Злоумышленники уже используют искусственный интеллект, чтобы быстрее собирать данные об инфраструктуре, искать слабые места, проверять гипотезы и менять маршрут атаки. Разработчики средств защиты отвечают тем же — добавляют ИИ в продукты, автоматизируют расследование событий и сокращают путь от обнаружения угрозы до реакции. Так начинается новый виток технологического противостояния.
Один ИИ ускоряет атаку, другой пытается так же быстро ее обнаружить и остановить. Однако у этого противостояния есть ограничение, о котором говорят гораздо реже. Каждое действие модели требует вычислительных ресурсов и стоит денег. О том, почему компаниям придется учитывать не только скорость реакции ИИ, но и стоимость одного достоверного решения об инциденте, а также от чего она зависит, рассказал Михаил Пырьев, менеджер продукта UDV NTA компании UDV Group.
Не секрет, что ИИ-агент может исследовать инфраструктуру значительно быстрее человека. Он способен параллельно проверять несколько способов проникновения, перебирать учетные данные, искать доступные сервисы и менять тактику после неудачной попытки. Однако по мере того, как такие атаки будут становиться более автономными и масштабными, бесконечно продолжать перебор агент все равно не сможет.
Каждый запрос к модели, новая гипотеза и попытка входа расходуют вычислительный бюджет. Для простоты возьмем в расчет только токены. По открытым API-тарифам OpenAI, Anthropic и Google Cloud в 2026 году стоимость 1 млн входных токенов в зависимости от модели составляет примерно от $0,20 до $5, а выходных — от $1,20 до $30.
При этом стандартное автоматическое расследование одного алерта специализированным ИИ-агентом, по инженерным оценкам, может потребовать порядка 50–150 тыс. токенов. Реальная стоимость оказывается выше расчетного минимума, по данным RunReveal, на выборке более 50 тыс. расследований в производственной среде она составила в среднем около $2 за одно расследование. Для сложных многоэтапных случаев расход может достигать уже нескольких миллионов токенов.
В результате у автоматизированных атак появятся экономические ограничения. Агенту смогут задать максимальную стоимость атаки на одну организацию, число допустимых попыток или порог вероятности успеха, после которого дальнейшее исследование нужно будет прекратить. Злоумышленник будет решать не только техническую задачу. Ему придется сравнивать потенциальную выгоду со стоимостью дальнейшего перебора. Если проникновение потребует слишком много вычислений и времени, проще будет переключить агента на другую цель.
Для защитника это создаст дополнительную задачу. Недостаточно будет просто закрыть очевидную уязвимость. Нужно будет сделать развитие атаки дорогим, например, заставить агента проверять больше гипотез, чаще менять маршрут и тратить ресурсы, не приближаясь к критическим системам.
Ложное срабатывание станет прямым расходом
Компания тоже будет платить за каждое действие ИИ. Автоматизация не сделает анализ событий бесплатным процессом, она изменит саму природу расходов. Сегодня ложное срабатывание отнимает время аналитика. Масштаб потенциальных расходов хорошо виден уже по сегодняшней нагрузке SOC.
По данным исследования Microsoft и Omdia за 2026 год, 46% поступающих аналитикам оповещений оказываются ложными срабатываниями, а 42% оповещений вообще остаются нерасследованными. В будущем, если эту работу передать ИИ, когнитивная нагрузка аналитика превратится в вычислительную нагрузку модели. И чем больше ложных или нерелевантных оповещений будет поступать на вход, тем дороже обойдется работа защитного ИИ. Модель будет тратить ресурсы даже тогда, когда в инфраструктуре не происходит ничего опасного.
В ближайшие годы информационная безопасность будет все больше напоминать подписку с тарификацией по объему работы модели. Цена такой защиты будет зависеть не только от числа контролируемых узлов, но и от количества анализируемых событий, проверяемых гипотез и автоматических действий. В такой модели ложное срабатывание станет прямым расходом: компания будет платить за разбор события, которое в итоге не потребует реакции.
Экономический эффект уже можно оценивать на уровне потока алертов. В кейсе Prophet Security за 60 дней ИИ автоматизировал расследование 4407 оповещений, каждое из которых при ручной обработке занимало в среднем около 20 минут. В пересчете на год компания оценила высвобожденный ресурс в 8936 часов работы аналитиков, а среднее время расследования с помощью ИИ составило менее четырех минут.
При этом автоматизация будет ускорять не только правильные решения, но и возможные ошибки. ИИ может неверно связать события, принять штатную активность за атаку или предложить действие, которое причинит инфраструктуре больший ущерб, чем сама угроза. Поэтому автоматическое реагирование нельзя будет строить только на вероятностном выводе модели. Чем серьезнее действие, тем выше должны быть требования к подтверждению. Для блокировки учетной записи, изоляции сервера или ограничения сетевого доступа ИИ должен будет опираться на несколько независимых признаков. В критических системах по-прежнему может потребоваться подтверждение аналитика.
Такая схема не отменит автоматизацию. Она разделит действия по уровню риска. ИИ сможет самостоятельно собирать контекст, обогащать событие, проверять типовые гипотезы и предлагать сценарий реакции. Но решения с потенциально серьезными последствиями должны будут выполняться только при достаточном уровне уверенности.
