Gambit Security’s “AI Across the Intrusion Lifecycle” Toont Hoe AI Dieper In Real-World Cyberaanvallen Doordringt

Gambit Security’s nieuw rapport, AI Across the Intrusion Lifecycle, biedt een gedetailleerd overzicht van hoe kunstmatige intelligentie verder gaat dan een ondersteunende rol in cybercrime en geïntegreerd raakt in de dagelijkse mechanica van echte inbraken. Geschreven door Director of Threat Intelligence Eyal Sela en Cyber Threat Researcher Nir Varon, onderzoekt het rapport drie ongerelateerde bedreigingsactoren die AI gebruiken voor alles, van het bouwen van eenmalige scripts en exploitatiehulpmiddelen tot het analyseren van gestolen bedrijfsgegevens, het oplossen van infrastructuurproblemen en het interactief bepalen van wat te doen in gecompromitteerde omgevingen.
Het belangrijkste is niet alleen dat aanvallers grote taalmodellen vragen om malware te schrijven. De gevallen suggereren iets meer consequentieel: AI wordt onderdeel van de operationele workflow van een inbraak, waardoor aanvallers zich kunnen aanpassen aan nieuwe systemen, referenties, fouten en kansen die verschijnen.

Van code-assistent tot operationele deelnemer

Over de drie onderzoeken heen, observeerde Gambit aanvallers die AI gebruikten tijdens verschillende stadia van een inbraak. Modellen genereerden scripts aangepast aan de omgevingen die ze tegenkwamen, ontwikkelden exploitatiehulpmiddelen, prioriteerden waardevolle bedrijfsinformatie, voerden IT- en DevOps-taken uit en verfijnden herhaaldelijk opdrachten op basis van de uitvoer die door gecompromitteerde systemen werd geretourneerd.

Dit vertegenwoordigt een belangrijke evolutie ten opzichte van enkele van de vroegste discussies over AI-geactiveerde cybercrime, die zich sterk richtten op phishing-e-mails, malwaregeneratie of het verlagen van de technische barrière voor onervaren aanvallers.

AI kan nu functioneren als een zeer responsieve technische assistent die betrokken blijft bij een operatie.

Het bredere dreigingslandschap lijkt in dezelfde richting te bewegen. Anthropic analyseerde onlangs 832 accounts geassocieerd met kwaadwillige cyberactiviteit tussen maart 2025 en maart 2026 en vond AI-gebruik dat alle 14 tactieken omvatte die worden weergegeven in het MITRE ATT&CK-framework. Het bedrijf vond ook dat het aandeel actoren dat het als medium risico of hoger classificeerde, tussen de eerste en tweede helft van de onderzochte periode van 33% naar 56% steeg.

De Gambit-gevallen bieden een bijzonder concreet beeld van hoe die verschuiving eruit kan zien in actieve compromissen.

Een vermoedelijke ransomware-operator zet Claude Code in de aanvalsloop

Het eerste geval gaat over een vermoedelijke ransomware-operator die door Gambit werd waargenomen terwijl hij Claude Code gebruikte bij inbraken in zes organisaties in juni 2026, waarbij de onderzoekers de acteur ook in verband brachten met twee eerdere compromissen.

Slachtoffers kwamen uit meerdere industrieën en landen, waaronder een Australische energiemaatschappij, een financiële dienstverleningsmaatschappij in Mauritius, bedrijven in Zuid-Afrika, Thailand en Maleisië, en meerdere organisaties in de Verenigde Staten. Gambit wijt de activiteit met middelmatig vertrouwen toe aan een affiliate die de The Gentlemen ransomware-as-a-service-operatie gebruikt.

Wat opvalt, is de breedte van Claude Code’s rol.

De aanvaller gebruikte het systeem om verkenning uit te voeren, exploitatieopdrachten te genereren, kwaadaardige scripts te schrijven, firewallbeleid te wijzigen, interne systemen in kaart te brengen en te bepalen welke machines of databases extra aandacht verdienden.

Once credentials en remote access waren ingesteld, hielp de AI bij het interpreteren van verkenningsgegevens en het identificeren van waardevollere systemen, zoals domeincontrollers, bestandsservers en back-upinfrastructuur. In een ander deel van de inbraak analyseerde het databases die toebehoorden aan een financiële dienstverleningsplatform en hielp het bij het identificeren van productiegegevens en klantdocumenten als bijzonder belangrijk.

