AnswersPublished22 sources
כך הבינה המלאכותית משנה את מתקפות הסייבר
הבינה המלאכותית הופכת מתקפות קיימות למהירות, זולות וגמישות יותר — אך עדיין אינה מחליפה את רוב שיטות הפריצה המוכרות. FunkSec ו־RevengeHotels מדגימות פיתוח נוזקות בסיוע AI, ואילו LameHug מדגימה נוזקה שפונה ל־LLM בזמן הריצה כדי ליצור פקודות איסוף מידע.
פורסם על ידינערך באמצעות GPT-5.6 Lunaהתמונות נוצרו באמצעות GPT Image 1.5
Research answer
Key takeaways
- הבינה המלאכותית הופכת מתקפות קיימות למהירות, זולות וגמישות יותר — אך עדיין אינה מחליפה את רוב שיטות הפריצה המוכרות.
- FunkSec ו־RevengeHotels מדגימות פיתוח נוזקות בסיוע AI, ואילו LameHug מדגימה נוזקה שפונה ל־LLM בזמן הריצה כדי ליצור פקודות איסוף מידע.
- ההגנה צריכה להתמקד לא רק בחתימות של קבצים, אלא גם בהתנהגות חריגה: סקריפטים, תעבורת API למודלי שפה, גניבת הרשאות והעברת נתונים.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is artificial intelligence becoming deeply embedded in cyberattacks, according to Kaspersky and other cybersecurity researchers, and wha. Article summary: AI is becoming an operational layer across the attack chain: it helps criminals write and revise code, tailor phishing, automate reconnaissance, and vary payloads at machine speed. The clearest current evidence supports . Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
השינוי המרכזי: קיצור מחזור התקיפה
הבינה המלאכותית הופכת בהדרגה לשכבה תפעולית בתוך מתקפות סייבר. קבוצות פשיעה ושחקנים המזוהים עם מדינות יכולים להשתמש במודלי שפה גדולים (LLM) כדי לכתוב רכיבי נוזקה, לנסח הודעות פישינג, לתרגם ולשנות קוד, לפתור תקלות ולייצר גרסאות חדשות במהירות שלא הייתה אפשרית בתהליכי עבודה מסורתיים.
עם זאת, המסקנה המדויקת יותר מהראיות הקיימות היא ש־AI מאיצה ומתאימה שיטות תקיפה מוכרות — ולא הופכת כל מתקפה לאוטונומית לחלוטין.
רוב החדירות עדיין נשענות על טכניקות מוכרות: פישינג, סקריפטים זדוניים, סוסים טרויאניים לגישה מרחוק (RAT) וגניבת מידע. התרומה של AI היא כלכלית ותפעולית: היא מצמצמת את הזמן ואת רמת המומחיות הנדרשים כדי להפיק, לבדוק ולשנות את הרכיבים הללו.
תוקף יכול לבקש ממודל שפה ליצור סקריפט ראשוני, להתאים פנייה לקהל מסוים, לשנות את הקוד לאחר בדיקה ולייצר וריאציות שונות עבור יעדים שונים. כך הניסוי נעשה זול יותר, והזמן שבין רעיון התקיפה להפעלת הקמפיין מתקצר. עבור המגינים, המשמעות היא יותר מתקפות שנראות אמינות — וחלון תגובה קצר יותר.
FunkSec: פיתוח נוזקה בסיוע AI
מחקר של קספרסקי על FunkSec מספק דוגמה לפיתוח נוזקה בעזרת בינה מלאכותית. תוכנת הכופר, שנכתבה בשפת Rust, משלבת בקובץ הפעלה יחיד הצפנה, חילוץ מקומי של נתונים וניקוי עצמי. קספרסקי דיווחה גם על סימנים לסינתזה של קוד באמצעות מודלי שפה ברכיבים נלווים, בהם מחולל סיסמאות וכלי DDoS בסיסי. 28
39
אין בכך הוכחה שמודל שפה תכנן, פרס והפעיל לבדו את הקמפיין כולו. הממצא מצביע על כך ש־AI גנרטיבי יכול לתרום לרכיבים תפקודיים של נוזקה, ולאפשר לתוקפים להרכיב ערכת כלים מרוכזת יותר עם פחות עבודת פיתוח ידנית.
