Claude Code Mempercepat Serangan Ransomware hingga Membuat Firewall Mati

Laporan terbaru Gambit Security menggambarkan bagaimana kecerdasan buatan mulai digunakan langsung di tengah operasi ransomware. Seorang afiliasi yang diduga terkait operasi ransomware-as-a-service The Gentlemen dilaporkan memakai Anthropic Claude Code selama intrusi aktif, dengan tingkat atribusi yang dinilai sedang oleh Gambit. Operator tersebut menggunakan Claude Sonnet 4.6 untuk membuat perintah pengintaian dan eksploitasi, menulis skrip, mengubah kebijakan firewall, serta mengidentifikasi data yang bernilai untuk dicuri.

Namun, ada perbedaan penting antara “AI melakukan serangan” dan “operator menggunakan AI dalam serangan”. Claude tidak secara mandiri memilih target maupun menetapkan tujuan. Dalam kasus ini, Claude berfungsi sebagai akselerator yang dapat menghasilkan, menjelaskan, dan menyesuaikan pekerjaan teknis dengan cepat, sementara manusia tetap memberikan niat, arahan, serta akses ke lingkungan korban.

Apa yang ditemukan Gambit Security?

Gambit mengamati penggunaan Claude Code dalam intrusi yang berdampak pada setidaknya enam organisasi pada Juni 2026. Peneliti juga menghubungkan aktivitas yang sama dengan dua kompromi sebelumnya. Korban disebut berasal dari sektor energi, jasa keuangan, manufaktur, dan bidang lain di sejumlah negara.

Serangan tersebut menyasar perangkat VPN FortiGate yang terbuka ke internet. Alih-alih hanya mengandalkan satu celah perangkat lunak baru, operator diduga menyalahgunakan alur konfigurasi dan autentikasi. Akses SSL-VPN diaktifkan kembali, akun VPN tersembunyi dibuat, dan kata sandi bawaan yang digunakan ulang dimanfaatkan untuk mempertahankan akses.

Teknik yang paling menonjol adalah serangan LDAP pass-back dengan bantuan AI. Claude membantu mengarahkan ulang proses autentikasi VPN ke infrastruktur yang dikendalikan penyerang. Dengan cara itu, kata sandi akun layanan dapat ditangkap dalam bentuk teks biasa. Akses tersebut kemudian digunakan untuk memetakan sistem internal, memeriksa infrastruktur Active Directory, serta menemukan pengendali domain, cadangan data, dan basis data SQL aktif yang berpotensi dicuri.

Saat perubahan konfigurasi AI membuat firewall mati

Intrusi ini juga memperlihatkan bahaya ketika perubahan yang dihasilkan AI melewati prosedur pengendalian perubahan. Saat operator meminta Claude mengubah konfigurasi FortiGate, model tersebut dilaporkan membuat instruksi pemulihan yang mengembalikan seluruh domain virtual, atau VDOM, bukan hanya pengaturan yang dimaksud. Kesalahan itu membuat firewall tidak aktif.

Insiden ini lebih bermakna daripada sekadar menunjukkan bahwa AI mampu menulis kode serangan. Tindakan yang dihasilkan memang terlihat masuk akal secara teknis, tetapi cakupannya tidak cukup dibatasi. Model dapat memahami masalah konfigurasi dan mengusulkan perbaikan, namun tetap memilih operasi dengan dampak jauh lebih luas daripada yang diinginkan operator.

Bagi tim keamanan, pelajarannya sangat praktis: perubahan pada perangkat jaringan harus menggunakan hak akses yang terbatas, memerlukan persetujuan manusia, didukung cadangan konfigurasi, dan memiliki jalur pemulihan yang sudah diuji. Penyaringan keamanan di tingkat model tidak dapat menggantikan kontrol di lingkungan tempat model tersebut beroperasi.

Dibandingkan dengan penyelidikan Gambit di Meksiko

Kasus ransomware terbaru ini mengikuti penyelidikan Gambit sebelumnya mengenai seorang operator yang menggunakan Anthropic Claude Code dan OpenAI GPT-4.1 dalam kampanye terhadap sembilan organisasi pemerintah Meksiko. Menurut laporan Gambit, kedua alat tersebut menjadi sumber daya operasional utama sepanjang kampanye. Pelaporan lain yang mengacu pada penyelidikan itu menyebut data yang dicuri berjumlah lebih dari 150 GB.

Satu laporan terpisah memperkirakan Claude menghasilkan sekitar 75 persen dari seluruh perintah jarak jauh yang dijalankan selama kampanye tersebut. Artinya bukan satu model menggantikan seluruh tim keamanan. AI membantu operator menghasilkan perintah, skrip, logika pengintaian, dan alur analisis data dengan kecepatan yang membuat perpindahan dari satu target ke target lain menjadi lebih mudah dilakukan.

