يصف مصطلح متعدد الوسائط نظام ذكاء اصطناعي يمكنه معالجة وربط أكثر من نوع واحد من البيانات، مثل النصوص والصور والصوت والفيديو. وبدلًا من التعامل مع كل إدخال على حدة، يمكن للنموذج دمجها لاستنتاج المعنى عبر الصيغ المختلفة، على سبيل المثال قراءة رسالة، وفحص لقطة شاشة، وتحليل مقطع صوتي بوصفها سياقًا واحدًا.
في الأمن السيبراني، يكتسب الذكاء الاصطناعي متعدد الوسائط أهمية لأن الهجمات والدفاعات نادرًا ما تكون نصية فقط. يستخدم المدافعون الأنظمة متعددة الوسائط لاكتشاف أدوات التصيّد، والتزييف العميق، ورموز الاستجابة السريعة الخبيثة، ولقطات الشاشة المشبوهة، أو الصوت المعدل. ويستفيد المهاجمون أيضًا من هذه القدرة نفسها: إذ يمكنهم إنشاء مقاطع فيديو مزيفة مقنعة، واستنساخ الأصوات، وصياغة إغراءات للهندسة الاجتماعية تمزج أنواعًا مختلفة من الوسائط لتجاوز التدقيق البشري. ومع ازدياد قدرات هذه الأنظمة، تحتاج فرق الأمن إلى ضوابط تتعلق بالأصل، والتحقق من المحتوى، ومقاومة حقن المطالبات عبر كل قناة إدخال.