Kunstig intelligens er i ferd med å bli et operativt lag i cyberangrep. Kriminelle og statsstøttede aktører kan bruke store språkmodeller til å skrive deler av skadevare, lage phishingmeldinger, feilsøke skript og produsere nye varianter langt raskere enn med tradisjonelle arbeidsmetoder.

Men den mest presise konklusjonen er foreløpig denne: KI akselererer og tilpasser kjente angrepsmetoder. Den har ikke gjort alle angrep autonome.

Den viktigste endringen: Angrepssyklusen går raskere

De fleste inntrengninger bygger fortsatt på velkjente teknikker som phishing, ondsinnede skript, fjernstyringstrojanere og datatyveri. Det KI endrer, er hvor mye tid og kompetanse som kreves for å utvikle og justere disse metodene.

En angriper kan bruke en språkmodell til å lage et første skript, oversette og personliggjøre en lokkemelding, endre koden etter testing og produsere flere varianter for ulike mål. Det gjør eksperimentering billigere og kan korte ned tiden fra idé til kampanje.

For forsvarerne betyr det potensielt flere troverdige angrep – og mindre tid til å oppdage dem.

Samtidig er det viktig å skille mellom ulike former for KI-bruk. Et angrep er ikke nødvendigvis et «KI-angrep» bare fordi e-posten nevner en chatbot eller et annet KI-produkt. Eksemplene som er best dokumentert, viser alt fra kodehjelp til språkmodeller som genererer kommandoer mens angrepet pågår.

FunkSec viser KI-assistert utvikling av skadevare

Kasperskys analyse av FunkSec er ett eksempel på hvordan generativ KI kan bidra til utvikling av skadevare. Den Rust-baserte løsepengevaren kombinerer kryptering, lokal uthenting av data og opprydding etter seg selv i én kjørbar fil. Kaspersky rapporterte også tegn til at en passordgenerator og et enkelt DDoS-verktøy i det tilhørende verktøysettet var utviklet med hjelp fra store språkmodeller. 2839

Det betyr ikke at en språkmodell på egen hånd designet, distribuerte og styrte hele kampanjen. Funnene viser snarere at generativ KI kan bidra med funksjonelle skadevarekomponenter og gjøre det enklere for angripere å sette sammen et mer samlet verktøysett med mindre manuelt utviklingsarbeid.

RevengeHotels: KI styrker en klassisk phishingkjede

Kampanjen RevengeHotels fra 2025 illustrerer hvordan KI kan forbedre en kjent angrepsmetode uten å erstatte den. Kaspersky observerte angrep mot hoteller i Brasil og spanskspråklige markeder. E-postene var utformet som forespørsler om reservasjoner, fakturaer eller jobbsøknader.

Mottakerne ble sendt videre til nettsteder som etterlignet tjenester for dokumentlagring. Derfra kunne skript til slutt installere fjernstyringstrojanere som VenomRAT. 303136

Kaspersky opplyste at en betydelig del av koden i den første infeksjonsfasen og nedlastingskomponenten så ut til å være generert av agenter basert på store språkmodeller. 28

Selve kampanjen var likevel avhengig av tradisjonell sosial manipulering, skriptkjøring og RAT-levering. KI bidro først og fremst til å utvikle og variere deler av infeksjonskjeden, slik at operatørene potensielt kunne tilpasse den mer effektivt til ulike regioner og mål.

Derfor kan merkelappen «KI-drevet» bli misvisende uten en forklaring. I dette tilfellet var KI-assistert kodegenerering bygget inn i en konvensjonell phishingoperasjon.

LameHug bruker språkmodell under selve angrepet

Det mest teknisk betydningsfulle eksempelet i materialet er LameHug, som i enkelte omtaler også kalles PROMPTSTEAL. Her handler det ikke bare om skadevare som kan ha blitt skrevet med KI-hjelp. LameHug brukte en språkmodell mens den kjørte på det kompromitterte systemet.

