Cyberbezpieczeństwo
Google odkryło, że atakujący wykorzystują w pełni autonomiczne łańcuchy exploitów

Kluczowe punktyGoogle zaobserwował autonomiczną wieloagentową strukturę porównującą poprawki i…
Zobacz więcej
- Google zaobserwował autonomiczną wieloagentową strukturę porównującą poprawki i wykonującą przygotowane exploity bez udziału człowieka.
- Atakujący preferują teraz załatane luki n-day, ponieważ ograniczony materiał badawczy czyni je łatwiejszymi celami niż luki zero-day.
- Agentowe struktury testów penetracyjnych skracają harmonogramy ataków do prędkości maszynowej, ale obecnie wymieniają skrytość na szybkość.
Google Threat Intelligence Group (GTIG) po raz pierwszy zidentyfikowała cyberprzestępców wykorzystujących frameworki dużych modeli językowych do pełnej automatyzacji wykrywania i wykorzystywania podatności bez udziału człowieka. Informację tę podano w kwartalnym raporcie o zagrożeniach związanych ze sztuczną inteligencją, opracowanym wspólnie z Mandiant i opublikowanym 16 listopada 2026 r.
Jednym ze szczegółowo opisanych przykładów był publicznie dostępny serwer testowy, na którym działał wieloagentowy framework do badania podatności i przygotowywania exploitów, nazwany przez GTIG exploit_agent. Framework integrował wiele najnowocześniejszych i lokalnych dużych modeli językowych. Skonfigurowano go tak, by stale porównywał kod sprzed ogłoszenia poprawek z kodem po ich opublikowaniu dla popularnego oprogramowania aplikacji internetowych, analizował różnice pod kątem potencjalnych podatności, przygotowywał exploity i automatycznie je uruchamiał.
Na serwerze znajdowały się także dane wykradzione zaatakowanym ofiarom, a obok nich skrypty służące do rozpoznania wewnętrznej sieci, łamania haseł metodą siłową, instalowania powłok webowych oraz usuwania powłok pozostawionych przez innych atakujących. Telemetria dotycząca ofiar wskazywała, że operator szczególnie interesował się francuskimi witrynami związanymi z branżą medialną i rozrywkową oraz sektorem edukacji. Komentarze konfiguracyjne w języku rosyjskim odnosiły się do kluczy API dużych modeli językowych wykorzystywanych do autonomicznego przeprowadzania ataków.
Analiza poprawek i okno podatności na atak
GTIG poinformowała, że dla atakujących podatności typu n-day, czyli luki, na które opublikowano już poprawki, mogą być skuteczniejszym celem niż podatności zero-day, ponieważ dostępny materiał badawczy jest ograniczony. Agenci mogą porównywać wersje kodu źródłowego, w tym wersje przedpremierowe i poglądowe, a także analizować informacje o wydaniach, badania nad bezpieczeństwem i kod typu proof of concept dotyczący konkretnej luki. Badanie wcześniej nieznanych podatności zero-day wymaga szerszych poszukiwań.
Automatyzacja porównywania poprawek i przekształcania kodu proof of concept w działające exploity może skrócić czas między ujawnieniem poprawki a wykorzystaniem luki w ataku. Niższy próg wejścia ma też drugi skutek: według GTIG duże modele językowe pomogły tworzyć exploity opisywane jako działające, choć w rzeczywistości nie działają. Zwiększa to zakres weryfikacji, którą muszą przeprowadzić obrońcy, aby odróżnić funkcjonalny kod ataku od nieprawdziwych deklaracji.
