ハッカー新時代、わずかな指示でAIが自動サイバー攻撃、甚大な被害、何が起きているのか
人工知能によるサイバー攻撃の本質は、人間のハッカーが消滅することではなく、人間が担ってきた攻撃工程の多くを人工知能が補助し、一部では自律的に実行できるようになってきたことにある。
現状（2026年10月時点）
2026年10月現在、サイバー攻撃をめぐる環境は大きな転換期に入っている。これまで高度な攻撃を実行するには、対象の調査、侵入経路の探索、脆弱性の分析、プログラムの作成、侵入後の活動など、専門的な知識と多くの作業時間が必要だったが、人工知能の進歩によって、これらの工程の一部または大部分を自動化できるようになってきた。
特に注目すべきなのは、人工知能が単に人間の質問に回答したり、プログラムの断片を作成したりする段階から、目標を与えられると、複数の作業を計画し、必要な道具を使い、実行結果を評価しながら次の行動を選ぶ段階へ移行していることだ。こうした仕組みを備えたものは自律型の人工知能と呼ばれ、適切な権限や外部の道具を与えられると、従来は人間が逐一判断していた作業まで継続的に処理できる。
この変化は、防御側にとっても攻撃側にとっても重大な意味を持つ。人工知能は脆弱性の発見や修正、侵入の兆候の検知にも役立つ一方、悪意ある利用者に渡れば、攻撃に必要な専門知識、作業時間、人員の制約を緩和し、少人数でも複雑な攻撃を実行できる可能性を高める。
2025年11月には、人工知能の開発企業が、人工知能を攻撃作業の実行主体として利用した大規模なサイバー諜報活動を公表した。さらに2026年には、複数のセキュリティ調査機関が、人工知能を用いた攻撃活動の実態や、自動化の進展に関する分析を発表しており、問題は将来の仮説だけではなく、現実の安全保障と企業経営に関わる課題となっている。
ただし、ここで重要なのは、人工知能が人間の関与なしにあらゆる攻撃を最初から最後まで完遂できるようになった、と一律に断定しないことだ。実際の事例では、作業の多くを人工知能に任せながらも、人間が攻撃目標を設定し、重要な局面で判断し、結果を確認する形態が依然として重要であり、完全自律型の攻撃と、部分的または高度に自動化された攻撃を区別して分析する必要がある。
何が起きているのか
現在起きている変化を理解するには、攻撃者の役割がどのように変わりつつあるかに注目する必要がある。従来の攻撃では、人間が対象を調べ、攻撃方法を選び、道具を操作し、結果に応じて次の手順を決めていたが、人工知能を組み込んだ攻撃では、人間は細かな操作を減らし、目標の指定や進行状況の監督に重点を置くことができる。
例えば、攻撃者が特定の組織の情報システムへの侵入を企てる場合、人工知能は公開情報の整理、公開されたシステムの構成把握、既知の弱点に関する調査、攻撃用プログラムの作成支援などを連続して実行し得る。外部の操作道具と接続されている場合には、調査結果を次の作業に反映させ、実行に失敗すれば別の方法を検討するなど、単発の回答を超えた一連の活動が可能になる。
このとき、攻撃者が直接操作する時間が短くても、攻撃活動そのものが短時間で終わるとは限らない。むしろ、人間が休んでいる間にも作業を継続し、複数の対象を並行して調査できる点が重要であり、攻撃者が投入できる時間と人員の制約が大きく変化する。
2025年に公表された事例では、人工知能を利用した攻撃者が、およそ30の組織を標的に活動し、その一部への侵入に成功したと報告された。標的には大手技術企業、金融機関、化学製造企業、政府機関などが含まれていたとされ、人工知能が単なる相談相手ではなく、攻撃工程の実行を担う仕組みとして使われた点が注目された。
2026年6月に公表された別の分析では、悪意ある活動に関与した832の利用者アカウントについて調査が行われ、人工知能の利用が、情報収集から侵入後の活動に至る広範な攻撃手法に及んでいたことが示された。これは、人工知能の悪用が特定の攻撃方法だけに限定されず、攻撃活動全体に組み込まれつつあることを示す材料である。
一方、これらの数字をそのまま、人工知能による攻撃の成功率や社会全体の被害規模と解釈することはできない。調査対象は特定の企業が検知した活動や、利用規約違反によって特定された利用者などに限られ、すべての攻撃を網羅した統計ではないからだ。
したがって、問題の本質は「人工知能が人間に代わって何でも攻撃できる」という単純な話ではない。人間が少ない指示で多くの作業を進められるようになり、攻撃の規模、反復回数、展開速度を従来より拡大できる環境が整いつつあることこそ、重視すべき変化である。
ＡＩによる攻撃の自動化
人工知能による攻撃の自動化は、複数の段階に分けて考えると理解しやすい。第一は調査の自動化、第二は攻撃方法の立案、第三は道具を用いた実行、第四は結果の評価と次の行動の選択であり、これらを連結することで、個々の作業を自動化するだけでなく、攻撃工程全体の効率を高められる。
調査の段階では、人工知能が公開情報を整理し、対象組織の技術的な特徴や、公開されている情報システムの弱点を分析する。攻撃方法の立案では、得られた情報を基に、どのような手段が利用可能かを検討し、必要に応じてプログラムの作成や既存の道具の利用を支援する。
