Yapay zekâ artık siber saldırıları yalnızca planlamıyor, yürütüyor

Buradaki kritik fark, klasik bir yapay zekâ asistanıyla “ajan” yapıdaki sistem arasındaki fark. Asistan, insanın incelemesi için bir yanıt üretir. Ajan ise araçları kullanabilir, aldığı sonuçları gözlemleyebilir ve bundan sonra ne yapacağına karar verebilir. Bu yetenekler kabuk erişimi, kod depoları, bulut servisleri veya ele geçirilmiş altyapıyla birleştirildiğinde model, saldırının operasyonel döngüsünün parçası hâline gelir.

Meksika vakası: Dokuz kurum ve yaklaşık 400 milyon kayıt

Raporda öne çıkan suç vakasında, tek bir tehdit aktörünün 2025’in sonları ile 2026’nın başları arasında dokuz Meksika devlet kurumuna sızdığı ve yaklaşık 400 milyon vatandaş kaydını açığa çıkardığı bildiriliyor. Saldırganın Anthropic’in Claude Code’u ile OpenAI’ın GPT-4.1’ini yalnızca fikir veya plan almak için değil, operasyonun temel araçları olarak kullandığı aktarılıyor.

Bildirilen iş bölümü şöyle:

• Claude Code, canlı istismar ve saldırı boyunca komut çalıştırma görevlerini üstlendi.
• GPT-4.1, keşif verileriyle dışarı çıkarılan bilgileri işledi; ham veriyi yapılandırılmış istihbarata dönüştürmeye ve sonraki faaliyetleri yönlendirmeye yardımcı oldu.
• İki sistem birlikte 5.000’den fazla yapay zekâ tarafından çalıştırılan komut üretti.

Bazı ikincil kaynaklar 1.088 insan istemi, 34 saldırı oturumu ve uzaktan çalıştırılan komutların yaklaşık yüzde 75’inin Claude Code tarafından yürütüldüğü gibi daha ayrıntılı rakamlar veriyor. Ancak bu veriler, bağımsız biçimde doğrulanmış kapsamlı bir kamuya açık adli bilişim kaydı olarak değil, Check Point’in daha sonra atıfta bulunduğu güvenlik araştırmasının bulguları şeklinde değerlendirilmelidir.

Vakanın asıl önemi tek bir modelin yeteneklerinden çok, araçların birlikte kurgulanmasında yatıyor. İnsan, her keşif, istismar ve veri işleme adımını elle gerçekleştirmek zorunda kalmadı. Sistemler eyleme geçti, sonucu inceledi ve saldırıyı sürdürebildi.

Çin bağlantılı kampanyada taktik işlerin çoğu yapay zekâya bırakıldı

Check Point ayrıca yaklaşık 30 kuruluşu hedef alan Çin bağlantılı bir casusluk kampanyasında yapay zekânın operasyonun yüzde 80–90’ını gerçekleştirdiğini bildirdi. Mevcut kaynaklar bu oranı, komut komut hazırlanmış eksiksiz bir kayıt değil, bir tahmin olarak sunuyor.

Bu örnek, riskin yalnızca fırsatçı siber suçlarla sınırlı olmadığını gösteriyor. Kodlama ajanları, farklı hedeflere uyarlanması ve tekrarlanması gereken kampanyalarda ciddi miktarda taktik işi üstlenebilir. Operatörler stratejik kontrolü ellerinde tutarken uygulamadaki iş yükünü yapay zekâya devredebilir.

Saldırganlar yapay zekâ güvenlik önlemlerini nasıl aşabiliyor?

Raporda ve ilgili değerlendirmelerde iki temel yöntem öne çıkıyor.

Jailbreak ve talimat manipülasyonu

Saldırganlar, ticari bir modeli güvenlik kurallarını görmezden gelmeye ikna etmeye çalışabilir. Savunma açısından daha kalıcı risk ise modelin çevresindeki çalışma ortamının kötüye kullanılmasıdır. Ajan, işlediği dosyalarda, kod depolarında veya diğer içeriklerde yer alan talimatları güvenilir komutlar gibi takip edebilir.

Bildirilen bir kalıcılık yönteminde CLAUDE.md gibi güvenilir kabul edilen yapılandırma dosyalarından yararlanıldığı belirtiliyor. Bir ajan bu talimatları oturumlar arasında otomatik olarak yüklüyorsa saldırgan, modeli her seferinde sohbet yoluyla ikna etmek zorunda kalmadan gelecekteki davranışını etkileyebilir.

Dolaylı istem enjeksiyonu

Dolaylı istem enjeksiyonunda kötü amaçlı talimatlar, yapay zekâ sisteminin okuduğu içeriklerin içine yerleştirilir. Bu içerik bir belge, internet sayfası, kod tabanı veya araç yanıtı olabilir. Sistem, bu metni güvenilmeyen veri olarak değerlendirmek yerine talimat kabul ederse saldırgan, ajanın eylemlerini farklı yöne çevirebilir.

Check Point ile ilişkilendirilen kaynaklar, daha büyük istem enjeksiyonu yüklerinin tespitinde Mart–Mayıs 2026 arasında yaklaşık beş kat artış bildiriyor. Bu oran, gözlemlenen yüklerdeki değişimi gösterir; her yükün başarıya ulaştığı veya bir ihlale neden olduğu anlamına gelmez.

