ИИ в ИБ: где он реально работает, а где — просто модный ярлык

Ещё три года назад словосочетание «искусственный интеллект» в информационной безопасности встречалось в основном в презентациях крупных вендоров. Сегодня ситуация изменилась. Практически любой продукт на рынке так или иначе использует AI (ИИ), ML, LLM или другие аббревиатуры, связанные с искусственным интеллектом ^[1].

Если верить маркетинговым материалам, современные решения способны самостоятельно выявлять атаки, расследовать инциденты, прогнозировать угрозы и почти заменить аналитиков SOC. И когда заказчик слышит слово «ИИ», то ожидает почти универсального цифрового эксперта. Но после внедрения оказывается, что чудес не произошло, ведь за громкими заявлениями часто скрываются совершенно разные технологии, где рядом с генеративными языковыми моделями будет «сидеть» классическая корреляция событий или машинное обучение ^[2].

Давайте разберемся, где искусственный интеллект действительно помогает специалистам по ИБ, а где пока остается скорее маркетинговым ярлыком.

Причины этого понятны:

• Рынок ИБ испытывает серьезный кадровый дефицит ^[3] и найти опытного аналитика SOC, специалиста по расследованию инцидентов или эксперта по threat hunting становится все сложнее.

• Бизнес постоянно ищет способы повысить эффективность и сократить расходы.

• А вендоры заинтересованы в том, чтобы показать свои продукты максимально инновационными.

На стыке этих факторов рождается опасное ожидание: технология продается как надежда, а значит достаточно купить решение с пометкой ИИ, и значительная часть проблем безопасности исчезнет сама собой.

Но сначала уточним…

Что сегодня называют ИИ в ИБ

Проблема ложных ожиданий рождается из одной простой уловки: вендоры намеренно стирают границы между разными технологиями, называя всё одним модным словом «ИИ». Чтобы понять, где нас обманывают, давайте на секунду станем занудами и разведём понятия по полочкам.

№1. Классические правила корреляции

Они присутствуют, к примеру, в SIEM-системах. SIEM-система может сработать, если пользователь вошел в сеть ночью, получил административные права и начал выгружать данные. Но никакого искусственного интеллекта в них нет, а есть заранее заданные правила.

Для аналитика SOC разница между правилами и ИИ — это не академический спор, а вопрос выживания смены. Когда система позиционируется как «с ИИ», ожидания у всех выше: «Она должна видеть больше, понимать контекст, снижать шум». А по факту это те же правила корреляции, только с новым интерфейсом.

Я видел, как из‑за этой подмены понятий росла нагрузка: команда ждала от системы большей самостоятельности, а вместо этого получала те же алерты плюс дополнительные вопросы от руководства. В итоге коллеги тратили время не на расследование инцидентов, а на объяснение, почему ИИ не делает того, чего от него ждут. 

Да, правила корреляции — это база SOC. Они закрывают огромный пласт типовых угроз и делают это надежно. Но давайте называть вещи своими именами: это не ИИ — это грамотная инженерия. И именно на этой базе мы строим реальную защиту, а не на красивых словах.

№2. Машинное обучение

Система анализирует большой массив исторических данных и формирует модель нормального поведения ^[4]. Затем ищет отклонения от этой нормы.

Я сам экспериментировал с ML‑модулем в одном из решений: подключили, обучили, запустили в пилот. Вендор обещал «снижение шума на ХХ процентов» и раннее обнаружение сложных атак. Первые две недели только и разбирали срабатывания. Да, система честно находила аномалии: кто‑то зашел с нестандартного устройства, кто‑то скачал чуть больше обычного. Но из 1000 алертов за неделю реальными инцидентами оказались ровно…два. Остальное это были легитимные процессы: работа аутсорс‑команды, временные права и пр.

Этот пилот всех быстро приземлил и стало понятно, что это не «умная кнопка», а инструмент, который нужно долго калибровать под конкретную инфраструктуру. 

№3. Генеративный ИИ

Это уже языковые модели. Они умеют анализировать текст, писать запросы, формировать отчеты и помогать специалистам взаимодействовать с системами безопасности.

