AnswersPublished22 sources
AI przyspiesza cyberataki. Złośliwe oprogramowanie zaczyna korzystać z modeli językowych
AI nie zastępuje tradycyjnych metod hakerskich, lecz przyspiesza ich tworzenie, modyfikowanie i skalowanie. FunkSec i kampania RevengeHotels pokazują wykorzystanie LLM do budowy elementów malware, a LameHug — generowanie poleceń przez model językowy w czasie działania.
Opublikowane przezEdytowane za pomocą GPT-5.6 LunaObrazy wygenerowane za pomocą GPT Image 1.5
Research answer
Key takeaways
- AI nie zastępuje tradycyjnych metod hakerskich, lecz przyspiesza ich tworzenie, modyfikowanie i skalowanie.
- FunkSec i kampania RevengeHotels pokazują wykorzystanie LLM do budowy elementów malware, a LameHug — generowanie poleceń przez model językowy w czasie działania.
- Od stycznia do kwietnia 2026 roku Kaspersky wykrył ponad 33 300 ataków na małe i średnie firmy, w których złośliwe programy udawały popularne usługi AI — niemal pięć razy więcej niż rok wcześniej.
- Dla obrońców kluczowe staje się wykrywanie zachowania: nietypowych skryptów, połączeń z usługami LLM, kradzieży danych uwierzytelniających i przygotowywania plików do wyprowadzenia.
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
Sztuczna inteligencja staje się kolejną warstwą operacyjną cyberataków. Przestępcy i grupy powiązane z państwami mogą wykorzystywać duże modele językowe (LLM) do tworzenia fragmentów malware, pisania wiadomości phishingowych, poprawiania skryptów i szybkiego przygotowywania kolejnych wariantów ataku.
Najtrafniejszy wniosek z dostępnych dowodów jest jednak bardziej precyzyjny: AI przede wszystkim przyspiesza i uelastycznia znane metody ataku. Nie oznacza to jeszcze, że każda kampania jest autonomiczna albo że tradycyjny haker został zastąpiony przez model językowy.
Najważniejsza zmiana: krótszy cykl ataku
Większość włamań nadal opiera się na rozpoznawalnych technikach: phishingu, złośliwych skryptach, trojanach zdalnego dostępu (RAT) i kradzieży danych. AI zmienia jednak ekonomię tych działań, ograniczając czas i poziom wiedzy potrzebny do ich przygotowania.
Atakujący może poprosić LLM o stworzenie pierwszej wersji skryptu, przetłumaczyć i spersonalizować wiadomość, poprawić kod po testach, a następnie wygenerować wiele wariantów dla różnych odbiorców. Eksperymentowanie staje się tańsze, a droga od pomysłu do uruchomienia kampanii — krótsza. W praktyce może to oznaczać większą liczbę wiarygodnych ataków i mniej czasu na reakcję po stronie obrońców.
To rozróżnienie ma znaczenie. Sam fakt, że przestępca wykorzystał motyw AI w wiadomości lub reklamował fałszywe narzędzie oparte na sztucznej inteligencji, nie wystarcza, by mówić o „ataku AI”. Dostępne przykłady pokazują kilka poziomów zaangażowania tej technologii — od pomocy przy pisaniu kodu po generowanie poleceń podczas działania malware.
FunkSec: AI pomaga budować ransomware
Badania Kaspersky’ego nad grupą FunkSec są jednym z przykładów tworzenia malware przy wsparciu AI. Oparte na języku Rust ransomware łączy w jednym pliku szyfrowanie, lokalne wyprowadzanie danych i funkcję samoczyszczenia. Kaspersky poinformował również o oznakach syntezy kodu przez modele językowe w powiązanych narzędziach, w tym generatorze haseł i podstawowym narzędziu DDoS. 28
39
Nie oznacza to, że LLM samodzielnie zaprojektował, wdrożył i przeprowadził całą kampanię. Pokazuje natomiast, że generatywna AI może dostarczać funkcjonalne elementy złośliwego oprogramowania i pomagać w składaniu bardziej zwartego zestawu narzędzi przy mniejszym nakładzie ręcznej pracy.
RevengeHotels: AI wzmacnia klasyczny phishing
Kampania RevengeHotels z 2025 roku pokazuje, jak AI może usprawnić istniejący model włamania, zamiast go zastępować. Kaspersky zaobserwował ataki na hotele w Brazylii i krajach hiszpańskojęzycznych. Wiadomości phishingowe udawały prośby o rezerwację, faktury lub podania o pracę. Ofiary kierowano do stron przypominających serwisy do przechowywania dokumentów, skąd skrypty dostarczały trojany zdalnego dostępu, takie jak VenomRAT. 30
31
36
Według Kaspersky’ego znaczna część kodu początkowego infekcji i downloadera — programu pobierającego kolejne elementy ataku — wyglądała na wygenerowaną przez agentów opartych na dużych modelach językowych. 28 Sama kampania nadal korzystała jednak z dobrze znanych narzędzi: inżynierii społecznej, uruchamiania skryptów i dostarczania RAT-a.
