16 listopada 2026 roku zespół Google Threat Intelligence Group (GTIG) opublikował raport o zagrożeniach związanych z AI za czwarty kwartał. Według raportu atakujący wykorzystują frameworki oparte na dużych modelach językowych (LLM) do porównywania kodu przed i po aktualizacji bezpieczeństwa, identyfikowania łatanej luki, napisania exploita i jego automatycznego uruchomienia. GTIG twierdzi, że po raz pierwszy zaobserwował w pełni zautomatyzowane odkrywanie i wykorzystywanie podatności tego typu.
Raport opisuje podejrzanego operatora mówiącego po rosyjsku, który użył agenta AI do przerobienia poprawek na działające exploity, zanim wykradł dane z organizacji ofiar. Wymienia też kilka otwartych frameworków, w tym ARTEX, CAIRN, CyberStrikeAI, HexStrike AI i PentAGI, oraz opisuje grupy działające dla zysku i podejrzewane o powiązania z Chinami, które je testują.
Proces ten nazywa się analizą różnicową poprawek (differential patch analysis). Atakujący porównuje kod przed i po poprawce, identyfikuje zmiany i buduje exploit dla systemów, które nie zostały jeszcze załatane. GTIG wskazuje też na kampanię przeciwko serwerom do zarządzania drukiem PaperCut z sierpnia 2026 roku. Według GreyNoise została ona przygotowana z użyciem LLM i objęła setki organizacji.
Praktyczna konsekwencja, którą podkreśla Google, jest taka, że czas na instalację poprawki, zanim zacznie się wykorzystywanie luki, może być znacznie krótszy niż czas, jakiego potrzebują wiele organizacji na testy i wdrożenie aktualizacji.
Włamanie do amerykańskiego sklepu detalicznego
Odrębny przypadek, opisany przez Symantec 12 listopada 2026 roku, dotyczy nieujawnionego z nazwy amerykańskiego sklepu detalicznego, zaatakowanego we wrześniu. Według Symantec atakujący najpierw używał ręcznie wpisywanych poleceń, które były wielokrotnie blokowane. Gdy wrócił 22 września, polecenia zmieniły charakter. Symantec opisuje długie, bezbłędne skrypty PowerShell z podpisanymi sekcjami wyniku i w niektórych miejscach komentarze przypominające tok rozumowania modelu.
Około dziesięciu minut po zapytaniu o oprogramowanie monitorujące SolarWinds Orion atakujący użył komponentu dołączonego do tego oprogramowania, by uruchomić polecenia na drugim serwerze. Przejął dane logowania i w ciągu kilku minut przemieścił się bocznie w sieci.
Wniosek Symantec jest ostrożny. Odstępy czasowe między poleceniami bardziej pasują do człowieka przekazującego wyniki do narzędzia AI niż do w pełni autonomicznego agenta. Ocena, że użyto AI, jest wnioskiem z charakteru skryptów i czasu poleceń, a nie czymś, co potwierdził sam atakujący. Dalej w tym samym włamaniu pięć poleceń z rzędu zakończyło się prostymi błędami, co sugeruje, że atakujący nadal potrzebował ludzkiego osądu.
Nowe modele do zastosowań bezpieczeństwa
5 listopada 2026 roku OpenAI wypuściło GPT-6 Cyber, wersję modelu GPT-6 wyspecjalizowaną w cyberbezpieczeństwie. OpenAI klasyfikuje go jako "Critical" w swoich ramach gotowości (Preparedness Framework), jeden poziom wyżej niż poprzedni model do zastosowań cyber. Dostęp jest ograniczony do zweryfikowanych klientów w programie Daybreak Red, który zapewnia dostęp do zaawansowanych modeli do ofensywnych testów penetracyjnych. OpenAI podaje, że model znalazł 81 wcześniej nieznanych podatności w Firefoksie, opracował exploity dla 948 podatności jądra Linux i zbudował działający exploit zdalnego wykonania kodu w Brotli, otwartej bibliotece do kompresji. Zgodnie z OpenAI wszystkie zgłoszone wyniki przekazano twórcom oprogramowania i załatano.
OpenAI opisuje zabezpieczenia jako wymagania dotyczące tożsamości i bezpieczeństwa kont, częstsze sprawdzanie przez OpenAI żądań wysokiego ryzyka oraz monitorowanie łamania zasad. W jego własnych testach model zaatakował wyłączony z zakresu serwis testowy w 0,07% ocenianych prób bez promptu bezpieczeństwa wdrożenia i w żadnej z prób z tym promptem.
