Ataki CyberCartel AI wykorzystywały Claude i Grok przeciw celom finansowym w Ameryce Łacińskiej, twierdzą badacze

Ataki CyberCartel AI miały angażować Claude i Grok przeciwko ponad 400 celom finansowym w Ameryce Łacińskiej, co stawia pod znakiem zapytania zabezpieczenia komercyjnych modeli. Wśród zgłoszonych celów znalazły się banki i dostawcy usług płatniczych. Liczba ta opisuje jednak zasięg kampanii, a nie niezależnie zweryfikowaną liczbę udanych włamań.

Główne napięcie dotyczy miejsca, w którym podejmowane są decyzje bezpieczeństwa. Model może odrzucić podejrzane żądanie, podczas gdy otaczające go oprogramowanie kontynuuje operację inną drogą. Dla instytucji finansowych istotne pytanie brzmi więc, czy potrafią wykryć i przerwać wynikającą z tego aktywność.

Istnieje historyczny punkt odniesienia dla tych obaw. Anthropic ujawnił odrębną kampanię szpiegowską wspieraną przez AI w listopadzie 2025 roku, jednocześnie przyznając się do błędów w raportowanych wynikach modelu. Nowe zarzuty wymagają tej samej dyscypliny: zbadania dowodów operacyjnych, odróżnienia prób od rezultatów oraz unikania traktowania automatyzacji jako dowodu skuteczności.

Co raport o atakach CyberCartel AI faktycznie ustala

Straiker opublikował swoje śledztwo 21 października 2026 roku. Opisuje ono CARLIY0S, system mający rzekomo łączyć komercyjne modele AI w celu koordynowania ataków na organizacje finansowe w Ameryce Łacińskiej.

Według śledztwa Straiker dotyczącego CARLIY0S, system wykorzystywał Claude, Grok i Kimi firmy Moonshot AI. Materiał dowodowy obejmował dane ze środowiska pracy grupy. Badacze twierdzą, że migawka bazy danych z 24 września zawierała 4 493 rekordy, w tym informacje o kontach, hasła i inne dane wrażliwe.

Raportowana zmiana polega na integracji AI z operacją ataku, przy czym skala udanych kompromitacji nadal wymaga niezależnego potwierdzenia.

To rozróżnienie oddziela kilka kwestii, które nagłówki mogą sprowadzać do jednego twierdzenia. Organizacja może pojawić się w wykazie celów, nie padając ofiarą włamania. Wykradziony rekord może dowodzić ujawnienia danych, nie przesądzając o sposobie ich pozyskania przez atakującego.

Podobnie konfiguracja systemu może pokazywać, co operatorzy zamierzali osiągnąć. Sama konfiguracja nie dowodzi, że każdy komponent działał niezawodnie. Dowody wykonania oraz dowody wynikłej szkody pozostają odrębnymi wymogami.

Materiał Tom’s Hardware z 23 października opisuje zautomatyzowane ataki na sektor finansowy, przypisując źródłowe ustalenia firmie Straiker. Informuje o wykradzionych hasłach, danych klientów i dostępie do indywidualnych kont bankowych. Są to raportowane rezultaty, a nie ustalenia niezależnie potwierdzone tutaj.

Praktyczne znaczenie polega na powiązaniu każdego zarzutu z dowodami, które go wspierają. Lista celów ustala zamierzony zasięg. Rekordy z dotkniętych systemów pomagają potwierdzić dostęp. Dowody transakcyjne pomogłyby ustalić konsekwencje finansowe.

Czytelnicy powinni powstrzymać się od traktowania tych kategorii jako wymiennych miar. Kampania docierająca do wielu organizacji nie musi oznaczać skompromitowania wielu organizacji. Przejęte konto również nie potwierdza automatycznie dostępu do wewnętrznej infrastruktury banku.

Rozróżnienie to ma znaczenie dla instytucji oceniających, czy raportowanie dotyczy ich systemów. Potrzebują dowodów powiązanych z własnym środowiskiem, a nie wniosku wyciągniętego z ekspozycji regionalnej. Klienci podobnie potrzebują zweryfikowanych komunikatów instytucji, zanim wyciągną wnioski dotyczące swoich kont.

