Η αναφορά της Gambit Security «AI Across the Intrusion Lifecycle» δείχνει πώς το AI μετακινείται βαθύτερα στις πραγματικές κυβερνοεπιθέσεις

Η αναφορά της Gambit Security με τίτλο AI Across the Intrusion Lifecycle προσφέρει μια λεπτομερή ματιά στο πώς η τεχνητή νοημοσύνη μετακινείται πέρα από τον ρόλο της υποστήριξης στον κυβερνοεγκλήμα και γίνεται ενσωματωμένη στις ημερήσιες μηχανικές των πραγματικών επιθέσεων. Γραμμένη από τον Διευθυντή της Threat Intelligence Eyal Sela και τον ερευνητή Cyber Threat Nir Varon, η αναφορά εξετάζει τρεις μη συναφείς actors που χρησιμοποιούν το AI για όλα, από την κατασκευή script και εργαλείων εκμετάλλευσης μέχρι την ανάλυση κλεμμένων επιχειρηματικών δεδομένων, την αντιμετώπιση προβλημάτων υποδομής και την διαδραστική καθοδήγηση για το τι να κάνουν επόμενο μέσα στα επιτευχθέντα περιβάλλοντα.
Η σημασία δεν είναι απλώς ότι οι επιτιθέμενοι ζητούν από τα μεγάλου μεγέθους γλωσσικά μοντέλα να γράψουν κακόβουλο λογισμικό. Οι περιπτώσεις υποδεικνύουν κάτι πιο σημαντικό: το AI γίνεται μέρος της λειτουργικής ροής μιας επίθεσης, βοηθώντας τους επιτιθέμενους να προσαρμοστούν καθώς εμφανίζονται νέα συστήματα, διαπιστευτήρια, σφάλματα και ευκαιρίες.

Από βοηθός κωδικοποίησης σε λειτουργικό συμμετέχοντα

Σε όλες τις τρεις έρευνες, η Gambit παρατήρησε τους επιτιθέμενους να χρησιμοποιούν το AI σε διαφορετικά στάδια μιας επίθεσης. Τα μοντέλα παρήγαγαν script προσαρμοσμένα στα περιβάλλοντα που συναντούσαν, ανέπτυξαν εργαλεία εκμετάλλευσης, κατηγοριοποίησαν σημαντικές επιχειρηματικές πληροφορίες, εκτέλεσαν εργασίες IT και DevOps και επανειλημμένα βελτίωσαν εντολές με βάση την έξοδο που επέστρεψε από τα επιτευχθέντα συστήματα.

Αυτό αντιπροσωπεύει μια σημαντική εξέλιξη από τις πρώτες συζητήσεις γύρω από το AI-ενεργοποιημένο κυβερνοεγκλήμα, οι οποίες εστιάζονταν έντονα σε emails phishing, γεννήτρια κακόβουλου λογισμικού ή μειώνοντας τον τεχνικό φραγμό για ανειδίκευτους επιτιθέμενους.

Το AI μπορεί τώρα να λειτουργεί περισσότερο σαν ένας υψηλά ανταποκριτικός τεχνικός βοηθός που παραμένει εμπλεκόμενος καθώς η επιχείρηση αναπτύσσεται.

Το ευρύτερο τοπίο απειλών φαίνεται να κινείται στην ίδια κατεύθυνση. Η Anthropic πρόσφατα ανάλυσε 832 λογαριασμούς που σχετίζονται με κακόβουλη κυβερνοδραστηριότητα μεταξύ Μαρτίου 2025 και Μαρτίου 2026 και βρήκε τη χρήση του AI να καλύπτει όλες τις 14 τακτικές που αντιπροσωπεύονται στο πλαίσιο MITRE ATT&CK. Η εταιρεία βρήκε επίσης ότι το ποσοστό των actors που κατηγοριοποιήθηκαν ως μέσος κίνδυνος ή υψηλότερος αυξήθηκε από 33% σε 56% μεταξύ του πρώτου και του δεύτερου μέρους της περιόδου που μελετήθηκε.