Проблема в том, что в маркетинговых презентациях все три технологии часто называют одним словом — ИИ. Поэтому первое, что стоит выяснить при выборе продукта: какая именно технология используется под капотом.

И самое главное — нельзя верить обещаниям без цифр. Нужно требовать от вендоров не красивые слайды, а реальные метрики, например долю ложных срабатываний (FP), время на валидацию одного алерта и процент реально выявленных инцидентов. Иначе все это просто слова в презентации.

А «предвыборные обещания» вендоров утомляют. Но не потому, что я против прогресса, а потому что они создают иллюзию безопасности — и эта иллюзия опасна.

Когда CISO согласует решение «с ИИ» за 20+ млн. рублей, ожидая, что оно закроет дыру в защите, а на деле там обычная корреляция по трём правилам, страдает не просто бюджет. Страдает реальная защищенность компании. И расхлебывать последствия придется живым людям: аналитикам, инженерам, тем, кто не верит в чудо‑кнопки.

Не нужно продавать надежду как технологию. Технологии действительно помогают, но исполняют не все обещания. Давайте посмотрим, какие предвыборные обещания остаются нереализованными.

Где маркетинг пока опережает технологии

Ниже четыре главных «обещания», которые я слышу слишком часто.

Обещание №1. ИИ сам найдет неизвестные атаки

Это один из самых популярных тезисов на рынке и формально он не является ложью, так как современные решения класса UEBA, NDR, XDR и некоторые SIEM действительно способны выявлять аномалии, которые сложно обнаружить вручную.

Представим ситуацию:

• Сотрудник бухгалтерии никогда не подключался к корпоративной сети ночью.

• Он не использует PowerShell.

• Он не работает с серверами.

Внезапно в три часа ночи его учетная запись входит через VPN, запускает PowerShell и начинает обращаться к нескольким серверам. Каждое действие по отдельности может не выглядеть подозрительно. Но алгоритм машинного обучения видит отклонение от привычного поведения ^[5] пользователя и формирует инцидент. Здесь технология действительно работает.

Однако есть важный нюанс. Система выявляет аномалию, а не атаку. Возможно, это злоумышленник. А возможно, сотрудник ИТ-службы временно использовал учетную запись для проведения работ.

Именно поэтому окончательное решение все равно принимает аналитик.

Пример с ситуацией выше я добавил не случайно. Пару лет назад я прочувствовал такую ситуацию, когда тревога пришла по учетке, которая вообще не должна была светиться ночью (классика для заголовка «ИИ поймал хакера»). А реальность оказалась банальнее: обычный рабочий процесс, просто оформленный как атака. Да, система поймала аномалию, и формально была права. Но реакция ^[6] на нее могла стоить компании простоя, срыва отчетности и нервотрепки всей команде. 

Этот случай показал, что самая опасная вещь в ИБ — иллюзия, будто технология уже закрыла проблему. Система честно сделала свою работу — нашла аномалию. Но именно человек должен решить, что с ней делать. И если мы будем считать, что ИИ уже все решил, мы сильно рискуем.

Обещание №2. Автоматическое расследование сложных инцидентов

Многие производители заявляют, что их ИИ способен самостоятельно расследовать инциденты. Частично это правда. Система может собрать логи, построить таймлайн и показать цепочку событий. Но полноценное расследование требует понимания бизнес-контекста.

Представим производственную компанию: нарушитель получил доступ к инженерной станции и начал движение в сторону технологического сегмента. ИИ способен показать подозрительную активность, но он не знает:

• Какие системы критичны.

• Какие подрядчики сейчас работают на объекте.

• Какие последствия вызовет отключение оборудования.

Без этого контекста расследование невозможно завершить автоматически.

Обещание №3. ИИ заменит аналитиков SOC

Ооо, это одно из самых популярных заблуждений!

Причина его популярности понятна — SOC испытывают постоянную нехватку кадров, а атаки усложняются ^[7]. Но если посмотреть на реальные проекты, становится очевидно: сегодня ИИ выступает скорее помощником аналитика.

Например, современные платформы могут автоматически:

• Группировать связанные события.

• Удалять часть ложных срабатываний.

• Собирать контекст по инциденту.

• Формировать черновики отчетов.

