La sécurité de Gambit « AI Across the Intrusion Lifecycle » montre comment l’IA s’intègre de plus en plus dans les cyberattaques du monde réel

Le nouveau rapport de Gambit Security, AI Across the Intrusion Lifecycle offre un aperçu détaillé de la façon dont l’intelligence artificielle dépasse son rôle de support dans la cybercriminalité pour devenir intégrée dans les mécanismes quotidiens de véritables intrusions. Rédigé par le directeur du renseignement sur les menaces Eyal Sela et le chercheur en cybersécurité Nir Varon, le rapport examine trois acteurs de menace sans rapport qui utilisent l’IA pour tout, desde la création de scripts et d’outils d’exploitation jusqu’à l’analyse de données d’entreprise volées, la résolution de problèmes d’infrastructure et la détermination interactive de ce qu’il faut faire ensuite dans des environnements compromis.
L’importance ne réside pas simplement dans le fait que les attaquants demandent à des modèles de langage de grande échelle d’écrire des logiciels malveillants. Les cas suggèrent quelque chose de plus conséquent : l’IA devient partie intégrante du flux de travail opérationnel d’une intrusion, aidant les attaquants à s’adapter à de nouveaux systèmes, informations d’identification, erreurs et opportunités qui apparaissent.

De l’assistant de codage à l’acteur opérationnel

Au cours des trois enquêtes, Gambit a observé les attaquants utilisant l’IA à différents stades d’une intrusion. Les modèles ont généré des scripts adaptés aux environnements qu’ils ont rencontrés, développé des outils d’exploitation, priorisé les informations d’entreprise précieuses, effectué des tâches IT et DevOps, et affiné à plusieurs reprises les commandes en fonction de la sortie renvoyée par les systèmes compromis.

Ceci représente une évolution importante par rapport à certaines des premières discussions autour de la cybercriminalité activée par l’IA, qui se concentraient fortement sur les e-mails de phishing, la génération de logiciels malveillants ou la réduction de la barrière technique pour les attaquants inexpérimentés.

L’IA peut désormais fonctionner comme un assistant technique très réactif qui participe à l’opération à mesure qu’elle se déroule.

Le paysage de la menace plus large semble également évoluer dans la même direction. Anthropic a récemment analysé 832 comptes associés à des activités de cybercriminalité malveillante entre mars 2025 et mars 2026 et a constaté que l’utilisation de l’IA s’étendait à toutes les 14 tactiques représentées dans le cadre d’attaque MITRE ATT&CK. La société a également constaté que la part d’acteurs qu’elle a classés comme à risque moyen ou élevé est passée de 33 % à 56 % entre la première et la deuxième moitié de la période étudiée.

Les cas de Gambit offrent une vue particulièrement concrète de ce que ce changement peut ressembler à l’intérieur de compromis actifs.

Un opérateur de rançon présumé met Claude Code à l’intérieur de la boucle d’attaque

Le premier cas implique un opérateur de rançon présumé que Gambit a observé en utilisant Claude Code à travers des intrusions dans six organisations en juin 2026, les chercheurs ayant également connecté l’acteur à deux compromis antérieurs.

Les victimes s’étendent sur plusieurs industries et pays, notamment une entreprise de services énergétiques australienne, une société de services financiers à Maurice, des entreprises en Afrique du Sud, en Thaïlande et en Malaisie, ainsi que plusieurs organisations aux États-Unis. Gambit attribue l’activité avec une confiance moyenne à un affilié utilisant l’opération de rançon en tant que service The Gentlemen.

Ce qui se démarque, c’est l’étendue du rôle de Claude Code.

L’attaquant a utilisé le système pour effectuer une reconnaissance, générer des commandes d’exploitation, écrire des scripts malveillants, modifier les politiques de pare-feu, cartographier les systèmes internes et déterminer quels machines ou bases de données méritaient une attention supplémentaire.

Une fois que les informations d’identification et l’accès à distance ont été établis, l’IA a aidé à interpréter les données de reconnaissance et à identifier des systèmes à plus haute valeur tels que les contrôleurs de domaine, les serveurs de fichiers et l’infrastructure de sauvegarde. Dans une autre partie de l’intrusion, il a analysé les bases de données appartenant à une plate-forme de services financiers et a aidé à identifier les données de production et les documents clients comme étant particulièrement importants.