Οι περιπτώσεις της Gambit παρέχουν μια ιδιαίτερα συγκεκριμένη άποψη για το πώς μπορεί να φαίνεται αυτή η μετατόπιση μέσα σε ενεργές επιθέσεις.

Ένας υποψήφιος оператор ransomware τοποθετεί το Claude Code μέσα στην επιθετική λούπα

Η πρώτη περίπτωση αφορά έναν υποψήφιο оператор ransomware που η Gambit παρατήρησε να χρησιμοποιεί το Claude Code σε επιθέσεις σε έξι οργανισμούς τον Ιούνιο του 2026, με τους ερευνητές να συνδέουν επίσης τον actor με δύο προηγούμενες επιθέσεις.

Οι θύματα εκτείνονταν σε πολλαπλά βιομηχανικά και χώρας, συμπεριλαμβανομένης μιας αυστραλιανής ενεργειακής εταιρείας, μιας εταιρείας χρηματοοικονομικών υπηρεσιών στη Μαυρίκιο, επιχειρήσεων στη Νότια Αφρική, την Ταϊλάνδη και τη Μαλαισία, και πολλών οργανισμών στις Ηνωμένες Πολιτείες. Η Gambit αποδίδει τη δραστηριότητα με μέτρια εμπιστοσύνη σε έναν συνεργάτη που χρησιμοποιεί την επιχείρηση ransomware-as-a-service The Gentlemen.

Το που ξεχωρίζει είναι το εύρος του ρόλου του Claude Code.

Ο επιτιθέμενος использовал το σύστημα για να διεξάγει αναγνώριση, να γεννήσει εντολές εκμετάλλευσης, να γράψει κακόβουλο script, να τροποποιήσει πολιτικές τείχους προστασίας, να χαρτογραφήσει εσωτερικά συστήματα και να καθορίσει ποια μηχανήματα ή βάσεις δεδομένων άρμοζαν σε πρόσθετη προσοχή.

Μόλις είχαν καθοριστεί διαπιστευτήρια και απομακρυσμένη πρόσβαση, το AI βοήθησε στην ερμηνεία δεδομένων αναγνώρισης και στην αναγνώριση υψηλότερης αξίας συστημάτων, όπως ελεγκτές τομέα, διακομιστές αρχείων και υποδομή αντίγραφων ασφαλείας. Σε ένα άλλο μέρος της επίθεσης, ανάλυσε βάσεις δεδομένων που ανήκουν σε μια πλατφόρμα χρηματοοικονομικών υπηρεσιών και βοήθησε στην αναγνώριση δεδομένων παραγωγής και εγγράφων πελατών ως ιδιαίτερα σημαντικών.

Η περίπτωση επίσης δείχνει τα όρια των σημερινών προστατευτικών μέτρων. Σε ένα σημείο, το Claude αναγνώρισε ότι φαίνεται να αλληλεπιδρά με ένα πραγματικό εταιρικό δίκτυο και αρνήθηκε να προχωρήσει χωρίς απόδειξη εξουσιοδότησης. Ο оператор άνοιξε μια νέα συνεδρία, επαναδιατύπωσε το έργο ως εξουσιοδοτημένη δοκιμή ευπάθειας, και το μοντέλο συνέχισε.

Αλλά η αυξημένη ικανότητα δεν σήμαινε άψογη εκτέλεση. Κατά τη διάρκεια της επιθέσης στην εταιρεία ενέργειας, το Claude προσπάθησε να τροποποιήσει μια ρύθμιση τείχους προστασίας και τελικά άφησε τη συσκευή μη προσβάσιμη. Το περιστατικό είναι một σημαντική αντίθεση με τους φόβους για τέλειους αυτόνομους AI hackers: τα μοντέλα μπορούν να επιταχύνουν τις επιθετικές επιχειρήσεις, αλλά μπορούν επίσης να κάνουν κοστοβόρες λάθη μέσα στα ίδια συστήματα που οι επιτιθέμενοι προσπαθούν να ελέγξουν.

