Deepfake Vishing – Wie KI-Stimmklone Vishing-Angriffe auf ein neues Level heben

Kein Exploit. Keine Malware. Keine Systemschwachstelle. Nur ein Videocall, der aussah wie jedes andere Meeting im Kalender.

Januar 2024 - Ein Mitarbeiter des britischen Design- und Ingenieurskonzerns Arup – verantwortlich für ikonische Projekte wie das Opernhaus in Sydney, das Bird's Nest Stadion der Olympischen Spiele 2008 in Peking oder das Crossrail-Transportprogramm in London – erhält eine Phishing-E-Mail. Er ist skeptisch. Kurz darauf folgt ein Videoanruf mit mehreren Teilnehmern, darunter augenscheinlich Mitarbeiter des Unternehmens. Alle sehen aus wie Kollegen, alle klingen wie Kollegen, weshalb er seine Zweifel beiseite legt.

Was er nicht wusste: Jede Person in diesem Call außer ihm selbst war ein KI-generiertes Deepfake. Deepfake bezeichnet normalerweise gefälschte Videos, bei denen künstliche Intelligenz eingesetzt wird, um jemanden Dinge tun zu lassen, die nie geschehen sind und dazu extrem realistisch aussehen. Die Betrüger gaben sich während einer scheinbar echten Unternehmensvideokonferenz als leitende Führungskräfte aus und überzeugten ihn, mehrere Überweisungen an bestimmte Bankkonten vorzunehmen. Insgesamt 15 Transaktionen, verteilt über mehrere Tage – am Ende ein Schaden von rund 25,6 Millionen US-Dollar.

Der Vorfall ist kein Einzelfall. Bei einem ähnlichen Vorfall wurde bereits Mark Read, CEO der Werbeholding WPP, Ziel eines ganz ähnlichen Betrugsversuchs – mit einem KI-generierten Stimmklon seiner Person. Rechnungsbetrug, Phishing, WhatsApp-Sprachspoofing, Deepfake-Videocalls: Unternehmen weltweit sehen sich mittlerweile regelmäßig mit dieser Art von Angriff konfrontiert. Aus einem einfachen Grund: Angreifer müssen keine aufwendigen, komplizierten Exploits entwickeln, sondern greifen lediglich auf einfache pyschologische Social Engineeringen Taktiken zurück.

Voice Phishing gilt inzwischen als der zweithäufigste initiale Angriffsvektor für den Zugriff auf Unternehmensnetzwerke, Contact Center allein sollen 2025 einem geschätzten Betrugsvolumen von 44,5 Milliarden US-Dollar ausgesetzt sein. Der Sprachkanal ist längst kein Rückfallkanal mehr – er ist die vordere Eingangstür.

Was Vishing wirklich ist – und wie es sich zu Deepfake-Vishing entwickelt hat

Vishing – kurz für Voice Phishing – ist ein Teilbereich des Social Engineering. Der Begriff bezeichnet betrügerische Telefon- oder Videoanrufe und Sprachnachrichten, die ein Opfer dazu bringen sollen, sensible Informationen wie Zugangsdaten, Kreditkartennummern, Bankdaten oder Geldüberweisungen bereitzustellen. Angreifer nutzen dabei aus, dass viele Mitarbeiter im Arbeitsalltag wenig Zeit haben und vertrauenswürdig wirkende Anfragen bereitwillig beantworten, ohne die Legitimität des Anrufers zu hinterfragen.

Social Engineering im Allgemeinen setzt beim „Faktor Mensch" an – dem vermeintlich schwächsten Glied jeder Sicherheitskette. Ausgenutzt werden dabei grundlegend menschliche Eigenschaften wie Hilfsbereitschaft, Vertrauen oder Angst. Laut einer Studie von Barracuda (Stand: Juni 2021) sieht jede Organisation sich im Schnitt mit über 700 Social-Engineering-Angriffen pro Jahr konfrontiert – der Großteil davon Phishing (43 %) und klassische Scams (39 %), gefolgt von Business E-Mail Compromise (10 %) und Erpressung (2 %).

Was sich in den letzten Jahren fundamental verändert hat, ist die technische Qualität des Angriffswerkzeugs selbst:

Vier Phasen: Wie ein Deepfake-Vishing-Angriff aufgebaut wird

Anders als ein technischer Exploit braucht ein Deepfake-Vishing-Angriff keine Schwachstelle im System – nur Vorbereitung, Material und ein glaubwürdiges Szenario. Der eigentliche Anruf ist meist der kürzeste Teil des gesamten Ablaufs.

Die psychologische Waffe: Cialdinis Prinzipien im Vishing Einsatz

Die Technik hinter Deepfake-Vishing ist neu. Die psychologischen Hebel, die den eigentlichen Betrug tragen, sind es nicht. Robert Cialdinis sieben Prinzipien der Überzeugung erklären, warum selbst aufmerksame, gut ausgebildete Mitarbeiter im entscheidenden Moment kooperieren – wie wir bereits am Beispiel des MGM-Hacks und modernen Vishing-Angriffen gezeigt haben.

