Des agents d’IA ont permis à un opérateur d’automatiser plus de 100 attaques, de compromettre 27 organisations et de voler plus de 600 000 enregistrements de cartes de crédit.

Un seul opérateur a utilisé des agents d’IA pour attaquer des entreprises à la vitesse de la machine, lançant 105 attaques et volant finalement plus de 600 000 enregistrements de cartes de crédit.

Des chercheurs de Gambit Security ont mis au jour une campagne utilisant trois systèmes d’IA open source pour automatiser des tâches habituellement effectuées par des pirates informatiques expérimentés. Ces agents recherchaient des cibles et des vulnérabilités, menaient des tentatives d’exploitation, volaient des informations et déployaient des logiciels malveillants. 

Au moins 27 organisations ont été compromises lors d’une recrudescence observée sur cinq jours.

La campagne, d’envergure, était en cours depuis au moins juillet, et les chercheurs affirment que l’opérateur a consacré relativement peu de ressources à l’utilisation de modèles d’IA compte tenu de l’ampleur de l’activité. Ce cas illustre donc concrètement comment les agents d’IA peuvent réduire le travail humain nécessaire pour mener des cyberattaques contre un grand nombre de cibles, un phénomène que Jon Markman de Forbes qualifie de « première démonstration publique d’une nouvelle norme ». 

Comment fonctionne l’attaque par vol de cartes ?

Les chercheurs attribuent cette campagne à un opérateur sinophone motivé par des intérêts financiers.

L’opérateur n’agissait cependant pas seul : trois frameworks d’agents d’IA open source — Strix, Cairn et Hermes — ont effectué le gros du travail, permettant à une seule personne de diriger des attaques contre plusieurs organisations avec un effort pratique relativement faible.

Le processus a débuté par une analyse des cibles potentielles par Strix afin d’identifier les failles de sécurité. Parallèlement, Cairn a été utilisé comme moteur d’exploitation autonome pour explorer la cible une fois l’objectif défini. Hermes a ensuite assuré l’orchestration de l’opération, coordonnant les opérations et effectuant les tâches post-accès, notamment l’extraction de données et la modification de l’infrastructure compromise.

La campagne a fait preuve d’une persistance inhabituelle. Selon HackRead , les agents étaient configurés pour sonder leurs cibles jusqu’à ce qu’ils y parviennent, que le délai imparti expire ou qu’ils soient stoppés, ce qui leur offrait de multiples occasions de trouver une voie d’accès praticable à une cible. 

Les journaux de Gambit montrent l’ampleur de cette activité. Strix a mené 146 analyses approfondies sur 138 hôtes entre le 23 et le 31 août, suivies de 105 projets d’attaque de Cairn entre le 10 et le 15 septembre.

Une fois à l’intérieur, les agents ont entrepris de collecter des données de paiement. Dans deux organisations victimes, la campagne a permis d’exfiltrer plus de 600 000 enregistrements de cartes de crédit, et ces enregistrements étaient valides au moment de leur collecte.

L’opération a également permis de créer une deuxième source de données de cartes bancaires en installant des dispositifs de skimming sur des sites compromis. 

Dans un cas observé, une tâche planifiée réinjectait systématiquement le skimmer toutes les deux minutes, lui permettant de réapparaître même après sa suppression par les équipes de défense. La campagne ne s’est pas arrêtée au vol de cartes bancaires . 

Gambit a constaté qu’Hermes effaçait également les champs de cartes de paiement des bases de données Magento après l’exfiltration. Dans un cas précis, une procédure de nettoyage excessivement large a supprimé 180 tables de base de données, ce qui laisse penser que l’attaquant disposait d’un accès suffisant pour affecter les données essentielles de l’application et l’infrastructure de récupération, et pas seulement pour lire les enregistrements de cartes.

Les agents d’IA open source réduisent le coût des attaques

Les principaux fournisseurs d’IA renforcent de plus en plus les mesures de sécurité autour de leurs modèles, mais les modèles open source créent un risque différent. 

Les modèles pouvant être obtenus et exécutés en dehors du service hébergé d’un fournisseur n’ont pas à passer par les contrôles de ce dernier, puisqu’ils peuvent être configurés en fonction des modèles accessibles à l’attaquant. Hermes, par exemple, était dirigé vers Claude Opus 4.6 .

Cela a également rendu l’opération remarquablement peu coûteuse. Selon une comptabilité plus détaillée de Gambit, le coût moyen s’élève à 25,46 $ pour 101 analyses réalisées. Le coût total de la campagne se situe entre 12 000 $ et 18 000 $, d’après l’estimation de Gambit concernant l’utilisation des jetons OpenRouter depuis juillet.

Cette évolution économique a des répercussions qui dépassent le cadre de cette campagne. Justin Daniels, expert en cybersécurité, membre du corps professoral d’IANS et associé chez Baker Donelson, a déclaré à eSecurity Planet que la baisse des coûts de l’IA doit de plus en plus être prise en compte au même titre que les risques de sécurité liés aux modèles et aux infrastructures choisis par les organisations.

« Le problème, c’est que des jetons moins chers ne font pas disparaître comme par magie les questions relatives à la provenance des modèles, aux données d’entraînement, à la propriété intellectuelle, à la confidentialité ou aux risques liés à la chaîne d’approvisionnement », a déclaré Daniels.

L’enjeu principal n’est pas tant le modèle utilisé pour les attaques, mais plutôt la capacité d’un seul opérateur à automatiser à moindre coût l’analyse, à réessayer les tentatives infructueuses et à réaliser une part importante du processus d’intrusion sur de nombreuses cibles.

Que doivent retenir les défenseurs de cette attaque ?

Les commerçants devraient éviter de stocker les numéros de carte en clair et privilégier la tokenisation ou d’autres mécanismes de contrôle. Ainsi, une base de données compromise serait moins exploitable, car elle contiendrait des jetons plutôt que des données de paiement directement utilisables. Les équipes informatiques devraient également surveiller les pages de paiement, les scripts, les bases de données et les tâches planifiées afin de détecter toute modification non autorisée.

La tokenisation présente toutefois un inconvénient majeur : un dispositif de skimming peut intercepter les données de carte bancaire pendant que le client les saisit, avant même que le processus de paiement légitime ne les tokenise. Par conséquent, l’intégrité du processus de paiement doit être aussi importante que la sécurité des bases de données.

Pour les consommateurs, les étapes pratiques restent simples : activer les alertes de transaction, vérifier régulièrement l’activité de leur carte et signaler rapidement les frais suspects.

La leçon principale est que l’IA a rendu la persistance et la répétition peu coûteuses. La meilleure défense consiste donc à minimiser les données sensibles que les attaquants peuvent obtenir et à rendre difficile la dissimulation d’activités non autorisées sur le circuit de paiement.

https://www.esecurityplanet.com/threats/news-ai-agents-600k-credit-card-records