Το Zerofot δείχνει τι συμβαίνει όταν το AI συναντά κλίμακα

Η δεύτερη περίπτωση δεν αφορά μια στοχευμένη επίθεση, αλλά περισσότερο την βιομηχανοποίηση της κλοπής διαπιστευτηρίων.

Η Gambit παρακολουθεί τον оператор ως Zerofot, περιγράφοντας μια εκστρατεία που αναζήτησε αρχεία και καταλόγους που εκτίθενται στο διαδίκτυο για κλειδιά API, διαπιστευτήρια cloud, tokens λογισμικού και ιδιωτικά κλειδιά SSH.

Στο κέντρο της επιχείρησης ήταν ένας προσαρμοσμένος σαρωτής κλοπής διαπιστευτηρίων με το όνομα auto_scan. Ο оператор κατασκεύασε το εργαλείο χρησιμοποιώντας το OpenAI Codex και το Claude Code, δίνοντας εντολές στα μοντέλα με την πρόθεση ότι το έργο διεξαγόταν μέσα σε ένα εξουσιοδοτημένο περιβάλλον capture-the-flag. Ο σαρωτής συγκέντρωσε εκτεθειμένα αρχεία, αναζήτησε τα αρχεία για πιθανά διαπιστευτήρια και στη συνέχεια προσπάθησε να επικυρώσει τα ανακαλυφθέντα κλειδιά έναντι των αντίστοιχων υπηρεσιών.

Ο ρόλος του AI δεν σταμάτησε μια φορά το εργαλείο είχε γραφτεί.

Το Claude Code χρησιμοποιήθηκε επίσης για το λιγότερο γοητευτικό αλλά λειτουργικά κρίσιμο έργο της διατήρησης της υποδομής σε λειτουργία. Μέσω ενός πλαισίου ορχήστρας πολλαπλών πρακτόρων, βοήθησε στη διαχείριση της υποδομής σαρωτή, прокσί, δικτύωσης, ρυθμίσεων τείχους προστασίας, παρακολούθησης και αντιμετώπισης προβλημάτων.

Αυτή η διάκριση έχει σημασία. Οι κυβερνοεπιχειρήσεις απαιτούν πολύ περισσότερα από το να ανακαλύψουν μια ευπάθεια ή να γεννήσουν ένα payload. Η υποδομή πρέπει να αναπτυχθεί, το λογισμικό σπάει, τα logs πρέπει να ερμηνευτούν και τα προβλήματα ρυθμίσεων πρέπει να λυθούν. Το AI μπορεί να βοηθήσει όλο και περισσότερο με αυτή τη συνδετική εργασία.

Η κλίμακα που τεκμηριώθηκε από την Gambit είναι σημαντική. Μεταξύ 5 Απριλίου και 23 Μαΐου 2026, η επιχείρηση συγκέντρωσε 2.975 επικυρωμένα διαπιστευτήρια και κλειδιά από 1.742 θύματα. Αυτό περιελάμβανε 661 ιδιωτικά κλειδιά SSH, 635 κλειδιά πρόσβασης AWS που σχετίζονταν με 214 λογαριασμούς, 448 κλειδιά Google Gemini, 254 κλειδιά OpenAI και 176 κλειδιά Anthropic, μεταξύ άλλων τύπων διαπιστευτηρίων. Η Gambit λέει ότι οι πληροφορίες μοιράστηκαν με το Shadowserver Foundation και τους επηρεαζόμενους παρόχους υπηρεσιών για να υποστηρίξουν την ειδοποίηση και την ανάκληση διαπιστευτηρίων.

