از محتوای مخرب تا فریب هدفمند و ورود هوش مصنوعی به هر دو سوی میدان
فیشینگ 1.0 بر پایه محتوای مخرب شکل گرفته بود. لینک‌های مخرب، فایل‌های پیوست آلوده و پیام‌های اسپم، مهم‌ترین ابزارهای این حملات بودند. گیت‌وی‌های امنیتی ایمیل نیز برای شناسایی و مسدود کردن همین تهدیدها طراحی شده بودند. این سامانه‌ها پیام‌ها را اسکن می‌کردند، امضای امنیتی آن‌ها را با الگوهای شناخته‌شده تطبیق می‌دادند و در صورت شناسایی تهدید، محتوای مخرب را پیش از رسیدن به کاربر مسدود می‌کردند. این رویکرد برای مقابله با تهدیدهای مبتنی بر محتوای مخرب تا حد زیادی کارآمد بوده است.
فیشینگ 2.0 تمرکز حملات را از محتوای مخرب به فریب و جعل هویت تغییر داد. در حملاتی مانند سوءاستفاده از ایمیل تجاری، جعل هویت مدیران اجرایی، ارسال فاکتورهای جعلی و کلاهبرداری از طریق انتقال وجه، لزوماً پیلود مخربی در پیام وجود ندارد که سامانه‌های امنیتی بتوانند آن را با اسکن شناسایی کنند. در این حملات، مهاجم با استفاده از مهندسی اجتماعی (Social Engineering) پیامی کاملاً عادی و باورپذیر طراحی می‌کند که گیرنده تصور می‌کند از سوی یک فرد مورد اعتماد ارسال شده است. گیت‌وی‌های امنیتی ایمیل در چنین حملاتی معمولاً نشانه مشخصی برای شناسایی یا مسدودسازی پیدا نمی‌کنند، زیرا محتوای پیام می‌تواند کاملاً عادی و معتبر به نظر برسد. در این شرایط، تحلیل الگوی ارتباطات اهمیت پیدا می‌کند و سامانه‌های امنیتی با بررسی الگوهای معمول ارتباطی، موارد غیرعادی و مشکوک را شناسایی می‌کنند. به همین دلیل، طی سال‌های گذشته هوش مصنوعی به ابزاری مهم برای یادگیری الگوهای ارتباطی کارکنان و شناسایی ارتباطات غیرعادی تبدیل شده است و نقش مهمی در مقابله با این نوع حملات ایفا می‌کند.
فیشینگ 3.0 با تکیه بر هوش مصنوعی وارد بسترهای ارتباطی مختلف شده است. هوش مصنوعی مولد تولید محتوای فریبنده و شخصی‌سازی‌شده را ساده‌تر کرده است و فناوری دیپ‌فیک نیز امکان جعل صدا و تصویر را در تماس‌های صوتی و ویدئویی فراهم می‌کند. به این ترتیب، یک کمپین فیشینگ می‌تواند هم‌زمان ایمیل، پلتفرم‌های ارتباطی و کاری و تماس‌های لایو را دربر بگیرد. در این شرایط، مهاجم دیگر لزوماً فردی نیست که پشت سیستم بنشیند و پیام‌ها را یکی‌یکی ارسال کند. عامل هوش مصنوعی می‌تواند درباره هدف موردنظر تحقیق کند، سناریوی حمله را آماده سازد، پیام را ارسال کند و سپس بر اساس شرایط و واکنش قربانی، تاکتیک خود را به‌صورت خودکار تغییر دهد. ورود به این مرحله، شیوه اجرا و مقیاس حملات سایبری را به‌طور اساسی تغییر داده و انجام حملات گسترده و هدفمند را برای مهاجمان آسان‌تر کرده است.
فیشینگ 3.0 با عامل‌های هوش مصنوعی هدفمندتر می‌شود
در گذشته، جمع‌آوری اطلاعات درباره یک هدف برای مهاجمان فرآیندی زمان‌بر بود. آن‌ها با بررسی وب‌سایت سازمان، تحلیل آگهی‌های استخدامی، شناسایی تأمین‌کنندگان و رصد فعالیت مدیران ارشد در شبکه‌های اجتماعی، اطلاعات لازم را برای طراحی یک پیام فریبنده و باورپذیر به دست می‌آوردند. امروزه، هوش مصنوعی عامل‌محور این فرآیند را با سرعت بسیار بیشتری انجام می‌دهد. عامل هوش مصنوعی می‌تواند اطلاعات عمومی یک سازمان را جمع‌آوری و خلاصه کند، داده‌های گیت‌هاب و مستندات سرویس‌های ابری را بررسی کند، ساختار سازمانی و ارتباط میان افراد را تشخیص دهد و تنها در چند ثانیه، سناریویی متناسب با هدف برای فریب او طراحی کند. سپس این فرآیند می‌تواند بدون دخالت انسان برای هزاران سازمان دیگر نیز تکرار شود.