Wkład AI polegał na szybszym tworzeniu i różnicowaniu części łańcucha infekcji. To mogło ułatwić operatorom dostosowywanie kampanii do kolejnych regionów i grup celów. Dlatego określenie „atak napędzany przez AI” bez dodatkowego wyjaśnienia bywa mylące: w tym przypadku generowanie kodu przez AI było elementem konwencjonalnej operacji phishingowej.
LameHug: model językowy działa w trakcie włamania
Najistotniejszy technicznie krok widoczny w dostępnych analizach stanowi LameHug, w części publikacji określany również jako PROMPTSTEAL. W odróżnieniu od malware, które tylko mogło zostać napisane z pomocą AI, LameHug korzystał z LLM podczas działania.
Według analiz opartych na informacjach ukraińskiego CERT-UA złośliwe oprogramowanie łączyło się z API Hugging Face i wykorzystywało model Qwen2.5-Coder-32B-Instruct firmy Alibaba Cloud do dynamicznego generowania poleceń dla systemu Windows. Polecenia te mogły zbierać informacje o komputerze i wyszukiwać dokumenty pakietu Office przeznaczone do wyprowadzenia. 2
3
7
Takie rozwiązanie zmienia zachowanie malware na trzy sposoby:
- Sekwencja poleceń nie musi być w całości ustalona wcześniej. Program może pobierać polecenia zależnie od instrukcji i środowiska, które napotka.
- Atak może wykorzystywać zwykłe narzędzia systemowe. Wykrywanie powinno więc uwzględniać nie tylko charakterystyczny plik, lecz także zachowanie i kolejność wykonywanych poleceń.
4
- Malware zyskuje zewnętrzną zależność. Nietypowe połączenia z zaatakowanego komputera do API modelu językowego mogą stać się cennym sygnałem ostrzegawczym.
LameHug nie jest dowodem na pełną autonomię malware. Pokazuje jednak, że LLM może zostać włączony bezpośrednio do pętli operacyjnej ataku i pomagać w czasie rzeczywistym w rozpoznaniu systemu oraz zbieraniu danych.
Fałszywe narzędzia AI stają się przynętą
Sztuczna inteligencja jest wykorzystywana również jako wabik. Od stycznia do kwietnia 2026 roku rozwiązania Kaspersky’ego wykryły ponad 33 300 ataków na małe i średnie przedsiębiorstwa, w których złośliwe lub niepożądane oprogramowanie komputerowe udawało popularne usługi AI. To niemal pięć razy więcej niż w analogicznym okresie 2025 roku. 50
51
Dane te dotyczą programów podszywających się pod usługi AI. Nie dowodzą, że każdy z tych ładunków został wygenerowany przez sztuczną inteligencję ani że AI sterowała każdą kampanią. Ostrożniejszy i lepiej uzasadniony wniosek jest taki, że atakujący wykorzystują zaufanie do znanych marek AI oraz szybkie tempo wdrażania takich narzędzi w firmach.
Dla pracowników zagrożenie jest bardzo praktyczne: fałszywy generator obrazów, klient chatbota czy asystent produktywności może stać się kanałem dostarczenia malware. Nadal kluczowe pozostają więc zasady instalowania oprogramowania, pobieranie aplikacji wyłącznie z weryfikowanych źródeł i skuteczna ochrona punktów końcowych.
Skala zagrożenia i regionalne dane Kaspersky’ego
Dane telemetryczne Kaspersky’ego pokazują, że zagrożenia internetowe są powszechne, ale nie należy traktować ich jako statystyk dotyczących ataków napędzanych przez AI. W pierwszej połowie 2026 roku systemy firmy zablokowały 5,7 mln ataków pochodzących z zasobów internetowych w Republice Południowej Afryki, 4,5 mln w Kenii i 1,6 mln w Nigerii. Wśród państw uwzględnionych w zestawieniu dla regionu META — Bliskiego Wschodu, Turcji i Afryki — najwyższy odsetek użytkowników dotkniętych zagrożeniami internetowymi odnotowano w Turcji: 22,8 proc. 14
Wskaźniki obejmują zagrożenia dostarczane przez strony internetowe, pocztę elektroniczną i usługi sieciowe. Pokazują zatem szeroką ekspozycję na cyberataki, a nie ich związek przyczynowy ze sztuczną inteligencją. Zachowanie tego rozróżnienia jest ważne, by ogólnych statystyk cyberzagrożeń nie przedstawiać jako dowodu na autonomiczne lub wygenerowane przez AI kampanie.
