AnswersPublished22 sources
AI Mempercepatkan Serangan Siber, Bukan Menggantikan Penggodaman Konvensional
AI menjadikan serangan siber sedia ada lebih pantas, murah dan mudah disesuaikan, bukannya menggantikan kaedah seperti phishing, skrip berniat jahat dan kecurian data. FunkSec dan kempen RevengeHotels 2025 menunjukkan pembangunan malware dengan bantuan AI, manakala LameHug menggunakan LLM semasa operasi untuk menjan...
Diterbitkan olehDisunting dengan GPT-5.6 LunaImej dijana dengan GPT Image 1.5
Research answer
Key takeaways
- AI menjadikan serangan siber sedia ada lebih pantas, murah dan mudah disesuaikan, bukannya menggantikan kaedah seperti phishing, skrip berniat jahat dan kecurian data.
- FunkSec dan kempen RevengeHotels 2025 menunjukkan pembangunan malware dengan bantuan AI, manakala LameHug menggunakan LLM semasa operasi untuk menjana arahan peninjauan dan pengumpulan data secara dinamik.
- Antara Januari hingga April 2026, Kaspersky mengesan lebih 33,300 serangan terhadap perusahaan kecil dan sederhana yang menyamar sebagai perkhidmatan AI popular—hampir lima kali ganda berbanding tempoh sama pada 2025.
- Pertahanan perlu menumpukan tingkah laku, termasuk trafik API LLM yang luar biasa, penggunaan skrip mencurigakan, kecurian kelayakan dan pemindahan data—bukan hanya bergantung pada tandatangan malware.
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
Kecerdasan buatan kini semakin menjadi sebahagian daripada operasi serangan siber. Penjenayah dan kumpulan yang dikaitkan dengan negara boleh menggunakan model bahasa besar (LLM) untuk menghasilkan komponen malware, menulis kandungan phishing, membaiki skrip dan mencipta variasi baharu dengan lebih pantas berbanding aliran kerja tradisional.
Namun, bukti paling kukuh setakat ini menyokong kesimpulan yang lebih tepat: AI sedang mempercepatkan dan menyesuaikan kaedah serangan yang sudah dikenali—bukan menjadikan semua serangan beroperasi secara autonomi.
Perubahan utama: AI memendekkan kitaran serangan
Kebanyakan pencerobohan masih bergantung pada teknik biasa seperti phishing, skrip berniat jahat, trojan akses jauh (RAT) dan pencurian data. Perubahan yang dibawa AI terletak pada kos dan kelajuan operasi tersebut.
Penyerang boleh menggunakan LLM untuk menghasilkan skrip awal, menterjemah atau memperibadikan umpan, mengubah kod selepas ujian dan mencipta beberapa variasi untuk sasaran berbeza. Eksperimen menjadi lebih murah, manakala tempoh antara perancangan dan pelaksanaan kempen boleh dipendekkan.
Kesannya, jumlah serangan yang kelihatan meyakinkan berpotensi meningkat dan pasukan pertahanan mempunyai masa tindak balas yang lebih singkat. Sebab itu, melabel setiap serangan yang menggunakan umpan bertemakan AI sebagai “serangan AI” boleh mengelirukan. Penglibatan AI wujud pada beberapa tahap—daripada bantuan menulis kod hinggalah penjanaan arahan ketika serangan sedang berlangsung.
FunkSec: pembangunan ransomware dengan bantuan AI
Penyelidikan Kaspersky mengenai FunkSec memberikan contoh bagaimana AI boleh membantu membina malware. Ransomware berasaskan Rust itu menggabungkan penyulitan, pengeluaran data secara setempat dan pembersihan kendiri dalam satu fail boleh laku. Kaspersky turut melaporkan tanda-tanda sintesis kod oleh LLM dalam keupayaan berkaitan, termasuk penjana kata laluan dan alat DDoS asas. 28
39
Ini tidak bermakna LLM mereka bentuk, melancarkan dan mengendalikan keseluruhan kempen secara bebas. Sebaliknya, ia menunjukkan bahawa AI generatif boleh menyumbang kepada komponen malware yang berfungsi, sekali gus membantu penyerang membina set alat yang lebih tersusun dengan kurang pembangunan manual.
RevengeHotels: AI memperkukuh rantaian phishing konvensional
Kempen RevengeHotels pada 2025 menunjukkan bagaimana AI boleh memperkuat kaedah pencerobohan yang sudah lama digunakan, bukan menggantikannya. Kaspersky mengesan serangan terhadap hotel di Brazil dan pasaran berbahasa Sepanyol yang menggunakan e-mel phishing, disamarkan sebagai permintaan tempahan, invois atau permohonan kerja.
