AIサイバー攻撃:脅威アクターは実際の侵入でAIをどう使っているか

AIは実際のサイバー攻撃においてますます大きな役割を果たすようになっており、脅威アクターによる侵入活動、認証情報の窃取、ネットワーク内での移動、標的候補の特定などを後押ししています。  

Gambit Securityが互いに無関係な3つの脅威アクターを対象に実施した調査により、攻撃者が侵入ライフサイクル全体を通じてAIを組み込んでおり、その用途がフィッシングやマルウェア生成にとどまらないことが明らかになりました。 

「一つ、特筆すべき発見があります。最初の事例では、オペレーターは被害者の環境を把握していませんでした」と研究者らは述べています。

さらに「オペレーターは[AI]モデルにどのデータベースが最も重要かを尋ねたところ、モデルはそれらに優先順位を付け、その企業にとって失うわけにいかない2つのデータベースを示しました」と説明しています。

脅威アクターによるAI悪用の主なポイント

• AIは実戦的な攻撃ツールになりつつあることで、脅威アクターは偵察、悪用、トラブルシューティング、横移動、高価値標的の特定にAIを利用しています。
• AIは攻撃者の意思決定を加速させ得るもので、Claude Codeが未知の被害者環境を分析し、「The Gentlemen」の関連者に対象システムやデータベースを推奨した事例があります。
• 認証情報の窃取は大規模に自動化され得るもので、ZerofotはAIが開発したツールを用いて2カ月足らずの間に1,742台の被害ホストから2,975件の有効な認証情報を収集しました。
• AIは攻撃インフラの運用を支援し得るもので、Claude CodeはZerofotの運用タスクを管理し、RAGEはLLMを悪用フレームワークに直接組み込んでいました。
• 防御側は攻撃者のワークフロー高速化を踏まえる必要があるため、ID管理、認証情報の保護、セグメンテーション、監視、インシデント対応計画のテストがますます重要になっています。

脅威アクターによるAI活用の実態 

攻撃者が侵入ライフサイクル全体でAIをどう使うか 

今回の調査結果は、生成AIが悪意あるコードの作成やフィッシング攻撃の準備にとどまらないツールになりつつあることを示しています。 

3つの事例すべてで、脅威アクターはタスクの自動化、問題のトラブルシューティング、侵害された環境の分析、次の行動の判断にAIを活用していました。  

AIは根本的に新しい攻撃手法をもたらしたというよりも、主に「力の増幅装置」として機能し、攻撃者が既存の手法をより速く実行し、状況の変化に応じて作戦を調整するのを助けていました。

The Gentlemen関連者、侵入活動中にAIを活用 

最も明確な事例の一つが、The Gentlemenランサムウェア・アズ・ア・サービス(RaaS)の関連者とみられる脅威アクターに関するものでした。 

Gambitは、この脅威アクターが少なくとも6組織への侵入時にClaude Codeを使用していたことを確認し、さらに過去2件の侵害についても同一アクターとの関連を突き止めました。 

被害組織は複数の業界・国にまたがり、オーストラリアのエネルギー事業者、モーリシャスの金融サービス企業、タイと米国の製造業者、マレーシアのIT サービス企業などが含まれていました。

これらの侵入活動において、Claude Codeは攻撃者にとってほぼ対話型アシスタントのように機能していました。 

オペレーターはこれを使って偵察・悪用用のコマンドを生成・実行し、悪意あるスクリプトを作成し、ファイアウォールポリシーを変更し、作戦に関連する情報を求めて業務システムを分析していました。 

AIは失敗したコマンドやエラーに対しても、アプローチを調整して別の方法を試すなど応答することができ、攻撃者が単にコードの生成を依頼して手動で実行するだけでなく、LLMを対話的に活用し得ることを示しています。

ドメインの認証情報とVPNアクセス権を取得した後、オペレーターは被害者ネットワーク内での偵察と横移動にClaudeを活用していました。 

このAIはネットワーク列挙ツールの出力を分析し、盗まれた認証情報によって管理者アクセスが可能なシステムを特定し、ドメインコントローラー、ファイルサーバー、バックアップサーバーといった標的候補を推奨していました。 

他の事例では、Claudeがアプリケーションのデータベースやバックアップインフラを分析し、攻撃者が価値の高い本番データを特定し、バックアップの保存場所を把握する手助けをしていました。

Zerofot、AIを使い認証情報を大規模に収集 

2つ目の事例では、Zerofotと呼ばれる脅威アクターが、AIによって悪意あるインフラを大規模に開発・運用できることを示していました。 

このオペレーターはOpenAI CodexとClaude Codeを使い、インターネットに公開されたシステムを検索して露出した設定ファイルやディレクトリ、その他の機微情報を含むファイルを探し出すカスタムスキャナー兼認証情報収集ツール「auto_scan」を構築していました。 

