AnswersPublished17 sources
LLMJacking, quando l’accesso AI rubato fa impennare i costi cloud
Nel 2026, alcuni attacchi di LLMJacking hanno prodotto oltre 100.000 dollari di addebiti fraudolenti in un solo giorno; in alcune organizzazioni il totale è arrivato a un milione prima che l’accesso venisse revocato. Le intrusioni hanno riguardato organizzazioni dei settori finanziario, retail, tecnologico e dei tra...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- Nel 2026, alcuni attacchi di LLMJacking hanno prodotto oltre 100.000 dollari di addebiti fraudolenti in un solo giorno; in alcune organizzazioni il totale è arrivato a un milione prima che l’accesso venisse revocato.
- Le intrusioni hanno riguardato organizzazioni dei settori finanziario, retail, tecnologico e dei trasporti in Nord America, Sud America e Asia Pacifico.
- Il servizio di rivendita Jet Night è stato associato a oltre 500.000 chiamate API in meno di otto ore; i dettagli tecnici della vulnerabilità LiteLLM citata nei resoconti restano controversi.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Google’s Mandiant and Google Threat Intelligence Group report on November 2, 2026, about LLMJacking incidents across financial serv. Article summary: Google’s Mandiant and Google Threat Intelligence Group reported on November 2, 2026, that criminals were hijacking enterprise LLM access and monetizing it at victims’ expense, producing fraudulent charges above $100,000 . Topic tags: general, documentation, general web. 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 fak
Mandiant e il Google Threat Intelligence Group hanno riferito di diversi casi, nel 2026, in cui criminali hanno preso il controllo dell’accesso aziendale ai modelli linguistici di grandi dimensioni (LLM), per usarlo direttamente o rivenderlo. In alcuni episodi gli addebiti fraudolenti per le risorse cloud hanno superato i 100.000 dollari in un giorno; per alcune organizzazioni la spesa cumulativa ha raggiunto un milione prima che l’accesso venisse revocato. 4
Che cos’è l’LLMJacking
Con il termine LLMJacking si indica il dirottamento dell’accesso di un’organizzazione agli LLM e alle risorse informatiche collegate. I casi descritti riguardano l’abuso di account cloud aziendali e dell’accesso ai modelli: non, in primo luogo, la manipolazione delle conversazioni in un chatbot rivolto ai clienti. I criminali possono eseguire le proprie attività usando l’account della vittima oppure instradare attraverso credenziali compromesse le richieste di altri utenti ai modelli. 4
Secondo Mandiant, gli incidenti esaminati hanno colpito organizzazioni dei settori finanziario, retail, tecnologico e dei trasporti in Nord America, Sud America e Asia-Pacifico. Sono stati coinvolti diversi fornitori di servizi cloud e di modelli linguistici. 4
Dalle credenziali rubate ai costi per l’azienda
Tra le modalità di accesso segnalate figurano credenziali cloud, chiavi API per gli LLM e token di accesso rubati. Altri resoconti citano credenziali IAM (Identity and Access Management, i sistemi che regolano chi può accedere alle risorse), chiavi di account di servizio, token personali di accesso a GitHub e token di sessione sottratti. 3
5
9
Una volta ottenuto l’accesso, gli attaccanti possono usare i permessi dell’organizzazione per avviare carichi di lavoro sui modelli. In alcuni casi rivendono poi quell’accesso tramite servizi intermedi, facendo ricadere sulla vittima il costo dell’inferenza: l’elaborazione necessaria per rispondere alle richieste rivolte al modello. 3
I costi possono accumularsi in fretta. Google ha riferito che in alcuni incidenti gli addebiti fraudolenti hanno superato i 100.000 dollari in un solo giorno; in alcune organizzazioni la spesa complessiva è arrivata a un milione prima che l’accesso venisse bloccato.
