В последние годы ожидания от искусственного интеллекта в области кибербезопасности превращались в популярный страх: говорят, что совсем скоро появится автономный ИИ-хакер, способный обрушить работу целых компаний и банков нажатием кнопки. Однако события 2026 года показали — подобного «цифрового Терминатора» всё ещё нет, а на самом деле масштабы и природа угроз неоднозначно сложились иначе.
Несмотря на старания многих, полностью автономный агент ИИ пока не в состоянии самостоятельно провести сложные многоступенчатые атаки на корпоративные инфраструктуры. Обработка изолированных задач вроде сбора данных с конкретного сайта уже доступна, но освоение комплексных сетевых карт, обход продвинутых систем защиты и эскалация прав — требуют участия опытного специалиста. Такие задачи пока вне досягаемости современных автономных моделей.
Значительную пользу от ИИ получили не новички в киберпреступности, а опытные группировки — для которых ИИ стал инструментом для рутинных операций: автоматизированная сборка информации, адаптация шаблонного вредоносного кода, ускорение подготовки атакующих сценариев. Всё творческое и сложное оставляют за человеком, что обеспечивает гибкость и результативность.
Например, в контролируемых экспериментах ИИ-агенты успешно справляются с выявлением и эксплуатацией уже известных уязвимостей на уровне веб-приложений. Но стоит инфраструктуре усложниться, как без вмешательства человека прогресс останавливается. Отдельные популярные проекты, обещавшие «хакерский ИИ без ограничений», оказались рекламными мифами — на деле это были адаптированные открытые языковые модели с дополнительной фильтрацией, не способные выполнять реальные эксплуатационные задачи.
Сегодня для киберпреступников легальные, коммерчески доступные модели искусственного интеллекта выступают куда более эффективным ресурсом, чем кустарно собранные решения из даркнета. Вариацией является закупка услуг по обходу защитных систем крупных ИИ — так называемый Jailbreak as a Service — что позволяет гибко использовать вычислительные мощности популярных провайдеров с обходом ограничений.
Новые типы атак с использованием ИИ кардинально не возникли. Искусственный интеллект доработал и ускорил известные направления. К примеру, фишинговые рассылки теперь выглядят корректно с лингвистической точки зрения и глубоко персонализированы, благодаря сбору данных из соцсетей и корпоративных блогов. Голосовые дипфейки, созданные из минимума исходных аудио, позволяют обмануть бухгалтерию звонком от имени руководителя.
Вредоносные программы интегрируют ИИ прямо в инфраструктуру — локальные нейропроцессоры на устройствах позволяют зловредам анализировать изображения экранов, находить нужные банковские элементы интерфейсов и извлекать конфиденциальные данные без лишнего трафика, что затрудняет обнаружение. Некоторые образцы вообще не хранят логику атак локально и обращаются в облачные сервисы ИИ с маскировкой легального трафика.
Ключевой показатель эффективности для защитников — время от обнаружения уязвимости в ПО до появления рабочего эксплойта. Если раньше это шло днями или неделями, то с ИИ тайминги сократились до часов и даже минут, поскольку алгоритмы оперативно находят ошибки в коде и генерируют рабочие атакующие скрипты (proof of concept).
Однако наибольшая опасность исходит от внутреннего использования ИИ в компаниях. Сотрудники массово передают чувствительные корпоративные данные в публичные чат-боты, что приводит к утечкам и рискам для интеллектуальной собственности, поскольку такие данные могут использоваться для дообучения моделей третьими сторонами. Классические системы защиты данных остаются бессильны перед таким видом активности — трафик выглядит как стандартное веб-взаимодействие.
Помощники в разработке кода, основанные на ИИ, ускорили процесс программирования, но не всегда повышают безопасность. Обучение на открытых репозиториях с уязвимостями приводит к генерации плохо защищённого кода, который разработчики могут использовать без должной проверки, что в итоге приводит к распространению ошибок на критически важные системы.
Также инфраструктура, обслуживающая ИИ, стала мишенью — от серверов до облачных платформ и API-ключей. Кража этих ресурсов позволяет злоумышленникам использовать чужие мощности для собственных целей, таких как майнинг или атаки методом перебора.
Отдельная категория рисков связана с ИИ-агентами, получающими доступ к корпоративным системам. Специалисты отмечают угрозы промпт-инъекции — команды, которые меняют поведение агента и могут привести к утрате данных или финансовым потерям. Кроме того, открытые библиотеки для создания ИИ-цепочек процессов часто становятся точками входа для кибератак.
Статистика по применению ИИ в кибератаках показывает рост его использования преимущественно на начальных этапах атак: разведке, сборе информации и первичном проникновении. Однако путь от проникновения к закреплению в системе и обходам продвинутой защиты до сих пор требует участия квалифицированных специалистов.
В итоге, главные уязвимости бизнеса не связаны с «прорывными» ИИ-технологиями, а со старыми недостатками: слабые пароли, отсутствие многофакторной аутентификации, неактуальные обновления и человеческий фактор — случайные клики по вредоносным ссылкам. Искусственный интеллект лишь сократил время, которое компании имели на устранение пробелов.
Для владельцев бизнеса и маркетологов очевидно: внедрение ИИ требует системного подхода к безопасности и понимания его ограничений. Комплексный маркетинг и аналитика, как предлагают специалисты, должны сопровождаться ответственным управлением технологиями, чтобы не создавать новых уязвимостей и максимально эффективно использовать возможности ИИ без рисков.
