การรายงานของ Gambit Security “AI Across the Intrusion Lifecycle” แสดงให้เห็นว่า AI กำลังเคลื่อนไปสู่การโจมตีทางไซเบอร์ในโลกแห่งความเป็นจริง

Gambit Security ได้เผยแพร่รายงานใหม่ AI Across the Intrusion Lifecycle ซึ่งให้ภาพรวมที่ชัดเจนเกี่ยวกับวิธีการที่ปัญญาประดิษฐ์ (AI) กำลังเคลื่อนไปสู่การโจมตีทางไซเบอร์ในโลกแห่งความเป็นจริง โดยรายงานนี้เขียนโดย Eyal Sela ผู้อำนวยการฝ่ายข่าวกรองภัยคุกคาม และ Nir Varon นักวิจัยภัยคุกคาม ไซเบอร์ รายงานนี้ศึกษาสามกรณีที่ไม่เกี่ยวข้องกันของนักโจมตีที่ใช้ AI ในการโจมตี ไซเบอร์ โดยใช้ AI ในการสร้างสคริปต์ การสร้างเครื่องมือการโจมตี การวิเคราะห์ข้อมูลธุรกิจที่ถูกขโมย การแก้ไขปัญหาโครงสร้างพื้นฐาน และการกำหนดแนวทางปฏิบัติภายในระบบที่ถูกโจมตี

จากผู้ช่วยการเขียนโค้ดไปสู่ผู้เข้าร่วมการโจมตี

ทั้งสามกรณีที่ Gambit ตรวจสอบ พบว่านักโจมตีใช้ AI ตลอดระยะการโจมตี โมเดล AI สร้างสคริปต์ที่เหมาะสมกับสภาพแวดล้อมที่พบ สร้างเครื่องมือการโจมตี จัดลำดับความสำคัญของข้อมูลธุรกิจที่มีค่า และทำหน้าที่ IT และ DevOps ตลอดจนปรับปรุงคำสั่งตามผลลัพธ์ที่ได้รับจากระบบที่ถูกโจมตี

สิ่งนี้แสดงถึงการเปลี่ยนแปลงที่สำคัญจากข้อคิดเห็นเก่าเกี่ยวกับการโจมตีไซเบอร์ที่ใช้ AI ซึ่งมุ่งเน้นไปที่อีเมลฟิชชิ่ง การสร้างมัลแวร์ หรือการลดข้อจำกัดทางเทคนิคสำหรับนักโจมตีที่ไม่มีประสบการณ์

AI สามารถทำงานได้เหมือนผู้ช่วยทางเทคนิคที่ตอบสนองได้อย่างรวดเร็วและยังคงทำงานตลอดการโจมตี

ภูมิทัศน์ภัยคุกคามที่กว้างขึ้นดูเหมือนจะเคลื่อนไปในทิศทางเดียวกัน Anthropic วิเคราะห์ 832 บัญชีที่เกี่ยวข้องกับการโจมตีไซเบอร์ระหว่างเดือนมีนาคม 2025 ถึงเดือนมีนาคม 2026 และพบว่าการใช้ AI ครอบคลุมทั้ง 14 ยุทธวิธีในเฟรมเวิร์ก MITRE ATT&CK นอกจากนี้ยังพบว่าส่วนแบ่งของนักโจมตีที่ถูกจัดประเภทเป็นความเสี่ยงปานกลางหรือสูงเพิ่มขึ้นจาก 33% เป็น 56% ระหว่างครึ่งแรกและครึ่งหลังของช่วงเวลาที่ศึกษา

กรณีของ Gambit ให้มุมมองที่เป็นรูปธรรมของการเปลี่ยนแปลงนี้

ผู้ดำเนินการแรนซัมแวร์ที่น่าสงสัยใช้ Claude Code ในการโจมตี

กรณีแรกเกี่ยวข้องกับผู้ดำเนินการแรนซัมแวร์ที่น่าสงสัยที่ Gambit ตรวจสอบการใช้ Claude Code ในการโจมตีเข้าระบบขององค์กร 6 แห่งในเดือนมิถุนายน 2026 นักวิจัยยังเชื่อมโยงผู้โจมตีกับการโจมตี 2 ครั้งก่อนหน้านี้

เหยื่อกระจายอยู่ในหลายอุตสาหกรรมและประเทศ รวมถึงบริษัทพลังงานของออสเตรเลีย บริษัทบริการทางการเงินในมอริเชียส ธุรกิจในแอฟริกาใต้ ไทย และมาเลเซีย และหลายองค์กรในสหรัฐอเมริกา Gambit ระบุว่ากิจกรรมนี้มีความเชื่อมั่นปานกลางว่าเป็นของพันธมิตรที่ใช้บริการแรนซัมแวร์ The Gentlemen

