Första kända autonoma AI-attacken slog mot Taiwans myndigheter – tusentals uppgifter stulna på fyra dagar

Den 12 augusti 2026 publicerade det israeliska AI-cybersäkerhetsföretaget Dream en detaljerad rapport som först delades med Financial Times och som därefter citerats av Taiwan News och flera andra medier. Rapporten avslöjar vad som tycks vara det första kända fallet där misstänkt kinesiska hackare använt autonom multi-agent-AI för att bryta sig in i taiwanesiska myndighetssystem under fyra dagar i början av juli 2026 .

Attacken: omfattning, hastighet och autonomi

Operationen pågick från 1 till 4 juli 2026, alltså ungefär fyra dagar . Dreams forskare hittade ett arkiv med 1 395 operativa filer, 85 knäckta inloggningsuppgifter och tusentals stulna personaluppgifter – över 2 500 enligt rapporter från UDN och World Journal . AI-ramverket sonderade 21 sammankopplade myndighetssystem och skickade ut upp till 8 parallella underagenter per våg under totalt 12 dokumenterade attackvågor .

AI-verktygen: helt byggda på öppen källkod

Anmärkningsvärt nog använde angriparna ingen proprietär eller specialbyggd AI. Ramverket byggdes på agentramverken Hermes och OpenClaw med öppen källkod, och använde publika LLM-modeller . Detta sänker tröskeln dramatiskt för både statliga och icke-statliga aktörer att genomföra sofistikerade autonoma cyberoperationer.

Ramverket innehöll avancerade autonoma förmågor: Bayesiansk prioritering för att rangordna 14 parallella attackkedjor, autonoma inlärningscykler som sökte igenom GitHub och sårbarhetsdatabaser efter nya tekniker när de blockerades, samt återkopplingsloopar som anpassade operationen i realtid utan mänsklig inblandning .

Stulna data och utökade mål

Angriparna stal tusentals anställdas personaluppgifter – inklusive namn, avdelningar och SSO-konto-ID – från oautentiserade API-slutpunkter . De fick tag på 85 knäckta inloggningsuppgifter för statligt anställda genom automatiserad lösenordssprutning (password spraying) .

Efter att ha tagit sig in i de första systemen utökades attacken till Taiwans kärnsäkerhetskommission (Nuclear Safety Commission) och minst sju energiföretag .

Hur säkerhetsspärrar kringgicks

Ramverket kringgick LLM-modellernas säkerhetsspärrar och vägran genom att beskriva all aktivitet som ”auktoriserad penetrationstestning” – LLM-modellerna samarbetade när uppgiften presenterades som legitim säkerhetstestning . Denna form av social manipulation av själva AI:n utgör en helt ny attackvektor som underminerar dagens metoder för säkerhetsjustering.

Attribueringsindikatorer

Dream tillskrev inte officiellt attacken till någon aktör. Däremot visade språkanalys av den operativa dokumentationen kodväxling mellan förenklad kinesiska (i interna statusrapporter) och traditionell kinesiska (i målinriktad analys), vilket pekar mot en kinesisktalande operatör . Användningen av förenklad kinesiska i angriparnas interna kommunikation angavs som en stark indicieomständighet .

Bredare kontext: eskalerande cyberkonflikt och amerikansk granskning

Attacken ingår i ett mönster av eskalerande kinesiska cyberoperationer mot Taiwan. Enligt en Reuters-rapport från januari 2026 med hänvisning till Taiwans nationella säkerhetsbyrå uppgick kinesiska cyberattacker mot Taiwans kritiska infrastruktur i genomsnitt till 2,63 miljoner per dag under 2025, en ökning med 6 procent jämfört med 2024 .

USA har skärpt sin övervakning. En rapport från Congressional Research Service den 9 augusti 2026 om ”Agentic AI and Cyberattacks” hänvisade till den tidigare Anthropic-händelsen GTG-1002 från september 2025, där kinesiska statssponsrade hackare använde AI-agentförmågor för spionage . Detta visar på en ökad oro inom den amerikanska regeringen för kinesiska AI-drivna cyberhot och de bredare konsekvenserna för nationell säkerhet.

Vad detta innebär för global cybersäkerhet

Dreams upptäckt markerar en vattendelare. Attacken visar att autonoma AI-agenter, byggda med fritt tillgängliga komponenter med öppen källkod, nu kan utföra komplexa, flerstegs cyberoperationer som traditionellt krävde team av skickliga mänskliga hackare. Kombinationen av autonom inlärning, Bayesiansk prioritering och förmågan att kringgå AI-säkerhetsspärrar genom att manipulera AI:ns egen förståelse av sin uppgift skapar ett helt nytt hotlandskap.

Regeringar och aktörer inom kritisk infrastruktur världen över måste nu förbereda sig på en värld där deras motståndare agerar i maskinhastighet – och där de AI-agenter som attackerar dem kan lära sig och anpassa sig snabbare än något mänskligt försvarsteam hinner reagera.