Le incursioni di LLMjacking fanno salire le fatture cloud fino a 1 milione di dollari
LLMjacking sta trasformando l’accesso aziendale rubato ai large language models (LLMs), sistemi di AI che generano testo, codice e altri contenuti, in fatture cloud che possono raggiungere 1 milione di dollari. Google Threat Intelligence Group e Mandiant hanno dichiarato che gli attaccanti hanno causato addebiti fraudolenti per risorse superiori a 100.000 dollari in un solo giorno, mentre in alcune organizzazioni i costi cumulativi hanno raggiunto 1 milione di dollari prima che l’accesso fosse revocato.
La tecnica è una forma di resource hijacking in cui qualcun altro consuma capacità di elaborazione mentre il titolare dell’account paga. Gli attaccanti ottengono una application programming interface (API) key, una credenziale segreta che consente a un software di utilizzare un servizio online, tramite phishing, source code trapelato, ambienti configurati in modo errato o credenziali esposte in software in esecuzione sui dispositivi degli utenti. Utilizzano quindi l’account LLM della vittima e il relativo accesso a costose risorse di elaborazione AI. Sono state individuate organizzazioni colpite in Nord America, Sud America e Asia-Pacifico nei settori dei servizi finanziari, del commercio al dettaglio, della tecnologia e dei trasporti.
Google e Mandiant distinguono LLMjacking dagli abusi di livello inferiore, come la manipolazione di un chatbot dell’assistenza clienti per indurlo a generare codice. LLMjacking raggiunge direttamente le risorse del modello sottostante, spesso tramite endpoint LLM esposti pubblicamente, ossia indirizzi di rete attraverso i quali il software richiede l’output del modello, oppure mediante API key valide. A differenza del cryptojacking, in cui gli attaccanti utilizzano di nascosto un altro sistema per estrarre criptovalute e possono consumarne gradualmente le risorse, LLMjacking può produrre un forte aumento degli addebiti nel giro di poche ore.
La via di accesso più comune osservata era una credenziale di identità cloud esposta o rubata. Gli esempi includevano credenziali Identity and Access Management (IAM), che controllano a cosa possono accedere utenti e sistemi cloud, Service Account key utilizzate dal software anziché da una persona, GitHub Personal Access Tokens (PATs) e session token attivi che dimostrano che un utente ha già effettuato l’accesso. Il threat actor monitorato con il nome UNC6993 è entrato in un’istanza cloud tramite una Service Account key configurata in modo errato e l’ha utilizzata per raggiungere un’API LLM. Ha inoltre gestito una pagina di session hijacking camuffata da portale per unirsi a un gruppo di utenti LLM. Le vittime venivano indirizzate al sito LLM legittimo e convinte a incollare nel portale falso un raw JSON payload, un blocco strutturato di dati contenente un access token attivo. Il token veniva poi inviato a una backend API, aggirando password e multi-factor authentication (MFA), che normalmente richiede un’ulteriore verifica al momento dell’accesso.
In un altro incidente, un attaccante non identificato ha utilizzato un PAT rubato per accedere a repository di codice privati, quindi ha sfruttato una presunta vulnerabilità di un’applicazione web in un pacchetto software in esecuzione all’interno di un ambiente cloud containerizzato, nel quale le applicazioni operano in unità software isolate. Altre vie includevano la compromissione delle credenziali IAM dei dipendenti e la creazione automatizzata di nuove access key per aggirare MFA, l’abuso di una Service Account key cloud con ampie autorizzazioni sul progetto e la raccolta di API key LLM pubblicate in repository GitHub pubblici.
Dopo l’accesso iniziale, gli attaccanti hanno aumentato i propri privilegi, creato un accesso persistente e cercato altre credenziali nei sistemi interni. Google li ha osservati mentre elencavano servizi cloud, repository di codice e data store; mappavano servizi e policy di identità tra diverse region cloud; clonavano codice sensibile per trovare secret incorporati, valori di configurazione e credenziali degli sviluppatori; controllavano gli access log alla ricerca di account cloud secondari; e interrogavano database per ottenere ulteriori password. Hanno inoltre abusato delle autorizzazioni cloud e delle impostazioni delle virtual machine, generato credenziali temporanee per service account con privilegi elevati ed estratto credenziali dell’infrastruttura, password di database e API key di terze parti dai secret manager cloud.
