AnswersPublished22 sources
AI maakt cyberaanvallen sneller en aanpasbaarder — maar nog niet autonoom
AI vervangt traditionele cyberaanvallen voorlopig niet, maar maakt phishing, malwareontwikkeling en verkenning sneller, goedkoper en makkelijker aan te passen. FunkSec en RevengeHotels tonen AI ondersteunde malwareontwikkeling; LameHug gaat een stap verder door tijdens een aanval een LLM te raadplegen voor opdrachte...
Gepubliceerd doorBewerkt met GPT-5.6 LunaAfbeeldingen gegenereerd met GPT Image 1.5
Research answer
Key takeaways
- AI vervangt traditionele cyberaanvallen voorlopig niet, maar maakt phishing, malwareontwikkeling en verkenning sneller, goedkoper en makkelijker aan te passen.
- FunkSec en RevengeHotels tonen AI ondersteunde malwareontwikkeling; LameHug gaat een stap verder door tijdens een aanval een LLM te raadplegen voor opdrachten voor verkenning en gegevensverzameling.
- Kaspersky detecteerde tussen januari en april 2026 meer dan 33.300 aanvallen op kleine en middelgrote bedrijven waarbij malware zich voordeed als een populaire AI dienst — bijna vijf keer zoveel als een jaar eerder.
- De belangrijkste verdediging is gedragsdetectie: let onder meer op ongebruikende scripts, onverwacht verkeer naar AI API’s, verdachte opdrachtreeksen, diefstal van inloggegevens en het verzamelen van documenten.
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
Kunstmatige intelligentie wordt steeds meer een operationele laag binnen cyberaanvallen. Criminele en aan staten gelieerde aanvallers kunnen grote taalmodellen — large language models of LLM’s — gebruiken om malwareonderdelen te schrijven, phishingteksten te maken, scripts te debuggen en snel nieuwe varianten te produceren.
De duidelijkste conclusie uit het beschikbare bewijs is echter genuanceerder dan de koppen over volledig autonome aanvallen suggereren: AI versnelt en past bekende aanvalsmethoden aan. De meeste aanvallen zijn nog altijd gebaseerd op phishing, kwaadaardige scripts, remote-access-trojans en gegevensdiefstal.
AI verkort de hele aanvalsketen
Een aanvaller kan een LLM vragen om een eerste script op te stellen, een lokbericht te vertalen of persoonlijker te maken, code na een test aan te passen en vervolgens meerdere varianten voor verschillende doelwitten te genereren. Daardoor wordt experimenteren goedkoper en kan de tijd tussen het eerste idee en de verspreiding van een campagne korter worden.
Voor verdedigers betekent dat mogelijk meer geloofwaardige aanvallen, meer variatie en minder tijd om in te grijpen. Het is wel belangrijk om niet elke campagne met een AI-thema automatisch een ‘AI-aanval’ te noemen. Er zijn verschillende niveaus van AI-gebruik: van hulp bij het schrijven van code tot het genereren van opdrachten tijdens een actieve inbraak.
FunkSec: AI-ondersteunde ontwikkeling van ransomware
Onderzoek van Kaspersky naar FunkSec laat zien hoe generatieve AI kan bijdragen aan de ontwikkeling van malware. De op Rust gebaseerde ransomware combineert versleuteling, lokale gegevensdiefstal en zelfopruiming in één uitvoerbaar bestand. Kaspersky meldde daarnaast aanwijzingen voor code die met behulp van een LLM was samengesteld in verwante onderdelen, waaronder een wachtwoordgenerator en een eenvoudig DDoS-hulpmiddel. 28
39
Dat betekent niet dat een LLM zelfstandig de volledige campagne heeft ontworpen, verspreid en bestuurd. Wel laat het zien dat generatieve AI functionele malwareonderdelen kan helpen produceren. Aanvallers kunnen zo met minder handmatig ontwikkelwerk een meer geconsolideerde gereedschapskist samenstellen.
RevengeHotels: AI versterkt een bekende phishingaanval
De campagne van RevengeHotels uit 2025 toont een ander patroon. Kaspersky zag aanvallen op hotels in Brazilië en Spaanstalige markten waarbij phishingmails zich voordeden als reserveringsverzoeken, facturen of sollicitaties. Slachtoffers werden doorgestuurd naar websites die leken op diensten voor documentopslag. Daarop volgden scripts die uiteindelijk remote-access-trojans, zoals VenomRAT, afleverden. 30
31
36
Volgens Kaspersky leek een aanzienlijk deel van de code voor de eerste infectie en de downloader door LLM-agents te zijn gegenereerd. 28 De campagne bleef ondertussen steunen op bekende technieken: social engineering, scriptuitvoering en het afleveren van een RAT. AI hielp vooral bij het produceren en variëren van onderdelen van de infectieketen, waardoor aanvallers mogelijk sneller konden inspelen op verschillende regio’s en doelwitten.