実行段階では、外部の操作機能と接続された人工知能が、許可された範囲または攻撃者が不正に利用できる範囲で、実際の操作を進める場合がある。実行結果が想定と異なれば、その内容を分析し、次の手順を変更することで、あらかじめ定められた命令を順番に実行するだけの仕組みよりも柔軟に対応できる。
ただし、人工知能自体が、何の権限も与えられずに外部の情報システムへ自由に侵入できるわけではない。実際の行動範囲は、接続された道具の機能、認証情報の有無、実行環境の制限、利用者の指示、安全機構などによって左右される。
また、自動化の程度にも幅がある。人間が各操作を指示する方式、人工知能が複数の手順を提案して人間が承認する方式、人間が大まかな目標だけを与えて人工知能が長い工程を処理する方式は、それぞれ異なる段階に位置づけられる。
最も警戒すべきなのは、こうした仕組みが攻撃者の技術的な能力を補い、人間が細部を理解していなくても高度な攻撃活動を組み立てられる可能性だ。人工知能が既存の攻撃道具や公開情報と結びつくことで、これまで専門家集団に依存していた作業の一部が、より少ない人数で実行できるようになる。
主な特徴とメカニズム
人工知能を利用したサイバー攻撃の特徴は、単純な処理速度の向上だけではない。複数の作業を結びつけ、状況に応じて手順を変更し、得られた結果を次の判断に利用できる点にある。
第一の特徴は、攻撃に必要な専門知識の補完である。人工知能は、プログラムの構造や通信の仕組みを分析し、既知の脆弱性に関する情報を整理し、攻撃者が作業を進めるための技術的な助言を提供できるため、経験の浅い利用者でも高度な作業に着手しやすくなる。
第二の特徴は、複数工程の連結である。従来は別々に実施されていた情報収集、弱点の分析、プログラムの作成、実行結果の確認などを、一連の処理として組み合わせることで、人間が工程ごとに介入する頻度を減らせる。
第三の特徴は、結果に応じた適応である。実行した処理が失敗した場合、人工知能は失敗の原因を分析し、別の方法を提案したり、作業の優先順位を変更したりできる。ただし、誤った原因分析や同じ失敗の反復も起こり得るため、柔軟性があることと、常に正確に行動できることは同義ではない。
第四の特徴は、並行処理と反復の拡大である。人工知能を利用した複数の処理系を運用すれば、異なる対象の調査や複数の作業を同時に進められる可能性がある。人間の作業時間や注意力に依存する部分が減るため、攻撃者は限られた人員でも、より広い範囲を継続的に調査できるようになる。
これらの特徴を支えるのが、人工知能の推論能力と、外部の道具を操作する機能の組み合わせである。人工知能が計画を立てるだけでは実際の侵入活動は成立せず、計画を現実の操作に変換する仕組みが接続されて初めて、継続的な自動実行が可能になる。
さらに、人工知能が自らの実行結果を読み取り、次の行動を選ぶ仕組みを組み込むと、あらかじめ決められた手順だけを繰り返す自動化とは異なる性質が生まれる。こうした構造は、防御側にとっても重要であり、攻撃者が次に何をするかを単純な固定規則だけで予測することが難しくなる要因となる。
もっとも、攻撃の成功には、利用可能な脆弱性、認証情報、接続された道具の権限、ネットワークの構成など、さまざまな条件が関係する。人工知能の能力が向上しても、必要な情報が得られない場合や、強固な防御に阻まれた場合には、攻撃が失敗することもある。
以上から、人工知能による攻撃の本質は、人間が不要になることではなく、人間が担っていた作業の配分が変化することにある。人間が目標や方針を決め、人工知能が細かな作業と状況に応じた判断を担当する構造が広がるほど、少ない指示から大規模な攻撃活動へ発展する危険性が高まる。
超低コストと圧倒的な効率性
人工知能によるサイバー攻撃が重大な脅威となる理由の1つは、攻撃に必要な費用と人員を大幅に削減できる可能性にある。従来、高度な攻撃を実行するには、対象の調査、脆弱性の分析、攻撃用プログラムの作成、侵入後の操作などを担当する複数の技術者が必要となる場合があったが、人工知能はこうした作業の一部を代替し、少人数でも複雑な活動を進めることを可能にする。
費用削減の効果は、単にプログラムの作成時間が短くなることにとどまらない。情報収集や文書作成、通信内容の分析、実行結果の整理といった周辺作業も自動化できるため、攻撃者は人間の作業時間を、攻撃対象の選定や重要な判断などに集中させられる。
また、人工知能を利用することで、攻撃活動の試行回数を増やしやすくなる。人間が手作業で行えば採算が合わないような小規模な標的の調査でも、自動化によって費用を抑えられれば、攻撃者にとって実行する価値が生まれる場合がある。
ここで注意したいのは、人工知能の利用が必ずしも攻撃費用全体の劇的な低下を意味するわけではないことだ。高性能な人工知能の利用料金、計算資源、攻撃用の基盤、盗まれた情報の処理、身元を隠すための活動などには費用がかかり、攻撃の規模や手法によって経済的な効果は異なる。
それでも、従来は専門家の経験に依存していた作業を人工知能が支援することで、攻撃を実行できる人間の裾野が広がることは十分に考えられる。特に、技術的な知識が不足している犯罪者が、既存の攻撃道具と人工知能を組み合わせることで、より高度な攻撃を試みる危険性は無視できない。
攻撃者にとっての経済的な利点は、企業規模の攻撃組織だけでなく、個人や小規模な犯罪集団にも及ぶ可能性がある。攻撃を実行するための参入障壁が下がり、試行回数が増えれば、防御側は従来より多くの攻撃を処理しなければならず、監視や対応に必要な費用も増大する。
