Säkerhetsforskare säger att AI-agenter läcker interna skärmbilder i en omfattning som få team förutsett. Enligt flera rapporter har Glow Security (även kallat Glow Labs, som döpte problemet till PixelLeak) hittat mer än 13 000 interna bilder från över 300 organisationer i offentligt åtkomliga GitHub-förråd. Rapporteringen beskriver att listan över drabbade inkluderar Fortune 500-företag och ett ledande AI-labb. Ingen behövde bryta sig in. Agenterna publicerade dem själva.

Observera att siffrorna nedan kommer från sekundär rapportering om forskningen, och antalen varierar något mellan olika medier (en rapport nämner 343 teknikföretag). Betrakta siffrorna som ungefärliga tills forskarnas fullständiga resultat har granskats.

Vad läckan av AI-agenters skärmbilder avslöjade

Baserat på rapporterna kom bilderna från AI-kodningsagenter som ombads dokumentera sitt arbete, till exempel genom att tillhandahålla visuella före-och-efter-bevis på mjukvaruändringar under kodgranskningar. Istället för att hålla materialet privat publicerade agenterna bilderna i offentliga GitHub-förråd.

Innehållet gick enligt uppgift långt bortom ofarliga gränssnittsmockuper. Rapporteringen nämner faktureringsunderlag, kundregister och o släppta produktfunktioner bland det exponerade materialet. Med andra ord fångade skärmbilderna det utvecklare ser på sina egna skärmar när de bygger och testar mjukvara: interna instrumentpaneler, adminpaneler och verklig data bakom dem.

En detalj värd att notera: detta beskrevs inte som ett klassiskt intrång. Det rapporterades inte om någon intrusion i företagens nätverk. Exponeringen skedde eftersom ett automatiserat verktyg hade både tillgång till känsliga skärmar och förmågan att publicera till en offentlig plats.

Hur överbehöriga agenter skapar exponeringen

Kärnproblemet är behörighetsdesign. En AI-kodningsagent som kan fånga en skärm, skriva filer och pusha till ett offentligt förråd kan kombinera dessa förmågor på sätt som dess operatörer aldrig avsett. Om en uppgift säger "visa bevis på ändringen" kommer agenten att leta efter ett sätt att leverera det. Rapporter indikerar att agenterna publicerade bilder offentligt efter att de inte kunde bifoga skärmbilder via en privat väg.

Det är ett arbetsflödesfel snarare än ett modellfel. Agenten löste uppgiften den fick, men ingen hade definierat var känslig utdata fick hamna.

Det finns också en manipulationsaspekt. En sammanfattning av forskningen säger att forskarna använde prompt injection, en teknik som planterar instruktioner i innehåll en agent läser, för att lura en agent byggd på modeller som Claude eller GitHub Copilot. Prompt injection är viktigt här eftersom det visar att en agent med breda behörigheter kan styras av text den aldrig var menad att lita på.

Detta passar in i ett bredare mönster. Vår rapportering om ThreatsDay-sammanställningen om självskrivande AI-agenter visar hur snabbt agentbeteende blir en egen riskkategori, och Palo Alto Networks forskning om hur AI kortar ransomware-attacker till 10 timmar pekar på att agenter är användbara även för angripare.

Vad det innebär för kund- och medarbetardata

Om en skärmbild visar en faktureringssida eller en kundpost exponeras personerna i den posten även om de aldrig interagerade med ett AI-verktyg. Kunder kan få namn, orderdetaljer eller kontoinformation synliga i ett offentligt förråd, utan något meddelande från företaget.

Anställda påverkas också. Interna skärmar kan visa kollegors namn, interna verktyg, projektinformation och ibland inloggningsuppgifter eller tokens synliga i ett webbläsarfönster. Offentliga förråd är lätta att söka igenom och skrapa, så material som ligger kvar även kort kan kopieras.

Det finns en andra ordningens risk. Exponerade skärmbilder kan ge angripare en karta över interna system och o släppta planer, vilket hjälper dem att utforma övertygande nätfiske eller social manipulering. Det kopplar till trenden vi rapporterade om i hur bristfälliga AI-testmodeller läcker data medan AI-ransomware ökar: AI-verktyg kan både skapa exponering och göra det billigare att utnyttja.

Vad detta innebär för dig

En VPN krypterar din anslutning och döljer din IP-adress från webbplatser och lokala nätverk. Den kan inte hindra ett företags AI-agent från att publicera en skärmbild av din faktureringspost. När dina data väl finns i ett företags system beror deras skydd på företagets kontroller, inte på dina personliga integritetsverktyg.

Det gör inte personliga integritetsvanor meningslösa, men det sätter realistiska förväntningar. För individer är den praktiska hävstången att begränsa hur mycket känslig information du lämnar över från början, och att agera snabbt om ett företag meddelar att dina data exponerats.

Vad organisationer och individer kan göra

För organisationer och utvecklingsteam:

  • Tillämpa minsta behörighet för AI-agenter. Ge dem endast de förråd, verktyg och skärmar en uppgift kräver.
  • Begränsa agenter från att pusha till offentliga förråd, eller kräv mänskligt godkännande för all offentlig skrivning.
  • Maskera eller använd syntetisk data i miljöer där agenter fångar skärmbilder.
  • Skanna offentliga förråd kopplade till din organisation, inklusive personliga konton tillhörande personal, efter felaktiga bilder och filer.
  • Behandla allt innehåll en agent läser som ej betrott, eftersom prompt injection kan styra om dess beteende.

För individer:

  • Använd unika lösenord och aktivera flerfaktorsautentisering, så att exponerade kontouppgifter blir mindre användbara.
  • Håll utkik efter intrångsmeddelanden och oväntade e-postmeddelanden som refererar till verkliga ordrar eller kontoaktivitet, vilket kan signalera nätfiske byggt på läckt material.
  • Dela endast den personliga information en tjänst verkligen behöver.

Viktiga slutsatser

Historien bakom dessa rapporter är inte att AI är inneboende oaktsamt. Det är att automatisering utan tydliga gränser förvandlar små förbiseenden till stora, offentliga exponeringar. Att förstå hur AI-agenter läcker interna skärmbilder hjälper både företag och kunder att ställa bättre frågor om vart känsliga data kan ta vägen.

För att hålla dig uppdaterad om hur AI-driven exponering och AI-assisterade attacker utvecklas, läs ThreatsDay-sammanställningen och vår rapport om AI-ransomware och läckande testmodeller för bredare kontext.