Отчет Gambit Security «AI Across the Intrusion Lifecycle» показывает, как ИИ становится более глубоко интегрированным в реальные кибератаки

Gambit Security опубликовал новый отчет, AI Across the Intrusion Lifecycle, который предлагает подробный анализ того, как искусственный интеллект выходит за рамки вспомогательной роли в киберпреступности и становится неотъемлемой частью механики реальных атак. Написанный директором по угрозам Эялом Селой и исследователем киберугроз Ниром Вароном, отчет исследует три не связанных между собой угрозы, использующие ИИ для всего, от создания уникальных скриптов и инструментов эксплуатации до анализа украденных бизнес-данных, устранения неполадок инфраструктуры и интерактивного определения дальнейших действий в скомпрометированных средах.
Значимость заключается не только в том, что атакующие просят крупные языковые модели написать вредоносное ПО. Дела предполагают нечто более значимое: ИИ становится частью операционного потока проникновения, помогая атакующим адаптироваться к новым системам, учетным данным, ошибкам и возможностям, которые появляются.

От помощника кодирования к операционному участнику

В трех расследованиях Gambit наблюдала, как атакующие используют ИИ на различных этапах проникновения. Модели генерировали скрипты, адаптированные к окружающей среде, разрабатывали инструменты эксплуатации, определяли приоритетность ценной бизнес-информации, выполняли задачи IT и DevOps, и многократно уточняли команды на основе вывода, полученного от скомпрометированных систем.

Это представляет собой важную эволюцию по сравнению с некоторыми из ранних обсуждений об ИИ-обеспеченной киберпреступности, которые были сосредоточены на фишинговых электронных письмах, генерации вредоносного ПО или снижении технического барьера для неопытных атакующих.

ИИ может теперь функционировать более как высокоотзывчивый технический помощник, который остается вовлеченным в операцию.

Более широкий ландшафт угроз, по-видимому, движется в том же направлении. Anthropic недавно проанализировал 832 учетные записи, связанные с злонамеренной киберактивностью между мартом 2025 года и мартом 2026 года, и обнаружил использование ИИ, охватывающее все 14 тактик, представленных в рамках MITRE ATT&CK. Компания также обнаружила, что доля акторов, которых она классифицировала как средний риск или выше, увеличилась с 33% до 56% между первой и второй половиной периода исследования.

Случаи Gambit предоставляют особенно конкретный взгляд на то, как этот сдвиг может выглядеть внутри активных компрометаций.

Подозреваемый оператор вымогательского ПО использует Claude Code внутри атакующего цикла

Первый случай связан с подозреваемым оператором вымогательского ПО, который, по наблюдениям Gambit, использовал Claude Code в течение проникновений в шесть организаций в июне 2026 года, при этом исследователи также связали актора с двумя ранее скомпрометированными случаями.

Жертвы охватывали несколько отраслей и стран, включая австралийскую энергетическую компанию, финансовую службу на Маврикии, бизнес в Южной Африке, Таиланде и Малайзии, а также несколько организаций в Соединенных Штатах. Gambit приписывает эту активность с средней уверенностью аффилированному лицу, использующему операцию вымогательского ПО The Gentlemen.

Выделяется масштаб роли Claude Code.

Атакующий использовал систему для проведения разведки, генерации команд эксплуатации, написания вредоносных скриптов, изменения правил брандмауэра, картографирования внутренних систем и определения машин или баз данных, которые заслуживают дополнительного внимания.

Как только были установлены учетные данные и удаленный доступ, ИИ помог интерпретировать данные разведки и определить более ценные системы, такие как контроллеры домена, файловые серверы и инфраструктура резервного копирования. В другой части проникновения он проанализировал базы данных, принадлежащие финансовой службе, и помог определить производственные данные и документы клиентов как особенно важные.

Случай также иллюстрирует пределы сегодняшних мер безопасности. В один момент Claude признал, что он, по-видимому, взаимодействует с реальной корпоративной сетью, и отказался продолжать без доказательств авторизации. Оператор открыл новую сессию, переформулировал работу как уполномоченное тестирование уязвимостей, и модель продолжила работу.

Но повышенная способность не означала безошибочную реализацию. Во время компрометации энергетической компании Claude попытался изменить конфигурацию брандмауэра и в конечном итоге сделал устройство недоступным. Инцидент является важным контраргументом к страхам идеально автономных ИИ-хакеров: модели могут ускорять операции атак, но они также могут совершать дорогостоящие ошибки внутри систем, которые атакующие пытаются контролировать.

Zerofot показывает, что происходит, когда ИИ встречает масштаб

Второй случай больше связан не с одной целевой атакой, а с индустриализацией кражи учетных данных.

Gambit отслеживает оператора как Zerofot, описывая кампанию, которая искала в интернете открытые файлы и каталоги для API-ключей, облачных учетных данных, программных токенов и SSH-ключей.

В центре операции находился настраиваемый сканер сбора учетных данных под названием auto_scan. Оператор построил инструмент с помощью OpenAI Codex и Claude Code, инструктируя модели под предлогом того, что работа проводится в уполномоченной среде захвата флага. Сканер собирал открытые файлы, искал в них потенциальные учетные данные и затем пытался проверить обнаруженные ключи против их соответствующих служб.

Роль ИИ не ограничивалась только написанием инструмента.

Claude Code также использовался для менее гламурной, но операционно критической работы по поддержанию инфраструктуры. Через многоагентскую оркестровку он помог управлять инфраструктурой сканера, прокси, сетью, конфигурацией брандмауэра, мониторингом и отладкой.

