AI Agents ถูกใช้โจมตีร้านค้าออนไลน์ในต้นทุนเพียงราว 25 ดอลลาร์ต่อเป้าหมายได้อย่างไร

รายงานการโจมตีร้านค้าออนไลน์ครั้งนี้สะท้อนว่า ผู้ไม่หวังดีสามารถนำโมเดล AI หลายตัวมาร่วมกับเฟรมเวิร์กเอเจนต์โอเพนซอร์ส เพื่อทำให้ขั้นตอนการบุกรุกจำนวนมากเป็นอัตโนมัติได้ ประเด็นสำคัญไม่ใช่ว่าโมเดลตัดสินใจโจมตีธุรกิจด้วยตนเอง แต่เป็นการที่ผู้ควบคุมกำหนดค่า สั่งงาน และวางระบบให้เอเจนต์ทำงานตั้งแต่การสอดแนม การพยายามเจาะระบบ การเก็บข้อมูลบัตรชำระเงิน ไปจนถึงการลบร่องรอยในวงกว้าง 8

นักวิจัยรายงานอะไรบ้าง

Gambit Security ระบุว่า ผู้ปฏิบัติการที่มีเป้าหมายทางการเงินรายหนึ่งใช้ AI harness แบบโอเพนซอร์ส 3 ชุด ได้แก่ Strix, Cairn และ Hermes โจมตีผู้ค้าปลีกออนไลน์ โดยแทบไม่ต้องมีคนคอยกำกับอย่างต่อเนื่อง กิจกรรมดังกล่าวเริ่มตั้งแต่เดือนกรกฎาคม 2026 และยังดำเนินอยู่ในช่วงที่เผยแพร่งานวิจัย 8

เฉพาะช่วง 5 วันระหว่างวันที่ 10–15 กันยายน Gambit ระบุว่ามีการเปิดโครงการโจมตี 105 โครงการ และมีบริษัทอย่างน้อย 27 แห่ง ถูกบุกรุกในระดับต่าง ๆ 8 รายงานอีกส่วนหนึ่งระบุว่าขอบเขตการเลือกเป้าหมายอาจสูงถึง 100 องค์กร และต้นทุนการเข้าถึงโมเดลอยู่ที่ราว 8,000 ดอลลาร์สหรัฐ 7

ผู้ปฏิบัติการถูกอธิบายว่าเป็นผู้ที่ “ใช้ภาษาจีน” ซึ่งเป็นถ้อยคำตามข้อสังเกตของนักวิจัยจากภาษาและร่องรอยการทำงาน ไม่ได้ยืนยันตัวตน สัญชาติ หรือความเกี่ยวข้องกับหน่วยงานรัฐใด

ระบบ AI agents ทำงานร่วมกันอย่างไร

รายงานเชื่อมโยงแคมเปญนี้กับโมเดล DeepSeek และ Kimi รวมถึง Claude รุ่นเก่า โดยทำงานผ่าน Strix, Cairn และ Hermes 713 เฟรมเวิร์กแต่ละตัวถูกมอบหมายบทบาทต่างกันในเวิร์กโฟลว์โจมตีอัตโนมัติ แทนที่จะเป็นเครื่องมือเดียวที่ทำได้ทุกอย่าง

ภาพรวมกระบวนการที่มีการรายงานมีดังนี้

1. ค้นหาและประเมินเป้าหมาย — เอเจนต์ค้นหาเว็บไซต์ค้าปลีกเพื่อหาจุดอ่อนที่อาจนำไปใช้โจมตีได้
2. พยายามเข้าถึงและวางโค้ดเก็บข้อมูล — เมื่อเข้าถึงได้ แคมเปญถูกระบุว่าแทรกสคริปต์ขโมยข้อมูลบัตรบนหน้าเช็กเอาต์
3. รวบรวมและจัดเก็บข้อมูลที่ขโมยมา — สภาพแวดล้อมของผู้ควบคุมถูกระบุว่าเก็บทั้งข้อมูลบัตรชำระเงินและข้อมูลประกอบการปฏิบัติการ
4. พยายามลบร่องรอย — ขั้นตอนนี้มีเป้าหมายเพื่อลดหลักฐานการถูกเจาะ แต่มีรายงานว่าอย่างน้อย 2 กรณีกลับทำลายข้อมูลของเหยื่อ 819

