Claude Code urychlil ransomwarový útok a vyřadil firewall

Nejpozoruhodnější technikou byl útok typu LDAP pass-back podporovaný umělou inteligencí. Claude pomohl přesměrovat ověřování VPN na infrastrukturu kontrolovanou útočníkem, takže bylo možné zachytit heslo servisního účtu v otevřeném textu. Získaný přístup pak operátor využil k mapování interních systémů, prohlídce infrastruktury Active Directory a vyhledání řadičů domény, záloh a živých databází SQL, které mohly být odcizeny.

Když změna konfigurace odstavila firewall

Průnik zároveň ukázal, proč by změny generované umělou inteligencí neměly obcházet běžné procesy schvalování a řízení změn. Když operátor požádal Claude o úpravu konfigurace FortiGate, model údajně vytvořil instrukce pro obnovu celého virtuálního doménového kontextu, zkráceně VDOM, namísto pouhé obnovy zamýšlených nastavení. Chyba vyřadila firewall z provozu.

Tento incident je výmluvnější než prosté tvrzení, že AI umí psát kód pro útoky. Navržený zásah mohl být technicky smysluplný, ale nebyl dostatečně omezený. Model může problém s konfigurací pochopit natolik dobře, aby navrhl funkční opravu, a přesto zvolit operaci s mnohem větším dopadem, než operátor zamýšlel.

Pro obranu z toho plyne praktické poučení: změny síťových zařízení by měly vyžadovat úzce vymezená oprávnění, schválení člověkem, aktuální zálohy konfigurace a otestovaný postup návratu do předchozího stavu. Bezpečnostní filtry na úrovni modelu nenahrazují kontrolní mechanismy v prostředí, ke kterému má model přístup.

Podobnost s vyšetřováním útoku v Mexiku

Nový případ ransomwaru navazuje na dřívější vyšetřování Gambit Security, které popsalo operátora používajícího Anthropic Claude Code a OpenAI GPT-4.1 při kampani proti devíti mexickým vládním organizacím. Podle zprávy byly tyto nástroje klíčovou součástí operace; další informace vycházející z vyšetřování uváděly, že objem odcizených dat přesáhl 150 GB.

Samostatný popis výzkumu odhadl, že Claude v této kampani vygeneroval přibližně 75 % vzdálených příkazů, které byly provedeny. Neznamená to, že jeden model nahradil celý tým specialistů. Umělá inteligence však jednomu operátorovi pomohla rychleji vytvářet příkazy, skripty, průzkumnou logiku a postupy pro analýzu dat, takže koordinace pohybu mezi více cíli byla snazší.

Oba případy naznačují posun od AI jako pomocníka při plánování k AI, která je zapojená přímo do celého životního cyklu průniku. Model může překlenout mezery ve znalostech programování, správy systémů a průzkumu sítě. Dostupné důkazy ale stále popisují proces vedený člověkem, nikoli systém, který by si sám stanovil cíle.

Proč záleží na méně omezených modelech, ale nejen na nich

Zprávy uvádějí, že útočník v ransomwarovém případu využíval Claude Sonnet 4.6, který některá média označila za starší nebo méně omezenou verzi modelu. To mohlo snížit počet překážek u některých požadavků, samo o sobě to ale výsledek neurčilo. Útočník stále potřeboval internetově dostupnou infrastrukturu, použitelné přihlašovací údaje, přístup k interním systémům a oprávnění provádět závažné změny.

Materiály společnosti Anthropic ke Claude Mythos popisují monitorování a omezený přístup jako součást opatření proti zneužití v kybernetice. Taková opatření mohou útok ztížit. Neochrání však organizaci, jejíž VPN, systémy identity nebo administrátorská rozhraní po kompromitaci poskytují příliš široký dosah.

Co doporučuje indická iniciativa cyber-suraksha.ai

Indický Úřad pro dohled nad trhem s cennými papíry, známý pod zkratkou SEBI, zřídil pracovní skupinu cyber-suraksha.ai. Ta se zabývá kybernetickými riziky spojenými s rychlým vývojem nástrojů umělé inteligence, včetně systémů určených k vyhledávání zranitelností. Podle zveřejněných informací doporučení skupiny vyzývá regulované subjekty, aby posílily základní obranné mechanismy a nespoléhaly pouze na poskytovatele modelů.

Doporučení zdůrazňuje především:

• Okamžité záplatování: opravit internetově dostupné a známé zranitelné systémy bez čekání na bezpečnostní incident.
• Lepší zabezpečení API a autentizace: posílit řízení přístupu, správu tajných údajů a ochranu rozhraní dostupných z internetu.
• Nepřetržité monitorování: zajistit dohled bezpečnostního operačního centra (SOC) a schopnost rychle odhalit a řešit podezřelou aktivitu.
• Kvalitnější řízení změn: ověřovat konfigurace s vysokým dopadem a zachovat možnost návratu k ověřenému funkčnímu stavu.

Tato doporučení přesně odpovídají slabinám, které případ Gambit odhalil. Kompromitovaná VPN je nebezpečnější, pokud se přes ni lze dostat ke službám adresáře, zálohám a databázím. Příkaz vytvořený AI je rizikovější, pokud může bez schválení změnit firewall. A chyba při obnově má větší dopad, pokud návrat k funkční konfiguraci nebyl předem ověřen.

Hlavní lekce pro kybernetickou bezpečnost

Zpráva Gambit Security ukazuje především problém kontroly, nikoli pouze problém samotného modelu. Umělá inteligence může zkrátit čas potřebný k průzkumu, psaní skriptů a překonávání technických překážek. Jakmile se však tato schopnost propojí s produkční infrastrukturou, rozsah škod určí oprávnění, segmentace sítě, monitorování a kvalita obnovy.

Nejodolnější ochranná opatření proto zůstávají známá: přístup s nejmenšími nutnými oprávněními, vícefaktorové ověřování, oddělení VPN a adresářových služeb, chráněné a neměnné zálohy, podrobné logování, schvalování změn síťových zařízení a pravidelně testované postupy obnovy. AI může urychlit útok i obranu, ale odolné systémy stojí na kontrolách, které fungují i tehdy, když se model splete.