• Предлагать возможные сценарии реагирования.

Всё это серьезно снижает нагрузку на специалистов.

Однако представим реальный инцидент: компания обнаруживает подозрительную активность на сервере, обслуживающем интернет-магазин. ИИ собирает артефакты и сообщает о возможной компрометации и дальше возникает целый ряд вопросов:

• Можно ли отключить сервер прямо сейчас?

• Сколько клиентов потеряют доступ к сервису?

• Есть ли резервная площадка?

• Какие финансовые потери возникнут в случае остановки?

Ответов на эти вопросы в логах нет.

Это не делает систему плохой: она честно ловит отклонения. Но это делает нашу работу сложнее: приходится тратить время на проверку легитимных действий, потому что контекст «так договорились» в модель не заложили.

Именно поэтому я не верю в «автоматическое обнаружение неизвестных атак» без участия человека. Алгоритмы видят цифры, а мы видим людей и процессы. И пока эти две картины не совпадают, аналитик остается незаменимым ключевым участником процесса.

Обещание №4. Разработка стратегии безопасности

Ещё один популярный сценарий. Допустим, компания оказывает услуги аутсорсинга, участвует в тендерах, работает с персональными данными и обязана использовать российское ПО. Если попросить языковую модель разработать стратегию ИБ, результат будет выглядеть весьма убедительно: появятся рекомендации по управлению рисками, мониторингу, обучению сотрудников и контролю доступа.

Однако модель не знает:

• Ограничения бюджета;

• Особенности корпоративной культуры;

• Реальные риски бизнеса;

• Требования ключевых клиентов или акционеров.

В итоге получится хороший шаблон. Но стратегия безопасности всегда требует участия человека.

Однажды я видел подобное — как на стол руководству ложилась «стратегия ИБ», сгенерированная языковой моделью. Все выглядело солидно: разделы, термины, формулировки, даже матрица рисков. На первый взгляд это готовый документ, чтобы отправить «наверх».

А вот начинаешь копать под реальные процессы — и всё рассыпается, потому что модель не знает, что у нас аутсорс‑разработка, часть команд работает в часовых поясах +7, бюджет на ИБ ограничен, а инфраструктура требует отдельного контура с шифрованием. Если бы внедряли вслепую, получили бы либо неработающие процессы, либо постоянные конфликты между безопасностью и бизнес-подразделениями.

Это как дать штурману универсальный маршрут, не зная, где мели и штормы на твоем маршруте. Я не против использовать ИИ для черновиков и структуры. Но финальная стратегия должна быть подписана человеком, который готов отвечать за её реализацию. Иначе это не стратегия, а шаблон.

Где ИИ действительно приносит пользу

Читая предыдущий раздел может сложиться впечатление ^[8], что я концептуальный враг искусственного интеллекта. Это, конечно же, не так. ИИ в ИБ — это не волшебная палочка, которая заменит человека, а мощный экскаватор. Бесполезно пытаться копать им траншею в цветочном горшке (как в случае со стратегией), но на правильной стройке он творит чудеса, поэтому я бы хотел показать, где ИИ реально отрабатывает свою стоимость.

Антифрод

Если искать область, где технологии доказали свою эффективность, то это финансовый сектор. 

Я работаю с антифрод-системами уже больше 8 лет. В 2018 это были в основном правила и скоринговые модели. Система смотрела на совокупность параметров: сумма, страна, тип устройства. Если транзакция не укладывалась в жесткие рамки, то срабатывало правило, а если укладывалась — пропускала. И этого хватало ровно до тех пор, пока мошенники не научились обходить эти рамки.

Помню кейс: крупная нелегитимная операция прошла, потому что была разбита на несколько переводов чуть ниже порога срабатывания. Модель честно посчитала их нормальными, а по факту это была эксфильтрация.

К 2026 году антифрод стал принципиально другим. Это уже не просто набор правил, а карнавал моделей, которые видят не отдельные признаки, а паттерны кликов, скорость заполнения форм, отклонения от привычного ритма и нюансы взаимодействия с приложением.