RevengeHotels: AI מחזקת שרשרת פישינג מוכרת
הקמפיין של RevengeHotels ב־2025 ממחיש כיצד AI יכולה לשפר שיטת חדירה קיימת, במקום להחליף אותה. קספרסקי זיהתה תקיפות נגד בתי מלון בברזיל ובשווקים דוברי ספרדית. התוקפים שלחו הודעות פישינג שהתחזו לבקשות הזמנה, חשבוניות או פניות של מועמדים לעבודה. הקורבנות הופנו לאתרים שנראו כמו שירותי אחסון מסמכים, ומשם הורדו סקריפטים שהתקינו בסופו של דבר סוסים טרויאניים לגישה מרחוק, בהם VenomRAT. 30
31
36
לדברי קספרסקי, חלק ניכר מהקוד של רכיב ההדבקה הראשוני ושל תוכנת ההורדה נראה כאילו נוצר על ידי סוכנים המבוססים על מודלי שפה גדולים. 28 הקמפיין עצמו עדיין הסתמך על הנדסה חברתית, הרצת סקריפטים והפצת RAT. התרומה של AI הייתה ביצירת חלקים משרשרת ההדבקה ובהפקת וריאציות שלה — תהליך שיכול לאפשר לתוקפים להתאים את הפעילות לאזורים וליעדים נוספים ביעילות רבה יותר.
לכן התווית "מתקפה מבוססת AI" עלולה להטעות אם אינה מלווה בהסבר. במקרה הזה, יצירת קוד בסיוע AI שולבה בתוך מבצע פישינג קונבנציונלי.
LameHug: מודל שפה בתוך המתקפה עצמה
ההתפתחות הטכנית המשמעותית ביותר בראיות הזמינות היא LameHug, שמכונה בחלק מהדיווחים גם PROMPTSTEAL. בניגוד לנוזקה שרק נכתבה בעזרת AI, LameHug השתמשה במודל שפה במהלך ההרצה.
לפי ניתוחים המבוססים על דיווחי CERT-UA, הנוזקה פנתה ל־API של Hugging Face והשתמשה במודל Qwen2.5-Coder-32B-Instruct של Alibaba Cloud כדי ליצור באופן דינמי פקודות Windows. הפקודות יכלו לאסוף מידע על המערכת ולחפש מסמכי Office לצורך חילוץ. 2
3
7
לשימוש במודל בזמן אמת יש שלוש השלכות מרכזיות:
- רצף הפקודות אינו חייב להיות קבוע מראש. הנוזקה יכולה לבקש פקודות בהתאם להנחיות שקיבלה ולסביבה שבה היא נתקלת.
- התקיפה יכולה להסתמך על כלי מערכת רגילים. לכן מערכות הגנה עשויות להידרש לבחון את דפוס הפעילות ואת רצף הפקודות, ולא רק לחפש קובץ זדוני ייחודי.
4
- נוצרת תלות חיצונית חדשה. מחשב שנפרץ ופונה באופן חריג ל־API של מודל שפה עשוי לספק סימן זיהוי שימושי למגינים.
LameHug אינה מוכיחה שנוזקות הפכו לאוטונומיות. היא כן מראה כיצד תוקף יכול להכניס LLM לתוך מעגל הפעולה, כך שהמודל מסייע ליצור בזמן אמת פעולות לסריקת המערכת ולאיסוף מידע.