Ifølge analyser basert på rapportering fra CERT-UA kontaktet skadevaren Hugging Face-API-et og brukte Alibaba Clouds modell Qwen2.5-Coder-32B-Instruct til å generere Windows-kommandoer dynamisk. Kommandoene kunne hente inn systeminformasjon og lete etter Office-dokumenter som skulle stjeles. 237

Dette endrer skadevarens virkemåte på tre sentrale områder:

1. Kommandosekvensen trenger ikke være fastlagt på forhånd. Skadevaren kan be om kommandoer basert på instruksjonene sine og miljøet den møter.
2. Angrepet kan bruke vanlige systemverktøy. Det kan derfor bli viktigere å oppdage kombinasjonen og rekkefølgen av handlinger enn å lete etter én særpreget skadevarefil. 4
3. Skadevaren får en ekstern avhengighet. Et kompromittert system som uventet kommuniserer med et API for språkmodeller, kan gi et nytt og nyttig signal for sikkerhetsovervåking.

LameHug er ikke et bevis på at skadevare har blitt selvstyrende. Det viser at en angriper kan plassere en språkmodell inne i den operative angrepssløyfen, slik at modellen bidrar til rekognosering og innsamling av data i sanntid.

KI-produkter brukes også som lokkemiddel

KI brukes ikke bare til å utvikle angrep – selve populariteten til KI-tjenester blir også utnyttet som agn.

Fra januar til april 2026 registrerte Kasperskys løsninger over 33 300 angrep mot små og mellomstore bedrifter der ondsinnet eller uønsket PC-programvare utga seg for å være populære KI-tjenester. Tallet var nesten fem ganger høyere enn i samme periode i 2025. 5051

Dette er registreringer av programvare som etterligner KI-tjenester. Tallene viser ikke at alle skadevarefilene var KI-generert, eller at et KI-system styrte hvert enkelt angrep. Den sikreste konklusjonen er at angripere utnytter tilliten til kjente KI-merkevarer og den raske utbredelsen av KI-verktøy i arbeidslivet.

For ansatte er risikoen konkret: En falsk bildegenerator, chatbot eller produktivitetsassistent kan bli inngangen til skadevare. Regler for programvareinstallasjon, verifiserte nedlastingskilder og gode endepunktsløsninger er derfor fortsatt viktige – også når lokkemiddelet ser ut som et moderne KI-produkt.

Hva regionale tall faktisk forteller

Kasperskys regionale målinger viser at nettbaserte trusler fortsatt er omfattende, men tallene må ikke presenteres som en opptelling av KI-drevne angrep.

I første halvår av 2026 opplyste Kaspersky at systemene deres stanset 5,7 millioner angrep fra nettressurser i Sør-Afrika, 4,5 millioner i Kenya og 1,6 millioner i Nigeria. Tyrkia hadde den høyeste andelen brukere som ble rammet av nettbaserte trusler i det rapporterte datasettet for META-regionen, med 22,8 prosent. 14

Målingene omfatter trusler som leveres via nettsteder, e-post og nettjenester. De viser bred eksponering for nettangrep, ikke at KI var årsaken. Det skillet er avgjørende dersom generelle cybertruslertall ikke skal bli brukt som bevis på autonome eller KI-genererte kampanjer.

Tilpasning er viktigere enn autonomi

Den umiddelbare sikkerhetsrisikoen er ikke nødvendigvis en brå overgang til selvstyrte «cyberhærer». Faren ligger i summen av små effektivitetsgevinster gjennom hele angrepskjeden:

• kode kan skrives og revideres raskere;
• phishingmeldinger kan tilpasses språk, bransje og påskudd;
• skript kan feilsøkes og pakkes om raskere;
• skadevarens virkemåte kan varieres fra miljø til miljø;
• rekognosering og datainnsamling kan justeres mens angrepet pågår.

Til sammen kan dette senke kostnadene ved en inntrengning og gjøre det enklere å gjennomføre flere forsøk. Det kan også hjelpe mindre erfarne aktører med å etterligne teknikker som tidligere krevde spesialkompetanse.

Risikoen er særlig alvorlig for virksomheter med få sikkerhetsansatte, store mengder sensitive data eller kompliserte leverandørmiljøer. Påstander om angrep mot kritisk infrastruktur krever likevel konkret dokumentasjon av kompromittering, konsekvenser og KI-bruk. En påstand fra en angriper er ikke i seg selv en bekreftelse på noen av delene.

Dette bør virksomheter prioritere

Eksemplene peker mot et lagdelt og atferdsbasert forsvar. Signaturer og blokkering av kjente indikatorer er fortsatt nyttig, men virksomheter bør også overvåke aktivitet som kan avsløre KI-assisterte eller dynamisk tilpassende angrep.