「自律型ループ」による状況判断
人工知能による攻撃を理解するうえで重要なのが、実行結果を受け取り、その結果に応じて次の行動を選択する循環的な仕組みである。ここでは、これを「自律型ループ」と呼ぶ。
基本的な流れは、目標の設定、状況の観察、行動の選択、実行、結果の評価、次の行動の決定という循環で構成される。人工知能がこの循環を繰り返せば、最初に与えられた指示だけに従うのではなく、途中で得られた情報を利用して作業の方針を変更できる。
例えば、許可された検証環境で脆弱性を調査する場合、人工知能は最初の検査結果を分析し、追加の確認が必要な箇所を特定し、検査方法を変更して再評価できる。このような動作自体は防御や安全性の検証にも有用だが、悪意ある目的に転用された場合には、攻撃者が細かい操作を逐一指示しなくても、攻撃活動が継続する基盤となる。
従来型の自動化では、開発者が事前に決めた条件に従って処理を進める方式が多かった。これに対し、人工知能を利用した仕組みでは、事前にすべての状況を想定していなくても、観察した情報をもとに行動を組み立てられるため、想定外の結果に対しても一定の柔軟性を持つ。
ただし、人工知能が状況を正確に把握できるとは限らない。誤った情報を事実と判断したり、実行結果を誤解したり、達成できない目標に向けて同じ作業を繰り返したりする可能性があるため、自律的な動作と確実な成果を混同してはならない。
それでも、自律型ループが複数の道具や情報源と接続されると、攻撃活動の継続性は高まる。人間が個々の操作を監督する頻度が低下し、人工知能が自ら次の作業を選ぶ範囲が広がるほど、攻撃者の介入が少ない状態でも活動が続く危険性が生じる。
この仕組みは、防御側にとっても新たな課題を生み出す。防御側が特定の攻撃手順だけを想定して対策を整えても、攻撃側の人工知能が状況に応じて行動を変えれば、既知の手順との照合だけでは攻撃の兆候を捉えにくくなる可能性がある。
したがって、重要なのは人工知能の判断能力を過大評価することでも、単なる自動処理として軽視することでもない。人間の指示を起点に、観察、実行、評価、再実行が連結されることで、攻撃の時間的な継続性と規模が拡大し得るという構造を理解することである。
安全策のすり抜けと巧妙な偽装
人工知能によるサイバー攻撃では、安全策のすり抜けや、正規の活動に見せかけた偽装も重要な論点となる。人工知能は文章やプログラムを生成できるだけでなく、与えられた情報に応じて表現や処理方法を変えられるため、従来の単純な規則だけに依存した防御では対応が難しくなる場合がある。
例えば、人工知能は標的に合わせた自然な文章を作成し、業務連絡や取引先からの通知に見える電子メールの作成を支援できる。文法上の誤りや不自然な表現が少なくなることで、従来は見破る手掛かりとなっていた文章の不自然さが減り、受信者が偽の連絡を信用してしまう危険性が高まる。
また、攻撃者が人工知能を利用して、侵入後の活動に使う文章やプログラムの一部を作成する場合もある。こうした活動が正規の管理作業に似た操作や、一般的な情報システムの機能を悪用する行為と組み合わされると、単純な不審プログラムの検知だけでは異常を見つけにくくなる。
一方で、人工知能を用いれば、どのような安全機構でも確実に回避できるという理解は誤りである。利用する人工知能には不正利用を防ぐための制限が設けられていることがあり、接続された道具の権限や実行環境にも制約があるため、実際に何ができるかは個々の条件によって変わる。
問題となるのは、人工知能の安全策だけに防御を依存できないことである。安全機構を備えた人工知能であっても、外部の道具との接続方法が不適切であったり、利用者が別の道具を組み合わせたりすれば、システム全体として悪用を防げない場合がある。
さらに、人工知能が生成した文章やプログラムは、人間が作成したものと外見上区別できない場合がある。文章の特徴や既知のプログラムとの一致だけで判定する方法には限界があり、利用者の権限、操作の目的、接続先、実行時の挙動など、複数の要素を組み合わせた判断が求められる。
偽装への対策では、個々の通信内容だけでなく、通常の業務の流れから外れた行動を捉えることが重要となる。例えば、正規の利用者が普段アクセスしない情報に接続した場合や、通常とは異なる時間帯に大量の情報を取得した場合などは、通信そのものが正規の形式であっても調査する価値がある。
また、人工知能を利用した攻撃への対策を考える際には、検知技術だけでなく、本人確認や権限管理、情報へのアクセス制限、異常時の操作停止などを組み合わせる必要がある。攻撃を完全に見抜くことを目指すのではなく、侵入が起きても被害を広げにくくし、異常な活動を早期に止められる仕組みを整えることが現実的な防御方針となる。
被害の実態と傾向
人工知能を利用したサイバー攻撃の被害を分析する際には、実際に確認された侵害と、技術的に可能と考えられる攻撃を明確に区別する必要がある。人工知能が攻撃活動に利用されていることは複数の調査で確認されているが、すべての攻撃が完全自律型で実行されたわけではなく、人工知能が被害のどの程度を直接拡大させたかについても、個別の検証が必要となる。
2025年11月、人工知能開発企業のアンソロピックは、同社の人工知能を悪用したとされる大規模なサイバー諜報活動について公表した。同社の説明によれば、攻撃者は人工知能を利用して標的の調査や脆弱性の分析、攻撃に関連するプログラムの作成、侵入後の作業などを進め、一連の活動の多くを自動化していた。
