هوش مصنوعی (AI) در حال کمک به عوامل تهدید برای افزایش سرعت و مقیاس عملیات آن‌هاست، اما هنوز اهداف اصلی یا تکنیک‌های به‌کاررفته در زنجیره حمله (Attack Chain) را تغییر نداده است. تکنیک‌های سنتی مانند فیشینگ (Phishing)، بدافزارها و اکسپلویت کردن آسیب‌پذیری‌ها همچنان ابزارهای اصلی هستند، اما استفاده از ابزارهای AI، اجرای این حملات را برای مهاجمان حتی با مهارت‌های پایین، آسان‌تر و ارزان‌تر کرده است.
تغییر در حجم و سرعت، نه در استراتژی
فرآیند شناسایی هدف، شناسایی اولیه (Reconnaissance)، ایجاد جای پا (Foothold)، حرکت عرضی (Lateral Movement) و در نهایت دستیابی به هدف و پاک‌سازی ردپاها همچنان پابرجاست. تغییر بنیادین در حجم و سرعت اجرای این مراحل است. برای نمونه، در کمپین جاسوسی سایبری GTG-1002 در سپتامبر ۲۰۲۵، مهاجمان متکی به دولت چین از Claude Code برای اتوماسیون مراحل شناسایی، کشف آسیب‌پذیری و استخراج داده‌ها استفاده کردند، در حالی که زیربنای حمله همچنان بر پایه روش‌های متداول بود.
اتوماسیون زنجیره نفوذ و تهدیدات Agentic
کمپین باج‌افزار JadePuffer که در جولای ۲۰۲۶ افشا شد، نمونه‌ای از به‌کارگیری یک عامل مبتنی بر LLM برای اتوماسیون بخش بزرگی از زنجیره نفوذ بود. در این حمله، ابتدا از آسیب‌پذیری CVE-2025-3248 (یک نقص در احراز هویت در فریم‌ورک Langflow) برای سرقت اعتبارنامه‌های ابری و API Keyها استفاده شد و سپس عملیات حرکت عرضی و رمزگذاری پایگاه داده‌ها انجام گرفت.
این رویکرد نشان می‌دهد که AI می‌تواند نقص‌های موجود در کدهای Open-source را سریع‌تر از توان پچ کردن مدافعان شناسایی کند؛ موضوعی که برای سازمان‌هایی با بدهی فنی (Technical Debt) بالا، یک ریسک جدی است.
ظهور Agentic APT و تخصص‌های چندگانه
با بهره‌گیری از AI عامل‌محور (Agentic AI)، هکرها می‌توانند تخصص‌های مختلفی مانند مدیریت پایگاه داده، خط لوله‌های CI/CD و معماری ابری را در قالب یک نقش واحد ادغام کنند. این پدیده که «APT عامل‌محور» (Agentic APT) نامیده می‌شود، باعث شده تا حملاتی که پیش‌تر نیازمند تیمی هماهنگ از متخصصان بود، اکنون توسط یک فرد با استفاده از مدل‌های مناسب و پرامپت‌های (Prompt) درست قابل اجرا باشد.
- ترجیح مدل‌های خاص: تحلیل‌ها نشان می‌دهد مهاجمان مدل‌های چینی مانند GLM و Kimi 3 را به دلیل محدودیت‌های محتوایی کمتر، به جای جایگزین‌های غربی ترجیح می‌دهند.
- مدولار بودن حمله: مهاجمان بسته به نیاز (شناسایی، تولید کد یا مهندسی اجتماعی) بین مدل‌های مختلف جابه‌جا می‌شوند.
- استفاده از مدل‌های محلی: برای افزایش امنیت عملیاتی (OpSec) و دور زدن گاردریل‌های امنیتی، مدل‌های Local ترجیح داده می‌شوند.
تغییر در اقتصاد حملات و پنجره شناسایی
در مدل‌های سنتی، هر هدف جدید نیازمند زمان مهندسی برای تنظیم Playbook بود، اما یک عامل تهدید Agentic، با داشتن کانتکست (Context) از یک کلاس کلی از اپلیکیشن‌ها، برنامه خود را به‌صورت زنده و بر اساس یافته‌ها تنظیم می‌کند. در این حالت، تنها هزینه عملیات، بودجه استنتاج (Inference Budget) است که منجر به افزایش تعداد تلاش‌ها برای نفوذ می‌شود.
این موضوع باعث کاهش زمان حضور در شبکه (Dwell Time) می‌شود. در حالی که پیش‌تر مهاجمان هفته‌ها یا ماه‌ها در شبکه می‌ماندند و همین موضوع فرصت شناسایی را به مدافعان می‌داد، اکنون AI سرعت عملیات را به‌گونه‌ای افزایش داده که پنجره شناسایی به‌شدت کوتاه شده است.
ضرورت تغییر در استراتژی دفاعی
با توجه به اینکه ابزارهای AI فاصله بین افشای آسیب‌پذیری و تبدیل آن به اکسپلویت را به نزدیک صفر می‌رسانند، سازمان‌ها دیگر نمی‌توانند به چرخه پچینگ ۳۰ روزه یا گزارش‌های استاتیک ماهانه تکیه کنند. راهکار مقابله، گذار از نظارت‌های انسان‌محور به سمت دفاع‌های خودکار (Automated Defenses) است، به‌طوری که تخصص انسانی صرفاً برای نظارت بر عوامل (Agents)، اعتبارسنجی خروجی‌ها و تصمیم‌گیری‌های استراتژیک در مورد ریسک‌ها به‌کار گرفته شود.