Nyttige signaler kan være:

• Python- eller PyInstaller-prosesser som uventet oppretter utgående forbindelser til tjenester for språkmodeller;
• base64-kodede instruksjoner eller uvanlige API-kall fra enheter som normalt ikke bruker utvikler- eller KI-tjenester;
• mistenkelige kommandokjeder som kombinerer verktøy som systeminfo, tasklist, dsquery eller rekursive filsøk;
• mistenkelig skriptkjøring gjennom JavaScript, PowerShell eller andre tolker;
• uvanlig tilgang til påloggingsopplysninger, klargjøring av dokumenter for uthenting eller utgående dataoverføringer;
• ansatte som installerer uautoriserte KI-applikasjoner eller nettleserverktøy.

Splunks veiledning for å oppdage LameHug fremhever spesielt Python- eller PyInstaller-aktivitet som kobler seg til Hugging Face-API-et og bruker Qwen-modellen til å generere kommandoer. 4 Det er et konkret eksempel på hvordan forsvarere kan oppdage atferden rundt et LLM-aktivert angrep, i stedet for å vente på en fast skadevaresignatur.

Konklusjonen

KI blir stadig tettere integrert i cyberangrep fordi teknologien gjør eksisterende operasjoner enklere å produsere, personliggjøre og endre. FunkSec og RevengeHotels viser KI-assistert utvikling av skadevare. LameHug viser en språkmodell som blir spurt under en pågående inntrengning. Kasperskys tall for små og mellomstore bedrifter viser samtidig at selve populariteten til KI brukes som lokkemiddel. 283151

Den mest presise beskrivelsen er derfor ikke at KI har erstattet tradisjonell hacking. KI er i ferd med å bli et effektivitets- og tilpasningslag i phishing, skadevareutvikling, rekognosering og datatyveri.

Forsvarere bør forberede seg på større variasjon, raskere iterasjon og kortere responstid – samtidig som de skiller mellom verifisert KI-bruk og vanlig cyberkriminalitet som bare er pakket inn i KI-profilering.

Kunstig intelligens er i ferd med å bli et operativt lag i cyberangrep. Kriminelle og statsstøttede aktører kan bruke store språkmodeller til å skrive deler av skadevare, lage phishingmeldinger, feilsøke skript og produsere nye varianter langt raskere enn med tradisjonelle arbeidsmetoder.

Men den mest presise konklusjonen er foreløpig denne: KI akselererer og tilpasser kjente angrepsmetoder. Den har ikke gjort alle angrep autonome.

Den viktigste endringen: Angrepssyklusen går raskere

De fleste inntrengninger bygger fortsatt på velkjente teknikker som phishing, ondsinnede skript, fjernstyringstrojanere og datatyveri. Det KI endrer, er hvor mye tid og kompetanse som kreves for å utvikle og justere disse metodene.

En angriper kan bruke en språkmodell til å lage et første skript, oversette og personliggjøre en lokkemelding, endre koden etter testing og produsere flere varianter for ulike mål. Det gjør eksperimentering billigere og kan korte ned tiden fra idé til kampanje.

For forsvarerne betyr det potensielt flere troverdige angrep – og mindre tid til å oppdage dem.

Samtidig er det viktig å skille mellom ulike former for KI-bruk. Et angrep er ikke nødvendigvis et «KI-angrep» bare fordi e-posten nevner en chatbot eller et annet KI-produkt. Eksemplene som er best dokumentert, viser alt fra kodehjelp til språkmodeller som genererer kommandoer mens angrepet pågår.

FunkSec viser KI-assistert utvikling av skadevare

Kasperskys analyse av FunkSec er ett eksempel på hvordan generativ KI kan bidra til utvikling av skadevare. Den Rust-baserte løsepengevaren kombinerer kryptering, lokal uthenting av data og opprydding etter seg selv i én kjørbar fil. Kaspersky rapporterte også tegn til at en passordgenerator og et enkelt DDoS-verktøy i det tilhørende verktøysettet var utviklet med hjelp fra store språkmodeller. 2839

Det betyr ikke at en språkmodell på egen hånd designet, distribuerte og styrte hele kampanjen. Funnene viser snarere at generativ KI kan bidra med funksjonelle skadevarekomponenter og gjøre det enklere for angripere å sette sammen et mer samlet verktøysett med mindre manuelt utviklingsarbeid.