Daarom kan het label ‘AI-aangedreven’ misleidend zijn als het niet wordt uitgelegd. In dit geval zat AI-ondersteunde codegeneratie ingebed in een grotendeels conventionele phishingoperatie.
LameHug gebruikt een LLM tijdens de aanval
De meest opvallende technische ontwikkeling in het beschikbare bewijs is LameHug, dat in sommige berichtgeving ook PROMPTSTEAL wordt genoemd. In tegenstelling tot malware die alleen met AI-hulp lijkt te zijn geschreven, gebruikte LameHug een LLM tijdens de uitvoering.
Volgens analyses op basis van meldingen van CERT-UA maakte de malware verbinding met de Hugging Face-API en gebruikte ze Alibaba Clouds model Qwen2.5-Coder-32B-Instruct om dynamisch Windows-opdrachten te genereren. Die opdrachten konden systeeminformatie verzamelen en zoeken naar Office-documenten om buit te maken. 2
3
7
Dat verandert het gedrag van de malware op drie belangrijke manieren:
- De opdrachten hoeven niet vooraf volledig vast te liggen. De malware kan opdrachten opvragen op basis van haar instructies en de omgeving die ze aantreft.
- De aanval kan ingebouwde systeemhulpmiddelen gebruiken. Detectie moet zich daardoor mogelijk meer richten op het gedrag en de volgorde van opdrachten dan op één herkenbaar malwarebestand.
4
- De malware krijgt een externe afhankelijkheid. Een besmet systeem dat ongebruikelijke uitgaande verbindingen met een taalmodel-API maakt, kan juist een bruikbaar detectiesignaal opleveren.
LameHug bewijst niet dat malware autonoom is geworden. Het laat wel zien dat een aanvaller een LLM in de operationele lus kan plaatsen, zodat het model tijdens de aanval helpt bij verkenning en gegevensverzameling.
Ook het AI-merk zelf wordt als lokmiddel gebruikt
AI wordt niet alleen gebruikt om aanvallen te bouwen, maar ook als lokaas. Tussen januari en april 2026 detecteerden Kaspersky-oplossingen meer dan 33.300 aanvallen op kleine en middelgrote bedrijven waarbij kwaadaardige of ongewenste pc-software zich voordeed als een populaire AI-dienst. Dat waren bijna vijf keer zoveel detecties als in dezelfde periode van 2025. 50
51
Deze cijfers gaan over software die zich als AI-dienst vermomt. Ze bewijzen niet dat elke payload door AI is gegenereerd of dat een AI-systeem elke aanval heeft uitgevoerd. De veiligste conclusie is dat aanvallers profiteren van het vertrouwen in bekende AI-merken en van de snelle invoering van AI-tools binnen bedrijven.
Voor werknemers is het risico concreet. Een nepbeeldgenerator, een valse chatbot-app of een zogenoemde productiviteitsassistent kan dienen als aflevermechanisme voor malware. Beleid voor software-installatie, gecontroleerde downloadbronnen en sterke endpointbeveiliging blijven daarom essentieel — ook als het lokmiddel eruitziet als een AI-product.
Grote aantallen zeggen niet automatisch iets over AI
Kaspersky’s regionale telemetrie laat zien dat webdreigingen wijdverspreid zijn, maar de cijfers mogen niet worden gelezen als aantallen AI-gestuurde aanvallen. In de eerste helft van 2026 blokkeerden Kaspersky-systemen naar eigen zeggen 5,7 miljoen aanvallen vanuit online bronnen in Zuid-Afrika, 4,5 miljoen in Kenia en 1,6 miljoen in Nigeria. Türkiye had in de gerapporteerde dataset voor de META-regio het hoogste aandeel gebruikers dat met webdreigingen te maken kreeg: 22,8 procent. 14
Deze metingen omvatten dreigingen via websites, e-mail en webdiensten. Ze tonen brede blootstelling aan online aanvallen, maar geen oorzakelijk verband met AI. Dat onderscheid voorkomt dat algemene cyberdreigingscijfers worden gepresenteerd als bewijs voor autonome of door AI gegenereerde campagnes.
