LONDON (IT BOLTWISE) – Eine neu veröffentlichte Analyse zeigt, wie „verschleierte“ KI-Reasoning-Blöcke zwischen API-Aufrufen übergreifen können. Dadurch lassen sich laut den Autoren aus öffentlichen Agent-Logs nicht nur interne Gedankenspuren rekonstruieren, sondern vereinzelt auch echte Geheimnisse wie API-Keys und Passwörter. Die Schwäche betrifft verschlüsselte Reasoning-Objekte, deren Blockzustand offenbar über Sitzungen hinweg wiederverwendbar bleibt. Laut Autoren wurden die nachgewiesenen Angriffswege nach Mitigations teilweise abgeschaltet, reproduzierbar ist der Haupt-Extraktionsweg nicht mehr im Stand August 2026.
Die Nachricht wirkt zunächst wie ein klassischer Security-Vorfall rund um große Sprachmodelle: Forschende berichten über eine neu offengelegte API-Schwäche, bei der interne „Reasoning“-Informationen zwischen aufeinanderfolgenden API-Aufrufen nicht so abgeschirmt waren, wie es die Erwartung an verschlüsselte Artefakte nahelegt. Im Kern geht es um einen Mechanismus, der dafür gedacht ist, Denkzustände über mehrere Schritte hinweg konsistent zu halten. Genau diese Konsistenz wird jedoch in der Praxis zum Einfallstor, weil ein verschlüsseltes Reasoning-Objekt aus einem Kontext in einen anderen repliziert und dabei vom Anbieter unverändert weiterverarbeitet wird. Damit verwandeln öffentliche Session- oder Agent-Trajektorien die eigentlich schützenswerten Geheimnisse in etwas, das mit der richtigen Modell- und API-Kombination rekonstruiert werden kann.
Technisch betrachtet basiert das Problem auf „encrypted reasoning objects“, also verschlüsselten, undurchsichtigen Datenblöcken, die ein Modell bereitstellt und die Client-Anwendungen zwischen Requests wiederverwenden sollen. Laut dem beschriebenen Vorgehen bleibt diese undurchsichtige Repräsentation portabel: Ein Block, der in einer Sitzung erzeugt wurde, konnte in einem anderen Lauf erneut eingespeist werden. Entscheidend ist nicht, dass die Kryptografie „geknackt“ wurde, sondern dass die Plattform solche Blöcke als gültigen Zustand akzeptiert und verarbeitet. Die Angriffslogik nutzen Forschende dann gezielt aus, indem sie den Replay mit einem kompatiblen Modell aus derselben Modellfamilie kombinieren. Als eine Art „fuzzy decoder“ sollte dieses Modell anschließend das rekonstruieren, was im Reasoning-Objekt verborgen war – getestet wird das über mehrere Anbieter-Familien, darunter ausdrücklich Claude Haiku 4.5, GPT-5.6 Luna und ein Gemini-Modell für Robotics-Traces.
Die Größenordnung der Auswertung macht das Ausmaß des Skaleneffekts greifbar. In einer Analyse von 6.708 öffentlichen Agent-Trajektorien rekonstruierten die Forschenden 315.320 Thinking-Blöcke. Nach dem Ausschluss von Benchmark-Quellen fanden sie 704 verschiedene Privacy-Artefakte, die aus echten Nutzersitzungen stammen sollen. Unter diesen Artefakten werden konkret 62 API-Keys, 33 Passwörter, 24 Access Tokens und sieben private Keys genannt. Gleichzeitig wird klargestellt, dass der plattformübergreifende Angriff keinen „beliebigen Zugriff“ auf private Chats ermöglicht habe: Er setzt den Besitz bzw. die Beschaffung eines geeigneten verschlüsselten Reasoning-Blocks voraus und verlangt außerdem API-Zugriff auf ein kompatibles Modell beim gleichen Anbieter. Für Unternehmen bedeutet das: Das Risiko trifft besonders dort, wo Rohdaten von Agent-Ausführungen öffentlich oder intern breit geteilt werden, ohne dass Reasoning-Blöcke konsequent entfernt wurden.
Auch die Rolle des bereitgestellten sichtbaren Textes ist wichtiger als viele Sicherheitsmaßnahmen, die nur auf den „readable output“ schauen. Die Studie zeigt, dass ein Teil der sensiblen Informationen in den undurchsichtigen Blöcken steckt und nicht im sichtbaren Verlauf erscheint. Von den 704 nicht-benchmarkartigen Artefakten werden 64 genannt, die ausschließlich im versteckten Reasoning vorkamen und nirgends im sichtbaren Trace. Genau hier entsteht ein gefährlicher Trugschluss: Wer Konversationen „sanitisiert“, also den lesbaren Chatverlauf säubert, kann dennoch Geheimnisse im verschlüsselten Container belassen. Das erklärt auch, warum die Grenze zwischen Datenhygiene und echter Secret-Protection in solchen Systemen so leicht verwischt: Das Erscheinen oder Verschwinden eines Tokens im Klartext ist nicht dasselbe wie die Exponiertheit des gesamten Zustands.