کیفیت پیام‌های فریبنده نیز به‌طور محسوسی افزایش یافته است. فیشینگ‌های قدیمی که معمولاً با متن‌های ناشیانه و غلط‌های املایی متعدد قابل تشخیص بودند، جای خود را به پیام‌های تعاملی داده‌اند که می‌توانند با قربانی وارد گفت‌وگو شوند و روند مکالمه را متناسب با پاسخ او ادامه دهند. مایکروسافت پلتفرم‌هایی را شناسایی کرده است که ماهانه ده‌ها میلیون پیام فیشینگ تولید می‌کنند. از سوی دیگر، در نظرسنجی Dark Reading در سال 2026، 48 درصد از متخصصان امنیت سایبری، هوش مصنوعی عامل‌محور را مهم‌ترین بردار حمله سال دانسته‌اند؛ رقمی که این فناوری را بالاتر از دیپ‌فیک و سایر گزینه‌های مطرح‌شده در نظرسنجی قرار می‌دهد.
دامنه حملات نیز گسترده‌تر شده است. وقتی شناسایی و بررسی اهداف به‌صورت خودکار انجام می‌شود، تقریباً هر سازمانی می‌تواند هدف یک حمله شخصی‌سازی‌شده قرار گیرد. در چنین شرایطی، حتی تیم‌های کوچک و سازمان‌هایی که تصور می‌کردند برای مهاجمان جذابیتی ندارند، ممکن است هدف کمپین‌های خودکاری قرار بگیرند که پیام‌های آن‌ها با دقت متناسب با هر هدف طراحی شده و کاملاً اختصاصی به نظر می‌رسند.
فیشینگ 3.0 زمانی خطرناک‌تر می‌شود که حمله دیگر به صندوق ورودی ایمیل محدود نماند. در یکی از نمونه‌های شناخته‌شده در شرکت مهندسی Arup، حمله با یک ایمیل فیشینگ آغاز شد که در آن مهاجم خود را مدیر مالی شرکت در بریتانیا معرفی کرده بود. پس از آنکه کارمند نسبت به درخواست مطرح‌شده مشکوک شد، مهاجمان یک تماس ویدئویی دیپ‌فیک برقرار کردند که در آن چند نفر از همکاران او حضور داشتند. اما تمام افرادی که در تصویر تماس دیده می‌شدند، در واقع شخصیت‌های جعلی ساخته‌شده با هوش مصنوعی بودند. در نهایت، او با انجام 15 انتقال وجه به ارزش تقریبی 25 میلیون دلار موافقت کرد.
هیچ‌یک از روش‌های معمول امنیت ایمیل نمی‌توانست چنین حمله‌ای را شناسایی کند، زیرا حمله دیگر در محدوده صندوق ورودی باقی نمانده بود. مهاجمان این بار اعتماد کارمند به تصاویر و صداهایی را هدف گرفتند که در جریان تماس می‌دید و می‌شنید و همین اعتماد، راه را برای موفقیت حمله هموار کرد.
آمار از بحران اعتماد در ارتباطات دیجیتال خبر می‌دهد
یک رخداد، حتی اگر خسارت زیادی به بار آورده باشد، به‌تنهایی نمی‌تواند یک روند کلی را نشان دهد. برای درک ابعاد واقعی این تهدید، باید دیدگاه متخصصانی را بررسی کرد که مسئولیت امنیت سازمان‌ها را بر عهده دارند. در ژانویه 2026، مؤسسه Osterman Research پژوهشی را با مشارکت 128 مدیر و متخصص ارشد حوزه امنیت و فناوری اطلاعات در سازمان‌های آمریکایی با 1000 تا 5000 کارمند منتشر کرد. یافته‌های این پژوهش قابل‌توجه است:
- 88 درصد از شرکت‌کنندگان اعلام کردند که طی سال گذشته دست‌کم یک رخداد را تجربه کرده‌اند که اعتماد آن‌ها به ارتباطات دیجیتال را خدشه‌دار کرده است.
