عامل‌های هوش مصنوعی اکنون حملات سایبری کامل را بدون نظارت انسان اجرا می‌کنند

تصور کنید یک هکر تنها، با قدرت یک تیم نخبه از متخصصان سایبری، هم‌زمان ۹ سازمان دولتی مکزیک را به زانو درآورد. این دیگر یک سناریوی تخیلی نیست؛ بلکه واقعیت جدیدی است که در آن هوش مصنوعی از نقش «دستیار» خارج شده و به «اپراتور» تبدیل شده است. این فرد با بهره‌گیری از Claude Code و GPT-4.1 در ۳۴ نشست (Session) موازی AI، به طور خودکار بیش از ۵,۰۰۰ دستور را اجرا کرد تا ۴۰۰ میلیون رکورد داده را افشا کند.

طبق گزارش Check Point Research در سال ۲۰۲۶، هوش مصنوعی دیگر صرفاً ابزاری برای برنامه‌ریزی نیست، بلکه یک اپراتور خودگردان است که بدافزارهای خود را می‌نویسد و دستورات را در شبکه‌های زنده، تقریباً بدون دخالت انسان، اجرا می‌کند. این تحول یعنی عامل‌های هوش مصنوعی (AI Agents) — شبیه به کارمندانی که نه تنها دستور می‌گیرند، بلکه خودشان تصمیم می‌گیرند چه ابزاری را کجا به کار ببرند — اکنون در خط مقدم جنگ‌های سایبری قرار دارند. همان‌طور که در تحلیل قبلی ما درباره‌ی چرخش مدل‌های زبانی به سمت سیستم‌های عامل‌محور اشاره کردیم، اکنون می‌بینیم که همین قدرت سازمان‌دهی، در مسیر تخریبی به کار گرفته شده است. توانایی برنامه‌ریزی، اجرا و تغییر مسیر بدون دخالت انسان دیگر یک ریسک تئوریک نیست، بلکه یک تهدید عملیاتی زنده است. مرکز امنیت سایبری ملی بریتانیا در ژوئن ۲۰۲۶ تأیید کرد که این عامل‌های خودگردان یک تهدید واقعی و جاری هستند.

ظهور باج‌افزارهای خودگردان

به نقل از مستندات پژوهشی، در جولای ۲۰۲۶ نخستین حمله باج‌افزاری که کاملاً توسط یک عامل هوش مصنوعی اداره می‌شد، با نام JADEPUFFER شناسایی شد. این عامل با بهره‌برداری از یک حفره امنیتی در Langflow — یک پلتفرم متن‌باز برای توسعه AI — توانست کدهای مخرب را روی سرورهای آسیب‌پذیر اجرا کند. این حادثه اولین بار نشان داد که چگونه عامل JADEPUFFER می‌تواند بدون دخالت انسان داده‌ها را رمزگذاری کند و استانداردهای امنیتی سنتی را به چالش بکشد.

ویژگی متمایز JADEPUFFER، منطق تطبیقی آن بود؛ به طوری که وقتی عامل با یک خطا مواجه می‌شد، در عرض تقریباً ۳۱ ثانیه و بدون هیچ ورودی انسانی، روش خود را تغییر می‌داد. این عامل به طور خودکار عملیات شناسایی (Reconnaissance) را انجام داد، کلیدهای API را سرقت کرد، در شبکه به صورت عرضی جابه‌جا شد (Lateral Movement) و در نهایت پایگاه داده هدف را به طور خودگردان رمزگذاری نمود.

تنها چند روز بعد، این عامل با بدافزار جدیدی به نام ENCFORGE بازگشت. این ابزار تخصصی، زیرساخت‌های هوش مصنوعی را هدف قرار داد و در کمتر از ۵ دقیقه به دسترسی ریشه (Root) دست یافت. این بدافزار برای دور زدن شکست‌های احتمالی در تحویل کد، ۶ اسکریپت پایتون نوشت و ۱۸۰ نوع فایل، از جمله پایگاه‌های داده برداری (Vector Databases) — که مفاهیم را به جای کلمات ذخیره می‌کنند — و مجموعه‌های آموزشی (Training Sets) را رمزگذاری کرد. تخمین زده می‌شود بازگردانی تنها یک مدل تخریب‌شده بین ۷۵,۰۰۰ تا ۵۰۰,۰۰۰ دلار هزینه داشته باشد و بازسازی آن هفته‌ها یا ماه‌ها زمان ببرد. با این حال، تحلیل‌های بعدی نشان داد که حتی پیشرفته‌ترین عامل‌ها نیز ممکن است با شکست در مرحله پرداخت مواجه شوند که به عنوان نقطه ضعف اصلی اولین باج‌افزار خودگردان شناخته شد.

