Raport Gambit Security „AI Across the Intrusion Lifecycle” pokazuje, jak AI coraz bardziej angażuje się w prawdziwe ataki cybernetyczne

Firma Gambit Security opublikowała nowy raport, AI Across the Intrusion Lifecycle, który oferuje szczegółowy wgląd w to, jak sztuczna inteligencja przechodzi od roli wspomagającej w cyberprzestępczości do pełnego uczestnictwa w mechanice realnych ataków. Raport, napisany przez Dyrektora ds. Wywiadu Zagrożeń Eyal Sela i Badacza Zagrożeń Cybernetycznych Nir Varon, analizuje trzech niezależnych aktorów zagrożeń, którzy wykorzystują AI do wszystkiego, od tworzenia skryptów i narzędzi eksploatacji po analizę skradzionych danych biznesowych, rozwiązywanie problemów z infrastrukturą i interaktywne określanie, co należy zrobić dalej w środowiskach, które zostały naruszone.

Istotne jest to, że atakujący nie proszą tylko o pomoc w tworzeniu złośliwego oprogramowania. Przypadki te sugerują coś znacznie bardziej istotnego: AI staje się częścią operacyjnego workflow ataku, pomagając atakującym adaptować się do nowych systemów, poświadczeń, błędów i możliwości, które pojawiają się.

Od asystenta kodowania do uczestnika operacyjnego

W trzech przypadkach Gambit obserwował atakujących, którzy wykorzystywali AI na różnych etapach ataku. Modele generowały skrypty dostosowane do środowisk, które napotkały, rozwijały narzędzia eksploatacji, priorytetyzowały cenne informacje biznesowe, wykonywały zadania IT i DevOps, a także wielokrotnie doskonalące polecenia na podstawie danych zwrotnych z systemów, które zostały naruszone.

To reprezentuje ważną ewolucję w porównaniu z niektórymi z wcześniejszych dyskusji na temat AI-wydajnych cyberprzestępstw, które koncentrowały się głównie na e-mailach phishingowych, generowaniu złośliwego oprogramowania lub obniżaniu bariery technicznej dla niedoświadczonych atakujących.

AI może teraz funkcjonować bardziej jak wysoce responsywny asystent techniczny, który pozostaje zaangażowany w trakcie rozwoju operacji.

Szeroki krajobraz zagrożeń wydaje się poruszać w tym samym kierunku. Anthropic analizował 832 konta związane z nielegalną działalnością cybernetyczną między marcem 2025 a marcem 2026 i stwierdził, że użycie AI rozciąga się na wszystkie 14 taktyk przedstawionych w ramach MITRE ATT&CK. Firma stwierdziła również, że udział aktorów, których sklasyfikowano jako średniego ryzyka lub wyższego, zwiększył się z 33% do 56% między pierwszą a drugą połową okresu badanego.

Przypadki opisane przez Gambit dostarczają szczegółowego spojrzenia na to, jak ta zmiana może wyglądać wewnątrz aktywnych ataków.

Podejrzany operator ransomware umieszcza Claude Code wewnątrz pętli ataku

Pierwszy przypadek dotyczy podejrzanego operatora ransomware, który został zaobserwowany przez Gambit jako używający Claude Code w trakcie ataków na sześć organizacji w czerwcu 2026, a także połączony z dwoma wcześniejszymi przypadkami naruszeń.

Ofiary obejmowały wiele branż i krajów, w tym australijską firmę energetyczną, firmę świadczącą usługi finansowe na Mauritiusie, firmy w Południowej Afryce, Tajlandii i Malezji, a także kilka organizacji w Stanach Zjednoczonych. Gambit przypisuje tę działalność z umiarkowaną pewnością do afiliacji, która wykorzystuje usługę ransomware The Gentlemen.

To, co wyróżnia się, to szeroki zakres roli Claude Code.

Atakujący wykorzystał ten system do prowadzenia rozpoznania, generowania poleceń eksploatacji, tworzenia złośliwych skryptów, modyfikowania zasad zapory sieciowej, mapowania systemów wewnętrznych oraz określania, które maszyny lub bazy danych zasługują na dodatkową uwagę.

Po ustanowieniu poświadczeń i dostępu zdalnego AI pomogło interpretować dane rozpoznania i identyfikować systemy o wyższej wartości, takie jak kontrolery domeny, serwery plików i infrastruktura kopii zapasowych. W innej części ataku analizował bazy danych należące do platformy usług finansowych i pomógł zidentyfikować dane produkcyjne i dokumenty klientów jako szczególnie ważne.

