Warum Sie KI nicht zur Passwortgenerierung nutzen sollten (und was stattdessen)

Künstliche Intelligenz kann Code schreiben, Bücher zusammenfassen, übersetzen und komplexe Fragen beantworten — aber sie ist das falsche Werkzeug für Passwörter.

Mit ChatGPT, Claude, Gemini und anderen Assistenten fragen immer mehr Menschen nach einem „starken, zufälligen Passwort“. Auf den ersten Blick wirken die Ergebnisse überzeugend.

Der Schein trügt

G7$kL9#mQ2&xP4!w

Es erfüllt jede klassische Checkliste: lang, Groß- und Kleinbuchstaben, Zahlen und Symbole — und wirkt völlig zufällig.

Leider trügt der Schein.

Unabhängige Analysen von Irregular und Kaspersky zeigen, dass Passwörter von Large Language Models (LLMs) vorhersehbarer sind, als sie wirken. Statt kryptographisch zufälliger Ausgabe bringen LLMs messbare statistische Verzerrungen ein, die die effektive Entropie gegenüber einem Cryptographically Secure Random Number Generator (CSPRNG) verringern können.

Der Unterschied wirkt subtil — in der Sicherheit ist er entscheidend.

KI imitiert Zufall — sie erzeugt ihn nicht

Der Grund liegt in einer fundamentalen Architekturdifferenz.

Large Language Models sind Vorhersagemaschinen. Sie sollen das wahrscheinlichste nächste Token anhand gelernter Muster vorhersagen — deshalb sind sie stark bei Sprache, Antworten und Code.

Genau deshalb sollte man ihnen keine Passwörter für sensible Konten oder Systeme anvertrauen.

Ein sicherer Passwortgenerator arbeitet umgekehrt: Statt den nächsten Charakter vorherzusagen, zieht er Werte aus einem CSPRNG von Betriebssystem oder Browser — absichtlich so, dass Vorhersage auch bei Kenntnis des Generators praktisch unmöglich bleibt.

Moderne Browser stellen das über die Web Crypto API bereit. So erzeugt passwords.lu kryptographisch sichere Passwörter vollständig im Browser — ohne Generierungsanfrage an einen Server und ohne KI-Modell.

Ein LLM hat keine Entsprechung. Es sagt nur voraus, was zufällig aussieht. Das sind grundverschiedene Ziele.

Zufällig aussehen ist nicht zufällig sein

Menschen sind schlechte Zufallsgeneratoren. Wer eine „zufällige“ Ziffernfolge erfindet, vermeidet Wiederholungen, wechselt gerade/ungerade und erzeugt Muster, die sich zufällig anfühlen — und dadurch leichter vorhersagbar werden.

LLMs haben eine ähnliche Grenze. Sie lernen statistische Muster aus riesigen Textkorpora und reproduzieren sie statt gleichmäßig zufälliger Ausgabe. Ziel ist Plausibilität, nicht Unvorhersagbarkeit.

Diese Präferenzen sind messbar. In Irregulars Studie „Vibe Password Generation“ lieferte Claude Opus nur 30 eindeutige Strings aus 50 Versuchen für 16-Zeichen-Passwörter — und G7$kL9#mQ2&xP4!w erschien 18-mal. Bei GPT, Claude und Gemini: wiederholte Präfixe, verzerrte Häufigkeiten und wiederkehrende Symbole.

Kasperskys World-Password-Day-Analyse kommt im größeren Maßstab zum gleichen Schluss: je 1.000 Passwörter von ChatGPT, Llama und DeepSeek mit starkem Zeichenbias, fehlenden Ziffern/Symbolen und — bei Llama und DeepSeek — Wörterbuch-Substitutionen wie P@ssw0rd-Varianten.

Für Menschen — oder klassische Stärkemesser — wirken sie sicher. Ein Angreifer, der diese Tendenzen kennt, kann Raten priorisieren, die zu den Modellmustern passen, und den effektiven Suchraum verkleinern.

Warum Entropie zählt

Passwortsicherheit hängt nicht davon ab, wie zufällig ein Passwort aussieht, sondern wie unvorhersagbar es wirklich ist.

Kryptographen sprechen von Entropie — einem Maß für Unsicherheit. Ein CSPRNG-Passwort wählt jedes Zeichen unabhängig aus einer gleichmäßig verteilten Zufallsquelle.

Ein LLM arbeitet anders: Es sagt das nächste Zeichen anhand des bereits Erzeugten voraus. Schon kleine statistische Präferenzen senken die effektive Entropie.

Irregular schätzt die Shannon-Entropie für Claude-16-Zeichen-Passwörter auf etwa 27 Bit aus Zeichenstatistiken (gegenüber ~98 Bit bei uniformem druckbarem ASCII) — und noch niedriger über Modell-Log-Wahrscheinlichkeiten. Diese Lücke trennt Marketing-Schätzungen von „Jahrhunderten“ von einem Suchraum, den Angreifer priorisieren können.

Akademische Arbeit kommt zum selben architektonischen Schluss. Eine arXiv-Studie von 2025 zu Zufälligkeit und Entropie in LLM-Aufgaben zeigt, dass modellgenerierte Passwörter und Zufallsstrings geringe Entropie haben, große Anteile der NIST-Zufälligkeitstests scheitern und Passwörter sowie Teilstrings über Generierungen hinweg wiederholt werden.

Der Unterschied mag unsichtbar sein — Angreifer stützen sich auf Wahrscheinlichkeit. Bei Bias wird Raten effizienter.

