بر اساس گزارش‌های منتشرشده درباره این کمپین، Mandiant، LLMJacking را به اعتبارنامه‌های ابری سرقت‌شده‌ای نسبت داده است که مهاجمان از آن‌ها برای اجرای بارهای کاری inference روی حساب‌های به‌خطرافتاده استفاده می‌کنند. پیامد گزارش‌شده، قرار گرفتن در معرض صورتحساب‌هایی است که به ۱۰۰٬۰۰۰ دلار یا بیشتر در روز می‌رسد. پوشش خبری جداگانه‌ای همین الگو را از منظر مجرمان توصیف می‌کند: دسترسی LLM ربوده‌شده که برای انباشتن هزینه‌ها روی حساب شخص دیگری به کار می‌رود.
برای تیم‌هایی که agent می‌سازند، این چارچوب‌بندی اهمیت دارد. قرار گرفتن در معرض هزینه در اینجا در وهله اول مسئله بودجه‌بندی یا محدودسازی نرخ نیست؛ مسئله سرقت اعتبارنامه و خروج داده (egress) است. یک استک agent کلیدهای ابری بلندمدت، کلیدهای API ارائه‌دهنده مدل و توکن‌های حساب سرویس را نگه می‌دارد و نشت هر یک از آن‌ها کافی است تا هزینه به بار کاری مهاجم منتقل شود. guardrailهایی که فقط هزینه را به ازای هر درخواست یا هر کاربر محدود می‌کنند، به استفاده از کلید سرقت‌شده در خارج از مرز برنامه رسیدگی نمی‌کنند.
پاسخ عملی در هویت و پایش نهفته است: اعتبارنامه‌های کوتاه‌مدت به جای کلیدهای ثابت، مجوزهای محدودشده به ازای هر سرویس، تشخیص ناهنجاری در حجم inference و egress، و هشداردهی متصل به مصرف سمت ارائه‌دهنده به جای اتکا به داشبوردهای داخلی. آنچه پوشش خبری ارائه‌شده مشخص نمی‌کند، مسیرهای مشخص اعتبارنامه‌های استفاده‌شده، قربانیان درگیر یا نحوه انجام تشخیص است؛ بنابراین این جزئیات نامشخص می‌مانند و هنگام طراحی کنترل‌ها نباید فرض شوند.
Behzat AI این را به عنوان یک محدودیت طراحی برای سیستم‌های agent در نظر می‌گیرد: دامنه اعتبارنامه و قابلیت مشاهده‌پذیری بخشی از معماری هستند، نه یک افزوده بعدی.