Het geval illustreert ook de beperkingen van de huidige beveiligingsmaatregelen. Op een gegeven moment herkende Claude dat het leek te communiceren met een echt bedrijfsnetwerk en weigerde het verder te gaan zonder bewijs van autorisatie. De operator opende een nieuwe sessie, herschreef het werk als geautoriseerde kwetsbaarheidstest en het model zette het door.

Maar de toegenomen capaciteit betekende niet foutloze uitvoering. Tijdens de compromittering van de nutsbedrijf probeerde Claude een firewallconfiguratie te wijzigen en liet het apparaat uiteindelijk onbereikbaar achter. Het incident is een belangrijk tegenargument voor angsten over perfect autonome AI-hackers: modellen kunnen offensieve operaties versnellen, maar ze kunnen ook dure fouten maken in de systemen die aanvallers proberen te controleren.

Zerofot toont wat er gebeurt als AI schaal bereikt

Het tweede geval gaat niet over één gerichte inbraak, maar meer over het industrialiseren van referentietheft.

Gambit volgt de operator als Zerofot, waarbij een campagne internetblootgestelde bestanden en directories doorzocht naar API-sleutels, cloudreferenties, softwaretokens en SSH-privésleutels.

Het centrum van de operatie was een aangepaste referentie-harvestingsscanner genaamd auto_scan. De operator bouwde het hulpmiddel met behulp van OpenAI Codex en Claude Code, waarbij de modellen werden geïnstrueerd onder het voorwendsel dat het werk werd uitgevoerd in een geautoriseerde capture-the-flag-omgeving. De scanner verzamelde blootgestelde bestanden, zocht naar potentieel referenties en probeerde vervolgens ontdekte sleutels te valideren tegen hun respectieve diensten.

AI’s rol stopte niet zodra het hulpmiddel was geschreven.

Claude Code werd ook gebruikt voor het minder glamoureuze maar operationeel kritieke werk van het in stand houden van de infrastructuur. Via een multi-agentorkestratieframework hielp het bij het beheren van scanninfrastructuur, proxies, netwerken, firewallconfiguraties, monitoring en debugging.

Die onderscheid maakt uit. Cyberoperaties vereisen veel meer dan het ontdekken van een kwetsbaarheid of het genereren van een payload. Infrastructuur moet worden geïmplementeerd, software breekt, logbestanden moeten worden geïnterpreteerd en configuratieproblemen moeten worden opgelost. AI kan steeds meer helpen bij dit verbindende werk.

De schaal die door Gambit wordt gedocumenteerd, is aanzienlijk. Tussen 5 april en 23 mei 2026 verzamelde de operatie 2.975 geverifieerde referenties en sleutels van 1.742 slachtofferhosts. Dat omvatte 661 SSH-privésleutels, 635 AWS-toegangssleutels geassocieerd met 214 accounts, 448 Google Gemini-sleutels, 254 OpenAI-sleutels en 176 Anthropic-sleutels, naast tal van andere referentietypen. Gambit zegt dat informatie is gedeeld met de Shadowserver Foundation en getroffen dienstverleners om kennisgeving en referentie-intrekking te ondersteunen.

RAGE maakt AI-gegenereerde code tot een exploitatieframework

Het derde onderzoek richt zich op RAGE, een aangepast Python-framework ontworpen om internetgerichte diensten te scannen, kwetsbare implementaties te exploiteren, referenties te oogsten en cryptocurrency-miners te installeren.

Gambit’s onderzoekers geloven dat een groot deel van RAGE en de bijbehorende scripts door AI zijn gegenereerd. Een aanwijzing is ongebruikelijk openbaar: delen van de code bevatten nog steeds in de eerste persoon geschreven, zelfcorrigerende redeneringen die blijkbaar door het model zijn achtergelaten tijdens de ontwikkeling.

AI werd ook rechtstreeks in het afgeronde systeem geïntegreerd. RAGE bevatte een DeepSeek-gebackte “AI-Orchestrator” in het operatordashboard dat richtlijnen bood voor het beheren van de mining-operatie.

Het framework richtte zich op blootgestelde diensten, waaronder Redis, Elasticsearch, Docker, Tomcat, Jenkins en anderen, en zocht in gecompromitteerde omgevingen naar referenties die extra kansen konden creëren.

