สรุปสั้น

บทวิเคราะห์โดย นาย Etay Maor รองประธานฝ่าย Threat Intelligence ของ บริษัท Cato Networks ชี้ถึงการเกิดขึ้นของ “Zero-Knowledge Threat Actor” ซึ่งเป็นหนึ่งในผลกระทบอันตรายที่สุดจากการเข้ามาของ AI ในวงการไซเบอร์ ผู้โจมตีกลุ่มนี้แทบไม่มีความเชี่ยวชาญด้านเทคนิค แต่มีเจตนาร้ายมากพอ และอาศัย AI เปลี่ยนทักษะอันจำกัดให้กลายเป็นขีดความสามารถเชิงรุกที่ใช้งานได้จริง โดย AI ช่วยสร้างมัลแวร์ สร้าง payload อันตราย ข้ามการตรวจสอบความปลอดภัยพื้นฐาน และแปลงเจตนาร้ายที่คลุมเครือให้กลายเป็นโค้ดที่ทำงานได้

รายงาน Verizon 2026 Data Breach Investigations Report ระบุว่าการเจาะช่องโหว่ (vulnerability exploitation) พุ่งสูงขึ้น อันดับหนึ่ง ได้แก่ ช่องทางเข้าถึงเริ่มต้น หรือ Initial Access คิดเป็น 31% ของเหตุการณ์เจาะช่องโหว่ทั้งหมด แรงกดดันจากผู้โจมตีที่ใช้ AI กำลังบีบหน้าต่างเวลาของการเปิดเผยช่องโหว่อย่างมีความรับผิดชอบ (responsible disclosure) จนช่วงเวลาให้ผู้ใช้แพตช์ทันแทบหายไป

นาย Maor ย้ำว่าทางออกนั้น ไม่ใช่การตื่นตระหนก แต่ควรเป็นการมองเห็นที่คมชัดขึ้น การลงมือเร็วขึ้น และการซักซ้อมรับมือที่ดีขึ้น

รายละเอียดข่าว

เว็บไซต์ SecurityWeek เผยแพร่บทวิเคราะห์เมื่อวันที่ 2 มิถุนายน 2569 ของนาย Etay Maor รองประธานฝ่าย Threat Intelligence ของบริษัท Cato Networks ว่าด้วยภัยจากผู้โจมตีไร้ทักษะที่ติดอาวุธด้วย AI นาย Maor อธิบายว่า AI ไม่ได้เปลี่ยนเป้าหมายดั้งเดิมของอาชญากรรมไซเบอร์ ทั้งการขโมย credential การเจาะช่องโหว่ การยกระดับสิทธิ์ การขโมยข้อมูลสำคัญ และการขัดขวางการดำเนินงาน สิ่งที่เปลี่ยน คือ ความเร็วในการค้นพบช่องโหว่ การที่ขีดความสามารถเหล่านี้เข้าถึงได้โดยคนทั่วไป (democratization) และจังหวะการโจมตีที่เร็วขึ้น เครื่องมือ AI เพิ่มทั้งความเร็วและปริมาณการค้นหาและใช้ประโยชน์จากช่องโหว่ คนจำนวนมากขึ้นจึงร่วมโจมตีได้โดยไม่ต้องเชี่ยวชาญ

นาย Maor เตือนว่า AI ปัจจุบันช่วยได้แทบทุกขั้นของ kill chain ตั้งแต่วิเคราะห์เป้าหมาย ลาดตระเวน (reconnaissance) หาช่องโหว่ เลือก attack vector ทำ social engineering ปรับแต่ง exploit ไปจนถึงประสานหลายขั้นตอนเข้าด้วยกัน แม้วิจารณญาณของมนุษย์ยังจำเป็นในการเลือกเป้าหมาย จัดการโครงสร้างพื้นฐาน และเปลี่ยนการเข้าถึงให้เกิดผลกระทบจริง แต่ระดับความเชี่ยวชาญที่ต้องใช้ในการโจมตีกำลังลดลงอย่างชัดเจน

วิธีการและแนวโน้มภัยคุกคาม

Maor ชี้ว่าองค์กรขนาดเล็กเหมาะกับการตกเป็นเป้าของ Zero-Knowledge Threat Actor มากกว่าองค์กรใหญ่ เพราะมีจุดอ่อนหลายด้าน ทั้งวัฒนธรรมการแพตช์ที่อ่อนแอ เครื่องมือเฝ้าระวังจำกัด ทีมความปลอดภัยขนาดเล็ก และการตอบสนองเหตุการณ์ที่ล่าช้า

