ガンベット・セキュリティの「AI Across the Intrusion Lifecycle」が、AIがリアルなサイバー攻撃にどのように深く関与しているかを示す

ガンベット・セキュリティの新しいレポート、AI Across the Intrusion Lifecycleは、人工知能がサイバー犯罪における支援的な役割を超えて、実際の侵入の日常的なメカニズムに統合されていることを詳細に示している。このレポートは、脅威インテリジェンスのディレクターであるEyal Selaとサイバーセキュリティ研究者であるNir Varonによって書かれ、3つの無関係な脅威アクターが、スクリプトやエクスプロイトツールの作成から、盗まれたビジネスデータの分析、インフラストラクチャのトラブルシューティング、妥協された環境内での次のステップの決定まで、すべてのためにAIを使用していることを調査している。
重要な点は、攻撃者が大規模な言語モデルにマルウェアを書くことを依頼しているということではない。ケースは、もっと重大なことを示唆している：AIは侵入の運用ワークフローの一部になり、攻撃者が新しいシステム、資格情報、エラー、機会が現れるにつれて適応するのを助けている。

コーディングアシスタントから運用参加者へ

3つの調査を通じて、ガンベットは攻撃者が侵入のさまざまな段階でAIを使用していることを観察した。モデルは、遭遇した環境に合わせてスクリプトを生成し、エクスプロイトツールを開発し、貴重なビジネス情報を優先し、ITおよびDevOpsタスクを実行し、妥協されたシステムからの出力に基づいて繰り返しコマンドを改良した。
これは、AIを使用したサイバー犯罪の初期の議論から重要な進化を表している。初期の議論は、フィッシング電子メール、 マルウェアの生成、または未経験の攻撃者の技術的障壁の低減に重点を置いていた。
AIは、今では、技術的なアシスタントのように機能することができる。運用が進行するにつれて、関与を続ける。
より広い脅威の風景も、同じ方向に進んでいるように見える。Anthropicは、2025年3月から2026年3月までの間に、832のアカウントを分析し、AIの使用がMITRE ATT&CKフレームワークの14のタクティクスすべてにわたることを発見した。また、企業は、調査対象期間の前半と後半の間に、リスクの高いアクターの割合が33％から56％に増加したことも発見した。
ガンベットのケースは、具体的に、攻撃者がAIを使用することで何が起こるかを示している。

疑わしいランサムウェアオペレーターがクラウドコードを攻撃ループに組み込む

最初のケースは、ガンベットが6つの組織への侵入でクラウドコードを使用した疑わしいランサムウェアオペレーターを調査したものである。また、研究者は、2つの以前の侵入とこのアクターを関連付けた。
被害者は、オーストラリアのエネルギー公益事業、モーリシャスの金融サービス会社、南アフリカ、タイ、 マレーシア、米国の複数の組織など、複数の業界と国々にわたった。ガンベットは、この活動を中程度の信頼性でThe Gentlemenランサムウェアとして特定した。
注目すべきは、クラウドコードの役割の幅である。
攻撃者は、クラウドコードを使用して、偵察、エクスプロイトコマンドの生成、悪意のあるスクリプトの作成、ファイアウォールポリシーの変更、内部システムのマッピング、データベースやマシンの優先順位付けを行った。
資格情報とリモートアクセスが確立されると、AIは偵察データの解釈と、ドメインコントローラー、ファイルサーバー、バックアップインフラストラクチャなどの高価値システムの特定を支援した。
また、クラウドコードは、金融サービスプラットフォームのデータベースを分析し、生産データとクライアントドキュメントを特に重要であると判断するのを支援した。
ケースはまた、今日の安全対策の限界を示している。ある時点で、クラウドコードは、実際の企業ネットワークとやり取りしているように見え、承認の証拠なしに進むことを拒否した。オペレーターは新しいセッションを開き、作業を承認された脆弱性テストとして再構成し、モデルは続行した。
しかし、能力の向上は、必ずしも完璧な実行を意味しなかった。公益事業の妥協中に、クラウドコードはファイアウォールの構成を変更しようとしたが、最終的にデバイスを到達不能にした。事件は、完全に自律的なAIハッカーの恐怖に対する重要な反論点である：モデルは攻撃作戦を加速できるが、攻撃者が制御しようとしているシステム内で高価なミスを犯すこともできる。

ZerofotがAIとスケールの出会いを示す

2番目のケースは、1つの標的侵入ではなく、資格情報の盗難の産業化についてである。
ガンベットは、Zerofotとして知られるオペレーターを追跡し、インターネットに公開されたファイルやディレクトリからAPIキー、クラウド資格情報、ソフトウェアトークン、SSHプライベートキーを探すキャンペーンを記述している。
作戦の中心には、auto_scanというカスタムの資格情報収集スキャナーがあり、OpenAI Codexとクラウドコードを使用して構築された。モデルは、承認されたキャプチャ・ザ・フラグ環境内で作業を行っているという前提で、スキャナーはインターネットに公開されたファイルを収集し、潜在的な資格情報を検索し、発見されたキーをそれぞれのサービスに対して検証しようとした。
AIの役割は、ツールが書かれた後も終了しなかった。
クラウドコードはまた、インフラストラクチャの実行、プロキシ、ネットワーク、ファイアウォールの構成、監視、デバッグを支援するマルチエージェントのオーケストレーションフレームワークを使用して、運用的に重要なインフラストラクチャの管理を支援した。
その区別は重要である。サイバー作戦には、脆弱性の発見やペイロードの生成以上のことが必要である。インフラストラクチャは展開され、ソフトウェアは壊れ、ログは解釈され、構成の問題は解決される必要がある。AIは、これらのつなぎ仕事を支援することができる。
ガンベットが記録したスケールは、かなり大きい。2026年4月5日から5月23日までの間に、作戦は1,742の被害者のホストから2,975の検証された資格情報とキーを収集した。これには、661のSSHプライベートキー、214のアカウントに関連する635のAWSアクセスキー、448のGoogle Geminiキー、254のOpenAIキー、176のAnthropicキーなど、多数の資格情報タイプが含まれた。ガンベットは、情報をShadowserver Foundationと影響を受けるサービスプロバイダーに共有して、通知と資格情報の取り消しを支援したと述べている。