I metodi di persistenza includevano la creazione di account IAM e service account non autorizzati, l’aggiunta di credenziali di accesso Secure Shell (SSH) alle istanze di elaborazione e il camuffamento di service account backdoor da strumenti interni per l’ottimizzazione della fatturazione. Gli attaccanti hanno inoltre sfruttato vulnerabilità nel software di routing degli LLM, tra cui CVE-2026-40217 in LiteLLM, per aumentare i propri privilegi. Il loro obiettivo finale era monetizzare l’accesso ai foundation models, i modelli AI sottostanti su cui vengono costruiti i servizi, tramite token proxying, model streaming automatizzato e provisioning di hardware graphics processing unit (GPU). Gli ambienti compromessi sono stati utilizzati anche per ospitare proxy endpoint e agentic workloads, nei quali il software AI esegue sequenze di attività con un intervento umano limitato.
UNC6993 ha creato ulteriori API key all’interno dei progetti cloud delle vittime per ampliare la propria attività, generando addebiti per oltre 100.000 dollari. Alcuni attaccanti hanno utilizzato un metodo «burn and rotate» per eludere i rate limit, creando ed eliminando ripetutamente service account di breve durata. Google ha affermato che intorno agli LLM Mixers si è sviluppato un mercato criminale più specializzato: gateway illeciti che combinano, instradano e rivendono accessi non autorizzati ai modelli. Un servizio, Jet Night, disponibile all’indirizzo "jet-night[.]com", pubblicizzava token illimitati e un presunto accesso a un frontier model per circa 60 dollari al mese, consentendo agli acquirenti di consumare le quote aziendali mentre le vittime ricevevano le fatture.
Symantec e Carbon Black, entrambe di proprietà di Broadcom, hanno descritto separatamente un servizio relay del mercato grigio attivo almeno dall’inizio del 2026. Ha interessato principalmente circa una dozzina di organizzazioni nella Cina continentale, oltre a filiali multinazionali in Corea del Sud, Taiwan e Malaysia. I settori coinvolti includevano automazione industriale, produzione elettronica, semiconduttori, farmaceutica, trasporti marittimi, produzione di pneumatici, petrolchimica e servizi per data center. Il servizio è comparso soprattutto in mercati nei quali Anthropic e OpenAI non operano, con installazioni avviate da dipendenti che cercavano assistenti AI occidentali per la programmazione tramite un rivenditore non autorizzato.
Anziché fornire un programma modificato o trojanizzato, il servizio installava le autentiche command-line interfaces (CLIs) OpenAI Codex e Anthropic Claude Code, strumenti controllati digitando comandi. Poco dopo l’installazione tramite npm, agli utenti veniva probabilmente chiesto di eseguire un singolo comando che scaricava uno script di configurazione fileless PowerShell o bash dal dominio simile all’originale "vibe.aiok[.]me". Lo script modificava "~/.codex/config.toml" per Codex o "~/.claude/settings.json" per Claude Code, disabilitava l’execution sandbox, impostava Codex su "danger-full-access", consentiva l’accesso alla rete dalla write sandbox, sostituiva le credenziali API autentiche degli utenti con quelle emesse dal relay e disabilitava telemetria e segnalazione degli errori. Controllava inoltre le impostazioni locali di Windows per confermare che il computer si trovasse nella regione servita prima di completare la configurazione.
Symantec sospetta che gli operatori aggirassero le restrizioni regionali e rivendessero capacità a prezzi inferiori a quelli di mercato, secondo un modello simile a Jet Night. Non sono emerse prove che il relay raccogliesse i prompt dei dipendenti oppure inventasse o modificasse le risposte dei modelli, ma instradare richieste aziendali attraverso un’infrastruttura non approvata e disabilitare le misure di protezione crea una chiara esposizione a rischi per la sicurezza.