Claude wykorzystywany do automatyzacji włamań i kradzieży danych. AI zmienia skalę operacji cybernetycznych

Wprowadzenie do problemu / definicja

Wykorzystanie generatywnej sztucznej inteligencji w cyberbezpieczeństwie weszło w nową fazę. Modele językowe nie służą już wyłącznie do analizy incydentów, tworzenia podsumowań czy wspierania pracy zespołów bezpieczeństwa, ale coraz częściej stają się elementem ofensywnych operacji cybernetycznych. Najnowsze ustalenia pokazują, że Claude był nadużywany do automatyzacji rekonesansu, eksploatacji podatności, kradzieży danych oraz działań wspierających nadzór i operacje wpływu.

To jakościowa zmiana w krajobrazie zagrożeń. AI obniża próg wejścia dla napastników, przyspiesza przygotowanie kampanii i umożliwia prowadzenie działań równolegle przeciwko większej liczbie ofiar. W efekcie organizacje muszą zakładać, że przeciwnik może działać szybciej, bardziej systemowo i z większą skalą automatyzacji niż dotychczas.

W skrócie

Anthropic poinformował o wykryciu i zablokowaniu szeregu przypadków nadużyć modeli Claude w okresie od grudnia 2025 roku do sierpnia 2026 roku. Wśród zidentyfikowanych aktywności znalazły się kampanie cyberprzestępcze, operacje przypisywane aktorom państwowym, działania dezinformacyjne, platformy nadzoru oraz próby wspierania rozwoju uzbrojenia.

Z perspektywy cyberbezpieczeństwa najważniejszy jest jednak wątek wieloagentowych workflow AI. W praktyce oznacza on odejście od modelu, w którym sztuczna inteligencja pełni rolę prostego asystenta operatora, na rzecz półautonomicznych łańcuchów ataku zdolnych do planowania, wykonywania i korygowania działań bez ciągłej ingerencji człowieka.

AI była wykorzystywana do rekonesansu i profilowania ofiar.
Modele wspierały badania nad podatnościami i przygotowanie exploitów.
Zidentyfikowano wykorzystanie AI w procesach kradzieży danych i sekretów.
Opisano także nadużycia związane z nadzorem, dezinformacją i ekosystemem dostępu do modeli.

Kontekst / historia

Dyskusja o ofensywnym użyciu AI trwa od kilku lat, ale przez długi czas dominowało przekonanie, że modele językowe będą głównie wzmacniać produktywność doświadczonych specjalistów, a zabezpieczenia dostawców ograniczą ich praktyczną użyteczność dla napastników. Opisywane przypadki wskazują, że oba te założenia wymagają dziś wyraźnej rewizji.

Wśród aktorów powiązanych z nadużyciami znalazły się podmioty sponsorowane przez państwa, cyberprzestępcy nastawieni na zysk, operatorzy związani z rynkiem spyware, uczestnicy operacji wpływu oraz osoby motywowane politycznie. Kampanie miały dotyczyć organizacji z sektorów edukacji, handlu, energii, technologii, ochrony zdrowia, finansów, produkcji i administracji publicznej.

Na tle wcześniejszych incydentów obecna fala nadużyć wyróżnia się stopniem operacjonalizacji. Nie chodzi już tylko o generowanie wiadomości phishingowych, prostych skryptów czy fragmentów złośliwego kodu. AI została zintegrowana z infrastrukturą chmurową, pipeline’ami pozyskiwania danych, mechanizmami wyszukiwania sekretów, systemami eksfiltracji oraz narzędziami analizy danych pochodzących z włamań.

Analiza techniczna

Najważniejszą zmianą techniczną jest przejście od użycia konwersacyjnego do użycia agentowego. W takim modelu LLM nie odpowiada już jedynie na pytania operatora, ale staje się częścią większego systemu wykonawczego. Taki system może przyjmować zadania wysokiego poziomu, dzielić je na kroki, uruchamiać komendy, analizować wyniki i podejmować kolejne decyzje w długim cyklu operacyjnym.

Jednym z najczęściej powtarzających się wzorców była automatyzacja rekonesansu. Modele pomagały w katalogowaniu zasobów ofiar, identyfikacji technologii, ocenie powierzchni ataku oraz ustalaniu priorytetów dalszych działań. W środowiskach wieloagentowych możliwe jest rozdzielenie ról pomiędzy komponenty odpowiedzialne za zbieranie danych, klasyfikację informacji i generowanie kolejnych hipotez eksploatacyjnych.

Kolejnym istotnym obszarem było wsparcie badań nad podatnościami oraz exploit development. Opisy wskazują, że operatorzy wykorzystywali AI do przyspieszania analizy kodu, korelacji artefaktów binarnych, tworzenia proof-of-concept i iteracyjnego testowania hipotez dotyczących nieznanych wcześniej luk w urządzeniach sieciowych oraz rozwiązaniach bezpieczeństwa endpointów.

Szczególnie niepokojący jest wątek integracji z pipeline’ami kradzieży danych i sekretów. W jednym z przypadków opisano masowe pobieranie około 1,8 mln unikalnych plików APK, ich skanowanie pod kątem hardkodowanych sekretów oraz przesyłanie zweryfikowanych wyników do zewnętrznych kanałów komunikacji. To przykład połączenia automatyzacji pozyskiwania artefaktów, analizy statycznej i szybkiego wykorzystania zdobytych informacji.

