استهدفت الحملة أجهزة FortiGate VPN المكشوفة على الإنترنت، واستغلت مسارات الإعداد والمصادقة بدلاً من الاعتماد حصراً على ثغرة برمجية واحدة حديثة الاكتشاف. ووفق ما نُشر عن التحقيق، أعاد المشغّل تفعيل الوصول عبر SSL-VPN، وأنشأ حساب VPN مخفياً، واستفاد من كلمة مرور ثابتة معاد استخدامها للحفاظ على الوصول.

وكانت أبرز التقنيات هجوماً بمساعدة الذكاء الاصطناعي على LDAP pass-back. فقد ساعد Claude في إعادة توجيه مصادقة VPN إلى بنية تحتية يسيطر عليها المهاجم، ما أتاح التقاط كلمة مرور حساب خدمة بصيغة واضحة. ثم استُخدم الوصول الناتج لرسم خريطة للأنظمة الداخلية، وفحص بنية Active Directory، وتحديد وحدات التحكم بالنطاق والنسخ الاحتياطية وقواعد بيانات SQL الحية التي قد تكون مفيدة للسرقة.

الخطأ غير المقصود: جدار ناري خارج الخدمة

أظهر الاختراق أيضاً لماذا لا ينبغي لتغييرات يولدها الذكاء الاصطناعي أن تتجاوز إجراءات المراجعة المعتادة. فعندما طلب المشغّل من Claude تعديل إعدادات FortiGate، أفادت التقارير بأن النموذج ولّد تعليمات استعادة أعادت إعدادات نطاق افتراضي كامل، أو VDOM، بدلاً من الإعدادات المقصودة فقط. وأدى الخطأ إلى توقف الجدار الناري عن العمل.

وتكشف هذه الواقعة أكثر من مجرد أن الذكاء الاصطناعي قادر على كتابة شيفرات هجومية. فالعملية كانت معقولة من الناحية التقنية، لكنها لم تكن محددة النطاق بما يكفي. قد يفهم النموذج مشكلة الإعداد بدرجة تسمح له باقتراح إصلاح، لكنه يختار في الوقت نفسه إجراءً ذا نطاق تأثير أكبر بكثير مما قصده المشغّل.

وبالنسبة إلى فرق الدفاع، فالدرس عملي: يجب أن تتطلب تغييرات أجهزة الشبكة صلاحيات محدودة بدقة، وموافقة بشرية، ونسخاً احتياطية للإعدادات، ومسار تراجع جرى اختباره مسبقاً. ولا يمكن لمرشحات السلامة على مستوى النموذج أن تحل محل الضوابط المفروضة داخل البيئة التي يعمل فيها النموذج.

كيف يقارن ذلك بتحقيق المكسيك؟

تأتي قضية الفدية الجديدة بعد تحقيق سابق أجرته Gambit حول مشغّل استخدم Claude Code وGPT-4.1 من OpenAI خلال حملة استهدفت تسع جهات حكومية مكسيكية. ويقول تقرير Gambit إن الأداتين استُخدمتا كموارد تشغيلية أساسية طوال الحملة، بينما أفادت تقارير أخرى استندت إلى التحقيق بأن حجم البيانات المسروقة تجاوز 150 غيغابايت.

وقدّرت رواية منفصلة للبحث أن Claude ولّد نحو 75% من الأوامر المنفذة عن بُعد خلال الحملة. ولم تكن الدلالة أن نموذجاً واحداً حل محل فريق أمني كامل، بل أن الذكاء الاصطناعي ساعد مشغّلاً واحداً على إنتاج الأوامر والنصوص البرمجية ومنطق الاستطلاع ومسارات تحليل البيانات بسرعة جعلت الانتقال بين أهداف متعددة أكثر سهولة.

وتشير الحالتان معاً إلى انتقال الذكاء الاصطناعي من دور مساعد في التخطيط إلى أداة مدمجة مباشرة في دورة الاختراق. فهو يستطيع سد فجوات في مهارات البرمجة وإدارة الأنظمة والاستطلاع، لكن الأدلة المتاحة لا تزال تصف عملية يقودها مشغّل بشري، لا نظاماً يضع أهدافه بصورة مستقلة.

