هوش مصنوعی در حال حرکت از یک ابزار کمکی به ویژگیای روتین در جرایم مرتبط با ارز دیجیتال است که توسط کلاهبرداریهایی هدایت میشود که از فیکعمیق (دیپفیک) و رباتهای چت خودکار برای جعل هویت افراد قابل اعتماد در مقیاس گسترده استفاده میکنند. آزمایشگاههای TRM گزارش دادند که استفاده از هوش مصنوعی در جرایم مرتبط با ارز دیجیتال در سال گذشته ۴۰٪ افزایش یافته است، در حالی که شاخص پذیرش هوش مصنوعی در جرم آنها برای سال ۲۰۲۶ به ۵۴ از ۱۰۰ رسیده است که در مقایسه با حدود ۲۸ در سال ۲۰۲۴ افزایش چشمگیری دارد.
شرکت هوشمندی بلاکچین، فعالیتهای کلاهبرداری مبتنی بر هوش مصنوعی را «بالغ» طبقهبندی کرد که بالاترین سطح پیشرفته در این زمینه است. عملیات هک و بدافزارهای رانسومور همچنان در مرحلهٔ «در حال ظهور» باقی ماندهاند، در حالی که قاچاق مواد مخدر و فعالیتهای بازارهای تاریک در دستهٔ «افق» قرار دارند که در آن استفاده از هوش مصنوعی وجود دارد اما نسبتاً محدود است.
نتایج نشان میدهد که در فضای جرم، کلاهبرداران بیشترین مزیت عملیاتی را از هوش مصنوعی تولیدی کسب کردهاند. ابزارهایی که قادر به تولید صداها، ویدیوها، پیامها و تعاملات جعلی خدمات مشتریانِ قانعکننده هستند، به مجرمان اجازه میدهند کمپینهای جعل هویت را بدون نیاز به نیروی انسانی و مهارتهای زبانی که قبلاً برای هدف قرار دادن قربانیان در چندین کشور لازم بود، اجرا کنند.
ضررهای ناشی از کلاهبرداریهای دیپفیک در سال ۲۰۲۶ شتاب گرفته است
آزمایشگاههای TRM گفتند که سهم گزارشهای کلاهبرداری ارز دیجیتال که شامل ابزارهای هوش مصنوعی مانند دیپفیک و رباتهای چت هوش مصنوعی است، از سال ۲۰۲۲ تاکنون تا ۱۳ برابر افزایش یافته است. بر اساس گزارش این شرکت، ضررهای گزارششده ناشی از کلاهبرداریهای مرتبط با دیپفیک در سال ۲۰۲۶ تاکنون، از مجموع کل سال ۲۰۲۵ به میزان ۲۶۳٪ بیشتر بوده است.
کلاهبرداریهای دیپفیک میتوانند اشکال مختلفی داشته باشند: یک ویدیوی ساختگی از یک مدیر ارشد که فروش یک توکن را تبلیغ میکند، تقلیدی از یک عضو خانواده که درخواست انتقال فوری وجه میدهد، یا یک صدای کلونشده که برای دور زدن بررسیهای غیررسمی هویت استفاده میشود. در بازارهای ارز دیجیتال که انتقالات عموماً غیرقابل بازگشت هستند و کاربران اغلب تنها از طریق کانالهای آنلاین تعامل میکنند، یک جعل هویت قانعکننده میتواند کافی باشد تا قبل از اینکه فرد متوجه فریب خود شود، پرداخت را آغاز کند.
طبقهبندی کلاهبرداریها به عنوان «بالغ» توسط TRM نشاندهندهٔ آن است که این ابزارها چقدر به راحتی در دسترس هستند. یک مجرم نیازی به ساخت یک مدل یادگیری ماشین برای تولید صدای مصنوعی یا ایجاد یک ربات چت که شبیه یک نمایندهٔ پشتیبانی باشد، ندارد. خدمات هوش مصنوعی آماده را میتوان برای تطبیق با تکنیکهای کلاهبرداری آشنا استفاده کرد و به این ترتیب، روشهای قدیمی را با روشهایی قانعکنندهتر ارائه داد.
