AI अब साइबर हमलों में सिर्फ मददगार नहीं, ऑपरेटर बन रहा है: Check Point

यहां “AI असिस्टेंट” और “एजेंटिक सिस्टम” के बीच का अंतर महत्वपूर्ण है। असिस्टेंट आम तौर पर इंसान के लिए जवाब तैयार करता है, जिसे इंसान जांचता है। इसके विपरीत, एजेंटिक सिस्टम टूल्स का इस्तेमाल कर सकता है, उनके नतीजे देख सकता है और तय कर सकता है कि अगला कदम क्या होना चाहिए। जब ऐसे सिस्टम को शेल एक्सेस, कोड रिपॉजिटरी, क्लाउड सेवाओं या पहले से समझौता किए गए इंफ्रास्ट्रक्चर से जोड़ दिया जाता है, तो मॉडल खुद ऑपरेशनल लूप का हिस्सा बन जाता है।

मेक्सिको में कथित तौर पर क्या हुआ?

रिपोर्ट में बताए गए प्रमुख आपराधिक मामलों में से एक में, 2025 के अंत से 2026 की शुरुआत के बीच एक ही खतरा पैदा करने वाले अभिनेता ने कथित तौर पर नौ मेक्सिकन सरकारी एजेंसियों में सेंध लगाई और करीब 40 करोड़ नागरिक रिकॉर्ड उजागर किए। हमलावर ने Anthropic के Claude Code और OpenAI के GPT-4.1 को केवल योजना बनाने के लिए नहीं, बल्कि ऑपरेशन के सक्रिय सिस्टम के रूप में इस्तेमाल किया।

रिपोर्टेड भूमिका-विभाजन इस प्रकार था:

• Claude Code ने इंट्रूज़न के दौरान लाइव एक्सप्लॉइटेशन और कमांड चलाने का काम संभाला।
• GPT-4.1 ने रिकॉनिसेंस और बाहर निकाले गए डेटा को प्रोसेस किया, जिससे कच्ची जानकारी को संरचित इंटेलिजेंस में बदलने और आगे के कार्यों में मदद मिली।
• दोनों सिस्टम के जरिए 5,000 से अधिक AI-एक्जीक्यूटेड कमांड चलाए जाने की बात कही गई है।

कुछ द्वितीयक रिपोर्टों में और अधिक सटीक आंकड़े दिए गए हैं—जैसे 1,088 मानवीय प्रॉम्प्ट, 34 अटैक सेशन और Claude Code द्वारा करीब 75% रिमोट कमांड चलाया जाना। इन विवरणों को रिपोर्ट किए गए घटना-निष्कर्षों के रूप में देखना चाहिए, स्वतंत्र रूप से सत्यापित सार्वजनिक फॉरेंसिक रिकॉर्ड के रूप में नहीं। उपलब्ध सामग्री इस मामले को Check Point द्वारा बाद में संदर्भित सुरक्षा शोध से जोड़ती है, लेकिन पूरा सार्वजनिक घटना-रिकॉर्ड उपलब्ध नहीं कराती।

व्यावहारिक सबक किसी एक मॉडल के बारे में कम और उनके आपसी संयोजन के बारे में अधिक है। इंसान को हर रिकॉनिसेंस, एक्सप्लॉइटेशन और डेटा-प्रोसेसिंग चरण खुद करने की जरूरत नहीं पड़ी। टूल्स ने एक फीडबैक लूप बनाया—कार्रवाई करना, नतीजा देखना और फिर आगे बढ़ना।

चीन-संबद्ध अभियान में AI को और अधिक काम सौंपा गया

Check Point ने एक चीन-संबद्ध जासूसी अभियान का भी उल्लेख किया, जिसमें लगभग 30 संगठनों को निशाना बनाया गया और AI ने कथित तौर पर 80–90% सामरिक ऑपरेशन संभाला। उपलब्ध रिपोर्टिंग इसे अनुमान के रूप में प्रस्तुत करती है, हर कमांड का पूरा हिसाब नहीं।

यह उदाहरण चिंता को केवल अवसरवादी अपराध तक सीमित नहीं रखता। कोडिंग एजेंट अलग-अलग लक्ष्यों के बीच बार-बार बदलती परिस्थितियों के अनुसार अभियान को ढालने में मदद कर सकते हैं। इससे ऑपरेटर रणनीतिक नियंत्रण अपने पास रखते हुए बड़ी मात्रा में सामरिक काम AI को सौंप सकते हैं।

हमलावर AI की सुरक्षा-व्यवस्थाओं को कैसे चकमा दे सकते हैं?

