JawabanDipublikasikan22 sumber
Bagaimana AI Mengubah Serangan Siber: Dari Malware Buatan LLM hingga Intrusi Dinamis
AI mempercepat dan menurunkan biaya serangan siber yang sudah dikenal, seperti phishing, skrip berbahaya, trojan akses jarak jauh, dan pencurian data. FunkSec dan kampanye RevengeHotels 2025 menunjukkan pengembangan malware dengan bantuan AI, sementara LameHug menggunakan LLM saat beroperasi untuk menghasilkan perin...
Diterbitkan olehDiedit dengan GPT-5.6 LunaGambar dibuat dengan GPT Image 1.5
Jawaban penelitian
Poin-poin penting
- AI mempercepat dan menurunkan biaya serangan siber yang sudah dikenal, seperti phishing, skrip berbahaya, trojan akses jarak jauh, dan pencurian data.
- FunkSec dan kampanye RevengeHotels 2025 menunjukkan pengembangan malware dengan bantuan AI, sementara LameHug menggunakan LLM saat beroperasi untuk menghasilkan perintah pengintaian dan pengumpulan data secara dinamis.
- Organisasi perlu menggabungkan pemblokiran berbasis indikator dengan pemantauan perilaku, termasuk aktivitas skrip yang tidak biasa dan koneksi keluar ke layanan LLM atau API.
AI Perintah
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
Kecerdasan buatan kini mulai menjadi lapisan operasional dalam serangan siber. Pelaku kriminal maupun kelompok yang terkait dengan negara dapat memanfaatkan model bahasa besar (LLM) untuk menyusun komponen malware, membuat materi phishing, memperbaiki skrip, serta menghasilkan variasi baru dengan lebih cepat dibandingkan alur kerja tradisional.
Namun, bukti terkuat sejauh ini mengarah pada kesimpulan yang lebih terukur: AI terutama mempercepat dan menyesuaikan metode serangan yang sudah ada, bukan membuat semua serangan berjalan secara otonom.
Perubahan utama: AI mempersingkat siklus serangan
Sebagian besar intrusi masih mengandalkan teknik yang sudah dikenal, seperti phishing, skrip berbahaya, trojan akses jarak jauh (RAT), dan pencurian data. Perubahan yang dibawa AI terletak pada biaya dan kecepatan pelaksanaannya.
Penyerang dapat menggunakan LLM untuk membuat skrip awal, menerjemahkan atau mempersonalisasi umpan, menyesuaikan kode setelah pengujian, lalu menghasilkan banyak variasi untuk target yang berbeda. Eksperimen menjadi lebih murah, sementara jeda antara perencanaan kampanye dan penyebarannya dapat dipersingkat.
Dampaknya, jumlah serangan yang tampak meyakinkan berpotensi meningkat dan waktu yang tersedia bagi tim keamanan untuk merespons menjadi lebih singkat. Meski demikian, tidak setiap serangan yang memakai umpan bertema AI otomatis dapat disebut sebagai “serangan AI”. Tingkat keterlibatan AI bisa beragam, mulai dari bantuan penulisan kode hingga pembuatan perintah secara langsung saat malware berjalan.
FunkSec menunjukkan pengembangan malware dengan bantuan AI
Riset Kaspersky terhadap FunkSec menjadi salah satu contoh pembangunan malware dengan bantuan AI. Ransomware berbasis Rust ini menggabungkan enkripsi, pencurian data secara lokal, dan pembersihan jejak dalam satu berkas yang dapat dieksekusi. Kaspersky juga melaporkan tanda-tanda sintesis kode oleh LLM pada kemampuan terkait, termasuk generator kata sandi dan alat DDoS sederhana. 28
39
Temuan tersebut bukan berarti LLM secara mandiri merancang, menyebarkan, dan mengoperasikan seluruh kampanye. Bukti itu menunjukkan bahwa AI generatif dapat membantu membuat komponen malware yang berfungsi, sehingga pelaku lebih mudah merakit perangkat serangan yang lebih terpadu dengan lebih sedikit pekerjaan manual.
RevengeHotels: AI memperkuat rantai phishing konvensional
Kampanye RevengeHotels pada 2025 menggambarkan bagaimana AI dapat memperkuat metode intrusi yang sudah mapan, bukan menggantikannya. Kaspersky mengamati serangan terhadap hotel di Brasil dan sejumlah pasar berbahasa Spanyol. Email phishing disamarkan sebagai permintaan reservasi, faktur, atau lamaran pekerjaan. Korban kemudian diarahkan ke situs yang meniru layanan penyimpanan dokumen, sebelum skrip di dalamnya mengirimkan RAT seperti VenomRAT. 30
31
36
Kaspersky menyatakan bahwa sebagian besar kode infektor awal dan pengunduh dalam kampanye tersebut tampaknya dibuat oleh agen berbasis LLM. 28 Meski begitu, kampanye ini tetap mengandalkan rekayasa sosial, eksekusi skrip, dan pengiriman RAT—semuanya merupakan teknik yang telah lama dikenal.