Die Arbeit beschreibt zudem einen zweiten, subtileren Missbrauch: eine Form von Prompt-Injection, die nicht im sichtbaren Text steckt. Forschende konstruieren dabei einen undurchsichtigen Reasoning-Block, der eine bösartige Anweisung enthält, und spielen ihn später in eine thematisch unzusammenhängige Aufgabe ein. Das empfangende Modell soll dann Handlungen ausführen, die dem Angreifer dienen – ohne dass die injizierte Instruktion im klaren Verlauf als Text sichtbar wäre. Damit verschiebt sich das Bedrohungsprofil von „Lecks durch Logs“ hin zu „Manipulation durch replizierten internen Zustand“. In der Praxis betrifft das auch Entwicklerteams, die Debugging-Abläufe oder Agent-Telemetrie speichern und später wiederverwenden, etwa um Fehler reproduzierbar zu machen.
Für die Einordnung im Markt ist wichtig, dass die Autoren keine „Exploitierung in freier Wildbahn“ dokumentieren und die Wirksamkeit der Hauptextraktion laut ihrer eigenen Reproduzierbarkeitsaussage bis August 2026 als nicht mehr gegeben einordnet. Gleichzeitig heißt es, die Attacken hätten nach Mitigations nicht mehr funktioniert, und die Ergebnisse seien an die betroffenen Anbieter adressiert worden. Die Details zu den Mitigation-Status bleiben aber offen, weil laut dem öffentlichen Datensatz keine Bestätigung durch die Anbieter dokumentiert wurde. Unabhängig davon empfiehlt die Studie sehr konkret: Reasoning-Blöcke und undurchsichtige Reasoning-Felder aus geteilten Traces zu entfernen und keine rohen API-Transkripte zu committen – selbst dann nicht, wenn sichtbarer Text bereinigt wurde. Aus historischer Sicht knüpft die Arbeit außerdem an frühere Forschung an, in der ein Kryptografie-Fokus den Replay-Effekt zwischen Sessions und Konten zeigte, damals jedoch noch keine verlässliche Secret-Extraktion in diesem Stil demonstriert wurde.
Für Unternehmen und Plattformanbieter ergibt sich daraus ein klarer Engineering-Impuls: „Verschlüsselt im Transit“ oder „verschlüsselt im Backend“ ist nicht automatisch gleichbedeutend mit „nicht reproduzierbar durch Log-Replay“. Wenn der Client einen Denkzustand als Objekt weiterreichen muss, muss die Datenlinie so gestaltet sein, dass solche Objekte nicht in Artefakte wandern, die Dritten zugänglich werden. Praktisch heißt das für Teams, die Agenten ausführen und Logs speichern: Sie brauchen eine Trennung zwischen Debug- bzw. Beobachtungsdaten und dem internen Modellzustand, inklusive strikter Redaction-Regeln, die nicht nur Text, sondern auch Containerobjekte erfassen. Gleichzeitig sollten Sicherheitsprozesse die Log-Hygiene stärker an den tatsächlichen Schnittstellen ausrichten: Entscheidend ist, was bei einem späteren Replay wieder als gültig akzeptiert wird, nicht was beim ersten Lesen harmlos aussieht.
Damit bleibt auch eine offene Frage für die Branche stehen: ob bereits in öffentlichen Repositories abgelegte und undurchsichtige Reasoning-Blöcke weiterhin decodierbar sind. Der öffentliche Bericht beantwortet das nicht eindeutig, unterscheidet aber zwischen der Frage, ob frische Angriffe noch funktionieren, und ob bereits veröffentlichte Artefakte weiterhin verwertbar bleiben. Für Organisationen, die Sicherheits- und Compliance-Programme gerade in Richtung KI-Agenten ausbauen, heißt das: Der schnellste Hebel liegt nicht in nachträglichen Erklärungen, sondern in einer konsequenten Eliminierung der relevanten Reasoning-Objekte aus jeder Form von gemeinsam genutzten Logs, Tickets und Repositories. So lässt sich das Risiko reduzieren, das aus dem Zusammenspiel von Replay-Portabilität, Modellkompatibilität und der unbeabsichtigten Weitergabe von Containerzuständen entsteht.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Offengelegte API-Schwäche: KI-„Reasoning“-Blöcke verraten Logs, Keys und Passwörter" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Offengelegte API-Schwäche: KI-„Reasoning“-Blöcke verraten Logs, Keys und Passwörter" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Offengelegte API-Schwäche: KI-„Reasoning“-Blöcke verraten Logs, Keys und Passwörter« bei Google Deutschland suchen, bei Bing oder Google News!