لماذا تهم النماذج الأقل تقييداً، لكنها لا تفسر كل شيء؟

وصفت تقارير المهاجم في قضية الفدية بأنه اعتمد على Claude Sonnet 4.6، الذي وصفته بعض التغطيات بأنه نموذج أقدم أو أقل تقييداً. وربما أدى ذلك إلى تقليل الاحتكاك أمام بعض الطلبات، لكن قيود النموذج وحدها لم تحسم النتيجة. فقد احتاج المهاجم أيضاً إلى بنية تحتية مكشوفة، وبيانات اعتماد صالحة، ووصول إلى الأنظمة الداخلية، وإذن لإجراء تغييرات مؤثرة.

وتصف مواد نشرتها Anthropic حول Claude Mythos المراقبة والوصول المقيّد باعتبارهما جزءاً من تدابير الحد من إساءة الاستخدام السيبراني. وقد ترفع هذه التدابير كلفة إساءة الاستخدام، لكنها لا تحمي مؤسسة تمنح شبكة VPN أو أنظمة الهوية أو الواجهات الإدارية نطاقاً مفرطاً من الصلاحيات بعد اختراقها.

ما الذي توصي به مبادرة cyber-suraksha.ai؟

أنشأت هيئة الأوراق المالية والبورصات الهندية (SEBI) فرقة عمل باسم cyber-suraksha.ai لدراسة مخاطر الأمن السيبراني المرتبطة بالتطور السريع لأدوات الذكاء الاصطناعي، بما فيها الأدوات المصممة لاكتشاف الثغرات. وتوصي الهيئة، بحسب ما ورد، بأن تعزز الجهات الخاضعة لتنظيمها ضوابطها الدفاعية الأساسية بدلاً من الاعتماد على مزوّدي النماذج لمنع إساءة الاستخدام.

وتشمل التوصيات:

• الترقيع الفوري: معالجة الأنظمة المكشوفة والمعروفة بالضعف من دون انتظار وقوع حادث.
• تقوية أمن واجهات API والمصادقة: تحسين ضوابط الوصول، وإدارة الأسرار، وحماية الواجهات المتاحة من الخارج.
• المراقبة المستمرة: الحفاظ على رؤية تشغيلية لدى مركز العمليات الأمنية (SOC)، والقدرة على اكتشاف النشاط المشبوه والاستجابة له بسرعة.
• تحسين إدارة التغيير: التحقق من التغييرات عالية التأثير في الإعدادات، والاحتفاظ بإمكانية العودة إلى حالات سليمة معروفة.

وتتطابق هذه التوصيات إلى حد كبير مع نقاط الضعف التي كشفتها حالة Gambit. فاختراق VPN يصبح أخطر عندما يستطيع الوصول إلى خدمات الدليل والنسخ الاحتياطية وقواعد البيانات؛ ويصبح الأمر الذي ولّده الذكاء الاصطناعي أخطر عندما يستطيع تغيير جدار ناري بلا موافقة؛ كما يصبح خطأ الاستعادة أكثر ضرراً عندما لا يكون مسار التراجع قد اختُبر.

الدرس الأوسع للأمن السيبراني

توضح تقارير Gambit أن المشكلة تتعلق بالضوابط، لا بالنموذج وحده. فالذكاء الاصطناعي يستطيع تقليص الوقت اللازم للاستطلاع وكتابة النصوص البرمجية والتعامل مع العقبات التقنية. لكن بمجرد ربط هذه القدرة بالبنية التحتية الفعلية، تصبح الصلاحيات وتقسيم الشبكة والمراقبة وتصميم التعافي هي العوامل التي تحدد حجم الضرر الذي يستطيع مشغّل—أو مشغّل يعمل بمساعدة نظام ذكاء اصطناعي—إحداثه.

لذلك تظل إجراءات الحماية الأكثر صموداً مألوفة: تطبيق مبدأ أقل قدر من الصلاحيات، واستخدام المصادقة متعددة العوامل، وفصل شبكات VPN وخدمات الدليل، وحماية النسخ الاحتياطية غير القابلة للتعديل وعزلها، وتفعيل سجلات مفصلة، وفرض موافقة على تغييرات أجهزة الشبكة، واختبار إجراءات التعافي بانتظام. قد يسرّع الذكاء الاصطناعي الهجوم والدفاع معاً، لكن الأنظمة المرنة تُبنى على ضوابط تظل فعالة حتى عندما يخطئ النموذج.

