AnswersPublished22 sources
Så förändrar AI cyberattacker – från AI-skriven skadlig kod till intrång styrda av språkmodeller
AI gör befintliga cyberattacker snabbare, billigare och mer anpassningsbara – men ersätter inte de traditionella metoderna. FunkSec och RevengeHotels visar AI assisterad utveckling av skadeprogram, medan LameHug demonstrerar ett viktigare steg: ett skadeprogram som frågar en språkmodell i realtid för att skapa spani...
Publicerad avRedigerad med GPT-5.6 LunaBilder genererade med GPT Image 1.5
Research answer
Key takeaways
- AI gör befintliga cyberattacker snabbare, billigare och mer anpassningsbara – men ersätter inte de traditionella metoderna.
- FunkSec och RevengeHotels visar AI assisterad utveckling av skadeprogram, medan LameHug demonstrerar ett viktigare steg: ett skadeprogram som frågar en språkmodell i realtid för att skapa spanings och datainsamlingsko...
- Försvaret behöver komplettera statiska signaturer med beteendebaserad övervakning av ovanliga skript, utgående LLM och API trafik, stöld av inloggningsuppgifter och datainsamling.
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
Artificiell intelligens håller på att bli ett operativt lager i cyberattacker. Kriminella och statsanknutna aktörer kan använda stora språkmodeller för att skriva delar av skadeprogram, formulera nätfiskemeddelanden, felsöka skript och snabbt ta fram nya varianter. Men den mest välgrundade slutsatsen hittills är mer nyanserad: AI skyndar på och anpassar välkända angreppsmetoder – den gör inte alla attacker autonoma.
Den stora förändringen: AI komprimerar attackcykeln
De flesta intrång bygger fortfarande på välkända tekniker som nätfiske, skadliga skript, fjärrstyrningstrojaner och datastöld. AI förändrar ekonomin bakom dessa metoder genom att minska den tid och expertis som krävs för att producera dem.
En angripare kan be en språkmodell skapa ett första skript, översätta eller skräddarsy ett lockbete, justera koden efter tester och ta fram flera varianter för olika mål. Experiment blir därmed billigare, och tiden från idé till kampanj kan kortas. För försvarare innebär det potentiellt fler trovärdiga angrepp och ett mindre tidsfönster för att upptäcka och stoppa dem.
Skillnaden är viktig. Att kalla varje attack med ett AI-relaterat lockbete för en ”AI-attack” överdriver vad bevisen faktiskt visar. De tydligaste exemplen spänner över flera nivåer – från kodassistans till kommandon som genereras medan angreppet pågår.
FunkSec visar hur AI kan hjälpa till att bygga skadeprogram
Kasperskys forskning om FunkSec är ett exempel på AI-assisterad utveckling av skadeprogram. Det Rust-baserade utpressningsprogrammet kombinerar kryptering, lokal dataexfiltrering och självsanering i en enda körbar fil. Kaspersky rapporterade också tecken på kodsyntes med hjälp av stora språkmodeller i närliggande funktioner, bland annat en lösenordsgenerator och ett enklare DDoS-verktyg. 28
39
Det betyder inte att en språkmodell självständigt utformade, distribuerade och drev hela kampanjen. Det visar att generativ AI kan bidra till fungerande delar av skadeprogram och hjälpa angripare att bygga ett mer samlat verktygspaket med mindre manuellt utvecklingsarbete.
RevengeHotels: AI förstärker en traditionell nätfiskekedja
Kampanjen RevengeHotels från 2025 visar hur AI kan förbättra en etablerad intrångsmetod i stället för att ersätta den. Kaspersky observerade attacker mot hotell i Brasilien och spanskspråkiga marknader. Nätfiskemeddelandena utgav sig för att vara bokningsförfrågningar, fakturor eller jobbansökningar. Mottagarna skickades vidare till webbplatser som efterliknade dokumentlagringstjänster, där skript till slut levererade fjärrstyrningstrojaner som VenomRAT. 30
31
36
Kaspersky uppgav att en betydande del av koden för den första infektionen och nedladdaren verkade ha genererats av agenter baserade på stora språkmodeller. 28 Kampanjen byggde fortfarande på klassisk social manipulation, skriptexekvering och leverans av en RAT. AI bidrog främst genom att hjälpa angriparna att producera och variera delar av infektionskedjan, vilket kan göra det enklare att snabbt anpassa operationen till nya regioner och mål.