Kontribusi AI terletak pada kemampuannya membantu menghasilkan dan memvariasikan bagian-bagian rantai infeksi. Hal itu berpotensi memungkinkan operator mengulangi dan menyesuaikan kampanye untuk lebih banyak wilayah serta target secara lebih efisien.
Karena itu, istilah “bertenaga AI” dapat menyesatkan jika tidak dijelaskan. Dalam kasus RevengeHotels, pembuatan kode dengan bantuan AI menjadi bagian dari operasi phishing konvensional.
LameHug membawa LLM ke dalam proses serangan
Perkembangan teknis paling penting dalam bukti yang tersedia adalah LameHug, yang dalam sebagian pemberitaan juga disebut PROMPTSTEAL. Berbeda dari malware yang hanya diduga ditulis dengan bantuan AI, LameHug menggunakan LLM ketika sedang dijalankan.
Berdasarkan analisis yang merujuk pada laporan CERT-UA, malware ini menghubungi API Hugging Face dan menggunakan model Qwen2.5-Coder-32B-Instruct dari Alibaba Cloud untuk menghasilkan perintah Windows secara dinamis. Perintah tersebut dapat mengumpulkan informasi sistem dan mencari dokumen Office untuk diekfiltrasi. 2
3
7
Model operasi ini mengubah perilaku malware dalam tiga hal penting:
- Urutan perintah tidak harus ditentukan sepenuhnya sejak awal. Malware dapat meminta perintah berdasarkan instruksi dan kondisi perangkat yang ditemuinya.
- Serangan dapat memanfaatkan utilitas sistem biasa. Deteksi perlu memperhatikan perilaku serta rangkaian perintah, bukan hanya mencari payload mandiri dengan ciri khas tertentu.
4
- Malware memiliki ketergantungan eksternal. Permintaan keluar yang tidak biasa dari perangkat yang telah disusupi ke API model bahasa dapat menjadi sinyal deteksi yang berharga.
LameHug bukan bukti bahwa malware telah menjadi otonom. Namun, kasus ini menunjukkan bahwa penyerang dapat menempatkan LLM di dalam alur operasional serangan, sehingga model membantu menghasilkan tindakan pengintaian dan pengumpulan data secara real time.
Umpan bertema AI memperluas permukaan serangan
AI juga digunakan sebagai umpan. Dari Januari hingga April 2026, solusi Kaspersky mendeteksi lebih dari 33.300 serangan terhadap usaha kecil dan menengah (UKM) yang menyamarkan perangkat lunak berbahaya atau tidak diinginkan sebagai layanan AI populer. Angka tersebut hampir lima kali lipat dibandingkan periode yang sama pada 2025. 50
51
Deteksi ini mengukur perangkat lunak yang menyamar sebagai layanan AI. Angka tersebut tidak membuktikan bahwa setiap payload dibuat oleh AI atau bahwa sistem AI mengoperasikan semua serangan tersebut. Kesimpulan yang lebih kuat adalah bahwa penyerang sedang mengeksploitasi kepercayaan terhadap merek AI yang dikenal dan tingginya adopsi alat AI di lingkungan bisnis.
Bagi karyawan, risikonya sangat praktis: generator gambar, aplikasi chatbot, atau asisten produktivitas palsu dapat menjadi pintu masuk malware. Kebijakan instalasi perangkat lunak, sumber unduhan terverifikasi, dan pengamanan endpoint tetap penting meskipun umpan yang digunakan terlihat seperti produk AI.
Apa yang ditunjukkan data tentang skala ancaman
Telemetri Kaspersky menunjukkan bahwa ancaman berbasis web masih tersebar luas. Namun, angka tersebut tidak boleh dianggap sebagai jumlah serangan yang digerakkan AI. Pada paruh pertama 2026, sistem Kaspersky memblokir 5,7 juta serangan dari sumber daring di Afrika Selatan, 4,5 juta di Kenya, dan 1,6 juta di Nigeria. Türkiye mencatat proporsi pengguna yang terdampak ancaman berbasis web tertinggi dalam dataset kawasan Timur Tengah, Türkiye, dan Afrika (META), yakni 22,8 persen. 14
Pengukuran tersebut mencakup ancaman yang dikirim melalui situs web, email, dan layanan web. Data itu menunjukkan luasnya paparan terhadap serangan daring, bukan membuktikan penyebabnya adalah AI. Pembedaan ini penting agar statistik ancaman siber umum tidak keliru dipresentasikan sebagai bukti kampanye otonom atau malware yang sepenuhnya dibuat AI.
