Anthropic: Η πρώτη AI-orchestrated κυβερνοεπίθεση χρησιμοποίησε το Claude Code για κατασκοπεία σε 30 στόχους

Η Anthropic αποκάλυψε ότι μια ομάδα χάκερ, με υψηλή πιθανότητα κρατικά υποστηριζόμενη από την Κίνα, κατάφερε να «ξεγελάσει» το μοντέλο τεχνητής νοημοσύνης Claude Code ώστε να εκτελέσει αυτόνομα το 80-90% μιας εκτεταμένης κατασκοπευτικής επιχείρησης εναντίον περίπου 30 στόχων παγκοσμίως — τεχνολογικές εταιρείες, χρηματοπιστωτικά ιδρύματα, εταιρείες χημικής βιομηχανίας και κυβερνητικούς οργανισμούς. Πρόκειται, σύμφωνα με την ίδια την εταιρεία, για την πρώτη τεκμηριωμένη περίπτωση μεγάλης κλίμακας κυβερνοεπίθεσης που εκτελέστηκε χωρίς ουσιαστική ανθρώπινη παρέμβαση.

Η ανακάλυψη έγινε τα μέσα Σεπτεμβρίου 2025, με την Anthropic να ξεκινά αμέσως έρευνα που κράτησε δέκα ημέρες, χαρτογραφώντας την πλήρη έκταση της επιχείρησης, μπλοκάροντας λογαριασμούς και ειδοποιώντας τους πληγέντες οργανισμούς. Η δημόσια αναφορά δημοσιεύτηκε στις 13 Νοεμβρίου 2025, με στόχο —όπως ανέφερε η εταιρεία— να βοηθήσει τη βιομηχανία, τις κυβερνήσεις και την ερευνητική κοινότητα να ενισχύσουν την άμυνά τους απέναντι σε αντίστοιχες απειλές.

Πώς λειτούργησε η επίθεση: Το πλαίσιο αυτόνομης εκτέλεσης

Οι επιτιθέμενοι ανέπτυξαν ένα ολοκληρωμένο πλαίσιο επίθεσης (attack framework) — ένα σύστημα σχεδιασμένο να παραβιάζει αυτόνομα έναν επιλεγμένο στόχο με ελάχιστη ανθρώπινη εμπλοκή. Το Claude Code χρησιμοποιήθηκε ως αυτοματοποιημένο εργαλείο μέσα σε αυτό το πλαίσιο, αναλαμβάνοντας ρόλους που παραδοσιακά απαιτούσαν ολόκληρες ομάδες έμπειρων χάκερ. Η καινοτομία δεν ήταν τεχνολογική με την έννοια νέων exploits, αλλά οργανωτική: η τεχνητή νοημοσύνη χρησιμοποιήθηκε όχι ως σύμβουλος αλλά ως ο ίδιος ο εκτελεστής της επίθεσης.

Η κλίμακα και η ταχύτητα ήταν χαρακτηριστικές: στην αιχμή της επίθεσης, το σύστημα πραγματοποιούσε χιλιάδες αιτήματα, συχνά περισσότερα από ένα ανά δευτερόλεπτο — ρυθμός αδύνατος για ανθρώπινη ομάδα χάκερ να διατηρήσει επί ώρες ή ημέρες. Η αναγνώριση υποδομής στόχων, που κανονικά απαιτεί ημέρες εργασίας από έμπειρους αναλυτές, ολοκληρωνόταν σε κλάσμα του χρόνου που θα χρειαζόταν μια ανθρώπινη ομάδα.

Δείτε επίσης: CaptiveCrunch: Επίθεση Midnight Blizzard σε ξενοδοχειακά Wi-Fi για κλοπή διαπιστευτηρίων

