Jak DeepSeek ułatwił chińskim grupom powiązanym z państwem skalowanie cyberataków

Tajwańska firma zajmująca się analizą zagrożeń, TeamT5, twierdzi, że chińskie grupy hakerskie powiązane z państwem zwiększyły ponad dwukrotnie liczbę prowadzonych ataków po włączeniu DeepSeeka i innych modeli sztucznej inteligencji open source do codziennej pracy operacyjnej. Najważniejszy wniosek z raportu nie brzmi jednak: „AI samodzielnie przeprowadza każdą operację”. Chodzi raczej o to, że automatyzacja powtarzalnych czynności pozwala tym samym operatorom atakować więcej celów, taniej i w krótszym czasie. 457

AI jako mnożnik siły, a nie samodzielny haker

TeamT5 prześledziła wykorzystanie AI na kilku etapach włamań: od rozpoznania i skanowania podatności po tworzenie exploitów, pracę nad złośliwym oprogramowaniem oraz działania po przejęciu sieci. Firma oparła ocenę na skryptach i logach pozyskanych z niedawnych kampanii, zastrzegając jednocześnie, że materiały te nie zawsze pozwalają ustalić, którego dokładnie modelu użyto w danym przypadku. 47

To ważne zastrzeżenie. Wzrost „ponad dwukrotny” jest oceną TeamT5 dotyczącą wolumenu ataków grup objętych badaniem, a nie kompletnym bilansem wszystkich cyberataków powiązanych z Chinami. AI wygląda tu przede wszystkim na narzędzie do delegowania żmudnych zadań, skracania części cyklu ataku i zwiększania jego skali — nie na rozwiązanie, które całkowicie wyeliminowało ludzkie kierowanie operacją. 57

Dlaczego DeepSeek miał być preferowany

Według analizy opisywanej przez TeamT5 DeepSeek oferował cyberprzestępcom praktyczne połączenie kilku cech:

• wystarczającą wydajność do pracy badawczej, programowania i zadań operacyjnych;
• niski koszt działania, który ułatwia wielokrotne użycie modelu na dużą skalę;
• możliwość dostosowania, kojarzoną z modelami open source;
• stosunkowo słabe ograniczenia dotyczące zastosowań cybernetycznych, dzięki czemu uzyskanie lub przerobienie szkodliwych instrukcji wymagało mniej wysiłku. 27

To wyjaśnia, dlaczego dla atakującego najbardziej zaawansowany model nie musi być jednocześnie najbardziej użyteczny. TeamT5 miała oceniać, że potężniejsze systemy, takie jak Kimi K3 firmy Moonshot, są mniej atrakcyjne w takich operacjach z powodu wyższych kosztów i silniejszych zabezpieczeń. Dostępne informacje nie potwierdzają jednak, że Kimi K3 wykorzystano w incydentach analizowanych przez TeamT5. 7

Jak poszczególne grupy wykorzystywały AI

TeamT5 wskazała kilka grup, które używały modeli na różnych odcinkach łańcucha ataku.

Grimfengxi: tworzenie kodu wykorzystującego luki

Grupa Grimfengxi miała używać DeepSeeka do generowania kodu służącego do wykorzystania podatności. To zastosowanie wykracza poza zwykłe wyszukiwanie informacji: model pomagał tworzyć kod przeznaczony do wykorzystania słabości w systemie celu. 7

Teleboyi: automatyzacja rozpoznania

Grupa Teleboyi miała wykorzystać DeepSeeka do zebrania z internetu około 1000 adresów IP i zmapowania domen należących do organizacji będącej celem. Tego rodzaju rozpoznanie pozwala zbudować obraz infrastruktury potencjalnej ofiary przed próbą włamania. Samo zmapowanie infrastruktury nie dowodzi jednak, że doszło później do skutecznego przejęcia systemu. 7

Huapi: atak na system pocztowy tajwańskiej firmy

Huapi miała użyć chińskiego modelu AI przeciwko systemowi poczty elektronicznej tajwańskiej firmy. TeamT5 uznała, że najprawdopodobniej był to DeepSeek, ale nie zdołała potwierdzić tego w sposób rozstrzygający. Ta niepewność pokazuje, jak trudne bywa przypisanie konkretnego modelu do danego ataku wyłącznie na podstawie kodu lub zachowania napastników. 7

