Wenn ich in einer Cloud-Umgebung arbeite, insbesondere bei AWS, ist eine meiner ersten Fragen simpel: Wer darf die KI-Modelle aufrufen, und wer überwacht, was das kostet? Der am 2. November veröffentlichte Bericht der Google Threat Intelligence Group (GTIG) und von Mandiant zeigt, warum diese Frage alles andere als nebensächlich ist.
Sie beschreiben darin das LLMjacking: Angreifer kapern den Zugang eines Unternehmens zu in der Cloud gehosteten Sprachmodellen (LLM), nutzen ihn selbst oder verkaufen ihn weiter, und das Opfer zahlt die Rechnung. Die Zahlen aus den Mandiant-Einsätzen 2026 sprechen für sich: mehr als 100.000 $ an betrügerischem Verbrauch an einem einzigen Tag, und bis zu 1 Million Dollar kumuliert bei manchen Organisationen, bevor der Zugang gekappt wurde.
Wie es funktioniert, einfach erklärt
Anders als Cryptojacking, das wochenlang unauffällig Ressourcen abknabbert, erzeugt LLMjacking Kostenspitzen innerhalb weniger Stunden. Das von Google beschriebene Szenario läuft in vier Schritten ab:
- Der Erstzugang: meist eine exponierte oder gestohlene Cloud-Identität (IAM-Schlüssel, Service-Account-Schlüssel, GitHub-Token, aktive Session) oder ein KI-API-Schlüssel, der in einem öffentlichen Code-Repository vergessen wurde. Auch ohne Authentifizierung exponierte Modellserver, etwa Ollama-Instanzen, sind im Visier.
- Die unauffällige Validierung: Die Schlüssel werden mit winzigen Anfragen getestet, begrenzt auf ein einziges Antwort-Token. Zu klein, um die Volumenalarme der Erkennungstools auszulösen.
- Die Eskalation: Die Angreifer erstellen neue Schlüssel und Service-Accounts und aktivieren selbst KI-Dienste wie Bedrock oder die Gemini-API. In mehreren Vorfällen nutzte das Unternehmen diese Dienste zum Zeitpunkt der Kompromittierung gar nicht. Eine Schwachstelle in einem LiteLLM-Gateway (CVE-2026-40217) diente ebenfalls dazu, einfache virtuelle Schlüssel in Administratorrechte zu verwandeln.
- Die Monetarisierung: Der Zugang wird über „LLM-Mixer“ weiterverkauft, illegale Gateways, die gestohlene Schlüssel bündeln und Abonnements für Spitzenmodelle zu Schleuderpreisen anbieten.
Was ich in der Praxis beobachte
Dieser Bericht liefert Zahlen zu einem blinden Fleck, dem ich regelmäßig begegne:
- Das KI-Budget wird nicht als Sicherheitsrisiko behandelt. Man überwacht die Server, selten den Token-Verbrauch.
- Prototyp-Schlüssel überleben die Testphase. Für einen POC erstellt, mit weitreichenden Rechten, bleiben sie monatelang aktiv, manchmal in einer Konfigurationsdatei oder einem Repository.
- Die Cloud-Rechte sind zu großzügig. Ein Service-Account, der jeden beliebigen Managed Service aktivieren kann, öffnet die Tür zu den teuersten Modellen.
- Die Protokolle der Modellaufrufe sind oft deaktiviert, aus Kosten- oder Volumengründen. Ohne sie ist die Untersuchung blind.
Es geht um mehr als die Rechnung: Eine kompromittierte Cloud-Identität dient auch dazu, Code-Repositories, Secret-Manager und Datenbanken auszukundschaften. Der Verbrauchsbetrug ist oft nur der sichtbare Teil.
Was ich empfehle
Die Best Practices sind bekannt. Den Unterschied macht, sie methodisch anzuwenden. Hier meine Reflexe:
- Least Privilege als Standard: Jeder Identität, die KI-Dienste (Bedrock, Gemini, Azure OpenAI) nicht ausdrücklich braucht, den Zugriff darauf verweigern.
- Segmentierte Schlüssel pro Modell, pro Umgebung (Dev, Prod) und pro Verwendungszweck, damit ein Testschlüssel kein High-End-Modell aufrufen kann.
- Quotas und Ausgabenlimits, mit Budgetalarmen, die bei jemandem landen, der handeln kann.
- Ein zentraler Secret-Manager mit automatischer Rotation, plus ein Scan der Code-Repositories, um committete Schlüssel zu erkennen.
- Gezielte Überwachung: Jede Aktivierung eines KI-Dienstes muss als Sicherheitsereignis behandelt werden. Auf AWS lassen sich mit CloudTrail die Bedrock-Aufrufe (InvokeModel, Converse) und Versuche, die Protokollierung abzuschalten, nachverfolgen.
- Das Patchen der KI-Gateways (LiteLLM und Co.) im selben Rhythmus wie der Rest der IT.
Fazit
LLMjacking illustriert eine einfache Realität: Generative KI ist zu einer hochwertigen Cloud-Ressource geworden, also zu einem Ziel. Die Frage lautet nicht mehr nur „Welches Modell wählen?“, sondern „Wer darf es aufrufen, wie viel, und wer wird bei Missbrauch gewarnt?“. Genau diese Art von Governance helfe ich aufzubauen, von der Zugriffsarchitektur bis zur Kostenüberwachung.
Sie setzen KI-Anwendungen in der Cloud ein und möchten Ihre Zugriffe und Schutzmechanismen überprüfen? Sprechen wir darüber.
Quellen
- Google Threat Intelligence Group, The Rise of LLMJacking: How Threat Actors Monetize Compromised Cloud and Model Resources (2. November 2026): https://cloud.google.com/blog/topics/threat-intelligence/llmjacking-monetizing-compromised-cloud-models/
- BleepingComputer, Google: LLMjacking attacks rack up $1 million in cloud AI charges (3. November 2026): https://www.bleepingcomputer.com/news/security/google-llmjacking-attacks-rack-up-1-million-in-cloud-ai-charges/
- SiliconANGLE (2. November 2026): https://siliconangle.com/2026/11/02/google-finds-llmjacking-attackers-running-up-100k-a-day-in-fraudulent-cloud-charges/