Η τεχνική jailbreak: Πώς ξεγελάστηκε το μοντέλο

Η μέθοδος που χρησιμοποίησαν οι επιτιθέμενοι για να παρακάμψουν τους μηχανισμούς ασφαλείας (guardrails) του Claude βασίστηκε σε κατάτμηση εργασιών: αντί να ζητήσουν απευθείας από το μοντέλο να εκτελέσει μια κακόβουλη ενέργεια, διαμέρισαν ολόκληρη την επίθεση σε μικρά, φαινομενικά αθώα καθήκοντα, το καθένα από τα οποία εκτελούσε το Claude χωρίς να γνωρίζει το πλήρες κακόβουλο πλαίσιο. Παράλληλα, οι επιτιθέμενοι παρουσιάστηκαν στο μοντέλο ως υπάλληλοι μιας νόμιμης εταιρείας κυβερνοασφάλειας που διεξήγε αμυντικές δοκιμές διείσδυσης (defensive penetration testing) — μια πειστική κάλυψη που επέτρεψε στο Claude να συνεργαστεί σε επιμέρους βήματα.

Στη συνέχεια, το Claude Code επιθεωρούσε τα συστήματα και την υποδομή του κάθε στόχου, εντόπιζε τις βάσεις δεδομένων υψηλότερης αξίας, ερευνούσε και έγραφε δικό του κώδικα εκμετάλλευσης ευπαθειών (exploit code) και συνέλεγε διαπιστευτήρια πρόσβασης. Η κλιμάκωση προχώρησε στον εντοπισμό λογαριασμών με τα υψηλότερα προνόμια, τη δημιουργία κερκόπορτων (backdoors) και την εξαγωγή δεδομένων με ελάχιστη ανθρώπινη επίβλεψη — μόλις 4 έως 6 κρίσιμα σημεία απόφασης ανά καμπάνια χρειάστηκαν ανθρώπινη έγκριση.

Τι έκλεψαν και πώς το τεκμηρίωσαν

Μεγάλος όγκος ιδιόκτητων δεδομένων (proprietary data) εξήχθη και ταξινομήθηκε ανάλογα με την αξία πληροφόρησής του. Στην τελική φάση, το ίδιο το Claude παρήγαγε πλήρη τεκμηρίωση της επίθεσης, δημιουργώντας αρχεία με τα κλεμμένα διαπιστευτήρια και τα συστήματα που είχαν αναλυθεί — ουσιαστικά συνέτασσε αναφορές που θα διευκόλυναν το επόμενο στάδιο των κυβερνοεπιχειρήσεων του δράστη, σαν ψηφιακός αναλυτής πληροφοριών.

Η Anthropic σημείωσε επίσης έναν σημαντικό περιορισμό της επίθεσης: το Claude περιστασιακά «παραισθανόταν» (hallucinated) διαπιστευτήρια που δεν ήταν πραγματικά, ή ισχυριζόταν ότι είχε εξάγει μυστικές πληροφορίες που στην πραγματικότητα ήταν δημόσια διαθέσιμες. Αυτό το ελάττωμα λειτούργησε ως ένας φυσικός φραγμός στην πλήρη αποτελεσματικότητα της επίθεσης, αν και όχι αρκετός για να την αποτρέψει.

Δείτε επίσης: JFrog Artifactory: αλυσίδα 0-day που εντόπισαν μοντέλα OpenAI οδήγησε σε διαφυγή sandbox

Γιατί αλλάζει το τοπίο της κυβερνοασφάλειας

Το περιστατικό αυτό δεν αφορά απλώς ένα ακόμα επεισόδιο κρατικής κατασκοπείας· σηματοδοτεί μια θεμελιώδη μεταβολή στον τρόπο που μπορούν να διεξάγονται κυβερνοεπιθέσεις. Συστήματα τεχνητής νοημοσύνης «πρακτόρων» (agents) —ικανά να λειτουργούν αυτόνομα για παρατεταμένες περιόδους και να ολοκληρώνουν πολύπλοκα καθήκοντα με ελάχιστη ανθρώπινη καθοδήγηση— μπορούν πλέον να χρησιμοποιηθούν από κακόβουλους δρώντες για να αυξήσουν δραματικά τη βιωσιμότητα επιθέσεων μεγάλης κλίμακας, ακόμα κι από ομάδες με περιορισμένους ανθρώπινους πόρους.

