Η εικόνα που περιγράφουν η Axios και η Cisco Talos δεν αφορά ένα μακρινό σενάριο, αλλά μια πρακτική που ήδη τρέχει: επιτιθέμενοι αφήνουν πίσω τους ίχνη από prompts, coding sessions και agent workflows, και αυτά δείχνουν ότι τα generative AI εργαλεία έχουν μπει κανονικά στη ροή μιας κυβερνοεπίθεσης.
Οι ερευνητές της Talos ανέλυσαν εκτεθειμένα artifacts από endpoints όπου έτρεχαν εργαλεία όπως Claude Code, Codex, Cursor και Gemini. Από αυτά προκύπτει ότι οι δράστες χρησιμοποιούν τα μοντέλα όχι μόνο για να γράψουν κώδικα, αλλά και για να αναζητήσουν ευπάθειες, να στήσουν κακόβουλα εργαλεία και να επιταχύνουν βήματα που μέχρι πρόσφατα απαιτούσαν περισσότερη τεχνική εμπειρία.
Τι βρήκε η Cisco Talos
Σύμφωνα με το ρεπορτάζ της Axios, η Talos μελέτησε prompt histories και coding sessions που εκτέθηκαν online από επιχειρησιακά λάθη των ίδιων των απειλητικών φορέων. Η Cisco αναφέρει ότι μέσα σε αυτό το υλικό είδε hackers να αξιοποιούν κλειστά κυρίως μοντέλα για συγγραφή malware, ανάπτυξη λογισμικού επίθεσης και έρευνα πάνω σε εκμεταλλεύσιμα κενά ασφαλείας.
Η Talos περιγράφει τρεις βασικές χρήσεις: AI ως «κακόβουλο software engineer», AI ως μέσο κλιμάκωσης εγκληματικών ενεργειών και AI ως επιταχυντή για vulnerability research ή bug bounty hunting. Το κρίσιμο σημείο είναι ότι η αξία του εργαλείου αλλάζει ανάλογα με το επίπεδο του χρήστη: οι αρχάριοι φτάνουν σε λειτουργικά αλλά συχνά πρόχειρα αποτελέσματα, ενώ οι πιο έμπειροι το μετατρέπουν σε πραγματικό πολλαπλασιαστή ισχύος.
Πώς παρακάμπτονται τα guardrails
Ένα από τα πιο ανησυχητικά συμπεράσματα είναι ότι οι παρακάμψεις δεν χρειάζονταν εξελιγμένες τεχνικές. Η Axios σημειώνει ότι οι επιτιθέμενοι έπειθαν τα μοντέλα με απλές αφηγήσεις, όπως ότι συμμετέχουν σε διαγωνισμό ethical hacking ή ότι έχουν άδεια να ελέγξουν ένα σύστημα.
Η Talos προσθέτει ότι αρκετές φορές αρκούσε μια απλή δήλωση ιδιοκτησίας, ενώ σε άλλες περιπτώσεις οι χρήστες έσπαγαν το έργο σε μικρότερα βήματα ή άνοιγαν νέα sessions στη μέση της διαδικασίας για να μειώσουν την πιθανότητα άρνησης. Όταν ένα μοντέλο αντιστεκόταν, κάποιοι απλώς μετακινούνταν σε πιο «χαλαρή» ή uncensored εναλλακτική.
Τι δείχνουν τα πραγματικά παραδείγματα
Η πιο εντυπωσιακή περίπτωση που ξεχωρίζει στο ρεπορτάζ αφορά γαλλόφωνο δράστη, τον οποίο η Cisco αξιολογεί ως novice-to-intermediate developer, ο οποίος με AI-assisted pipeline μετέτρεψε δημόσια στοιχεία για το React2Shell σε διαδικασία συλλογής credentials. Σύμφωνα με την Axios, αυτή η ροή χρησιμοποιήθηκε για σάρωση 9.180 internet-exposed hosts και κατέληξε σε συλλογή credentials και source code από 54 συστήματα.
Σε άλλα δείγματα, η Talos είδε δράστες να ζητούν από AI να γράψει DDoS tooling, να φτιάξει υποδομή για crypto scams ή να υποστηρίξει μαζικές δοκιμές κωδικών και reconnaissance. Το ίδιο υλικό δείχνει επίσης ότι ορισμένοι χρήστες φέρονται να εκμεταλλεύονταν compromised enterprise AI accounts ή API tokens για να αποφύγουν το κόστος της υπολογιστικής ισχύος.
Τι σημαίνει για τις ομάδες άμυνας
Το βασικό μήνυμα της Cisco δεν είναι ότι κάθε hacker έγινε ξαφνικά κορυφαίος operator, αλλά ότι το κόστος χρόνου και γνώσης για αρκετά επιθετικά βήματα έχει ήδη πέσει. Αυτό μεταφράζεται σε ταχύτερη αναζήτηση ευπαθειών, περισσότερα πειράματα επίθεσης και μεγαλύτερο όγκο σημάτων που θα πρέπει να φιλτράρουν τα security teams.
Ο Nick Biasini της Cisco Talos δήλωσε στην Axios ότι οι επιχειρήσεις δεν πρέπει να εμπιστεύονται τα guardrails των μοντέλων ως βασική γραμμή άμυνας. Η Talos προτείνει καταγραφή της κίνησης AI agents μέσα στα δίκτυα και άμυνες deception, όπως honeypots, ώστε οι ομάδες ασφαλείας να μπορούν να εντοπίζουν έγκαιρα αυτοματοποιημένη εχθρική δραστηριότητα.
Η ουσία για την επόμενη φάση της κυβερνοασφάλειας
Η υπόθεση αυτή έχει βαρύτητα επειδή βασίζεται σε χειροπιαστά artifacts και όχι σε θεωρητικές ασκήσεις. Δείχνει ότι τα AI coding και chat εργαλεία έχουν ήδη περάσει από το στάδιο της «βοήθειας παραγωγικότητας» στο στάδιο της επιχειρησιακής χρήσης από επιτιθέμενους, έστω με άνιση αποτελεσματικότητα.
Για τις εταιρείες, αυτό σημαίνει ότι η άμυνα πρέπει να σχεδιαστεί με την παραδοχή πως ο αντίπαλος δοκιμάζει, γράφει, διορθώνει και επαναλαμβάνει πολύ πιο γρήγορα από πριν. Όποιος συνεχίζει να αντιμετωπίζει τα model safeguards ως επαρκές φρένο, μάλλον υποτιμά την ταχύτητα με την οποία μετατρέπεται η generative AI σε καθημερινό εργαλείο επίθεσης.