Gambit Securities “AI Across the Intrusion Lifecycle” visar hur AI förs in i realvärldens cyberattacker

Gambit Securitys nya rapport, AI Across the Intrusion Lifecycle, erbjuder en detaljerad titt på hur artificiell intelligens flyttar bortom en stödjande roll i cyberbrottslighet och blir integrerad i den dagliga mekaniken för riktiga intrång. Skriven av chef för hotanalys Eyal Sela och cyberhotforskare Nir Varon, undersöker rapporten tre orelaterade hotaktörer som använder AI för allt från att bygga enkla skript och exploateringsverktyg till att analysera stulna affärsdata, felsöka infrastruktur och interaktivt bestämma vad man ska göra härnäst i komprometterade miljöer.
Betydelsen är inte bara att angripare ber stora språkmodeller att skriva skadlig kod. Fallen visar på något mer betydelsefullt: AI blir en del av den operativa arbetsflödet för ett intrång, vilket hjälper angripare att anpassa sig när nya system, behörigheter, fel och möjligheter dyker upp.

Från kodhjälpmedel till operativ deltagare

Under de tre utredningarna observerade Gambit angripare som använde AI under olika faser av ett intrång. Modeller genererade skript anpassade till miljöer de stötte på, utvecklade exploateringsverktyg, prioriterade värdefull affärsinformation, utförde IT- och DevOps-uppgifter och förfinade återkommande kommandon baserat på utdata från komprometterade system.

Detta representerar en viktig utveckling från några av de tidigaste diskussionerna kring AI-aktiverad cyberbrottslighet, som fokuserade tungt på phishing-e-post, skadlig kodgenerering eller sänkning av den tekniska tröskeln för oerfarna angripare.

AI kan nu fungera mer som en högt responsiv teknisk assistent som förblir involverad medan en operation utvecklas.

Det bredare hotlandskapet verkar vara på väg i samma riktning. Anthropic analyserade nyligen 832 konton associerade med skadlig cyberaktivitet mellan mars 2025 och mars 2026 och fann att AI-användning spände över alla 14 taktiker representerade i MITRE ATT&CK-ramverket. Företaget fann också att andelen aktörer som klassificerades som medelhög risk eller högre ökade från 33% till 56% mellan den första och den andra halvan av den undersökta perioden.

Gambit-fallen ger en särskilt konkret vy över vad den förändringen kan se ut som inuti aktiva komprometteringar.

En misstänkt ransomware-operatör sätter Claude Code i attackloopen

Det första fallet handlar om en misstänkt ransomware-operatör som Gambit observerade använda Claude Code under intrång i sex organisationer i juni 2026, med forskarna som också kopplade aktören till två tidigare komprometteringar.

Offren spände över flera branscher och länder, inklusive ett australiskt energiföretag, ett finansiellt tjänsteföretag i Mauritius, företag i Sydafrika, Thailand och Malaysia, samt flera organisationer i USA. Gambit tillskriver aktiviteten med medelhög säkerhet till en affiliate som använder The Gentlemen ransomware-as-a-service-operation.

Vad som sticker ut är bredden av Claude Codes roll.

Angriparen använde systemet för att utföra rekognosering, generera exploateringskommandon, skriva skadliga skript, modifiera brandväggsprinciper, kartlägga interna system och bestämma vilka maskiner eller databaser som förtjänade extra uppmärksamhet.

När behörigheter och fjärråtkomst hade etablerats hjälpte AI till att tolka rekognosceringsdata och identifiera högvärdesystem som domänkontrollanter, filservrar och säkerhetsinfrastruktur. I en annan del av intrånget analyserade den databaser som tillhörde ett finansiellt tjänsteföretag och hjälpte till att identifiera produktionsdata och kunddokument som särskilt viktiga.

Fallet visar också på begränsningarna i dagens säkerhetsåtgärder. Vid ett tillfälle erkände Claude att det tycktes interagera med ett riktigt företagsnätverk och vägrade fortsätta utan bevis på auktorisering. Operatören öppnade en ny session, omformulerade arbetet som auktoriserad sårbarhetstestning, och modellen fortsatte.

Men ökad kapacitet innebar inte fläckfri exekvering. Under komprometteringen av energiföretaget försökte Claude att modifiera en brandvägskonfiguration och lämnade slutligen enheten otillgänglig. Incidenten är en viktig motpunkt till rädslan för fullständigt autonoma AI-hackers: modeller kan accelerera offensiva operationer, men de kan också göra dyra misstag inuti de system som angripare försöker kontrollera.

Zerofot visar vad som händer när AI möter skala

Det andra fallet handlar inte så mycket om ett riktat intrång, utan mer om industrialisering av lösenordsstöld.

Gambit spårar operatören som Zerofot, som beskriver en kampanj som söker efter internet-exponerade filer och kataloger för API-nycklar, molnbehörigheter, programtoken och SSH-privata nycklar.

I centrum för operationen fanns en anpassad lösenordsinsamlings-scanner som kallades auto_scan. Operatören byggde verktyget med hjälp av OpenAI Codex och Claude Code, och instruerade modellerna under förutsättning att arbetet utfördes inom en auktoriserad capture-the-flag-miljö. Scannern samlade in exponerade filer, sökte efter potentiella lösenord och försökte sedan validera upptäckta nycklar mot deras respektive tjänster.

AIs roll slutade inte när verktyget var skrivet.

Claude Code användes också för det mindre glamorösa men operativt kritiska arbetet med att hålla infrastrukturen igång. Genom en multi-agent-orchestreringsramverk hjälpte den till att hantera scanningsinfrastruktur, proxys, nätverk, brandvägskonfigurationer, övervakning och felsökning.