9 listopada 2026 roku Anthropic udostępnił Claude Mythos 5.2 wybranym partnerom, a równolegle Claude Fable 5.2, dostępny dla wszystkich klientów API. Anthropic podaje, że Mythos 5.2 osiąga 89,6% w swoim teście CVE Rediscovery, wobec 78,3% dla Mythos 5.1, i że lepiej znajduje, odtwarza i proponuje poprawki dla podatności. Mozilla donosi, że model niemal podwoił liczbę wykrytych błędów w skanowaniu Firefoksa w porównaniu z Mythos 5.1. Anthropic zauważa, że część tych wzrostów wynika z surowych wyników jednego testera, więc wyniki będą się różnić w zależności od bazy kodu. Mythos 5.2 jest też dostępny przez platformy chmurowe i niektóre produkty bezpieczeństwa dla zatwierdzonych klientów.
Liczby obu firm pochodzą z ich własnych ocen i raportów partnerów. Żadna z nich nie została w pełni odtworzona przez niezależne podmioty.
Dlaczego te dwa wątki łączą się w jedną historię
Raport Google opisuje, co atakujący już robią z AI. Przypadek sklepu pokazuje, jak to wygląda wewnątrz sieci. Premiery modeli pokazują, co z tym robią twórcy AI: najbardziej zaawansowane modele bezpieczeństwa trzymają za weryfikacją, monitoringiem i kontrolą tożsamości, zamiast udostępniać je publicznie.
Ograniczanie dostępu rozwiązuje jeden problem, czyli bezpośrednie użycie modelu jako narzędzia ataku. Nie rozwiązuje drugiego, który opisuje Google: atakujący łączą otwarte frameworki i ogólne modele bez udziału jakiegokolwiek dostawcy. Model z ograniczonym dostępem utrzymuje daną zdolność poza zasięgiem większości użytkowników, ale nie powstrzymuje tych samych technik przed pojawieniem się w innych narzędziach.
Co powinny zrobić organizacje
Skróć czas wdrażania poprawek dla krytycznych i wystawionych na zewnątrz systemów. Jeśli atakujący potrafią zbudować exploit z poprawki w ciągu godzin, cykl miesięczny to długi czas. Priorytetyzuj według ekspozycji i określ docelowy czas dla krytycznych aktualizacji.
Monitoruj zachowanie, a nie tylko narzędzie. Przypadek sklepu dotyczył zwykłego PowerShella i legalnego produktu do monitoringu. Szukaj nietypowego przejmowania danych logowania, nieoczekiwanego uruchamiania skryptów i szybkiego przemieszczania się między serwerami.
Uważnie obserwuj SolarWinds Orion i inne platformy zarządzania. Oprogramowanie do monitoringu i zarządzania ma zwykle szeroki dostęp, a w przypadku sklepu wykorzystano taki komponent do dotarcia do drugiego serwera.
Zakładaj, że skrypty mogą być poprawne. Literówki nie są już wiarygodnym sygnałem ręcznej pracy, więc wykrywanie powinno opierać się na zachowaniu i kontekście.
Korzystaj z obronnej AI, jeśli jest dla Ciebie dostępna. Jeśli Twoja organizacja kwalifikuje się do dostępu do modeli bezpieczeństwa z ograniczeniami przez program dostawcy, możliwość znalezienia luk przed atakującymi jest znacząca. Sprawdź, czy Twoi dostawcy oferują taki dostęp, i dokumentuj, jak wyniki modelu są weryfikowane, zanim zmienią produkcję.
Wnioski
AI skraca odstęp między publikacją poprawki a jej wykorzystaniem w ataku. Raport Google pokazuje, że nie jest to już problem teoretyczny. Przypadek sklepu pokazuje, że to tempo dociera już do realnych włamań. Ograniczone premiery dostawców to poważna próba utrzymania najbardziej zaawansowanych narzędzi w rękach obrońców, ale nie mogą one kontrolować każdego narzędzia. Organizacje powinny uwzględniać atakujących działających z prędkością maszyn i traktować okno na wdrożenie poprawek jako jedną z najpilniejszych spraw w swoim programie bezpieczeństwa.