この事例で注目されたのは、人工知能が単に攻撃方法を助言するだけでなく、複数の工程を担う形で利用された点である。攻撃者は人間による操作を必要な局面に絞り、人工知能に多くの作業を処理させることで、少ない直接介入で広範な活動を進めようとしていたと報告された。
ただし、この発表は人工知能を提供する企業自身による調査結果であり、報告された内容のすべてが独立した第三者によって検証されたとみなすことはできない。攻撃の実行能力や被害の範囲を評価する際には、企業側の説明、外部の専門家による分析、実際に確認された侵害の証拠を照合することが重要となる。
被害の形態も多様化している。代表的なものとして、情報の窃取、金銭の詐取、業務システムの停止、身代金の要求、知的財産の流出、重要な情報システムへの不正アクセスなどが挙げられるが、これらは人工知能がなくても従来から発生していた犯罪である。
人工知能による変化は、犯罪の種類そのものよりも、攻撃を準備し実行する方法に現れている。標的ごとの情報収集や偽装文書の作成、技術的な作業の補助などが効率化されれば、従来より多くの標的に対して攻撃を試みることができ、結果として被害に遭う組織の数が増える可能性がある。
さらに、攻撃の成功に至らなくても、防御側には調査や復旧の費用が発生する。侵入の疑いが生じれば、端末の調査、通信記録の確認、認証情報の変更、外部専門家への依頼などが必要となり、実際の情報流出が確認されなかった場合でも、企業の業務や経営に影響が及ぶことがある。
したがって、被害を評価する際には、侵入の成功件数だけでなく、攻撃の試行回数、対応に必要な時間、復旧費用、業務停止の長さ、顧客や取引先への影響などを総合的に見る必要がある。人工知能が攻撃の費用を引き下げ、活動の規模を拡大させるならば、1件当たりの被害額が変わらなくても、社会全体の損失は増大し得る。
標的の拡大（中小企業への波及）
人工知能による攻撃の自動化は、これまで大企業や政府機関を中心に考えられてきたサイバーセキュリティの脅威を、中小企業や小規模事業者にも広げる可能性がある。大企業は専門の担当部署や高度な監視設備を備えている場合がある一方、中小企業では専任の技術者が不足し、基本的な安全対策の維持すら難しいことがある。
従来、特定の企業を狙う高度な攻撃には、対象の調査や侵入方法の検討に相応の手間が必要だった。しかし、人工知能によって調査や攻撃準備の一部を自動化できれば、攻撃者は個別の企業に費やす時間を減らし、多数の企業を並行して標的にできる可能性がある。
この変化は、攻撃者が狙う対象の選び方にも影響する。必ずしも知名度の高い企業や大規模な組織だけが標的になるわけではなく、外部から接続可能な情報システムの管理が不十分な企業や、古い機器を使用し続けている事業者なども、攻撃対象となり得る。
特に危険なのは、中小企業が大企業の取引網に組み込まれている場合である。取引先との情報交換や業務委託のためにシステムが接続されていれば、比較的防御の弱い企業への侵入が、より大きな組織に影響を及ぼす入口となることがある。
また、中小企業では、情報システムの管理を外部の事業者に委託しているケースも多い。委託先の管理用アカウントや遠隔保守の仕組みが侵害されれば、攻撃の影響が複数の顧客企業へ広がる可能性があり、被害は侵入された企業だけの問題ではなくなる。
一方、人工知能が利用されているという理由だけで、中小企業への攻撃が必ず急増すると結論づけることはできない。攻撃者の目的、得られる利益、標的の防御状況、利用できる攻撃道具などが影響するため、実際の増加傾向については継続的な統計調査が必要である。
それでも、防御側が大企業と同等の人員や費用を確保できないという構造的な問題は残る。中小企業では、基本的な更新管理、多要素認証、定期的なバックアップ、アクセス権限の制限、異常発生時の連絡体制など、比較的導入しやすく効果の高い対策を優先することが重要となる。
人工知能による攻撃の拡大に対応するには、個々の企業が独力で高度な防御技術を導入するだけでは不十分である。取引先や委託先を含めた安全管理、業界単位での情報共有、専門事業者による監視支援などを組み合わせ、組織の規模にかかわらず最低限の防御水準を維持できる環境を整える必要がある。
連鎖的・多国籍な侵害
サイバー攻撃は、国境を越えて実行されることが多く、被害を受ける組織、攻撃に使われる設備、攻撃者が操作する拠点、盗まれた情報の保管場所が、それぞれ異なる国に存在する場合がある。人工知能によって調査や分析、文章作成などの工程が効率化されると、こうした国際的な活動を少人数で運用することも容易になる可能性がある。
例えば、攻撃者がある国から別の国の企業を標的とし、第三国に設置されたサーバーや侵害済みの機器を経由して通信する場合、被害企業が直接確認できる情報だけでは攻撃者の実体を特定しにくい。人工知能が複数の情報源を整理し、活動の一部を自動化すれば、攻撃者はこうした複雑な環境の管理に必要な手作業を減らせる可能性がある。
侵害が連鎖する経路としては、取引先への侵入、ソフトウエアの供給経路への侵入、管理用アカウントの窃取、共通の外部サービスを通じた被害の拡大などが挙げられる。1つの組織への侵入が、接続された別の組織や共通のサービス利用者に影響を及ぼす場合、被害の範囲は最初の侵入先を大きく超える。