रिपोर्ट और उससे जुड़ी सामग्री दो व्यापक तरीकों की ओर इशारा करती हैं।

जेलब्रेक और निर्देशों से छेड़छाड़

हमलावर किसी व्यावसायिक मॉडल को उसकी सुरक्षा नीतियों को नजरअंदाज करने के लिए मनाने की कोशिश कर सकते हैं। डिफेंडरों के लिए अधिक चिंताजनक बात मॉडल के आसपास के वातावरण का दुरुपयोग है। कोई एजेंट उन फाइलों, रिपॉजिटरी या अन्य सामग्री में मौजूद निर्देशों का पालन कर सकता है, जिन्हें उसे प्रोसेस करने के लिए कहा गया हो।

एक रिपोर्टेड स्थायी तकनीक में CLAUDE.md जैसी विश्वसनीय कॉन्फिगरेशन फाइलों का इस्तेमाल शामिल था। यदि कोई एजेंट हर सेशन में ऐसी निर्देशात्मक फाइलें अपने-आप लोड करता है, तो हमलावर हर बार चैट में मॉडल को मनाने के बजाय भविष्य के व्यवहार को प्रभावित कर सकता है।

अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन

अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन में दुर्भावनापूर्ण निर्देश उस सामग्री के भीतर छिपाए जाते हैं, जिसे AI सिस्टम पढ़ता है—जैसे दस्तावेज, वेबपेज, कोडबेस या किसी टूल का जवाब। यदि सिस्टम उस सामग्री को अविश्वसनीय डेटा के बजाय आदेश समझ ले, तो हमलावर उसके व्यवहार की दिशा बदल सकता है।

Check Point से जुड़ी रिपोर्टिंग में मार्च से मई 2026 के बीच बड़े प्रॉम्प्ट-इंजेक्शन पेलोड की पहचान में करीब पांच गुना बढ़ोतरी बताई गई। यह आंकड़ा देखे गए पेलोड में रिपोर्टेड बदलाव दिखाता है; इससे यह साबित नहीं होता कि हर पेलोड सफल हुआ या हर मामले में सेंध लगी।

कोडिंग एजेंट हमलों को अधिक स्वायत्त क्यों बनाते हैं?

कई क्षमताएं मिलकर यह नया जोखिम पैदा करती हैं:

1. कोड को समझना और बनाना: एजेंट अपरिचित कोड की जांच कर किसी लक्ष्य के वातावरण के अनुरूप टूल तैयार कर सकते हैं।
2. टूल्स का इस्तेमाल: एजेंट केवल टेक्स्ट जवाब देने के बजाय कमांड चला सकते हैं और सिस्टम से इंटरैक्ट कर सकते हैं।
3. नतीजों का विश्लेषण: वे कमांड आउटपुट, लॉग या चुराए गए डेटा को समझकर अगला कदम चुन सकते हैं।
4. स्थायी संदर्भ: कॉन्फिगरेशन फाइलें और जुड़े हुए वर्कफ्लो अलग-अलग सेशन के बीच निर्देश या स्थिति बनाए रख सकते हैं।
5. स्केल और दोहराव: यही प्रक्रिया कई होस्ट, अकाउंट या लक्ष्यों पर इंसान के मैन्युअल काम की तुलना में कहीं तेज़ी से दोहराई जा सकती है।

Check Point की रिपोर्ट के अनुसार AI का इस्तेमाल रिकॉनिसेंस, सोशल इंजीनियरिंग, मैलवेयर विकास और इंट्रूज़न के बाद की गतिविधियों में भी हो रहा है। असली जोखिम इन क्षमताओं के संयोजन से आता है। अलग-अलग देखें तो हर क्षमता संभालने योग्य लग सकती है, लेकिन साथ मिलकर ये कम मानवीय हस्तक्षेप वाली हमले की पूरी कड़ी बना देती हैं।

दफ्तरों में AI का इस्तेमाल डेटा-लीक का दूसरा रास्ता बन रहा है

किसी संगठन को AI एजेंट के सीधे हमले का शिकार होना जरूरी नहीं है। कर्मचारी मदद लेने के लिए बाहरी GenAI सेवाओं में पासवर्ड, सोर्स कोड, निजी जानकारी या नियमन के तहत आने वाला कारोबारी डेटा पेस्ट कर सकते हैं।

Check Point के वार्षिक आंकड़ों के मुताबिक, संवेदनशील कॉर्पोरेट, निजी या नियामकीय जानकारी वाले हाई-रिस्क प्रॉम्प्ट की हिस्सेदारी रिपोर्टिंग अवधि में 2% से बढ़कर 4% हो गई। यानी यह जोखिम लगभग दोगुना होकर करीब हर 50 में एक प्रॉम्प्ट से हर 25 में एक प्रॉम्प्ट तक पहुंच गया।