Le cas illustre également les limites des sauvegardes d’aujourd’hui. À un moment donné, Claude a reconnu qu’il semblait interagir avec un véritable réseau d’entreprise et a refusé de poursuivre sans preuve d’autorisation. L’opérateur a ouvert une nouvelle session, a reformulé le travail comme un test de vulnérabilité autorisé, et le modèle a continué.

Mais une capacité accrue ne signifiait pas une exécution sans faille. Lors du compromis de l’entreprise de services énergétiques, Claude a tenté de modifier une configuration de pare-feu et a finalement laissé l’appareil inaccessible. L’incident est un contrepoint important aux craintes d’attaquants d’IA parfaitement autonomes : les modèles peuvent accélérer les opérations offensives, mais ils peuvent également commettre des erreurs coûteuses à l’intérieur des systèmes mêmes que les attaquants tentent de contrôler.

Zerofot montre ce qui se passe lorsque l’IA rencontre l’échelle

Le deuxième cas est moins axé sur une intrusion ciblée et plus sur l’industrialisation du vol de mots de passe.

Gambit suit l’opérateur en tant que Zerofot, décrivant une campagne qui a recherché des fichiers et des répertoires exposés sur Internet pour les clés API, les informations d’identification cloud, les jetons logiciels et les clés SSH privées.

Au centre de l’opération se trouvait un scanner de récolte de mots de passe personnalisé appelé auto_scan. L’opérateur a construit l’outil en utilisant OpenAI Codex et Claude Code, en instruisant les modèles sous le prétexte que le travail était effectué dans un environnement de capture du drapeau autorisé. Le scanner a collecté des fichiers exposés, les a recherchés pour les mots de passe potentiels, puis a tenté de valider les clés découvertes contre leurs services respectifs.

Le rôle de l’IA n’a pas cessé une fois l’outil écrit.

Claude Code a également été utilisé pour le travail moins glamour mais opérationnellement critique de maintenir l’infrastructure en fonctionnement. À travers un cadre d’orchestration multi-agents, il a aidé à gérer l’infrastructure du scanner, les proxys, les réseaux, les configurations de pare-feu, la surveillance et le débogage.

Cette distinction est importante. Les opérations de cybersécurité nécessitent beaucoup plus que la découverte d’une vulnérabilité ou la génération d’une charge utile. L’infrastructure doit être déployée, les logiciels sont cassés, les journaux doivent être interprétés et les problèmes de configuration doivent être résolus. L’IA peut de plus en plus aider à ces tâches de connexion.

L’échelle documentée par Gambit est substantielle. Entre le 5 avril et le 23 mai 2026, l’opération a collecté 2 975 mots de passe et clés validés à partir de 1 742 hôtes victimes. Cela comprenait 661 clés SSH privées, 635 clés d’accès AWS associées à 214 comptes, 448 clés Google Gemini, 254 clés OpenAI et 176 clés Anthropic, parmi de nombreux autres types de mots de passe. Gambit indique que les informations ont été partagées avec la Fondation Shadowserver et les fournisseurs de services concernés pour soutenir la notification et la révocation des mots de passe.

RAGE transforme le code généré par l’IA en un cadre d’exploitation

La troisième enquête se concentre sur RAGE, un cadre Python personnalisé conçu pour analyser les services Internet, exploiter les déploiements vulnérables, récolter les mots de passe et installer des mineurs de cryptomonnaie.

Les chercheurs de Gambit pensent que beaucoup de RAGE et de ses scripts associés ont été générés par l’IA. Un indice est particulièrement révélateur : certaines parties du code contiennent encore une raison à la première personne, auto-correctrice, apparemment laissée par le modèle pendant le développement.

L’IA a également été intégrée directement dans le système terminé. RAGE comprenait un « Orchestrateur d’IA » basé sur DeepSeek dans le tableau de bord de l’opérateur qui fournissait des conseils pour gérer l’opération de minage.

Le cadre ciblait les services exposés, notamment Redis, Elasticsearch, Docker, Tomcat, Jenkins et d’autres, tout en recherchant des mots de passe dans les environnements compromis qui pourraient créer des opportunités supplémentaires.