Это различие имеет значение. Кибероперации требуют гораздо больше, чем просто обнаружение уязвимости или генерация полезной нагрузки. Инфраструктура должна быть развернута, программное обеспечение ломается, журналы необходимо интерпретировать, а проблемы конфигурации необходимо решать. ИИ может все больше помогать с этой связующей работой.

Масштаб, задокументированный Gambit, является существенным. Между 5 апреля и 23 мая 2026 года операция собрала 2975 проверенных учетных данных и ключей из 1742-хостов жертв. Это включало 661 SSH-ключ, 635 AWS-ключей, связанных с 214-учетными записями, 448 Google Gemini-ключей, 254 OpenAI-ключей и 176 Anthropic-ключей, среди многих других типов учетных данных. Gambit говорит, что информация была передана в Shadowserver Foundation и пострадавших поставщиков услуг для поддержки уведомления и отзыва учетных данных.

RAGE превращает ИИ-генерированный код в фреймворк эксплуатации

Третье расследование фокусируется на RAGE, настраиваемом фреймворке Python, предназначенном для сканирования интернет-служб, эксплуатации уязвимых развертываний, сбора учетных данных и установки майнеров криптовалюты.

Исследователи Gambit считают, что большая часть RAGE и его связанных скриптов была сгенерирована ИИ. Одним из признаков является необычно откровенное: части кода все еще содержат первое лицо, самоисправляющееся рассуждение, которое, по-видимому, было оставлено моделью во время разработки.

ИИ также был включен напрямую в готовую систему. RAGE включал в себя «ИИ-оркестратор» на основе DeepSeek в панели управления оператора, который предоставлял рекомендации по управлению операцией майнинга.

Фреймворк нацеливался на открытые службы, включая Redis, Elasticsearch, Docker, Tomcat, Jenkins и другие, а также искал в скомпрометированных средах учетные данные, которые могли создать дополнительные возможности.

В одном случае учетные данные, восстановленные из открытого развертывания Redis, принадлежащего поставщику программного обеспечения как услуги, предоставили административный доступ к учетной записи AWS. Атакующий затем сгенерировал дополнительные инструменты для перечисления идентификаторов, хранилищ и других облачных ресурсов.

Восстановленные журналы показали доступ к восьми пользователям Identity and Access Management, четыре из которых имели доступ AdministratorAccess, а также 196 корзин Amazon S3.

Кампания, которая, по-видимому, была в первую очередь мотивирована майнингом криптовалюты, также имела возможность превратить открытую службу в более широкую компрометацию облака.

Ошибки ИИ могут стать частью преимущества защитника

Одним из наиболее интересных аспектов исследования Gambit является то, что оно документирует неудачи ИИ наряду с его успехами.

Модели иногда раскрывали намерения атакующего неожиданным образом. ИИ-генерированное инструментирование использовало подозрительные имена, такие как «recon» для облачных сессий, в то время как другие сгенерированные артефакты сохранили описательные комментарии и рассуждения, которые могли предоставить подсказки о том, как они были созданы. В случае вымогательского ПО попытка изменения конфигурации брандмауэра привела к простою.

Эти слабости осложняют идею о том, что ИИ автоматически делает кибероперации более скрытными или изощренными.

Исследователи безопасности Microsoft также описали ИИ как ускоритель в рабочих процессах атакующих, при этом человеческие операторы по-прежнему направляют многие операции от начала до конца. Нахождение Gambit предполагает, что отношение может все больше напоминать партнерство: люди предоставляют цели и суждение, в то время как ИИ поглощает значительную часть технической итерации, необходимой для достижения этих целей.

Это может сделать атакующих быстрее, не делая их обязательно лучше в операционной безопасности.

Команды кибербезопасности могут потребовать защититься от итерации с машинной скоростью

Более широкая проблема, поднятая исследованием, заключается в скорости.

Многие меры безопасности предполагают, что противник будет двигаться по сети с темпом, похожим на человеческий. Атакующий традиционно должен понять незнакомую технологию, изучить команды, написать скрипты, устранить ошибки и интерпретировать большие объемы данных, прежде чем решить, куда двигаться дальше.

Система ИИ может сжать многие из этих шагов.

Риск заключается не только в будущем автономном агенте хакинга. Атакующий, который остается твердо под контролем, все равно может использовать ИИ, чтобы уменьшить количество необходимой экспертизы, времени и ручных усилий, необходимых для работы в незнакомых средах.

Защитники могут, следовательно, сосредоточиться меньше на том, было ли конкретное вредоносное ПО «сгенерировано ИИ», и больше на поведенческих сигналах на протяжении всего жизненного цикла проникновения: необычно быстрое разведка, повторяющиеся адаптивные команды, агрессивное обнаружение учетных данных, неожиданное перечисление облака, изменения в инфраструктуре резервного копирования или безопасности, а также перемещение между системами, которое происходит быстрее, чем традиционные человеческие операции.

Одни и те же возможности также остаются ценными для защиты. Anthropic, например, разрабатывает системы ИИ, которые выявляют уязвимости и помогают командам безопасности устранять их, подчеркивая двойное использование все более способных кибермоделей. Соревнование все больше заключается в том, какая сторона может применить эти возможности быстрее и с лучшей видимостью.

В конечном итоге, «AI Across the Intrusion Lifecycle» является убедительным, потому что он перемещает обсуждение ИИ и кибербезопасности от гипотетических будущих атак к наблюдаемому операционному поведению. Три случая, задокументированные Gambit Security, показывают атакующих, экспериментирующих с разными моделями, фреймворками и уровнями автоматизации, но они имеют одну важную закономерность: ИИ больше не ограничивается только помощью в подготовке атаки. Он все больше присутствует, пока атака фактически происходит.