Osm měsíců. Čtyři velké incidenty. Jeden vzorec: dodavatelský řetězec softwaru nezískal nového protivníka, ale novou zbraň. Mezi zářím 2025 a květnem 2026 se do něj dostal samorozmnožující se červ, státní aktér, napodobovací kampaň a unesený model umělé inteligence. pipelinekterým miliony vývojářů denně důvěřují. Toto je nová podoba kybernetických hrozeb: rychlejší, hůře viditelné a stále více poháněné stejnou umělou inteligencí, kterou vývojové týmy používají k dodávání kódu.
Pokud váš mentální model kybernetických hrozeb stále začíná a končí phishingovými e-maily a nezabezpečenými servery, níže uvedená data jej aktualizují.
Nová podoba kybernetických hrozeb
Kybernetické hrozby po léta znamenaly odcizení přihlašovacích údajů, špatně nakonfigurované servery a sociální inženýrství. Tato rizika nezmizela: 81 % potvrzených úniků dat v roce 2022 se týkalo kompromitovaných přihlašovacích údajů. Do centra pozornosti se však dostala nová kategorie: hrozby způsobené umělou inteligencí. Vývojové týmy se nyní spoléhají na asistenty kódování umělé inteligence, agentní kopiloty a… Kontextový protokol modelu (MCP) servery pro rychlejší vývoj softwaru a každý z nich je nyní také cílem. Výzkum ukazuje, že přibližně 40 % kódu generovaného umělou inteligencí obsahuje bezpečnostní zranitelnosti, což znamená, že rychlost, kterou umělá inteligence slibuje, je spojena s proporcionálním nárůstem bezpečnostních rizik umělé inteligence, která jsou přímo zabudována do kódové základny.
Osm měsíců, čtyři incidenty: Jak se stupňovaly hrozby umělé inteligence
Nejjasnějším důkazem toho, že se hrozby umělé inteligence zrychlují, není předpověď; je to časová osa toho, co se již stalo:
- Září 2025, Šaj-Hulúd: první samomnožící se červ NPM, který proměňuje samotné vývojáře v mechanismus pro doručování.
- Březen 2026, axios: Malware národních států skrytý uvnitř balíčku stahovaný zhruba 100 milionůkrát týdně.
- Duben 2026, SAP npm: menší opakování stejného vzoru červů, zobrazující šupiny techniky.
- Květen 2026, Claude Opus → PromptMink: rozsáhlý jazykový model využívaný jako zbraň k umisťování malwaru do autonomního agenta, přičemž samotná umělá inteligence působí jako vektor útoku.
Každý incident znovu využil a škáloval ten předchozí. To je určující rys hrozeb umělé inteligence v roce 2026: hromadí se rychleji než tradiční kybernetické hrozby, protože tatáž automatizace, která pomáhá vývojářům s dodáváním produktů, pomáhá útočníkům i s jejich šířením.
Proč tradiční nástroje nedokážou tato rizika umělé inteligence vidět
Tradiční nástroje AppSec se zastavují u repozitáře a nevědí, co je model. Tradiční nástroje pro koncové body sledují operační systém a nerozumí balíčkům, MCP serverům ani asistentům umělé inteligence. Právě tato mezera mezi nimi je místem, kde se rizika umělé inteligence objevují, aniž by byla odhalena, dokud nedojde k poškození.
Dvě čísla potvrzují toto odhalení: krádeže přihlašovacích údajů cílené na umělou inteligenci se mezi 4. čtvrtletím 2025 a 1. čtvrtletím 2026 zvýšily o 376 % a jeden škodlivý MCP bridge (CVE-2025-6514) byl před odhalením stažen 437 000krát, což umožnilo vzdálené spuštění kódu na straně klienta. Ani veřejné MCP servery nejsou ve výchozím nastavení bezpečné: 5.5 % z nich obsahuje chyby typu „tool otrava“ a 43 % obsahuje chyby typu „command injection“, které jsou dostatečně závažné na to, aby se z vlastních nástrojů vývojáře stala jedna z nejvážnějších kybernetických hrozeb, kterým může organizace čelit.
Dodavatelský řetězec softwaru je stále největším zdrojem kybernetických hrozeb
Umělá inteligence tento problém nevymyslela, spíše ho rozšířila. Dodavatelský řetězec softwaru byl již dříve nejvíce zneužívaným vstupním bodem pro kybernetické hrozby a čísla to potvrzují. Od roku 2019 bylo identifikováno více než 778 500 škodlivých balíčků s otevřeným zdrojovým kódem a toto číslo se za jediný rok zvýšilo o 156 % na 512 847 balíčků. Agentura ENISA zjistila, že 60 % útoků v dodavatelském řetězci zneužilo důvěru zákazníků v dodavatele a podle některých odhadů nyní dodavatelský řetězec softwaru zažívá útok zhruba každých 48 hodin. Útoky v dodavatelském řetězci se mezi lety 2019 a 2022 zvýšily o 742 %, přičemž projekce naznačují, že do roku 2025 bude postiženo 45 % organizací a roční náklady dosáhnou do roku 2031 138 miliard dolarů; náklady na útoky v dodavatelském řetězci softwaru se jen v tomto roce odhadují na 60 miliard dolarů.
Stejná závislost a pipeline Slabiny, které tyto klasické kybernetické hrozby vytvořily, nyní nesou i rizika spojená s umělou inteligencí: kompromitovaný balíček, špatně nakonfigurovaná akce GitHubu nebo odepnutý CI/CD Step může cílit na agenta s umělou inteligencí stejně snadno jako na lidského vývojáře.
