Hotaktörer rör sig från enkel användning av AI-prompter mot agentiska arbetsflöden och automatisering. Under andra kvartalet observerade Google Threat Intelligence Group hur angripare först tog sig in i en molnresurs och därefter, på mindre än sex timmar, planerade, byggde och genomförde en agentbaserad kampanj för att samla in inloggningsuppgifter.
Mindre mänsklig inblandning, kortare försvarsfönster
Rapporten AI Threat Tracker för tredje kvartalet 2026 bygger på data från Mandiants incidenthantering, global kartläggning av hotaktörer och Google Clouds försvar av sina egna plattformar. Den beskriver hur statsstödda spionagegrupper, ekonomiskt motiverade kriminella och aktörer inom informationspåverkan använder AI i faktiska operationer.
Den röda tråden är att behovet av mänsklig inblandning minskar kraftigt. När fler steg automatiseras krymper den tid försvarare har på sig att upptäcka och bemöta ett angrepp, vilket får konsekvenser för hur larmhantering behöver vara organiserad.
Rapporten är en uppföljning på Google Clouds genomgång från maj samma år, vilket gör att utvecklingen går att följa över tid snarare än som enskilda nedslag. Jämförelsen mellan de två kvartalen är det som gör riktningen tydlig.
Jamie Collier, Lead Advisor vid gruppen, beskriver utvecklingen mot agentiska arbetsflöden som särskilt viktig, eftersom den gör det möjligt för angripare att agera både snabbare och i större skala. Han framhåller samtidigt att cyberhotens grundläggande karaktär inte förändras.
Leveranskedjan för öppen källkod är under press
Användningen av AI-baserade kodningsverktyg tillsammans med öppen källkod har snabbat upp utvecklingsarbetet, men samtidigt höjt de operativa riskerna. Hotaktörer riktar sig aktivt mot utvecklare, kodningsassistenter och språkmodellbaserade verktyg för säkerhetsskanning.
Gruppen följde bland annat hur aktören UNC6780 använde flera olika metoder för att lura AI-baserade kodningsassistenter och skannrar i samband med angrepp mot leveranskedjan för programvara med öppen källkod.
Angreppen mot molnmiljöer har dessutom en ekonomisk sida som drabbar offret direkt. Obehöriga arbetsbelastningar förbrukar betald beräkningskapacitet, vilket innebär att kostnaden landar på den organisation vars konto har kapats innan intrånget ens upptäckts.
AI-tillgångarna har blivit mål i sig
En förskjutning som rapporten lyfter särskilt är att angriparna riktar in sig på själva AI-tillgångarna. Det handlar om proprietära modeller, källkod, prompter och forskning, med observerade fall inom bland annat hälso- och sjukvård, offentlig sektor och media.
Aktörer stjäl också API-inloggningsuppgifter och utnyttjar offrens molnmiljöer för att köra obehöriga AI-arbetsbelastningar, ett beteende som i rapporten kallas LLMJacking. Drivkraften är att slippa kostnaden för beräkningskraft.
För ett företag innebär det att modellvikter, prompter och molnkapacitet behöver behandlas som skyddsvärda tillgångar på samma sätt som kunddata och källkod.
AI används genom hela attackkedjan
Statsstödda aktörer och kriminella grupper använder tekniken i flera led: kartläggning av mål, framtagning av material för social manipulation, döljande av specialutvecklad skadlig kod och problemlösning efter ett intrång.
De experimenterar också med att skala upp informationspåverkansoperationer. Gruppen ser aktörer kopplade till Kina, Iran och Ryssland använda generativ AI i den typen av kampanjer, vilket är särskilt relevant i ett svenskt valår.
Försvaret bygger på flera lager
Google Cloud beskriver sin egen motstrategi som en kombination av skydd på modellnivå, specialiserad hotunderrättelse och riktade åtgärder för att störa angripares projekt och konton. Till det kommer den autonoma säkerhetsarkitekturen Google AI Threat Defense.
Att leverantören beskriver sina egna produkter i en hotrapport är värt att notera vid läsningen. Observationerna om angriparnas metoder bygger dock på incidentdata snarare än på marknadsmaterial.
Vad rapporten betyder för svenska säkerhetsteam
Den mest direkta slutsatsen rör tempot. Ett säkerhetsarbete som förutsätter att en analytiker hinner läsa ett larm, utreda och agera manuellt fungerar sämre när angriparen automatiserar sina steg. Automatiserad isolering av misstänkta sessioner blir då en förutsättning snarare än en förfining.
Den andra slutsatsen rör inventeringen. Få organisationer har i dag en samlad bild av vilka API-nycklar som är utfärdade mot AI-tjänster, vem som äger dem och vad de kan nå. Så länge den bilden saknas är det svårt att upptäcka att den egna molnkapaciteten används av någon annan.
