Осум месеци. Четири големи инциденти. Еден образец: синџирот на снабдување со софтвер не доби нов противник, туку ново оружје. Помеѓу септември 2025 и мај 2026 година, саморазмножувачки црв, актер од национална држава, кампања за имитирање и киднапиран модел на вештачка интелигенција, секој од нив, го пронашол својот пат до... pipelineна кои милиони програмери веруваат секој ден. Ова е новиот облик на закани кон сајбер безбедноста: побрзи, потешки за гледање и сè повеќе напојувани од истата вештачка интелигенција што тимовите за развој ја користат за испраќање код.
Ако вашиот ментален модел на закани за сајбер безбедноста сè уште започнува и завршува со фишинг е-пораки и незакрпени сервери, податоците подолу ќе го ажурираат.
Новиот облик на закани по сајбер безбедноста
Со години, заканите за сајбер-безбедноста значеа украдени акредитиви, погрешно конфигурирани сервери и социјален инженеринг. Овие ризици не исчезнаа: 81% од потврдените прекршувања на податоци во 2022 година вклучуваа компромитирани акредитиви. Но, нова категорија се префрли во центарот на разговорот: закани од вештачка интелигенција. Тимовите за развој сега се потпираат на асистенти за кодирање со вештачка интелигенција, агентски копилоти и Модел контекстуален протокол (MCP) сервери за побрзо градење софтвер, а секој од нив сега е исто така цел. Истражувањата покажуваат дека околу 40% од кодот генериран од вештачка интелигенција содржи безбедносни ранливости, што значи дека брзината што ја ветува вештачката интелигенција доаѓа во комбинација со пропорционално зголемување на безбедносните ризици од вештачката интелигенција вградени директно во базата на кодови.
Осум месеци, четири инциденти: Како ескалираа заканите од вештачката интелигенција
Најјасниот доказ дека заканите од вештачката интелигенција се забрзуваат не е прогноза; туку... временска рамка на она што веќе се случило:
- Септември 2025 година, Шаи-Хулуд: првиот саморазмножувачки npm црв, кој ги претвора самите програмери во механизам за испорака.
- март 2026 година, axios: малициозен софтвер на национални држави скриен во пакет, извлечен приближно 100 милиони пати неделно.
- Април 2026, SAP npm: повторување во помал обем на истиот модел на црви, што ги прикажува скалите на техниката.
- Мај 2026, Клод Опус → PromptMink: голем јазичен модел наменет за поставување малициозен софтвер во автономен агент, при што самата вештачка интелигенција делува како вектор на напад.
Секој инцидент го преискористуваше и го скалираше претходниот. Тоа е дефинирачката карактеристика на заканите со вештачка интелигенција во 2026 година: тие се зголемуваат побрзо од традиционалните закани за сајбер безбедност, бидејќи истата автоматизација што им помага на програмерите да се снаоѓаат, им помага и на напаѓачите да се пропагираат.
Зошто традиционалните алатки не можат да ги видат овие ризици од вештачка интелигенција
Традиционалните алатки на AppSec застануваат во складиштето и не знаат што е модел. Традиционалните алатки за крајни точки го следат оперативниот систем и не ги разбираат пакетите, MCP серверите или асистентите за вештачка интелигенција. Тој јаз помеѓу двете е токму местото каде што ризиците од вештачката интелигенција се спуштаат, неоткриени, сè додека не се направи штетата.
Две бројки ја прават изложеноста конкретна: кражбата на акредитиви насочена кон вештачка интелигенција се зголеми за 376% помеѓу четвртиот квартал од 2025 година и првиот квартал од 2026 година, а еден злонамерен MCP мост (CVE-2025-6514) беше преземен 437,000 пати пред да биде откриен, овозможувајќи далечинско извршување на код на клиентот. Јавните MCP сервери исто така не се безбедни по дифолт: 5.5% носат недостатоци на труење со алатки, а 43% носат недостатоци на вбризгување команди доволно сериозни за да ги претворат сопствените алатки на развивачот во една од посериозните закани за сајбер безбедноста со кои може да се соочи една организација.
Синџирот на снабдување со софтвер е сè уште најголемиот извор на закани по сајбер безбедноста
Вештачката интелигенција не го измисли овој проблем, туку го прошири. Синџирот на снабдување со софтвер веќе беше најексполтираната влезна точка за закани со сајбер безбедност, а бројките го потврдуваат тоа. Од 2019 година се идентификувани повеќе од 778,500 злонамерни пакети со отворен код, а таа бројка се зголеми за 156% за една година и достигна 512,847 пакети. ENISA откри дека 60% од нападите во синџирот на снабдување ја искористиле довербата на клиентите во добавувачот, а според некои проценки, синџирот на снабдување со софтвер сега доживува напад приближно на секои 48 часа. Нападите во синџирот на снабдување се зголемија за 742% помеѓу 2019 и 2022 година, при што проекциите сугерираат дека 45% од организациите ќе бидат погодени до 2025 година, а годишните трошоци ќе достигнат 138 милијарди долари до 2031 година; трошоците за напади во синџирот на снабдување со софтвер само оваа година се проценуваат на 60 милијарди долари.
Истата зависност и pipeline Слабостите што ги создадоа овие класични закани за сајбер безбедност сега носат и ризици од вештачка интелигенција: компромитиран пакет, погрешно конфигурирана акција на GitHub или откачен CI/CD step може да таргетира агент на вештачка интелигенција исто толку лесно како и човечки развивач.