特に、複数の企業が同じ外部サービスや管理基盤を利用している場合には、共通部分の侵害が広範な影響を引き起こす危険性がある。人工知能が侵害先の情報を整理し、次の活動の候補を検討する仕組みと結びつけば、攻撃者が手作業で関係先を調査する負担が軽減されることも考えられる。
ただし、人工知能が自動的に世界中の企業へ侵入できるわけではない。実際の被害の連鎖には、認証情報の不正取得、システムの脆弱性、過剰な権限、接続関係の不備など、具体的な侵入条件が必要であり、それぞれの環境に応じた分析が欠かせない。
多国籍な侵害への対応が難しい理由の1つは、技術的な調査と法的な手続きが複数の国にまたがることである。通信記録の保全、サービス事業者への照会、捜査機関同士の情報交換などには時間がかかる場合があり、攻撃が短時間で進むほど、証拠の確保や被害の封じ込めが難しくなる。
このため、組織は自社の内部だけでなく、外部委託先や重要な取引先、利用する情報サービスの安全性も管理する必要がある。契約上の責任範囲を明確にし、侵害が疑われた場合の連絡方法や対応手順を事前に決めておくことは、連鎖的な被害を抑えるうえで重要な対策となる。
スピードの桁違いの速さ
人工知能を利用したサイバー攻撃で、特に警戒されているのが、攻撃の準備から実行までに必要な時間の短縮である。攻撃者が人間の作業に依存していた工程を自動化すれば、情報収集や分析、実行結果の評価などを連続して進められるため、防御側が対応を開始するまでの時間的な余裕が縮小する可能性がある。
従来の攻撃でも、自動化されたプログラムによる大量の探索や攻撃は行われてきた。人工知能による新たな変化は、単純な処理を高速化することだけでなく、得られた情報の意味を分析し、状況に応じて次の作業を選ぶ工程まで自動化できる点にある。
例えば、攻撃者が複数の対象を調査する場合、人工知能は収集した情報を分類し、追加の確認が必要な対象を選別し、作業の優先順位を変更できる。人間がすべての結果を読み、次の手順を決める必要が減れば、攻撃活動の進行速度と並行処理の規模を拡大できる。
しかし、人工知能が関与すれば攻撃が必ず瞬時に完了するというわけではない。認証の突破、脆弱性の悪用、権限の取得、重要情報へのアクセスなどには、それぞれ異なる条件があり、対象の環境や防御状況によって所要時間は大きく変わる。
また、攻撃の速さを評価する際には、攻撃者側の作業時間と、被害企業が攻撃を検知して対応するまでの時間を区別する必要がある。攻撃者の準備時間が短縮されても、防御側が異常を早期に検知し、問題のある接続やアカウントを速やかに停止できれば、被害を抑えられる場合がある。
反対に、異常の検知から対応の判断までに長い時間がかかれば、攻撃者に活動を継続する余地を与える。特に、夜間や休日に監視体制が弱まる組織では、自動化された攻撃活動が人間の対応より先に進行する危険性がある。
したがって、人工知能による攻撃の高速化に対抗するには、防御側も自動化を進める必要がある。異常な通信や不審な認証を検知した際に、担当者の判断を待つだけでなく、事前に定めた条件に従って接続を遮断したり、アカウントを一時停止したりする仕組みを整えることが重要となる。
最終的に重要なのは、攻撃と防御のどちらが人工知能を利用しているかだけではない。攻撃の兆候を把握し、影響範囲を特定し、被害の拡大を止めるまでの時間をどれだけ短縮できるかが、実際の被害規模を左右する要因となる。
セキュリティ上のインプリケーション（防御側の課題）
人工知能によるサイバー攻撃の進展は、企業や政府機関が従来採用してきた情報セキュリティの考え方を見直す必要性を生み出している。従来の対策では、既知の攻撃手法を特定し、不審な通信やプログラムを検知し、人間の担当者が調査して対応する仕組みが中心だったが、攻撃の自動化と高速化が進めば、この方法だけでは十分に対処できない場面が増える可能性がある。
防御側にとっての大きな課題は、攻撃者が利用する技術と、正規の業務で使用される技術の境界が曖昧になることだ。人工知能が生成したプログラムや文章が人間の作成したものと区別しにくくなるだけでなく、攻撃者が一般的な管理機能や正規の認証情報を悪用した場合、単純な不審プログラムの検知だけでは異常を見つけられないことがある。
さらに、攻撃の実行主体が人間だけではなくなることで、防御側が想定すべき行動の幅も広がる。人間の攻撃者であれば、作業時間や人数、技能などに一定の制約があるが、自動化された処理系は、設定された条件の範囲内で調査や分析を繰り返し、複数の対象に並行して活動を展開できる。
この変化は、監視に必要な情報量の増大にもつながる。大量の通信記録や端末の動作記録を人間だけで確認することは難しく、攻撃の兆候を見つける作業そのものにも人工知能などの自動分析技術を利用する必要性が高まる。
ただし、防御側も人工知能を導入すれば問題が解決するわけではない。誤検知によって正規の業務を停止させる危険性や、誤った判断に基づいて重要な情報を遮断する可能性があるため、自動化の範囲と人間による監督の方法を慎重に設計しなければならない。
また、人工知能を利用した防御システムそのものが、新たな攻撃対象になる点にも注意が必要である。外部から与えられた情報を誤って解釈したり、権限を過剰に与えられた人工知能が想定外の操作を実行したりすれば、防御のために導入した仕組みが新たなリスクを生むこともある。