Mengapa kemampuan beradaptasi lebih penting daripada otonomi
Risiko keamanan yang paling mendesak bukanlah munculnya pasukan siber yang sepenuhnya dapat mengarahkan diri sendiri. Ancaman yang lebih nyata adalah akumulasi efisiensi kecil di sepanjang rantai serangan:
- kode dapat dibuat dan direvisi lebih cepat;
- pesan phishing dapat disesuaikan untuk berbagai bahasa, industri, dan modus;
- skrip dapat diperbaiki serta dikemas ulang dengan lebih cepat;
- perilaku malware dapat divariasikan sesuai lingkungan korban;
- pengintaian dan pengumpulan data dapat disesuaikan ketika serangan berlangsung.
Jika digabungkan, efisiensi ini dapat menurunkan biaya peluncuran intrusi dan memudahkan pelaku menjalankan lebih banyak eksperimen. AI juga dapat membantu operator dengan kemampuan teknis terbatas meniru teknik yang sebelumnya membutuhkan keahlian khusus.
Risikonya sangat serius bagi organisasi dengan jumlah staf keamanan terbatas, volume data sensitif yang besar, atau lingkungan pihak ketiga yang kompleks. Meski demikian, klaim mengenai serangan terhadap infrastruktur kritis memerlukan bukti spesifik tentang kompromi, dampak, dan keterlibatan AI. Klaim dari pelaku serangan, dengan sendirinya, bukan konfirmasi atas hal-hal tersebut.
Prioritas pertahanan bagi organisasi
Contoh-contoh di atas menunjukkan perlunya pertahanan berlapis dan berfokus pada perilaku. Organisasi tetap perlu menggunakan tanda tangan malware dan memblokir indikator yang telah diketahui, tetapi juga harus memantau aktivitas yang dapat mengungkap serangan berbantuan AI atau serangan yang beradaptasi secara dinamis.
Sinyal yang berguna antara lain:
- proses Python atau PyInstaller yang melakukan koneksi keluar tak terduga ke layanan model bahasa;
- prompt yang dikodekan dengan base64 atau panggilan API tidak biasa dari endpoint yang biasanya tidak menggunakan layanan pengembang maupun AI;
- rangkaian perintah yang menggabungkan utilitas seperti
systeminfo,tasklist,dsquery, atau pencarian berkas secara rekursif; - eksekusi skrip mencurigakan melalui JavaScript, PowerShell, atau interpreter lain;
- akses kredensial, pengumpulan dokumen, atau transfer keluar yang tidak biasa;
- karyawan memasang aplikasi AI atau ekstensi peramban yang tidak disetujui.
Panduan deteksi LameHug dari Splunk secara khusus menyoroti aktivitas Python atau PyInstaller yang terhubung ke API Hugging Face dan menggunakan model Qwen untuk menghasilkan perintah. 4 Ini merupakan contoh konkret bagaimana tim keamanan dapat mencari perilaku di sekitar serangan yang menggunakan LLM, alih-alih menunggu munculnya tanda tangan malware yang tetap.
Kesimpulan
AI semakin tertanam dalam serangan siber karena teknologi ini membuat operasi yang sudah ada lebih mudah dibuat, dipersonalisasi, dan diubah. FunkSec serta RevengeHotels menunjukkan pengembangan malware dengan bantuan AI. LameHug menunjukkan penggunaan LLM yang dipanggil ketika intrusi berlangsung. Sementara itu, deteksi Kaspersky terhadap UKM menunjukkan bahwa popularitas AI sendiri telah dimanfaatkan sebagai umpan. 28
31
51
Gambaran yang paling akurat bukanlah bahwa AI telah menggantikan peretasan konvensional. AI lebih tepat dipahami sebagai lapisan efisiensi dan adaptasi di seluruh proses phishing, pembuatan malware, pengintaian, dan pencurian data.
Bagi organisasi, persiapannya berarti mengantisipasi variasi serangan yang lebih banyak dan iterasi yang lebih cepat, sembari tetap membedakan keterlibatan AI yang telah terverifikasi dari kejahatan siber biasa yang hanya dibungkus dengan merek atau narasi AI.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "Bagaimana AI Mengubah Serangan Siber: Dari Malware Buatan LLM hingga Intrusi Dinamis"?
AI mempercepat dan menurunkan biaya serangan siber yang sudah dikenal, seperti phishing, skrip berbahaya, trojan akses jarak jauh, dan pencurian data.
Apa poin penting yang harus divalidasi terlebih dahulu?
AI mempercepat dan menurunkan biaya serangan siber yang sudah dikenal, seperti phishing, skrip berbahaya, trojan akses jarak jauh, dan pencurian data. FunkSec dan kampanye RevengeHotels 2025 menunjukkan pengembangan malware dengan bantuan AI, sementara LameHug menggunakan LLM saat beroperasi untuk menghasilkan perintah pengintaian dan pengumpulan data secara dinamis.
Apa yang harus saya lakukan selanjutnya dalam latihan?
Organisasi perlu menggabungkan pemblokiran berbasis indikator dengan pemantauan perilaku, termasuk aktivitas skrip yang tidak biasa dan koneksi keluar ke layanan LLM atau API.
Sumber
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 ...