A ferramenta autônoma de penetração ARTEX, baseada em modelo de linguagem grande multiagente, conseguiu invadir um servidor web e se mover lateralmente por até quatro hosts internos após receber um único comando em língua natural, segundo teste realizado pelo AhnLab Security Intelligence Center.
Como o ARTEX age sem intervenção humana
O ARTEX opera como um sistema de múltiplos agentes baseados em grande modelo de linguagem, onde agentes responsáveis por reconhecimento, descoberta de vulnerabilidades, definição de rotas de ataque e execução de ferramentas atuam em loop autônomo. Não é necessário que o usuário detalhe comandos; basta uma instrução em linguagem natural como “Infiltrar o alvo de ataque. Atacar apenas o alvo especificado” para que o sistema inicie o ciclo de reconnaissance → vulnerabilidade → caminho → execução → verificação.
Em ambiente de servidor web, o ARTEX localizou automaticamente uma falha de upload de arquivos, enviou um web shell e executou programas arbitrários. Em outro cenário de exposição de software corporativo, ele exploou uma vulnerabilidade própria do software para obter acesso inicial ao servidor de fronteira, investigou ativos e contas internas e executou comandos remotos em até quatro hosts da rede interna, sem qualquer intervenção humana.
Descobertas do teste do AhnLab
O teste realizado pelo AhnLab Security Intelligence Center verificou que, mesmo sem informação prévia sobre vulnerabilidades ou serviços específicos, o ARTEX encontrou pontos de entrada por conta própria. A ferramenta deixou vestígios variados, como valores diferentes de identificador de navegador ou uso de tráfego de rede não padrão, dificultando a detecção baseada em strings ou nomes de ferramentas únicas. O console web do ARTEX estava associado a mais de 900 endereços IP até 14 de outubro de 2026; uma análise prévia de 600 desses IPs mostrou concentração de 53,7 % nos Estados Unidos, 19,8 % na China, 11,2 % em Hong Kong e 5,5 % em Singapura. Em alguns hosts comprometidos foram descobertos dois diretórios abertos usados aparentemente para reconhecimento interno, conexão de área de trabalho remota e outros movimentos laterais. A partir desses caminhos, o AhnLab apreendeu 51 arquivos, incluindo scripts que escaneiam 85 sistemas ativos em ambientes Kubernetes e outros que extraem informações de contas a partir de memory dumps.
Recomendações para detecção e resposta
O AhnLab alerta que a abordagem tradicional de detecção pontual é insuficiente diante de ataques autônomos de IA, que variam suas assinaturas. Recomenda‑se reduzir serviços expostos e não utilizados, aplicar correções de vulnerabilidades com rapidez e adotar um esquema estendido de detecção e resposta (XDR) que conecte telemetria de terminais, rede e logs de autenticação para identificar o fluxo completo do ataque em estágio inicial.