ที่สำคัญ องค์กรเล็กเหล่านี้มักเป็นส่วนหนึ่งของระบบนิเวศธุรกิจขนาดใหญ่ ทำหน้าที่เป็นผู้ให้บริการซอฟต์แวร์ พาร์ตเนอร์ managed service หรือผู้ให้บริการโลจิสติกส์ ทำให้ผู้โจมตีมองว่าเป็น “ประตู” สู่องค์กรใหญ่ผ่านห่วงโซ่อุปทาน

ในประเด็นเรื่องหน้าต่างการเปิดเผยช่องโหว่ Maor อธิบายว่า “zero-day” หมายถึงช่องโหว่ที่ถูกใช้โจมตีต่อสาธารณะก่อนที่ผู้ผลิตจะมีแพตช์ ขณะที่ coordinated disclosure เริ่มตั้งแต่นักวิจัยแจ้งผู้ผลิตเป็นการส่วนตัว ตามด้วยขั้นตอนตรวจสอบ ประเมินความรุนแรง สร้างแพตช์ และให้เวลาผู้ใช้อัปเดต

ผู้โจมตีที่เสริมพลังด้วย AI ไม่เพียงค้นพบช่องโหว่ได้เร็ว แต่ยังใช้ประโยชน์ได้เร็วขึ้นด้วย ทำให้ทีมความปลอดภัยต้องเร่งมือ และช่วงเวลาหายใจแบบเดิมกำลังหายไป ส่งผลกระทบโดยตรงต่อกระบวนการ responsible disclosure

ผลกระทบต่อไทย

ประเทศไทยมีองค์กรขนาดกลางและเล็ก (SME) จำนวนมากที่อยู่ในห่วงโซ่อุปทานของบริษัทใหญ่และหน่วยงานราชการ ซึ่งตรงกับลักษณะเป้าหมายที่ Zero-Knowledge Threat Actor มองหา เพราะมักมีงบและทีมความปลอดภัยจำกัด

การที่ AI ลดเกณฑ์ทักษะการโจมตีลง หมายความว่าผู้ไม่หวังดีในประเทศที่เดิมไม่มีความสามารถทางเทคนิคก็อาจสร้างมัลแวร์หรือแคมเปญฟิชชิงที่ซับซ้อนได้ ทำให้ปริมาณภัยคุกคามที่องค์กรไทยต้องเผชิญเพิ่มขึ้น

ฟิชชิงและ social engineering ที่สร้างโดย AI จะแนบเนียนและปรับแต่งเฉพาะบุคคล (hyper-personalized) มากขึ้น ทำให้พนักงานที่ขาดการฝึกอบรมตกเป็นเหยื่อได้ง่าย โดยเฉพาะข้อความภาษาไทยที่ AI สร้างได้ลื่นไหลขึ้นเรื่อย ๆ

นอกจากนี้ หน้าต่างเวลาแพตช์ที่สั้นลงเป็นความท้าทายต่อองค์กรไทยที่มักมีรอบการอัปเดตช้า ทำให้ความเร็วในการปิดช่องโหว่กลายเป็นปัจจัยชี้ขาดความปลอดภัยมากกว่าเดิม

คำแนะนำ

  1. อบรมพนักงานเชิงลึก — เน้นการรับมือฟิชชิงและ impersonation ที่สร้างโดย AI พร้อมจำลองสถานการณ์จริง เพื่อให้พนักงานไม่เชื่อข้อความที่ปรับแต่งเฉพาะตัวโดยอัตโนมัติ
  2. ทำ Red Teaming กับระบบ AI — ทดสอบระบบ AI ขององค์กรกับ malicious prompt, jailbreaking และสถานการณ์ใช้งานในทางที่ผิด เพื่อดูว่าถูกหลอกให้เปิดเผยข้อมูลสำคัญได้หรือไม่
  3. สร้าง Visibility แบบ end-to-end — ลดการใช้เครื่องมือความปลอดภัยที่กระจัดกระจาย หันมาใช้สถาปัตยกรรมรวมศูนย์อย่าง SASE เพื่อตรวจจับกิจกรรมน่าสงสัยทั่วทั้งสภาพแวดล้อม
  4. เร่งการแพตช์ — รักษาระบบสำคัญ แอปพลิเคชันที่เปิดสู่ภายนอก และซอฟต์แวร์ยอดนิยมให้ทันสมัยเสมอ อย่าเปิดช่องโหว่ที่รู้อยู่แล้วทิ้งไว้
  5. ซ้อมแผนตอบสนองเหตุการณ์ — ทำ tabletop exercise วางเส้นทาง escalation ให้ชัด และทดสอบการกู้คืน เพื่อฝังความยืดหยุ่นเข้าไปในระบบ
  6. นำเฟรมเวิร์กความปลอดภัย AI มาใช้ — เช่น MITRE ATLAS, OWASP Top 10 for LLM Applications และ Google Secure AI Framework (SAIF)

แหล่งอ้างอิง