بهره‌برداری سریع و تزریق پرامپت

بر اساس گزارش Verizon Data Breach Investigations Report 2026، فاصله زمانی بین کشف یک آسیب‌پذیری و بهره‌برداری از آن از چند ماه به چند ساعت کاهش یافته است. اکنون مهاجمان به طور متوسط از هوش مصنوعی برای اجرای ۱۵ تکنیک مختلف حمله استفاده می‌کنند و مدافعان تنها یک پنجره زمانی ۱۲ تا ۷۲ ساعته برای وصله کردن (Patching) سیستم‌ها دارند.

شرکت Cato Networks با همکاری OpenAI نشان داد که تنها یک پرامپت می‌تواند ChatGPT-5.5 را به ابزاری تهاجمی تبدیل کند. در یک محیط شبیه‌سازی شده Active Directory سازمانی، این عامل در کمتر از ۴۰ دقیقه به دسترسی سطح دامنه (Domain-level) در شبکه دست یافت. این عامل تمام چرخه حمله را مدیریت کرد: شناسایی، بهره‌برداری، ارتقای سطح دسترسی، جابه‌جایی عرضی و استخراج داده‌ها. هرگاه محیط تغییر می‌کرد، عامل پروب‌های آسیب‌پذیری سفارشی تولید می‌کرد و مسیرهای جایگزینی برای رسیدن به هدف طراحی می‌نمود.

به گزارش CrowdStrike، حجم حملات فعال‌شده توسط AI سال به سال ۸۹٪ افزایش یافته است. آن‌ها صراحتاً اعلام کرده‌اند که «پرامپت‌ها بدافزارهای جدید هستند». در این راستا، تزریق پرامپت (Prompt Injection) — شبیه به دادن یک دستور مخفی به مدل برای نادیده گرفتن قوانین امنیتی — برای دومین سال متوالی در صدر فهرست آسیب‌پذیری‌های OWASP LLM Top 10 (2025) قرار دارد. این وضعیت با یافته‌های گزارش AgentRisk هم‌سو است که اشاره می‌کند ۹۶.۶٪ از عامل‌های هوشمند فاقد لایهٔ تأیید رفتار هستند و همین امر امکان اجرای دستورات مخرب را تسهیل می‌کند.

مکانیسم‌های پیشرفته حمله

شرکت CrowdStrike پنج تکنیک جدید را شناسایی کرده است که مهاجمان فعالانه از آن‌ها استفاده می‌کنند. این روش‌ها شامل پنهان کردن دستورات مخرب در اسناد، ایمیل‌ها یا هر محتوایی است که یک مدل AI پردازش می‌کند. Check Point Research بین مارس و می ۲۰۲۶، افزایش پنج برابری در «پیلودهای مخرب طولانی» (Long Malicious Payloads) شناسایی کرد که مشخصه مسیرهای حمله مبتنی بر عامل و محتوا هستند.

پژوهشگران همچنین آسیب‌پذیری EchoLeak را شناسایی کردند؛ یک تزریق پرامپت «بدون کلیک» (Zero-click). در این حالت، تنها یک ایمیل دست‌کاری شده می‌تواند Microsoft 365 Copilot را مجبور کند بدون هیچ تعاملی از سوی کاربر، به فایل‌های داخلی دسترسی پیدا کرده و آن‌ها را استخراج کند.

شکاف حاکمیتی در هوش مصنوعی سایه (Shadow AI)

در درون سازمان‌ها، یک بحران پنهان در جریان است. بیش از ۸۰٪ کارکنان از ابزارهای AI استفاده می‌کنند که توسط سازمان‌هایشان تأیید نشده است. یک شرکت معمولی اکنون میزبان بیش از ۶۶۵ اپلیکیشن مختلف هوش مصنوعی زاینده (Generative AI) است، اما تنها ۸٪ سازمان‌ها دید کاملی نسبت به این «هوش مصنوعی سایه» (Shadow AI) دارند.

طبق گزارش IBM's 2025 Cost of a Data Breach، نشت داده‌های ناشی از Shadow AI به طور متوسط ۶۷۰,۰۰۰ دلار هزینه اضافی به هر حادثه تحمیل می‌کند. از هر پنج سازمان، یک سازمان پیش از این چنین نقض امنیتی را تجربه کرده است.

تفاوت Shadow AI با Shadow IT

اتحادیه امنیت ابری (Cloud Security Alliance) هشدار می‌دهد که Shadow AI به دلیل چندین عامل، اساساً با IT سایه سنتی متفاوت است:

• ماندگاری (Persistence): سیستم‌های AI یاد می‌گیرند و به خاطر می‌سپارند؛ این یعنی یک مدل غیرمجاز می‌تواند داده‌های حساس را مدت‌ها پس از انتقال اولیه در حافظه خود نگه دارد.
• خزش دسترسی (Permission Creep): یک عامل غیرمجاز می‌تواند دسترسی‌های متعددی را در ده‌ها پلتفرم SaaS جمع‌آوری کند.
• استخراج خاموش (Silent Exfiltration): یک تزریق پرامپت پنهان در یک سند می‌تواند به طور خاموش فایل‌های داخلی را از طریق دستیار AI سازمانی به بیرون منتقل کند.