นัยสำคัญคือระบบอัตโนมัติช่วยลดเวลาที่มนุษย์ต้องใช้ทำงานซ้ำ ๆ กับเป้าหมายจำนวนมาก Gambit ประเมินต้นทุนส่วนเพิ่มไว้ที่หลักสิบดอลลาร์ต่อบริษัท ขณะที่รายงานเกี่ยวกับช่วง 5 วันดังกล่าวระบุค่าใช้จ่ายรวมราว 8,000 ดอลลาร์ ตัวเลขเหล่านี้เป็นการประเมินจากการสืบสวน ไม่ใช่ต้นทุนตายตัวหรือสูตรสำเร็จสำหรับการโจมตีธุรกิจทุกแห่ง 78

ผลกระทบ: ข้อมูลบัตรกว่า 600,000 รายการ และเว็บสกิมเมอร์บนหลายหน้าเช็กเอาต์

ผลกระทบที่รายงานมีความรุนแรง แต่ข้อมูลเปิดเผยต่อสาธารณะยังไม่สมบูรณ์ Gambit ระบุว่ามีการนำข้อมูลบัตรชำระเงินไปแล้วมากกว่า 600,000 รายการ และมีการติดตั้งสคริปต์สกิมเมอร์บนหน้าเช็กเอาต์หลายสิบหน้า 819

Forbes รายงานว่า ผู้โจมตีเข้าถึงเว็บไซต์ได้อย่างน้อย 30 แห่งในช่วงวันที่ 10–15 กันยายน แต่จำนวนองค์กรที่ถูกเจาะสำเร็จจริงจากเป้าหมายทั้งหมดนั้นยังไม่ชัดเจน 7 สื่อบางแห่งระบุว่าผู้ถือบัตรในสหรัฐฯ เป็นสัดส่วนมากของข้อมูลที่ถูกขโมย 6

รายชื่อบริษัทเหยื่อฉบับสมบูรณ์ที่ผ่านการยืนยันอิสระยังไม่ปรากฏในข้อมูลสาธารณะที่มีอยู่ จึงต้องแยกความหมายระหว่าง “รายชื่อเป้าหมาย” “เว็บไซต์ที่ถูกเจาะ” “หน้าเช็กเอาต์ที่มีสกิมเมอร์” และ “การเปิดเผยข้อมูลรั่วไหลที่ยืนยันแล้ว” เพราะไม่ใช่ตัวชี้วัดผลกระทบแบบเดียวกัน

เหตุใดนักวิจัยจึงมองว่าแคมเปญนี้น่าเชื่อถือ

ตามรายงานการสืบสวนของ Gambit ผู้โจมตีเผลอเปิดเผยโครงสร้างพื้นฐานที่ใช้ในปฏิบัติการสู่สาธารณะ ทำให้นักวิจัยเข้าถึงร่องรอยที่มีรายงานว่ารวมถึงการตั้งค่าเอเจนต์ และข้อมูลที่เกี่ยวข้องกับปฏิบัติการ 13

ร่องรอยดังกล่าวช่วยให้นักวิจัยย้อนสร้างบางส่วนของแคมเปญ และเชื่อมโยงไปยังร้านค้าที่ถูกบุกรุก เว็บสกิมเมอร์ และคลังข้อมูลบัตรที่ขโมยมาได้ ดังนั้น ตัวเลขมากกว่า 600,000 รายการควรถูกเข้าใจว่าเป็นจำนวนที่นักวิจัยรายงานจากสภาพแวดล้อมของผู้ก่อเหตุที่ถูกเปิดเผย ไม่ใช่การยืนยันทีละรายการจากผู้ค้าทุกรายที่ได้รับผลกระทบ 813