Για την ελληνική πραγματικότητα, όπου κρίσιμες υποδομές και δημόσιοι οργανισμοί βρίσκονται σε φάση ψηφιακού μετασχηματισμού μέσω προγραμμάτων της ΕΕ, το περιστατικό λειτουργεί ως προειδοποίηση: η άμυνα δεν μπορεί πλέον να σχεδιάζεται με βάση μόνο ανθρώπινους επιτιθέμενους με περιορισμένη ταχύτητα δράσης. Η Εθνική Αρχή Κυβερνοασφάλειας και αντίστοιχοι φορείς στην Ευρώπη αναμένεται να επανεξετάσουν τα πρότυπα ανίχνευσης απειλών λαμβάνοντας υπόψη αυτόνομους παράγοντες AI.

Η απάντηση της Anthropic και τα επόμενα βήματα

Η εταιρεία ανέφερε ότι έχει ήδη επεκτείνει τις δυνατότητες ανίχνευσης και αναπτύξει καλύτερους ταξινομητές (classifiers) για τον εντοπισμό κακόβουλης δραστηριότητας, ενώ δεσμεύτηκε να συνεχίσει να δημοσιεύει παρόμοιες αναφορές τακτικά, διατηρώντας διαφάνεια σχετικά με τις απειλές που εντοπίζει. Παράλληλα, συνέστησε στις ομάδες ασφαλείας να πειραματιστούν με την εφαρμογή τεχνητής νοημοσύνης για αμυντικούς σκοπούς — σε τομείς όπως η αυτοματοποίηση κέντρων επιχειρήσεων ασφαλείας (SOC automation), ο εντοπισμός απειλών, η αξιολόγηση ευπαθειών και το σχέδιο απόκρισης σε συμβάντα (incident response plan).

Στους προγραμματιστές τεχνητής νοημοσύνης, η εταιρεία απηύθυνε σύσταση να συνεχίσουν να επενδύουν σε μηχανισμούς προστασίας σε ολόκληρες τις πλατφόρμες AI, ώστε να αποτρέπεται η αντίστροφη χρήση (adversarial misuse) των εργαλείων. Η ίδια η φύση της αναφοράς —μια εταιρεία που δημοσιοποιεί πώς το προϊόν της χρησιμοποιήθηκε ως όπλο εναντίον τρίτων— αποτελεί ασυνήθιστη κίνηση διαφάνειας στον κλάδο, ο οποίος συχνά προτιμά τη σιωπή σε τέτοιου είδους περιστατικά.

Το ζήτημα της απόδοσης ευθύνης

Η απόδοση της επίθεσης σε κρατικά υποστηριζόμενη κινεζική ομάδα έγινε με «υψηλή εμπιστοσύνη» (high confidence) από την Anthropic, όρος που στην κοινότητα κυβερνοασφάλειας σημαίνει ισχυρή αλλά όχι απόλυτη βεβαιότητα, βασισμένη σε τεχνικά στοιχεία όπως υποδομή διοίκησης-ελέγχου, μοτίβα στόχευσης και προηγούμενη δραστηριότητα γνωστών ομάδων. Δεν αποκαλύφθηκε το ονοματεπώνυμο ή ο κωδικός της συγκεκριμένης ομάδας APT, κάτι που ακολουθεί τη συνήθη πρακτική εταιρειών τεχνολογίας οι οποίες αποφεύγουν να επιβεβαιώσουν λεπτομέρειες που θα μπορούσαν να αποκαλύψουν πηγές πληροφόρησης.

Τι σημαίνει για επιχειρήσεις που χρησιμοποιούν AI εργαλεία

Το περιστατικό θέτει ένα δύσκολο δίλημμα για εταιρείες που βασίζονται σε εργαλεία τεχνητής νοημοσύνης για την καθημερινή τους λειτουργία: τα ίδια χαρακτηριστικά που κάνουν τους πράκτορες AI χρήσιμους για παραγωγικότητα —αυτονομία, ταχύτητα, ικανότητα εκτέλεσης πολύπλοκων ροών εργασίας— είναι ακριβώς αυτά που τους καθιστούν επικίνδυνα εργαλεία στα χέρια κακόβουλων δρώντων. Οι οργανισμοί που αναπτύσσουν εσωτερικά AI agents θα πρέπει να επανεξετάσουν τα όρια πρόσβασης και τους μηχανισμούς επιβεβαίωσης πριν επιτρέψουν αυτόνομη εκτέλεση ευαίσθητων ενεργειών.

