AI Agent Berbahaya Curi 600 Ribu Data Kartu Kredit dan Pasang Skimmer di 119 Situs

Pelaku ancaman bermotif finansial memanfaatkan framework AI agent open source untuk menyerang ratusan situs e-commerce secara otomatis. Kampanye yang berlangsung sejak setidaknya Juli 2026 tersebut telah mencuri lebih dari 600.000 data kartu kredit dan memasang malware pencuri data pembayaran pada sedikitnya 119 situs web.

Temuan ini diungkap perusahaan keamanan siber Gambit, yang menemukan bahwa pelaku menggunakan beberapa agen AI untuk menjalankan berbagai tahap serangan, mulai dari pemindaian target, pencarian kerentanan, eksploitasi, hingga aktivitas pasca-kompromi.

Kampanye tersebut masih berlangsung hingga 22 September 2026. Dalam satu periode hanya lima hari, pelaku dilaporkan berhasil mengompromikan sedikitnya 27 perusahaan dan melancarkan lebih dari 100 gelombang serangan.

Yang membuat kampanye ini berbeda adalah tingkat otomatisasinya. Operator manusia hanya memberikan instruksi singkat mengenai tujuan operasi, sementara agen AI menjalankan sebagian besar proses teknis secara mandiri.

Tiga AI Agent Digunakan untuk Menjalankan Serangan

Menurut investigasi Gambit, operasi tersebut menggunakan tiga tool utama yang masing-masing menjalankan fungsi berbeda dalam rantai serangan.

Strix digunakan sebagai framework penetration testing untuk melakukan pemindaian target dan menemukan kerentanan. Selama periode 23–31 Agustus, Strix tercatat dijalankan sebanyak 146 kali terhadap 138 host, dengan total sekitar 633 jam aktivitas pemindaian.

Kemudian terdapat Cairn, autonomous exploitation engine yang diberikan tujuan tertentu, seperti mendapatkan shell atau memperoleh akses administrator pada sistem target.

Tool ketiga adalah Hermes, yang berfungsi sebagai pusat orkestrasi operasi. Hermes menangani aktivitas pasca-eksploitasi, mengambil keputusan taktis, serta mengarahkan aktivitas agen lainnya.

Hermes juga memiliki persona bernama “SOUL – Red Team Operator” dan 121 skill, dengan 78 di antaranya berkaitan dengan aktivitas serangan.

Dalam operasi tersebut, Hermes menggunakan claude-opus-4.6 untuk menjalankan tugas yang diberikan operator.

Operator Hanya Memberikan Instruksi Singkat

Gambit menilai operator manusia yang berada di balik operasi tersebut kemungkinan berasal dari China berdasarkan temuan yang diperoleh selama investigasi.

Alih-alih mengendalikan setiap langkah serangan secara manual, operator memberikan instruksi singkat kepada agen AI mengenai sasaran dan tujuan operasi.

Agen kemudian menjalankan proses pemindaian, eksploitasi, serta aktivitas lanjutan secara otomatis.

Antara 10 hingga 15 September, pelaku dilaporkan melancarkan 105 gelombang serangan berbeda dan memperoleh tingkat keberhasilan yang bervariasi terhadap sedikitnya 27 target.

Model operasi semacam ini memungkinkan satu operator menjalankan serangan terhadap banyak perusahaan dalam waktu yang relatif singkat.

600 Ribu Data Kartu Kredit Berhasil Dicuri

Dampak kampanye tersebut cukup besar.

Gambit menemukan bahwa pelaku berhasil mencuri lebih dari 600.000 data kartu kredit valid dari dua perusahaan. Selain itu, malware pencuri data pembayaran atau card skimmer ditemukan pada situs milik setidaknya lima organisasi dalam rangkaian serangan yang diamati secara langsung.

Secara keseluruhan, investigasi menunjukkan sedikitnya 119 situs web telah dikompromikan dengan card skimmer.

Target yang berhasil ditembus mencakup organisasi besar, termasuk perusahaan hospitality yang masuk daftar Fortune 500, maskapai penerbangan besar Amerika Serikat, distributor perlengkapan industri besar di AS, serta retailer fashion online.

Besarnya variasi target menunjukkan bahwa operasi tersebut tidak hanya menyasar perusahaan kecil, tetapi juga melakukan seleksi terhadap organisasi yang dianggap memiliki nilai ekonomi tinggi.

AI Memilih Target Berdasarkan Nilai dan Teknologi

Pelaku menggunakan layanan pemeringkat trafik situs untuk menentukan target yang dianggap bernilai dari daftar host yang ditemukan Strix.

Situs yang menggunakan software custom tampaknya mendapatkan prioritas karena menurut asumsi pelaku, aplikasi yang dikembangkan secara khusus lebih mungkin memiliki kerentanan yang belum diketahui atau belum ditangani.

Dengan kombinasi pemindaian otomatis dan sistem pemilihan target, pelaku dapat mengurangi kebutuhan untuk melakukan reconnaissance secara manual.

AI agent dapat memproses sejumlah besar target, kemudian mengalokasikan upaya eksploitasi pada sistem yang memenuhi kriteria tertentu.

Skimmer Disisipkan dengan Berbagai Cara

Setelah mendapatkan akses, pelaku menggunakan metode berbeda untuk memasang card skimmer. Teknik yang digunakan bergantung pada arsitektur aplikasi, kerentanan yang ditemukan, serta tingkat akses yang berhasil diperoleh.