Пошироки безбедносни ризици од вештачка интелигенција надвор од базата на кодови
Не секој ризик од вештачка интелигенција се наоѓа во датотека со код. Поцелосна мапа на безбедносни ризици од вештачка интелигенција го опфаќа целиот животен циклус на еден ВИ ресурс: брзо инјектирање и истекување од системот, чувствителни податоци изложени преку премногу попустливи конфигурации на вештачка интелигенција, отруени вектори и вградувања, злонамерни инструкции скриени во документи и датотеки со правила, небезбедни MCP конфигурации и недоверливи сервери, ранливи или несоодветни зависности од вештачка интелигенција и прекумерна агентност, каде што агентот на вештачка интелигенција дејствува надвор од границите со кои е конфигуриран.
Овие категории се мапираат директно на OWASP Топ 10 за апликации за LLM, OWASP Топ 10 за агентски апликации, И OWASP MCP Топ 10, три рамки кои брзо стануваат заеднички речник за безбедносни ризици од вештачка интелигенција низ целата индустрија.
Намалување на изложеноста на закани од сајбер безбедноста: Што всушност функционира
Податоците укажуваат на две работи кои постојано работат против заканите за сајбер безбедноста: основна хигиена и рано откривање. 98% од сајбер нападите се спречени со основна безбедносна хигиена, но 34% од пробивите на податоци сè уште произлегуваат од внатрешни закани, а 60% од апликациите сè уште содржат ранливости во код од прва страна. Самиот GitHub не е имун: 1.9% од складиштата за експлоатација на GitHub се самите злонамерни, изградени за да ексфилтрираат податоци или да распоредуваат малициозен софтвер кај истражувачите кои им веруваат.
Конкретно за ризиците од вештачка интелигенција, поправката мора да се изврши порано во животниот циклус:
- Валидирајте во IDE. Фаќање на небезбедни шеми во код генериран од вештачка интелигенција пред тој воопшто да достигне pipeline го затвора најголемиот поединечен извор на нови безбедносни ризици поврзани со вештачката интелигенција.
- Откријте малициозен софтвер пред да постои потпис. Алатките базирани на репутација по дефиниција ги пропуштаат пакетите од нулти ден, што е токму јазот што го искористија Shai-Hulud, axios и SAP npm.
- Инвентарирајте го секој AI ресурс. Моделите, множествата податоци, агентите и MCP серверите не можат да бидат управувани или нападнати преку нешто за кое тимот не знае дека работи.
Како Xygeni се справува со овие закани по сајбер безбедноста
Xygeni Ги третира заканите од вештачката интелигенција како првокласен дел од безбедноста на апликацијата, а не како посебен проблем што се надоврзува подоцна. DevAI применува валидација на безбедноста во реално време во IDE-то на развивачот, означувајќи ги небезбедните шеми во кодот генериран од вештачката интелигенција пред да бидат испратени. Рано предупредување за малициозен софтвер (MEW) cКонтинуирано скенира NPM, PyPI и Maven за да открие малициозни пакети пред да постои потпис, адресирајќи го точниот модел на синџирот на снабдување зад Shai-Hulud, axios и SAP npm. AI Security открива секој AI ресурс низ целиот SDLC, го оценува во споредба со OWASP рамките погоре, а Shield спроведува политика на крајната точка пред да му се дозволи на небезбеден модел, агент или MCP сервер да работи.
Организациите што добро управуваат со ризиците од вештачка интелигенција во 2026 година не се оние што користат најмногу алатки. Тие се оние што можат да го видат секој ресурс од вештачката интелигенција што го користат, да го спречат она што е небезбедно пред да се изврши и да ја применат таа интелигенција на алатките што веќе ги поседуваат.
NAJČESTO POSTAVUVANI PRAŠANJA
Кои се најголемите закани за сајбер безбедноста во 2026 година?
Нападите врз синџирот на снабдување остануваат најголемата категорија по обем и цена, со проценета штета од 60 милијарди долари оваа година и напад приближно на секои 48 часа. Заедно со нив, заканите од вештачка интелигенција се појавија како брзорастечка категорија: кражбата на акредитиви насочена кон вештачка интелигенција се зголеми за 376% во еден квартал, а инциденти како Shai-Hulud, axios и PromptMink покажуваат дека напаѓачите активно ја користат вештачката интелигенција и како цел и како механизам за испорака.
Дали кодот генериран од вештачка интелигенција претставува безбедносен ризик?
Да. Истражувањата покажуваат дека околу 40% од кодот генериран од вештачка интелигенција содржи безбедносни ранливости. Тоа ја прави валидацијата во реално време во IDE-то на развивачот, пред спојувањето на кодот, еден од најефикасните начини за намалување на безбедносните ризици од вештачка интелигенција на изворот.
Што е MEW и како се справува со заканите од вештачката интелигенција?
Раното предупредување за малициозен софтвер (MEW) е систем за континуирано скенирање на Xygeni за NPM, PyPI и Maven. Дизајниран е да ги открива малициозните пакети пред да постои потпис, што е важно бидејќи алатките базирани на репутација го откриваат само она што е веќе идентификувано, пропуштајќи го точниот нулти-дневен модел зад неодамнешните закани од вештачка интелигенција и црвите во синџирот на снабдување.
Дали MCP серверите се вистински извор на ризици од вештачка интелигенција?
Да. Јавните MCP сервери покажуваат мерливи безбедносни ризици од вештачка интелигенција: 5.5% носат недостатоци со труење со алатки и 43% носат недостатоци со вбризгување команди, а само еден компромитиран MCP мост бил преземен 437,000 пати пред откривањето.
