Attacchi AI in America Latina: Unit 42 svela due cluster operativi

Unit 42 di Palo Alto Networks ha pubblicato il 3 settembre 2026 l'analisi di due campagne di intrusione multi-stadio in corso che colpiscono organizzazioni in Messico, Ecuador e Brasile. Entrambi i cluster di attività — tracciati come CL-CRI-1131 e CL-CRI-1163 — utilizzano modelli linguistici commerciali orchestrati tramite interfacce self-hosted per accelerare operazioni di esfiltrazione dati e gestione dell'infrastruttura C2. La scoperta è significativa perché documenta per la prima volta in modo forense come gli LLM siano diventati un componente operativo integrato, non un mero accessorio, del crimine informatico regionale.

CL-CRI-1131: LLM e LotL contro enti governativi messicani

Il cluster CL-CRI-1131 ha colpito un'organizzazione del settore trasporti, ministeri del governo federale messicano e municipal water utilities in Messico ed Ecuador. L'intrusione documentata risale ad aprile 2026, con persistenza confermata fino a giugno 2026. Gli attaccanti hanno impiegato tecniche living-off-the-land e script batch iterativi numerati per manipolare ed esfiltrare dati sensibili.

L'elemento distintivo è l'infrastruttura di comando e controllo. Gli operatori hanno deployato istanze NextChat — interfaccia open-source per interagire con multipli modelli LLM — su un server all'indirizzo 178.128.87[.]160, porta TCP 3000. L'istanza era esposta direttamente, senza restrizioni di accesso rilevabili, e funzionava come terminale operativo per query in tempo reale.

I domini DuckDNS registrati per il cluster portano il prefisso "m-doxa": m-doxa-apodo, m-doxa-intel, m-doxa-vacunas. I nomi dei sottodomini indicano funzioni operative e target governativi messicani specifici. I certificati Let's Encrypt associati mostrano una progressione infrastrutturale: il primo, emesso il 27 febbraio 2026, copriva un singolo host (165.22.184[.]26); i successivi del 20 aprile e 19 giugno 2026 — entrambi con cinque SAN — puntavano al server NextChat. Questa espansione documenta l'evoluzione del targeting nel corso della campagna.

CL-CRI-1163: AI-enablement nel settore finanziario brasiliano

Il secondo cluster, CL-CRI-1163, ha colpito il settore finanziario brasiliano espandendo il targeting precedente di server web vulnerabili in una campagna di phishing a tema lavoro. A differenza del cluster messicano, gli operatori hanno impiegato malware custom — un RAT — e tool di tunneling proprietari.

Tra questi, Unit 42 ha identificato un proxy SOCKS5 scritto in Go con nomi di file iterativi che suggeriscono AI-enablement. Il report non dettaglia la struttura esatta di questi nomi né il meccanismo di generazione, ma la caratterizzazione è esplicita: i pattern di denominazione non corrispondono a convenzioni manuali tipiche.

La condivisione dell'infrastruttura relay SOCKS5 tra CL-CRI-1131 e CL-CRI-1163 è il dato più rilevante per la lettura strategica. Due cluster geograficamente distinti, con target settoriali diversi e toolset parzialmente differenziato, convergono sulla stessa rete proxy. Questo indica un livello di servitizzazione dell'infrastruttura criminale che accelera l'adozione di capacità avanzate anche da parte di operatori indipendenti.

"Both clusters have overlapping SOCKS5 relay infrastructure and they both rely on AI to orchestrate operations via commercial large language models (LLMs)" — Unit 42

L'errore di OpSec: quando l'AI lascia tracce

L'angolo analitico più forte del report è la dimostrazione che l'uso di LLM, pur accelerando le operazioni, ha generato pattern di esposizione riconoscibili. Gli attaccanti hanno lasciato tracce tecniche in tre aree: l'interfaccia NextChat esposta su porta standard senza hardening evidente; i certificati multi-SAN che mappano l'evoluzione infrastrutturale con precisione cronologica; e i file batch numerati sequenzialmente con correzioni iterative che registrano il processo di "ragionamento" con il modello.