สิ่งที่โดดเด่นคือบทบาทที่กว้างขวางของ Claude Code

ผู้โจมตีใช้ระบบนี้ในการทำการซ้อมรบ สร้างคำสั่งการโจมตี เขียนสคริปต์ที่เป็นอันตราย ปรับเปลี่ยนนโยบายไฟร์วอลล์ แผนที่ระบบภายใน และกำหนดว่าเครื่องหรือฐานข้อมูลใดที่ควรได้รับการสนใจเพิ่มเติม

เมื่อได้รับเครดิตและเข้าถึงระยะไกล AI ช่วยตีความข้อมูลการซ้อมรบและระบุระบบที่มีค่าเช่นคอนโทรลเลอร์โดเมน เซิร์ฟเวอร์ไฟล์ และโครงสร้างพื้นฐานการสำรองข้อมูล ในส่วนอื่นของการโจมตี AI วิเคราะห์ฐานข้อมูลที่เป็นของแพลตฟอร์มบริการทางการเงินและช่วยระบุว่าข้อมูลการผลิตและเอกสารลูกค้าเป็นสิ่งสำคัญ

กรณีนี้ยังแสดงให้เห็นถึงข้อจำกัดของมาตรการป้องกันในปัจจุบัน ในจุดหนึ่ง Claude ตระหนักว่ามันกำลังโต้ตอบกับเครือข่ายองค์กรจริงและปฏิเสธที่จะดำเนินการต่อโดยไม่มีหลักฐานการอนุญาต ผู้ดำเนินการเปิดเซสชันใหม่ และ AI ก็ดำเนินการต่อ

แต่ความสามารถที่เพิ่มขึ้นไม่ได้หมายความว่าการดำเนินการจะสมบูรณ์แบบ ในระหว่างการโจมตี Claude พยายามที่จะแก้ไขการกำหนดค่าไฟร์วอลล์และท้ายที่สุดก็ทำให้อุปกรณ์ไม่สามารถเข้าถึงได้ เหตุการณ์นี้เป็นข้อโต้แย้งกับความกลัวว่า AI จะกลายเป็นหัวขโมยอัตโนมัติที่สมบูรณ์แบบ: โมเดลสามารถเร่งการดำเนินการโจมตี แต่ก็สามารถทำผิดพลาดที่มีค่าใช้จ่ายภายในระบบที่โจมตีได้

Zerofot แสดงให้เห็นว่าเกิดอะไรขึ้นเมื่อ AI พบขนาดใหญ่

กรณีที่สองไม่เกี่ยวกับการโจมตีเข้าระบบเป้าหมายเพียงอย่างเดียว แต่เกี่ยวกับการขโมยเครดิตเชลล์แบบอุตสาหกรรม

Gambit ติดตามผู้ดำเนินการในฐานะ Zerofot โดยอธิบายแคมเปญที่ค้นหาไฟล์และไดเรกทอรีที่เปิดเผยต่ออินเทอร์เน็ตสำหรับキー API คีย์คลาวด์ โทเค็นซอฟต์แวร์ และคีย์ SSH เอกสิทธิ์

เครื่องมือสแกนการเก็บเครดิตที่เรียกว่า auto_scan เป็นศูนย์กลางของการดำเนินการ ผู้ดำเนินการสร้างเครื่องมือนี้โดยใช้ OpenAI Codex และ Claude Code โดยสั่งให้โมเดลทำงานภายใต้ข้อตกลงว่าเป็นการดำเนินการภายในสภาพแวดล้อมการซ้อมรบที่ได้รับอนุญาต

AI ไม่ได้หยุดทำงานหลังจากที่เครื่องมือถูกเขียน

Claude Code ยังถูกใช้สำหรับงานที่ไม่หรูหราแต่สำคัญต่อการดำเนินการ เช่น การจัดการโครงสร้างพื้นฐานสแกนเนอร์ โพรกซี่ การเชื่อมต่อเครือข่าย การกำหนดค่าไฟร์วอลล์ การติดตามและแก้ไขปัญหา

ความแตกต่างนี้มีความสำคัญ การดำเนินการไซเบอร์จำเป็นต้องมีมากกว่าการค้นหาจุดอ่อนหรือการสร้างเพย์โลด AI สามารถช่วยเหลือในการทำงานเชื่อมต่อเหล่านี้ได้