このスキャナーは潜在的な認証情報を抽出し、AWS、OpenAI、Anthropic、GitHub、GitLab、Stripeをはじめとする各種サービスに対してその有効性を検証していました。

Zerofotは相当量の盗難認証情報を蓄積しており、2026年4月から5月の間に1,742台の被害ホストから2,975件の有効な鍵・認証情報を収集していました。 

これらの認証情報には、SSH秘密鍵661件、214個のアカウントに紐づくAWSアクセスキー635件、Google Geminiキー448件、OpenAIキー254件、GitHubトークン205件、Anthropicキー176件が含まれていました。 

Zerofotの作戦におけるAIの役割は、スキャナーの開発にとどまりませんでした。 

Claude Codeは、作戦を継続させるために必要なIT・DevOps業務も担っていました。 

これには、スキャナーインフラとプロキシの管理、ネットワーク経路の確認、ファイアウォール設定の変更、認証情報収集環境のトラブルシューティングなどが含まれていました。 

この事例は攻撃者にとってのもう一つの利点を示しています。すなわち、AIは侵入そのものだけでなく、それを取り巻くインフラや運用作業も支援し得るということです。

RAGE、悪用フレームワークにAIを統合 

3つ目の事例で、Gambitの研究者らはRAGEを調査しました。これはインターネットに公開されたサービスをスキャンし、脆弱な導入環境を悪用し、認証情報を収集し、暗号資産マイナーを展開するために設計されたカスタムPythonフレームワークです。 

このフレームワークには、Redis、Elasticsearch、Docker、Tomcat、Jenkins、Hadoop YARN、Confluence、Supervisordといったサービスを標的とするモジュールが含まれていました。 

Gambitの研究者らは、RAGEおよびそれに付随する多くのスクリプトがAIによって生成された痕跡を発見しました。コメントやドキュメント文字列には、モデル特有と思われる一人称の、自己修正的な思考過程がそのまま残されていました。

RAGEはさらに一歩進み、攻撃フレームワークにLLMを直接組み込んでいました。 

そのオペレーター用ダッシュボードには、マイニングボットネットを運用するオペレーターに助言を行うために設計された、DeepSeekを基盤とする「AIオーケストレーター」が搭載されていました。 

これら3つの事例を総合すると、攻撃者が侵入活動の実行、認証情報窃取の自動化、AI支援型攻撃フレームワークの構築にAIをどのように活用しているかが見えてきます。 

AIを悪用した攻撃のリスクを低減するには 

組織は、IDおよびインフラのセキュリティを強化することで、AI支援型攻撃によるリスクを低減できます。 

• MFAと最小権限アクセスを徹底することで、管理者アカウント、クラウドID、その他の特権システムに適用し、認証情報が盗まれた際の影響を軽減します。
• 認証情報とシークレットを保護し、定期的にローテーションすることで、ハードコードされた認証情報を排除し、一元的なシークレット管理を用い、可能な限り短命な認証情報を優先します。
• インターネット公開サービスの露出を減らすことで、管理インターフェースを制限し、VPN、Redis、Dockerなど外部からアクセス可能なシステムを堅牢化します。
• ネットワークをセグメント化し、重要インフラを保護することで、横移動を制限し、ドメインコントローラー、バックアップサーバー、データベースなどの高価値システムを分離します。
• ID・認証情報関連の不審な挙動を監視することで、不審なアクセスキーの作成、ロールの引き受け、シークレットの取得、権限昇格、異常な認証試行などを検知します。
• インシデント対応計画をテストするとともに、認証情報の窃取、データの窃取・破壊、ランサムウェアといったシナリオを想定した攻撃シミュレーションツールを活用します。

これらの対策を組み合わせることで、攻撃が成功した場合の被害範囲を抑えつつ、AI支援型の脅威に対する耐性を高めることができます。 

結論

より重大な変化は、攻撃者のワークフローが圧縮されている点にあります。 

今回の事例は、未知の環境を読み解く、失敗した操作をトラブルシューティングする、高価値資産に優先順位を付ける、攻撃インフラを維持する——従来であればより多くの時間と専門知識を要したはずのタスクに、AIが活用されている実態を示しています。 

こうした能力が向上するにつれ、セキュリティプログラムは攻撃者の滞留時間や作戦遂行速度に関する従来の前提を見直す必要が出てくるかもしれません。

攻撃者のワークフローが加速する中、ゼロトラストは、組織が初期侵害後にアクセスを制限し、横移動を抑え込む上で役立ちます。