Därför kan etiketten ”AI-driven” bli missvisande om den används utan förklaring. I det här fallet var AI-assisterad kodgenerering inbäddad i en traditionell nätfiskeoperation.
LameHug placerar språkmodellen mitt i angreppet
Det viktigaste tekniska steget i det tillgängliga materialet är LameHug, som i viss rapportering också kallas PROMPTSTEAL. Till skillnad från skadeprogram som bara verkar ha skrivits med hjälp av AI använde LameHug en språkmodell under själva körningen.
Enligt analyser baserade på rapportering från CERT-UA kontaktade skadeprogrammet Hugging Face API och använde Alibaba Clouds modell Qwen2.5-Coder-32B-Instruct för att dynamiskt skapa Windows-kommandon. Kommandona kunde samla in information om systemet och söka efter Office-dokument för exfiltrering. 2
3
7
Det förändrar skadeprogrammets beteende på tre viktiga sätt:
- Kommandokedjan behöver inte vara helt fastställd i förväg. Skadeprogrammet kan begära kommandon utifrån sina instruktioner och den miljö det möter.
- Angreppet kan använda vanliga systemverktyg. Det kan därför bli viktigare att upptäcka beteendet och ordningsföljden mellan kommandon än att leta efter en unik, fristående nyttolast.
4
- Skadeprogrammet skapar ett externt beroende. Ett komprometterat system som gör ovanliga utgående anslutningar till ett API för språkmodeller kan bli en värdefull signal för upptäckt.
LameHug är inte ett bevis på att skadeprogram har blivit autonoma. Det är däremot ett konkret exempel på att en angripare kan placera en språkmodell i den operativa loopen och låta modellen hjälpa till att skapa spanings- och datainsamlingsåtgärder i realtid.
AI-relaterade lockbeten breddar attackytan
AI används också som bete. Mellan januari och april 2026 upptäckte Kasperskys lösningar över 33 300 attacker mot små och medelstora företag där skadlig eller oönskad PC-programvara utgav sig för att vara populära AI-tjänster. Kaspersky beskrev siffran som nästan fem gånger högre än motsvarande total för 2025. 50
51
Upptäckterna mäter programvara som maskerar sig som AI-tjänster. De visar inte att varje nyttolast skapades av AI eller att ett AI-system styrde varje attack. Den mer hållbara slutsatsen är att angripare utnyttjar förtroendet för välkända AI-varumärken och företagens snabba införande av AI-verktyg.
För medarbetare är risken konkret: en falsk bildgenerator, chatbotklient eller produktivitetsassistent kan bli vägen in för skadlig kod. Regler för programinstallation, verifierade nedladdningskällor och starkt skydd på klienterna är därför fortsatt viktiga – även när lockbetet ser ut att vara en AI-produkt.
Vad siffrorna säger – och inte säger
Kasperskys regionala telemetri visar att webbaserade hot är omfattande, men siffrorna ska inte tolkas som antal AI-drivna attacker. Under första halvåret 2026 uppgav Kaspersky att systemen stoppade 5,7 miljoner attacker från online-resurser i Sydafrika, 4,5 miljoner i Kenya och 1,6 miljoner i Nigeria. Turkiet hade den högsta andelen användare som påverkades av webbaserade hot i det rapporterade materialet för META-regionen, 22,8 procent. 14
Mätningarna omfattar hot som levereras via webbplatser, e-post och webbtjänster. De visar en bred exponering för internetbaserade angrepp – inte att AI orsakade dem. Den distinktionen är viktig så att allmän statistik om cyberhot inte felaktigt presenteras som bevis för autonoma eller AI-genererade kampanjer.
