Osam mjeseci. Četiri velika incidenta. Jedan obrazac: lanac opskrbe softverom nije dobio novog protivnika, dobio je novo oružje. Između rujna 2025. i svibnja 2026., samorazmnožavajući crv, akter nacionalne države, kampanja kopiranja i oteti model umjetne inteligencije pronašli su svoj put u... pipelinekojima milijuni programera svakodnevno vjeruju. Ovo je novi oblik prijetnji kibernetičke sigurnosti: brži, teže uočljivi i sve više pokretani istom umjetnom inteligencijom koju razvojni timovi koriste za isporuku koda.
Ako vaš mentalni model kibernetičkih prijetnji i dalje počinje i završava s phishing e-porukama i nezakrpanim serverima, podaci u nastavku će ga ažurirati.
Novi oblik prijetnji kibernetičkoj sigurnosti
Godinama su kibernetičke prijetnje značile krađu vjerodajnica, pogrešno konfigurirane poslužitelje i socijalni inženjering. Ti rizici nisu nestali: 81% potvrđenih povreda podataka u 2022. godini uključivalo je kompromitirane vjerodajnice. No, nova kategorija dospjela je u središte razgovora: prijetnje umjetne inteligencije. Razvojni timovi sada se oslanjaju na pomoćnike za kodiranje umjetne inteligencije, agentske kopilote i... Model Context Protocol (MCP) poslužitelje za bržu izgradnju softvera, a svaki od njih sada je također meta. Istraživanja pokazuju da oko 40% koda generiranog umjetnom inteligencijom sadrži sigurnosne ranjivosti, što znači da brzina koju umjetna inteligencija obećava dolazi u paketu s proporcionalnim porastom sigurnosnih rizika umjetne inteligencije ugrađenih izravno 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:
- Rujan 2025., Shai-Hulud: prvi samorazmnožavajući npm crv, koji same programere pretvara u mehanizam isporuke.
- Ožujak 2026., axios: Zlonamjerni softver nacionalne države skriven unutar paketa povlači se otprilike 100 milijuna puta tjedno.
- Travanj 2026., SAP npm: manje ponavljanje istog uzorka crva, koje prikazuje tehniku ljuskica.
- Svibanj 2026., Claude Opus → PromptMink: veliki jezični model koji služi kao oružje za postavljanje zlonamjernog softvera unutar autonomnog agenta, pri čemu sama umjetna inteligencija djeluje kao vektor napada.
Svaki incident ponovno je koristio i skalirao prethodni. To je ključna značajka prijetnji umjetne inteligencije u 2026.: one se brže nakupljaju nego što su se ikad mogle 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 zaustavljaju se na repozitoriju i ne znaju što je model. Tradicionalni alati za krajnje točke prate operativni sustav i ne razumiju pakete, MCP poslužitelje ili AI asistente. Taj jaz između njih dvoje je upravo mjesto gdje AI riskira, neotkriven, sve dok se šteta ne učini.
Dvije brojke konkretno potvrđuju izloženost: krađa vjerodajnica usmjerena na umjetnu inteligenciju povećala se za 376% između četvrtog tromjesečja 2025. i prvog tromjesečja 2026., a jedan zlonamjerni MCP most (CVE-2025-6514) preuzet je 437 000 puta prije nego što je uhvaćen, omogućujući udaljeno izvršavanje koda na klijentu. Javni MCP poslužitelji također nisu sigurni prema zadanim postavkama: 5.5% nosi nedostatke trovanja alata, a 43% ima nedostatke ubrizgavanja naredbi dovoljno ozbiljne da vlastiti alat programera pretvore u jednu od ozbiljnijih prijetnji kibernetičkoj sigurnosti s kojima se organizacija može suočiti.
Lanac opskrbe softverom i dalje je najveći izvor prijetnji kibernetičkoj sigurnosti
Umjetna inteligencija nije izmislila ovaj problem, već ga je proširila. Lanac opskrbe softverom već je bio najiskorištenija ulazna točka za kibernetičke prijetnje, a brojke to potvrđuju. Od 2019. identificirano je više od 778 500 zlonamjernih paketa otvorenog koda, a ta je brojka porasla za 156% u jednoj godini na 512 847 paketa. ENISA je otkrila da je 60% napada na lanac opskrbe iskoristilo povjerenje kupaca u dobavljača, a prema nekim procjenama lanac opskrbe softverom sada doživljava napad otprilike svakih 48 sati. Napadi na lanac opskrbe porasli su za 742% između 2019. i 2022., a projekcije sugeriraju da će 45% organizacija biti pogođeno do 2025., a godišnji troškovi dosegnuti 138 milijardi dolara do 2031.; trošak napada na lanac opskrbe softverom samo ove godine procjenjuje se na 60 milijardi dolara.