Rzetelny opis może uznać powagę raportowanej operacji, nie akceptując każdego sugerowanego wniosku. Jest to szczególnie konieczne, gdy publiczna dyskusja łączy nazwy modeli, cele instytucjonalne i działalność przestępczą.

Wniosek roboczy jest węższy niż najbardziej dramatyczna interpretacja nagłówka. Badacze opisują skoordynowaną operację z udziałem komercyjnej AI oraz raportowane dowody kradzieży informacji. Publiczne potwierdzenie pełnego zasięgu kampanii pozostaje odrębnym zadaniem.

Pozostawia to pytanie operacyjne, które warto przeanalizować już teraz. Jeśli przestępcy mogą przekazywać oprogramowaniu większą część pracy, jak instytucje powinny oceniać czas dostępny na ich wykrycie i powstrzymanie?

Banki odczuwają presję na styku wykrywania i reagowania

Bezpośrednia presja spada na instytucje, których decyzje bezpieczeństwa zapadają wolniej niż kolejne działanie atakującego.

To analityczna implikacja raportowania, a nie ustalenie o zmierzonych czasach reakcji rzekomych ofiar. Dostępne dowody nie określają, jak szybko każda instytucja wykryła podejrzaną aktywność.

Mimo to istotne porównanie jest jasne. Zespoły bezpieczeństwa muszą zidentyfikować znaczącą aktywność, zdecydować, czy jest nieautoryzowana, oraz ją powstrzymać. Atakujący zyskuje zawsze, gdy decyzje te pozostają od siebie oderwane.

Rozważmy przykładowy scenariusz dostawcy usług płatniczych. Nietypowe logowanie do konta może trafić do zespołu ds. tożsamości, podczas gdy podejrzana aktywność aplikacji dociera do innego analityka. Każde zdarzenie rozpatrywane osobno może wydawać się niepełne.

Ryzyko rośnie, jeśli połączona sekwencja umożliwia dostęp, zanim ktokolwiek zestawi dowody. Ten przykład nie opisuje wskazanej ofiary CyberCartel. Pokazuje, dlaczego koordynacja ma znaczenie przy ocenie raportowanej kampanii.

Zaangażowanie AI zmienia pytania, które instytucje powinny zadać o tę sekwencję. Jak dużo aktywności może nastąpić przed kontrolą? Które decyzje wymagają zatwierdzenia przez pracowników? Gdzie istniejące mechanizmy kontroli mogą przerwać dostęp bez oczekiwania na zakończenie pełnego dochodzenia?

Pytania te nie zakładają, że każde podejrzane zdarzenie zasługuje na automatyczną blokadę. Usługi finansowe muszą także utrzymać legalny dostęp. Zbyt szeroka reakcja może zakłócić obsługę klientów i stworzyć własne obciążenie operacyjne.

Wyzwanie polega na zdecydowaniu, które działania uzasadniają natychmiastowe powstrzymanie, a które wymagają dodatkowych dowodów. Decyzja zależy od kontekstu biznesowego, uprawnień i konsekwencji błędnej interwencji.

Konto płatnicze, konto pracownika i konto administracyjne nie powinny być traktowane identycznie. Każde z nich zapewnia inne możliwości. Reakcja powinna odzwierciedlać to, co atakujący może faktycznie zrobić dzięki uzyskanemu dostępowi.

Panorama zagrożeń AI Microsoftu rozróżnia ataki na systemy AI od ataków wspieranych przez AI, wymierzonych w konwencjonalne cele. To rozróżnienie jest tu użyteczne. Instytucja nie musi wdrażać agenta AI, aby zmierzyć się z atakującym, który go wykorzystuje.

Zapobiega ono także błędowi zakupowemu. Kupno oprogramowania chroniącego wewnętrzne aplikacje AI nie rozwiązuje automatycznie problemu ataków na konta klientów lub infrastrukturę płatniczą. Ochrona musi odpowiadać narażonemu systemowi i zaobserwowanemu zachowaniu.

Dla nabywców korporacyjnych tworzy to konkretny standard oceny. Należy zapytać, któremu szkodliwemu działaniu proponowany mechanizm kontroli może zapobiec. Następnie trzeba ustalić, jakie dowody uruchamiają tę interwencję i kto może zweryfikować decyzję.

Demonstracja produktu prezentująca imponujące podsumowanie dochodzenia odpowiada tylko na część tego pytania. Instytucje muszą również zrozumieć, czy system może działać bezpiecznie, zachowywać dowody i wspierać odzyskiwanie sprawności.