Slime22: Claude Code po włamaniu

Aktywność nie ograniczała się do chińskich modeli open source. Związane z TeamT5 doniesienia mówiły, że grupa Slime22 po włamaniu do tajwańskiej firmy technologicznej i zainstalowaniu Kali Linux — dystrybucji używanej m.in. do testów penetracyjnych — korzystała z Claude Code, aby ułatwić przemieszczanie się wewnątrz sieci. Operatorzy mieli przedstawiać działania jako autoryzowane testy inżynieryjne, próbując w ten sposób ominąć zabezpieczenia. 7

Ten przypadek pokazuje, dlaczego zespoły odpowiedzialne za obronę nie mogą skupiać się na jednym modelu ani na narzędziach pochodzących z jednego kraju. Atakujący mogą łączyć lokalnie uruchamiane lub otwarte modele z komercyjnymi narzędziami zachodnich firm — zależnie od zadania i napotkanych ograniczeń.

Szerszy ekosystem AI wykorzystywanej do ataków

Raport opisywał również rozwijający się rynek wokół operacji wspieranych przez AI. Chiński startup zatrudniający około 10 osób miał sprzedawać oprogramowanie do włamań za 300–500 tys. juanów, czyli około 44 500–74 000 dolarów, co najmniej czterem grupom hakerskim. W jednym z ataków miał być także używany ChatGPT. 7

Grupa Kimsuky powiązana z Koreą Północną miała z kolei testować modele uruchamiane lokalnie. Takie rozwiązanie może dawać operatorom większą kontrolę nad modelem i danymi, a potencjalnie także ograniczać zależność od zewnętrznych usług i ich systemów wykrywania nadużyć. Dostępne doniesienia potwierdzają fakt testowania, ale nie pokazują, jak skuteczne były te lokalne modele w rzeczywistych operacjach. 7

Anthropic niezależnie informowała, że AI może obniżać próg techniczny wejścia w zaawansowaną cyberprzestępczość. Dzięki temu osoby o ograniczonych umiejętnościach technicznych mogą prowadzić działania, które wcześniej wymagały znacznie większej wiedzy. Wnioski te pasują do szerszego obrazu przedstawionego przez TeamT5: bezpośrednie zagrożenie może wynikać nie tyle z jednego „nadludzkiego” systemu, ile z tego, że zwykli operatorzy szybciej uzyskują pomoc przy programowaniu, rozpoznaniu i automatyzacji pracy.

OpenAI poinformowała, że pracuje nad wykrywaniem, zapobieganiem i zakłócaniem prób niewłaściwego wykorzystania jej modeli. 7

Co raport potwierdza, a czego nie dowodzi

Ustalenia TeamT5 wskazują na konkretny efekt operacyjny: przepływy pracy wspierane przez AI mogą zwiększyć liczbę podejmowanych prób ataku, przejmując powtarzalne czynności. Nie należy jednak interpretować ich jako dowodu, że DeepSeek autonomicznie przeprowadził wszystkie opisane włamania.

Najważniejsze ograniczenia są trzy:

1. Przypisanie modelu jest niepełne. Śledczy nie potrafią wiarygodnie połączyć każdego skryptu, polecenia czy włamania z konkretnym systemem AI. 47
2. Liczba prób ataku nie jest równoznaczna z liczbą skutecznych włamań. Większy wolumen nie dowodzi sam w sobie, że przejęto więcej celów ani że rozmiar szkód wzrósł w takim samym tempie.
3. Dowody dotyczą obserwowanych grup i kampanii. Szacunek mówiący o wzroście ponad dwukrotnym jest ustaleniem przedstawionym przez TeamT5, a nie pełnym pomiarem całej aktywności cybernetycznej chińskich grup powiązanych z państwem. 7

Najtrafniejszy i najbardziej praktyczny wniosek jest więc węższy niż wizja całkowicie autonomicznego hakowania: niedroga, elastyczna AI ułatwia doświadczonym grupom uprzemysłowienie części procesu ataku. Obrońcy sieci powinni zakładać, że rozpoznanie, generowanie kodu i działania po przejęciu systemu mogą być przyspieszane przez wiele rodzajów modeli — nie tylko przez DeepSeeka.