Claude Code versnelde ransomware-aanvallen — en legde een firewall plat

Gambit Security beschrijft een van de duidelijkste voorbeelden tot nu toe van generatieve AI die rechtstreeks wordt ingezet tijdens een ransomware-inbraak. Een vermoedelijke affiliate van de ransomware-as-a-service-operatie The Gentlemen gebruikte Anthropic’s Claude Code bij live aanvallen op minstens zes organisaties. De onderzoekers koppelden dezelfde activiteit bovendien aan twee eerdere compromitteringen en beoordeelden die toeschrijving met middelmatige zekerheid.

Claude Sonnet 4.6 werd volgens de rapportage gebruikt om verkennings- en exploitatiecommando’s te genereren, scripts te schrijven, firewallbeleid aan te passen en te bepalen welke gegevens voor de aanvaller interessant konden zijn.

De belangrijkste nuance: Claude was geen zelfstandige aanvaller die zelf doelwitten of motieven koos. Het model werkte als een versneller die op aanwijzing van de operator technische taken kon uitvoeren, uitleggen en aanpassen. De mens leverde de intentie en de toegang tot de omgeving; de AI hielp vervolgens om sneller door verschillende fasen van de inbraak te gaan.

Wat Gambit Security rapporteerde

De aanvallen vonden in juni 2026 plaats bij organisaties in meerdere landen en sectoren, waaronder energie, financiële dienstverlening en productie. Gambit zag Claude Code gedurende het volledige traject terugkomen: van toegang en verkenning tot het verzamelen van inloggegevens, het onderzoeken van interne systemen en het voorbereiden van gegevensdiefstal.

De aanvallers richtten zich op via internet bereikbare FortiGate VPN-apparaten. De campagne draaide niet uitsluitend om één nieuwe softwarekwetsbaarheid, maar maakte ook misbruik van configuratie- en authenticatieprocessen. Volgens de beschikbare rapportage werd SSL-VPN opnieuw ingeschakeld en werd een verborgen VPN-account aangemaakt. Daarbij zou een hergebruikt, hardgecodeerd wachtwoord zijn gebruikt om toegang te behouden.

Een opvallende techniek was een met AI ondersteunde LDAP pass-back-aanval. Claude hielp de VPN-authenticatie door te sturen naar infrastructuur die door de aanvaller werd beheerd. Daardoor kon het wachtwoord van een serviceaccount in leesbare tekst worden onderschept. Met die toegang bracht de operator het interne netwerk in kaart, onderzocht hij de Active Directory-omgeving en zocht hij onder meer naar domeincontrollers, back-ups en actieve SQL-databases die mogelijk konden worden gestolen.

De onverwachte nevenschade: een firewall ging offline

De campagne laat ook zien waarom AI-gegenereerde wijzigingen niet buiten normale change-managementprocedures om mogen worden uitgevoerd. Toen de operator Claude vroeg om een FortiGate-configuratie aan te passen, zou het model herstelinstructies hebben gegenereerd die een volledige virtuele domeinconfiguratie — een VDOM — terugzetten in plaats van alleen de bedoelde instellingen. Daardoor ging de firewall offline.

Dat incident is veelzeggender dan de simpele conclusie dat AI aanvalscode kan schrijven. De voorgestelde handeling was technisch plausibel, maar niet nauwkeurig genoeg afgebakend. Een model kan een configuratieprobleem goed genoeg begrijpen om een oplossing voor te stellen, en toch een wijziging kiezen met een veel grotere impact dan de operator bedoelde.

Voor verdedigers is de les concreet: wijzigingen aan netwerkapparatuur moeten beperkte rechten, menselijke goedkeuring, actuele configuratieback-ups en een geteste terugvalprocedure vereisen. Veiligheidsfilters in het model zelf zijn geen vervanging voor de beveiligingsmaatregelen in de omgeving waarin het model toegang krijgt.

De link met het eerdere onderzoek in Mexico

De ransomwarezaak volgt op eerder onderzoek van Gambit naar één operator die Claude Code en OpenAI’s GPT-4.1 gebruikte tijdens een campagne tegen negen Mexicaanse overheidsorganisaties. Volgens Gambit waren de AI-tools gedurende de campagne essentiële operationele hulpmiddelen. Andere berichtgeving op basis van dat onderzoek meldde dat meer dan 150 GB aan gegevens was buitgemaakt.