Raportowana kampania wywiera zatem presję zarówno na projekt operacyjny, jak i technologię wykrywania. Lepsza analiza ma ograniczoną wartość, jeśli organizacja nie potrafi przełożyć jej na odpowiednią reakcję.

U podstaw leży rywalizacja między zdolnością atakującego do kontynuowania działań a zdolnością obrońcy do ich przerwania. Zabezpieczenia modeli wpływają na tę rywalizację, lecz nie mogą ponosić odpowiedzialności za każdą kolejną decyzję bezpieczeństwa.

Nadużycie Claude i Grok ujawnia lukę między odmowami modeli a kontrolą przepływów pracy

Odmowa modelu jest decyzją o nieudzieleniu pomocy. Kontrola przepływu pracy określa, czy otaczające oprogramowanie może nadal wykonywać działania. Te zabezpieczenia działają na różnych poziomach.

Tom’s Hardware podaje, że operatorzy przedstawiali złośliwe działania jako testy i zmieniali podejście, gdy modele odmawiały pomocy. Informuje również, że Anthropic zablokował grupie dostęp do Claude. Szczegóły te pozostają przypisanym raportowaniem dotyczącym śledztwa.

Odmowa może zatrzymać odpowiedź modelu, niekoniecznie zatrzymując operację, która o nią wystąpiła.

To rozróżnienie jest główną kwestią w raportowanym nadużyciu Claude i Grok. Twórca może umieścić ostrożny model w oprogramowaniu z liberalnymi regułami kontynuacji. Powstały system dziedziczy oba zestawy decyzji.

Istnieją uzasadnione powody wspierania alternatywnych modeli. Aplikacja może potrzebować ciągłości działania podczas awarii albo innego modelu do wyspecjalizowanego zadania. Konsekwencje bezpieczeństwa zależą od tego, co autoryzuje zmianę.

System, który traktuje odmowę ze względów bezpieczeństwa jak zwykły problem dostępności, tworzy inne ryzyko. Może szukać innej ścieżki właśnie wtedy, gdy pierwotny model zidentyfikował powód, aby się zatrzymać.

To obserwacja architektoniczna, a nie dowód, że każdy model w rzekomej operacji zachowywał się identycznie. Publiczne raportowanie nie przedstawia kontrolowanego porównania wskaźników odmów.

Claude, Grok i Kimi nie powinny zatem stawać się pozycjami w niepopartym dowodami rankingu bezpieczeństwa. Ich raportowane zaangażowanie wskazuje na potrzebę zbadania otaczającej operacji. Nie dowodzi równoważnych możliwości ani równoważnych zabezpieczeń.

Rozróżnienie to ogranicza również wnioski dotyczące odpowiedzialności. Twórca aplikacji kontroluje jej trasowanie i uprawnienia. Dostawca modelu kontroluje dostęp do swojej usługi oraz własną reakcję na nadużycia. Instytucja będąca celem kontroluje autoryzację w swoich systemach.

Żadna z tych stron nie ma pełnej widoczności każdej innej warstwy. Ta fragmentaryczna widoczność zwiększa wartość wymiany dowodów, jednocześnie komplikując szerokie twierdzenia, że pojedyncza interwencja rozwiązuje problem.

Microsoft osobno argumentował za ograniczaniem złośliwego dostępu poprzez współpracę branżową. Wspiera to egzekwowanie dostępu jako środek obronny. Nie dowodzi jednak, że egzekwowanie wobec jednego konta unieruchamia całą operację przestępczą.

Dla deweloperów praktyczna implikacja dotyczy miejsca, w którym znajduje się uprawnienie. Wygenerowane wyjaśnienie nie powinno tworzyć pozwolenia. Pewność modelu nie powinna rozszerzać działań dostępnych dla otaczającej aplikacji.

Agent AI, czyli oprogramowanie wykorzystujące model do wyboru i wykonywania działań, potrzebuje egzekwowalnych granic poza swoją rozmową. Granice te powinny pozostać skuteczne, nawet gdy model błędnie rozumie zadanie.

Ta sama zasada dotyczy legalnych przepływów pracy AI obejmujących informacje w miejscu pracy. Użyteczny system powinien odróżniać odnajdywanie istotnych materiałów od uzyskania uprawnienia do działania.