Varför anpassning är viktigare än autonomi
Det omedelbara säkerhetshotet är inte nödvändigtvis en plötslig övergång till självstyrande cyberarméer. Den större förändringen ligger i många små effektiviseringar längs hela attackkedjan:
- kod kan skrivas och revideras snabbare;
- nätfiskemeddelanden kan anpassas till olika språk, branscher och förevändningar;
- skript kan felsökas och paketeras om snabbare;
- skadeprogrammens beteende kan varieras mellan olika miljöer;
- spaning och datainsamling kan justeras under körning.
Tillsammans kan dessa effektiviseringar sänka kostnaden för ett intrång och göra det enklare att genomföra fler försök. De kan också hjälpa mindre erfarna aktörer att efterlikna tekniker som tidigare krävde specialistkunskaper.
Risken är särskilt allvarlig för organisationer med begränsad säkerhetspersonal, stora mängder känsliga data eller komplexa beroenden till leverantörer och andra tredje parter. Påståenden om angrepp mot kritisk infrastruktur kräver däremot specifika belägg för intrång, påverkan och AI:s roll. Ett påstående från en angripare är inte i sig en bekräftelse på något av detta.
Så bör organisationer prioritera försvaret
Exemplen pekar mot ett lager på lager-baserat och beteendefokuserat försvar. Organisationer bör fortsätta använda signaturer och blockering av kända indikatorer, men även övervaka aktiviteter som kan avslöja AI-assisterade eller dynamiskt anpassande angrepp.
Relevanta signaler är bland annat:
- Python- eller PyInstaller-processer som oväntat gör utgående anslutningar till tjänster för språkmodeller;
- base64-kodade instruktioner eller ovanliga API-anrop från datorer som normalt inte använder utvecklar- eller AI-tjänster;
- misstänkta kommandokedjor som kombinerar verktyg som
systeminfo,tasklist,dsqueryeller rekursiva filsökningar; - misstänkt skriptkörning via JavaScript, PowerShell eller andra tolkar;
- ovanlig åtkomst till inloggningsuppgifter, förberedelse av dokument eller utgående dataöverföringar;
- att anställda installerar icke godkända AI-appar eller webbläsarverktyg.
Splunks vägledning för att upptäcka LameHug lyfter särskilt fram Python- eller PyInstaller-aktivitet som ansluter till Hugging Face API och använder Qwen-modellen för att skapa kommandon. 4 Det är ett konkret exempel på hur försvarare kan identifiera beteendet runt ett LLM-aktiverat angrepp i stället för att vänta på en fast skadeprogramssignatur.
Slutsatsen
AI vävs allt djupare in i cyberattacker eftersom tekniken gör befintliga operationer enklare att producera, personanpassa och förändra. FunkSec och RevengeHotels visar AI-assisterad utveckling av skadeprogram. LameHug visar hur en språkmodell kan anropas under ett pågående intrång. Kasperskys upptäckter mot små och medelstora företag visar samtidigt att själva populariteten hos AI används som lockbete. 28
31
51
Den mest träffsäkra beskrivningen är därför inte att ”AI har ersatt traditionell hackning”. AI håller i stället på att bli ett effektiviserings- och anpassningslager i nätfiske, utveckling av skadeprogram, spaning och datastöld. Försvarare behöver räkna med större variation och snabbare iteration – samtidigt som de noggrant skiljer verifierad AI-användning från vanlig cyberbrottslighet som bara klätts i AI-retorik.
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 "Så förändrar AI cyberattacker – från AI-skriven skadlig kod till intrång styrda av språkmodeller"?
AI gör befintliga cyberattacker snabbare, billigare och mer anpassningsbara – men ersätter inte de traditionella metoderna.
What are the key points to validate first?
AI gör befintliga cyberattacker snabbare, billigare och mer anpassningsbara – men ersätter inte de traditionella metoderna. FunkSec och RevengeHotels visar AI assisterad utveckling av skadeprogram, medan LameHug demonstrerar ett viktigare steg: ett skadeprogram som frågar en språkmodell i realtid för att skapa spanings och datainsamlingsko...
What should I do next in practice?
Försvaret behöver komplettera statiska signaturer med beteendebaserad övervakning av ovanliga skript, utgående LLM och API trafik, stöld av inloggningsuppgifter och datainsamling.
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 ...