Gambit Securities “AI Across the Intrusion Lifecycle” viser hvordan AI flytter seg dyptere inn i virkelige cyberangrep

Gambit Securities nye rapport, AI Across the Intrusion Lifecycle, tilbyr en detaljert oversikt over hvordan kunstig intelligens flytter seg bort fra en støttende rolle i cyberkriminalitet og blir integrert i dag-til-dag-mekanikken til virkelige intrusjoner. Skrevet av direktør for trusselintelligens Eyal Sela og cybertrussel-forsker Nir Varon, rapporten undersøker tre uavhengige trusselaktører som bruker AI til alt fra å bygge enkeltstående skript og eksploateringsverktøy til å analysere stjålet forretningsdata, feilsøke infrastruktur og interaktivt bestemme hva de skal gjøre neste i kompromitterte miljøer.
Betydningen er ikke bare at angripere ber store språkmodeller om å skrive malware. Saken viser noe mer konsekvensfullt: AI blir en del av den operative arbeidsflyten til en intrusjon, og hjelper angripere til å tilpasse seg nye systemer, legitimasjoner, feil og muligheter som dukker opp.

Fra kodehjelper til operativ deltaker

Over de tre undersøkelsene observerte Gambit at angripere brukte AI gjennom ulike stadier av en intrusjon. Modellene genererte skript tilpasset miljøene de møtte, utviklet eksploateringsverktøy, prioriteterte verdifulle forretningsinformasjon, utførte IT- og DevOps-oppdrag og finjusterte kommandoer gjentatte ganger basert på utdata returnert fra kompromitterte systemer.

Dette representerer en viktig utvikling fra noen av de tidligste diskusjonene rundt AI-aktivert cyberkriminalitet, som fokuserte tungt på phishing-e-post, malware-generering eller å senke den tekniske barrieren for uerfarne angripere.

AI kan nå fungere mer som en svært responsiv teknisk assistent som forblir involvert mens en operasjon utvikler seg.

Det bredere trussellandskapet ser ut til å bevege seg i samme retning. Anthropic analyserer nylig 832 kontoer assosiert med skadelig cyberaktivitet mellom mars 2025 og mars 2026, og fant AI-bruk som spenner over alle 14 taktikker representert i MITRE ATT&CK-rammeverket. Selskapet fant også at andelen aktører det klassifiserte som medium risiko eller høyere økte fra 33% til 56% mellom den første og andre halvdel av perioden som ble studert.

Gambit-sakene gir en særlig konkret visning av hva denne skiftet kan se ut som innenfor aktive kompromitteringer.

En mistenkt ransomware-operatør setter Claude Code inn i angrepsløkken

Den første saken involverer en mistenkt ransomware-operatør som Gambit observerte å bruke Claude Code over intrusjoner i seks organisasjoner i juni 2026, med forskerne som også koblet aktøren til to tidligere kompromitteringer.

Ofrene spente over flere industrier og land, inkludert et australsk energiselskap, et finansselskap i Mauritius, bedrifter i Sør-Afrika, Thailand og Malaysia, og flere organisasjoner i USA. Gambit tilskriver aktiviteten med medium tillit til en affiliate som bruker The Gentlemen ransomware-as-a-service-operasjonen.

Hva som skiller seg ut, er bredden av Claude Codes rolle.

Angriperen brukte systemet til å utføre rekognosering, generere eksploateringskommandoer, skrive skadelig skript, modifisere brannmurpolitikker, kartlegge interne systemer og bestemme hvilke maskiner eller databaser fortjener ekstra oppmerksomhet.

Når legitimasjoner og fjernaksess hadde blitt etablert, hjalp AI til å tolke rekognoseringdata og identifisere høyverdige systemer som domenekontrollere, filservere og backup-infrastruktur. I en annen del av intrusjonen analyserte det databaser tilhørende et finansselskap og hjalp med å identifisere produksjonsdata og kundedokumenter som spesielt viktige.