このため、人工知能を利用する防御体制では、検知精度だけでなく、権限の制限、判断の記録、操作の監査、異常時の停止機能などを組み合わせる必要がある。人工知能に何を判断させ、何を実行させ、どの段階で人間の承認を求めるかを明確にすることが、安全性を確保するための基本となる。
「検知と対応（ＥＤＲ／ＳＯＣ）」の限界
企業のサイバーセキュリティでは、端末の挙動を監視する仕組みや、組織全体の警告情報を集約して分析する監視体制が重要な役割を担っている。端末での不審な動作を検知する仕組みは一般にＥＤＲと呼ばれ、監視や分析、初動対応を担う専門組織はＳＯＣと呼ばれる。
ＥＤＲは、端末上で実行されたプログラム、ファイルの操作、通信、権限の変更などを分析し、不審な活動を検知するために利用される。一方、ＳＯＣは、端末や通信機器、認証基盤などから集めた情報を分析し、攻撃の可能性を判断して、関係部門への連絡や封じ込めを進める役割を持つ。
これらの仕組みは、人工知能が普及する以前から重要な防御手段であり、今後もサイバーセキュリティの中核であり続ける。しかし、検知の仕組みが既知の攻撃パターンや明確な異常動作に強く依存している場合、正規の操作に似た活動や、従来とは異なる手順で進む攻撃を見逃す可能性がある。
例えば、攻撃者が正規の利用者の認証情報を不正に取得し、その権限の範囲内で情報を閲覧した場合、個々の操作だけを見ると通常の業務と区別しにくいことがある。人工知能がこうした活動を支援し、状況に応じて行動を変える場合、単純な規則だけで一連の攻撃を識別することはさらに難しくなり得る。
もう1つの問題は、警告が大量に発生した際の処理能力である。監視システムが多数の警告を出しても、担当者の人数が不足していれば、重要な警告の優先順位を適切に判断できず、対応が遅れる可能性がある。攻撃の自動化によって試行回数が増えれば、防御側の監視や分析にかかる負担も増大する。
ただし、ＥＤＲやＳＯＣが人工知能による攻撃に対応できないという意味ではない。端末の挙動分析、複数の情報源の照合、異常な認証の検知、迅速な隔離などは、依然として有効な防御手段であり、問題は技術そのものよりも、検知範囲、設定、運用体制、対応速度にある。
必要なのは、検知した警告を単独で判断するのではなく、利用者の通常の行動、アクセス権限、接続先、端末の状態、業務上の必要性などを組み合わせて分析することである。さらに、警告の重要度に応じて対応を自動化し、深刻な事象については専門家が優先的に調査できる体制を整える必要がある。
防御側は、攻撃を見つける技術だけでなく、見つけた後に何分で判断し、どの程度の範囲を遮断し、どれだけ早く復旧できるかを評価しなければならない。検知、判断、封じ込め、復旧を一連の工程として改善することが、人工知能によって高速化する攻撃に対応するための重要な条件となる。
「予測型防御」へのパラダイムシフト
人工知能による攻撃への対応では、発生した異常を検知してから対処する従来型の防御に加え、攻撃が起きる前に危険性を評価し、先回りして対策を講じる考え方が重要になる。ここでは、この方向性を「予測型防御」と呼ぶ。
予測型防御の基本は、過去の攻撃情報、現在の脅威情報、組織内部の資産情報、脆弱性の状況、利用者の行動記録などを組み合わせ、どこに侵害の危険性が集中しているかを判断することである。単に警告を待つのではなく、攻撃される可能性が高い箇所や、侵害された場合に影響が大きい箇所を優先して保護する。
例えば、外部に公開された情報システムに重大な脆弱性が見つかった場合、予測型防御では、その脆弱性が実際に悪用されるまで待つのではなく、該当するシステムの特定、修正プログラムの適用、外部からの接続制限などを優先的に進める。人工知能を利用すれば、大量の情報を分析して優先順位を整理し、担当者が判断するための材料を提供できる。
また、利用者の通常の行動や情報システムの利用状況を継続的に分析すれば、従来の規則では検知しにくい異常を発見できる場合がある。通常とは異なる時間帯のアクセス、普段利用しない情報への接続、短時間での大量の情報取得などを組み合わせて評価することで、個々の操作だけでは見えにくい危険な動きを把握しやすくなる。
ただし、予測型防御は未来を確実に言い当てる技術ではない。過去の攻撃データに存在しない新しい手法や、不正確な情報、環境の変化によって、危険性を過小評価したり、問題のない活動を危険と判断したりする可能性がある。
そのため、人工知能による予測は、人間の判断を置き換える絶対的な基準ではなく、限られた防御資源を有効に配分するための補助として扱うべきである。重要度の高い判断については、根拠となる情報を確認し、必要に応じて専門家が評価できる体制を維持する必要がある。
さらに、予測型防御を有効に機能させるには、組織内に分散した情報を適切に集約することが欠かせない。端末、通信設備、認証基盤、業務システムなどの情報が分断されていれば、攻撃の全体像を把握しにくくなり、人工知能による分析の精度も低下する。
今後は、攻撃の検知、危険性の評価、予防措置、復旧計画を一体として管理する方向が重要になる。人工知能によって攻撃の準備や実行が効率化するのであれば、防御側も情報の分析と初動対応を効率化し、侵入される可能性を下げるだけでなく、侵入された場合の被害を最小限に抑える体制へ移行する必要がある。
多層防御の徹底