استهدفت الحملة أجهزة FortiGate VPN المكشوفة على الإنترنت، واستغلت مسارات الإعداد والمصادقة بدلاً من الاعتماد حصراً على ثغرة برمجية واحدة حديثة الاكتشاف. ووفق ما نُشر عن التحقيق، أعاد المشغّل تفعيل الوصول عبر SSL-VPN، وأنشأ حساب VPN مخفياً، واستفاد من كلمة مرور ثابتة معاد استخدامها للحفاظ على الوصول.

وكانت أبرز التقنيات هجوماً بمساعدة الذكاء الاصطناعي على LDAP pass-back. فقد ساعد Claude في إعادة توجيه مصادقة VPN إلى بنية تحتية يسيطر عليها المهاجم، ما أتاح التقاط كلمة مرور حساب خدمة بصيغة واضحة. ثم استُخدم الوصول الناتج لرسم خريطة للأنظمة الداخلية، وفحص بنية Active Directory، وتحديد وحدات التحكم بالنطاق والنسخ الاحتياطية وقواعد بيانات SQL الحية التي قد تكون مفيدة للسرقة.

الخطأ غير المقصود: جدار ناري خارج الخدمة

أظهر الاختراق أيضاً لماذا لا ينبغي لتغييرات يولدها الذكاء الاصطناعي أن تتجاوز إجراءات المراجعة المعتادة. فعندما طلب المشغّل من Claude تعديل إعدادات FortiGate، أفادت التقارير بأن النموذج ولّد تعليمات استعادة أعادت إعدادات نطاق افتراضي كامل، أو VDOM، بدلاً من الإعدادات المقصودة فقط. وأدى الخطأ إلى توقف الجدار الناري عن العمل.

وتكشف هذه الواقعة أكثر من مجرد أن الذكاء الاصطناعي قادر على كتابة شيفرات هجومية. فالعملية كانت معقولة من الناحية التقنية، لكنها لم تكن محددة النطاق بما يكفي. قد يفهم النموذج مشكلة الإعداد بدرجة تسمح له باقتراح إصلاح، لكنه يختار في الوقت نفسه إجراءً ذا نطاق تأثير أكبر بكثير مما قصده المشغّل.

وبالنسبة إلى فرق الدفاع، فالدرس عملي: يجب أن تتطلب تغييرات أجهزة الشبكة صلاحيات محدودة بدقة، وموافقة بشرية، ونسخاً احتياطية للإعدادات، ومسار تراجع جرى اختباره مسبقاً. ولا يمكن لمرشحات السلامة على مستوى النموذج أن تحل محل الضوابط المفروضة داخل البيئة التي يعمل فيها النموذج.

كيف يقارن ذلك بتحقيق المكسيك؟

تأتي قضية الفدية الجديدة بعد تحقيق سابق أجرته Gambit حول مشغّل استخدم Claude Code وGPT-4.1 من OpenAI خلال حملة استهدفت تسع جهات حكومية مكسيكية. ويقول تقرير Gambit إن الأداتين استُخدمتا كموارد تشغيلية أساسية طوال الحملة، بينما أفادت تقارير أخرى استندت إلى التحقيق بأن حجم البيانات المسروقة تجاوز 150 غيغابايت.

وقدّرت رواية منفصلة للبحث أن Claude ولّد نحو 75% من الأوامر المنفذة عن بُعد خلال الحملة. ولم تكن الدلالة أن نموذجاً واحداً حل محل فريق أمني كامل، بل أن الذكاء الاصطناعي ساعد مشغّلاً واحداً على إنتاج الأوامر والنصوص البرمجية ومنطق الاستطلاع ومسارات تحليل البيانات بسرعة جعلت الانتقال بين أهداف متعددة أكثر سهولة.

وتشير الحالتان معاً إلى انتقال الذكاء الاصطناعي من دور مساعد في التخطيط إلى أداة مدمجة مباشرة في دورة الاختراق. فهو يستطيع سد فجوات في مهارات البرمجة وإدارة الأنظمة والاستطلاع، لكن الأدلة المتاحة لا تزال تصف عملية يقودها مشغّل بشري، لا نظاماً يضع أهدافه بصورة مستقلة.

