die Kontextlänge

Verschlüsselungsfehler zeigen sich oft erst im Zusammenhang mehrerer Dateien: Wo wird der Schlüssel erzeugt, wo gespeichert, wo verwendet? Ein Modell, das nur einzelne Dateien sieht, übersieht genau diese Fehler.

Plane deshalb für lange Eingaben — und rechne den Zwischenspeicher für den Kontext in den Speicherbedarf ein. Wie stark eine niedrige Quantisierung gerade bei solchen strukturierten Prüfaufgaben schadet, steht in unserem Beitrag zu Quantisierungsstufen.

Häufige Fehler

Praktische Handlungsempfehlungen

• Die Forschungsergebnisse richtig einordnen — kein Handlungsbedarf für heutige Systeme.
• Bei eigenen Projekten nach Fehlern in der Verwendung suchen, nicht in den Verfahren.
• Ein lokales Modell als zusätzliche Prüfung nutzen, neben etablierten Werkzeugen.
• Code mit möglichen Schwächen nicht an fremde Dienste geben.
• Für lange Eingaben planen, damit Zusammenhänge über Dateien sichtbar werden.
• Befunde von Menschen prüfen lassen, die sie beurteilen können.
• Nur Code prüfen, für den du befugt bist.

Fazit

Die Forschungsarbeit zeigt etwas Neues: Ein KI-Modell hat weitgehend selbstständig Schwächen in der Mathematik von Verschlüsselungsverfahren gefunden — in einem Kandidaten für künftige Signaturen und in einer verkürzten AES-Variante. Heutige Systeme sind davon nicht betroffen; bedeutsam ist, dass sich Verfahren damit früher und gründlicher prüfen lassen.

Ein lokal betriebenes Modell leistet das nicht. Das Forschungsmodell ist nicht verfügbar, und die Arbeit lief mit einem Aufwand, der mit einem Homelab nichts zu tun hat. Wofür lokale Modelle aber taugen, ist die praktisch viel häufigere Frage: Wird Verschlüsselung im eigenen Code richtig verwendet — ohne fest hinterlegte Schlüssel, ungeeignete Zufallsquellen oder wiederverwendete Einmalwerte?

Für diese Prüfung ist der lokale Betrieb die naheliegende Wahl, weil der geprüfte Code im Zweifel genau die Schwächen enthält, die niemand außer dir sehen sollte. Als alleinige Prüfung taugt ein Modell trotzdem nicht — übersehene Fehler erzeugen falsche Sicherheit.

Quellen und weiterführende Informationen

• Anthropic: Discovering cryptographic weaknesses with Claude (anthropic.com/research) — die Originalveröffentlichung mit technischen Details und Einordnung.
• NIST — Post-Quantum Cryptography (csrc.nist.gov) — Stand des Auswahlverfahrens für neue Signaturverfahren.
• Bundesamt für Sicherheit in der Informationstechnik (bsi.bund.de) — Technische Richtlinien zu kryptographischen Verfahren und Schlüssellängen.
• OWASP (owasp.org) — Hinweise zu häufigen Fehlern bei der Verwendung von Verschlüsselung.
• heise online / c’t (heise.de) — Berichterstattung zu Kryptographie und IT-Sicherheit.
• Gesetze im Internet (gesetze-im-internet.de) — §§ 202a bis 202c StGB.

Haftungsausschluss

Allgemeiner Hinweis: Dieser Artikel auf aimageddon.de dient der allgemeinen Information. Die Darstellung der Forschungsergebnisse beruht auf der Veröffentlichung des Herstellers und der Berichterstattung darüber; technische Einzelheiten und die fachliche Bewertung finden sich in der Originalarbeit. Nach Angaben des Herstellers haben die Ergebnisse keine praktischen Auswirkungen auf heute eingesetzte Systeme. Das verwendete Forschungsmodell ist nicht öffentlich verfügbar; lokal betriebene Modelle erreichen diese Leistung nicht.

Zu Sicherheitsprüfungen: Eine automatisierte Prüfung durch ein Sprachmodell ersetzt weder etablierte Prüfwerkzeuge noch eine fachliche Sicherheitsbewertung; Modelle können Schwächen übersehen und Befunde melden, die keine sind. Setz Verschlüsselung in eigenen Projekten ausschließlich über geprüfte, aktuelle Bibliotheken ein und orientiere dich an den Empfehlungen des BSI. Prüfe nur Code, für den du die entsprechende Befugnis hast — das unbefugte Eindringen in fremde Systeme sowie das Vorbereiten solcher Handlungen sind nach §§ 202a bis 202c StGB strafbar. Code mit möglichen Sicherheitslücken oder enthaltenen Zugangsdaten gehört nicht an fremde Dienste; werden dabei personenbezogene Daten verarbeitet, gelten die Vorgaben der DSGVO.

Betrieb und Verbraucherrechte: Ein lokal betriebener Endpunkt ohne Authentifizierung ist für jedes Gerät im Netz nutzbar — binde ihn an die lokale Adresse und sichere ihn ab. Lizenzbedingungen von Modellgewichten sind gesondert zu prüfen. Beim Kauf von Hardware im Fernabsatz steht dir nach § 312g BGB ein vierzehntägiges Widerrufsrecht zu; bei Mängeln greifen §§ 437 und 438 BGB. Einzelne Links in diesem Beitrag können Affiliate-Links sein; bei einem Kauf kann eine Provision anfallen, ohne dass sich der Preis für dich ändert. Alle genannten Markennamen sind eingetragene Warenzeichen der jeweiligen Inhaber.