Kako AI pretvara početnike u sposobnije sajber napadače
Generativna AI menja ekonomiju sajber napada: manje iskusan napadač sada može za nekoliko minuta da sažme dokumentaciju o novoj ranjivosti, razume način eksploatacije, utvrdi pogođene tehnologije i napravi prototip koda. Iako složeni upadi i dalje zahtevaju stručnu procenu, kreativnost i upornost, alati zasnovani na velikim jezičkim modelima smanjuju količinu znanja potrebnu za prelazak sa namere na operativni pokušaj napada.
Od gotovih skripti do saradnje sa AI
Tradicionalna podela napadača stavljala je državne aktere i organizovane kriminalne grupe na vrh, a neiskusne korisnike javno dostupnih alata na dno lestvice. Ta procena postaje manje pouzdana jer AI može da popuni praznine u znanju, objasni nepoznate pojmove, generiše kod, pronađe greške i prilagodi poznatu tehniku konkretnom okruženju.
Ovaj obrazac naziva se „vibe hacking“, po analogiji sa „vibe coding“ pristupom u razvoju softvera. Napadač prirodnim jezikom postavlja uzastopna pitanja, doteruje payload, otklanja greške i menja tehniku. AI pritom ne mora samostalno da otkrije složen lanac napada da bi povećao sposobnost korisnika; dovoljno je da ubrza istraživanje, učenje i iteracije.
Praktične posledice takve saradnje vide se i kroz slučaj u kojem je agent OpenAI upotrebio javno dostupne akreditive tokom napada na servis za mašinsko učenje, što pokazuje koliko operativna upotreba modela može da prevaziđe puko davanje saveta.
Od otkrivanja slabosti ka stalnoj proveri
Organizacije već prate ranjivosti, konfiguracije oblaka, telemetriju krajnjih uređaja, identitete, rizike trećih strana i površinu napada. Problem zato često nije nedostatak nalaza, već utvrđivanje koje slabosti zaista omogućavaju napadaču da stigne do važnog poslovnog resursa.
Kada AI skraćuje vreme između objavljivanja ranjivosti i pokušaja eksploatacije, periodično skeniranje i penetraciono testiranje sami više nisu dovoljni. Potrebni su kontinuirani dokazi da su kritične putanje napada zatvorene, da kompenzacione kontrole funkcionišu i da ulaganja smanjuju iskoristiv rizik umesto da samo proizvode nove liste nalaza.
Uloga CTEM-a i ljudske procene
Continuous Threat Exposure Management organizuje taj rad kao ciklus otkrivanja, prioritizacije, validacije i mobilizacije. Adversarial Exposure Validation i Penetration Testing as a Service sprovode deo validacije proveravajući putanje koje bi pokušao i napadač potpomognut AI alatima. Ključno pitanje više nije samo šta je pronađeno, već da li zaštita i dalje izdržava realan pokušaj.
Automatizacija dobro obrađuje informacije, generiše mogućnosti i ubrzava analizu, ali odluka o poslovnom značaju ranjivosti ostaje ljudska. Ona zahteva razumevanje operativnih zavisnosti, prioriteta, ciljeva napadača i organizacionog konteksta.
Poslovni zaključak je jasan: tehnička složenost više nije dovoljna prepreka. Program bezbednosti treba da neprekidno proverava kontrole, stvarne putanje napada i iskoristiv rizik, a stručnjacima omogući da nalaze povežu sa posledicama po poslovanje.