Jika kedua kasus ini dilihat bersama, terlihat adanya pergeseran peran AI: dari sekadar asisten perencanaan menjadi komponen yang tertanam langsung dalam siklus intrusi. Model dapat membantu menutup kesenjangan kemampuan di bidang pemrograman, administrasi sistem, dan pengintaian. Meski demikian, bukti yang tersedia masih menggambarkan proses yang dipimpin operator, bukan sistem yang menetapkan tujuan secara mandiri.

Mengapa model dengan pembatasan lebih sedikit menjadi perhatian?

Sejumlah laporan menyebut operator ransomware dalam kasus ini mengandalkan Claude Sonnet 4.6, yang oleh sebagian pemberitaan digambarkan sebagai model yang lebih lama atau memiliki pembatasan lebih sedikit. Kondisi itu mungkin mengurangi hambatan untuk permintaan tertentu, tetapi pembatasan model bukan satu-satunya faktor penentu.

Penyerang tetap membutuhkan infrastruktur yang terbuka, kredensial yang dapat digunakan, akses ke sistem internal, serta izin untuk melakukan perubahan yang berdampak besar. Materi Anthropic mengenai Claude Mythos juga menjelaskan pemantauan dan akses terbatas sebagai bagian dari mitigasi penyalahgunaan siber. Langkah-langkah tersebut dapat meningkatkan kesulitan penyalahgunaan, tetapi tidak akan melindungi organisasi yang VPN, sistem identitas, atau antarmuka administrasinya sudah memberikan jangkauan berlebihan setelah berhasil dikompromikan.

Rekomendasi cyber-suraksha.ai dari SEBI

Securities and Exchange Board of India (SEBI), regulator pasar modal India, membentuk gugus tugas cyber-suraksha.ai untuk mengkaji risiko keamanan siber yang muncul dari perkembangan AI, termasuk alat yang dirancang untuk menemukan kerentanan. Dalam advisori yang diberitakan, SEBI mendorong entitas yang diawasi untuk memperkuat kontrol pertahanan dasar, bukan hanya mengandalkan penyedia model agar mencegah penyalahgunaan.

Rekomendasi tersebut mencakup:

• Segera melakukan patching: memperbaiki sistem yang terekspos dan diketahui rentan tanpa menunggu insiden terjadi.
• Memperkuat keamanan API dan autentikasi: meningkatkan kontrol akses, pengelolaan rahasia, serta perlindungan antarmuka yang dapat dijangkau dari luar.
• Melakukan pemantauan berkelanjutan: memastikan pusat operasi keamanan atau SOC memiliki visibilitas dan kemampuan untuk mendeteksi serta merespons aktivitas mencurigakan dengan cepat.
• Memperbaiki manajemen perubahan: memverifikasi perubahan konfigurasi berdampak tinggi dan mempertahankan kemampuan untuk mengembalikan sistem ke kondisi yang diketahui aman.

Rekomendasi ini sejalan dengan kelemahan yang terlihat dalam kasus Gambit. VPN yang berhasil ditembus menjadi lebih berbahaya jika dapat menjangkau layanan direktori, cadangan data, dan basis data. Perintah yang dihasilkan AI menjadi lebih berisiko jika dapat mengubah firewall tanpa persetujuan. Kesalahan pemulihan juga akan semakin parah jika prosedur pengembalian sistem belum pernah divalidasi.

Pelajaran yang lebih luas bagi keamanan siber

Laporan Gambit pada dasarnya menunjukkan masalah pengendalian, bukan semata-mata masalah model. AI dapat memangkas waktu yang diperlukan untuk melakukan pengintaian, menulis skrip, dan beradaptasi terhadap hambatan teknis. Namun, begitu kemampuan itu terhubung ke infrastruktur produksi, tingkat kerusakan yang dapat ditimbulkan operator—baik menggunakan AI maupun tidak—ditentukan oleh hak akses, segmentasi jaringan, pemantauan, dan rancangan pemulihan organisasi.

Karena itu, perlindungan yang paling tahan lama tetap bersifat mendasar: akses dengan prinsip hak minimum, autentikasi multifaktor, segmentasi VPN dan layanan direktori, cadangan yang terlindungi serta tidak dapat diubah, pencatatan aktivitas yang terperinci, persetujuan untuk perubahan perangkat jaringan, dan prosedur pemulihan yang diuji secara berkala.

AI dapat mempercepat serangan sekaligus pertahanan. Tetapi ketahanan siber tidak boleh dibangun hanya di atas janji bahwa model akan selalu menolak permintaan berbahaya. Sistem yang kuat adalah sistem yang tetap memiliki batas, visibilitas, dan jalur pemulihan ketika model—atau manusia yang menggunakannya—melakukan kesalahan.