ИИ помогает инженеру. Но готов ли инженер безопасно его использовать?
Искусственный интеллект реально изменил то, как работают айтишники. Сетевые инженеры, безопасники, админы, DevOps, SOC-аналитики почти все сейчас так или иначе используют ChatGPT, Claude, Gemini в работе. У меня ИИ уже давно не «игрушка для баловства», а рабочий инструмент на каждый день: разобрать конфиг, найти ошибку, объяснить, почему что-то не работает так, как должно, накидать скрипт. Это экономит кучу времени, и сидеть руками разбирать то, что ИИ решает за секунды сейчас просто нет смысла.
Но есть момент, о котором почти никто не думает, когда открывает чат и вставляет туда текст: а что именно ты туда отправляешь.
Дело не в том, что кто-то «не подумал»
Тут легко скатиться в обвинения: «ну это стажёры виноваты, не разобрались». Но это не так. Дело вообще не в опыте. Что стажёр, что сеньор с десятью годами за плечами все хотят решить задачу быстрее. Это нормально, это то, как люди работают.
Если посмотреть на реальные инциденты в ИБ почти всегда в основе лежит не какая-то гениальная атака хакеров, а простое человеческое желание сделать задачу быстрее и проще. ИИ тут сам по себе ни при чём. Проблема появляется в тот момент, когда человек, чтобы не тратить время на рутину, кидает в чат данные, которые вообще не должны уходить за пределы компании.
Как это выглядит на практике
Возьмём обычную рабочую ситуацию. SOC-аналитику прилетает лог на несколько тысяч строк наадо быстро найти, где там подозрительная активность. Руками это часы работы. Логичное и понятное решение скопировать весь лог и кинуть в ИИ: «найди аномалии, покажи, где успешные логины, а где нет».
Задача решена за пару секунд. Только вместе с решением в облако ушли внутренние IP-адреса, имена серверов, домены, почты сотрудников, токены и прочая служебная информация, которая в этом логе находилась.
С сетевыми конфигами ровно то же самое. Инженер берёт running-config с Cisco, FortiGate, Palo Alto не важно какого устройства и отправляет в ИИ, чтобы быстро найти косяк в ACL или в маршрутизации. Да, пароли в конфиге могут быть зашифрованы, но по одному такому файлу можно собрать всю картину сети:
-
Внутреннюю и внешнюю IP-адресацию;
-
Структуру VLAN и DMZ;
-
VPN-пиры и параметры шифрования;
-
Имена хостов и описания интерфейсов;
-
Названия филиалов, SNMP-community, адреса LDAP-серверов.
Для госструктур, банков, медицины и вообще любой организации с чувствительными данными это уже не мелкая помарка, а прямой вектор для разведки (Reconnaissance Phase).
«Да кому я вообще нужен?»
Многие до сих пор думают, что переписка с нейросетью это что-то вроде закрытого блокнота. На деле никто со стороны не может гарантировать на 100%, как эти данные хранятся, кто к ним имеет доступ внутри сервиса и что с ними происходит дальше. Риск есть всегда.
И это не гипотетические страшилки. 28 июля 2026 года исследовательская команда Malwarebytes выпустила разбор реального инцидента: из-за того, как работала функция «Share» (поделиться чатом) в Claude от Anthropic, часть публично расшаренных чатов оказалась проиндексирована Google и Bing.
Люди находили в поиске ключи от криптокошельков, персональные данные (PII), личные рабочие заметки и куски корпоративной информации. И это не первый такой случай похожие истории уже были с Grok, Meta AI и ChatGPT.
Человек просто делился ссылкой на чат с коллегой, а эта ссылка со временем всплывала в обычном выдаче Яндекса или Google. Теперь представьте, что в таком чате висел лог SOC-аналитика или running-config с маршрутизатора банка или госоргана.
Вывод простой: ссылка на чат с ИИ это потенциально публичная страница, и рассчитывать на её вечную приватность нельзя.
Что с этим делать
Запрещать ИИ на уровне прокси-серверов бессмысленно. Люди всё равно найдут способ им пользоваться: через личный телефон, мобильный хотспот или домашний интернет. Это только создаёт ещё больше бесконтрольного Shadow IT.
Адекватных путей тут два: либо компания поднимает свой локальный ИИ на мощном On-Premise сервере (или использует Enterprise-контур), либо инженеры сами контролируют то, что отправляют во внешние сервисы.
Но даже если у вас поднята своя локальная нейросеть, привычка вычищать чувствительные данные никуда не девается. Главное правило остаётся прежним убирать всё лишнее ЕЩЁ ДО ТОГО, как текст ушел в окно чата.
Руками каждый раз вычищать IP-адреса, имена хостов и токены долго и муторно. На этом теряется весь смысл экономии времени. Поэтому я написал локальный инструмент на Python — Config Anonymizer.
Что он делает:
-
Работает 100% офлайн: Запускается строго на вашей машине, без вызовов API. Данные физически не покидают ПК.
-
Понимает конфиги разных вендоров: Корректно разбирает синтаксис Cisco, Fortinet и большинства других сетевых устройств.
-
Сохраняет логику: Не просто тупо вырезает IP и имена, а заменяет их так, чтобы структура осталась рабочей. ИИ по-прежнему находит ошибки в ACL или в OSPF, но уже не видит за этим реальную сеть.
-
Гибкие режимы: Есть стандартная замена IP/hostname/хешей, и есть MAX-режим — где перемешиваются интерфейсы, ACL и добавляется соль (–salt), чтобы конфиги из разных проектов или смен невозможно было связать между собой.
вывод таков;
Искусственный интеллект должен экономить время инженера, а не создавать работу для отдела ИБ. И тут вопрос не в том, чтобы отказаться от нейросетей — это уже нереально и не нужно. Вопрос в том, чтобы понимать, что именно ты в него отправляешь, и вычищать лишнее до того, как нажал Enter.
Код проекта открыт, берите и пользуйтесь:
https://github.com/DarkOnTheWeb/Cisco_Config_Anonimyzer
Автор: AnonimUwU1337