Dlaczego adaptacja jest ważniejsza niż autonomia
Najbliższe ryzyko nie musi polegać na nagłym pojawieniu się całkowicie samodzielnych „cyberarmii”. Bardziej prawdopodobne jest narastanie wielu drobnych usprawnień w całym łańcuchu ataku:
- kod można szybciej tworzyć i poprawiać;
- wiadomości phishingowe można dostosowywać do języka, branży i konkretnego pretekstu;
- skrypty można szybciej debugować i przepakowywać;
- zachowanie malware można różnicować zależnie od środowiska;
- rozpoznanie i zbieranie danych można modyfikować już w czasie działania.
Łącznie te usprawnienia obniżają koszt rozpoczęcia włamania i pozwalają prowadzić więcej eksperymentów. Mogą też ułatwić mniej doświadczonym operatorom naśladowanie technik, które wcześniej wymagały specjalistycznej wiedzy.
Ryzyko jest szczególnie poważne dla organizacji z niewielkimi zespołami bezpieczeństwa, dużą ilością wrażliwych danych lub złożonym środowiskiem dostawców zewnętrznych. Twierdzenia o atakach na infrastrukturę krytyczną wymagają jednak konkretnych dowodów na kompromitację, jej skutki oraz udział AI. Sama deklaracja grupy przestępczej nie potwierdza żadnego z tych elementów.
Na czym powinna skupić się obrona
Opisane przypadki wskazują na potrzebę wielowarstwowej ochrony skoncentrowanej na zachowaniu. Organizacje powinny nadal korzystać z sygnatur i blokowania znanych wskaźników, ale równocześnie monitorować aktywność mogącą ujawnić ataki wspomagane przez AI lub dynamicznie dostosowujące swoje działanie.
Warto zwracać uwagę między innymi na:
- procesy Pythona lub PyInstallera, które niespodziewanie łączą się z usługami modeli językowych;
- zakodowane w base64 prompty i nietypowe wywołania API z urządzeń, które zwykle nie korzystają z narzędzi deweloperskich ani usług AI;
- łańcuchy poleceń łączące narzędzia takie jak
systeminfo,tasklist,dsquerylub rekurencyjne wyszukiwanie plików; - podejrzane użycie JavaScriptu, PowerShella i innych interpreterów;
- nietypowy dostęp do danych uwierzytelniających, przygotowywanie dokumentów do kradzieży lub transfery wychodzące;
- instalowanie przez pracowników niezatwierdzonych aplikacji AI i dodatków do przeglądarek.
Wskazówki detekcyjne Splunka dotyczące LameHug koncentrują się konkretnie na aktywności Pythona lub pakietu PyInstaller, który nawiązuje połączenie z API Hugging Face i modelem Qwen do generowania poleceń. 4 To przykład obrony opartej na obserwacji zachowania wokół ataku wykorzystującego LLM, a nie wyłącznie na oczekiwaniu na stałą sygnaturę konkretnego pliku.
Wniosek
AI coraz mocniej przenika do cyberataków, ponieważ ułatwia tworzenie, personalizację i modyfikowanie istniejących operacji. FunkSec i RevengeHotels pokazują rozwój malware przy wsparciu modeli językowych, LameHug — odpytywanie LLM podczas trwającego włamania, a dane Kaspersky’ego dotyczące małych i średnich firm wskazują, że sama popularność AI jest wykorzystywana jako przynęta. 28
31
51
Najdokładniejszy opis nie brzmi więc: „AI zastąpiła tradycyjne hakowanie”. Trafniej powiedzieć, że sztuczna inteligencja staje się warstwą zwiększającą wydajność i zdolność adaptacji w phishingu, tworzeniu malware, rozpoznaniu oraz kradzieży danych. Organizacje powinny przygotować się na większą różnorodność i szybsze tempo kolejnych prób, jednocześnie odróżniając potwierdzone użycie AI od zwykłej cyberprzestępczości opakowanej w marketingowe hasła o sztucznej inteligencji.
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 przyspiesza cyberataki. Złośliwe oprogramowanie zaczyna korzystać z modeli językowych"?
AI nie zastępuje tradycyjnych metod hakerskich, lecz przyspiesza ich tworzenie, modyfikowanie i skalowanie.
What are the key points to validate first?
AI nie zastępuje tradycyjnych metod hakerskich, lecz przyspiesza ich tworzenie, modyfikowanie i skalowanie. FunkSec i kampania RevengeHotels pokazują wykorzystanie LLM do budowy elementów malware, a LameHug — generowanie poleceń przez model językowy w czasie działania.
What should I do next in practice?
Od stycznia do kwietnia 2026 roku Kaspersky wykrył ponad 33 300 ataków na małe i średnie firmy, w których złośliwe programy udawały popularne usługi AI — niemal pięć razy więcej niż rok wcześniej.
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 ...