کمپین‌های LLMjacking از اعتبارنامه‌های ابری سازمانی به‌خطرافتاده برای اجرای بارهای کاری مدل به هزینه قربانی استفاده می‌کنند. صورت‌حساب‌های گزارش‌شده تا ۱۰۰٬۰۰۰ دلار در روز می‌رسند و Google یک مورد را به حدود ۱ میلیون دلار هزینه هوش مصنوعی ابری مرتبط دانسته است. این حملات از خود مدل‌ها بهره‌برداری نمی‌کنند؛ بلکه با سوءاستفاده از اعتبارنامه‌های معتبر، ظرفیت inference فراهم می‌کنند و همین باعث می‌شود هزینه ایجادشده تا زمان رسیدن صورت‌حساب شبیه مصرف عادی به نظر برسد.
برای تیم‌های مهندسی، درس عملیاتی این است که مصرف token باید در کنار لاگ‌های احراز هویت و ردپای ممیزی API در خط لوله تلمتری امنیتی قرار بگیرد. حجم inference یکی از معدود سیگنال‌هایی است که با سوءاستفاده از اعتبارنامه‌ها بلافاصله تغییر می‌کند و از قبل برای صورت‌حساب جمع‌آوری می‌شود. همبستگی دادن هزینه token به‌ازای هر کلید با هویت فراخوان، موقعیت جغرافیایی و ساعت روز، سطح تشخیصی فراهم می‌کند که به ابزارهای مهاجم وابسته نیست.
این گزارش مشخص نمی‌کند که فراتر از مورد مرتبط با Google، کدام ارائه‌دهندگان ابری یا endpointهای مدل تحت تأثیر قرار گرفته‌اند، و نیز نمی‌گوید اعتبارنامه‌ها در ابتدا چگونه به دست آمده‌اند. همچنین روشن نیست که ارقام گزارش‌شده مربوط به رویدادهای منفرد است یا تجمیعی. استودیوهایی که سیستم‌های agent اجرا می‌کنند باید کلیدهای دسترسی مدل را مانند اسرار تولیدی تلقی کنند: آن‌ها را به‌ازای هر بار کاری محدود کنند، بچرخانند، سقف هزینه هر کلید را تعیین کنند و به‌جای انتظار برای بازبینی مالی، نسبت به ناهنجاری‌های مصرف هشدار دریافت کنند.