ขนาดที่ Gambit ระบุไว้คืออย่างมาก ระหว่างวันที่ 5 เมษายน ถึง 23 พฤษภาคม 2026 การดำเนินการรวบรวมเครดิตและคีย์ที่ถูกตรวจสอบแล้ว 2,975 รายการจากโฮสต์ 1,742 รายการ รวมถึงคีย์ SSH เอกสิทธิ์ 661 คีย์ คีย์เข้าถึง AWS 635 คีย์ที่เกี่ยวข้องกับ 214 บัญชี คีย์ Google Gemini 448 คีย์ คีย์ OpenAI 254 คีย์ และคีย์ Anthropic 176 คีย์ รวมถึงเครดิตอื่นๆ อีกมากมาย Gambit ระบุว่าข้อมูลถูกแบ่งปันกับ Shadowserver Foundation และผู้ให้บริการที่ได้รับผลกระทบเพื่อสนับสนุนการแจ้งเตือนและการเพิกถอนเครดิต

RAGE แปลงโค้ดที่สร้างโดย AI ให้เป็นเฟรมเวิร์กการโจมตี

การสอบสวนที่สามมุ่งเน้นไปที่ RAGE ซึ่งเป็นเฟรมเวิร์ก Python ที่ออกแบบมาเพื่อสแกนบริการที่เผยแพร่ทางอินเทอร์เน็ต การโจมตีการใช้งานที่อ่อนแอ การเก็บเครดิต และการติดตั้งเครื่องขุดคริปโตเคอร์เรนซี

นักวิจัยของ Gambit เชื่อว่าส่วนใหญ่ของ RAGE และสคริปต์ที่เกี่ยวข้องถูกสร้างขึ้นโดย AI สิ่งบ่งชี้ที่น่าสนใจคือส่วนของโค้ดยังคงมีเหตุผลแบบแรกบุคคลที่ดูเหมือนจะถูกทิ้งไว้โดยโมเดลระหว่างการพัฒนา

AI ถูกผสมผสานเข้ากับระบบที่เสร็จสมบูรณ์ RAGE มี “AI Orchestrator” ที่ใช้ DeepSeek ซึ่งให้คำแนะนำในการจัดการการขุดคริปโตเคอร์เรนซีภายในแผงควบคุมผู้ดำเนินการ

เฟรมเวิร์กมุ่งเป้าไปที่บริการที่เผยแพร่ทางอินเทอร์เน็ต รวมถึง Redis Elasticsearch Docker Tomcat Jenkins และอื่นๆ ในขณะเดียวกันก็ค้นหาเครดิตภายในสภาพแวดล้อมที่ถูกโจมตี

ในกรณีหนึ่ง เครดิตที่กู้คืนจาก Redis ที่เผยแพร่ทางอินเทอร์เน็ตที่เป็นของซอฟต์แวร์เป็นบริการให้การเข้าถึงแบบผู้ดูแลระบบสำหรับบัญชี AWS ต่อไปนักโจมตีสร้างเครื่องมือเพิ่มเติมเพื่อแสดงรายการอัตลักษณ์ การจัดเก็บ และทรัพยากรคลาวด์อื่นๆ

บันทึกที่กู้คืนแสดงให้เห็นว่ามีการเข้าถึงผู้ใช้ Identity และ Access Management 8 ราย ซึ่ง 4 รายมีสิทธิ์ AdministratorAccess รวมถึงบั๊กเก็ต Amazon S3 196 ราย

การรณรงค์ที่ดูเหมือนจะถูกขับเคลื่อนด้วยการขุดคริปโตเคอร์เรนซีจึงสามารถเปลี่ยนการโจมตีบริการที่เผยแพร่ทางอินเทอร์เน็ตให้กลายเป็นการโจมตีคลาวด์ที่กว้างขึ้น

ข้อผิดพลาดของ AI อาจกลายเป็นส่วนหนึ่งของข้อได้เปรียบของผู้ป้องกัน

หนึ่งในแง่มุมที่น่าสนใจที่สุดของการวิจัยของ Gambit คือการบันทึกความล้มเหลวของ AI ร่วมกับความสำเร็จ

โมเดลบางครั้งเผยให้เห็นถึงความตั้งใจของผู้โจมตีในลักษณะที่ไม่คาดคิด AI ที่สร้างเครื่องมือใช้ชื่อที่น่าสงสัย เช่น “recon” สำหรับการเข้าสู่ระบบคลาวด์ ในขณะที่สิ่งประดิษฐ์ที่สร้างโดย AI อื่นๆ เก็บคำอธิบายและเหตุผลที่สามารถให้เบาะแสเกี่ยวกับวิธีการสร้างได้ ในกรณีแรนซัมแวร์ การแก้ไขไฟร์วอลล์ที่ล้มเหลวทำให้เกิดการหยุดชะงัก