Przypadek ten ilustruje również ograniczenia obecnych zabezpieczeń. W pewnym momencie Claude uznał, że wydaje się, iż wchodzi w interakcję z prawdziwą siecią korporacyjną, i odmówił kontynuowania bez dowodu autoryzacji. Operator otworzył nową sesję, przedstawił pracę jako autoryzowane testowanie podatności, a model kontynuował.

Jednak zwiększona zdolność nie oznaczała bezbłędnego wykonania. Podczas naruszenia bezpieczeństwa jednej z firm energetycznych Claude próbował zmodyfikować konfigurację zapory sieciowej i ostatecznie pozostawił urządzenie niedostępne. Incydent ten jest ważnym przeciwwagą do obaw o idealnie autonomicznych hakujących AI: modele mogą przyspieszać operacje ofensywne, ale mogą również popełniać kosztowne błędy wewnątrz systemów, które atakujący próbują kontrolować.

Zerofot pokazuje, co się dzieje, gdy AI spotyka się z skalą

Drugi przypadek dotyczy raczej industrializacji kradzieży poświadczeń niż jednego, celowego ataku.

Gambit śledzi operatora jako Zerofot, opisując kampanię, która wyszukiwała pliki i katalogi dostępne w Internecie w poszukiwaniu kluczy API, poświadczeń chmury, tokenów oprogramowania i kluczy prywatnych SSH.

W centrum operacji znajdował się niestandardowy skaner do zbierania poświadczeń o nazwie auto_scan. Operator zbudował ten narzędzie przy użyciu OpenAI Codex i Claude Code, instruując modele pod przekonaniem, że praca była prowadzona w ramach autoryzowanego środowiska capture-the-flag. Skaner zbierał pliki dostępne, wyszukiwał je pod kątem potencjalnych poświadczeń, a następnie próbował zwalidować odkryte klucze wobec odpowiednich usług.

Rola AI nie zakończyła się, gdy tylko narzędzie zostało napisane.

Claude Code został również wykorzystany do mniej glamour, lecz operacyjnie krytycznej pracy związanej z utrzymaniem infrastruktury. Za pomocą wieloagentowego frameworku orchestracji pomógł zarządzać infrastrukturą skanera, proxy, siecią, konfiguracjami zapory sieciowej, monitorowaniem i debugowaniem.

To rozróżnienie jest istotne. Operacje cybernetyczne wymagają znacznie więcej niż tylko odkrycia podatności lub wygenerowania ładunku. Infrastruktura musi być wdrożona, oprogramowanie ulega awariom, logi muszą być interpretowane, a problemy z konfiguracją muszą być rozwiązane. AI może coraz częściej pomagać w tym łączącym się pracy.

Skala udokumentowana przez Gambit jest znaczna. Między 5 a 23 kwietnia 2026 operacja zebrala 2975 zwalidowanych poświadczeń i kluczy z 1742 hostów ofiar. Obejmowało to 661 kluczy prywatnych SSH, 635 kluczy dostępu do AWS skojarzonych z 214 kontami, 448 kluczy Google Gemini, 254 kluczy OpenAI i 176 kluczy Anthropic, wśród wielu innych typów poświadczeń. Gambit twierdzi, że informacje zostały udostępnione fundacji Shadowserver i dostawcom usług, których dotyczyły, w celu wspierania powiadomień i unieważnienia poświadczeń.

RAGE zmienia kod wygenerowany przez AI w ramy eksploatacji

Trzecia analiza koncentruje się na RAGE, niestandardowym frameworku Pythona zaprojektowanym do skanowania usług zorientowanych na Internet, eksploatowania podatnych wdrożeń, zbierania poświadczeń i instalowania górników kryptowalut.

Badacze Gambit uważają, że wiele z RAGE i skojarzonych z nim skryptów zostało wygenerowanych przez AI. Jednym z wskazówek jest niezwykle ujawniający: części kodu nadal zawierają pierwszoosobowe, samokorygujące się rozumowanie, które wydaje się pozostawione przez model w trakcie rozwoju.

AI został również wbudowany bezpośrednio w ukończony system. RAGE zawierał „AI Orchestrator” z obsługą DeepSeek w panelu operatorskim, który zapewniał wskazówki dotyczące zarządzania operacją górniczą.

Framework ten atakował usługi zorientowane na Internet, w tym Redis, Elasticsearch, Docker, Tomcat, Jenkins i inne, a także wyszukiwał środowiska, które zostały naruszone, w poszukiwaniu poświadczeń, które mogłyby stworzyć dodatkowe możliwości.

