Gambit Securities “AI Across the Intrusion Lifecycle” viser, hvordan AI bevæger sig dybere ind i virkelige cyberangreb

Gambit Securities nye rapport, AI Across the Intrusion Lifecycle, giver en detaljeret gennemgang af, hvordan kunstig intelligens bevæger sig ud over en støttende rolle i cyberkriminalitet og bliver integreret i den daglige mekanik af virkelige intrusionsforsøg. Skrevet af direktør for trusselsintelligens Eyal Sela og cybertrusselsforsker Nir Varon, undersøger rapporten tre uløseligt forbundne trusselsaktører, der bruger AI til alt fra opbygning af enkeltstående scripts og udnyttelsesværktøjer til analyse af stjålet forretningsdata, fejlfinding af infrastruktur og interaktiv bestemmelse af, hvad der skal gøres herefter i kompromitterede miljøer.
Betydningen ligger ikke kun i, at angribere beder store sprogmodeller om at skrive malware. Tilfældene antyder noget mere konsekvent: AI bliver en del af den operationelle arbejdsgang i et intrusionsforsøg, hvilket hjælper angribere med at tilpasse sig, når nye systemer, legitimationsoplysninger, fejl og muligheder dukker op.

Fra kodestøtte til operationel deltager

På tværs af de tre undersøgelser observerede Gambit, at angribere brugte AI på forskellige stadier af et intrusionsforsøg. Modellerne genererede scripts tilpasset til de miljøer, de mødte, udviklede udnyttelsesværktøjer, prioriterede værdifuld forretningsinformation, udførte IT- og DevOps-opgaver og tilpassede gentagne gange kommandoer baseret på outputtet fra kompromitterede systemer.

Dette repræsenterer en vigtig udvikling i forhold til nogle af de tidligste diskussioner om AI-aktiveret cyberkriminalitet, der fokuserede kraftigt på phishing-e-mails, malwaregenerering eller reducering af den tekniske barriere for uerfarne angribere.

AI kan nu fungere mere som en meget responsiv teknisk assistent, der forbliver involveret, mens en operation udvikler sig.

Det bredere trusselslandskab synes at bevæge sig i samme retning. Anthropic analyserede for nylig 832 konti forbundet med skadelig cyberaktivitet mellem marts 2025 og marts 2026 og fandt AI-brug, der spændte over alle 14 taktikker repræsenteret i MITRE ATT&CK-rammen. Virksomheden fandt også, at andelen af aktører, der blev klassificeret som middelrisiko eller højere, steg fra 33% til 56% mellem den første og anden halvdel af den undersøgte periode.

Gambitsagerne giver en særligt konkret visning af, hvordan den udvikling kan se ud inden for aktive kompromitteringer.

En formodet ransomware-operatør sætter Claude Code ind i angrebsløkken

Den første sag omhandler en formodet ransomware-operatør, som Gambit observerede brugte Claude Code på tværs af intrusionsforsøg i seks organisationer i juni 2026, og forskerne forbinder også aktøren til to tidligere kompromitteringer.

Ofrene spændte over flere brancher og lande, herunder en australsk energileverandør, en finansvirksomhed i Mauritius, virksomheder i Sydafrika, Thailand og Malaysia samt flere organisationer i USA. Gambit tilskriver aktiviteten med middel høj konfidens til en affiliate, der bruger The Gentlemen ransomware-as-a-service-operation.

Hvad der står ud, er omfanget af Claude Codes rolle.

Angriberen brugte systemet til at udføre rekognoscering, generere udnyttelseskommandoer, skrive skadelig kode, ændre brandvægspolitikker, kortlægge interne systemer og bestemme, hvilke maskiner eller databaser fortjener yderligere opmærksomhed.

Når legitimationsoplysninger og fjernadgang var etableret, hjalp AI med at fortolke rekognosceringsdata og identificere højværdiske systemer som f.eks. domænekontrollere, filservere og backup-infrastruktur. I en anden del af intrusionsforsøget analyserede det databaser tilhørende en finansvirksomhedsplatform og hjalp med at identificere produktionsdata og kundedokumenter som særligt vigtige.