Aanpassing is voorlopig belangrijker dan autonomie
Het directe veiligheidsrisico is waarschijnlijk niet een plotselinge overgang naar volledig zelfsturende ‘cyberlegers’. Het zit eerder in de optelsom van kleine efficiëntiewinsten in de hele aanvalsketen:
- code kan sneller worden opgesteld en herschreven;
- phishingberichten kunnen worden aangepast aan taal, sector en voorwendsel;
- scripts kunnen sneller worden getest, verbeterd en verpakt;
- malwaregedrag kan per omgeving worden gevarieerd;
- verkenning en gegevensverzameling kunnen tijdens de uitvoering worden bijgestuurd.
Samen kunnen deze voordelen de kosten van een inbraak verlagen en het aantal experimenten verhogen. Ze kunnen ook minder ervaren aanvallers helpen om technieken na te bootsen waarvoor eerder specialistische kennis nodig was.
Dat is vooral zorgelijk voor organisaties met weinig beveiligingspersoneel, grote hoeveelheden gevoelige gegevens of ingewikkelde omgevingen met veel leveranciers. Voor claims over aanvallen op vitale infrastructuur is echter specifiek bewijs nodig van een daadwerkelijke inbraak, de impact daarvan en de rol van AI. Een claim van een aanvaller is op zichzelf geen bevestiging.
Waar organisaties op moeten letten
De voorbeelden wijzen op een gelaagde en gedragsgerichte aanpak. Signatures en blokkades voor bekende indicatoren blijven nuttig, maar organisaties moeten ook letten op activiteit die wijst op AI-ondersteunde of dynamisch veranderende aanvallen.
Relevante signalen zijn onder meer:
- Python- of PyInstaller-processen die onverwacht uitgaande verbindingen maken met taalmodeldiensten;
- base64-gecodeerde prompts of ongebruikelijke API-aanroepen vanaf apparaten die normaal geen ontwikkelaars- of AI-diensten gebruiken;
- verdachte opdrachtketens met hulpmiddelen zoals
systeminfo,tasklist,dsqueryof recursieve zoekopdrachten naar bestanden; - verdachte scripts via JavaScript, PowerShell of andere interpreters;
- ongebruikelijke toegang tot inloggegevens, het verzamelen van documenten of uitgaande gegevensoverdracht;
- werknemers die niet-goedgekeurde AI-applicaties of browsertools installeren.
Splunks detectierichtlijnen voor LameHug wijzen specifiek op Python- of PyInstaller-activiteit die verbinding maakt met de Hugging Face-API en het Qwen-model gebruikt om opdrachten te genereren. 4 Dit is een concreet voorbeeld van detectie rond het gedrag van een aanval met een LLM, in plaats van wachten op een vaste malwarehandtekening.
De kern
AI raakt steeds dieper verweven met cyberaanvallen omdat het bestaande operaties makkelijker te produceren, te personaliseren en aan te passen maakt. FunkSec en RevengeHotels illustreren AI-ondersteunde malwareontwikkeling. LameHug laat zien dat een LLM tijdens een actieve inbraak kan worden geraadpleegd. De Kaspersky-detecties bij mkb-bedrijven tonen bovendien hoe het vertrouwen in AI zelf als lokmiddel wordt uitgebuit. 28
31
51
De nauwkeurigste omschrijving is daarom niet dat AI traditionele hackers heeft vervangen. AI wordt vooral een efficiëntie- en aanpassingslaag binnen phishing, malwareontwikkeling, verkenning en gegevensdiefstal. Organisaties moeten zich voorbereiden op meer variatie en snellere iteratie, terwijl ze zorgvuldig onderscheid blijven maken tussen aantoonbaar AI-gebruik en gewone cybercriminaliteit die alleen een AI-jasje draagt.
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 maakt cyberaanvallen sneller en aanpasbaarder — maar nog niet autonoom"?
AI vervangt traditionele cyberaanvallen voorlopig niet, maar maakt phishing, malwareontwikkeling en verkenning sneller, goedkoper en makkelijker aan te passen.
What are the key points to validate first?
AI vervangt traditionele cyberaanvallen voorlopig niet, maar maakt phishing, malwareontwikkeling en verkenning sneller, goedkoper en makkelijker aan te passen. FunkSec en RevengeHotels tonen AI ondersteunde malwareontwikkeling; LameHug gaat een stap verder door tijdens een aanval een LLM te raadplegen voor opdrachten voor verkenning en gegevensverzameling.
What should I do next in practice?
Kaspersky detecteerde tussen januari en april 2026 meer dan 33.300 aanvallen op kleine en middelgrote bedrijven waarbij malware zich voordeed als een populaire AI dienst — bijna vijf keer zoveel als een jaar eerder.
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 ...