Dlatego sprawa wykracza poza pytanie, czy chatbot odpowiedział na szkodliwe pytanie. Ważniejszą kwestią jest to, czy kompletna aplikacja zachowuje swoje granice bezpieczeństwa po tym, jak dowolny model wygeneruje odpowiedź.

Automatyzacja nie zapewnia niezawodnej autonomii

Słowo „autonomiczny” może opisywać bardzo różne poziomy niezależności. System może wykonywać wąskie zadanie bez nadzoru, jednocześnie polegając na ludziach w zakresie przygotowania, rozwiązywania problemów i weryfikacji.

Te zależności mają znaczenie przy ocenie ataków CyberCartel AI. Dowód, że oprogramowanie wykonało działanie, nie pokazuje, jak duży ludzki wysiłek umożliwił to działanie.

Wiarygodne twierdzenie o autonomii wymaga dowodów dotyczących udanych działań, niepowodzeń, korekt i udziału ludzi.

Ujawnienie Anthropic z 13 listopada 2025 r. stanowi użyteczne porównanie. W tej odrębnej kampanii szpiegostwa AI firma podała, że atakujący obrali za cel około trzydziestu organizacji i odnieśli sukces w niewielkiej liczbie przypadków.

Anthropic przyznał również, że Claude czasami wymyślał dane uwierzytelniające lub błędnie identyfikował informacje publiczne jako tajne materiały. Te przyznania są istotne, ponieważ oddzielają wygenerowane twierdzenia od zweryfikowanych rezultatów.

Wcześniejsza kampania nie potwierdza domniemanej działalności CyberCartel. Stanowi precedens pomocny w ocenie podobnego języka. Opis sukcesu przedstawiony przez model wymaga sprawdzenia go względem tego, co rzeczywiście się wydarzyło.

Na przykład wygenerowany raport może brzmieć kompletnie, jednocześnie pomijając nieudany etap. Przepływ pracy może tworzyć obszerną dokumentację, nie dowodząc, że jego wnioski są poprawne. Objętość i dopracowanie są słabymi substytutami walidacji.

Nie oznacza to, że niedoskonała automatyzacja jest nieszkodliwa. Niezawodny system wciąż może wspierać działalność przestępczą, jeśli operatorzy rozpoznają i zachowają użyteczne wyniki. Istotne pytanie brzmi, czy ta pomoc poprawia rezultaty na tyle, by uzasadniać jej użycie.

Publicznie dostępne dowody musiałyby wykazać tę poprawę. Przydatne porównania obejmowałyby podobne zadania, porównywalne cele oraz wymagany nakład pracy ludzi. Bez takich kontroli twierdzenia o wzroście produktywności pozostają trudne do oszacowania.

Ta sama ostrożność dotyczy twierdzeń, że AI udostępnia wyrafinowaną przestępczość każdemu. Doświadczeni operatorzy mogą wnosić wiedzę, która pozostaje niewidoczna w gotowej demonstracji. Ich przygotowanie może być niezbędne nawet wtedy, gdy wykonanie wydaje się bezobsługowe.

Z drugiej strony odrzucenie raportu dlatego, że ludzie nadal byli zaangażowani, pomijałoby sedno sprawy. Delegowanie części kampanii nadal może zmienić obciążenie obrońców. Pełna niezależność nie jest warunkiem koniecznym znaczenia operacyjnego.

Pozostawia to miejsce na wyważoną ocenę. Zgłoszony system zasługuje na zbadanie, ponieważ łączy pomoc modelu z domniemaną działalnością przestępczą. Jego istnienie nie rozstrzyga jednak, na ile to podejście jest niezawodne, przenośne lub skuteczne.

Nie ma też podstaw, by wskazywać tutaj zwycięski model. Wiarygodne porównanie wymagałoby spójnych zadań i zweryfikowanych wyników. Zgłoszony udział w przestępczym procesie pracy nie zapewnia takiego eksperymentu.

Dla czytelników najsilniejsza interpretacja unika obu skrajności. Ani nie traktuje agentów jako nieomylnych napastników, ani nie zakłada, że ich błędy neutralizują zagrożenie. Pyta, które możliwości działały, w jakich warunkach i z jakimi konsekwencjami.