Wieloagentowe frameworki w rzeczywistych włamaniach
To exploit_agent ustalenie wpisuje się w szerszą zmianę: od ręcznego formułowania poleceń do wieloagentowych narzędzi wykorzystywanych podczas włamań. GTIG i Mandiant zaobserwowały, że różni cyberprzestępcy nadużywają otwartoźródłowych, agentowych frameworków do testów penetracyjnych, w tym ARTEX, CAIRN, CyberStrikeAI i PentAGI, aby automatyzować poszczególne etapy i zadania operacyjne podczas rzeczywistych włamań. Wspólne możliwości tych narzędzi obejmują wykrywanie i wykorzystywanie podatności o niskim stopniu złożoności, generowanie na żądanie jednorazowych ładunków oraz dostosowywanie taktyki na podstawie informacji zwrotnych o przebiegu działań w czasie rzeczywistym.
GTIG niezależnie zaobserwowała użycie CAIRN i PentAGI w rzeczywistych działaniach, a także eksperymenty z CyberStrikeAI i HexStrike AI. CAIRN koordynuje wyspecjalizowanych agentów w cyklu „obserwuj, orientuj się, decyduj, działaj” oraz za pośrednictwem wspólnej tablicy. GTIG zaobserwowała jego użycie podczas włamań wymierzonych między innymi w amerykański sektor lotniczo-kosmiczny. Między końcem sierpnia a początkiem października 2026 r. cyberprzestępca używał dostosowanej platformy orkiestracyjnej opartej na PentAGI do systematycznego rozpoznania i skanowania podatności w wielu organizacjach w Azji.
Takie frameworki mogą skrócić czas trwania ataków do tempa pracy maszyn, ale zdaniem GTIG obecnie odbywa się to kosztem skrytości. Nieograniczone autonomiczne działanie generuje ruch sieciowy pozostawiający ślady do analizy kryminalistycznej, wykorzystuje rozpoznawalne identyfikatory i pozostawia charakterystyczne ślady w kodzie. Mogą one ułatwić wykrywanie i ograniczanie zagrożeń, choć narzędzia te nadal potrafią osiągać cele operacyjne.
Wykradziony dostęp do zasobów AI i odsprzedaż w podziemiu
Raport opisuje również rynek przejętych zasobów chmurowych i AI. Przez cały 2026 r. Mandiant reagowała na kilka incydentów typu LLMJacking, w których motywowani finansowo cyberprzestępcy wykorzystywali przejęte środowiska chmurowe, aby korzystać z mocy obliczeniowej ofiar lub limitów zasobów dużych modeli językowych. Jak podała Mandiant, niektóre jednodniowe, nieuczciwe obciążenia przekraczały 100 000 USD, a w najpoważniejszym przypadku łączne koszty nadużyć osiągnęły 1 mln USD, zanim udało się im zaradzić.
GTIG śledzi również działalność tak zwanych mikserów LLM — nielegalnych witryn handlowych sprzedających nieautoryzowany dostęp do usług dużych modeli językowych oraz wspierającą je infrastrukturę serwerów proxy. Przekierowują one ruch klientów przez pule skradzionych danych uwierzytelniających i instancji obliczeniowych, a także mogą rozdzielać liczbę zapytań między środowiska wielu ofiar, by utrudnić wykrycie. GTIG zaobserwowała oferty w cenach od 0,10 do 25 USD za milion tokenów na rosyjsko- i chińskojęzycznych podziemnych platformach handlowych. Cena zależała od oferowanej usługi, modelu i danych uwierzytelniających.
Ustalenia wskazują na bliski w czasie problem obronny związany z szybkością i skalą zagrożenia. Publicznie dostępne poprawki mogą dostarczać materiału do porównań na potrzeby automatycznego tworzenia exploitów, a skradzione dane uwierzytelniające i usługi proxy mogą zapewniać dostęp do mocy obliczeniowej AI. Te same zautomatyzowane działania pozostawiają ślady do analizy kryminalistycznej i prowadzą do powstawania niewiarygodnego kodu exploitów, co daje obrońcom szanse na wykrycie zagrożeń, nawet gdy mają do czynienia z krótszymi oknami podatności na atak i większą ilością materiału wymagającego weryfikacji.












