Como a IA está mudando os ciberataques: de malwares gerados por IA a invasões conduzidas por LLMs

A inteligência artificial está se tornando uma camada operacional dos ciberataques. Grupos criminosos e operadores ligados a governos podem usar grandes modelos de linguagem — os LLMs — para escrever componentes de malware, criar mensagens de phishing, corrigir scripts e produzir novas variações em uma velocidade difícil de alcançar com processos tradicionais.

Mas a conclusão mais precisa, com base nas evidências disponíveis, é outra: a IA está acelerando e adaptando métodos conhecidos, não tornando todos os ataques autônomos.

A principal mudança: a IA encurta o ciclo do ataque

A maioria das invasões ainda depende de técnicas reconhecíveis, como phishing, scripts maliciosos, trojans de acesso remoto e roubo de dados. O que a IA muda é a economia dessas operações: ela reduz o tempo e o conhecimento especializado necessários para produzir e ajustar ferramentas.

Um invasor pode pedir a um LLM que crie um script inicial, traduza ou personalize uma isca, altere o código depois de testá-lo e gere várias versões para diferentes alvos. Isso barateia a experimentação e pode encurtar o intervalo entre a ideia de uma campanha e sua execução.

Na prática, cresce o potencial de ataques convincentes em grande volume — enquanto diminui a janela de reação dos defensores.

A distinção é importante. Chamar de “ataque de IA” qualquer campanha que use uma isca com temática de inteligência artificial exagera o que as evidências demonstram. Os casos mais sólidos mostram diferentes níveis de envolvimento da tecnologia: desde assistência na criação de código até a geração de comandos durante uma invasão em andamento.

FunkSec mostra o desenvolvimento de malware com auxílio de IA

Uma pesquisa da Kaspersky sobre o grupo FunkSec oferece um exemplo de construção de malware com assistência de IA. O ransomware, baseado em Rust, reúne criptografia, exfiltração local de dados e limpeza automática em um único executável. A Kaspersky também identificou sinais de síntese de código por modelos de linguagem em recursos relacionados, incluindo um gerador de senhas e uma ferramenta básica de DDoS. 2839

Isso não significa que um LLM tenha criado, implantado e operado sozinho toda a campanha. O caso mostra que a IA generativa pode contribuir para componentes funcionais de malware, ajudando invasores a montar um conjunto de ferramentas mais consolidado com menos desenvolvimento manual.

RevengeHotels: a IA aperfeiçoa uma cadeia de phishing convencional

A campanha RevengeHotels, observada em 2025, ilustra como a IA pode fortalecer um método de invasão já conhecido, em vez de substituí-lo. A Kaspersky identificou ataques contra hotéis no Brasil e em mercados de língua espanhola que usavam e-mails de phishing disfarçados de pedidos de reserva, faturas ou candidaturas a vagas de emprego.

As vítimas eram direcionadas a sites que imitavam serviços de armazenamento de documentos. A partir deles, scripts acabavam instalando trojans de acesso remoto, como o VenomRAT. 303136

Segundo a Kaspersky, uma parcela significativa do código do infector inicial e do downloader parecia ter sido gerada por agentes baseados em grandes modelos de linguagem. 28

A campanha, no entanto, continuava dependendo de engenharia social, execução de scripts e entrega de RATs — sigla em inglês para trojans de acesso remoto. A contribuição da IA foi ajudar a produzir e variar partes da cadeia de infecção, potencialmente permitindo que os operadores testassem versões diferentes em regiões e alvos distintos com mais eficiência.

Por isso, o rótulo “alimentado por IA” pode ser enganoso quando usado sem explicação. Nesse caso, a geração de código com auxílio de IA estava inserida em uma operação convencional de phishing.

LameHug coloca um LLM dentro do próprio ataque

O avanço técnico mais relevante entre as evidências disponíveis é o LameHug, também chamado de PROMPTSTEAL em parte dos relatos. Diferentemente de um malware que apenas parece ter sido escrito com ajuda de IA, o LameHug consultava um LLM durante sua execução.

De acordo com análises baseadas em informações da CERT-UA, a equipe de resposta a emergências cibernéticas da Ucrânia, o malware se comunicava com a API da Hugging Face e usava o modelo Qwen2.5-Coder-32B-Instruct, da Alibaba Cloud, para gerar dinamicamente comandos do Windows. Esses comandos podiam coletar informações do sistema e procurar documentos do Office para exfiltração. 237

Esse uso de um modelo em tempo de execução muda o comportamento do malware em três aspectos importantes:

1. A sequência de comandos não precisa estar totalmente definida de antemão. O malware pode solicitar comandos com base nas instruções recebidas e no ambiente encontrado.
2. O ataque pode recorrer a utilitários comuns do sistema. A detecção talvez precise se concentrar no comportamento e na sequência de comandos, e não apenas em um payload autônomo e facilmente identificável. 4
3. O malware cria uma dependência externa. Um computador comprometido que faça solicitações incomuns a uma API de modelo de linguagem pode oferecer um sinal importante para os defensores.

O LameHug não prova que o malware se tornou autônomo. Ele demonstra que um invasor pode colocar um LLM dentro do fluxo operacional, permitindo que o modelo ajude a gerar ações de reconhecimento e coleta de dados em tempo real.