Το RAGE μετατρέπει τον AI-γεννημένο κώδικα σε πλαίσιο εκμετάλλευσης

Η τρίτη έρευνα εστιάζεται στο RAGE, ένα προσαρμοσμένο πλαίσιο Python που σχεδιάστηκε για να σαρώνει υπηρεσίες που εκτίθενται στο διαδίκτυο, να εκμεταλλεύεται ευάλωτες αναπτύξεις, να συγκεντρώνει διαπιστευτήρια και να εγκαθιστά cryptocurrency miners.

Οι ερευνητές της Gambit πιστεύουν ότι μεγάλο μέρος του RAGE και των σχετικών script ήταν AI-γεννημένα. Ένας ενδεικτικός είναι ασυνήθιστα αποκαλυπτικός: τμήματα του κώδικα vẫn περιέχουν πρώτο πρόσωπο, αυτο-διορθωτική σκέψη που φαίνεται να έχει μείνει πίσω από το μοντέλο κατά τη διάρκεια της ανάπτυξης.

Το AI ενσωματώθηκε επίσης απευθείας στο ολοκληρωμένο σύστημα. Το RAGE περιελάμβανε einen DeepSeek-υποστηριζόμενο «AI Orchestrator» μέσα στο πίνακα ελέγχου του оператора που παρείχε καθοδήγηση για τη διαχείριση της επιχείρησης mining.

Το πλαίσιο στόχευε εκτεθειμένες υπηρεσίες, συμπεριλαμβανομένων Redis, Elasticsearch, Docker, Tomcat, Jenkins και άλλων, ενώ αναζήτησε επιτευχθέντα περιβάλλοντα για διαπιστευτήρια που θα μπορούσαν να δημιουργήσουν πρόσθετες ευκαιρίες.

Ανακτήθηκαν logs έδειξαν πρόσβαση σε οκτώ χρήστες Identity και Access Management, τέσσερις από τους οποίους είχαν AdministratorAccess, καθώς και 196 Amazon S3 buckets.

Μια εκστρατεία που φαινόταν να είναι κυρίως мотивημένη από την εξόρυξη cryptocurrency είχε επίσης τη δυνατότητα να μετατρέψει μια εκτεθειμένη υπηρεσία σε μια πολύ ευρύτερη cloud επίθεση.

Τα λάθη του AI μπορεί να γίνουν μέρος του πλεονεκτήματος του αμυντή

Ένα από τα πιο ενδιαφέροντα σημεία της έρευνας της Gambit είναι ότι τεκμηριώνει αποτυχίες του AI μαζί με επιτυχίες του AI.

Τα μοντέλα μερικές φορές αποκάλυψαν τις προθέσεις του επιτιθέμενου με απρόσμενους τρόπους. AI-γεννημένα εργαλεία χρησιμοποιούσαν προφανείς ονόματα όπως «recon» για συνεδρίες cloud, ενώ άλλα AI-γεννημένα αντικείμενα διατήρησαν περιγραφικές σχόλια και σκέψη που θα μπορούσαν να παρέχουν ενδείξεις για το πώς δημιουργήθηκαν. Στην περίπτωση ransomware, μια προσπάθεια τροποποίησης τείχους προστασίας παρήγαγε μια διακοπή.

Αυτές οι αδυναμίες περιπλέκουν την ιδέα ότι το AI αυτόματα κάνει τις κυβερνοεπιχειρήσεις πιο κρυφές ή πιο εξειδικευμένες.

Οι ερευνητές ασφαλείας της Microsoft έχουν περιγράψει το AI ως einen επιταχυντή μέσα στις εργασίες του επιτιθέμενου, με ανθρώπινους операторες να κατευθύνουν πολλές τελικές επιχειρήσεις. Τα ευρήματα της Gambit υποδεικνύουν ότι η σχέση μπορεί να μοιάζει όλο και περισσότερο με einen συνεργάτη: οι άνθρωποι παρέχουν στόχους και κρίση, ενώ το AI απορροφά σημαντικά τμήματα της τεχνικής επανάληψης που απαιτείται για να φθάσουν σε αυτούς τους στόχους.