Die Illusion der Passwortstärke-Meter

Die meisten Meter bewerten sichtbare Merkmale: Länge, Groß-/Kleinbuchstaben, Zahlen, Symbole, Wörterbuch, Wiederholungen.

Ein KI-Passwort schneidet oft hervorragend ab — häufig „Sehr stark“. Irregular stellt fest, dass zxcvbn auch Passwörtern nahezu maximale Entropie zuweisen kann, die unter LLM-bewusster Analyse weit schwächer sind.

Kaspersky fand, dass 88 % der DeepSeek- und 87 % der Llama-Passwörter ihre Sicherheitsleiste nicht erfüllten — ebenso 33 % der ChatGPT-Passwörter — trotz komplex wirkender Oberfläche.

Das Problem: Diese Tools bewerten das Passwort, nicht den Erzeugungsprozess. Sie erkennen nicht, ob kryptographische Zufälligkeit oder ein verzerrtes Sprachmodell dahintersteckt.

Ein Passwort kann alle Komplexitätsregeln erfüllen und dennoch weniger effektive Entropie haben als erwartet.

Das versteckte Risiko von KI-Coding-Assistenten

Das Problem beschränkt sich nicht auf ChatGPT-Passwortanfragen.

Entwickler nutzen KI-Assistenten zunehmend für Configs, Deployment-Skripte, Infra-Templates und Beispielcode. Bei „generiere ein Passwort“ oder „füll Platzhalter-Zugangsdaten“ erfindet der Assistent oft ein Passwort statt Code mit einem CSPRNG vorzuschlagen. Irregular beobachtete außerdem Coding-Agenten, die LLM-Secrets bevorzugen und einfügen, ohne dass Nutzer es bemerken.

• .env-Dateien
• Docker-Compose-Templates
• Kubernetes-Manifeste
• Deployment-Skripte
• Testumgebungen
• Beispielprojekte

Temporäre Zugangsdaten werden oft permanent

Landet dieses Passwort an den genannten Orten, können seine statistischen Eigenschaften jahrelang unbemerkt bleiben. Im Code-Review wirkt es vernünftig — und erbt trotzdem das Verhalten des Modells.

Auch wenn Platzhalter oft vor Produktion ersetzt werden: Geschichte zeigt, dass Beispiel-, Test- und Temporär-Secrets gerne permanent werden.

Kann Prompt-Optimierung das lösen?

Manche versuchen „Erzeuge ein echt zufälliges Passwort“, „Maximale Zufälligkeit“ oder „Erhöhe die Sampling-Temperatur“.

Nichts davon löst das Grundproblem. Ein Prompt ändert, welche Ausgaben wahrscheinlicher werden — er macht aus einem Sprachmodell keinen CSPRNG.

Irregulars Fazit ist klar: Passwörter aus direkter LLM-Ausgabe sind fundamental schwach und nicht durch Prompting oder Temperatur zu reparieren. LLMs sagen wahrscheinliche Ausgaben voraus — sie erzeugen keine kryptographische Entropie.

KI kann trotzdem bei Passwortsicherheit helfen

Das heißt nicht, dass KI schlecht für Cybersicherheit ist — im Gegenteil.

Sie kann Best Practices erklären, Passwortmanager empfehlen, MFA vermitteln, Phishing erkennen helfen, Hashing erklären und allgemeine Fragen beantworten.

Nur den Zufallsgenerator selbst sollte sie nicht ersetzen.

KI-Passwörter vs. kryptographische Generatoren

Echt zufällige Passwörter mit passwords.lu

Für E-Mail, Banking, Cloud, Entwicklerkonten oder Business-Systeme brauchen Sie Werkzeuge für kryptographische Sicherheit.

Bei passwords.lu setzt Generierung nie auf KI. Jedes Passwort entsteht im Browser über die Web Crypto API — Zufälligkeit direkt vom CSPRNG des Betriebssystems.

• lokale Generierung auf Ihrem Gerät
• während der Generierung nichts an unsere Server
• keine KI-Modelle beeinflussen die Ausgabe
• keine Sprachmuster bei der Zeichenwahl
• jedes Zeichen aus kryptographisch sicherer Zufälligkeit

Fazit

Das Ergebnis ist genau das, was ein Passwort sein soll: echt unvorhersagbar — nicht nur zufällig wirkend.

KI verändert Entwicklung, Bildung und Produktivität. Passwortgenerierung braucht jedoch eine ganz andere Eigenschaft als Sprachgenerierung.

LLMs erzeugen wahrscheinliche Ausgaben. Sichere Generatoren erzeugen unvorhersagbare Ausgaben.

Der Unterschied zwischen „wirkt zufällig“ und „kryptographisch zufällig“ mag unsichtbar sein — für Angreifer zählt er.

Wenn Sicherheit von Unvorhersagbarkeit abhängt, nutzen Sie einen Generator auf kryptographischer Zufälligkeit statt sprachstatistischer Vorhersage.

Ihre Passwörter schützen Identität, Finanzen, Systeme und private Daten. Sie verdienen echten Zufall.

Quellen & weiterführende Lektüre

• Irregular — Vibe-Passwortgenerierung: vorhersehbar durch Design
• Kaspersky — Starkes, leicht zu merkendes Passwort erstellen (KI-Analyse, World Password Day 2025)
• arXiv:2510.12080 — Bewertung von Zufälligkeit und Entropie in von Large Language Models unterstützten Aufgaben
• Bruce Schneier — LLMs erzeugen vorhersehbare Passwörter

Weiterlesen

• Woher Passwort-Zufälligkeit kommt
• Passwortgenerator