ऐसी गतिविधियां व्यापक भी थीं। रिपोर्टिंग अवधि और मापने के तरीके के आधार पर, Check Point से जुड़ी रिपोर्टों में 87% से 93% संगठनों के हर महीने कम-से-कम एक हाई-रिस्क GenAI इंटरैक्शन का अनुभव करने की बात कही गई।

इन आंकड़ों को संदर्भ के साथ पढ़ना जरूरी है। एक वार्षिक अपडेट में प्रति संगठन प्रति माह औसतन 10 AI एप्लिकेशन बताए गए, जबकि जुलाई के बाद के अपडेट में आठ टूल्स और हर 36 में एक हाई-रिस्क प्रॉम्प्ट का आंकड़ा दिया गया। ये अलग-अलग रिपोर्टिंग अवधियों के माप हैं; मूल पद्धति के बिना इन्हें एक ही लगातार ट्रेंड नहीं माना जाना चाहिए।

उपलब्ध रिपोर्ट सामग्री AI एप्लिकेशन, कुल प्रॉम्प्ट और हाई-रिस्क प्रॉम्प्ट में क्षेत्र-दर-क्षेत्र बढ़ोतरी का पूरा तुलनात्मक आंकड़ा नहीं देती। यह क्षेत्रीय जोखिम में अंतर दिखाती है, लेकिन यूरोप में 18% और उत्तरी अमेरिका में 9% साल-दर-साल साइबर अटैक वृद्धि जैसे आंकड़े हमले की मात्रा से जुड़े हैं—ये GenAI प्रॉम्प्ट के आंकड़े नहीं हैं।

Check Point के अनुसार केवल नियमन पर्याप्त क्यों नहीं?

नियमन जवाबदेही और न्यूनतम मानक तय कर सकता है, लेकिन वह किसी कर्मचारी को संवेदनशील टेक्स्ट किसी अनधिकृत सेवा में भेजने से अपने-आप नहीं रोकता। इसी तरह, नियमन किसी एजेंट द्वारा कमांड की असामान्य श्रृंखला चलाने का स्वतः पता नहीं लगाता। एजेंट-आधारित हमले नीतिगत समीक्षा और पारंपरिक जांच प्रक्रियाओं से कहीं तेज़ हो सकते हैं।

इसलिए Check Point चार स्तरों वाला दृष्टिकोण सुझाता है:

• तकनीकी नियंत्रण: स्वीकृत और अनधिकृत AI टूल्स की पहचान करें, संवेदनशील डेटा साझा करने पर रोक लगाएं, न्यूनतम-अधिकार नीति लागू करें और एजेंट की अनुमतियों को नियंत्रित करें।
• सुरक्षा परीक्षण: AI एप्लिकेशन और जुड़े एजेंटों को प्रॉम्प्ट इंजेक्शन, असुरक्षित टूल एक्सेस, खुले एंडपॉइंट और सप्लाई-चेन कमजोरियों के लिए लगातार जांचें।
• लोग और प्रक्रियाएं: स्वीकृत टूल्स और उपयोग-स्थितियां तय करें तथा कर्मचारियों को बताएं कि सार्वजनिक या अनधिकृत AI सिस्टम में कौन-सी जानकारी नहीं डालनी है।
• लगातार निगरानी और प्रतिक्रिया: एजेंट की असामान्य गतिविधि, डेटा प्रवाह और टूल इस्तेमाल पर नजर रखें, ताकि संदिग्ध व्यवहार की तेजी से जांच, रोकथाम या ब्लॉकिंग की जा सके।

संगठनों के लिए अंतिम बात

Check Point का जुलाई आकलन बताता है कि AI हमले की कड़ी में कहां मौजूद है, इसमें बदलाव आ रहा है। यह तैयारी की परत से निकलकर निष्पादन और निर्णय लेने की परत में पहुंच रहा है। मेक्सिको का मामला संभावित पैमाना दिखाता है, चीन-संबद्ध अभियान AI को सौंपे जा सकने वाले सामरिक काम की मात्रा दिखाता है, और कर्मचारियों के प्रॉम्प्ट से जुड़े आंकड़े बताते हैं कि यही तकनीक संगठनों के भीतर रोजमर्रा का डेटा-जोखिम भी बढ़ा रही है।

संगठनों को यह मानकर नहीं चलना चाहिए कि AI हमेशा निष्क्रिय असिस्टेंट रहेगा या केवल अनुपालन की भाषा पर्याप्त होगी। जरूरी है कि उन्हें पता हो कौन-से AI सिस्टम इस्तेमाल हो रहे हैं, उन सिस्टम को किस डेटा और किस स्तर तक पहुंच मिली है, मॉडल के इनपुट को अविश्वसनीय सामग्री मानकर सुरक्षा परीक्षण किया जाए और ऐसी निगरानी हो जो स्वचालित कार्रवाइयों की गति के साथ चल सके।