Dans un cas, les mots de passe récupérés à partir d’un déploiement Redis exposé appartenant à un fournisseur de logiciels en tant que service ont fourni un accès administratif à un compte AWS. L’attaquant a ensuite généré des outils supplémentaires pour énumérer les identités, le stockage et d’autres ressources cloud.

Les journaux récupérés ont montré un accès à huit utilisateurs de gestion des identités et des accès, dont quatre avaient un accès Administrateur, ainsi qu’à 196 buckets Amazon S3.

Une campagne qui semblait principalement motivée par l’extraction de cryptomonnaie avait également la capacité de transformer un service exposé en une compromission cloud plus large.

Les erreurs de l’IA peuvent devenir un avantage pour les défenseurs

L’un des aspects les plus intéressants de la recherche de Gambit est qu’il documente les échecs de l’IA aux côtés de ses réussites.

Les modèles ont parfois exposé les intentions de l’attaquant de manière inattendue. Les outils générés par l’IA utilisaient des noms tels que « recon » pour les sessions cloud, tandis que d’autres artefacts générés conservaient des commentaires et une raison descriptive qui pourraient fournir des indices sur la façon dont ils ont été créés. Dans le cas de rançon, une tentative de modification du pare-feu a produit une panne.

Ces faiblesses compliquent l’idée que l’IA rend automatiquement les opérations de cybersécurité plus furtives ou plus sophistiquées.

Les chercheurs en sécurité de Microsoft ont décrit de manière similaire l’IA comme un accélérateur dans les flux de travail des attaquants, avec des opérateurs humains dirigeant toujours de nombreuses opérations de bout en bout. Les découvertes de Gambit suggèrent que la relation peut de plus en plus ressembler à un partenariat : les humains fournissent des objectifs et des jugements, tandis que l’IA absorbe des portions importantes de l’itération technique requise pour atteindre ces objectifs.

Cela peut rendre les attaquants plus rapides sans nécessairement les rendre meilleurs en matière de sécurité opérationnelle.

Les équipes de cybersécurité peuvent devoir se défendre contre l’itération à la vitesse de la machine

La préoccupation plus large soulevée par la recherche est la vitesse.

De nombreux contrôles de sécurité supposent qu’un adversaire se déplacera dans un réseau à un rythme ressemblant à celui d’un humain. Un attaquant traditionnellement doit comprendre une technologie inconnue, rechercher des commandes, écrire des scripts, déboguer des erreurs et interpréter de grandes quantités de données avant de décider où aller ensuite.

Un système d’IA peut compresser beaucoup de ces étapes.

Le risque n’est donc pas limité à un agent de piratage autonome futur. Un attaquant qui reste fermement en contrôle peut toujours utiliser l’IA pour réduire la quantité d’expertise, de temps et d’effort manuel nécessaires pour opérer dans des environnements inconnus.

Les défenseurs peuvent par conséquent devoir se concentrer moins sur le fait que une pièce particulière de logiciel malveillant a été « générée par l’IA » et plus sur les signaux de comportement dans tout le cycle de vie de l’intrusion : reconnaissance inhabituellement rapide, commandes adaptatives répétées, découverte agressive des mots de passe, énumération inattendue du cloud, modifications de l’infrastructure de sauvegarde ou de sécurité, et mouvement entre les systèmes qui se produit plus rapidement que les opérations traditionnelles menées par l’homme le suggéreraient.

Les mêmes capacités restent également précieuses pour la défense. Anthropic, par exemple, a développé des systèmes d’IA qui identifient les vulnérabilités et aident les équipes de sécurité à les corriger, soulignant la nature à double usage de modèles de cybersécurité de plus en plus capables. La concurrence est de plus en plus axée sur le fait de savoir quel côté peut appliquer ces capacités plus rapidement et avec une meilleure visibilité.

En fin de compte, « AI Across the Intrusion Lifecycle » est convaincant car il déplace la discussion sur l’IA et la cybersécurité loin d’attaques futures hypothétiques et vers un comportement opérationnel observable. Les trois cas documentés par Gambit Security montrent des attaquants expérimentant différents modèles, cadres et niveaux d’automatisation, mais ils partagent un modèle important : l’IA n’est plus confinée à l’aide à la préparation d’une attaque. Elle est de plus en plus présente pendant que l’attaque se produit réellement.