KI-Pentesting-Tools ARTEX und SCARLET LOOP treiben neue Finanzangriffe voran

Ende September und Anfang Oktober 2026 setzten Bedrohungsakteure KI-Agenten ein, um Finanzinstitute in Südkorea und Brasilien zu durchbrechen. CrowdStrike Intelligence identifizierte eine Kampagne unter Verwendung des Penetrationstest-Tools ARTEX gegen koreanische Unternehmen, während ZenoX die Plattform SCARLET LOOP aufdeckte, die brasilianische Konten ins Visier nahm. Beide Operationen führten zu erheblicher Datenexfiltration und Diebstahl von Zugangsdaten und markieren einen Wandel hin zu autonomer, KI-gesteuerter Cyberkriminalität.

Was passiert ist

CrowdStrike entdeckte die Kampagne in Südkorea, nachdem offene Verzeichnisse auf einer IP-Adresse mit Sitz in Hongkong identifiziert wurden. Diese Verzeichnisse legten Claude Code-Sitzungsverläufe, Speicherdateien und Konfigurationsdaten für ARTEX offen, ein Open-Source-agentic Penetrationstest-Tool, das von Autumn-27 in China entwickelt wurde. Der Angreifer operierte von der IP-Adresse 38.244.50[.]120 aus, die die bei den Eindringungen genutzte ARTEX-Instanz hostete. Zwar wurde keine spezifische Gruppe für die Angriffe verantwortlich gemacht, doch Hinweise deuten auf einen chinesischsprachigen Betreiber hin, der finanziell motiviert war.

Gleichzeitig detaillierten ZenoX die Aktivitäten von SCARLET LOOP, einer Plattform, die von einem portugiesischsprachigen Akteur orchestriert wurde. Diese Operation zielte auf brasilianische Loyalitätsprogramme, Unternehmensanreize und Geschenkkarten-Plattformen ab. Die Angreifer verwendeten gestohlene Zugangsdaten aus Infostealer-Logs und Datenlecks, um Konten im großen Maßstab zu übernehmen. Die Analyse eines internet-exponierten Servers ergab, dass die Gruppe über 12 Millionen Zugangsdaten testete und fast 12.000 davon über Tausende von Domains erfolgreich validierte.

Nach dem Missbrauch ihrer Software kündigte Autumn-27 an, dass ARTEX zu einem Closed-Source-Modell wechseln würde. Die Entwickler erklärten, dass das Tool für autorisierte Sicherheitsforschung und Lernzwecke gedacht sei, nicht für böswillige Aktivitäten. Sie bestätigten, dass keine weiteren Versionen oder Wartungsunterstützung veröffentlicht würden, um zusätzlichen Missbrauch zu verhindern.

Wie es funktioniert

Das ARTEX-System arbeitet als ein Multi-Agenten-autonomes Penetrationsframework, das von Large Language Models (LLMs) gesteuert wird. In der beobachteten Kampagne konfigurierte der Angreifer ARTEX so, dass es DeepSeek v4.1-flash als primäres Backend nutzt, ergänzt durch GLM-5.3 von Z.ai und Grok 4.6 von SpaceXAI. Der Betreiber griff diese Modelle wahrscheinlich über einen API-Reseller zu. Der Agent navigierte autonom durch Systeme, identifizierte Schwachstellen und exfiltrierte Daten, während er auch Claude nach Informationen zum Verkauf kompromittierter Daten über Telegram-Gruppen befragte.

SCARLET LOOP nutzt eine komplexere, mehrstufige Automatisierungspipeline. Sie beginnt mit der Zielidentifikation unter Verwendung von GPT-5.6 von OpenAI zur Generierung von Suchabfragen und GPT-5.5 zur Klassifizierung von Zielen mit hohem Wert. Für die Login-Ausführung steuert ein KI-Agent einen instrumentierten Firefox-Browser, der digitale Fingerabdrücke wie Canvas, WebGL und Geolokalisierung fälscht, um Anti-Bot-Abwehrmaßnahmen zu umgehen. Der Agent verwendet DeepSeek-V4-Pro, Claude Opus 4.6 und andere Modelle, um Login-Oberflächen zu kartieren und Formulare ohne menschliche Aufsicht auszufüllen.

