Google alerta para ataques que sequestram recursos de IA e geram prejuízos milionários
O Google identificou um aumento nos ataques de LLMjacking, nos quais criminosos sequestram credenciais corporativas para utilizar modelos de inteligência artificial e recursos de cloud sem autorização.
O que aconteceu?
Os pesquisadores identificaram uma estrutura criminosa cada vez mais especializada, na qual diferentes grupos desempenham funções específicas.
O acesso inicial ocorre principalmente por meio de:
Chaves de API de inteligência artificial expostas em repositórios públicos.
Credenciais IAM comprometidas.
Chaves de contas de serviço em ambientes cloud.
Tokens de sessão roubados.
GitHub Personal Access Tokens (PATs).
Endpoints de modelos de IA expostos publicamente.
Após obter acesso, os criminosos procuram ampliar privilégios, criar novas credenciais e habilitar serviços de inteligência artificial nos projetos comprometidos.
Um dos casos envolve o grupo identificado como UNC6993, que conseguiu explorar uma chave de conta de serviço mal configurada e ampliar seu acesso à infraestrutura de IA da vítima.
Como funciona o ataque?
O ciclo de ataque pode ser dividido em cinco etapas:
Acesso inicial: obtenção de credenciais, tokens ou exploração de endpoints desprotegidos.
Escalonamento de privilégios: comprometimento de contas de serviço e criação de novas credenciais administrativas.
Persistência: implantação de contas não autorizadas, chaves SSH e mecanismos de acesso permanente.
Abuso de recursos: utilização de modelos de IA, APIs e infraestrutura GPU pertencentes à vítima.
Monetização: comercialização do acesso por meio de gateways clandestinos e serviços de proxy.
Um elemento particularmente preocupante é o surgimento dos chamados LLM Mixers.
Esses serviços funcionam como intermediários clandestinos, agrupando credenciais roubadas e revendendo acesso a modelos de IA para outros usuários e grupos criminosos.
Entre os serviços identificados pelo Google estão Jet Night e infraestrutura associada ao domínio
Aspectos técnicos relevantes
A investigação identificou técnicas que merecem atenção das equipes de infraestrutura e segurança.
Validação silenciosa de credenciais
Os invasores utilizaram requisições extremamente pequenas, como max_tokens=1, para verificar se determinadas chaves de API estavam funcionando, reduzindo a possibilidade de detecção por alertas tradicionais de volume.
Estratégia Burn and Rotate
Consiste na criação e exclusão contínua de contas de serviço temporárias para tentar contornar limites de utilização e manter o consumo dos recursos comprometidos.
Exploração de gateways de IA
O relatório também destaca a exploração de uma vulnerabilidade identificada como CVE-2026-40217 no LiteLLM, relacionada à possibilidade de elevar privilégios de chaves virtuais para credenciais administrativas do proxy.
Abuso de infraestrutura cloud
Os criminosos também utilizaram recursos de GPU, serviços de inferência, proxies reversos e workloads automatizados para ampliar a capacidade de processamento e monetizar o acesso comprometido.
Impactos para as organizações
Os impactos não se limitam ao prejuízo financeiro.
Financeiro: cobranças inesperadas que podem atingir centenas de milhares de dólares.
Operacional: indisponibilidade de cotas e recursos necessários para aplicações legítimas.
Segurança: comprometimento de credenciais, contas administrativas e ambientes cloud.
Confidencialidade: possibilidade de exposição de informações e configurações internas.
Governança: utilização de serviços de IA sem autorização ou monitoramento corporativo.
Outro risco importante é a utilização de ferramentas de terceiros que redirecionam requisições legítimas para servidores externos, podendo comprometer a confidencialidade dos dados enviados aos modelos.
Análise CyberX
O crescimento do LLMjacking demonstra uma mudança importante no cenário de ameaças: a infraestrutura de inteligência artificial passou a representar um ativo financeiro diretamente explorável por grupos criminosos.
Em ambientes corporativos, não basta proteger apenas servidores, firewalls e aplicações tradicionais. As integrações com modelos de IA, gateways de inferência, tokens de autenticação e contas de serviço também precisam fazer parte da estratégia de segurança.
Um ponto crítico é que uma chave de API comprometida pode permitir que terceiros utilizem serviços legítimos sem necessariamente provocar uma interrupção perceptível no ambiente.
Isso exige uma abordagem integrada entre gestão de identidades, monitoramento de consumo, auditoria de cloud e proteção de aplicações.
Recomendações de segurança
A CyberX recomenda a adoção das seguintes medidas:
Área | Recomendação |
|---|---|
Credenciais | Utilizar cofres de segredos e rotação periódica de chaves. |
IAM | Aplicar princípio do menor privilégio. |
MFA | Exigir autenticação multifator resistente a phishing. |
APIs | Restringir escopos, modelos e limites de utilização. |
Monitoramento | Identificar picos anormais de requisições e consumo. |
Cloud | Configurar alertas de orçamento e cotas de API. |
Repositórios | Implementar varredura automática de segredos no GitHub e GitLab. |
Gateways | Atualizar LiteLLM e demais componentes de roteamento. |
Auditoria | Monitorar criação de contas, chaves e alterações de permissões. |
Rede | Restringir endpoints e conexões externas não autorizadas. |
Também é importante habilitar os registros de auditoria de acesso aos modelos. No Google Cloud, por exemplo, determinadas operações de inferência exigem configuração específica de Data Access Audit Logs.
Conclusão
O LLMjacking representa uma evolução significativa no roubo de recursos computacionais. Em vez de comprometer exclusivamente dados ou sistemas, os criminosos passam a explorar diretamente a capacidade de processamento e os serviços de inteligência artificial das organizações.
O cenário reforça a necessidade de tratar APIs de IA como ativos críticos, submetidos aos mesmos controles de identidade, monitoramento, auditoria e proteção aplicados à infraestrutura corporativa.
A inteligência artificial está se tornando parte da infraestrutura de negócios. Consequentemente, também precisa fazer parte da estratégia de defesa cibernética.
Referências
Google Threat Intelligence Group / Mandiant — The Rise of LLMJacking: How Threat Actors Monetize Compromised Cloud and Model Resources. 02/11/2026.
The Hacker News — Google Warns LLMjacking Attacks Are Costing Some Enterprises Up to $1 Million in Cloud Charges. 03/11/2026.