גם האמון ב־AI הופך לפיתיון
הבינה המלאכותית משמשת לא רק ככלי תקיפה, אלא גם כפיתיון. בין ינואר לאפריל 2026 זיהו פתרונות קספרסקי יותר מ־33,300 תקיפות נגד עסקים קטנים ובינוניים, שבהן תוכנות זדוניות או לא רצויות למחשבים התחזו לשירותי AI פופולריים. לפי החברה, מדובר בכמעט פי חמישה לעומת התקופה המקבילה ב־2025. 50
51
הנתון מתייחס לזיהוי תוכנות שהתחזו לשירותי AI. הוא אינו מוכיח שכל מטען זדוני נוצר באמצעות AI או שמערכת בינה מלאכותית הפעילה כל אחת מהתקיפות. המסקנה הזהירה יותר היא שהתוקפים מנצלים את האמון במותגי AI מוכרים ואת האימוץ המהיר של כלי AI בארגונים.
עבור עובדים, הסיכון מעשי מאוד: מחולל תמונות מזויף, תוכנת צ'אט או עוזר פרודוקטיביות יכולים לשמש שער להחדרת נוזקה. לכן מדיניות התקנת תוכנות, הורדה ממקורות רשמיים ובקרות חזקות על תחנות הקצה נותרו חיוניות — גם כאשר הפיתיון נראה כמו מוצר AI לגיטימי.
מה מלמדים הנתונים האזוריים?
הטלמטריה האזורית של קספרסקי מראה שאיומי רשת נפוצים מאוד, אך אין לפרש את הנתונים הללו כמניין של תקיפות המונעות בידי AI. במחצית הראשונה של 2026 דיווחה קספרסקי כי מערכותיה חסמו 5.7 מיליון תקיפות ממקורות מקוונים בדרום אפריקה, 4.5 מיליון בקניה ו־1.6 מיליון בניגריה. טורקיה רשמה את השיעור הגבוה ביותר של משתמשים שנפגעו מאיומי רשת במאגר הנתונים המדווח של אזור META — 22.8%. 14
המדדים כוללים איומים שהגיעו דרך אתרים, דואר אלקטרוני ושירותי רשת. הם מעידים על חשיפה רחבה למתקפות מקוונות, אך אינם מוכיחים סיבתיות של AI. ההבחנה הזו חשובה: נתוני סייבר כלליים אינם יכולים לשמש לבדם הוכחה לקמפיינים אוטונומיים או לנוזקות שנוצרו בידי מודל.
מדוע ההסתגלות חשובה יותר מהאוטונומיה?
הסיכון המיידי אינו בהכרח מעבר פתאומי ל"צבאות סייבר" שמנהלים את עצמם. הסכנה נבנית מהצטברות של שיפורים קטנים לאורך שרשרת התקיפה:
- כתיבת קוד ותיקונו נעשים מהירים יותר;
- הודעות פישינג ניתנות להתאמה לשפות, ענפים ותירוצים שונים;
- סקריפטים אפשר לנפות, לשנות ולארוז מחדש במהירות;
- התנהגות הנוזקה יכולה להשתנות בהתאם לסביבה;
- פעולות סריקה ואיסוף נתונים יכולות להתעדכן בזמן הריצה.
יחד, השיפורים האלה מורידים את עלות החדירה ומאפשרים לתוקפים לבצע יותר ניסויים. הם אף עשויים לסייע למפעילים בעלי פחות ניסיון לחקות טכניקות שבעבר דרשו ידע מקצועי מעמיק.
הסיכון משמעותי במיוחד עבור ארגונים עם צוותי אבטחה מצומצמים, כמויות גדולות של מידע רגיש או סביבות מורכבות של ספקים חיצוניים. עם זאת, טענות על תקיפות נגד תשתיות קריטיות דורשות ראיות ספציפיות לפגיעה, לנזק ולמעורבות AI. טענה של קבוצת תקיפה אינה, כשלעצמה, אישור לכך שאירוע כזה אכן התרחש.