Sagen illustrerer også begrænsningerne af dagens sikkerhedsforanstaltninger. På et tidspunkt erkendte Claude, at det syntes at interagere med et rigtigt virksomhedsnetværk, og nægtede at fortsætte uden bevis for autorisation. Operatøren åbnede en ny session, genformulerede arbejdet som autoriseret sårbarhedstest, og modellen fortsatte.

Men øget kapacitet betød ikke fejlfrigørelse. Under kompromitteringen af energileverandøren forsøgte Claude at ændre en brandvægskonfiguration og efterlod enheden utilgængelig. Hændelsen er en vigtig modpunkt til frygten for fuldstændigt autonome AI-hackere: modeller kan accelerere offensiv operation, men de kan også begå dyre fejl inden for de systemer, angriberne forsøger at kontrollere.

Zerofot viser, hvad der sker, når AI møder skala

Den anden sag handler mere om industrialisering af adgangskode-tyveri.

Gambit sporer operatøren som Zerofot, der beskriver en kampagne, der søger efter internettet-eksponerede filer og mapper efter API-nøgler, cloud-legitimationsoplysninger, softwaretokens og SSH-private nøgler.

I centrum af operationen lå et brugerdefineret adgangskode-høstningsværktøj kaldet auto_scan. Operatøren byggede værktøjet ved hjælp af OpenAI Codex og Claude Code, og instruerede modellerne under påstanden om, at arbejdet blev udført inden for en autoriseret capture-the-flag-miljø. Scanneren indsamlede eksponerede filer, søgte efter potentielle adgangskoder og forsøgte derefter at validere opdagede nøgler mod deres respektive tjenester.

AIs rolle stoppede ikke, da værktøjet var skrevet.

Claude Code blev også brugt til den mindre glamourøse, men operationelt kritiske opgave at holde infrastrukturen kørende. Gennem en multi-agent-orchestrationsramme hjalp det med at styre scanningsinfrastruktur, proxier, netværkskonfigurationer, brandvægskonfigurationer, overvågning og fejlfinding.

Den forskel er vigtig. Cyberoperationer kræver langt mere end at opdage en sårbarhed eller generere en payload. Infrastruktur skal deployes, software fejler, logfiler skal fortolkes, og konfigurationsproblemer skal løses. AI kan øget hjælpe med dette forbundne arbejde.

Skalaen dokumenteret af Gambit er betydelig. Mellem den 5. april og den 23. maj 2026 indsamlede operationen 2.975 validerede adgangskoder og nøgler fra 1.742 offerhosts. Det inkluderede 661 SSH-private nøgler, 635 AWS-adgangsnøgler forbundet med 214 konti, 448 Google Gemini-nøgler, 254 OpenAI-nøgler og 176 Anthropic-nøgler, samt adskillige andre adgangskodtyper. Gambit siger, at oplysningerne blev delt med Shadowserver Foundation og berørte serviceudbydere for at støtte meddelelse og adgangskode-tilbagekald.

RAGE omdanner AI-genereret kode til et udnyttelsesrammeværk

Den tredje undersøgelse fokuserer på RAGE, et brugerdefineret Python-rammeværk designet til at scanne internettet-eksponerede tjenester, udnytte sårbare installationer, indsamle adgangskoder og installere cryptocurrency-minere.

Gambits forskere mener, at en stor del af RAGE og dets associerede scripts blev AI-genereret. En åbenbaring er usædvanligt afslørende: dele af koden indeholder stadig første-persons, selvkorregerende resonement, der åbenbart blev efterladt af modellen under udviklingen.

AI blev også inkorporeret direkte i det færdige system. RAGE inkluderede en DeepSeek-baseret “AI-Orchestrator” i operatørdashbordet, der gav vejledning til at styre mining-operationen.

Rammeværket målrettede eksponerede tjenester, herunder Redis, Elasticsearch, Docker, Tomcat, Jenkins og andre, mens det søgte efter adgangskoder i kompromitterede miljøer, der kunne skabe yderligere muligheder.