- 82 درصد از سازمان‌ها اعلام کردند که مهاجمان تمرکز بیشتری بر حوزه فعالیت آن‌ها پیدا کرده‌اند.
- 60 درصد معتقدند آموزش‌های فعلی کارکنان برای مقابله مؤثر با حملات دیپ‌فیک کافی نیست.
- 55 درصد معتقدند واکنش ضعیف به حملات مبتنی بر اعتماد، احتمال نفوذ کامل را افزایش می‌دهد.
- بیش از یک‌سوم شرکت‌کنندگان نیز اعلام کردند که شاهد حملاتی بوده‌اند که در آن مهاجمان خود را جای فروشنده یا شریک تجاری مورد اعتماد جا زده‌اند.
این آمار نشان می‌دهد فیشینگ 3.0 دیگر فقط به شناسایی محتوای مشکوک در پیام‌ها محدود نیست. بسیاری از ابزارهای امنیتی سازمان‌ها همچنان بر شناسایی نشانه‌های تهدید در محتوای پیام تمرکز دارند. اما حملات امروزی با جعل هویت و جلب اعتماد کاربران در بسترهای مختلف انجام می‌شوند و همیشه محتوای مشخصی برای شناسایی و اسکن وجود ندارد. به همین دلیل، ابزارهای سنتی در شناسایی این نوع حملات با محدودیت جدی روبه‌رو هستند.
آمار عملکرد گیت‌وی‌های امنیتی ایمیل نیز ابعاد این موضوع را روشن‌تر می‌کند. بر اساس تحلیل IRONSCALES از ترافیک واقعی ایمیل، سرویس Microsoft 365 EOP به‌طور میانگین در هر 100 صندوق ایمیل، طی یک دوره 30 روزه، 293 پیام فیشینگ را شناسایی نمی‌کند. این رقم در Google Workspace به 350 پیام می‌رسد. در هر دو مورد، تعداد پیام‌های فیشینگی که از فیلترهای امنیتی عبور می‌کنند، بسیار بیشتر از میزانی است که حتی یک گیت‌وی با تنظیمات مناسب می‌تواند شناسایی کند. این آمار نشان می‌دهد حتی پس از عبور پیام‌ها از فیلترها و سامانه‌های امنیتی سازمان، تعداد قابل‌توجهی از تهدیدها همچنان به صندوق ورودی کارکنان راه پیدا می‌کنند.
چرا مدل سنتی مقابله با حملات دیگر کارایی ندارد
مدل سنتی مقابله با تهدیدها ابتدا بر مسدودسازی موارد مشکوک تمرکز دارد و در مرحله بعد، تهدیدهایی را که از فیلترها عبور کرده‌اند شناسایی و بررسی می‌کند. در ادامه نیز اقدامات لازم برای مهار و رفع تهدید انجام می‌شود. این رویکرد زمانی کارآمد بود که حملات توسط مهاجمان انسانی و در مقیاس محدود انجام می‌شد و تیم‌های امنیتی فرصت کافی برای شناسایی و واکنش به آن‌ها داشتند. اما فیشینگ 3.0 شرایط را تغییر داده است. عامل هوش مصنوعی می‌تواند حملات شخصی‌سازی‌شده و تعاملی را در بسترهای مختلف، با سرعتی بسیار بیشتر از توان انسان برای بررسی آن‌ها طراحی و اجرا کند. در چنین شرایطی، رویکردی که شناسایی و واکنش را به بعد از وقوع حمله موکول می‌کند، همواره یک گام از مهاجم عقب‌تر خواهد بود.
حجم بالای هشدارها به‌خوبی نشان می‌دهد که این مدل دیگر پاسخگوی شرایط امروز نیست. بر اساس پژوهشی که Crogl و مؤسسه Ponemon در سال 2026 انجام دادند، تیم‌های عملیات امنیت (SOC) در سازمان‌های بزرگ به‌طور میانگین روزانه 4330 هشدار دریافت می‌کنند، اما تنها 37 درصد از این هشدارها مورد بررسی قرار می‌گیرند. در چنین شرایطی، افزایش تعداد نیروهای امنیتی نمی‌تواند همگام با سرعت یک عامل هوش مصنوعی پیش برود و راهکار مؤثر، استفاده گسترده‌تر از خودکارسازی برای بررسی و رسیدگی به هشدارهاست.