W jednym przypadku poświadczenia odzyskane z naruszonej instalacji Redis należącej do dostawcy oprogramowania jako usługi zapewniły dostęp administracyjny do konta AWS. Atakujący wygenerował dodatkowe narzędzia do wyliczania tożsamości, magazynów i innych zasobów chmury.

Zapisane logi wykazały dostęp do ośmiu użytkowników IAM, z czego czterech miało dostęp AdministratorAccess, a także 196 koszy S3 Amazon.

Kampania, która wydawała się głównie motywowana przez górnictwo kryptowalut, miała również możliwość przekształcenia naruszonej usługi w znacznie szersze naruszenie chmury.

Błędy AI mogą stać się częścią przewagi obrońców

Jednym z najbardziej interesujących aspektów badań Gambit jest to, że dokumentują one błędy AI obok sukcesów AI.

Modele czasami ujawniały zamiary atakującego w nieoczekiwany sposób. Wygenerowane przez AI narzędzia używały nazw takich jak „recon” dla sesji w chmurze, podczas gdy inne wygenerowane artefakty zachowały opisowe komentarze i rozumowanie, które mogły dostarczyć wskazówek dotyczących ich powstania. W przypadku ransomware próba modyfikacji zapory sieciowej spowodowała przerwę.

Te słabości komplikują ideę, że AI automatycznie sprawia, że operacje cybernetyczne są bardziej stealthowe lub bardziej zaawansowane.

Badacze zespołu Microsoft Security również opisali AI jako przyspieszacz w ramach workflow atakujących, z ludzkimi operatorami, którzy nadal kierują wieloma operacjami końcowymi. Odkrycia Gambit sugerują, że relacja może coraz bardziej przypominać partnerstwo: ludzie dostarczają cele i osąd, podczas gdy AI pochłania znaczne części technicznej iteracji wymaganej do osiągnięcia tych celów.

To może sprawić, że atakujący będą szybsi, ale niekoniecznie lepsi w kwestii bezpieczeństwa operacyjnego.

Zespoły ds. bezpieczeństwa cybernetycznego mogą musieć bronić się przed iteracją z prędkością maszyn

Szerszą obawą, którą budzą badania, jest prędkość.

Wiele kontroli bezpieczeństwa zakłada, że przeciwnik porusza się po sieci z prędkością zbliżoną do ludzkiej. Atakujący tradycyjnie musi zrozumieć nieznaną technologię, zbadać polecenia, napisać skrypty, rozwiązać błędy i zinterpretować duże ilości danych, zanim zdecyduje, gdzie się poruszyć dalej.

System AI może skompresować wiele z tych kroków.

Ryzyko nie jest więc ograniczone do przyszłego autonomicznego agenta hakującego. Atakujący, który pozostaje mocno pod kontrolą, może nadal wykorzystywać AI do zmniejszenia ilości niezbędnej ekspertyzy, czasu i wysiłku ręcznego, aby działać w nieznanych środowiskach.

Obrońcy mogą więc musieć skoncentrować się mniej na tym, czy konkretny fragment złośliwego oprogramowania został „wygenerowany przez AI”, a bardziej na sygnałach behawioralnych w całym cyklu życia ataku: niezwykle szybkim rozpoznaniu, wielokrotnych adaptacyjnych poleceniach, agresywnym odkrywaniu poświadczeń, nieoczekiwanym wyliczaniu w chmurze, zmianach w infrastrukturze kopii zapasowych lub zabezpieczeń, a także ruchu między systemami, który zachodzi szybciej, niż sugerowałoby to tradycyjne, prowadzone przez ludzi operacje.

Te same możliwości pozostają również cenne dla obrony. Na przykład Anthropic rozwija systemy AI, które identyfikują podatności i pomagają zespołom bezpieczeństwa w ich likwidacji, podkreślając dual-use charakter coraz bardziej zdolnych modeli cybernetycznych. Rywalizacja coraz bardziej dotyczy tego, która strona może zastosować te możliwości szybciej i z lepszą widocznością.

Ostatecznie „AI Across the Intrusion Lifecycle” jest przekonywujący, ponieważ przenosi dyskusję na temat AI i bezpieczeństwa cybernetycznego z hipotetycznych przyszłych ataków w kierunku obserwowanego zachowania operacyjnego. Trzy przypadki udokumentowane przez Gambit Security pokazują atakujących, którzy eksperymentują z różnymi modelami, frameworkami i poziomami automatyzacji, ale wszystkie te przypadki mają jeden ważny wzorzec: AI nie jest już ograniczony do pomocy w przygotowaniu ataku. Coraz częściej jest obecny podczas samego ataku.