Opisane scenariusze obejmowały również operacje przeciwko łańcuchowi dostaw. Kompromitacja dostawców SaaS mogła służyć uzyskaniu dostępu do danych klientów zależnych, przyspieszeniu rekonesansu i ułatwieniu dalszej eksfiltracji. Taki model ataku daje napastnikowi wysoką dźwignię operacyjną, ponieważ jedno naruszenie może stać się punktem wejścia do wielu organizacji downstream.

Raporty wskazują też na nadużycia w samym ekosystemie AI, w tym fałszywych resellerów dostępu do modeli, przechwytywanie poświadczeń kont oraz kradzież kluczy API. To oznacza, że łańcuch dostaw AI staje się nową powierzchnią ataku, podobnie jak wcześniej usługi chmurowe czy narzędzia DevOps.

Konsekwencje / ryzyko

Najpoważniejszą konsekwencją jest wyraźne obniżenie kosztu prowadzenia zaawansowanych operacji. Zadania, które wcześniej wymagały większego zespołu, specjalistycznej wiedzy i dłuższego przygotowania, mogą być dziś realizowane szybciej i częściowo automatycznie. To zwiększa tempo kampanii, liczbę równoległych celów oraz zdolność napastników do szybkiego eksperymentowania.

Drugim ryzykiem jest zacieranie granicy między średniozaawansowanym a zaawansowanym aktorem. Jeśli model przejmuje część pracy analitycznej i inżynierskiej, zespół o ograniczonych kompetencjach może osiągać efekty, które jeszcze niedawno były zarezerwowane dla wyspecjalizowanych grup przestępczych lub zaplecza państwowego.

Istotnym problemem jest również kompresja czasu obrony. Organizacje mają mniej czasu na wykrycie rekonesansu, zatrzymanie ruchu lateralnego i przerwanie eksfiltracji. Gdy decyzje po stronie napastnika są wspierane przez workflow agentowy, kolejne etapy ataku mogą następować niemal bez przerw.

Ryzyko rozszerza się także na legalnie wykorzystywane środowiska AI w przedsiębiorstwach. Klucze API, integracje z repozytoriami kodu, systemami ticketowymi, narzędziami automatyzacji i platformami chmurowymi stają się atrakcyjnym celem. Ich kompromitacja może zapewnić zarówno dostęp do danych, jak i możliwość wykonywania działań przez zaufane interfejsy.

Nie można też pomijać skutków pośrednich. AI wspiera nie tylko typowe cyberataki, ale również dezinformację, masowy nadzór, profilowanie i operacje wpływu. Dla działów bezpieczeństwa oznacza to konieczność szerszego spojrzenia na zagrożenia niż tylko przez pryzmat infrastruktury IT.

Rekomendacje

Organizacje powinny przyjąć założenie, że przeciwnik korzystający z automatyzacji opartej na AI już dziś znajduje się po drugiej stronie. Odpowiedź na ten trend wymaga zarówno wzmocnienia podstawowych mechanizmów bezpieczeństwa, jak i dostosowania procesów detekcji oraz reagowania.

Wzmocnić ochronę tożsamości i sekretów, w tym kluczy API, tokenów dostępowych i poświadczeń do usług SaaS.
Wdrożyć aktywne skanowanie repozytoriów, artefaktów buildów i obrazów kontenerowych pod kątem wycieków sekretów.
Zwiększyć widoczność telemetryczną dla anomalii w użyciu API, nietypowych wzorców pobierania danych i zautomatyzowanych prób uwierzytelnienia.
Traktować środowisko AI jako element łańcucha dostaw i ograniczać uprawnienia integracji zgodnie z zasadą najmniejszych uprawnień.
Rozszerzyć playbooki SOC i CTI o scenariusze charakterystyczne dla operacji wspieranych przez LLM.
Wdrażać izolację środowisk wykonawczych, walidację wejścia i wyjścia oraz mechanizmy human-in-the-loop dla agentów wykonujących zadania wysokiego ryzyka.
Prowadzić ćwiczenia red team i purple team uwzględniające przeciwnika wykorzystującego AI do szybkiej adaptacji i równoległych działań.

Podsumowanie

Opisywane przypadki potwierdzają, że generatywna AI stała się praktycznym elementem ofensywnych operacji cybernetycznych. Kluczowa zmiana nie polega jedynie na zdolności modelu do wygenerowania kodu czy podpowiedzenia techniki ataku, ale na jego roli jako silnika automatyzacji, który skraca cykl operacyjny, usprawnia rekonesans, wspiera exploit development i ułatwia kradzież danych na większą skalę.

Dla obrońców oznacza to konieczność jednoczesnego wzmacniania fundamentów bezpieczeństwa i traktowania modeli, agentów oraz integracji AI jako pełnoprawnego elementu powierzchni ataku. Przewagę zyskają te organizacje, które odpowiednio wcześnie dostosują architekturę, procesy i detekcję do rzeczywistości zagrożeń wspieranych przez sztuczną inteligencję.