Zur Kostenoptimierung verfügt SCARLET LOOP über einen „AUTO Mode“, der das LLM aus der Schleife entfernt, nachdem erfolgreiche Logins auf einer bekannten Domain erfolgt sind. Wie ZenoX feststellte, ist die Modellableitung teuer und langsam, daher zahlt die Plattform nur einmal pro Ziel für Intelligenz. Dies ermöglicht es dem System, Credential Stuffing effizient zu skalieren, Millionen von Kombinationen zu testen und dabei den Tokenverbrauch zu minimieren.

Wichtige Details

• Die ARTEX-Kampagne richtete sich von Ende September bis Anfang Oktober 2026 gegen südkoreanische Finanzorganisationen.
• ARTEX verwendete DeepSeek v4.1-flash als Haupt-LLM, mit GLM-5.3 und Grok 4.6 als Ergänzungen.
• SCARLET LOOP testete 12.277.358 Zugangsdaten und validierte 11.832 über 3.968 Domains.
• Der SCARLET LOOP-Agent nutzt 46 Automatisierungstools und lagert das Captcha-Lösen aus, um Erkennungen zu umgehen.
• Autumn-27 hat den Quellcode für ARTEX nach dessen Einsatz bei unbefugten Angriffen geschlossen.
• Angreifer nutzten Telegram-Kanäle, einschließlich eines mit dem Handle „@YY520CN“ verknüpften, zur Koordination des Datenverkaufs.

Warum es wichtig ist

Diese Vorfälle zeigen, dass Open-Source-KI-Sicherheitstools mit minimaler Modifikation weaponisiert werden. Entwickler und Sicherheitsverantwortliche können nicht länger davon ausgehen, dass Penetrationstest-Frameworks standardmäßig sicher sind. Die Leichtigkeit, mit der ein Betreiber ARTEX über öffentliche APIs und offene Verzeichnisse konfigurieren konnte, hebt das Risiko exponierter Entwicklungsumgebungen hervor. Wenn Konfigurationsdateien und Sitzungsverläufe zugänglich bleiben, können Angreifer diese Operationen schnell replizieren und skalieren.

Für Engineering-Teams, die KI-Agenten entwickeln, bietet die SCARLET LOOP-Architektur ein beunruhigendes Blaupause für Effizienz. Durch die Kombination von LLM-Ableitungen für neuartige Aufgaben mit einfacher Automatisierung für repetitive Vorgänge senken Angreifer die Kosten und behalten gleichzeitig hohe Erfolgsraten bei. Dieser hybride Ansatz ermöglicht es ihnen, sich dynamisch an neue Login-Formulare und Sicherheitsmaßnahmen anzupassen, was traditionelle statische Abwehrmaßnahmen weniger effektiv macht. Organisationen müssen Gegner antizipieren, die ungewohnte Schnittstellen autonom ableiten können.

Was Sie tun können

• Überprüfen Sie alle öffentlich zugänglichen Verzeichnisse und Server, um sicherzustellen, dass keine Konfigurationsdateien, Sitzungsverläufe oder API-Schlüssel exponiert sind.
• Implementieren Sie strenge Zugriffskontrollen für alle KI-Agenten oder Penetrationstest-Tools, die innerhalb Ihrer Infrastruktur verwendet werden.
• Überwachen Sie ungewöhnliche API-Nutzungsmuster, insbesondere von Resellern oder unerwarteten geografischen Standorten.
• Verbessern Sie Bot-Erkennungsmaßnahmen, um Umgehungen durch gefälschte digitale Fingerabdrücke zu erschweren.
• Schützen Sie Ihre eigenen Entwicklungsumgebungen rigoros, um zu verhindern, dass sensible Konfigurationsdaten öffentlich sichtbar werden.