Osam mjeseci. Četiri velika incidenta. Jedan obrazac: lanac snabdijevanja softverom nije dobio novog protivnika, već novo oružje. Između septembra 2025. i maja 2026. godine, u njega su ušli samorazmnožavajući crv, akter nacionalne države, kampanja kopiranja i oteti model umjetne inteligencije. pipelinekojima milioni programera svakodnevno vjeruju. Ovo je novi oblik prijetnji kibernetičkoj sigurnosti: brži, teže uočljivi i sve više pokretani istom umjetnom inteligencijom koju razvojni timovi koriste za isporuku koda.
Ako vaš mentalni model prijetnji kibernetičke sigurnosti i dalje počinje i završava se phishing e-porukama i nezakrpanim serverima, podaci u nastavku će ga ažurirati.
Novi oblik prijetnji kibernetičkoj sigurnosti
Godinama su prijetnje kibernetičkoj sigurnosti značile krađu akreditiva, pogrešno konfigurirane servere i socijalni inženjering. Ti rizici nisu nestali: 81% potvrđenih povreda podataka u 2022. godini uključivalo je kompromitirane akreditive. Ali nova kategorija se pomjerila u središte razgovora: prijetnje umjetne inteligencije. Razvojni timovi sada se oslanjaju na asistente za kodiranje umjetne inteligencije, agentske kopilote i... Protokol konteksta modela (MCP) servere za brži razvoj softvera, a svaki od njih je sada također meta. Istraživanja pokazuju da oko 40% koda generiranog umjetnom inteligencijom sadrži sigurnosne ranjivosti, što znači da brzina koju obećava umjetna inteligencija dolazi u paketu s proporcionalnim porastom sigurnosnih rizika umjetne inteligencije ugrađenih direktno u kodnu bazu.
Osam mjeseci, četiri incidenta: Kako su se prijetnje umjetne inteligencije pojačavale
Najjasniji dokaz da se prijetnje umjetne inteligencije ubrzavaju nije prognoza; to je vremenska crta onoga što se već dogodilo:
- Septembar 2025., Šaj-Hulud: prvi samorazmnožavajući npm crv, koji same programere pretvara u mehanizam isporuke.
- Mart 2026, axios: Zlonamjerni softver nacionalne države skriven unutar paketa povlači se otprilike 100 miliona puta sedmično.
- April 2026, SAP npm: ponavljanje istog uzorka crva u manjem obimu, koje prikazuje tehniku u ljuskama.
- Maj 2026, Claude Opus → PromptMink: veliki jezički model koji služi kao oružje za postavljanje zlonamjernog softvera unutar autonomnog agenta, pri čemu sama umjetna inteligencija djeluje kao vektor napada.
Svaki incident je ponovo koristio i skalirao prethodni. To je ključna karakteristika prijetnji umjetne inteligencije u 2026. godini: one se brže nakupljaju nego što su se ikada nakupljale tradicionalne prijetnje kibernetičke sigurnosti, jer ista automatizacija koja pomaže programerima u isporuci također pomaže napadačima u širenju.
Zašto tradicionalni alati ne mogu vidjeti ove rizike umjetne inteligencije
Tradicionalni AppSec alati se zaustavljaju na repozitorijumu i ne znaju šta je model. Tradicionalni alati za krajnje tačke prate operativni sistem i ne razumiju pakete, MCP servere ili AI asistente. Taj jaz između njih dvoje je upravo mjesto gdje AI rizikuje da sleti, neotkriven, sve dok se šteta ne učini.
Dvije brojke konkretno potvrđuju izloženost: krađa akreditiva usmjerena na umjetnu inteligenciju povećala se za 376% između četvrtog kvartala 2025. i prvog kvartala 2026. godine, a jedan zlonamjerni MCP most (CVE-2025-6514) preuzet je 437,000 puta prije nego što je uhvaćen, omogućavajući udaljeno izvršavanje koda na klijentu. Javni MCP serveri također nisu sigurni po defaultu: 5.5% nosi propuste u trovanju alata, a 43% nosi propuste u ubrizgavanju naredbi dovoljno ozbiljne da pretvore vlastiti alat programera u jednu od ozbiljnijih prijetnji kibernetičkoj sigurnosti s kojima se organizacija može suočiti.