RevengeHotels: KI styrker en klassisk phishingkjede

Kampanjen RevengeHotels fra 2025 illustrerer hvordan KI kan forbedre en kjent angrepsmetode uten å erstatte den. Kaspersky observerte angrep mot hoteller i Brasil og spanskspråklige markeder. E-postene var utformet som forespørsler om reservasjoner, fakturaer eller jobbsøknader.

Mottakerne ble sendt videre til nettsteder som etterlignet tjenester for dokumentlagring. Derfra kunne skript til slutt installere fjernstyringstrojanere som VenomRAT. 303136

Kaspersky opplyste at en betydelig del av koden i den første infeksjonsfasen og nedlastingskomponenten så ut til å være generert av agenter basert på store språkmodeller. 28

Selve kampanjen var likevel avhengig av tradisjonell sosial manipulering, skriptkjøring og RAT-levering. KI bidro først og fremst til å utvikle og variere deler av infeksjonskjeden, slik at operatørene potensielt kunne tilpasse den mer effektivt til ulike regioner og mål.

Derfor kan merkelappen «KI-drevet» bli misvisende uten en forklaring. I dette tilfellet var KI-assistert kodegenerering bygget inn i en konvensjonell phishingoperasjon.

LameHug bruker språkmodell under selve angrepet

Det mest teknisk betydningsfulle eksempelet i materialet er LameHug, som i enkelte omtaler også kalles PROMPTSTEAL. Her handler det ikke bare om skadevare som kan ha blitt skrevet med KI-hjelp. LameHug brukte en språkmodell mens den kjørte på det kompromitterte systemet.

Ifølge analyser basert på rapportering fra CERT-UA kontaktet skadevaren Hugging Face-API-et og brukte Alibaba Clouds modell Qwen2.5-Coder-32B-Instruct til å generere Windows-kommandoer dynamisk. Kommandoene kunne hente inn systeminformasjon og lete etter Office-dokumenter som skulle stjeles. 237

Dette endrer skadevarens virkemåte på tre sentrale områder:

1. Kommandosekvensen trenger ikke være fastlagt på forhånd. Skadevaren kan be om kommandoer basert på instruksjonene sine og miljøet den møter.
2. Angrepet kan bruke vanlige systemverktøy. Det kan derfor bli viktigere å oppdage kombinasjonen og rekkefølgen av handlinger enn å lete etter én særpreget skadevarefil. 4
3. Skadevaren får en ekstern avhengighet. Et kompromittert system som uventet kommuniserer med et API for språkmodeller, kan gi et nytt og nyttig signal for sikkerhetsovervåking.

LameHug er ikke et bevis på at skadevare har blitt selvstyrende. Det viser at en angriper kan plassere en språkmodell inne i den operative angrepssløyfen, slik at modellen bidrar til rekognosering og innsamling av data i sanntid.

KI-produkter brukes også som lokkemiddel

KI brukes ikke bare til å utvikle angrep – selve populariteten til KI-tjenester blir også utnyttet som agn.

Fra januar til april 2026 registrerte Kasperskys løsninger over 33 300 angrep mot små og mellomstore bedrifter der ondsinnet eller uønsket PC-programvare utga seg for å være populære KI-tjenester. Tallet var nesten fem ganger høyere enn i samme periode i 2025. 5051

Dette er registreringer av programvare som etterligner KI-tjenester. Tallene viser ikke at alle skadevarefilene var KI-generert, eller at et KI-system styrte hvert enkelt angrep. Den sikreste konklusjonen er at angripere utnytter tilliten til kjente KI-merkevarer og den raske utbredelsen av KI-verktøy i arbeidslivet.

For ansatte er risikoen konkret: En falsk bildegenerator, chatbot eller produktivitetsassistent kan bli inngangen til skadevare. Regler for programvareinstallasjon, verifiserte nedlastingskilder og gode endepunktsløsninger er derfor fortsatt viktige – også når lokkemiddelet ser ut som et moderne KI-produkt.

Hva regionale tall faktisk forteller

Kasperskys regionale målinger viser at nettbaserte trusler fortsatt er omfattende, men tallene må ikke presenteres som en opptelling av KI-drevne angrep.