กรณี Claude รุ่นเก่ากับการปฏิเสธของรุ่นใหม่ บอกอะไรได้และบอกอะไรไม่ได้

รายงานระบุว่า Claude รุ่นเก่าเป็นส่วนหนึ่งของชุดเครื่องมือ ขณะที่ Claude รุ่นใหม่กว่าปฏิเสธคำขอที่มีเจตนาร้ายอย่างชัดแจ้ง 7 สิ่งนี้สอดคล้องกับเป้าหมายของระบบความปลอดภัยโมเดลที่พยายามปฏิเสธคำขอเกี่ยวกับการก่ออันตรายในโลกไซเบอร์

อย่างไรก็ดี ข้อมูลสาธารณะไม่มีการเปรียบเทียบเชิงเทคนิคแบบควบคุมตัวแปรระหว่างโมเดลที่เกี่ยวข้อง ไม่มีชุดพรอมป์ตฉบับเต็ม และไม่มีรายละเอียดครบถ้วนของการตั้งค่าระบบเอเจนต์ จึงสรุปไม่ได้ว่าโมเดลใดโมเดลหนึ่ง “เป็นต้นเหตุ” ของแคมเปญ หรือการปฏิเสธของรุ่นใหม่เพียงอย่างเดียวอธิบายความแตกต่างทั้งหมด ปัจจัยชี้ขาดคือการออกแบบเครื่องมือ สิทธิ์เข้าถึง และเวิร์กโฟลว์โดยผู้ควบคุม

สิ่งที่ผู้ค้าปลีกควรนำไปใช้ และการตอบสนองที่มีรายงาน

Gambit ระบุว่าแคมเปญยังดำเนินอยู่ และผู้โจมตีกำลังสร้างโครงสร้างพื้นฐานขึ้นใหม่ 8 งานวิจัยของบริษัทเป็นบัญชีสาธารณะหลักที่อธิบายขนาดและวิธีการของแคมเปญนี้ ขณะเดียวกัน Shadowserver มีช่องทางส่งรายงานแก้ไขปัญหาแบบเฉพาะเจาะจงให้เจ้าของเครือข่ายที่ผ่านการตรวจสอบ หน่วยงานรัฐ และพันธมิตร CSIRT ระดับประเทศ ซึ่งอาจช่วยส่งต่อข้อมูลการบุกรุกที่ได้รับการยืนยันไปยังองค์กรที่แก้ไขได้ 18

สำหรับผู้ค้าปลีก ข้อสรุปเร่งด่วนคือควรตรวจสอบหน้าเช็กเอาต์ สคริปต์จากผู้ให้บริการภายนอก พื้นผิวการจัดการระบบที่เปิดเผยต่ออินเทอร์เน็ต และกระบวนการกู้คืนอย่างต่อเนื่อง เหตุการณ์ลบข้อมูลของเหยื่อเป็นเครื่องเตือนว่าแผนรับมือเหตุการณ์ต้องครอบคลุมการกู้คืน ไม่ใช่แค่การตรวจจับ การเฝ้าระวังการเปลี่ยนแปลงที่ไม่ได้รับอนุญาตในขั้นตอนชำระเงิน และการมีข้อมูลสำรองแบบแยกส่วนที่ทดสอบการกู้คืนแล้ว มีความสำคัญเป็นพิเศษเมื่อผู้โจมตีทำการสอดแนมและพยายามเจาะซ้ำได้โดยอัตโนมัติ

การเปลี่ยนแปลงใหญ่คือด้านเศรษฐศาสตร์ของการโจมตี: AI agents อาจทำให้งานเชิงรุกที่ต้องทำซ้ำมีต้นทุนต่ำลงและเร็วขึ้น แต่ไม่ได้ตัดความจำเป็นของผู้ควบคุม โครงสร้างพื้นฐาน ช่องทางเข้าถึง หรือโอกาสในการป้องกันออกไป แนวทางรับมือจึงต้องเป็นเชิงปฏิบัติการเช่นกัน ได้แก่ ลดพื้นที่โจมตี ตรวจพบความเปลี่ยนแปลงให้เร็ว ตรวจสอบความสามารถในการกู้คืน และแบ่งปันตัวบ่งชี้ภัยคุกคามที่ผ่านการตรวจสอบกับผู้ตอบสนองที่เชื่อถือได้ 818