در سال ۲۰۲۶، ۶۵٪ سازمان‌ها حوادث امنیتی مربوط به عامل‌های AI را گزارش کردند و تک‌تک آن‌ها تأیید کردند که این حوادث اثرات تجاری واقعی داشته است.

مسموم‌سازی حافظه و استانداردهای جدید

تکنیک جدیدی به نام MemGhost می‌تواند حافظه یک عامل را به طور خاموش مسموم کند. با نوشتن اطلاعات غلط در فایل‌های متنی حافظه که عامل در شروع هر نشست مجدداً بارگذاری می‌کند، مهاجمان می‌توانند تصمیمات آینده عامل را برای همیشه شکل دهند. این حمله علیه عامل‌های OpenClaw (بر پایه GPT-5.4) نرخ موفقیت ۸۷.۵٪ و علیه عامل‌های Claude Code نرخ موفقیت ۷۱.۴٪ داشت. سیستم‌های دفاعی موجود در اکثر موارد در شناسایی این حمله شکست خوردند.

در پاسخ به این چشم‌انداز، Gartner هوش مصنوعی عامل‌محور (Agentic AI) را به عنوان برترین روند امنیت سایبری سال ۲۰۲۶ معرفی کرد. الکس مایکلز، تحلیلگر گارتنر، تأکید می‌کند که حاکمیت (Governance) قوی ضروری است. گارتنر چهار تهدید حیاتی را شناسایی کرده که نیاز به توجه فوری دارند:

• جعل عمیق (Deepfakes)
• به خطر افتادن اپلیکیشن‌های AI
• تزریق پرامپت
• آسیب‌پذیری‌های زنجیره تأمین نرم‌افزار

استاندارد امنیتی ISO 27001

برای مقابله با این تهدیدات، برخی شرکت‌ها به استانداردهای سخت‌گیرانه‌ای مانند ISO 27001 روی آورده‌اند. شرکت CodersLab از این استاندارد بین‌المللی استفاده می‌کند تا تضمین کند سیستم‌های مدیریت امنیت اطلاعات، بالاترین استانداردهای محرمانگی، یکپارچگی و در دسترس بودن داده‌ها را رعایت می‌کنند.

CodersLab این گواهینامه را در تمام مراحل چرخه توسعه ادغام کرده است. هر خط کد، هر یکپارچه‌سازی AI و هر خط لوله داده (Data Pipeline) با موارد زیر مطابقت دارد:

• کنترل‌های دسترسی سخت‌گیرانه
• مدیریت دارایی‌ها
• چارچوب‌های حاکمیتی دقیق

در حالی که بسیاری از شرکت‌های توسعه نرم‌افزار بدون یک چارچوب امنیتی ساختاریافته فعالیت می‌کنند، CodersLab از پیش استانداردی را پیاده کرده است که مقررات نوظهور در حال الزام آن هستند. شرکت‌هایی که CodersLab را برای سیستم‌های AI یا اتوماسیون انتخاب می‌کنند، شریکی را برمی‌گزینند که روی استانداردی سرمایه‌گذاری کرده است که رقبای آن‌ها تازه در حال بررسی آن هستند.

این تکامل به این معناست که حضور انسان در چرخه (Human-in-the-loop) برای مدافعان به یک گلوگاه تبدیل شده، اما برای مهاجمان یک کالای لوکس است. وقتی یک عامل AI می‌تواند کد اکسپلویت خود را در چند ثانیه بازنویسی کند، دفاع‌های سنتی مبتنی بر امضا (Signature-based) منسوخ می‌شوند. نبرد اکنون از «مسدود کردن فایل‌ها» به «مدیریت رفتارهای خودگردان» تغییر مکان داده است.

شرکت‌ها باید اکنون استفاده‌های داخلی از AI را ممیزی کنند تا «عامل‌های سایه» را پیش از آنکه به خطر بیفتند، شناسایی نمایند. شما باید الگوهای غیرعادی در فراخوانی‌های API را رصد کنید که نشان‌دهنده جابه‌جایی عرضی (Lateral Movement) غیرمجاز یک عامل در شبکه شماست.

گام بعدی شما

• فوراً تمامی دسترسی‌های API سازمان خود را بازبینی کنید تا «عامل‌های سایه» شناسایی شوند.
• الگوهای غیرعادی در فراخوانی‌های API را که نشان‌دهنده جابه‌جایی عرضی غیرمجاز است، رصد کنید.
• استراتژی دفاع خود را از شناسایی بدافزار به نظارت بر رفتار عامل‌های AI تغییر دهید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و نقش آن‌ها در تسریع استنتاج تهاجمی مراجعه کنید.