Prinzip	Wirkmechanismus	Vishing Beispiel
Autorität	Menschen folgen Autoritäten, ohne sie zu hinterfragen. Angreifer geben sich als Vorgesetzte, IT-Admins, Behörden oder Prüfer aus.	„Hier ist Thomas Bergmann, CTO. Ich brauche sofort Ihren Zugangscode für den Notfall-Server – unser Sicherheitssystem hat einen Alarm!"
Dringlichkeit	Zeitdruck verhindert rationales Denken. Wer keine Zeit zum Nachdenken hat, hinterfragt nicht. Wird in nahezu jedem Vishing Angriff eingesetzt.	„Das Geld muss innerhalb von 30 Minuten raus, sonst platzt der Deal."
Soziale Bewährtheit	Wenn andere eine Handlung bereits vollzogen haben, wirkt sie automatisch legitimiert.	„Alle Kollegen in der Abteilung haben schon ihre Daten bestätigt – Sie sind der Letzte, der noch fehlt."
Sympathie / Liking	Menschen helfen eher Personen, die sie mögen oder als ähnlich wahrnehmen. Gemeinsame Interessen werden vorab auf LinkedIn recherchiert.	„Wir sind doch Kollegen von der gleichen Konferenz!"
Reziprozität	Menschen fühlen sich verpflichtet, Gefälligkeiten zu erwidern. Der Angreifer hilft zuerst, dann folgt „nebenbei" die eigentliche Anfrage.	Erst Unterstützung bei einem IT-Problem anbieten, dann beiläufig um Zugangsdaten bitten.
Commitment / Konsistenz	Wer einmal Ja gesagt hat, sagt eher wieder Ja. Erst kleine, unverfängliche Anfragen, dann die eigentliche Forderung.	„Das war doch kein Problem, oder? Dann können Sie sicher auch..."
Einheit / Zugehörigkeit	Wir-Gefühl und Gruppenidentität werden ausgenutzt – besonders wirksam in Kombination mit Autorität.	„Als Mitglied des Führungsteams brauchen wir jetzt Ihre Hilfe..."

Bei Vishing-Angriffen reicht oft schon der Verweis auf eine Autoritätsrolle, kombiniert mit dem korrekten Namen eines Vorgesetzten – recherchiert auf LinkedIn – um Mitarbeiter zur Kooperation zu bewegen. Eine besonders häufige Variante ist die IT-Support-Impersonation: Der Angreifer gibt sich als Helpdesk-Mitarbeiter aus, nennt eine echte Ticketnummer und Abteilungsbezeichnung – und wirkt dadurch vollständig legitim.

Warum technische Filter scheitern – und wie sich Unternehmen wirklich schützen

Die zentrale Schwachstelle liegt nicht im Netzwerk, sondern im Gehirn: Es ist darauf programmiert, vertraute Stimmen und bekannte Gesichter nicht anzuzweifeln. Wirksame Abwehr kombiniert Prozesse, Technik und Sensibilisierung:

• Safewords / Codewörter für kritische Transaktionen: ein vorab vereinbartes Wort, das bei Überweisungen oder Zugangsanfragen abgefragt wird – unabhängig davon, wie überzeugend Stimme oder Bild wirken.
• Voice-Authentication-Protokolle & Erkennungssoftware: technische Systeme, die synthetische Audio Artefakte in Echtzeit erkennen können.
• Mitarbeiter Training und Simulationen: gezielte Sensibilisierung für die Manipulation von Notfallszenarien. Das zentrale Merkmal jedes Social-Engineering-Angriffs ist die Täuschung über Identität und Absicht des Täters – genau das muss trainiert werden, nicht nur „Phishing-Links erkennen".
• Multi-Faktor-Authentifizierung (MFA): als zusätzliche Hürde, selbst wenn Zugangsdaten oder eine Freigabe durch Täuschung erlangt wurden.
• Identitäten aktiv anzweifeln: Rückverifikation über einen zweiten bzw. über mehrere, unabhängige Kanäle – nicht über die Nummer oder den Kontakt aus dem verdächtigen Anruf selbst.
• Verantwortungsvoller Umgang mit Social-Media-Profilen: öffentlich verfügbares Audio-, Video- und Organisationsmaterial ist für Angreifer das erste Einfallstor.

Für Unternehmen mit vielen Mitarbeitenden – wie Arup – ist gezielte Aufklärung besonders wirksam: Wer weiß, wie Phishing-Nachrichten, Deepfakes und andere Social-Engineering-Formen typischerweise aussehen, erkennt die Warnsignale eher, bevor der Schaden entsteht.

Incident Response: Was tun, wenn es bereits passiert ist?

Fazit: Wenn KI das Vertrauen selbst zur Waffe macht

Die scheinbar sicheren Mauern globaler Konzerne wie Arup bröckeln, wenn KI das menschliche Vertrauen als Einfallstor missbraucht. Einst reichten klassische Betrugsmaschen – heute genügen wenige Sekunden Audiomaterial und ein täuschend echter Deepfake-Videocall, um leitende Personen perfekt zu imitieren. Die Zahlen sind alarmierend: Vishing-Aktivitäten explodieren um 442 %, während manipulierte Stimmklone und Video-Täuschungen Unternehmen weltweit mit Millionenschäden bedrohen.

Bewaffnet mit psychologischen Prinzipien wie Autorität und Dringlichkeit nutzen Angreifer den Faktor Mensch als das vermeintlich schwächste Glied der Kette aus. Ein einziger ahnungsloser Mitarbeiter, gefangen im trügerischen Glauben, das Richtige zu tun, überwies so unbemerkt 25,6 Millionen Dollar an skrupellose Kriminelle. Technische Firewalls versagen, wenn das Gehirn vertraute Stimmen und bekannte Gesichter nicht anzweifelt. Der Sprachkanal wird damit unaufhaltsam zur neuen vorderen Eingangstür der Cyberkriminalität – deren Ausmaße Organisationen nur durch Wachsamkeit, Safewords und Multi-Kanal-Prüfung begrenzen können.