人工知能を利用した攻撃に対しても、基本的な防御策の重要性が失われるわけではない。むしろ、攻撃の速度や手法が変化するほど、単一の技術に依存せず、複数の防御策を組み合わせる多層防御の考え方が重要になる。
第一に、情報システムの脆弱性を管理し、修正プログラムを適切に適用する必要がある。外部に公開された機器や古いソフトウエアを放置すれば、攻撃者に侵入の機会を与えることになるため、組織内の機器やサービスを把握し、重要度に応じて修正を進めることが基本となる。
第二に、認証と権限管理を強化する必要がある。多要素認証を導入し、管理者権限を必要最小限に制限し、不要になったアカウントを停止することで、認証情報が盗まれた場合の被害を抑えやすくなる。
第三に、情報を保管する場所やネットワークを適切に分離することが重要である。1つの端末やアカウントが侵害されても、重要な情報や他のシステムへ容易にアクセスできない構造にすれば、攻撃の連鎖を防ぎやすくなる。
第四に、バックアップと復旧手順を整備する必要がある。情報が暗号化されたり、業務システムが停止したりした場合でも、正常な状態に戻せるよう、バックアップを本番環境から分離し、復旧手順を定期的に検証することが欠かせない。
第五に、監視と対応の仕組みを強化する必要がある。端末や通信の異常を検知するだけでなく、重要な警告が発生した際に誰が判断し、どのシステムを隔離し、どの関係者へ連絡するかを事前に決めておくことで、対応の遅れを減らせる。
第六に、人工知能を業務に導入する際には、その人工知能自体の権限と接続範囲を管理しなければならない。外部の情報を取得する機能や、ファイルを操作する機能、業務システムを変更する機能などを必要以上に与えず、重要な操作には承認を求める仕組みを設けることが重要である。
加えて、従業員への教育も欠かせない。自然な文章で作成された偽の連絡や、正規の業務を装った不審な依頼を見抜くためには、文章の不自然さだけに頼らず、送信者の確認、別経路での照会、情報共有の手順などを徹底する必要がある。
多層防御の目的は、攻撃を完全に防ぐことだけではない。1つの防御策が突破されたとしても、次の防御策で異常を検知し、被害を限定し、速やかに復旧できる状態を維持することにある。
人工知能の普及によって攻撃手法が変化しても、資産管理、権限管理、脆弱性対策、監視、バックアップ、訓練といった基本的な対策は引き続き有効である。これらを継続的に改善し、人工知能を利用した攻撃の速度に対応できる運用体制を構築することが、現実的な防御戦略となる。
今後の展望
2026年10月時点で、人工知能を利用したサイバー攻撃をめぐる状況は、実験的な技術の検証段階から、現実の攻撃活動と防御体制の双方に影響を及ぼす段階へ移行しつつある。今後の焦点は、人工知能が攻撃をどこまで自律的に遂行できるかだけでなく、その能力がどの程度の費用で利用でき、どのような犯罪者や組織に広がるかという点にある。
2026年10月19日付のロイター通信の報道では、人工知能を利用した攻撃者が、比較的短い指示から複数のウェブサイトへの侵入を試み、100を超えるサイトを標的にした事例が紹介された。報道によれば、被害を受けた企業の一部は侵害を確認したものの、情報流出などの被害は限定的だったと説明しており、攻撃能力の拡大と実際の被害の深刻さを分けて評価する必要性を示している。
この事例が重要なのは、少ない指示で攻撃活動を進められる仕組みが、単なる理論上の可能性ではなく、実際の調査対象となっていることだ。ただし、個別の事例から、あらゆる人工知能が同じ能力を持つことや、今後すべての攻撃が完全自律型になることまで結論づけることはできない。
今後、人工知能の性能が向上し、外部の道具を操作する仕組みとの連携が容易になれば、攻撃者はより複雑な作業を少ない人員で進められる可能性がある。特に、情報収集、攻撃対象の選定、プログラムの作成、侵入後の情報整理など、複数の工程を結びつける技術が普及すれば、従来は高度な専門知識を持つ集団に限られていた攻撃の一部が、より広い層に利用される危険性がある。
一方で、防御側の技術も進歩している。人工知能を利用した脆弱性の発見、プログラムの安全性の検証、異常な挙動の分析、インシデント対応の支援などが進めば、攻撃の効率化に対抗する手段も増える。今後のサイバーセキュリティは、攻撃側と防御側の双方が人工知能を利用し、その能力と運用方法を競い合う構図になると考えられる。
政府や専門機関の対応も重要性を増している。2026年5月には、米国のサイバーセキュリティ・インフラ安全保障庁を含む複数国の機関が、自律型人工知能サービスを安全に導入するための共同指針を公表した。そこでは、人工知能に与える権限の制限、多層防御、本人確認、継続的な監視、定期的な安全性評価などが重視されており、自律型の仕組みを業務に導入する際には、利便性だけでなく管理と監督の仕組みが不可欠であることが示されている。
企業にとっては、人工知能を導入するかどうかだけでなく、どこまでの操作を任せるかが重要な経営判断になる。情報の閲覧や分析と、外部への送信、権限の変更、システムの停止などでは危険性が異なるため、操作の影響に応じて権限を細分化し、重大な操作には人間の承認を求めることが必要となる。