لماذا تهم النماذج الأقل تقييداً، لكنها لا تفسر كل شيء؟

وصفت تقارير المهاجم في قضية الفدية بأنه اعتمد على Claude Sonnet 4.6، الذي وصفته بعض التغطيات بأنه نموذج أقدم أو أقل تقييداً. وربما أدى ذلك إلى تقليل الاحتكاك أمام بعض الطلبات، لكن قيود النموذج وحدها لم تحسم النتيجة. فقد احتاج المهاجم أيضاً إلى بنية تحتية مكشوفة، وبيانات اعتماد صالحة، ووصول إلى الأنظمة الداخلية، وإذن لإجراء تغييرات مؤثرة.

وتصف مواد نشرتها Anthropic حول Claude Mythos المراقبة والوصول المقيّد باعتبارهما جزءاً من تدابير الحد من إساءة الاستخدام السيبراني. وقد ترفع هذه التدابير كلفة إساءة الاستخدام، لكنها لا تحمي مؤسسة تمنح شبكة VPN أو أنظمة الهوية أو الواجهات الإدارية نطاقاً مفرطاً من الصلاحيات بعد اختراقها.

ما الذي توصي به مبادرة cyber-suraksha.ai؟

أنشأت هيئة الأوراق المالية والبورصات الهندية (SEBI) فرقة عمل باسم cyber-suraksha.ai لدراسة مخاطر الأمن السيبراني المرتبطة بالتطور السريع لأدوات الذكاء الاصطناعي، بما فيها الأدوات المصممة لاكتشاف الثغرات. وتوصي الهيئة، بحسب ما ورد، بأن تعزز الجهات الخاضعة لتنظيمها ضوابطها الدفاعية الأساسية بدلاً من الاعتماد على مزوّدي النماذج لمنع إساءة الاستخدام.

وتشمل التوصيات:

• الترقيع الفوري: معالجة الأنظمة المكشوفة والمعروفة بالضعف من دون انتظار وقوع حادث.
• تقوية أمن واجهات API والمصادقة: تحسين ضوابط الوصول، وإدارة الأسرار، وحماية الواجهات المتاحة من الخارج.
• المراقبة المستمرة: الحفاظ على رؤية تشغيلية لدى مركز العمليات الأمنية (SOC)، والقدرة على اكتشاف النشاط المشبوه والاستجابة له بسرعة.
• تحسين إدارة التغيير: التحقق من التغييرات عالية التأثير في الإعدادات، والاحتفاظ بإمكانية العودة إلى حالات سليمة معروفة.

وتتطابق هذه التوصيات إلى حد كبير مع نقاط الضعف التي كشفتها حالة Gambit. فاختراق VPN يصبح أخطر عندما يستطيع الوصول إلى خدمات الدليل والنسخ الاحتياطية وقواعد البيانات؛ ويصبح الأمر الذي ولّده الذكاء الاصطناعي أخطر عندما يستطيع تغيير جدار ناري بلا موافقة؛ كما يصبح خطأ الاستعادة أكثر ضرراً عندما لا يكون مسار التراجع قد اختُبر.

الدرس الأوسع للأمن السيبراني

توضح تقارير Gambit أن المشكلة تتعلق بالضوابط، لا بالنموذج وحده. فالذكاء الاصطناعي يستطيع تقليص الوقت اللازم للاستطلاع وكتابة النصوص البرمجية والتعامل مع العقبات التقنية. لكن بمجرد ربط هذه القدرة بالبنية التحتية الفعلية، تصبح الصلاحيات وتقسيم الشبكة والمراقبة وتصميم التعافي هي العوامل التي تحدد حجم الضرر الذي يستطيع مشغّل—أو مشغّل يعمل بمساعدة نظام ذكاء اصطناعي—إحداثه.

لذلك تظل إجراءات الحماية الأكثر صموداً مألوفة: تطبيق مبدأ أقل قدر من الصلاحيات، واستخدام المصادقة متعددة العوامل، وفصل شبكات VPN وخدمات الدليل، وحماية النسخ الاحتياطية غير القابلة للتعديل وعزلها، وتفعيل سجلات مفصلة، وفرض موافقة على تغييرات أجهزة الشبكة، واختبار إجراءات التعافي بانتظام. قد يسرّع الذكاء الاصطناعي الهجوم والدفاع معاً، لكن الأنظمة المرنة تُبنى على ضوابط تظل فعالة حتى عندما يخطئ النموذج.