I første halvår av 2026 opplyste Kaspersky at systemene deres stanset 5,7 millioner angrep fra nettressurser i Sør-Afrika, 4,5 millioner i Kenya og 1,6 millioner i Nigeria. Tyrkia hadde den høyeste andelen brukere som ble rammet av nettbaserte trusler i det rapporterte datasettet for META-regionen, med 22,8 prosent. 14

Målingene omfatter trusler som leveres via nettsteder, e-post og nettjenester. De viser bred eksponering for nettangrep, ikke at KI var årsaken. Det skillet er avgjørende dersom generelle cybertruslertall ikke skal bli brukt som bevis på autonome eller KI-genererte kampanjer.

Tilpasning er viktigere enn autonomi

Den umiddelbare sikkerhetsrisikoen er ikke nødvendigvis en brå overgang til selvstyrte «cyberhærer». Faren ligger i summen av små effektivitetsgevinster gjennom hele angrepskjeden:

• kode kan skrives og revideres raskere;
• phishingmeldinger kan tilpasses språk, bransje og påskudd;
• skript kan feilsøkes og pakkes om raskere;
• skadevarens virkemåte kan varieres fra miljø til miljø;
• rekognosering og datainnsamling kan justeres mens angrepet pågår.

Til sammen kan dette senke kostnadene ved en inntrengning og gjøre det enklere å gjennomføre flere forsøk. Det kan også hjelpe mindre erfarne aktører med å etterligne teknikker som tidligere krevde spesialkompetanse.

Risikoen er særlig alvorlig for virksomheter med få sikkerhetsansatte, store mengder sensitive data eller kompliserte leverandørmiljøer. Påstander om angrep mot kritisk infrastruktur krever likevel konkret dokumentasjon av kompromittering, konsekvenser og KI-bruk. En påstand fra en angriper er ikke i seg selv en bekreftelse på noen av delene.

Dette bør virksomheter prioritere

Eksemplene peker mot et lagdelt og atferdsbasert forsvar. Signaturer og blokkering av kjente indikatorer er fortsatt nyttig, men virksomheter bør også overvåke aktivitet som kan avsløre KI-assisterte eller dynamisk tilpassende angrep.

Nyttige signaler kan være:

• Python- eller PyInstaller-prosesser som uventet oppretter utgående forbindelser til tjenester for språkmodeller;
• base64-kodede instruksjoner eller uvanlige API-kall fra enheter som normalt ikke bruker utvikler- eller KI-tjenester;
• mistenkelige kommandokjeder som kombinerer verktøy som systeminfo, tasklist, dsquery eller rekursive filsøk;
• mistenkelig skriptkjøring gjennom JavaScript, PowerShell eller andre tolker;
• uvanlig tilgang til påloggingsopplysninger, klargjøring av dokumenter for uthenting eller utgående dataoverføringer;
• ansatte som installerer uautoriserte KI-applikasjoner eller nettleserverktøy.

Splunks veiledning for å oppdage LameHug fremhever spesielt Python- eller PyInstaller-aktivitet som kobler seg til Hugging Face-API-et og bruker Qwen-modellen til å generere kommandoer. 4 Det er et konkret eksempel på hvordan forsvarere kan oppdage atferden rundt et LLM-aktivert angrep, i stedet for å vente på en fast skadevaresignatur.

Konklusjonen

KI blir stadig tettere integrert i cyberangrep fordi teknologien gjør eksisterende operasjoner enklere å produsere, personliggjøre og endre. FunkSec og RevengeHotels viser KI-assistert utvikling av skadevare. LameHug viser en språkmodell som blir spurt under en pågående inntrengning. Kasperskys tall for små og mellomstore bedrifter viser samtidig at selve populariteten til KI brukes som lokkemiddel. 283151

Den mest presise beskrivelsen er derfor ikke at KI har erstattet tradisjonell hacking. KI er i ferd med å bli et effektivitets- og tilpasningslag i phishing, skadevareutvikling, rekognosering og datatyveri.

Forsvarere bør forberede seg på større variasjon, raskere iterasjon og kortere responstid – samtidig som de skiller mellom verifisert KI-bruk og vanlig cyberkriminalitet som bare er pakket inn i KI-profilering.