Wprowadzenie do problemu / definicja
Automatyzacja działań ofensywnych z użyciem sztucznej inteligencji staje się jednym z najważniejszych trendów we współczesnym krajobrazie cyberzagrożeń. Przypadek narzędzia ARTEX pokazuje, że agenci AI oraz duże modele językowe mogą wspierać nie tylko analizę informacji, ale również półautomatyczne prowadzenie testów penetracyjnych, rekonesansu i działań po uzyskaniu dostępu do środowiska ofiary.
W opisywanej kampanii celem były organizacje finansowe w Korei Południowej. Z ustaleń badaczy wynika, że atakujący wykorzystywali środowisko oparte na modelach LLM do usprawnienia kolejnych etapów operacji, co przełożyło się na większą szybkość działania i skuteczniejszą realizację celów związanych z kradzieżą danych.
W skrócie
Badacze przeanalizowali infrastrukturę operatora odpowiedzialnego za ataki na południowokoreański sektor finansowy. Kluczowym źródłem wiedzy okazały się publicznie dostępne katalogi pozostawione na serwerach kontrolowanych przez napastnika, zawierające historię sesji, konfiguracje ARTEX oraz dane pamięci środowiska współpracującego z modelami językowymi.
- Kampania trwała od końca września do początku października 2026 roku.
- Ataki były wymierzone w organizacje finansowe w Korei Południowej.
- Napastnik używał ARTEX do wspierania działań ofensywnych.
- W operacji wykorzystywano kilka modeli AI do różnych zadań.
- Całość wskazuje na motywację finansową i zakończyła się kradzieżą danych.
Kontekst / historia
Sektor finansowy od wielu lat pozostaje jednym z najbardziej atrakcyjnych celów dla cyberprzestępców. Wynika to z wysokiej wartości danych, bezpośredniego potencjału monetyzacji oraz rozbudowanego ekosystemu usług, integracji i kanałów dostępu. Banki oraz instytucje finansowe obsługują systemy transakcyjne, portale partnerów, narzędzia pracownicze i usługi pośredniczące, które mogą stanowić dogodne punkty wejścia dla intruzów.
W tym przypadku istotne jest to, że rekonstrukcja kampanii nie opierała się wyłącznie na logach obronnych czy telemetrii ofiary. Znaczna część ustaleń pochodziła z błędu operacyjnego popełnionego przez samego atakującego, który pozostawił otwarte katalogi z materiałami roboczymi. Taka ekspozycja zapewniła śledczym rzadki wgląd w warsztat przeciwnika, sposób formułowania poleceń dla modeli oraz organizację zaplecza technicznego całej kampanii.
Analiza techniczna
Według dostępnych ustaleń operator korzystał z ARTEX, czyli narzędzia open source zaprojektowanego do wspierania autonomicznych lub półautonomicznych testów penetracyjnych z użyciem AI. W praktyce oznacza to, że agent połączony z modelem językowym może pomagać w rekonesansie, planowaniu kolejnych kroków, generowaniu poleceń, analizie wyników oraz obsłudze wybranych scenariuszy eksploatacyjnych.
Na serwerach przypisywanych napastnikowi odnaleziono historię sesji środowiska deweloperskiego, pliki konfiguracyjne ARTEX oraz pliki pamięci używane przez model. Te artefakty umożliwiły odtworzenie logiki działań niemal krok po kroku. Badacze powiązali również adresy IP i artefakty HTML zawierające odniesienia do ARTEX, co pomogło skorelować infrastrukturę z aktywnością obserwowaną podczas kampanii.
Analiza wskazuje, że architektura obejmowała co najmniej dwa serwery. Jeden pełnił rolę głównego zaplecza operatora, a drugi hostował instancję ARTEX wykorzystywaną prawdopodobnie bezpośrednio podczas działań przeciwko południowokoreańskim celom. W sesjach widoczne były także informacje o użyciu wielu adresów pośredniczących, co sugeruje próbę ukrycia źródła ruchu i rozdzielenia poszczególnych etapów operacji.
Szczególnie istotne jest użycie kilku modeli AI w ramach jednej kampanii. Głównym modelem miał być DeepSeek v4.1-flash, a dodatkowo pojawiały się odniesienia do GLM-5.3 oraz Grok 4.6. Taki sposób działania sugeruje budowanie ofensywnego pipeline’u, w którym różne modele odpowiadają za odmienne zadania, na przykład planowanie, generowanie poleceń, interpretację wyników lub dobór dalszych działań po uzyskaniu dostępu.