به همین دلیل، مدل مقابله با تهدیدها باید یک مرحله دیگر را پیش از شناسایی و واکنش در نظر بگیرد و آن اقدام پیش‌دستانه است. سازمان‌ها باید پیش از آغاز حمله، نشانه‌های تهدیدهای احتمالی را شناسایی کنند و قابلیت‌های تشخیص خود را قبل از رسیدن نخستین پیام تقویت نمایند. در همین حال، وظایف تکراری را می‌توان به سامانه‌های خودکار سپرد تا کارشناسان امنیتی وقت خود را صرف تصمیم‌هایی کنند که به تحلیل و قضاوت انسانی نیاز دارند.
تیم‌های امنیتی نیز باید از عامل‌های هوش مصنوعی استفاده کنند
فیشینگ 3.0 یک تقارن جدید در میدان حملات سایبری ایجاد کرده است. اگر مهاجم از عامل‌های هوش مصنوعی برای طراحی و اجرای حملات استفاده می‌کند، تیم‌های امنیتی نیز باید از همین فناوری برای مقابله با آن‌ها بهره بگیرند؛ در غیر این صورت، همیشه از نظر سرعت یک گام عقب‌تر خواهند بود.
این تغییر از همین حالا در تیم‌های امنیتی در حال شکل‌گیری است. بر اساس همان پژوهش Crogl، تیم‌هایی که از آمادگی امنیتی بیشتری برخوردار بودند، بیش از سایر تیم‌ها از هوش مصنوعی در مرکز عملیات امنیت استفاده می‌کردند. این میزان در تیم‌های پیشرو 68 درصد بود، در حالی که میانگین استفاده در میان سایر تیم‌ها 46 درصد گزارش شد.
مایکروسافت نیز اعلام کرده است که عامل خودکار بررسی و اولویت‌بندی هشدارها توانسته 6.5 برابر بیشتر از بررسی دستی، ایمیل‌های مخرب را شناسایی کند. همچنین، این عامل در شبکه درمانی St. Luke’s University Health Network توانسته ماهانه بیش از 200 ساعت از زمان کاری تحلیلگران را کاهش دهد. در این مدل، عامل هوش مصنوعی دیگر یک چت‌بات ساده نیست که فقط کنار ابزارهای امنیتی قرار گرفته باشد. این عامل مانند یکی از اعضای تیم امنیتی، فرآیند بررسی تهدید را از ابتدا تا انتها بر عهده می‌گیرد و به‌جای اینکه صرفاً یک هشدار یا تیکت برای کارشناس ارسال کند، نتیجه تحلیل و تصمیم نهایی را در اختیار او قرار می‌دهد.
شرکت IRONSCALES نیز با همین رویکرد، چند عامل تخصصی برای مقابله با تهدیدهای فیشینگ توسعه داده است. یکی از این عامل‌ها تهدیدهای احتمالی را پیش‌بینی می‌کند، دیگری به بررسی حملات می‌پردازد و عامل سوم برای آموزش کارکنان به کار گرفته می‌شود.
عامل Red Teaming در IRONSCALES فرآیند شناسایی و جمع‌آوری اطلاعات از منابع عمومی را شبیه‌سازی می‌کند تا مشخص شود مهاجم چگونه درباره سازمان اطلاعات به دست می‌آورد. این عامل شبکه‌های اجتماعی، مخازن کد و اسناد و اطلاعات عمومی سازمان را بررسی می‌کند، نقاط ضعف احتمالی را شناسایی کرده و پیش از آغاز حمله، قابلیت‌های تشخیص تهدید را متناسب با شرایط همان سازمان تقویت می‌کند.
عامل Phishing SOC نیز تهدیدها را در سطح یک تحلیلگر سطح دوم (L2 Analyst) بررسی می‌کند و فرآیندهای فارنزیک دیجیتال (Digital Forensics) چندساعته را به چند دقیقه کاهش می‌دهد.
عامل Phishing Simulation نیز برای آموزش کارکنان، حملاتی را شبیه‌سازی می‌کند که بر اساس اطلاعات واقعی سازمان و تاکتیک‌هایی طراحی می‌شوند که مهاجمان برای هدف قرار دادن همان سازمان به کار می‌گیرند.
در کنار این سه عامل، هوش مصنوعی تطبیقی (Adaptive AI) الگوهای ارتباطی هر سازمان را شناسایی می‌کند و با استفاده از داده‌های واقعی به‌دست‌آمده از شبکه‌ای متشکل از ده‌ها هزار متخصص امنیت سایبری، دقت تشخیص تهدیدها را افزایش می‌دهد.