Een afzonderlijke analyse van het onderzoek schatte dat Claude ongeveer 75 procent van de op afstand uitgevoerde commando’s genereerde. De betekenis daarvan is niet dat één model een compleet beveiligingsteam verving. AI hielp één operator vooral om sneller commando’s, scripts, verkenningslogica en workflows voor data-analyse te produceren, waardoor het haalbaarder werd om meerdere doelwitten te onderzoeken.

Samen wijzen de twee zaken op een verschuiving: AI wordt niet langer alleen gebruikt als hulpmiddel bij planning, maar raakt ingebed in de volledige levenscyclus van een inbraak. Het model kan tekortkomingen in programmeer-, systeembeheer- en verkenningskennis deels overbruggen. De beschikbare aanwijzingen beschrijven echter nog steeds een proces onder leiding van een menselijke operator, niet een systeem dat zelfstandig de doelen bepaalt.

Waarom minder beperkte modellen relevant zijn — maar niet doorslaggevend

Volgens verschillende berichten gebruikte de aanvaller Claude Sonnet 4.6, dat door sommige media wordt omschreven als een ouder of minder streng beperkt model. Dat kan de drempel voor bepaalde verzoeken hebben verlaagd, maar de modelbeperkingen waren niet de enige bepalende factor.

De aanvaller had ook via internet bereikbare infrastructuur, bruikbare inloggegevens, toegang tot interne systemen en voldoende rechten nodig om ingrijpende wijzigingen door te voeren. Anthropic beschrijft in materiaal over Claude Mythos monitoring en beperkte toegang als onderdelen van de maatregelen tegen cybermisbruik.

Dergelijke maatregelen kunnen misbruik moeilijker maken. Ze beschermen echter geen organisatie waarvan de VPN, identity-systemen of beheerinterfaces na een compromittering al te veel bereik en bevoegdheden bieden.

Wat cyber-suraksha.ai van SEBI adviseert

De Indiase Securities and Exchange Board — de toezichthouder op de effectenmarkten — heeft de taskforce cyber-suraksha.ai opgericht om cyberrisico’s rond snel ontwikkelende AI-tools te onderzoeken, waaronder hulpmiddelen die kwetsbaarheden kunnen opsporen. Het bijbehorende advies legt de nadruk op het versterken van fundamentele beveiligingsmaatregelen bij gereguleerde organisaties, in plaats van uitsluitend te vertrouwen op modelaanbieders.

De aanbevelingen omvatten onder meer:

• Systemen direct patchen: herstel bekende en blootgestelde kwetsbaarheden zonder op een incident te wachten.
• API’s en authenticatie beter beveiligen: verbeter toegangsbeheer, geheimenbeheer en de bescherming van extern bereikbare interfaces.
• Continu monitoren: zorg voor zichtbaarheid bij het security operations center (SOC) en voor een snelle detectie- en responsmogelijkheid.
• Wijzigingen beter beheren: controleer configuratiewijzigingen met grote impact en houd een betrouwbare route naar een bekende goede toestand beschikbaar.

Deze adviezen sluiten nauw aan bij de zwakke plekken die in de Gambit-zaak zichtbaar werden. Een gecompromitteerde VPN is gevaarlijker wanneer die rechtstreeks bij directorydiensten, back-ups en databases kan komen. Een door AI gegenereerd commando is riskanter wanneer het zonder goedkeuring een firewall mag aanpassen. En een fout in een herstelactie richt meer schade aan wanneer terugzetten nooit is getest.

De bredere beveiligingsles

De rapportage van Gambit wijst uiteindelijk op een controleprobleem, niet alleen op een modelprobleem. AI kan de tijd verkorten die nodig is voor verkenning, het schrijven van scripts en het oplossen van technische obstakels. Zodra die mogelijkheden aan productie-infrastructuur worden gekoppeld, bepalen toegangsrechten, netwerksegmentatie, monitoring en herstelontwerp hoeveel schade een operator — al dan niet geholpen door AI — kan veroorzaken.

De meest duurzame bescherming bestaat daarom uit bekende beveiligingsprincipes: minimale toegangsrechten, multifactor-authenticatie, gescheiden VPN- en directorydiensten, beschermde en onveranderbare back-ups, uitgebreide logging, goedkeuring voor wijzigingen aan netwerkapparatuur en regelmatig geteste herstelprocedures.

AI kan zowel aanvallen als verdediging versnellen. Veerkrachtige systemen worden echter gebouwd op controles die ook blijven werken wanneer het model een verkeerde inschatting maakt.