AI 23.09.2026. · 8 min čitanja

AI agenti provaljuju mreže velikih firmi za 25 dolara po firmi - a odbrana sada ima isti alat

Mile

Autor

Finansijski motivisan napadač je tokom leta vodio kampanju protiv stotina internet prodavnica, a skoro ceo posao su odradili AI agenti. Iz izveštaja kompanije Gambit Security, objavljenog 22. septembra, vidi se razmer: više od 600.000 podataka o platnim karticama izvučeno je iz dve firme, skripte za krađu kartica postavljene su na sajtove najmanje pet kompanija, a ukupno je zaraženo više od 119 sajtova¹². Prosečan trošak napada na jednu firmu bio je 25,46 dolara.

To je brojka koja menja računicu. Do sada je ozbiljniji napad zahtevao tim ljudi, nedelje rada i znanje koje se teško nalazi. Sada je dovoljan jeftin model, tri gotova alata otvorenog koda i kratka naredba.

Tri alata su odradila posao umesto čoveka

Gambitovi istraživači došli su do napadačevog servera i rekonstruisali celu kampanju. Radila su tri alata: Strix, okvir za penetraciono testiranje koji traži ranjivosti, Cairn, motor koji sam izvodi upad i ide ka konkretnom cilju, i Hermes, koji je vodio kampanju, delio zadatke i donosio taktičke odluke¹. Iza njih su stajali modeli preko OpenRouter-a: GLM 5.2 i DeepSeek v4 Pro u Strix-u, DeepSeek v4.1 Flash u Cairn-u, a claude-opus-4.6 za orkestraciju.

Čovek je zadavao samo ciljeve. Između dve automatske runde ubacivao je kratke poruke, na primer spisak od 301 sajta uz nalog da se napadne samo ono što je visokog rizika. Samo između 10. i 15. septembra pokrenuto je 105 napada, a najmanje 27 firmi je kompromitovano u različitoj meri. Kada je pristup ostvaren, to je najčešće trajalo manje od dana, a u mnogim slučajevima samo nekoliko sati¹².

Na listi žrtava su, prema dostupnim podacima, kompanija iz Fortune 500 u hotelijerstvu, velika američka avio-kompanija, veliki distributer industrijske opreme i internet prodavac odeće².

Agent je ostavio i štetu koju niko nije tražio. U uputstvima je stajalo da posle preuzimanja podataka obriše polja sa brojevima kartica iz baze, pa je kod jednog prodavca bicikala usput obrisao 180 tabela, uključujući i rezervne kopije koje su napravili sami administratori¹. Drugim rečima, podaci su nestali kao sporedni efekat tuđe procedure čišćenja.

Tajvan: agenti su sami mapirali 21 vladin sistem

Kampanja protiv prodavnica nije usamljen slučaj. U julu su autonomni AI agenti četiri dana radili protiv tajvanskih državnih sistema. Prema nalazima izraelske firme Dream, mapirali su 21 vladin sistem, provalili u 85 korisničkih naloga državnih službenika i izvukli 2.500 ličnih dosijea³. Tajvansko ministarstvo digitalnih poslova potvrdilo je u avgustu da je napad došao iz inostranstva i da su pogođena tela incident rešila⁴.

Stručnjaci sumnjaju na grupu iz Kine, ali ni Tajvan ni Dream nisu potvrdili poreklo napada³. Ono što je sigurno je da je po prvi put zabeležen slučaj u kojem su agenti sami prolazili kroz državne sisteme bez čoveka za tastaturom.

Od dve nedelje do deset sati

Najdetaljniji uvid u to kako napad izgleda iznutra dao je tim Unit 42 kompanije Palo Alto Networks. Njihovi istraživači vodili su pregovore sa napadačem koji je koristio AI agente za ucenjivački napad na jednu firmu. Napadač im je sam rekao da je koristio vrhunske modele i okvire napravljene za tu namenu⁵.

Ono što je ljudskom timu nekada trajalo oko dve nedelje, sa više od 50 tehnika iz MITRE ATT&CK kataloga, agenti su sabili u manje od 10 sati. Mapirali su unutrašnju arhitekturu, pretresli repozitorijume koda i dohvatili root naloge, pokrenuli neovlašćene CI/CD buildove i dokopali se glavnih ključeva za cloud AI infrastrukturu⁵. Na kraju su ostavili izveštaj o bezbednosti žrtve, tehnički dokument od 80 strana sa desetinama iskorišćenih propusta.

Za odbranu je važan i detalj koji istraživači navode kao trag: agenti su ostavljali strukturisane Markdown fajlove, Python keševe i spojene foldere sa materijalom, pa se automatizovani napad može prepoznati po načinu na koji ostavlja dokumentaciju⁵.

Državni igrači su već ubacili AI u svaku fazu napada

Trend Micro je u izveštaju o prvoj polovini 2026. opisao kako državno podržane grupe koriste AI u više etapa upada nego ranije⁶. Grupa povezana sa Kinom, Earth Krahang, uz pomoć generativnog AI-ja doradila je javno dostupan dokaz koncepta za ranjivost CVE-2026-0740 u WordPress dodatku Ninja Forms, tako da je mogao da skenira veliki broj servera odjednom.