Ista ovisnost i pipeline Slabosti koje su stvorile ove klasične prijetnje kibernetičkoj sigurnosti sada nose i rizike umjetne inteligencije: kompromitirani 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 karta sigurnosnih rizika umjetne inteligencije obuhvaća cijeli životni ciklus umjetne inteligencije: brzo ubrizgavanje i brzo curenje iz sustava, osjetljivi podaci izloženi kroz previše permisivne konfiguracije umjetne inteligencije, zatrovani vektori i ugrađivanja, zlonamjerne upute skrivene unutar dokumenata i datoteka s pravilima, nesigurne MCP konfiguracije i nepouzdani poslužitelji, ranjive ili nemarne ovisnosti umjetne inteligencije i pretjerana agencija, gdje agent umjetne inteligencije djeluje izvan granica za koje je konfiguriran.
Ove kategorije se izravno preslikavaju na OWASP Top 10 za prijave na LLM je 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 kibernetičkim prijetnjama: Što zapravo funkcionira
Podaci ukazuju na dvije stvari koje dosljedno djeluju protiv prijetnji kibernetičkoj sigurnosti: osnovna higijena i rano otkrivanje. 98% kibernetičkih napada sprječava se osnovnom sigurnosnom higijenom, no 34% povreda podataka i dalje proizlazi iz unutarnjih prijetnji, a 60% aplikacija i dalje sadrži ranjivosti u kodu prve strane. Sam GitHub nije imun: 1.9% GitHubovih repozitorija za proof-of-concept iskorištavanja su sami po sebi zlonamjerni, izgrađeni za krađu podataka ili implementaciju zlonamjernog softvera istraživačima koji im vjeruju.
Što se tiče rizika umjetne inteligencije, ispravak se mora primijeniti ranije u životnom ciklusu:
- Validirajte unutar IDE-a. Hvatanje nesigurnih obrazaca u kodu generiranom umjetnom inteligencijom prije nego što uopće dosegne pipeline zatvara najveći pojedinačni izvor novih sigurnosnih rizika umjetne inteligencije.
- Otkrivanje zlonamjernog softvera prije nego što postoji potpis. Alati temeljeni 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 poslužitelji ne mogu biti upravljani ili napadnuti putem nečega za što tim ne zna da se izvršava.
Kako Xygeni rješava ove prijetnje kibernetičkoj sigurnosti
Xygeni tretira AI prijetnje kao prvorazredni 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 AI generiranom kodu prije nego što se isporuče. Rano upozorenje o zlonamjernom softveru (MEW) cNeprestano skenira NPM, PyPI i Maven kako bi uhvatio zlonamjerne pakete prije nego što postoji potpis, adresirajući točan obrazac lanca opskrbe iza Shai-Huludara, Axiosa i SAP npm-a. AI Security otkriva svaku AI imovinu u cijelom SDLC, uspoređuje ga s gore navedenim OWASP okvirima, a Shield provodi politiku na krajnjoj točki prije nego što se dopusti pokretanje nesigurnog modela, agenta ili MCP poslužitelja.
Organizacije koje dobro upravljaju rizicima umjetne inteligencije u 2026. nisu one koje koriste najviše alata. One su one koje mogu vidjeti svaku umjetnu inteligenciju 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 kibernetičkoj sigurnosti u 2026. godini?
Napadi na lanac opskrbe ostaju najveća kategorija po volumenu 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 tromjesečju, a incidenti poput Shai-Huluda, Axiosa i PromptMinka pokazuju da napadači aktivno koriste umjetnu inteligenciju i kao metu i kao mehanizam isporuke.
Je li 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 najučinkovitijih načina za smanjenje sigurnosnih rizika umjetne inteligencije na izvoru.
Što je MEW i kako se bavi prijetnjama umjetne inteligencije?
Rano upozorenje na zlonamjerni softver (MEW) je Xygenijev sustav kontinuiranog skeniranja za NPM, PyPI i Maven. Dizajniran je za hvatanje zlonamjernih paketa prije nego što postoji potpis, što je važno jer alati temeljeni na reputaciji hvataju samo ono što je već identificirano, propuštajući točan zero-day obrazac koji stoji iza nedavnih prijetnji umjetne inteligencije i crva u lancu opskrbe.
Jesu li MCP poslužitelji stvarni izvor rizika za umjetnu inteligenciju?
Da. Javni MCP poslužitelji 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 kompromitirani MCP most preuzet je 437 000 puta prije otkrivanja.