Den distinktionen är viktig. Cyberoperationer kräver mycket mer än att upptäcka en sårbarhet eller generera en payload. Infrastruktur behöver deployeras, programvara bryts, loggar behöver tolkas och konfigurationsproblem måste lösas. AI kan alltmer hjälpa till med det förbindande arbetet.

Skalan som dokumenterats av Gambit är betydande. Mellan den 5 april och den 23 maj 2026 samlade operationen in 2 975 validerade lösenord och nycklar från 1 742 offerenheter. Detta inkluderade 661 SSH-privata nycklar, 635 AWS-åtkomstnycklar associerade med 214 konton, 448 Google Gemini-nycklar, 254 OpenAI-nycklar och 176 Anthropic-nycklar, bland många andra lösenordstyper. Gambit säger att informationen delades med Shadowserver Foundation och påverkade tjänsteleverantörer för att stödja meddelanden och lösenordsåterkallande.

RAGE förvandlar AI-genererad kod till ett exploateringsramverk

Den tredje utredningen fokuserar på RAGE, ett anpassat Python-ramverk utformat för att skanna internet-vända tjänster, exploatera sårbara distributioner, samla in lösenord och installera kryptovalutamining-verktyg.

Gambits forskare tror att mycket av RAGE och dess associerade skript genererades av AI. Ett tecken är ovanligt avslöjande: delar av koden innehåller fortfarande första-person, självkorrigering som tydligen lämnades kvar av modellen under utvecklingen.

AI införlivades också direkt i det färdiga systemet. RAGE innehöll en DeepSeek-baserad “AI-Orkestratör” i operatörsgränssnittet som tillhandahöll vägledning för att hantera mining-operationen.

Ramverket riktade sig mot exponerade tjänster, inklusive Redis, Elasticsearch, Docker, Tomcat, Jenkins och andra, medan de sökte efter lösenord i komprometterade miljöer som kunde skapa ytterligare möjligheter.

I ett fall tillhandahöll lösenord som återställdes från en exponerad Redis-distribution som tillhörde en programvarutjänstleverantör administrativ åtkomst till ett AWS-konto. Angriparen genererade sedan ytterligare verktyg för att räkna upp identiteter, lagring och andra molnresurser.

Återställda loggar visade åtkomst till åtta Identity and Access Management-användare, varav fyra hade AdministratorAccess, samt 196 Amazon S3-utrymmen.

En kampanj som tycktes vara primärt motiverad av kryptovalutamining hade därmed också förmågan att förvandla en exponerad tjänst till en bredare molnkompromettering.

AIs misstag kan bli en del av försvararens fördel

En av de mest intressanta aspekterna av Gambits forskning är att den dokumenterar AI-fel bredvid AI-succeser.

Modeller exponerade ibland angriparens avsikter på oväntade sätt. AI-genererade verktyg använde ögonfallande namn som “recon” för molnsessioner, medan andra genererade artefakter bevarade beskrivande kommentarer och resonemang som kunde ge ledtrådar om hur de skapades. I ransomware-fallet producerade ett försök att modifiera en brandvägskonfiguration en avbrott.

De svagheterna komplicerar idén att AI automatiskt gör cyberoperationer mer smygande eller sofistikerade.

Microsofts säkerhetsforskare har liknande beskrivit AI som en accelerator inom angriparens arbetsflöde, med mänskliga operatörer som fortfarande dirigerar många slut-till-slut-operationer. Gambits fynd tyder på att relationen kan alltmer likna ett partnerskap: människor tillhandahåller mål och omdöme, medan AI absorberar betydande delar av den tekniska iteration som krävs för att nå dessa mål.

Det kan göra angripare snabbare utan att nödvändigtvis göra dem bättre på operativ säkerhet.

Cybersäkerhetsteam kan behöva försvara sig mot maskin-hastighetsiteration

Den större oro som väcks av forskningen är hastighet.

Många säkerhetskontroller antar att en motståndare kommer att flytta genom ett nätverk i en takt som liknar en människas. En angripare behöver traditionellt sett förstå en obekant teknik, forska kommandon, skriva skript, felsöka fel och tolka stora mängder data innan de bestämmer sig för vart de ska flytta härnäst.

En AI-system kan komprimera många av dessa steg.

Risken är därför inte begränsad till en framtida autonom hackare. En angripare som förblir fast i kontroll kan fortfarande använda AI för att minska mängden expertis, tid och manuellt arbete som krävs för att operera i obekanta miljöer.

Försvarare kan därför behöva fokusera mindre på om en viss del av skadlig kod var “AI-genererad” och mer på beteendesignaler över hela intrångslivscykeln: ovanligt snabb rekognosering, upprepad adaptiv kommando, aggressiv lösenordsupptäckt, oväntad molnuppräkning, ändringar av säkerhetsinfrastruktur och rörelse mellan system som sker snabbare än traditionella mänskliga operationer skulle antyda.

De samma förmågorna förblir värdefulla för försvar. Anthropic har till exempel utvecklat AI-system som identifierar sårbarheter och hjälper säkerhetsteam att åtgärda dem, vilket understryker den duala användningen av alltmer kapabla cybermodeller. Tävlingen handlar alltmer om vilken sida som kan tillämpa dessa förmågor snabbare och med bättre synlighet.

Till slut är “AI Across the Intrusion Lifecycle” övertygande eftersom det flyttar AI-cybersäkerhetsdiskussionen bort från hypotetiska framtida attacker och mot observerbar operativ beteende. De tre fallen som dokumenterats av Gambit Security visar angripare som experimenterar med olika modeller, ramverk och nivåer av automation, men de delar en viktig mönster: AI är inte längre begränsad till att hjälpa förbereda en attack. Det är alltmer närvarande medan attacken faktiskt sker.