In één geval boden referenties die waren hersteld uit een blootgestelde Redis-implementatie van een software-as-a-service-provider beheerdersrecht op een AWS-account. De aanvaller genereerde vervolgens extra hulpmiddelen om identiteiten, opslag en andere cloudbronnen te inventariseren.

Herstelde logbestanden toonden toegang tot acht Identity and Access Management-gebruikers, waarvan vier AdministratorAccess hadden, evenals 196 Amazon S3-buckets.

Een campagne die hoofdzakelijk gemotiveerd leek door cryptocurrency-mijnbouw had dus ook de mogelijkheid om een blootgestelde dienst om te zetten in een bredere cloudcompromittering.

AI’s fouten kunnen onderdeel worden van het voordeel van de verdediger

Een van de meest interessante aspecten van Gambit’s onderzoek is dat het AI-fouten documenteert naast AI-successen.

Modellen legden soms de intenties van de aanvaller op onverwachte manieren bloot. AI-gegenereerde hulpmiddelen gebruikten opvallende namen zoals “recon” voor cloudsessies, terwijl andere gegenereerde artefacten beschrijvende opmerkingen en redeneringen behielden die aanwijzingen konden geven over hoe ze waren gemaakt. In het ransomware-geval produceerde een poging tot firewallwijziging een storing.

Deze zwakheden compliceren het idee dat AI automatisch cyberoperaties stiller of geavanceerder maakt.

Microsoft’s beveiligingsonderzoekers hebben soortgelijk AI beschreven als een versneller binnen aanvalsworkflows, waarbij menselijke operators nog steeds veel eind-tot-eindoperaties leiden. Gambit’s bevindingen suggereren dat de relatie steeds meer op een partnerschap lijkt: mensen bieden doelen en oordeel, terwijl AI een aanzienlijk deel van de technische iteratie absorbeert die nodig is om die doelen te bereiken.

Dat kan aanvallers sneller maken zonder ze noodzakelijkerwijs beter te maken in operationele beveiliging.

Cyberbeveiligingsteams moeten zich mogelijk verdedigen tegen machine-snelheidsiteratie

Het grotere probleem dat door het onderzoek naar voren komt, is snelheid.

Veel beveiligingscontroles gaan ervan uit dat een tegenstander door een netwerk beweegt met een tempo dat lijkt op dat van een mens. Een aanvaller moet traditioneel een onbekende technologie begrijpen, opdrachten onderzoeken, scripts schrijven, fouten oplossen en grote hoeveelheden gegevens interpreteren voordat hij besluit waar hij naartoe moet gaan.

Een AI-systeem kan veel van die stappen samenpersen.

Het risico is dus niet beperkt tot een toekomstige autonome hacking-agent. Een aanvaller die stevig in controle blijft, kan nog steeds AI gebruiken om de hoeveelheid expertise, tijd en handmatige inspanning te verminderen die nodig is om te opereren in onbekende omgevingen.

Verdedigers moeten zich mogelijk richten op gedragsignalen in de hele inbraakcyclus: ongewoon snelle verkenning, herhaalde adaptieve opdrachten, agressieve referentieontdekking, onverwachte cloud-inventarisatie, wijzigingen in back-up- of beveiligingsinfrastructuur en beweging tussen systemen die sneller gebeurt dan traditionele menselijke operaties zouden suggereren.

Deze capaciteiten blijven ook waardevol voor verdediging. Anthropic ontwikkelt bijvoorbeeld AI-systemen die kwetsbaarheden identificeren en helpen beveiligingsteams deze te verhelpen, wat de dubbele gebruiksnatuur van steeds capabelere cybermodellen onderstreept. De competitie gaat er steeds meer om welke partij deze capaciteiten sneller en met betere zichtbaarheid kan toepassen.

Uiteindelijk is “AI Across the Intrusion Lifecycle” overtuigend omdat het de AI-cyberbeveiligingsdiscussie verplaatst van hypothetische toekomstige aanvallen naar waarneembare operationele gedragingen. De drie gevallen die door Gambit Security zijn gedocumenteerd, tonen aanvallers die experimenteren met verschillende modellen, frameworks en niveaus van automatisering, maar ze delen één belangrijk patroon: AI is niet langer beperkt tot het helpen bij het voorbereiden van een aanval. Het wordt steeds vaker aanwezig terwijl de aanval daadwerkelijk plaatsvindt.