با این حال، آنچه اهمیت بیشتری دارد، نام این محصولات یا قابلیت‌های هرکدام نیست، بلکه رویکردی است که پشت طراحی آن‌ها قرار دارد. اقدام پیش‌دستانه زمانی امکان‌پذیر است که تیم‌های امنیتی نیز عاملی در اختیار داشته باشند که بتواند مانند یک مهاجم، تهدیدها را پیش‌بینی و بررسی کند. اگر تیم‌های امنیتی فقط زمانی واکنش نشان دهند که حمله انجام شده باشد، در برابر مهاجمانی که با روش‌های جدید عمل می‌کنند، همیشه یک گام عقب‌تر خواهند بود.
فیشینگ 3.0 چه تغییری در رویکرد کارشناسان امنیتی ایجاد می‌کند؟
امنیت ایمیل را فقط با تعداد تهدیدهایی که در مراحل اولیه شناسایی و مسدود می‌شوند ارزیابی نکنید. معیار مهم‌تر این است که پس از عبور از گیت‌وی امنیتی، چه تعداد پیام فیشینگ همچنان به صندوق ورودی کاربران می‌رسند؛ زیرا بخش مهمی از حملات امروزی در همین مرحله از فیلترهای امنیتی عبور می‌کنند. از شرکت‌های ارائه‌دهنده راهکارهای امنیتی بخواهید نرخ خطای شناسایی تهدیدها پس از تحویل پیام را با عدد مشخص اعلام کنند. اگر شرکت ارائه‌دهنده از اعلام این آمار خودداری کند یا پاسخ روشنی ندهد، باید میزان اثربخشی راهکار آن را با احتیاط بیشتری ارزیابی کرد.
مدل تهدید (Threat Model) را فقط به ایمیل محدود نکنید و تماس‌های صوتی و ویدئویی را نیز در ارزیابی‌های امنیتی خود قرار دهید. در حمله به شرکت Arup، مهاجمان از یک تماس ویدئویی برای فریب کارمند استفاده کردند، نه یک ایمیل. بنابراین، اگر فرآیند احراز هویت سازمان فقط بر ایمیل متمرکز باشد، مهاجمان می‌توانند از کانال‌های ارتباطی دیگر برای اجرای حملات پرهزینه استفاده کنند.
در ارزیابی خودکارسازی، معیار اصلی این است که یک راهکار امنیتی چه میزان از فرآیند شناسایی و رسیدگی به تهدیدها را بدون دخالت نیروی انسانی انجام می‌دهد، نه اینکه صرفاً چه تعداد هشدار تولید می‌کند. ابزاری که فقط هشدارهای بیشتری برای بررسی کارشناسان ایجاد می‌کند، در عمل حجم کار تیم امنیتی را افزایش می‌دهد. در مقابل، راهکاری که می‌تواند تهدید را به‌صورت خودکار بررسی و برطرف کند، بخشی از فرآیند رسیدگی را بدون نیاز به دخالت کارشناس انجام می‌دهد. بنابراین، هنگام ارزیابی راهکارهای امنیتی باید مشخص شود چه درصدی از رخدادها بدون دخالت نیروی انسانی بررسی و مدیریت می‌شوند.
آموزش کارکنان نیز باید بر اساس روش‌هایی طراحی شود که مهاجمان برای شناسایی و جمع‌آوری اطلاعات درباره اهداف خود به کار می‌برند. شبیه‌سازی‌های عمومی، کارکنان را با الگوهای تکراری و قابل تشخیص فیشینگ مواجه می‌کنند، در حالی که حملات واقعی با توجه به اطلاعات هر هدف شخصی‌سازی می‌شوند. بنابراین، برنامه‌های آموزشی نیز باید بر اساس شرایط و تهدیدهای واقعی هر سازمان طراحی شوند.
فیشینگ 3.0 دیگر سناریویی مربوط به آینده نیست و همین حالا در حال تغییر شیوه اجرای حملات سایبری است. مهاجمان از عامل‌های هوش مصنوعی استفاده می‌کنند، حملات دیپ‌فیک خسارت‌های واقعی به بار می‌آورند و داده‌ها نشان می‌دهند که سوءاستفاده از اعتماد کاربران با سرعتی بیشتر از توان بسیاری از سامانه‌های امنیتی برای واکنش به آن در حال گسترش است. در این شرایط، سازمان‌هایی موفق‌تر خواهند بود که برای مقابله با سرعت و مقیاس حملات جدید، تنها به نیروی انسانی متکی نباشند و در کنار تیم‌های امنیتی، از عامل‌های هوش مصنوعی نیز استفاده کنند.