Lanac snabdijevanja softverom i dalje je najveći izvor prijetnji kibernetičkoj sigurnosti
Vještačka inteligencija nije izmislila ovaj problem, već ga je proširila. Lanac snabdijevanja softverom već je bio najiskorištavanija ulazna tačka za prijetnje sajber sigurnosti, a brojke to potvrđuju. Više od 778,500 zlonamjernih paketa otvorenog koda identifikovano je od 2019. godine, a ta brojka je porasla za 156% u jednoj godini i dostigla 512,847 paketa. ENISA je otkrila da je 60% napada na lanac snabdijevanja iskoristilo povjerenje kupaca u dobavljača, a prema nekim procjenama, lanac snabdijevanja softverom sada doživljava napad otprilike svakih 48 sati. Napadi na lanac snabdijevanja porasli su za 742% između 2019. i 2022. godine, a projekcije sugeriraju da će 45% organizacija biti pogođeno do 2025. godine, a godišnji troškovi će dostići 138 milijardi dolara do 2031. godine; troškovi napada na lanac snabdijevanja softverom samo ove godine procjenjuju se na 60 milijardi dolara.
Ista zavisnost i pipeline Slabosti koje su stvorile ove klasične prijetnje kibernetičkoj sigurnosti sada nose i rizike umjetne inteligencije: kompromitovani paket, pogrešno konfigurirana GitHub akcija ili otkvačena CI/CD korak može ciljati AI agenta jednako lako kao i ljudskog programera.
Širi sigurnosni rizici umjetne inteligencije izvan baze koda
Ne nalazi se svaki rizik umjetne inteligencije unutar datoteke koda. Potpunija mapa sigurnosnih rizika umjetne inteligencije obuhvata cijeli životni ciklus AI imovine: brzo ubrizgavanje i brzo curenje iz sistema, osjetljivi podaci izloženi kroz previše permisivne AI konfiguracije, zatrovani vektori i ugrađivanja, zlonamjerne instrukcije skrivene unutar dokumenata i datoteka s pravilima, nesigurne MCP konfiguracije i nepouzdani serveri, ranjive ili nepažljive AI zavisnosti i pretjerana agencija, gdje AI agent djeluje izvan granica za koje je konfigurisan.
Ove kategorije se direktno preslikavaju na OWASP Top 10 za prijave na LLM, u OWASP Top 10 za agentske aplikacije, A OWASP MCP Top 10, tri okvira brzo postaju zajednički vokabular za sigurnosne rizike umjetne inteligencije u cijeloj industriji.
Smanjenje izloženosti prijetnjama kibernetičkoj sigurnosti: Šta zapravo funkcioniše
Podaci ukazuju na dvije stvari koje dosljedno djeluju protiv prijetnji kibernetičkoj sigurnosti: osnovna higijena i rano otkrivanje. 98% sajber napada se sprečava osnovnom sigurnosnom higijenom, ali 34% povreda podataka i dalje potiče od insajderskih prijetnji, a 60% aplikacija i dalje sadrži ranjivosti u kodu prve strane. Sam GitHub nije imun: 1.9% GitHub repozitorija za proof-of-concept eksploit su sami po sebi zlonamjerni, napravljeni za krađu podataka ili implementaciju zlonamjernog softvera istraživačima koji im vjeruju.
Što se tiče rizika umjetne inteligencije, ispravka se mora primijeniti ranije u životnom ciklusu:
- Validirajte unutar IDE-a. Hvatanje nesigurnih obrazaca u kodu generiranom umjetnom inteligencijom prije nego što ikada dođe do pipeline zatvara najveći pojedinačni izvor novih sigurnosnih rizika umjetne inteligencije.