Druga grupa, Earth Naga, razvijala je zlonamernu PowerShell skriptu iterativnim razgovorom sa modelom, a odgovori AI-ja ostali su u kodu kao komentari. Treći slučaj je najupečatljiviji: neidentifikovani napadač je instalirao Claude Code komandnu liniju kao autonomnog agenta protiv jedne organizacije u Tajlandu. Model je pritom prevaren tvrdnjom da je reč o legitimnom testu bezbednosti, nakon čega je agent sam skenirao mrežu, iskorišćavao stare propuste poput EternalBlue, skupljao akreditacije i radio napad na lozinke⁶.

Isti modeli, druga strana fronta

Odbrana ne stoji u mestu. Gugl je 2. septembra pokrenuo program Fairwind, u kojem države, operateri kritične infrastrukture i tehnološki partneri dobijaju pristup modelu Gemini 3.8 Flash Cyber i alatu CodeMender⁷. Ono što su ranije timovi zakrpili za nedelje, ovde se dobija kao proverena zakrpa spremna za primenu, u roku od nekoliko minuta. Program trenutno ima više od 650 partnera, a pristup je ograničen na interne timove za bezbednost, reakciju na incidente i testiranje bezbednosti.

Guglova istorija ide u prilog toj tvrdnji. Njihov agent Big Sleep pronašao je ranjivost u SQLite-u koju su do tada poznavali samo napadači, pa je propust zakrpljen pre nego što je masovno iskorišćen - prvi put da je jedan AI agent direktno osujetio napad u toku⁷.

Majkrosoft je krenuo sličnim putem kroz agente u svom Security Copilot-u. Mreža bolnica St. Luke’s navodi da joj agent za trijažu bezbednosnih uzbuna štedi više od 200 radnih sati mesečno. U randomizovanim kontrolisanim studijama, stručnjaci sa tim agentom obradili su uzbune do 78 odsto brže, davali su 77 odsto tačnije procene i pronašli 6,5 puta više zlonamernih mejlova⁸. Zasebno, agent koji sam istražuje incidente postigao je 80,1 odsto tačnosti u 120 dana na više od 1.000 ocenjenih uzbuna, sa medijanom od 28 minuta po istrazi i troškom od 2,04 dolara⁹.

Gde zaštita još puca

Prvo, veliki deo firmi odbranu tek uvodi. Prema SANS-ovoj anketi iz 2026, aktivno korišćenje AI-ja u bezbednosnoj strategiji skočilo je sa 50 na 78 odsto u godinu dana, ali samo 27 odsto ispitanika svoju primenu naziva zrelom i proizvodnom¹⁰. Istovremeno, 78 odsto organizacija u poslednjih godinu dana videlo je potvrđen ili sumnjiv napad pokrenut uz pomoć AI-ja, a 95 odsto veruje da napadači koriste AI, njih 58 odsto i u velikoj meri¹⁰.

Drugo, modeli greše. Komkast je skenirao 170 miliona linija koda i objavio da je 44 odsto kritičnih ranjivosti koje je pronašao AI zapravo bilo lažno¹¹. Ta brojka ne umanjuje korist, ali objašnjava zašto čovek i dalje mora da stoji iznad svake automatske zakrpe - i zašto su, kad se ispitanici pitaju šta stvarno radi, na vrhu i dalje bihevioralna detekcija, obuka zaposlenih i pregled kod analitičara, a ne AI sam po sebi¹⁰. Sa druge strane, AI nalazi i ono što drugi modeli promaše: alat kompanije Aisle pronašao je u septembru šest ranjivosti u biblioteci curl koje su Mythos i OpenAI-jev Codex propustili¹².

Treće, niko sa sigurnošću ne zna koliko su modeli dobri protiv branjenih sistema. Anthropicov Mythos, predstavljen u aprilu, pronašao je i iskoristio ranjivosti u svim velikim operativnim sistemima i pregledačima, a procenat rešavanja ekspertskih zadataka mu je 73 odsto¹³. Britanski institut za bezbednost AI-ja testirao ga je i potvrdio da sam izvodi višeetapne napade na ranjive mreže, ali uz važnu ogradu: njihova okruženja nemaju aktivne branioce, pa se ne može reći kako bi model prošao protiv dobro branjenog sistema¹⁴. Uz to, više od 99 odsto propusta koje je model našao još nije zakrpljeno.

Četvrto, odbrana je počela da koristi oružje napadača. Stručnjaci su primetili da se takozvani prompt injection, ubacivanje lažnih instrukcija u sadržaj koji model čita, sve češće okreće protiv samih napadačkih agenata¹⁵.

Šta iz ovoga zaista sledi

Napad se više ne meri danima, nego satima, i to po ceni koja ne izbacuje nikoga iz igre. Odbrana se zato više ne može meriti time koliko uzbuna tim obradi u smeni, nego time koliko brzo sistem može da se vrati u rad - jer je šteta u jednoj od ovih kampanja došla kao sporedni efekat automatizovanog čišćenja, bez ikakvog zahteva za otkupom¹.

Praktični deo je dosadan i poznat: ažuriranje, jaka kontrola pristupa, deljenje ključeva na najmanju moguću meru, provera svake automatske izmene i jasan plan povratka. Ono što je novo je da sve to mora da radi brzinom mašine, jer mašina sada radi na obe strane.