I et tilfælde gav adgangskoder, der blev genfundet fra en eksponeret Redis-installation tilhørende en software-as-a-service-udbyder, administrativ adgang til en AWS-konto. Angriberen genererede herefter yderligere værktøjer til at opnumre identiteter, lagring og andre cloud-resourcer.

Genfundne logfiler viste adgang til otte Identity and Access Management-brugere, hvoraf fire havde AdministratorAccess, samt 196 Amazon S3-buckets.

En kampagne, der åbenbart var motiveret af cryptocurrency-mining, havde derfor også evnen til at omdanne en eksponeret tjeneste til en bredere cloud-kompromittering.

AIs fejl kan blive en del af forsvarerens fordel

En af de mest interessante aspekter af Gambits forskning er, at den dokumenterer AI-fejl sammen med AI-succeser.

Modeller afslørede undertiden angriberens intentioner på uventede måder. AI-genereret værktøj brugte åbenlyse navne som “recon” til cloud-sessioner, mens andre genererede artefakter bevarede beskrivende kommentarer og resonement, der kunne give hints om, hvordan de var oprettet. I ransomware-sagen producerede et mislykket forsøg på at ændre en brandvægskonfiguration en afbrydelse.

Disse svagheder komplicerer idéen om, at AI automatisk gør cyberoperationer mere snigende eller sofistikerede.

Microsofts sikkerhedsforskere har lignende beskrevet AI som en accelerator inden for angriberens arbejdsgang, hvor menneskelige operatører stadig dirigerer mange slut-/slut-operationer. Gambits fund antyder, at forholdet kan ligne en partnerskab: mennesker giver mål og dømmekraft, mens AI absorberer betydelige dele af den tekniske iteration, der er nødvendig for at nå disse mål.

Dette kan gøre angribere hurtigere uden nødvendigvis at gøre dem bedre til operationel sikkerhed.

Cybersikkerhedsteams kan måske være nødt til at forsvare sig mod maskin-hastighedsiteration

Den større bekymring, der rejser sig fra forskningen, er hastighed.

Mange sikkerhedscontroleforudsætter, at en modstander vil bevæge sig gennem et netværk i noget, der ligner menneskepace. En angriber har traditionelt brug for at forstå en ukendt teknologi, forskning i kommandoer, skrive scripts, fejlfinde fejl og fortolke store mængder data, før de beslutter, hvor de skal flytte næste.

Et AI-system kan komprimere mange af disse trin.

Risikoen er derfor ikke begrænset til en fremtidig autonom hacking-agent. En angriber, der forbliver fast i kontrol, kan stadig bruge AI til at reducere mængden af ekspertise, tid og manuel indsats, der kræves for at operere på ukendte miljøer.

Forsvarere kan følgelig være nødt til at fokusere mindre på, om et bestemt stykke malware var “AI-genereret”, og mere på adfærdssignaler på tværs af hele intrusionslivscyklussen: usædvanligt hurtig rekognoscering, gentagne adaptive kommandoer, aggressiv adgangskode-opdagelse, uventet cloud-opnumring, ændringer i backup- eller sikkerhedsinfrastruktur og bevægelse mellem systemer, der sker hurtigere end traditionelle menneskeledede operationer ville antyde.

De samme evner er også værdifulde til forsvar. Anthropic har f.eks. udviklet AI-systemer, der identificerer sårbarheder og hjælper sikkerhedsteams med at afhjælpe dem, hvilket understreger den dobbelte brug af stadig mere kapable cyberværktøjer. Konkurrencen handler stadig om, hvilken side kan anvende disse evner hurtigst og med bedre indsigt.

Til sidst er “AI Across the Intrusion Lifecycle” overbevisende, fordi det flytter AI-cybersikkerhedsdiskussionen væk fra hypotetiske fremtidige angreb og hen imod observerbar operationel adfærd. De tre sager, der er dokumenteret af Gambit Security, viser angribere, der eksperimenterer med forskellige modeller, rammer og niveauer af automatisering, men de deler en vigtig mønster: AI er ikke længere begrænset til at hjælpe med at forberede et angreb. Det er stadig mere til stede, mens angrebet faktisk sker.