Saken viser også grensene for dagens sikkerhetstiltak. På et tidspunkt gjenkjente Claude at det syntes å være i kontakt med et virkelig bedriftsnettverk og nektet å fortsette uten bevis på autorisasjon. Operatøren åpnet en ny sesjon, omformulerte arbeidet som autorisert sårbarhetstesting, og modellen fortsatte.

Men økt kapasitet betydde ikke feilfri utførelse. Under kompromitteringen av energiselskapet forsøkte Claude å modifisere en brannmurkonfigurasjon og endte med å gjøre enheten utilgjengelig. Hendelsen er et viktig motpunkt til frykten for fullstendig autonome AI-hakkere: modeller kan akselerere offensive operasjoner, men de kan også gjøre kostbare feil innenfor de systemene angriperne prøver å kontrollere.

Zerofot viser hva som skjer når AI møter skala

Den andre saken handler mindre om en enkelt målrettet intrusjon og mer om industrialisering av legitimasjonstyveri.

Gambit sporer operatøren som Zerofot, og beskriver en kampanje som søker etter internett-eksponerte filer og kataloger for API-nøkler, sky-legitimasjoner, programvaretokens og SSH-private-nøkler.

I sentrum av operasjonen var et tilpasset legitimasjon-innhøstingsskanner kalt auto_scan. Operatøren bygget verktøyet ved hjelp av OpenAI Codex og Claude Code, og instruerte modellene under påstanden at arbeidet ble utført innenfor et autorisert capture-the-flag-miljø. Skanneren samlet inn eksponerte filer, søkte etter potensielle legitimasjoner og forsøkte å validere oppdagede nøkler mot deres respektive tjenester.

AIs rolle stoppet ikke når verktøyet var skrevet.

Claude Code ble også brukt til det mindre glamorøse, men operasjonelt kritiske arbeidet med å holde infrastrukturen i gang. Gjennom et multi-agent-koordineringsrammeverk hjalp det med å håndtere skanner-infrastruktur, proksyer, nettverk, brannmurkonfigurasjoner, overvåking og feilsøking.

Den forskjellen betyr noe. Cyber-operasjoner krever langt mer enn å oppdage en sårbarhet eller generere en payload. Infrastruktur må deployeres, programvare feiler, logger må tolkes og konfigurasjonsproblemer må løses. AI kan økende assistere med dette koblingsarbeidet.

Skalaen dokumentert av Gambit er betydelig. Mellom 5. april og 23. mai 2026 samlet operasjonen inn 2 975 validerende legitimasjoner og nøkler fra 1 742 ofre-hosts. Dette inkluderte 661 SSH-private-nøkler, 635 AWS-tilgangsnøkler assosiert med 214 kontoer, 448 Google Gemini-nøkler, 254 OpenAI-nøkler og 176 Anthropic-nøkler, blant mange andre legitimasjonstyper. Gambit sier at informasjonen ble delt med Shadowserver Foundation og berørte tjenesteleverandører for å støtte varsling og legitimasjon-tilbakekalling.

RAGE gjør AI-generert kode til et eksploateringsrammeverk

Den tredje undersøkelsen fokuserer på RAGE, et tilpasset Python-rammeverk designet for å skanne internett-eksponerte tjenester, utnytte sårbare distribusjoner, innhøste legitimasjoner og installere kryptokurrency-minere.

Gambits forskere tror at mye av RAGE og dens assosierte skript ble AI-generert. En åpenbaring er uvanlig åpenbar: deler av koden inneholder fortsatt førpersonlige, selvkorrigeringer som tilsynelatende ble igjen av modellen under utviklingen.

AI ble også inkorporert direkte i det ferdige systemet. RAGE inkluderte en DeepSeek-bakket “AI-koordinator” i operatørdashbordet som ga veiledning for å håndtere mining-operasjonen.

Rammeverket målrettet eksponerte tjenester, inkludert Redis, Elasticsearch, Docker, Tomcat, Jenkins og andre, mens det søkte etter legitimasjoner i kompromitterte miljøer som kunne skape ytterligere muligheter.

