Savunmacılara ayrılmış bir model, belge içine gizlenen komut, saldırı sunucularındaki yerel modeller ve kameraları yanıltan desenler, yapay zekânın güvenlik hattının iki yanında nasıl kullanıldığını gösteriyor.
Yapay Zekâ··Gece
Savunma için ayrı erişim katmanı
OpenAI, güvenlik açığı arayan savunma ekipleri için GPT-5.6-Cyber'ı Daybreak Red katmanında kullanıma açtı. Erişim kimlik doğrulama, hesap güvenliği önlemleri ve hukuki beyan gerektiriyor; 1 Eylül 2026'dan başlayarak donanım güvenlik anahtarı da zorunlu olacak. Modelin ayırt edici özelliği, genel amaçlı modellerin çoğunlukla geri çevirdiği hassas güvenlik sorularını yanıtlaması. OpenAI'nin kendi değerlendirmesinde yanıt oranı GPT-5.6-Cyber için yüzde 95; standart GPT-5.6 Sol için yüzde 1,5, Daybreak Blue için yüzde 2, önceki GPT-5.5-Cyber için yüzde 57,3. OpenAI'nin açıklamasına göre model, Chrome'da daha önce saptanmamış iki açığı ve yaygın bir mobil işletim sisteminde en az beş açığı buldu; şirketin başarım ve keşif iddiaları bağımsız olarak doğrulanmış değil. OpenAI, daha geniş yanıt alanını kullanıcı ve çalışma ortamı denetimleriyle çevrelediğini belirtiyor; model için yalıtılmış bir sınama ortamı ve Codex'in Auto-Review kipini öneriyor.[1]
Belge komuta, sunucu çalışma alanına dönüşüyor
Aynı yetenek saldırı zincirinde farklı girişlerden beliriyor. PromptArmor, beyaz zemin üzerinde görünmeyen beyaz yazıyla hazırlanmış komutların Atlassian'ın eylemcisi Rovo'yu yönlendirebildiğini gösterdi. Rovo dosyayı işlerken Jira ve Confluence'taki kurumsal verileri toplayıp dinamik olarak üretilen bir adres üzerinden saldırganın sunucusuna gönderebiliyor; işlem kullanıcı onayı istemiyor ve sohbet penceresinde görünür bir iz bırakmıyor. Şirket açığı 23 Mayıs 2026'da bildirdi, Atlassian iki gün sonra bildirimi aldığını doğruladı; The Decoder'a göre ürün haber yayımlandığında hâlâ açıktı. Güney Koreli Genians ise Kuzey Kore bağlantılı Kimsuky grubunun saldırı sunucularında dışarıya veri göndermeden çalışan yerel bir büyük dil modeli ortamı ve belge getirmeli bir düzenek kurduğuna dair izler buldu. Ollama, GPT4All ve Msty gibi çalıştırma araçlarının yanı sıra eylemci geliştirme çerçeveleri, konuşmayı yazıya çeviren araçlar ve Cursor kullanım izleri saptandı. Genians bunları çalınan belgeleri inceleme, bilgi çıkarma ve saldırı işlerini otomatikleştirme denemeleri olarak yorumluyor. Bir olay kurumsal belgenin komut gibi okunmasına, diğeri saldırı verisinin yerel kalmasına dayanıyor; ikisi birlikte modelin yalnızca içerik üretmediğini, veri toplama ve işlem yürütme düzenine de yerleştiğini gösteriyor.[2], [3]
Makine görüşü de karşı örneklerle sınanıyor
Bill Swearingen'in noRecognition çalışması saldırı yüzeyini fiziksel dünyadaki algılamaya taşıyor. Swearingen, yapay zekâ ile üretilmiş bir desenle kaplanan 2009 model Toyota Yaris'i Las Vegas'taki Def Con sırasında bir Flock kamerasının önünden geçirdi; TechSpot denemenin kamerayı yanılttığını bildiriyor. Pekiştirmeli öğrenme düzeni önce bir desen üretiyor, tanıma sürerse sonucu değerlendirip deseni değiştiriyor. Swearingen, Kansas City'deki evinden bir yıl boyunca yaklaşık 31 milyon deneme yürüttüğünü ve modeli 11 açık kaynaklı nesne tanıma algoritmasını yanıltacak biçimde eğittiğini söylüyor. Düzenek artık dakikada yeni bir desen üretebiliyor; haber, tasarımların Flock plaka okuyucuları, Axon yaka kameraları ve Clearview AI ile bağlantılı tanıma araçlarını yanıltabildiğini aktarıyor. Bu örnek, Rovo'daki görünmez komut ve Kimsuky'nin yerel modeliyle aynı yöntemi kullanmıyor; ortak nokta, yapay zekâ sistemlerinin hem hedef hem araç haline gelmesi. Güvenlik modeli yazılım açığı ararken, saldırganlar belge yorumlama, yerel bilgi işleme ve görsel sınıflandırmanın çalışma biçimine yükleniyor. Böylece yapay zekâ güvenliği tek bir modelin davranışından daha geniş bir alanı kapsıyor: metnin komut sayıldığı sınır, verinin işlendiği yer ve kameranın nesneyi hangi desenden tanıdığı da sonucun parçası oluyor.[1], [2], [3], [4]
