Et sikkerhedsbrud hos en ekstern cloududbyder blev indgangen til Fireworks AIs udviklingsmaskiner. Her kørte angriberne en uautoriseret arbejdsopgave, som førte til yderligere eksponering af kundedata. Blandt de berørte data var transskriptioner fra Notion AI-samtaler, der blev brugt til funktionen Insights. Notion siger, at færre end 1 pct. af arbejdsområderne var berørt, og understreger, at bruddet skete hos leverandøren – ikke i Notions egne systemer.
4
8
Sådan forløb angrebet
Fireworks oplyste, at cloududbyderen, som hostede virksomhedens forsknings- og udviklingsmaskiner, oplevede et sikkerhedsbrud den 23. oktober 2026. Dagen efter brugte en uvedkommende aktør adgangen til at nå Fireworks’ udviklingsmaskiner og køre en uautoriseret arbejdsopgave. Fireworks opdagede aktiviteten samme dag.
4
14
De offentliggjorte oplysninger beskriver vejen gennem cloududbyderen og udviklingsmiljøet, men fastslår ikke den præcise tekniske sårbarhed eller hvert enkelt trin frem til de berørte data. Det står dog klart, at adgangen til leverandørens udviklingsmiljø førte til yderligere påvirkning af kundedata.
14
Hvilke oplysninger var berørt?
Fireworks’ udvidede redegørelse omfattede ressourceoplysninger og faktureringsdata, herunder betalingshistorik. For nogle kunder var datasæt og ufærdige modelvægte også berørt. Fireworks siger, at virksomheden ikke opbevarer betalingskortnumre.
4
9
34
For Notions vedkommende drejede det sig om transskriptioner fra AI-samtaler, som blev brugt i klassificeringsopgaver til Insights. Funktionen skal hjælpe kunder med at få indblik i deres brug af AI. Notion oplyser, at færre end 1 pct. af arbejdsområderne var berørt. For langt de fleste berørte arbejdsområder kunne transskriptionerne ikke knyttes til en bestemt bruger eller et bestemt arbejdsområde.
3
4
Tidslinje for Notions håndtering
- 2. november: Fireworks orienterede Notion om, at et mindre datasæt var blevet tilgået. Notions første gennemgang viste syntetiske testdata – ikke kundesamtaler.
8
- 3. november: Notion afbrød forbindelsen til Fireworks og slettede sine data i leverandørens systemer.
5
- 6. november: Fireworks advarede Notion om, at kundedata muligvis også var blevet tilgået.
5
- 8. november: Fireworks bekræftede, at datasættet indeholdt Notion AI-transskriptioner fra Insights.
8
- 9. november: Notion begyndte at kontakte berørte kunder.
15
- 11. november: Notion tilbagekaldte eksponerede Notion API-nøgler, som var fundet i berørte brugeres beskeder.
8
Notion deaktiverede også Insights og stoppede med at levere åbne modeller via Fireworks.
10
11 Berørte kunder blev rådet til at betragte adgangskoder, API-nøgler og andre oplysninger, de havde indsat i assistenten, som potentielt eksponerede – og ændre eller tilbagekalde dem.
21
Efterforskning og mulig motivation
Fireworks hyrede Palo Alto Networks’ Unit 42 til at undersøge hændelsen og orienterede politiet. Virksomheden begrænsede desuden nogle berørte funktioner.
34 Fireworks vurderede, at angriberne ville videresælge uautoriseret adgang til AI-modeller via ulovlige viderestillingsgateways – en fremgangsmåde, der kaldes “LLMJacking”. Det er Fireworks’ vurdering af motivet, ikke en endelig identifikation af gerningspersonerne.
7
Hændelsen via cloududbyderen blev beskrevet som Fireworks’ andet sikkerhedsbrud i oktober, efter et tidligere brud, som virksomheden havde opdaget den 6. oktober. Det er vigtigt at skelne mellem de to: Det senere angreb, der omtales her, begyndte hos en ekstern cloududbyder og nåede Fireworks’ udviklingsmaskiner den 24. oktober.
7
Hvad hændelsen viser om AI-leverandørkæden
En virksomheds sikkerhedsrisiko stopper ikke ved dens egne systemer. Når en AI-tjeneste sender data videre til en ekstern leverandør, bliver også leverandørens infrastruktur og udviklingsmiljø en del af det samlede risikobillede. I denne sag var den rapporterede indgang hos Fireworks’ cloududbyder, mens de berørte samtaler var knyttet til en Notion-funktion.
4
8
For virksomheder, der bruger AI-tjenester, er hændelsen en anledning til at undersøge, hvilke data leverandører og underleverandører opbevarer, hvor de behandles, og hvor hurtigt adgangen kan afbrydes. Undgå så vidt muligt at indsætte adgangskoder og andre hemmeligheder i prompts. Hvis en hemmelig oplysning kan have indgået i en eksponeret transskription, bør den tilbagekaldes eller ændres. Det er også vigtigt at begrænse adgangen til datasæt, legitimationsoplysninger og udviklingssystemer til det, der er nødvendigt for den enkelte opgave.