Mangsa kemudiannya diarahkan ke laman web yang menyerupai perkhidmatan penyimpanan dokumen. Skrip pada laman tersebut akhirnya menghantar trojan akses jauh seperti VenomRAT. 30
31
36
Menurut Kaspersky, sebahagian besar kod jangkitan awal dan pemuat turun kelihatan seperti dijana oleh ejen model bahasa besar. 28 Namun, kempen itu masih bergantung pada kejuruteraan sosial, pelaksanaan skrip dan penghantaran RAT—semuanya teknik yang telah dikenali.
Dalam erti kata lain, sumbangan AI adalah membantu penyerang menghasilkan dan mempelbagaikan sebahagian rantaian jangkitan dengan lebih cekap, termasuk ketika menyesuaikannya mengikut wilayah dan sasaran. Istilah “dikuasakan AI” boleh mengelirukan jika digunakan tanpa penjelasan: dalam kes ini, penjanaan kod berbantukan AI diselitkan ke dalam operasi phishing konvensional.
LameHug membawa LLM ke dalam serangan sebenar
Perkembangan teknikal paling penting dalam bukti yang tersedia ialah LameHug, yang turut dirujuk dalam sesetengah laporan sebagai PROMPTSTEAL. Berbeza daripada malware yang hanya dipercayai ditulis dengan bantuan AI, LameHug menggunakan LLM ketika sedang berjalan.
Berdasarkan analisis yang merujuk laporan CERT-UA, malware itu menghubungi API Hugging Face dan menggunakan model Qwen2.5-Coder-32B-Instruct daripada Alibaba Cloud untuk menjana arahan Windows secara dinamik. Arahan tersebut boleh mengumpulkan maklumat sistem dan mencari dokumen Office untuk dikeluarkan daripada komputer mangsa. 2
3
7
Model operasi ini mengubah tingkah laku malware dalam tiga cara penting:
- Urutan arahan tidak semestinya ditetapkan sepenuhnya lebih awal. Malware boleh meminta arahan berdasarkan arahan asal dan persekitaran yang ditemuinya.
- Utiliti sistem biasa boleh digunakan. Pengesanan mungkin perlu menumpukan tingkah laku dan susunan arahan, bukannya hanya mencari fail malware yang mempunyai ciri unik.
4
- Malware mempunyai kebergantungan luaran. Komputer yang dijangkiti dan membuat permintaan keluar luar biasa kepada API model bahasa boleh menjadi petunjuk penting untuk pengesanan.
LameHug bukan bukti bahawa malware telah menjadi autonomi. Ia menunjukkan bahawa penyerang boleh meletakkan LLM dalam gelung operasi, lalu membolehkan model membantu menjana tindakan peninjauan dan pengumpulan data secara masa nyata.
Umpan bertemakan AI meluaskan permukaan serangan
AI juga digunakan sebagai umpan. Dari Januari hingga April 2026, penyelesaian Kaspersky mengesan lebih 33,300 serangan terhadap perusahaan kecil dan sederhana yang menyamarkan perisian berniat jahat atau tidak diingini sebagai perkhidmatan AI popular. Menurut Kaspersky, angka itu hampir lima kali ganda berbanding jumlah yang setara pada 2025. 50
51
Angka ini mengukur perisian yang menyamar sebagai perkhidmatan AI. Ia tidak membuktikan bahawa setiap muatan dijana oleh AI atau setiap serangan dikendalikan oleh sistem AI. Kesimpulan yang lebih wajar ialah penyerang sedang mengeksploitasi kepercayaan terhadap jenama AI yang dikenali serta penggunaan pantas alat AI dalam organisasi.
Bagi pekerja, risikonya amat praktikal: penjana imej, klien chatbot atau pembantu produktiviti palsu boleh menjadi saluran penghantaran malware. Polisi pemasangan perisian, sumber muat turun yang disahkan dan kawalan titik akhir yang kukuh kekal penting walaupun umpan itu kelihatan seperti produk AI.
Angka serangan menunjukkan pendedahan, bukan semestinya kesan AI
Telemetri serantau Kaspersky menunjukkan ancaman berasaskan web terus tersebar luas. Bagaimanapun, angka tersebut tidak boleh dianggap sebagai jumlah serangan yang dipacu AI.
Pada separuh pertama 2026, Kaspersky berkata sistemnya menyekat 5.7 juta serangan daripada sumber dalam talian di Afrika Selatan, 4.5 juta di Kenya dan 1.6 juta di Nigeria. Türkiye pula merekodkan bahagian pengguna terjejas tertinggi dalam set data rantau META yang dilaporkan, iaitu 22.8%. 14
Ukuran ini merangkumi ancaman yang dihantar melalui laman web, e-mel dan perkhidmatan web. Ia menunjukkan pendedahan luas kepada serangan dalam talian, bukan hubungan sebab-akibat dengan AI. Perbezaan ini penting supaya statistik ancaman siber umum tidak dipersembahkan sebagai bukti kempen autonomi atau serangan yang dijana AI.