また、国際的な協力も欠かせない。攻撃者が複数の国を経由して活動し、侵害された情報システムや外部サービスを利用する場合、1つの組織や国家だけで全体像を把握することは難しい。脅威情報の共有、証拠の保全、被害組織への迅速な通知、国際的な捜査協力を強化することが、被害の拡大を防ぐうえで重要となる。
長期的には、人工知能を使った攻撃を完全に排除することよりも、攻撃を実行するための障壁を維持し、侵入を早期に発見し、被害を限定し、迅速に復旧できる仕組みを構築することが現実的な目標となる。技術の進歩を過度に恐れるのでも、人工知能がすべてを解決すると期待するのでもなく、能力の限界と危険性を継続的に検証しながら、防御体制を改善する姿勢が求められる。
まとめ
人工知能によるサイバー攻撃の本質は、人間のハッカーが消滅することではなく、人間が担ってきた攻撃工程の多くを人工知能が補助し、一部では自律的に実行できるようになってきたことにある。攻撃者が少ない指示で調査、分析、プログラムの作成、実行結果の評価などを進められるようになれば、攻撃に必要な時間や人員が減り、活動の規模と継続性が拡大する可能性がある。
実際に、2025年には人工知能を攻撃活動の実行主体として利用したサイバー諜報活動が報告され、2026年には悪意ある人工知能の利用事例を体系的に分析した調査や、複数のウェブサイトを標的とした攻撃の報道が登場した。こうした事例は、人工知能による攻撃の自動化が現実の課題となっていることを示す一方、完全自律型の攻撃があらゆる環境で可能になったことを意味するものではない。
特に重要なのは、人工知能の能力と、実際の侵入の成功、情報流出、経済的損失を区別することである。攻撃活動が高度に自動化されていても、対象の防御状況や利用可能な権限によって結果は異なり、人工知能が生成した情報や判断にも誤りが含まれることがある。
防御側には、従来の検知技術を維持しながら、予測型防御、権限管理、多層防御、迅速な封じ込めと復旧を組み合わせることが求められる。さらに、人工知能そのものに与える権限を制限し、重大な操作には人間の監督を設け、企業間や国家間で脅威情報を共有することも重要である。
結局のところ、「手を下さないハッカー」という表現が示しているのは、人間が攻撃の細かな操作から離れ、人工知能に作業を委ねるという構造の変化だ。人工知能が攻撃の準備と実行を効率化する時代には、防御側も技術、組織、制度の各面で対応を進めなければならず、サイバーセキュリティは人間同士の攻防から、人間と自律型の仕組みを含む複雑な攻防へと変わりつつある。
参考・引用リスト
人工知能を利用した攻撃の実例と調査
1. アンソロピック「Disrupting the first reported AI-orchestrated cyber espionage campaign」（2025年11月13日）。人工知能を利用したサイバー諜報活動について、標的、実行手法、侵入状況などを説明した報告。
2. アンソロピック「Mapping AI-enabled cyber threats: Insights from the LLM ATT&CK Navigator」（2026年6月3日）。悪意ある活動に関連する832の利用者アカウントを分析し、人工知能が攻撃工程のどこで利用されたかを整理した調査。
3. アンソロピック「Detecting and countering misuse of AI: September 2026」（2026年9月）。人工知能の悪用事例と、その検知および対策についてまとめた報告。
4. ロイター通信「How one hacker used AI agents and a few thousand dollars to break into scores of sites」（2026年10月19日）。人工知能を利用した攻撃者による複数のウェブサイトへの侵入事例を報道し、攻撃の費用、実行方法、被害状況を紹介した記事。
専門機関による安全対策と防御指針
5. 米国サイバーセキュリティ・インフラ安全保障庁ほか「Careful Adoption of Agentic Artificial Intelligence Services」（2026年5月）。自律型人工知能の安全な導入に関し、権限管理、監視、人的監督、多層防御などを推奨する共同指針。
6. 米国サイバーセキュリティ・インフラ安全保障庁「JCDC AI Cybersecurity Collaboration Playbook and Fact Sheet」（2025年1月14日）。人工知能に関するサイバー脅威の情報共有と、官民連携による対応の進め方を説明した資料。
専門家・報道機関による分析
7. 米外交問題評議会「China’s AI-Powered Anthropic Hack Is Just the Beginning」（2025年11月20日）。人工知能を利用した攻撃事例を、安全保障とサイバー防御の観点から分析した論考。
8. サイバースクープ「China’s ‘autonomous’ AI-powered hacking campaign still required a ton of human work」（2025年11月14日）。自律型攻撃と報じられた事例について、人間の関与や実際の自動化の程度を検討した記事。
9. ＮＴＴセキュリティ・ジャパン「サイバーセキュリティレポート 2025年11月」。人工知能を利用した攻撃事例と、攻撃の自動化に関する技術的な解説。