UNC6993 e il mercato della rivendita degli LLM
Secondo i resoconti collegati a Google, il gruppo UNC6993 avrebbe ottenuto accesso a un’istanza cloud sfruttando una chiave di account di servizio configurata in modo errato, per poi raggiungere un’API di un modello linguistico. Il caso mostra come una debolezza nella gestione delle identità cloud possa aprire la strada all’uso non autorizzato dei modelli. 17
Una parte distinta dell’ecosistema criminale è costituita dai cosiddetti “LLM Mixer”: servizi che inoltrano le richieste dei clienti attraverso accessi ai modelli compromessi. Jet Night è uno degli esempi citati. Un’operazione collegata al servizio è stata associata a oltre 500.000 chiamate API in meno di otto ore e a quasi un milione di dollari di costi in token addebitati a una vittima. 18
Secondo le fonti, Jet Night pubblicizzava l’accesso a circa 60 dollari al mese, contro abbonamenti legittimi indicati tra circa 100 e 250 dollari. 18
20 Il meccanismo della rivendita aiuta a spiegare la differenza: il cliente paga l’intermediario, mentre il conto può arrivare all’organizzazione a cui sono state sottratte le credenziali.
La vulnerabilità di LiteLLM: i dettagli non sono del tutto chiari
Alcuni resoconti collegati a Google riferiscono che gli attaccanti avrebbero sfruttato CVE-2026-40217 in LiteLLM, un gateway per modelli, per trasformare chiavi virtuali ordinarie in accessi con privilegi di amministratore. 17 Un’altra fonte segnala però una discrepanza tra la descrizione attribuita a Google e la risposta contenuta in un avviso di LiteLLM. Le informazioni disponibili non consentono di risolvere la divergenza: la ricostruzione tecnica precisa va quindi considerata con cautela.
Perché la spesa può crescere in poche ore
A differenza del cryptojacking, che i ricercatori di Google descrivono come un consumo di risorse più graduale, l’LLMJacking può provocare forti impennate degli addebiti cloud nel giro di poche ore. I casi segnalati mostrano che l’accesso non autorizzato ai modelli è anche un problema di controllo dei costi: una credenziale compromessa può consentire un uso intenso prima che l’organizzazione se ne accorga e la revochi.
Per chi utilizza modelli ospitati nel cloud, i casi indicano alcune priorità pratiche: proteggere le identità cloud e le credenziali API, verificare dove possono essere esposti i token e controllare utilizzo e addebiti alla ricerca di variazioni anomale. Si tratta di misure difensive che discendono dalle modalità di accesso e dagli impatti economici descritti, non di un elenco completo di raccomandazioni attribuite a Google. 3
5
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 "LLMJacking, quando l’accesso AI rubato fa impennare i costi cloud"?
Nel 2026, alcuni attacchi di LLMJacking hanno prodotto oltre 100.000 dollari di addebiti fraudolenti in un solo giorno; in alcune organizzazioni il totale è arrivato a un milione prima che l’accesso venisse revocato.
What are the key points to validate first?
Nel 2026, alcuni attacchi di LLMJacking hanno prodotto oltre 100.000 dollari di addebiti fraudolenti in un solo giorno; in alcune organizzazioni il totale è arrivato a un milione prima che l’accesso venisse revocato. Le intrusioni hanno riguardato organizzazioni dei settori finanziario, retail, tecnologico e dei trasporti in Nord America, Sud America e Asia Pacifico.
What should I do next in practice?
Il servizio di rivendita Jet Night è stato associato a oltre 500.000 chiamate API in meno di otto ore; i dettagli tecnici della vulnerabilità LiteLLM citata nei resoconti restano controversi.
Sources
cloud.google.comThe Rise of LLMJacking: How Threat Actors Monetize Compromised Cloud and Model Resources | Google Cloud Blog
mallory.aiLLMJacking Turns Stolen Cloud Credentials Into Six-Figure AI ...
pranavaraparla.comActive alerts — Vibe Coding · Security Issue Tracking
ai-threat.watchAttacks on AI systems: latest reports and research - AI Threat Watch