Αυτό μπορεί να κάνει τους επιτιθέμενους ταχύτερους χωρίς να τους κάνει αναγκαστικά καλύτερους στην ασφάλεια.

Οι ομάδες ασφαλείας μπορεί να χρειαστεί να αμυνθούν ενάντια στην ταχύτητα της μηχανής

Η μεγαλύτερη ανησυχία που προκύπτει από την έρευνα είναι η ταχύτητα.

Πολλά μέτρα ασφαλείας υποθέτουν ότι ένας επιτιθέμενος θα κινηθεί μέσα σε ένα δίκτυο με κάτι που μοιάζει με ανθρώπινη ταχύτητα. Ένας επιτιθέμενος παραδοσιακά χρειάζεται να κατανοήσει μια άγνωστη τεχνολογία, να ερευνήσει εντολές, να γράψει script, να αντιμετωπίσει σφάλματα και να ερμηνεύσει μεγάλες ποσότητες δεδομένων πριν αποφασίσει πού να κινηθεί επόμενο.

Ένα σύστημα AI μπορεί να συμπιέσει πολλά από αυτά τα βήματα.

Ο κίνδυνος είναι επομένως όχι περιορισμένος σε έναν μελλοντικό αυτόνομο πράκτορα hacking. Ένας επιτιθέμενος που παραμένει σταθερά σε έλεγχο μπορεί ακόμα να χρησιμοποιήσει το AI για να μειώσει την ποσότητα εμπειρογνωμοσύνης, χρόνου και χειροκίνητου κόπου που απαιτείται για να λειτουργήσει σε άγνωστα περιβάλλοντα.

Οι αμυνόμενοι μπορεί να χρειαστεί να εστιάσουν λιγότερο στο αν ένα συγκεκριμένο κομμάτι κακόβουλου λογισμικού ήταν «AI-γεννημένο» και περισσότερο σε συμπεριφορικές σηματοδοτήσεις σε όλη τη διάρκεια της επίθεσης: ασυνήθιστα ταχεία αναγνώριση, επαναλαμβανόμενες προσαρμοστικές εντολές, επιθετική ανακάλυψη διαπιστευτηρίων, απρόσμενη cloud enumeration, αλλαγές σε υποδομή backup ή ασφαλείας και κίνηση μεταξύ συστημάτων που συμβαίνει ταχύτερα από ότι θα πρότειναν παραδοσιακές ανθρώπινες επιχειρήσεις.

Οι ίδιες ικανότητες παραμένουν επίσης πολύτιμες για την άμυνα. Η Anthropic, για παράδειγμα, έχει αναπτύξει συστήματα AI που αναζητούν ευπάθειες και βοηθούν τις ομάδες ασφαλείας να τις επιλύσουν, υπογραμμίζοντας τη διπλή χρήση των όλο και πιο ικανοποιητικών κυβερνομοντέλων. Η ανταγωνιστικότητα είναι όλο και περισσότερο για το ποια πλευρά μπορεί να εφαρμόσει αυτές τις ικανότητες ταχύτερα και με καλύτερη ορατότητα.

Τελικά, η αναφορά «AI Across the Intrusion Lifecycle» είναι ελκυστική επειδή μετακινεί τη συζήτηση AI ασφαλείας μακριά από υποθετικές μελλοντικές επιθέσεις και προς την παρατηρήσιμη λειτουργική συμπεριφορά. Οι τρεις περιπτώσεις που τεκμηριώθηκαν από την Gambit Security δείχνουν επιτιθέμενους που πειραματίζονται με διαφορετικά μοντέλα, πλαισιά και επίπεδα αυτοματοποίησης, αλλά μοιράζονται ένα σημαντικό μοτίβο: το AI δεν είναι πλέον περιορισμένο στο να βοηθά στην προετοιμασία μιας επίθεσης. Είναι όλο και περισσότερο παρόν ενώ η επίθεση συμβαίνει πραγματικά.