اعداد و ارقام گزارش، فعالیتهای گزارششده را اندازهگیری میکنند که به معنای آن است که استفادهٔ واقعی از هوش مصنوعی در کلاهبرداریها ممکن است زمانی که قربانیان ندانند پیام، تماس یا ویدیوی دریافتی توسط ماشین تولید شده است، تشخیص دادن آن دشوار باشد. با این حال، افزایش چشمگیر زیانهای مرتبط با ویدیوهای جعلی (دیپفیک) نشان میدهد که رسانههای ساختگی دیگر محدود به تلاشهای کلاهبرداری منفرد و پررنگ نیستند.
هکرها از هوش مصنوعی برای دسترسی و کشف استفاده میکنند
نقش هوش مصنوعی در هک کردن در مقایسه با کلاهبرداریها کمتر توسعه یافته است، اما شرکت TRM گفت که بازیگران سایبری از آن برای تحلیل آسیبپذیریها، مهندسی اجتماعی و نفوذ استفاده میکنند. این گزارش به فعالیتهای مرتبط با کره شمالی اشاره کرد، از جمله طرحهای نفوذ با استفاده از دیپفیک کارمندان فناوری اطلاعات، مهندسی اجتماعی کمکشده با هوش مصنوعی و کشف خودکار آسیبپذیریها که شرکتها و پروتکلهای بلاکچین را هدف قرار داده است.
یکی از نمونهها شامل استخر تراکنشهای Orchard در Zcash بود. بر اساس گفتهٔ TRM، مهندس امنیتی تیلور هورنبی در ژوئن با استفاده از هوش مصنوعی یک آسیبپذیری شناسایی کرد. گزارش اشاره کرد که این نقص میتوانست برای ایجاد «مقدار نامحدود» از توکنهای جعلی درون استخر به کار رود.
این مورد، اثر پیچیدهتر هوش مصنوعی بر امنیت سایبری را نشان میدهد: همان فناوری که میتواند تحقیقات تهاجمی را تسریع کند، میتواند به مدافعان نیز کمک کند تا قبل از اینکه مجرمان از آنها سوءاستفاده کنند، نقاط ضعف را پیدا کنند. تعادل به شدت به این بستگی دارد که چه کسانی به ابزارهای قدرتمند، قضاوت فنی صحیح و توانایی آزمایش مسئولانهٔ نقاط ضعف بالقوه دسترسی دارند.
TRM در نیمهٔ اول سال ۲۰۲۶، ۲۰۱ حملهٔ دارایی دیجیتالی را ثبت کرد که سطحی رکوردشکن است و بیش از دو برابر رقم سال ۲۰۲۵ گزارش شده است. حدود ۷۵٪ از زیانها تنها از ۴٪ حوادث ناشی شده است که عمدتاً شامل نقض زیرساختها با دسترسی غیرمجاز به کلیدهای خصوصی یا اعتبارنامهها بوده است.
این تمرکز فشار ویژهای بر صرافیها، نگهدارندگان دارایی، ارائهدهندگان کیف پول و تیمهای پروتکل برای محافظت از دسترسیهای ویژه وارد میکند. هوش مصنوعی ممکن است به مجرمان کمک کند تا نقاط ضعف را شناسایی کنند یا مواد فیشینگ مؤثرتری تولید کنند، اما بزرگترین زیانهایی که TRM توصیف کرده است همچنان عمدتاً ناشی از شکستهای آشناست: دسترسی غیرمجاز به اعتبارنامهها و کنترلهای ناکافی در اطراف سیستمهای حیاتی.
کره شمالی همچنان منبع اصلی زیانها باقی ماند
TRM حدود ۶۰۰ میلیون دلار، یا ۶۱٪ از زیانهای ناشی از هک داراییهای دیجیتال در نیمهٔ اول سال ۲۰۲۶ را به فعالیتهای مرتبط با کره شمالی نسبت داد. این کشور از مدتها پیش با عملیات سرقت و پولشویی ارز دیجیتال مرتبط بوده است و گزارش اشاره کرد که هوش مصنوعی اکنون در تکنیکهایی که برای دستیابی به دسترسی و فریب اهداف استفاده میشود، گنجانده شده است.
طرحهای کارمند فناوری اطلاعات جعلی (Deepfake) به نگرانی ویژهای برای شرکتهایی تبدیل شده است که نیروی فنی دورکار استخدام میکنند. در این عملیات، متقاضیان ممکن است از هویتهای ساختگی، فیدهای ویدیویی دستکاریشده یا اسناد تولیدشده توسط هوش مصنوعی استفاده کنند تا موقعیتهای شغلی را کسب کنند که دسترسی به سیستمهای داخلی، کد منبع یا اعتبارنامههای حساس را فراهم میکند.