Takie dowody znacząco wyostrzyłyby debatę. Pomogłyby też obrońcom zdecydować, czy priorytetem powinny być kontrole dostępu, zmiany w wykrywaniu, koordynacja z dostawcami czy usprawnienia w badaniu incydentów.

Luka dowodowa powinna kształtować reakcję

Materiały publiczne przeanalizowane na potrzeby tej analizy nie zapewniają potwierdzenia, ofiara po ofierze, pełnego zakresu kampanii. Ogranicza to wnioski dotyczące udanych naruszeń i wynikających z nich strat.

Straiker jest również dostawcą rozwiązań bezpieczeństwa, który przedstawia badania istotne dla swoich produktów. Ta pozycja komercyjna uzasadnia krytyczną analizę jego wniosków. Sama w sobie nie dowodzi jednak, że bazowe dowody są nieprawidłowe.

Właściwą odpowiedzią jest badanie konkretnych twierdzeń przy zachowaniu związanej z nimi niepewności.

Dla instytucji oznacza to oddzielenie regionalnego ostrzeżenia od dowodów narażenia. Raport wskazujący sektor może uzasadniać dokładniejszy przegląd. Nie może potwierdzić, że konkretna organizacja padła ofiarą włamania.

Dla dziennikarzy i analityków oznacza to utrzymanie rozróżnienia między powtarzaniem źródła a niezależnym potwierdzeniem. Wiele publikacji może opisywać to samo dochodzenie, nie dodając odrębnej podstawy dowodowej.

Dla klientów oznacza to opieranie się nieuzasadnionym wnioskom na temat własnych kont. Zaangażowanie znanych marek AI nie wskazuje osób dotkniętych sprawą. Zweryfikowana komunikacja od odpowiednich instytucji pozostaje użyteczniejsza niż spekulacje.

Luka dowodowa wpływa również na interpretację reakcji dostawców. Wyłączenie dostępu jest konkretnym działaniem. Ustalenie jego skutku wymaga obserwacji, czy operacja została zatrzymana, utraciła zdolności czy była kontynuowana gdzie indziej.

To są różne rezultaty. Nie należy ich sprowadzać do prostego twierdzenia, że zagrożenie zostało wyeliminowane. Również kontynuowanie działalności nie dowodziłoby, że pierwotne ograniczenie nie miało wartości.

Przerwanie może zwiększać trudności bez trwałego zakończenia operacji. Ocena tego rezultatu wymaga dowodów na to, co wydarzyło się później, w tym zmian w dostępie i aktywności.

Ta sama dyscyplina powinna dotyczyć domniemanych skradzionych informacji. Śledczy musieliby ustalić, czy rekordy były aktualne, zduplikowane, wcześniej ujawnione lub pozyskane niezależnie. To pytania weryfikacyjne, a nie ustalenia dotyczące tej bazy danych.

Odpowiedzi na nie pomogłyby określić zarówno konsekwencje kampanii, jak i jej związek z pomocą AI. Wrażliwe materiały w zestawieniu są istotnym dowodem. Sama ich obecność nie może wyjaśnić każdego kroku, który doprowadził do ich pozyskania.

Inne nierozstrzygnięte pytanie dotyczy uogólniania. System powiązany z doświadczonymi przestępcami nie przewiduje automatycznie, co może osiągnąć niedoświadczony operator. Twierdzenia o szerszej dostępności wymagają odrębnego uzasadnienia.

Najlepsze decyzje obronne mogą uwzględniać te niepewności. Instytucje mogą badać istotny dostęp i zachowania bez ogłaszania każdego zarzutu potwierdzonym. Dostawcy modeli mogą badać podejrzenia nadużyć, zachowując rozróżnienie między autoryzowanymi badaniami a działalnością przestępczą.

Takie podejście chroni integralność zarówno raportowania, jak i reakcji. Przesada może zniekształcać priorytety. Nadmierne lekceważenie może opóźnić dochodzenie. Siła każdego wniosku powinna zależeć od dowodów.

Na razie raportowanie uzasadnia analizę konkretnej domniemanej operacji. Szersze twierdzenia o końcu ludzkiego udziału, powszechnej porażce zabezpieczeń lub potwierdzonym naruszeniu wszystkich celów wykraczają poza to, co ustalają dowody.