Сейчас антифрод-система способна распознать мошенничество, даже если сумма не превышает лимитов, а IP выглядит правильно. Она ловит не одну странность, а совокупность мелких аномалий, которые раньше проходили незамеченными. Антифрод-система анализирует десятки факторов одновременно: локацию, тип операции, историю поведения клиента и прочее, и, если, например клиент банка пенсионного возраста в 13:00 оплатил продукты в магазине рядом с домом, а в 14:00 купил что-то на 180 000 рублей в интернет-магазине посредством только что установленного мобильного приложения с IP-адресом Нью-Йорка, то такая операция блокируется. И здесь, как никогда, полезен ИИ.

Разница между 2018 и 2026 годами огромна — это переход от «защиты по порогам» к «защите по профилю». И этот переход был не про маркетинг, а про реальную необходимость: угрозы стали умнее, и защита должна была стать умнее тоже.

Поведенческая аналитика

Еще один хороший пример — системы класса UEBA.

Представим системного администратора:

• В среднем он скачивает около 200 Мб данных в день.

• Работает в стандартное время.

• Подключается только из корпоративной сети.

За неделю до увольнения он начинает регулярно заходить ночью и выгружает 40 Гб архивов с файлового сервера.

Каждый признак сам по себе может быть допустимым. Но вместе они формируют серьезную аномалию. Система выявляет отклонение от исторического профиля пользователя и уведомляет службу безопасности. Именно в таких сценариях машинное обучение показывает лучшие результаты.

Генеративный ИИ для аналитиков

Отдельно стоит упомянуть современные языковые модели. Многие вендоры уже внедряют их в свои платформы. Например, аналитик может написать: «Покажи все подключения к внешним IP-адресам с сервера бухгалтерии за последние сутки». Система самостоятельно сформирует необходимый запрос.

Или другой пример. Аналитик получает сложное правило обнаружения атаки и просит систему объяснить его простым языком. Модель формирует понятное описание логики работы правила. 

Это не что-то революционное, но экономия времени весьма заметна.

Корреляция больших объемов событий

И, пожалуй, самый успешный сценарий применения технологий. 

Современная инфраструктура генерирует миллионы событий ежедневно и человек физически не способен обработать такой объем информации. Алгоритмы же могут находить взаимосвязи между событиями, разделёнными днями или даже неделями. Именно поэтому многие современные SIEM и XDR-платформы используют элементы машинного обучения.

Как отличить реальный ИИ от маркетинговой наклейки

Итак, мы выяснили, с чем ИИ отлично справляется, к примеру, там, где требуется анализ больших объемов данных, выявление аномалий и автоматизация рутинных операций.

Однако между возможностями технологий и ожиданиями рынка до сих пор существует заметный разрыв. ИИ хорошо помогает специалистам, но пока не способен заменить понимание бизнеса, опыт ^[9] аналитика и выстроенные процессы безопасности. Поэтому при выборе решений стоит смотреть не на количество упоминаний ИИ в презентации, а на конкретную задачу, которую технология помогает решить.

Как отсечь маркетинг от инженерии на этапе покупки? Когда вы видите рекламный баннер ИБ-продукта с ИИ (что, кстати тоже сгенерирован ИИ), то какие вопросы нужно задать, чтобы не купить кота в мешке?

Есть несколько простых вопросов:

• Какая именно технология используется?

• На каких данных обучалась модель?

• Какие показатели улучшились после внедрения?

• Как эти показатели измерялись?

• Есть ли реальные кейсы заказчиков?

Если поставщик не может дать понятные ответы на эти вопросы, существует высокая вероятность того, что перед вами не революционная технология, а маркетинговый ярлык. 

И в помощь также оставлю сравнительную таблицу: «маркетинг vs реальность». Надеюсь, эти материалы помогут вам принять правильное решение.

---

Телеграм-канал Alfa Digital ^[10], где рассказывают о работе в IT и Digital: новости, события, вакансии, полезные советы и мемы.

Читайте также:

• Не просто коробка с деньгами: будни инженера сопровождения, который поддерживает банкоматы в строю ^[11]

• Почему промпт-инъекции — это симптом, а не болезнь безопасности ИИ ^[12]

• Как работают BYOVD-атаки на ядро Windows через драйверы и как от них защититься: большой разбор ^[13]