Onderzoekers van CrowdStrike Intelligence beschrijven een gerichte campagne tegen Zuid-Koreaanse financiële organisaties waarin ARTEX AI pentesting werd misbruikt om gegevens te stelen. De activiteit liep volgens de analyses van eind september tot begin oktober 2026 en leidde tot het exfiltreren van data.
Wat dit verhaal extra gevoelig maakt: het ging niet om “klassieke” pentest tooling, maar om een agentische aanpak met LLM’s (large language models) die zelfstandig taken uitvoerde. Tegelijkertijd dook er infrastructuur op die open stond, waardoor bewijsstukken online zichtbaar waren.
Gerichte campagne tegen financiële instellingen
De onderzoekers koppelen de aanvallen aan een inzet van ARTEX, een open-source agentic pentesting-tool die in China is ontwikkeld. In de campagne combineerde de dreigingsactor ARTEX met meerdere LLM’s om stappen in het aanvalstraject te ondersteunen.
Concreet signaleerde CrowdStrike de activiteit nadat ze open directories vonden die werden gehost vanaf een IP-adres in Hong Kong. Door die blootstelling konden onderzoekers onderdelen terugvinden die doorgaans niet openbaar horen te zijn.
- Claude Code-sessiegeschiedenis
- Claude memory-bestanden
- ARTEX-configuratiebestanden
Welke rol speelden open directories?
Open directories werken als een “fout in de keten” voor aanvallers: bestanden en output die bedoeld zijn voor intern gebruik kunnen dan toegankelijk worden voor derden. In dit geval maakten die zichtbare mappen het voor onderzoekers mogelijk om de opzet van de aanpak te reconstrueren.
Volgens CrowdStrike werden er in elk geval aanwijzingen gevonden voor een architectuur met twee servers. De Hong Kong-host fungeerde daarbij als ruggengraat van de campagne.
Daarnaast noemt het rapport een IP-adres dat vermoedelijk de ARTEX-instantie bevatte die gelinkt werd aan aanvallen op Zuid-Koreaanse doelen: 38.244.50[.]120.
ARTEX AI pentesting met meerdere LLM-backends
Een belangrijk detail in de analyses is hoe de ARTEX-instantie met LLM’s werd aangestuurd. De onderzoekers beschrijven dat DeepSeek v4.1-flash werd gebruikt als primaire LLM-backend. Voor ondersteuning werden daarnaast andere modellen ingezet: Z.ai GLM-5.3 en SpaceXAI Grok 4.6.
Er is ook een link met toegang tot DeepSeek via een LLM API-reseller die in het rapport wordt genoemd als xcai[.]pro. Daarmee illustreert het incident niet alleen misbruik van de pentesting-tool, maar ook hoe gemakkelijk dreigingsactoren LLM-capaciteit kunnen inkopen en combineren.
Van onderzoek naar datadiefstal: aanwijzingen in Claude
Naast technische configuraties vonden onderzoekers ook aanwijzingen in de communicatie en prompts die met Claude Code-sessies zijn gekoppeld. In een sessie zou de actor Claude hebben gevraagd naar plekken waar dreigingsactoren doorgaans data uit databreaches verkopen, specifiek gericht op Koreaanse informatie.
Het rapport vermeldt dat diezelfde actor ook hulp vroeg bij het vinden van Telegram-groepen die zich zouden bezighouden met het verkopen van dergelijke data. In één sessie kwam bovendien een Telegram-accountnaam naar voren: @YY520CN, met de naam “YY”.
Ook waren er sessies die verband hielden met kwetsbaarheids-onderzoek rond een Telegram-gebaseerde NFT gift marketplace, waarbij dezelfde Telegram-gebruikersnaam zou zijn gebruikt.
Let wel: CrowdStrike geeft aan dat beschikbare informatie niet eenduidig kan bewijzen dat persoonlijke details in prompts daadwerkelijk rechtstreeks aan de exacte actor gekoppeld kunnen worden. Met andere woorden: er zijn sterke aanwijzingen, maar geen sluitende attributie.
Geen link met een bekende groep
De campagne is volgens CrowdStrike Intelligence nog niet toegeschreven aan een bekende dreigingsactor of bekende groep. Wel wijst het verzamelde bewijs erop dat een vermoedelijk Chinese-sprekende operator mogelijk uit financiële motieven handelde.