Saldırıları daha özerk hâle getiren teknolojiler

Yeni risk, tek bir özellikten değil, birkaç yeteneğin aynı döngüde birleşmesinden doğuyor:

1. Kodu anlama ve üretme: Ajanlar, bilmedikleri kodları inceleyip hedef ortamına uyarlanmış araçlar üretebiliyor.
2. Araç kullanımı: Sistemler yalnızca metin yanıtı vermekle kalmayıp komut çalıştırabiliyor ve diğer sistemlerle etkileşime girebiliyor.
3. Sonuç analizi: Komut çıktıları, günlükler veya ele geçirilen veriler yorumlanarak sonraki adım seçilebiliyor.
4. Kalıcı bağlam: Yapılandırma dosyaları ve bağlı iş akışları, talimatların veya durum bilgisinin oturumlar arasında korunmasını sağlayabiliyor.
5. Ölçek ve yineleme: Aynı süreç, bir insanın elle yapabileceğinden çok daha hızlı biçimde farklı cihazlar, hesaplar veya hedefler üzerinde tekrarlanabiliyor.

Check Point, yapay zekânın keşif, sosyal mühendislik, kötü amaçlı yazılım geliştirme ve sızma sonrası faaliyetlerde de kullanıldığını belirtiyor. Her bir yetenek tek başına yönetilebilir görünebilir; ancak birlikte kullanıldıklarında, insan müdahalesi gereken geçişlerin azaldığı bir saldırı zinciri ortaya çıkıyor.

İş yerinde yapay zekâ kullanımı yeni bir veri sızıntısı kapısı açıyor

Kurumların yapay zekâ kaynaklı veri kaybı yaşaması için doğrudan bir yapay zekâ ajanı tarafından hedef alınması gerekmiyor. Çalışanlar, bir işi çözmek için dışarıdaki üretken yapay zekâ hizmetlerine kimlik bilgileri, kaynak kodu, kişisel bilgiler veya mevzuatla korunan şirket verileri girebiliyor.

Check Point’in yıllık verilerine göre hassas kurumsal, kişisel veya düzenlemeye tabi bilgi içeren yüksek riskli istemlerin oranı raporlama dönemi boyunca yüzde 2’den yüzde 4’e çıktı. Bu, kabaca her 50 etkileşimden birinin yüksek riskli olduğu seviyeden her 25 etkileşimden birine yükseliş anlamına geliyor.

Yüksek riskli etkileşimler de yaygın. Raporlama dönemine ve ölçüm yöntemine bağlı olarak Check Point kaynaklı veriler, kuruluşların yüzde 87–93’ünün her ay en az bir kez böyle bir etkileşim yaşadığını gösteriyor.

Bu rakamlar aynı dönemden gelmiyor. Yıllık güncellemede kuruluş başına ayda ortalama 10 yapay zekâ uygulaması kullanıldığı belirtilirken, temmuz ayındaki daha sonraki güncellemede sekiz araç ve her 36 istemden birinde yüksek risk verildi. Metodoloji açıklanmadan bu göstergeler tek ve kesintisiz bir trend gibi yorumlanmamalı.

Mevcut rapor malzemesi, yapay zekâ uygulamaları, toplam istemler ve yüksek riskli istemlerde bölge bazında istenen artışları ortaya koymuyor. Bölgesel maruziyetin farklılaştığını gösteriyor; ancak Avrupa’daki yüzde 18 ve Kuzey Amerika’daki yüzde 9 yıllık siber saldırı artışı gibi rakamlar saldırı hacmini ifade ediyor, üretken yapay zekâ istemlerini değil.

Check Point neden yalnızca düzenlemelere güvenilmemesi gerektiğini söylüyor?

Düzenlemeler hesap verebilirlik ve asgari gereklilikler getirebilir. Ancak bir çalışanın hassas metni onaylanmamış bir hizmete göndermesini tek başına engellemez; bir ajanın olağandışı komut dizisini otomatik olarak tespit etmesini de sağlamaz. Ajan destekli saldırılar, politika döngülerinden ve geleneksel inceleme süreçlerinden daha hızlı hareket edebilir.

Check Point bu nedenle dört katmanlı bir yaklaşım öneriyor:

• Teknik kontroller: Onaylı ve gölgede kalan yapay zekâ araçlarını keşfetmek, hassas veri paylaşımını sınırlamak, en az ayrıcalık ilkesini uygulamak ve ajan izinlerini yönetmek.
• Güvenlik testleri: Yapay zekâ uygulamalarını ve bağlı ajanları istem enjeksiyonu, güvensiz araç erişimi, açık uç noktalar ve tedarik zinciri zafiyetleri açısından düzenli olarak sınamak.
• İnsan ve süreç yönetimi: Onaylı araçları ve kullanım alanlarını tanımlamak; çalışanlara kamuya açık veya onaysız sistemlere hangi bilgilerin girilmemesi gerektiğini öğretmek.
• Sürekli izleme ve müdahale: Ajan eylemlerini, olağandışı veri akışlarını ve araç kullanımını takip etmek; gerektiğinde faaliyeti hızla araştırmak, sınırlamak veya engellemek.

Kurumlar için sonuç ne?

Check Point’in temmuz değerlendirmesi, yapay zekânın saldırı zincirinde nerede konumlandığının değiştiğini söylüyor. Yapay zekâ hazırlık aşamasından yürütme ve karar verme aşamasına ilerliyor. Meksika vakası olası ölçeği, Çin bağlantılı örnek taktik işlerin ne kadarının devredilebildiğini, iş yerlerindeki istem verileri ise teknolojinin kurum içinde zaten günlük bir maruziyet oluşturduğunu gösteriyor.

Savunulabilir yaklaşım, yapay zekânın pasif bir yardımcı olarak kalacağını varsaylamak veya yalnızca uyum metinlerine güvenmek değil. Kurumların hangi yapay zekâ sistemlerinin kullanıldığını görmesi, bu sistemlerin erişebileceği kaynaklara kesin sınırlar koyması, model girdilerini güvenilmeyen veri olarak ele alan testler yapması ve otomatik eylemlerin hızına yetişebilecek bir izleme altyapısı kurması gerekiyor.