Mengapa penyesuaian lebih penting daripada autonomi
Risiko keselamatan yang paling segera bukan semestinya kemunculan tentera siber yang mampu mengarah diri sendiri. Bahayanya datang daripada himpunan kecekapan kecil di sepanjang rantaian serangan:
- kod boleh dirangka dan disemak dengan lebih pantas;
- mesej phishing boleh disesuaikan mengikut bahasa, industri dan alasan yang digunakan;
- skrip boleh dinyahpepijat dan dibungkus semula dengan lebih cepat;
- tingkah laku malware boleh diubah mengikut persekitaran;
- peninjauan dan pengumpulan data boleh disesuaikan ketika serangan berlangsung.
Secara keseluruhan, kecekapan ini boleh mengurangkan kos melancarkan pencerobohan dan memudahkan penyerang menjalankan lebih banyak percubaan. Ia juga berpotensi membantu pengendali kurang mahir meniru teknik yang sebelum ini memerlukan pengetahuan khusus.
Risiko ini amat membimbangkan bagi organisasi yang mempunyai pasukan keselamatan kecil, jumlah data sensitif yang besar atau persekitaran pihak ketiga yang kompleks. Namun, dakwaan berhubung serangan terhadap infrastruktur kritikal memerlukan bukti khusus tentang pencerobohan, kesan dan penglibatan AI. Dakwaan penyerang semata-mata bukan pengesahan bagi mana-mana perkara tersebut.
Keutamaan pertahanan untuk organisasi
Contoh-contoh ini menunjukkan keperluan terhadap pertahanan berlapis yang berasaskan tingkah laku. Organisasi harus terus menggunakan tandatangan malware dan menyekat penunjuk ancaman yang diketahui, tetapi pada masa yang sama memantau aktiviti yang mungkin mendedahkan serangan berbantukan AI atau serangan yang berubah secara dinamik.
Petunjuk yang berguna termasuk:
- proses Python atau PyInstaller yang membuat permintaan keluar luar biasa kepada perkhidmatan model bahasa;
- arahan atau prom yang dikodkan dalam Base64, serta panggilan API luar biasa daripada komputer yang biasanya tidak menggunakan perkhidmatan pembangun atau AI;
- rantaian arahan yang menggabungkan utiliti seperti
systeminfo,tasklist,dsqueryatau carian fail berulang; - penggunaan JavaScript, PowerShell atau penterjemah skrip lain yang mencurigakan;
- akses kelayakan, pengumpulan dokumen atau pemindahan keluar yang luar biasa;
- pekerja memasang aplikasi AI atau alat pelayar yang tidak diluluskan.
Panduan pengesanan LameHug oleh Splunk secara khusus menekankan aktiviti Python atau PyInstaller yang berhubung dengan API Hugging Face dan menggunakan model Qwen untuk menjana arahan. 4 Ini contoh konkrit bagaimana pasukan pertahanan boleh mengesan tingkah laku di sekeliling serangan berasaskan LLM, tanpa menunggu tandatangan malware yang tetap.
Kesimpulan
AI semakin tertanam dalam serangan siber kerana ia memudahkan penghasilan, pemperibadian dan pengubahsuaian operasi sedia ada. FunkSec dan RevengeHotels menunjukkan pembangunan malware berbantukan AI; LameHug menunjukkan LLM ditanya ketika pencerobohan sedang berlaku; manakala pengesanan Kaspersky terhadap perusahaan kecil dan sederhana menunjukkan populariti AI sendiri sedang dijadikan umpan. 28
31
51
Gambaran yang paling tepat bukanlah “AI telah menggantikan penggodaman konvensional”. Sebaliknya, AI sedang menjadi lapisan kecekapan dan penyesuaian merentas phishing, pembangunan malware, peninjauan dan pencurian data.
Organisasi perlu bersedia menghadapi variasi serangan yang lebih banyak serta kitaran percubaan yang lebih pantas. Pada masa sama, mereka mesti terus membezakan penglibatan AI yang telah disahkan daripada jenayah siber biasa yang sekadar menggunakan penjenamaan AI sebagai helah.
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 "AI Mempercepatkan Serangan Siber, Bukan Menggantikan Penggodaman Konvensional"?
AI menjadikan serangan siber sedia ada lebih pantas, murah dan mudah disesuaikan, bukannya menggantikan kaedah seperti phishing, skrip berniat jahat dan kecurian data.
What are the key points to validate first?
AI menjadikan serangan siber sedia ada lebih pantas, murah dan mudah disesuaikan, bukannya menggantikan kaedah seperti phishing, skrip berniat jahat dan kecurian data. FunkSec dan kempen RevengeHotels 2025 menunjukkan pembangunan malware dengan bantuan AI, manakala LameHug menggunakan LLM semasa operasi untuk menjana arahan peninjauan dan pengumpulan data secara dinamik.
What should I do next in practice?
Antara Januari hingga April 2026, Kaspersky mengesan lebih 33,300 serangan terhadap perusahaan kecil dan sederhana yang menyamar sebagai perkhidmatan AI popular—hampir lima kali ganda berbanding tempoh sama pada 2025.
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 ...