Ujawnione sesje wskazywały również na zainteresowanie monetyzacją incydentu. Operator miał poszukiwać informacji o miejscach sprzedaży danych pochodzących z naruszeń oraz o grupach handlujących takimi informacjami. To ważna obserwacja, ponieważ pokazuje, że AI może wspierać nie tylko sam etap włamania, lecz cały łańcuch działań przestępczych, łącznie z przygotowaniem do sprzedaży skradzionych danych.
Konsekwencje / ryzyko
Najważniejszą konsekwencją podobnych incydentów jest skrócenie czasu potrzebnego do przeprowadzenia skutecznego ataku. Jeżeli agent AI automatyzuje rekonesans, proponuje techniki obejścia zabezpieczeń i wspiera działania po kompromitacji, nawet mniej doświadczony operator może osiągać rezultaty zbliżone do tych, które wcześniej wymagały bardziej zaawansowanych kompetencji.
Dla instytucji finansowych oznacza to wzrost ryzyka wieloetapowych ataków prowadzonych równolegle przeciwko wielu celom. Zwiększa się także prawdopodobieństwo szybkiej eskalacji od wstępnego dostępu do eksfiltracji danych. Szczególnie narażone są systemy wspierające procesy biznesowe, aplikacje dla partnerów, środowiska pracownicze oraz usługi pośredniczące między organizacją a podmiotami zewnętrznymi.
Z perspektywy obrońcy problemem staje się również większa zmienność technik i poleceń. Gdy napastnik wykorzystuje model językowy, może dynamicznie tworzyć nowe warianty komend, skryptów i sekwencji działań. To utrudnia wykrywanie oparte wyłącznie na statycznych sygnaturach i prostych regułach blokowania ruchu.
Rekomendacje
Organizacje z sektora finansowego powinny przyjąć założenie, że przeciwnik może wykorzystywać agentów AI do przyspieszenia rekonesansu, automatyzacji decyzji operacyjnych i szybszej eksfiltracji danych. Odpowiedzią nie może być wyłącznie wzmacnianie prewencji, ale również skracanie czasu detekcji i reakcji.
- Monitorowanie nietypowych wzorców dostępu do aplikacji webowych, portali pracowniczych i systemów brokerskich.
- Wdrożenie silnej segmentacji między usługami publicznymi, strefami partnerskimi i systemami wewnętrznymi.
- Egzekwowanie MFA dla dostępu administracyjnego, zdalnego i operacyjnego.
- Rejestrowanie oraz korelacja zdarzeń z warstwy aplikacyjnej, sieciowej i tożsamościowej.
- Wykrywanie aktywności z użyciem wielu adresów pośredniczących i krótkotrwałych punktów wyjścia.
- Regularny przegląd ekspozycji internetowej, w tym otwartych katalogów, błędnych konfiguracji serwerów i artefaktów deweloperskich.
- Analiza mechanizmów DLP pod kątem przygotowania danych do eksportu lub sprzedaży.
- Ćwiczenia purple teaming obejmujące scenariusze ataków wspieranych przez LLM.
Warto także rozszerzyć threat hunting o artefakty wskazujące na wykorzystanie AI po stronie przeciwnika. Mogą to być szybkie iteracje poleceń, powtarzalne schematy zapytań, dynamicznie generowane skrypty oraz nietypowe ciągi akcji wykonywane w bardzo krótkich odstępach czasu.
Podsumowanie
Przypadek ARTEX pokazuje, że sztuczna inteligencja coraz częściej staje się praktycznym elementem operacji ofensywnych, a nie jedynie wsparciem analitycznym. Połączenie agentów AI, modeli LLM, infrastruktury pośredniczącej i klasycznych technik intruzyjnych może znacząco zwiększać tempo ataku oraz ułatwiać skalowanie kampanii przeciwko wielu organizacjom jednocześnie.
Dla zespołów bezpieczeństwa najważniejszy wniosek jest jednoznaczny: należy zakładać, że przeciwnik będzie coraz sprawniej automatyzował swoje działania. Skuteczna obrona wymaga więc lepszej widoczności środowiska, szybszej korelacji zdarzeń, mocniejszej kontroli dostępu oraz aktywnego poszukiwania oznak eksfiltracji i nadużyć w systemach o wysokiej wartości biznesowej.