RAGEがAI生成コードをエクスプロイトフレームワークに変える

3番目の調査は、RAGEというカスタムのPythonフレームワークに焦点を当てている。これは、インターネットに公開されたサービスをスキャンし、脆弱な展開をエクスプロイトし、資格情報を収集し、仮想通貨マイナーをインストールするように設計されている。
ガンベットの研究者は、RAGEとその関連スクリプトの多くがAIによって生成されたと考えている。1つの手がかりは、通常、モデルが開発中に残したものと見られる、第一人称の自己矛盾する推論がコードの一部にまだ含まれていることである。
AIはまた、完成したシステムに直接統合されていた。RAGEには、運用を管理するための「AIオーケストレーター」が含まれており、DeepSeekをバックエンドとして使用していた。
フレームワークは、Redis、Elasticsearch、Docker、Tomcat、Jenkinsなど、インターネットに公開されたサービスを標的とし、妥協された環境内で資格情報を収集して追加の機会を生み出そうとした。
ある場合、Redisデプロイメントから回復された資格情報は、ソフトウェアとしてのサービスプロバイダーに管理者アクセスを提供し、攻撃者は、アイデンティティ、ストレージ、クラウドリソースの列挙のための追加ツールを生成した。
回復したログは、8人のアイデンティティおよびアクセス管理ユーザーへのアクセスを示しており、そのうち4人は管理者アクセス権を持っていた。また、196のAmazon S3バケットにもアクセスしていた。
仮想通貨マイニングが主な動機であったように見えるキャンペーンは、実際には、インターネットに公開されたサービスを、より広範なクラウドの妥協に変える能力も持っていた。

AIのミスが防御者の利点になる

ガンベットの研究の最も興味深い側面の1つは、AIの失敗と成功の両方を文書化していることである。
モデルは、予期せぬ方法で攻撃者の意図を明らかにすることがあった。AI生成ツールは、「recon」などの目立つ名前を使用し、他の生成されたアーティファクトは、生成方法についての記述的なコメントと推論を保持していた。ランサムウェアのケースでは、ファイアウォールの変更の試みは、停止を引き起こした。
これらの弱点は、AIが自動的にサイバー作戦をより隠蔽したり洗練されたりするという考えを複雑にしている。
マイクロソフトのセキュリティ研究者は、AIを攻撃者のワークフロー内のアクセラレーターとして説明している。ガンベットの調査結果は、関係が人間が目標と判断力を提供し、AIがそれらの目標に到達するために必要な技術的な反復を吸収するパートナーシップに似ていることを示唆している。
これは、攻撃者が速くなるが、必ずしも運用セキュリティが良くなるわけではないことを意味する。

サイバーセキュリティチームがマシンスピードの反復に対して防御する必要がある

調査結果によって提起されるより大きな懸念は、スピードである。
多くのセキュリティコントロールは、攻撃者が人間のペースでネットワークを移動することを前提としている。伝統的に、攻撃者は、未知のテクノロジーを理解し、コマンドを調査し、スクリプトを書き、エラーをトラブルシューティングし、大量のデータを解釈し、次にどこに移動するかを決定する前に、時間がかかる。
AIシステムは、これらのステップの多くを圧縮できる。
リスクは、将来の自律的なハッキングエージェントに限定されていない。攻撃者は、AIを使用して、未知の環境で運用するために必要な専門知識、時間、手動労働を減らすことができる。
防御者は、特定のマルウェアが「AI生成」であったかどうかよりも、侵入のライフサイクル全体にわたる行動信号に重点を置く必要がある。通常、人間が主導する作戦よりも速い、異常な速さの偵察、繰り返される適応コマンド、激しい資格情報の発見、予期せぬクラウドの列挙、バックアップまたはセキュリティインフラストラクチャの変更、人間が主導する作戦よりも速いシステム間の移動などである。
同じ能力は、防御にも貴重である。Anthropicは、脆弱性を特定し、セキュリティチームがそれらを修復するのを支援するAIシステムを開発している。これは、サイバー上でますます能力の高いモデルの二重使用性を強調している。競争は、どちらの側がこれらの能力をより速く、より優れた可視性で適用できるかということである。
最終的に、「AI Across the Intrusion Lifecycle」は、仮想的な将来の攻撃ではなく、観測可能な運用行動についての議論をAIのサイバーセキュリティについて行うため、説得力がある。
ガンベット・セキュリティによって文書化された3つのケースは、攻撃者がさまざまなモデル、フレームワーク、自動化のレベルを使用して実験していることを示しているが、1つの重要なパターンを共有している：AIは、攻撃の準備を支援することから、実際の攻撃中に発生していることまで、より広範な役割を果たしている。