Vishing w 2026: dlaczego phishing głosowy to dziś główny wektor naruszeń w chmurze

Dlaczego M-Trends 2026 zaczyna od vishingu

Analiza M-Trends 2026 opiera się na ponad 500 000 godzin reagowania na incydenty prowadzonego przez Mandiant w 2025 roku, połączonego z telemetrią Google Threat Intelligence Group. To, że raport tej skali otwiera się phishingiem głosowym — przed ransomware'em, exploitami i grupami APT — jest kluczowym wnioskiem. Jak stwierdza raport: „Obserwujemy znaczące przesunięcie w stronę socjotechniki opartej na głosie (vishing), która awansowała na drugie miejsce wśród wektorów pierwszej infekcji”.

To zmiana strukturalna, nie sezonowa. Phishing e-mailowy spadł z 14% włamań w 2024 roku do zaledwie 6% w 2025, podczas gdy vishing wzrósł do 11%. Infrastruktura bezpieczeństwa poczty dojrzała — bramy, sandboxing i przepisywanie linków utrudniły atak przez skrzynkę odbiorczą. Żywy ludzki głos, cierpliwy i osadzony w kontekście, wciąż jest znacznie trudniejszy do zakwestionowania. W naruszeniach chmurowych dysproporcja jest jeszcze wyraźniejsza: vishing odpowiada za 23% incydentów, wyprzedzając skradzione dane logowania (16%), phishing e-mailowy (15%) i exploity (6%).

Ranking wektorów pierwszego dostępu w 2025

Zestawienie potwierdzonych włamań z 2025 roku pokazuje wzrost vishingu obok spadku phishingu e-mailowego i skradzionych danych logowania. Raport wyraźnie oddziela phishing e-mailowy jako „nieinteraktywną przynętę techniczną” od vishingu jako „interaktywnego zaangażowania człowieka” — a to rozróżnienie ma charakter operacyjny, bo ataki interaktywne opierają się automatycznym kontrolom w sposób, w jaki statyczne przynęty nigdy nie potrafiły:

• Exploity (CVE) — 32%, stabilnie i na 1. miejscu szósty rok z rzędu
• Phishing głosowy (vishing) — 11%, znaczący wzrost i obecnie wektor nr 2
• Wcześniejszy kompromis — ~10%, wzrost z 5. miejsca w 2024
• Skradzione dane logowania — 9%, spadek z 16% w 2024
• Kompromis przez stronę WWW — 8%, stabilnie
• Phishing e-mailowy — 6%, gwałtowny spadek z 14% w 2024
• Zagrożenie wewnętrzne — 6%, wzrost z 5% w 2024

Anatomia ataku vishingowego napędzanego AI

Dwa rzeczywiste scenariusze vishingu

Scenariusz 1 — zestaw TOAD ATHR industrializuje rozmowę

W kwietniu 2026 badacze Abnormal AI udokumentowali ATHR — platformę cyberprzestępczą sprzedawaną na forach podziemia za 4000 USD plus 10% zysków. To najwyraźniejsza jak dotąd demonstracja przekształcenia vishingu w gotowy produkt. ATHR łączy cały przepływ ataku w jednej konsoli przeglądarkowej, eliminując potrzebę doświadczonego socjotechnika i obniżając koszt prowadzenia masowych kampanii:

• Dostarczanie przynęt — wbudowane mailery generują fałszywe powiadomienia marek z regulowaną personalizacją: czasy blokady, liczba nieudanych logowań, lokalizacje ostatniego dostępu i adresy IP
• Przekierowanie połączeń — osadzone numery kierują ofiary do operatorów lub agentów głosowych AI na infrastrukturze Asterisk WebRTC
• Socjotechnika napędzana AI — dziesięciostopniowy agent uwierzytelnia połączenie, wymyśla nieprawidłowości na koncie i wydobywa sześciocyfrowe kody bez udziału człowieka
• Przechwytywanie danych na żywo — strony phishingowe zbierają dane w czasie rzeczywistym, a operatorzy monitorują każdą ofiarę jako aktywną sesję
• Skala wielu marek — jeden operator prowadzi jednoczesne kampanie przeciwko Google, Microsoft, Coinbase, Binance i innym, systematycznie atakując zespoły finansowe, help deski i administratorów IT

Scenariusz 2 — UNC1069: fałszywe spotkania, przechwyt głosu i deepfake

Badacze Validin opisali w kwietniu 2026 grupę UNC1069 (pokrywającą się z północnokoreańskim Bluenoroff), atakującą organizacje z obszaru kryptowalut, Web3 i usług finansowych. Napastnicy podszywają się pod specjalistów venture capital na LinkedIn i Telegramie, często z przejętych kont, a następnie wysyłają linki Calendly do podrobionych platform wideokonferencyjnych imitujących Zoom, Google Meet i Microsoft Teams. W trakcie rozmowy twierdzą, że mikrofon lub kamera ofiary nie działa, i podsuwają polecenia w stylu ClickFix, by „naprawić” problem. Decydujący zwrot: te fałszywe interfejsy spotkań nagrywają obraz i dźwięk ofiary, które są później wykorzystywane do podszywania się pod nią — w tym do deepfake'ów kadry zarządzającej. Kanał głosowy pełni jednocześnie rolę wektora ataku i narzędzia zbierania wywiadu.

