ИИ ускорил охоту на уязвимости: у защитников стало меньше времени

После запуска модели Mythos от Anthropic споры о рисках ИИ для кибербезопасности заметно усилились. Однако цели атак принципиально не изменились: перемены — в масштабе и скорости. ИИ находит больше уязвимостей, увеличивая нагрузку на специалистов, и одновременно снижает технический порог для их эксплуатации. В результате у организаций остается гораздо меньше времени на реакцию.

Это меняет подход к управлению уязвимостями и всей поверхностью атаки — то есть всеми доступными извне системами и сервисами компании. Первый отчет проекта Project Glasswing показал возможности Mythos, вокруг которых возникло немало тревожных прогнозов. По опубликованным данным, примерно за месяц Mythos вместе с около 50 организациями-партнерами выявил более 10 тысяч уязвимостей высокой и критической степени опасности. В более чем тысяче проектов с открытым исходным кодом обнаружили, по оценке, 6202 уязвимости этих уровней.

Mythos — важная веха, но разрыв между атакующими и защитниками рос и до его появления. В 2025 году опубликовали 48 185 CVE — идентификаторов известных уязвимостей. Это на 20,6% больше, чем годом ранее. Развитие ИИ, вероятно, будет поддерживать рост числа обнаружений и в последующие годы.

Для специалистов последствия очевидны в практическом смысле: ожидается больше сложных и новых атак, а также больше работы по установке исправлений и реагированию на уязвимости, найденные ИИ. Анализ Cloud Security Alliance предупреждает о росте числа и частоты таких атак, включая автономные действия вредоносных систем.

Просто ограничить доступ к Mythos и другим мощным моделям — ненадежная стратегия. Исследования и испытания авторов показывают, что общедоступные большие языковые модели тоже способны находить и использовать ранее неизвестные уязвимости, если ими пользуются опытные специалисты по безопасности.

Один из исследователей создал автоматизированную систему поиска уязвимостей, работавшую без участия человека. При первом запуске она обнаружила многоэтапную удаленную SQL-инъекцию — способ вмешаться в работу сайта через специально сформированный запрос к базе данных. Уязвимость затрагивала 300 тысяч плагинов WordPress; весь процесс, от обнаружения до эксплуатации, был автоматизирован. Независимый исследователь нашел ту же проблему. Ей присвоили номер CVE-2026-3985 и раскрыли информацию публично.

Опасность не ограничивается поиском слабых мест. ИИ может автоматизировать и целое вымогательство. В описанном случае оператор под именем JadePuffer использовал уязвимый сервер Langflow: получил учетные данные, переместился по сети, а затем зашифровал 1300 записей базы данных. Это была сквозная агентная атака с применением программного агента — системы, которая способна последовательно выполнять порученные действия без постоянного контроля человека.

Так выглядит новая реальность: старые представления о сроках управления уязвимостями больше не работают. Промежуток между обнаружением проблемы, присвоением ей номера CVE и защитными действиями резко сократился.

Одной скорости реакции недостаточно. Компаниям нужно заранее уменьшать поверхность атаки: если актив не должен быть доступен из интернета, лучше закрыть его до того, как кто-то начнет искать в нем слабые места. Защита ведется сразу на двух направлениях — сокращать время между обнаружением и исправлением уязвимости и уменьшать число доступных атакующим целей.

Организации часто сосредоточены на исправлении уже обнаруженных проблем, но им стоит спрашивать и другое: нужно ли вообще открывать этот сервис внешнему миру? Сокращать поверхность атаки бывает непросто, однако любой без необходимости доступный из интернета ресурс теперь несет повышенный риск.

Открытые сервисы — например, база MySQL или внутренняя документация к частному API — фактически приглашают злоумышленников. Для атаки на них может даже не требоваться уязвимость с номером CVE. Автоматизированные атаки способны воспользоваться простой ошибкой настройки, причем сделать это быстро.

Если эксплуатация занимает часы, нужно сокращать и время от обнаружения до устранения проблемы. Для поиска и исправления уязвимостей необходимы контекст и регулярность. Тестирование на проникновение, или пентест, дает глубокую оценку конкретной системы, но показывает ее состояние лишь в определенный момент. Часто проводить такие проверки дорого. Автоматические сканеры позволяют проверять системы регулярно, но не всегда способны понять, насколько найденная проблема важна именно для конкретной компании.

Здесь может помочь ИИ. Традиционные пентесты не исчезнут в одночасье, но модели уже начинают дополнять работу специалистов по безопасности и инженеров. Они могут немедленно уведомлять о новых рисках, проводить проверку после каждого крупного выпуска продукта за часть стоимости ручного пентеста, исследовать находки и подтверждать их теми же методами, которыми пользуются эксперты. Интеграция с рабочими инструментами помогает быстрее передавать проблему нужным сотрудникам.

Для перегруженных команд ИИ может стать способом поспевать за угрозами: проверять, реальна ли находка, сокращать число ложных срабатываний и давать специалистам необходимый контекст. Но практика пока формируется. Подходы к пентестам, которыми пользуются аудиторы, страховщики и органы, отвечающие за соблюдение требований, еще предстоит обновить. Уже сейчас, однако, становится ясно, что непрерывное тестирование должно превратиться в стандарт.

Mythos и другие языковые модели наказывают тех, кто продолжает действовать по вчерашнему расписанию. Основы защиты прежние: сокращать доступность систем, проверять реальные риски и избавлять специалистов от лишнего шума. Изменилось главное — времени на правильные действия осталось куда меньше.

Исходный материал подготовлен для канала TechRadar Pro Perspectives. Высказанные в нем мнения принадлежат автору и не обязательно совпадают с позицией TechRadar Pro или Future plc.