Un recente monitoraggio di infrastrutture legate al gruppo di cyber spionaggio Kimsuky indica un cambio di passo nell’uso dell’intelligenza artificiale per attacchi informatici. Invece di affidarsi a chatbot pubblici, gli operatori avrebbero iniziato a eseguire modelli linguistici in modalità offline su server propri, riducendo la dipendenza da servizi esterni e aumentando riservatezza e controllo.
Questo approccio può rendere più rapida la preparazione di campagne di phishing e più efficiente lo sviluppo di malware, con un impatto diretto sulla sicurezza informatica di enti governativi, ricerca e organizzazioni strategiche.
Tra gli elementi osservati compaiono strumenti noti per far girare LLM in locale come Ollama, GPT4All e Msty. Non si tratta di semplici download: alcune tracce suggeriscono configurazioni attive, come la generazione di chiavi al primo avvio e la presenza di un database collegato a funzionalità di RAG (retrieval augmented generation). La RAG consente a un modello di rispondere attingendo a una collezione privata di documenti, migliorando pertinenza e dettaglio delle risposte senza esporre i contenuti all’esterno. La presenza del database indica test di collegamento tra documenti disponibili agli attaccanti e un sistema di AI, senza provare che quei file siano stati sottratti a vittime.
L’uso di AI offline si accompagna alla raccolta di componenti per integrare funzioni intelligenti in software personalizzato. Sono state individuate librerie e framework per sviluppo in C# e .NET utili a inserire moduli AI in tool interni o in payload malevoli. Inoltre risultano presenti file legati a Whisper per la trascrizione speech-to-text e tracce di editor di coding assistito da AI, segnali di un flusso di lavoro orientato ad automatizzare analisi dati, scrittura di codice e preparazione di esche.
Per i difensori questo significa che gli indicatori tradizionali del phishing, come errori grammaticali e formattazione approssimativa, possono diventare meno affidabili. Diventa più importante correlare segnali tecnici come esecuzione di file LNK, comandi PowerShell, attività di task pianificati nascosti, traffico verso GitHub e comportamento dei payload nelle fasi successive. Il quadro si inserisce anche in catene di infezione che sfruttano repository come canali di comando e controllo e distribuiscono RAT mascherati, aumentando la complessità del rilevamento.