La citazione diretta di Unit 42 è netta: "These trial-and-error actions and successive script fixes are consistent with LLM usage". Il pattern non è compatibile con un operatore esperto che scrive manualmente: la rapidità delle correzioni, la sequenzialità numerica e la ripetizione di errori già corretti in istanze precedenti indicano un ciclo di query-risposta-interazione con il modello.

Report precedenti di CloudSEK (giugno 2026, "Operation Escaneo") e Gambit (febbraio 2026) avevano già documentato l'uso di Claude e GPT-4.1 nelle campagne messicane. Unit 42 integra queste ricerche nel proprio framework di cluster, confermando la continuità operativa e l'intensificazione dell'adozione AI nel corso del 2026.

Perché è importante

Il brief non documenta misure correttive specifiche né raccomandazioni operative dal vendor. Unit 42 non fornisce indicazioni di hardening, di rilevamento o di risposta incidenti dedicate a questo threat model. Questo limite è rilevante: le difese tradizionali basate su IoC statici — IP, hash, domini — sono insufficienti contro operatori che usano LLM per adattare script in tempo reale e iterare tattiche senza ricompilare malware.

Il dossier non specifica la natura esatta dei dati esfiltrati, né l'entità complessiva delle vittime oltre quelle confermate. Non è chiaro se gli stessi operatori gestiscano entrambi i cluster o se si tratti di adozione indipendente di tattiche simili, sebbene la sovrapposizione infrastrutturale suggerisca almeno condivisione di servizi proxy. Non è confermato se i LLM siano stati utilizzati anche per la fase iniziale di accesso o solo per post-exploitation e troubleshooting.

Il ruolo specifico dei nomi di file iterativi nel proxy SOCKS5 Go come indicatore di AI-enablement non è tecnicamente dettagliato nel testo disponibile. Il dossier non specifica inoltre se esistano vittime non riportate o campagne correlate non ancora identificate.

Una lettura sul trend regionale

L'adozione di LLM commerciali nel crimine informatico latinoamericano non è un'anomalia isolata ma un pattern strutturale. Unit 42 lo enuncia esplicitamente: "Rather than isolated incidents, these clusters demonstrate how diverse threat groups in Latin America are independently adopting advanced proxy networks and AI integration to streamline their execution". La chiave è "independently": non c'è un unico attore centralizzato, ma una diffusione orizzontale di competenze e tool.

Questo ha conseguenze per il threat modeling globale. L'America Latina è tradizionalmente considerata un mercato secondario per il crimeware sofisticato; i dati di Unit 42 indicano che la combinazione di servizi proxy accessibili, API LLM a basso costo e interfacce open-source come NextChat ha abbassato le barriere di ingresso per operazioni multi-stadio. La velocità di iterazione tattica — misurata in giorni, non in settimane — riduce il tempo di risposta dei difensori.

La prossima frontiera non è la generazione automatica di malware da zero, che il report non documenta, ma l'integrazione operativa: l'LLM come consulente tattico embedded nel flusso di lavoro C2, che consente a operatori di medio livello di eseguire task che richiederebbero altrimenti competenze specialistiche. La traccia che lasciano è diversa da quella del malware tradizionale, ma è comunque una traccia. Il lavoro di Unit 42 dimostra che è rilevabile, purché i modelli di detection evolvano parimenti.

Fonti

• https://unit42.paloaltonetworks.com/ai-tool-use-targeting-latam-orgs/
• https://unit42.paloaltonetworks.com/tools/
• https://unit42.paloaltonetworks.com/atoms/
• https://unit42.paloaltonetworks.com/about-unit-42/

Le informazioni sono basate sulla fonte citata e aggiornate al momento della pubblicazione.

Fonti