I ett tilfelle ga legitimasjoner gjenoppdaget fra en eksponert Redis-distribusjon tilhørende et programvare-tjeneste-leverandør administrativ tilgang til en AWS-konto. Angriperen genererte deretter ytterligere verktøy for å oppdage identiteter, lagring og andre skytjenester.

Gjenoppdaget logger viste tilgang til åtte IAM-brukere, fire av dem hadde Administrator-tilgang, samt 196 Amazon S3-bøtter.

En kampanje som tilsynelatende var motivert av kryptokurrency-mining, hadde derfor også evnen til å omdanne en eksponert tjeneste til en mye bredere sky-kompromittering.

AIs feil kan bli en del av forsvarerens fordel

En av de mest interessante aspektene ved Gambits forskning er at den dokumenterer AI-feil sammen med AI-suksesser.

Modellene avslørte noen ganger angripernes intensjoner på uventede måter. AI-generert verktøy brukte åpenbare navn som “recon” for sky-sesjoner, mens andre genererte artefakter beholdt beskrivende kommentarer og begrunnelser som kunne gi hint om hvordan de ble skapt. I ransomware-saken produserte et forsøk på å modifisere en brannmur en blackout.

Disse svakhetene kompliserer ideen om at AI automatisk gjør cyber-operasjoner mer skjulte eller sofistikerte.

Microsofts sikkerhetsforskere har beskrevet AI som en akselerator innenfor angriperens arbeidsflyt, med menneskelige operatører som fortsatt dirigerer mange sluttilslutnings-operasjoner. Gambits funn viser at forholdet kan økende ligne en partnerskap: mennesker gir mål og dømmekraft, mens AI absorberer betydelige deler av den tekniske iterasjonen som kreves for å nå disse målene.

Dette kan gjøre angripere raskere uten å nødvendigvis gjøre dem bedre på operasjonell sikkerhet.

Cybersikkerhetsteam må kanskje forsvare seg mot maskin-hastighets-iterasjon

Den større bekymringen som forskningen reiser, er hastighet.

Mange sikkerhetskontroller antar at en motstander vil bevege seg gjennom et nettverk i et tempo som ligner et menneske. En angriper trenger tradisjonelt å forstå en ukjent teknologi, forskning kommandoer, skrive skript, feilsøke feil og tolke store mengder data før de bestemmer seg for hvor de skal gå videre.

Et AI-system kan komprimere mange av disse stegene.

Risikoen er derfor ikke begrenset til en fremtidig autonom hacking-agent. En angriper som forblir fast i kontroll, kan fortsatt bruke AI til å redusere mengden av ekspertise, tid og manuell innsats som kreves for å operere over ukjente miljøer.

Forsvarere må derfor fokusere mindre på om et bestemt malware var “AI-generert” og mer på atferdssignaler over hele intrusjons-løkken: usedvanlig rask rekognosering, gjentatte adaptive kommandoer, aggressiv legitimasjon-oppdagelse, uventet sky-oppdagelse, endringer i backup- eller sikkerhets-infrastruktur, og bevegelse mellom systemer som skjer raskere enn tradisjonelle menneske-ledede operasjoner ville antyde.

De samme kapasitetene forblir verdifulle for forsvar. Anthropic har for eksempel utviklet AI-systemer som identifiserer sårbarheter og hjelper sikkerhetsteam med å rette dem, og understreker den dobbelte bruken av økende kapable cyber-modeller. Konkurransen handler om hvilken side som kan anvende disse kapasitetene raskere og med bedre synlighet.

Til slutt er “AI Across the Intrusion Lifecycle” overbevisende fordi det flytter AI-sikkerhetsdiskusjonen bort fra hypotetiske fremtidige angrep og mot observerbar operasjonell atferd. De tre sakene dokumentert av Gambit Security viser angripere som eksperimenterer med forskjellige modeller, rammeverk og nivåer av automatisering, men de deler en viktig mønster: AI er ikke lenger begrenset til å hjelpe med å forberede et angrep. Det er økende til stede mens angrepet faktisk skjer.