Širší bezpečnostní rizika umělé inteligence nad rámec kódové základny
Ne každé riziko umělé inteligence je obsaženo v souboru kódu. Úplnější mapa bezpečnostních rizik umělé inteligence zahrnuje celý životní cyklus aktiva umělé inteligence: okamžité vkládání dat a úniky dat ze systému, citlivá data odhalená prostřednictvím příliš permisivních konfigurací umělé inteligence, otrávené vektory a vkládání, škodlivé instrukce skryté v dokumentech a souborech pravidel, nezabezpečené konfigurace MCP a nedůvěryhodné servery, zranitelné nebo nedbalé závislosti umělé inteligence a nadměrná autonomie, kdy agent umělé inteligence jedná za hranicemi, pro které byl nakonfigurován.
Tyto kategorie se přímo vztahují k OWASP Top 10 pro přihlášky LLMse OWASP Top 10 pro agentní aplikaceA OWASP MCP Top 10, tři frameworky, které se rychle stávají sdílenou terminologií pro bezpečnostní rizika umělé inteligence v celém odvětví.
Snížení expozice kybernetickým hrozbám: Co skutečně funguje
Data poukazují na dvě věci, které trvale fungují proti kybernetickým hrozbám: základní hygiena a včasná diagnostika. 98 % kybernetických útoků je zabráněno základní bezpečnostní hygienou, přesto 34 % úniků dat stále pochází z vnitřních hrozeb a 60 % aplikací stále obsahuje zranitelnosti v kódu první strany. Samotný GitHub není imunní: 1.9 % repozitářů exploitů GitHubu pro proof-of-concept je samo o sobě škodlivých, vytvořených za účelem odcizení dat nebo nasazení malwaru výzkumníkům, kteří jim důvěřují.
Konkrétně u rizik spojených s umělou inteligencí musí být oprava provedena dříve v životním cyklu:
- Ověřte uvnitř IDE. Zachycení nezabezpečených vzorů v kódu generovaném umělou inteligencí ještě předtím, než dosáhne pipeline uzavírá největší samostatný zdroj nových bezpečnostních rizik v oblasti umělé inteligence.
- Detekce malwaru ještě před vznikem signatury. Nástroje založené na reputaci ze své podstaty opomíjejí balíčky zero-day, což je přesně mezera, kterou využily Shai-Hulud, Axios a SAP npm.
- Proveďte inventuru všech aktiv umělé inteligence. Modely, datové sady, agenti a MCP servery nemohou být řízeny nebo napadeny něčím, o čem tým neví, že je spuštěno.
Jak Xygeni řeší tyto kybernetické hrozby
Xygeni Hrozby ze strany umělé inteligence považuje za prvotřídní součást zabezpečení aplikací, nikoli za samostatný problém, který by se přidal dodatečně. DevAI aplikuje ověření zabezpečení v reálném čase uvnitř vývojářského IDE a označuje nebezpečné vzory v kódu generovaném umělou inteligencí před jeho odesláním. Včasné varování před malwarem (MEW) cNeustále skenuje NPM, PyPI a Maven, aby zachytil škodlivé balíčky ještě předtím, než existuje jejich signatura, a řeší tak přesný vzorec dodavatelského řetězce, který stojí za Shai-Hulud, Axios a SAP npm. AI Security odhaluje každý prvek umělé inteligence napříč SDLC, porovnává jej s výše uvedenými frameworky OWASP a Shield vynucuje zásady na koncovém bodě předtím, než je povoleno spuštění nebezpečného modelu, agenta nebo serveru MCP.
Organizace, které v roce 2026 dobře řídí rizika spojená s umělou inteligencí, nebudou ty, které budou provozovat nejvíce nástrojů. Jsou to ty, které dokáží vidět každý provozovaný prvek umělé inteligence, zastavit nebezpečné funkce dříve, než se spustí, a aplikovat tyto informace na nástroje, které již vlastní.
Nejčastější dotazy
Jaké jsou největší kybernetické hrozby v roce 2026?
Útoky na dodavatelský řetězec zůstávají největší kategorií co do objemu a nákladů, s odhadovanými škodami ve výši 60 miliard dolarů v letošním roce a útokem zhruba každých 48 hodin. Spolu s nimi se hrozby umělé inteligence objevily jako rychle rostoucí kategorie: krádeže přihlašovacích údajů cílené umělou inteligencí vzrostly v jediném čtvrtletí o 376 % a incidenty jako Shai-Hulud, Axios a PromptMink ukazují, že útočníci aktivně využívají umělou inteligenci jako cíl i jako doručovací mechanismus.
Je kód generovaný umělou inteligencí bezpečnostním rizikem?
Ano. Výzkum ukazuje, že přibližně 40 % kódu generovaného umělou inteligencí obsahuje bezpečnostní zranitelnosti. Díky tomu je validace v reálném čase uvnitř vývojářského IDE, před sloučením kódu, jedním z nejúčinnějších způsobů, jak snížit bezpečnostní rizika umělé inteligence u zdroje.
Co je MEW a jak řeší hrozby umělé inteligence?
Včasné varování před malwarem (MEW) je systém nepřetržitého skenování od společnosti Xygeni pro NPM, PyPI a Maven. Je navržen tak, aby zachytil škodlivé balíčky ještě předtím, než existuje jejich signatura, což je důležité, protože nástroje založené na reputaci zachycují pouze to, co již bylo identifikováno, a přehlížejí tak přesný zero-day vzorec, který stojí za nedávnými hrozbami umělé inteligence a červy v dodavatelském řetězci.
Jsou servery MCP skutečným zdrojem rizik pro umělou inteligenci?
Ano. Veřejné MCP servery vykazují měřitelná bezpečnostní rizika pro umělou inteligenci: 5.5 % z nich obsahuje chyby typu „tool otrava“ a 43 % chyby typu „command injection“ a jen jeden kompromitovaný MCP most byl před detekcí stažen 437 000krát.
