AI-aktiveret malware
Kan AI-malware gå under radaren?
Forestil dig malware, der ikke indeholder alle sine funktioner på forhånd. I stedet sender den en instruktion til en sprogmodel, modtager en kommando, udfører den på den kompromitterede computer og sender resultatet tilbage til angriberen.
De skadelige funktioner kan dermed blive genereret, efter at malwaren er kommet ind i miljøet. Det kan gøre angreb hurtigere at ændre og vanskeligere at genkende ud fra faste kodemønstre. Opmærksomheden må derfor i højere grad flyttes fra, hvordan en fil ser ud, til hvad den faktisk gør.
AI hjælper allerede med at udvikle malware
Den mest udbredte kriminelle brug af AI er fortsat relativt jordnær. Angribere bruger sprogmodeller til alt fra phishingmails og undersøgelse af sårbarheder til udvikling af angrebsscripts og tilpasning af skadelig kode.
AI fungerer her som en accelerator i en proces, der stadig styres af mennesker. Angriberen vælger mål og iværksætter angrebet, mens modellen reducerer den tid og ekspertise, der kræves til de enkelte opgaver.
Microsoft Threat Intelligence vurderede i marts 2026, at det meste observerede misbrug fortsat bestod i at producere tekst, kode eller medier. Samtidig bevægede brugen sig længere ind i angrebskæden – blandt andet til kortlægning af systemer, tilpasning af værktøjer og analyse efter et kompromis. Det kan gøre det muligt for flere aktører at gennemføre avancerede operationer og ændre deres værktøjer oftere.
Malwaren kan generere funktioner undervejs
Det nyere skridt er malware, som selv kalder en ekstern eller lokal sprogmodel under afviklingen.
Google Threat Intelligence Group beskrev i 2025 flere tidlige eksempler. PROMPTSTEAL brugte fx en sprogmodel til at generere Windows-kommandoer, som derefter blev udført på den kompromitterede computer. Formålet var blandt andet at indsamle systemoplysninger og dokumenter.
QUIETVAULT undersøgte, om der fandtes lokale AI-kommandoværktøjer på computeren, og brugte dem til at lede efter tokens og andre følsomme oplysninger.
Et tredje eksempel, PROMPTFLUX, var udviklet til at hente nye metoder til kode-obfuskering fra Gemini og omskrive sin egen VBScript-kode. Den undersøgte version var dog stadig eksperimentel og havde ikke demonstreret, at den kunne kompromittere et system. Den viser derfor en teknisk retning – ikke en moden og udbredt angrebsform.
Der er altså en væsentlig forskel: AI-genereret malware kan blot være kode, som en angriber har fået en model til at skrive. AI-aktiveret malware bruger derimod modellen som en komponent i angrebet og kan generere kode eller kommandoer efter behov.
Polymorf, metamorf og AI-aktiveret malware – hvad er forskellen?
Polymorf malware ændrer sit kodemønster eller sin indpakning, mens den grundlæggende funktion bevares. Formålet er typisk at undgå signaturbaseret detektion.
Metamorf malware omskriver større dele af sin egen kode og struktur, men udfører fortsat den samme skadelige funktion.
AI-aktiveret malware kan bruge en model til at generere kommandoer, tilpasse scripts eller ændre kode under afviklingen. Det afgørende nye er ikke blot variationen, men at dele af funktionaliteten kan opstå dynamisk.
Begreberne udelukker ikke hinanden. AI-aktiveret malware kan også anvende polymorfe eller metamorfe teknikker.
Adaptiv betyder ikke usynlig
Hvis malware ændrer kode eller genererer nye kommandoer undervejs, bliver en fast filsignatur mindre pålidelig. Men et angreb består af mere end selve koden.
Malwaren skal stadig starte processer, operere med en bruger- eller tjenestes rettigheder, læse filer, fastholde adgang, kommunikere over netværket og eventuelt flytte data. Kalder den en ekstern sprogmodel, kræver det desuden en netværksforbindelse, adgang til en tjeneste og ofte en API-nøgle.
Det skaber spor.
En proces kan begynde at kontakte en AI-tjeneste, den normalt ikke bruger. En scriptfortolker kan modtage og udføre nye kommandoer. Et lokalt AI-værktøj kan blive startet af en uventet bruger eller proces. Og selv om koden ændrer form, kræver angrebet ofte genkendelige handlinger som adgang til loginoplysninger, systemkortlægning eller dataindsamling.
AI-malware er derfor ikke umulig at opdage. Den kan svække nogle former for detektion, men samtidig skabe andre indikatorer. Modelkald kan desuden give forsinkelse og ustabile svar, mens eksterne tjenester kan blokere konti og API-nøgler. Microsoft vurderer fortsat i marts 2026, at AI-aktiveret malware er eksperimentel og ujævnt udviklet.
Forsvaret skal følge adfærden – ikke kun filen
Signaturer er stadig nyttige mod kendte trusler. Men de bør indgå i et lagdelt forsvar, der også kan opdage ukendte varianter og usædvanlig aktivitet.
Fem områder bliver særligt vigtige:
- Overvåg adfærden på enheden
Se på proceskæder, scriptfortolkere, forsøg på at fastholde adgang og usædvanlig filaktivitet. Spørgsmålet er ikke kun, om filen er kendt, men om dens handlinger er forventelige. - Skab overblik over AI-tjenesterne
Organisationen bør vide, hvilke eksterne AI-API’er, lokale modeller og kommandolinjeværktøjer der er tilladt. Uventede modelkald fra servere eller brugercomputere kan være et relevant detektionssignal. - Begræns handlemulighederne efter et kompromis
Mindst mulige rettigheder, netværkssegmentering og stærk identitetskontrol gør det vanskeligere for malware at bevæge sig mellem systemer – uanset hvordan koden er skabt. - Sammenhold flere typer logs
Data fra enheder, identiteter, netværk og applikationer skal kunne ses i sammenhæng. Dynamisk malware afsløres ikke nødvendigvis af ét signal, men af en kæde af handlinger, der afviger fra normal drift. - Fasthold den grundlæggende sikkerhed
Patching, sikre konfigurationer, applikationskontrol, backup og afprøvede beredskabsplaner er fortsat afgørende. AI fjerner ikke angriberens behov for adgang eller for en svaghed, der kan udnyttes.
Adfærdsbaseret detektion behøver ikke selv at være AI-baseret. Regler, baselines, heuristik og menneskelig analyse kan stadig identificere afvigelser. Det afgørende er, at forsvaret ikke udelukkende leder efter en bestemt fil eller signatur.
De fleste vellykkede angreb skyldes fortsat kendte svagheder
AI gør det lettere at udvikle og tilpasse skadelige værktøjer. Men de fleste vellykkede angreb skyldes fortsat kendte svagheder. Google vurderede i M-Trends 2026, at 2025 ikke var året, hvor databrud generelt blev forårsaget direkte af AI. Menneskelige fejl, utilstrækkelige kontroller og systemiske sikkerhedsproblemer var stadig den vigtigste forklaring.
Det centrale spørgsmål er derfor ikke, om AI skaber malware, som intet forsvar kan opdage. Det er, hvordan teknologien ændrer angribernes hastighed, tilpasningsevne og adgang til teknisk kapacitet.
For sikkerhedsorganisationen er opgaven fortsat: Kend den normale adfærd, begræns systemernes handlemuligheder, og sørg for, at en ukendt kodevariant ikke også bliver en ukontrolleret hændelse.
Læs mere:
Kontakt
Få hjælp nu
Find relevante, kvalitetssikrede kurser og efteruddannelse.