סדרי העדיפויות להגנה
הדוגמאות הללו מצביעות על הצורך בהגנה רב־שכבתית ומבוססת התנהגות. ארגונים צריכים להמשיך להשתמש בחתימות ובחסימת אינדיקטורים מוכרים, אך במקביל לנטר פעילויות שעשויות לחשוף תקיפות בסיוע AI או מתקפות שמשנות את עצמן בזמן אמת.
סימנים שימושיים כוללים:
- תהליכי Python או PyInstaller שיוצרים חיבור יוצא בלתי צפוי לשירותי מודלי שפה;
- פרומפטים מקודדי Base64 או קריאות API חריגות מתחנות שבדרך כלל אינן משתמשות בשירותי פיתוח או AI;
- שרשראות פקודות המשלבות כלים כמו
systeminfo,tasklist,dsqueryאו חיפוש רקורסיבי בקבצים; - הרצת סקריפטים חשודה באמצעות JavaScript, PowerShell או מפרשים אחרים;
- גישה חריגה להרשאות, איסוף מסמכים או העברת נתונים החוצה;
- התקנת אפליקציות AI או תוספי דפדפן שאינם מאושרים על ידי הארגון.
הנחיות הזיהוי של Splunk עבור LameHug מדגישות במיוחד פעילות Python או PyInstaller שמתחברת ל־API של Hugging Face ומשתמשת במודל Qwen ליצירת פקודות. 4 זו דוגמה קונקרטית לאופן שבו ניתן לזהות את ההתנהגות שמסביב למתקפה המשלבת LLM, במקום להמתין לחתימה קבועה של הנוזקה.
השורה התחתונה
AI נטמעת עמוק יותר במתקפות סייבר משום שהיא מקלה על יצירה, התאמה ושינוי של פעולות קיימות. FunkSec ו־RevengeHotels מציגות פיתוח נוזקות בסיוע AI; LameHug מציגה מודל שפה שנשאל במהלך חדירה פעילה; והזיהויים של קספרסקי בקרב עסקים קטנים ובינוניים מראים שהפופולריות של AI עצמה הפכה לכלי פיתוי. 28
31
51
התיאור המדויק ביותר אינו ש־AI החליפה את הפריצה המסורתית. נכון יותר לומר שהיא הופכת לשכבת יעילות והסתגלות לאורך שרשרת התקיפה — מפישינג ופיתוח נוזקות ועד סריקת מערכות וגניבת נתונים. על המגינים להיערך ליותר וריאציות, לקצב איטרציה מהיר יותר ולזמן תגובה קצר יותר, תוך הבחנה ברורה בין מעורבות מוכחת של AI לבין פשיעת סייבר רגילה שעוטפת את עצמה במיתוג של בינה מלאכותית.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "כך הבינה המלאכותית משנה את מתקפות הסייבר"?
הבינה המלאכותית הופכת מתקפות קיימות למהירות, זולות וגמישות יותר — אך עדיין אינה מחליפה את רוב שיטות הפריצה המוכרות.
What are the key points to validate first?
הבינה המלאכותית הופכת מתקפות קיימות למהירות, זולות וגמישות יותר — אך עדיין אינה מחליפה את רוב שיטות הפריצה המוכרות. FunkSec ו־RevengeHotels מדגימות פיתוח נוזקות בסיוע AI, ואילו LameHug מדגימה נוזקה שפונה ל־LLM בזמן הריצה כדי ליצור פקודות איסוף מידע.
What should I do next in practice?
ההגנה צריכה להתמקד לא רק בחתימות של קבצים, אלא גם בהתנהגות חריגה: סקריפטים, תעבורת API למודלי שפה, גניבת הרשאות והעברת נתונים.
Sources
me-en.kaspersky.comKaspersky uncovers the cyber threats defining the first half ...
securelist.comA new RevengeHotels campaign targets Latin America
kaspersky.comKaspersky discovers the return of RevengeHotels, leveraging AI in ...