- Otkrivanje zlonamjernog softvera prije nego što postoji potpis. Alati zasnovani na reputaciji po definiciji propuštaju zero-day pakete, što je upravo jaz koji su Shai-Hulud, Axios i SAP npm iskoristili.
- Popisajte svaku imovinu umjetne inteligencije. Modeli, skupovi podataka, agenti i MCP serveri ne mogu biti upravljani ili napadnuti putem nečega za šta tim ne zna da se izvršava.
Kako Xygeni rješava ove prijetnje kibernetičkoj sigurnosti
Xygeni tretira AI prijetnje kao prvoklasni dio sigurnosti aplikacije, a ne kao zaseban problem koji se naknadno dodaje. DevAI primjenjuje sigurnosnu validaciju u stvarnom vremenu unutar razvojnog IDE-a, označavajući nesigurne obrasce u kodu generiranom od strane AI-a prije nego što se isporuče. Rano upozorenje o zlonamjernom softveru (MEW) cNeprestano skenira NPM, PyPI i Maven kako bi otkrio zlonamjerne pakete prije nego što postoji potpis, adresirajući tačan obrazac lanca snabdijevanja iza Shai-Huluda, Axiosa i SAP npm-a. AI Security otkriva svaku AI imovinu širom SDLC, ocjenjuje ga u odnosu na gore navedene OWASP okvire, a Shield primjenjuje politiku na krajnjoj tački prije nego što se dozvoli pokretanje nesigurnog modela, agenta ili MCP servera.
Organizacije koje dobro upravljaju rizicima umjetne inteligencije u 2026. godini nisu one koje koriste najviše alata. One su one koje mogu vidjeti svaku AI imovinu koju koriste, zaustaviti ono što je nesigurno prije nego što se izvrši i primijeniti tu inteligenciju na alate koje već posjeduju.
ČESTA PITANJA
Koje su najveće prijetnje sajber sigurnosti u 2026. godini?
Napadi na lanac snabdijevanja ostaju najveća kategorija po obimu i troškovima, s procijenjenom štetom od 60 milijardi dolara ove godine i napadom otprilike svakih 48 sati. Uz njih, prijetnje umjetne inteligencije pojavile su se kao brzorastuća kategorija: krađa vjerodajnica usmjerena na umjetnu inteligenciju porasla je za 376% u jednom kvartalu, a incidenti poput Shai-Huluda, Axiosa i PromptMinka pokazuju da napadači aktivno koriste umjetnu inteligenciju i kao metu i kao mehanizam isporuke.
Da li je kod generiran umjetnom inteligencijom sigurnosni rizik?
Da. Istraživanja pokazuju da oko 40% koda generiranog umjetnom inteligencijom sadrži sigurnosne ranjivosti. To čini validaciju u stvarnom vremenu unutar razvojnog IDE-a, prije spajanja koda, jednim od najefikasnijih načina za smanjenje sigurnosnih rizika umjetne inteligencije na izvoru.
Šta je MEW i kako se bavi prijetnjama umjetne inteligencije?
Rano upozorenje na zlonamjerni softver (MEW) je Xygenijev sistem kontinuiranog skeniranja za NPM, PyPI i Maven. Dizajniran je da uhvati zlonamjerne pakete prije nego što postoji potpis, što je važno jer alati zasnovani na reputaciji hvataju samo ono što je već identifikovano, propuštajući tačan zero-day obrazac koji stoji iza nedavnih prijetnji umjetne inteligencije i crva u lancu snabdijevanja.
Jesu li MCP serveri stvarni izvor rizika za umjetnu inteligenciju?
Da. Javni MCP serveri pokazuju mjerljive sigurnosne rizike umjetne inteligencije u praksi: 5.5% ima propuste u trovanju alata, a 43% ima propuste u ubrizgavanju naredbi, a samo jedan kompromitovani MCP most preuzet je 437,000 puta prije otkrivanja.