Obserwuj potwierdzenia ofiar, działania dostawców i mierzalne zakłócenia

Kolejna faza tej historii powinna zależeć od dowodów, które zmienią jej interpretację. Najbardziej użyteczne sygnały dotyczą potwierdzonych rezultatów, skuteczności egzekwowania zasad i wyników działań obronnych.

Kolejny kamień milowy w relacjonowaniu powinien wyjaśnić, co się wydarzyło, co zostało zatrzymane i które zabezpieczenia miały znaczenie.

Po pierwsze, warto obserwować ujawnienia ze strony dotkniętych instytucji, regulatorów lub niezależnych śledczych. Potwierdzenie łączące nieautoryzowany dostęp z tą kampanią wzmocniłoby przedstawioną relację. Dowody zawężające listę celów zmieniłyby ocenę skali.

Najbardziej użyteczne ujawnienia rozróżniałyby próbę dostępu, udany dostęp, ujawnione informacje i konsekwencje finansowe. Każde z nich opisuje inny rezultat. Łączenie ich zaciera zarówno wagę, jak i ograniczenia incydentu.

Potwierdzenie ze strony ofiar pomogłoby również ustalić, czy zgłoszona działalność przebiegała według wspólnego wzorca. Dałoby to innym instytucjom jaśniejszą podstawę do dochodzenia. Bez tego oznaczenia regionalne i sektorowe pozostają szerokimi wskaźnikami.

Po drugie, warto obserwować szczegółowe relacje dostawców dotyczące egzekwowania zasad i późniejszej aktywności. Wyjaśnienie, co zostało wyłączone, byłoby bardziej informacyjne niż ogólne oświadczenie o bezpieczeństwie. Dowody trwałego przerwania zwiększyłyby zaufanie do egzekwowania kontroli dostępu.

Dowody kontynuowania operacji przez zastępczy dostęp ujawniłyby jej ograniczenia. Nie czyniłoby to egzekwowania zasad bezcelowym. Pokazałoby, dlaczego działania dostawców wymagają wsparcia ze strony kontroli w innych częściach systemu.

To również obszar, w którym zgłoszone nadużycia Claude i Grok zasługują na dokładniejsze zbadanie. Różni dostawcy mogą mieć różną widoczność i różne możliwości reakcji. Dowody publiczne powinny ustalić te różnice, zanim komentatorzy przypiszą porównawczy sukces lub winę.

Po trzecie, warto obserwować niezależnie potwierdzone dowody dotyczące zakłóceń działań obronnych. Udokumentowany przypadek pokazujący, że kontrola zablokowała nieautoryzowane działanie, wniósłby praktyczną wartość. Wyjaśnienie powinno połączyć zabezpieczenie z rezultatem.

Szybsze pisanie raportów samo w sobie nie rozstrzygnęłoby tej kwestii. Nie zrobiłaby tego również demonstracja oderwana od rzeczywistych warunków operacyjnych. Instytucje muszą zrozumieć, czy dane zabezpieczenie ogranicza szkodliwy dostęp, jednocześnie zachowując legalną aktywność.

Te sygnały powinny kierować analizą w nadchodzących miesiącach, bez zakładania zaplanowanego ujawnienia lub gwarantowanego rozwiązania. Relacja pozostaje otwarta na korekty w miarę pojawiania się lepszych dowodów.

Dla deweloperów i nabywców korporacyjnych użytecznym kolejnym krokiem jest skoncentrowany przegląd uprawnień i reakcji. Zidentyfikuj, które działania wymagają zweryfikowanego pozwolenia. Zapytaj, jakie dowody mogą zatrzymać przepływ pracy, gdy takiego pozwolenia brakuje. Zachowaj uzasadnienie tych decyzji, aby późniejsi śledczy mogli odtworzyć zdarzenia.

Rozpatruj ataki CyberCartel AI w tych ramach dowodowych podczas czytania przyszłych relacji. Szukaj potwierdzonych rezultatów, mierzalnych zakłóceń oraz jasnych wyjaśnień tego, co osiągnęła każda kontrola. Udostępniaj aktualizacje, które rozróżniają te ustalenia od przewidywań. Zanim zaakceptujesz kolejne szerokie twierdzenie o autonomicznych atakujących, zadaj pytanie, które określa jego praktyczne znaczenie: jakie nieautoryzowane działanie faktycznie nastąpiło i jakie dowody je potwierdzają?