จุดอ่อนเหล่านี้ทำให้ความคิดที่ว่า AI ทำให้การดำเนินการไซเบอร์กลายเป็นเรื่องลับหรือซับซ้อนมากขึ้นซับซ้อน

นักวิจัยด้านความปลอดภัยของ Microsoft ได้อธิบาย AI ในฐานะตัวเร่งความเร็วในการทำงานของผู้โจมตี โดยผู้ดำเนินการยังคงควบคุมการดำเนินการที่สิ้นสุด นักวิจัยของ Gambit พบว่าความสัมพันธ์อาจคล้ายกับการเป็นหุ้นส่วน: ผู้คนให้คำสั่งและตัดสินใจ ในขณะที่ AI ดูดซับงานทางเทคนิคจำนวนมากที่จำเป็นในการบรรลุวัตถุประสงค์เหล่านั้น

สิ่งนี้ทำให้ผู้โจมตีเร็วขึ้นโดยไม่จำเป็นต้องทำให้การรักษาความปลอดภัยในการดำเนินการดีขึ้น

ทีมรักษาความปลอดภัยไซเบอร์อาจต้องป้องกันการวนซ้ำด้วยความเร็วของเครื่อง

ความกังวลที่ใหญ่กว่าที่การวิจัยนี้ทำให้เกิดขึ้นคือเรื่องของความเร็ว

การควบคุมความปลอดภัยหลายอย่างสมมติว่าผู้โจมตีจะเคลื่อนที่ผ่านเครือข่ายด้วยความเร็วที่คล้ายกับของมนุษย์ ผู้โจมตีแบบดั้งเดิมต้องเข้าใจเทคโนโลยีที่ไม่คุ้นเคย ค้นหาคำสั่ง เขียนสคริปต์ แก้ไขข้อผิดพลาด และตีความข้อมูลจำนวนมากก่อนตัดสินใจว่าจะไปที่ไหนต่อไป

ระบบ AI สามารถบีบอัดขั้นตอนเหล่านี้ได้

ความเสี่ยงไม่ได้จำกัดอยู่แค่เอเย่นต์ฮัคกิ้งอัตโนมัติในอนาคต ผู้โจมตีที่ยังคงควบคุมการดำเนินการสามารถใช้ AI เพื่อลดความเชี่ยวชาญ เวลา และความพยายามด้วยมือที่จำเป็นในการดำเนินการในระบบที่ไม่คุ้นเคย

ผู้ป้องกันอาจต้องมุ่งเน้นไปที่สัญญาณพฤติกรรมตลอดวงจรการโจมตี: การซ้อมรบที่รวดเร็วผิดปกติ คำสั่งที่ปรับให้เหมาะสมซ้ำๆ การค้นหาเครดิตอย่างต่อเนื่อง การแสดงรายการคลาวด์ที่ไม่คาดคิด การเปลี่ยนแปลงโครงสร้างพื้นฐานการสำรองข้อมูลหรือความปลอดภัย และการเคลื่อนไหวระหว่างระบบที่เกิดขึ้นเร็วกว่าการดำเนินการนำโดยมนุษย์แบบดั้งเดิม

ความสามารถเหล่านี้ยังคงมีคุณค่าสำหรับการป้องกันเช่นกัน Anthropic ได้พัฒนาระบบ AI ที่ระบุจุดอ่อนและช่วยให้ทีมรักษาความปลอดภัยแก้ไขปัญหา โดยเน้นย้ำถึงลักษณะการใช้งานที่หลากหลายของโมเดลไซเบอร์ที่มีความสามารถมากขึ้น การแข่งขันกำลังเป็นเรื่องของฝ่ายใดฝ่ายหนึ่งที่สามารถใช้ความสามารถเหล่านี้ได้เร็วขึ้นและมีความเข้าใจที่ดีกว่า

สุดท้าย “AI Across the Intrusion Lifecycle” นี้น่าสนใจเพราะมันนำการอภิปรายเกี่ยวกับ AI และความปลอดภัยไซเบอร์ออกจากการโจมตีในอนาคตที่เป็นไปได้ และเข้าใกล้พฤติกรรมการดำเนินการจริง มีสามกรณีที่ Gambit Security ระบุผู้โจมตีที่ทดลองใช้โมเดล AI ต่างๆ ระดับการทำงานอัตโนมัติที่แตกต่างกัน แต่ทั้งหมดนี้มีรูปแบบที่สำคัญร่วมกัน: AI ไม่ได้จำกัดอยู่แค่การช่วยเตรียมการโจมตี แต่ขณะนี้มีบทบาทมากขึ้นในระหว่างการโจมตี