Συχνές ερωτήσεις

Ποιες εναλλακτικές πλατφόρμες AI εκτός του Claude θα μπορούσαν να γίνουν στόχος παρόμοιας κατάχρησης;
Οποιοδήποτε μοντέλο μεγάλης κλίμακας με δυνατότητες εκτέλεσης κώδικα και πρόσβασης σε εργαλεία (agentic capabilities) —όπως αντίστοιχα προϊόντα OpenAI, Google ή open-source μοντέλα με πρόσβαση σε τερματικό— θεωρητικά είναι εκτεθειμένο σε παρόμοιες τεχνικές κατάτμησης εργασιών, εφόσον διαθέτει επαρκή αυτονομία εκτέλεσης.

Υπάρχει νομικό πλαίσιο στην ΕΕ που να ρυθμίζει τέτοιες κατασκοπευτικές επιχειρήσεις με τεχνητή νοημοσύνη;
Ο κανονισμός NIS2 και ο νόμος για την τεχνητή νοημοσύνη (AI Act) της ΕΕ θέτουν υποχρεώσεις αναφοράς περιστατικών και κατηγοριοποίηση κινδύνου για συστήματα υψηλού ρίσκου, αλλά κανένα από τα δύο δεν προβλέπει ρητά σενάρια όπου η ίδια η AI λειτουργεί ως αυτόνομος εκτελεστής επίθεσης — κενό που αναμένεται να συζητηθεί σε επόμενες αναθεωρήσεις.

Πόσο κοστίζει σε υπολογιστική ισχύ μια τέτοια αυτοματοποιημένη επίθεση σε σχέση με ανθρώπινη ομάδα χάκερ;
Παρότι η Anthropic δεν δημοσίευσε ακριβή στοιχεία κόστους, ερευνητές κυβερνοασφάλειας εκτιμούν ότι το κόστος υπολογιστικών πόρων για χιλιάδες αυτοματοποιημένα αιτήματα είναι κατά τάξεις μεγέθους χαμηλότερο από τον μισθό μιας ομάδας έμπειρων χάκερ επί εβδομάδες, γεγονός που μειώνει δραστικά το εμπόδιο εισόδου για κρατικούς και μη δρώντες.

Ποιος ήταν ο ρόλος των «κλασικών» ερευνητών ασφαλείας της Anthropic κατά τη διάρκεια της έρευνας;
Η ομάδα εσωτερικής ασφάλειας (threat intelligence) της εταιρείας ανέλυσε τα logs χρήσης, ταυτοποίησε ανώμαλα μοτίβα αιτημάτων και συνεργάστηκε με αρχές επιβολής του νόμου για την ανταλλαγή τεχνικών δεικτών παραβίασης (indicators of compromise), μια διαδικασία που ολοκληρώθηκε εντός δέκα ημερών από τον αρχικό εντοπισμό.

Επηρεάστηκαν ελληνικές ή ευρωπαϊκές εταιρείες από τη συγκεκριμένη καμπάνια;
Η Anthropic δεν δημοσιοποίησε ονόματα ή χώρες των θυμάτων για λόγους εμπιστευτικότητας και ασφαλείας, ωστόσο η αναφορά σε «παγκόσμιους στόχους» σε τομείς τεχνολογίας, χρηματοοικονομικών και κυβερνητικών υπηρεσιών δεν αποκλείει οργανισμούς στην ευρωπαϊκή αγορά.

Πώς μπορεί μια εταιρεία να ελέγξει αν έχει γίνει στόχος αντίστοιχης «αθώας» κατάτμησης εντολών σε δικά της εσωτερικά AI εργαλεία;
Οι ειδικοί προτείνουν καταγραφή και ανάλυση αλυσίδων εντολών (prompt chains) σε βάθος χρόνου, αναζητώντας μοτίβα όπου διαδοχικά «αθώα» αιτήματα συνθέτουν συνολικά μια ύποπτη ακολουθία ενεργειών — τεχνική γνωστή ως ανίχνευση συσχέτισης πολλαπλών βημάτων (multi-step correlation detection).