Dit past bij het bredere patroon dat onderzoekers de laatste tijd zien: agentische tools en LLM’s worden gebruikt om tempo te verhogen, onderzoekstaken te automatiseren en tegelijk de stap naar diefstal en verkoop van data sneller te maken.
Waarom ARTEX AI pentesting tijdelijk niet meer open blijft
Het misbruik van de tool had gevolgen voor de ontwikkelaar. De maker achter ARTEX, Autumn-27, heeft aangegeven dat het project wordt aangepast en niet langer open-source zal worden.
In reactie op de situatie stelde Autumn-27 dat de oorspronkelijke bedoeling van ARTEX gericht was op leren en onderzoek: het zou organisaties helpen om security risk tests uit te voeren binnen geautoriseerde assets en om beveiliging te versterken. De ontwikkelaar benadrukte daarbij dat de kwaadwillende aanvallen volgens hen niets met het project zelf te maken hadden, en dat de handelswijze in strijd zou zijn met het oorspronkelijke doel.
Daarnaast kondigde Autumn-27 aan dat ARTEX voortaan gesloten source wordt, niet meer wordt geüpdatet en dat er geen toekomstige releases of onderhoudsondersteuning komen.
Secundaire ontwikkeling: SCARLET LOOP en credential stuffing
Naast ARTEX beschrijft dezelfde onderzoeksronde ook details over een platform dat zich richt op account takeover via credential stuffing. Het gaat om een operatie die door ZenoX is toegelicht en wordt aangeduid als SCARLET LOOP.
In dit scenario automatiseert het platform het traject van doelselectie tot het uitvoeren van logins met gestolen gegevens. Die credentials zouden afkomstig zijn uit infostealer-logs en data leaks.
Vier stappen in het aanvalstraject
ZenoX noemt vier fases:
- Target discovery en kwalificatie: met een AI-classifier worden hoogwaardige doelen gevonden. Voorbeelden zijn Braziliaanse loyalty-, corporate incentives- en gift cards-platforms.
- Credentials verkrijgen: gericht op elk doel worden specifieke inloggegevens opgehaald.
- Login uitvoeren: een AI-agent met een anti-detectie browser probeert verdedigingsmechanismen te omzeilen die automatisering herkennen.
- Exfiltratie: succesvolle credentials worden doorgegeven in de vorm “✅ {url} {user}:{password}” naar een privé Telegram-kanaal.
LLM’s en geautomatiseerde browsers
De beschreven aanpak gebruikt meerdere LLM’s. In het bijzonder wordt genoemd dat OpenAI’s GPT-5.6 wordt ingezet voor het genereren van “dorks” om authenticatiepagina’s te vinden, terwijl GPT-5.5 zou worden gebruikt voor target-classificatie en -rating.
Voor de browser-agent worden daarnaast DeepSeek-modellen genoemd en er is configuratie met modellen van onder andere Anthropic, Google en een lokaal model (geserveerd op 127.0.0[.]1:1237), inclusief een captcha-oplossing die zou worden uitbesteed.
Het onderzoek stelt ook dat de agent in “AUTO Mode” na een vooraf bepaald aantal succesvolle logins op hetzelfde domein de LLM-redenering uit de loop kan halen, om kosten te beperken.
Wat betekent dit voor organisaties?
Dit soort incidenten laat zien dat ARTEX AI pentesting en vergelijkbare agentische tools niet alleen in het lab worden ingezet. Zodra aanvallen slagen, kan automatisering leiden tot sneller ontdekken, sneller testen en sneller data-exfiltreren.
Voor organisaties die hun weerbaarheid willen verhogen, is dit vooral een signaal om aandacht te geven aan:
- Toegangsbeveiliging rondom development- en AI-werkruimtes: voorkom dat sessiegeschiedenis of configuraties openbaar worden.
- Monitoring op ongebruikelijk extern verkeer: let op verbindingen naar LLM-API’s en resellers in samenhang met verdachte pentest-achtige activiteit.
- Segmentatie en toegangscontrole: beperk wat tooling kan doen en welke systemen bereikbaar zijn.
- Threat modeling voor agentische workflows: ga na waar autonomie kan doorschieten richting misbruik.
Wil je meer lezen over hoe AI-gedreven aanvallen en misbruik van tooling zich vertaalt naar praktische beveiliging? Bekijk dan ook eens Bron: https://thehackernews.com/2026/10/artex-ai-pentesting-tool-used-in-data.html