Iscas com tema de IA ampliam a superfície de ataque

A inteligência artificial também está sendo usada como isca. Entre janeiro e abril de 2026, as soluções da Kaspersky detectaram mais de 33.300 ataques contra pequenas e médias empresas nos quais softwares maliciosos ou indesejados para PC se disfarçavam de serviços populares de IA. Segundo a empresa, o número foi quase cinco vezes maior que o total comparável de 2025. 5051

Essas detecções medem softwares que se passam por serviços de IA. Elas não comprovam que todos os payloads foram gerados por inteligência artificial nem que um sistema de IA operou cada ataque.

A conclusão mais segura é que os criminosos estão explorando a confiança em marcas conhecidas de IA e a rápida adoção dessas ferramentas pelas empresas.

Para os funcionários, o risco é bastante concreto: um falso gerador de imagens, chatbot ou assistente de produtividade pode se transformar no mecanismo de entrega de um malware. Políticas de instalação, fontes oficiais de download e controles robustos nos dispositivos continuam sendo essenciais — mesmo quando a isca parece ser um produto de IA.

O que os números mostram sobre escala e exposição regional

A telemetria regional da Kaspersky mostra que as ameaças baseadas na web continuam disseminadas, mas esses números não devem ser tratados como contagens de ataques conduzidos por IA.

No primeiro semestre de 2026, a empresa afirmou que seus sistemas bloquearam 5,7 milhões de ataques provenientes de recursos on-line na África do Sul, 4,5 milhões no Quênia e 1,6 milhão na Nigéria. A Turquia registrou a maior proporção de usuários afetados por ameaças da web no conjunto de dados divulgado para a região META, com 22,8%. 14

Essas métricas abrangem ameaças distribuídas por sites, e-mails e serviços on-line. Elas demonstram uma ampla exposição a ataques digitais, mas não estabelecem causalidade da IA. Manter essa diferença clara evita que estatísticas gerais sobre ameaças cibernéticas sejam apresentadas como evidência de campanhas autônomas ou geradas por inteligência artificial.

Por que a adaptação importa mais do que a autonomia

O risco imediato não é necessariamente uma transição repentina para exércitos cibernéticos capazes de se autodirigir. O problema está no acúmulo de pequenas eficiências ao longo de toda a cadeia de ataque:

• o código pode ser criado e revisado mais rapidamente;
• mensagens de phishing podem ser adaptadas a diferentes idiomas, setores e pretextos;
• scripts podem ser depurados e reempacotados com mais velocidade;
• o comportamento do malware pode variar conforme o ambiente;
• o reconhecimento e a coleta de dados podem ser ajustados durante a execução.

Somadas, essas vantagens reduzem o custo de lançar uma invasão e facilitam a realização de mais experimentos. Elas também podem permitir que operadores menos experientes imitem técnicas que antes exigiam conhecimento especializado.

O risco é especialmente sério para organizações com equipes reduzidas de segurança, grandes volumes de dados sensíveis ou ambientes complexos formados por vários fornecedores. Ainda assim, alegações sobre ataques contra infraestrutura crítica exigem evidências específicas de comprometimento, impacto e participação de IA. A declaração de um grupo criminoso, por si só, não confirma nenhum desses fatos.

Prioridades de defesa para as organizações

Os casos analisados apontam para uma resposta em camadas, orientada por comportamento. Empresas devem continuar usando assinaturas e bloqueios baseados em indicadores conhecidos, mas também precisam monitorar atividades que revelem ataques com auxílio de IA ou capazes de se adaptar dinamicamente.

Alguns sinais úteis incluem:

• processos Python ou PyInstaller fazendo solicitações externas inesperadas a serviços de modelos de linguagem;
• prompts codificados em Base64 ou chamadas incomuns de API originadas de dispositivos que normalmente não utilizam serviços de desenvolvimento ou IA;
• cadeias de comandos que combinem utilitários como systeminfo, tasklist, dsquery ou buscas recursivas de arquivos;
• uso suspeito de JavaScript, PowerShell ou outros interpretadores de scripts;
• acesso incomum a credenciais, preparação de documentos ou transferências para fora da rede;
• instalação de aplicativos de IA ou extensões de navegador não aprovados pela empresa.

As orientações de detecção da Splunk para o LameHug destacam especificamente atividades de Python ou PyInstaller que se conectam à API da Hugging Face e usam o modelo Qwen. 4 É um exemplo concreto de como identificar o comportamento associado a um ataque habilitado por LLM, em vez de esperar por uma assinatura fixa do malware.

O ponto central

A IA está se incorporando profundamente aos ciberataques porque torna operações existentes mais fáceis de produzir, personalizar e modificar. FunkSec e RevengeHotels mostram o desenvolvimento de malware com assistência de IA; o LameHug demonstra um LLM sendo consultado durante uma invasão real; e as detecções da Kaspersky contra pequenas e médias empresas mostram que a própria popularidade da IA já é usada como isca. 283151

A descrição mais precisa, portanto, não é “a IA substituiu o hacking convencional”. O que está acontecendo é que a IA se tornou uma camada de eficiência e adaptação em phishing, desenvolvimento de malware, reconhecimento e roubo de dados.

Para os defensores, isso significa se preparar para mais variações e ciclos de ataque mais rápidos — sem deixar de separar o envolvimento comprovado de uma IA de crimes digitais comuns apenas embrulhados em uma marca ou narrativa de inteligência artificial.