Gambit menemukan beberapa metode, termasuk:

• Menambahkan kode berbahaya ke file JavaScript yang sebenarnya sah.
• Menambahkan script tag ke halaman checkout.
• Memodifikasi Google Tag atau blok script terkait.
• Melakukan poisoning terhadap konten S3 atau CDN.
• Memodifikasi server-side cache.
• Mengubah field tertentu pada database.
• Memodifikasi deployment Kubernetes.
• Memanfaatkan cron job untuk memasang kembali skimmer setelah sebelumnya dihapus.

Penggunaan berbagai metode persistence menunjukkan bahwa pelaku tidak hanya mengandalkan satu mekanisme untuk mempertahankan malware.

Jika administrator menghapus script berbahaya tetapi tidak menghilangkan mekanisme yang digunakan untuk memasangnya kembali, skimmer dapat kembali aktif.

AI Juga Digunakan untuk Menghapus Bukti

Salah satu temuan yang paling menarik dalam investigasi Gambit adalah kemampuan agen untuk melakukan cleanup setelah data kartu dicuri.

Peneliti berhasil memperoleh akses ke staging server yang digunakan pelaku dan menemukan bukti langsung mengenai instruksi yang diberikan kepada Hermes.

Salah satu skill agen berisi instruksi untuk menghapus data kartu dari database Magento setelah seluruh data berhasil diekstraksi.

Instruksi tersebut pada dasarnya memerintahkan agen untuk menghapus field sumber secara bertahap setelah data kartu selesai diambil.

Aktivitas tersebut menyebabkan kehilangan data dan gangguan operasional pada sejumlah retailer.

Dengan demikian, serangan tidak hanya berpotensi menyebabkan pencurian data pelanggan, tetapi juga dapat mengakibatkan kerusakan atau hilangnya data operasional sebagai efek samping dari proses pembersihan yang dilakukan pelaku.

Biaya Serangan Hanya Puluhan Dolar per Target

Salah satu aspek yang menjadi perhatian Gambit adalah rendahnya biaya operasional kampanye tersebut.

Peneliti menemukan akun OpenRouter yang telah menghabiskan US$7.005,71 selama sekitar empat minggu hingga 25 Agustus.

Berdasarkan penggunaan berikutnya, Gambit memperkirakan total biaya operasi berada di kisaran US$12.000 hingga US$18.000.

Jika dibandingkan dengan jumlah target yang diserang, biaya rata-ratanya diperkirakan hanya sekitar US$25 per perusahaan.

Dalam analisis terhadap 101 pemindaian yang selesai, biaya rata-rata tercatat sekitar US$25,46 per target, dengan biaya terendah sekitar US$3,13 dan tertinggi US$79,31.

Struktur biaya seperti ini membuat serangan berskala besar menjadi jauh lebih mudah dilakukan. Pelaku tidak perlu memperoleh akses mahal ke infrastruktur khusus untuk menjalankan reconnaissance dan eksploitasi terhadap banyak target.

AI Menurunkan Hambatan bagi Pelaku Serangan

Gambit menilai kombinasi otomatisasi dan biaya rendah dapat membuat serangan semacam ini lebih mudah dilakukan oleh pelaku dengan kemampuan teknis yang lebih terbatas.

Dalam sejumlah kasus, akses ke sistem target diperoleh hanya dalam hitungan jam setelah proses serangan dimulai.

Operator cukup memberikan instruksi singkat di antara proses autonomous run, sementara agen AI menjalankan pekerjaan teknis berdasarkan tujuan yang diberikan.

Perubahan ini berpotensi menggeser pola serangan dari operasi yang membutuhkan banyak tenaga manusia menjadi model yang lebih menyerupai automated attack pipeline.

Pelaku dapat meningkatkan jumlah target tanpa harus meningkatkan jumlah operator secara proporsional.

Perusahaan Perlu Mengantisipasi Pencurian dan Kerusakan Data

Temuan Gambit menunjukkan bahwa pertahanan terhadap serangan berbasis AI agent tidak cukup hanya berfokus pada pencurian data.

Organisasi juga perlu mempertimbangkan kemungkinan bahwa agen yang berhasil memperoleh akses akan melakukan cleanup otomatis yang justru mengubah atau menghapus data produksi.

Untuk retailer dan perusahaan e-commerce, pengamanan harus mencakup pemeriksaan integritas file JavaScript, halaman checkout, CDN, object storage, server-side cache, database, deployment Kubernetes, serta mekanisme scheduled task seperti cron.

Administrator juga perlu memantau perubahan tidak biasa pada file aplikasi dan database, terutama pada komponen yang berhubungan langsung dengan proses pembayaran.

Backup yang terisolasi dan dapat dipulihkan juga menjadi penting karena serangan dapat menyebabkan kehilangan data selain pencurian informasi pembayaran.

Kampanye ini memperlihatkan bagaimana AI agent dapat digunakan bukan hanya untuk membantu aktivitas keamanan yang sah, tetapi juga untuk mengotomatisasi reconnaissance, eksploitasi, persistence, pencurian data, dan bahkan penghapusan jejak setelah kompromi.

Dengan biaya yang diperkirakan hanya puluhan dolar per target, kemampuan untuk menyerang banyak organisasi secara paralel menjadi semakin mudah diakses oleh pelaku ancaman.

Sumber: Gambit