Dlaczego vishing działa, gdy phishing e-mailowy zawodzi

Oba scenariusze wykorzystują tę samą strukturalną przewagę: zaufanie do kontaktu z żywym człowiekiem w czasie rzeczywistym. Phishing e-mailowy każe ofierze kliknąć link o niepewnych skutkach; vishing stawia na linii cierpliwy, kontekstowy głos, który reaguje na każdą odpowiedź. Automatyczne bramy potrafią zbadać załącznik — nie wykryją przekonującego pretekstu wygłaszanego w odpowiednim tempie i ze znajomym akcentem. Jak ujmują to badacze, phishing e-mailowy opiera się na „masowości i oportunistycznej dostawie”, podczas gdy interaktywny vishing angażuje „żywą osobę, a teraz także AI, sterującą rozmową w czasie rzeczywistym”.

• Interaktywny, nie statyczny — żywy głos reaguje na wahanie i obiekcje, czego stała przynęta e-mailowa nie potrafi
• Brak ładunku do wykrycia — wiadomości TOAD nie zawierają linku ani załącznika, więc bramy pocztowe nie mają czego zdetonować
• Kontakt zainicjowany przez ofiarę — to ofiara dzwoni, co rozbraja podejrzliwość i stawia napastnika w roli zaufanej strony
• AI usuwa barierę umiejętności — agenci głosowi i klonowanie głosu pozwalają niedoświadczonym operatorom prowadzić przekonujące, masowe kampanie
• Firewalle są na to ślepe — żadna kontrola perymetru nie bada rozmowy telefonicznej, więc wykrywanie musi przenieść się na człowieka

Jak się bronić: naucz ludzi rozpoznawać telefon

Narzędzia techniczne zatrzymują znane złośliwe oprogramowanie; nie zatrzymają dzwoniącego, który podaje się za IT i prosi o zatwierdzenie przelewu przez CFO, bo dyrektor jest nieosiągalny. Jedyną trwałą obroną jest wzmacnianie zachowań poprzez autentyczne symulacje — wystawianie zespołów na dokładnie te dynamiki głosowe, których używają napastnicy, w bezpiecznym środowisku, z informacją zwrotną w chwili błędu, a nie na odległej kwartalnej sesji. Vishing to jedna z odmian opisanych w przewodniku po rodzajach phishingu, a my testujemy go klonowaniem głosu w symulacjach Arsen. Skuteczny program powinien obejmować:

• Bibliotekę scenariuszy obejmującą podszywanie się pod help desk IT, oszustwa „na prezesa”, telefony z HR, podszywanie się pod dostawców i preteksty omijające MFA, odzwierciedlające realne podejścia napastników
• Realistyczne opcje głosu — standardowy głos AI, personalizację akcentu regionalnego i sklonowany głos kadry zarządzającej, by testować odporność na techniki już stosowane przez UNC1069
• Spoofing identyfikatora dzwoniącego imitujący numery wewnętrzne lub znanych dostawców, bo ogólne numery testują scenariusz niższego ryzyka niż ten realnie używany przez napastników
• Monitorowanie połączeń w czasie rzeczywistym i pomiar uległości — które działy ulegają, które role ujawniają dane pod presją i które preteksty są skuteczne
• Automatyczne szkolenie po rozmowie dostarczane w chwili błędu, a nie tygodnie później
• Panele zarządcze dające widoczność ryzyka na poziomie CISO w podziale na dział, rolę i lokalizację — oraz symulacje napędzane AI dla kampanii powyżej 100 użytkowników lub testów odporności na klonowanie głosu i deepfake

Kluczowy wniosek

M-Trends 2026 potwierdza to, co zespoły reagowania czują od roku: perymetr przesunął się do ludzkiego głosu, a napastnicy — uzbrojeni teraz w agentów AI i klonowanie głosu — podążyli za nim. Uszczelnienie skrzynki odbiorczej po prostu zepchnęło przeciwników na telefon, dokąd żaden firewall nie sięga. Organizacje, które traktują vishing jako problem szkoleniowy, a nie narzędziowy, i które ćwiczą swoich ludzi na realistycznych atakach głosowych napędzanych AI, nie staną się kolejną statystyką M-Trends.

Rozmowy telefonicznej nie da się załatać. Gdy napastnikiem jest cierpliwy głos — albo AI imitujące głos, któremu twój zespół już ufa — jedyną skuteczną kontrolą jest zespół, który ten atak już słyszał i wie, kiedy się rozłączyć.