گروههای رانسوموار نیز در مراحل اولیه زنجیره حملات خود، زودتر از پیش از هوش مصنوعی استفاده میکنند. TRM گفت که بسیاری از این عملیات از هوش مصنوعی در مراحل فیشینگ و دسترسی اولیه بهره میبرند، جایی که مهاجمان سعی دارند قربانی را متقاعد کنند تا یک پیوست مخرب را باز کند، اعتبارنامههای خود را افشا کند یا یک درخواست ورود را تأیید نماید.
گزارش اشاره کرد که کیتهای رانسوموار بدون نیاز به کدنویسی (no-code) بین ۴۰۰ تا ۱,۲۰۰ دلار فروخته میشوند. چنین محصولاتی بار فنی مربوط به انتشار بدافزار را کاهش میدهند، هرچند که کمپینهای ابتزاق موفق همچنان نیازمند دسترسی به سیستمهای قربانیان، امنیت عملیاتی و روشهایی برای دریافت یا انتقال وجوه هستند.
TRM همچنین به JadePuffer اشاره کرد که آن را اولین حمله رانسوموار کاملاً عاملمحور (agentic) در یک عملیات ابتزاق توصیف کرد. طبق گزارش، یک عامل هوش مصنوعی بهصورت end-to-end مراحل شناسایی، سرقت اعتبارنامه، حرکت جانبی، ارتقای دسترسی و رمزگذاری را مدیریت کرد. اگر چنین گردشکارهایی قابل تکرار شوند، اپراتورهای رانسوموار میتوانند همزمان تلاشهای نفوذ بیشتری انجام دهند و تنها در موارد انتخاب اهداف و مذاکره برای پرداختها از مداخله انسانی استفاده کنند.
استفاده از دارکنت همچنان محدود است
به گفته TRM، استفاده از هوش مصنوعی در قاچاق مواد مخدر و بازارهای دارکنت همچنان محدود است و عمدتاً در حوزه بازاریابی متمرکز شده است. فروشندگان ممکن است از ابزارهای خودکار برای نوشتن تبلیغات، ترجمه آگهیها یا ایجاد تصاویر تبلیغاتی استفاده کنند، اما گزارش این بخش را در سطحی نزدیک به یکپارچهسازی هوش مصنوعی دیدهشده در کلاهبرداریها قرار نداد.
TRM شاخص خود را تا حدی بر اساس فعالیتهای مجرمانهای تدوین کرد که در نهایت ارزش را از طریق بلاکچینهای عمومی جابهجا میکنند. این قابلیت مشاهده، به محققان امکان ردیابی تراکنشهای مرتبط با کیفپولها و خدمات غیرقانونی شناختهشده را میدهد، هرچند تمام بخشهای یک حمله—مانند پیام فیشینگ اولیه یا تماس ویدیویی جعلی—را در بر نمیگیرد.
درس دفاعی فوری این گزارش بیشتر عملی تا فناورانه است. انتقالهای باارزش بالا و تغییرات در مجوزهای کیفپول باید از طریق یک کانال مستقل تأیید شوند، در حالی که سازمانها باید بر کنترلهای قوی اعتبارنامه، احراز هویت مبتنی بر سختافزار و رویههای شفاف تأیید تکیه کنند. دیگر نمیتوان صرفاً به یک صدای متقاعدکننده یا ویدیو بهعنوان مدرک کافی برای اثبات اصالت فرد در سوی دیگر تماس اکتفا کرد.
نگران کلاهبرداریهای مبتنی بر هوش مصنوعی هستید؟ نکات ضروری برای محافظت را در راهنمای ما بیاموزید اینجا و با امنیت بیشتری معامله کنید.
اظهار عدم مسئولیت: محتوای این صفحه تنها برای اهداف اطلاعاتی عمومی ارائه شده و نظرات یا مشاورههای مالی Toobit را منعکس نمیکند. ما هیچ تضمینی در مورد دقت یا کامل بودن این اطلاعات ارائه نمیدهیم و در قبال هرگونه خطا، حذف یا نتایج ناشی از استفاده از آن مسئولیتی نخواهیم پذیرفت. سرمایهگذاری در داراییهای دیجیتال با ریسک همراه است؛ کاربران باید وضعیت مالی خود و ریسکهای درگیر را بهصورت مستقل ارزیابی کنند. برای جزئیات بیشتر، لطفاً شرایط استفاده و اظهار ریسک.