ИИ нужно видеть больше, но обрабатывать меньше лишнего
Из этого возникает на первый взгляд противоречивое требование. Защитному ИИ необходимо получать как можно больше информации об инфраструктуре, но при этом средства защиты должны создавать как можно меньше шума. Но на самом деле противоречия здесь нет. ИИ нужен не максимальный объем сырых событий, а максимальный объем релевантного контекста. По одному событию сложно понять, что именно происходит. Модель должна знать, какой пользователь инициировал действие, с какого устройства, к какому сервису он обратился, является ли такая активность обычной и какие еще события происходили в это время.
Для этого нужны поведенческие профили пользователей, устройств, приложений и сетевых взаимодействий. Чем точнее описан штатный профиль их активности, тем проще отличить реальную угрозу от легитимного действия. Широкое покрытие не означает, что весь доступный контекст должна обрабатывать одна модель. В агентной системе анализ можно распределить между специализированными агентами, каждый из которых работает со своей частью данных, а агенты-координаторы объединяют их выводы и оперируют более широким, но менее детальным контекстом. Когда часть инфраструктуры остается вне наблюдения, такая система вынуждена строить гипотезы по неполным данным. Это увеличивает число версий, которые приходится проверять, стоимость анализа и риск ошибки.
Не менее важно понимать поведение самой защитной агентной системы: при каких входных данных она уверена в выводе, где чаще ошибается и какие типы событий обходятся дороже всего. Поэтому качество будущей системы защиты с ИИ будет зависеть не только от используемых моделей. Большую роль сыграют и системы, которые собирают данные, приводят их к единому формату и связывают между собой до того, как они попадут на вход алгоритма.
Системы класса NTA в этой логике становятся ключевым элементом сетевой видимости. Они дают достоверную информацию об активности как людей, так и сервисов: какой узел инициировал соединение, с кем он взаимодействовал, какой протокол использовал, что происходило до и после, и какие активы могли быть затронуты. Такие данные нужны не только аналитику. Они помогают агентной системе сократить число возможных объяснений и быстрее перейти к проверяемой гипотезе.
Особенно важно связывать данные и события из разных систем защиты и инфраструктурных источников, чтобы они складывались в единый контекст. Цена разрозненности уже сегодня выражается во времени специалистов.
По данным Microsoft и Omdia, аналитики SOC в среднем работают с 10,9 консоли, а две трети центров мониторинга тратят около 20% рабочей недели на ручной сбор и сопоставление информации из разных систем.
Отдельно взятый алерт может выглядеть неоднозначно. После сопоставления с журналами событий, сведениями об узле и учетной записи, сегменте сети, критичностью связанного бизнес-процесса и результатами других средств контроля становится понятнее, идет ли речь о штатной активности, ошибке конфигурации или развитии атаки.
Главная угроза ИИ не в новизне, а в масштабе
На нынешнем этапе ИИ-агенты могут действовать быстрее человека, но при этом не обязательно скрытнее. Опытный специалист обычно сокращает количество лишних действий: отбрасывает заведомо бессмысленные варианты, учитывает особенности инфраструктуры и старается не создавать лишних признаков активности. Современные агентные системы пока не всегда способны так же эффективно отсекать ненужные действия. Такой уровень автономности уже перестает быть только теоретическим сценарием. В кампании GTG-1002, о которой Anthropic рассказала в 2025 году, ИИ выполнял, по оценке компании, 80–90% тактических операций самостоятельно, а человек вмешивался лишь в нескольких критических точках. Целями кампании стали около 30 организаций.
В сети это может проявляться как волна поведенческих отклонений: новые соединения, нетипичные обращения к сервисам, ошибки аутентификации, перебор узлов и резкие изменения сетевого профиля. По мере развития агентных систем такие действия станут точнее. ИИ научится лучше учитывать обратную связь, сокращать количество лишних запросов и имитировать поведение легитимных пользователей. Поэтому рассчитывать только на «шумность» автоматизированной атаки нельзя.
Это не повод откладывать построение защиты до того момента, когда автоматизированные атаки станут действительно скрытными. Они идут уже сейчас, и текущий разрыв дает ИБ-команде время выстроить видимость, которая сработает и тогда, когда такие агенты начнут действовать тише.
ИИ вряд ли обнулит накопленные знания о кибератаках. Скорее он будет быстрее масштабировать и комбинировать уже известные тактики, техники и процедуры. Та же кампания хорошо показывает, что автоматизация пока не означает появления принципиально новой логики атаки.
В описании GTG-1002 в MITRE ATT&CK действия агента сопоставлены с уже известными техниками и субтехниками матрицы — от сканирования и поиска уязвимостей до сбора учетных данных, бокового перемещения и эксфильтрации. Агент сможет менять последовательность действий и уже отработанные приемы, но основой для этого останется опыт предыдущих атак.
Злоумышленнику обычно выгоднее повторить работающий прием, чем разрабатывать новый с нуля. Принципиальная новизна в атаках остается за человеком. ИИ работает с тем, что уже было опробовано, слегка смещая параметры и инструменты, чтобы обойти сигнатуры и поведенческие правила. Он делает такое повторение быстрее, дешевле и доступнее. Поэтому матрица MITRE ATT&CK и защитные контрмеры в MITRE D3FEND не потеряют актуальности. Напротив, чем быстрее агенты комбинируют известные техники, тем важнее становится широкое покрытие этих техник средствами защиты.
Чем больше шума, тем выше стоимость ИИ-защиты
Компании не должны выбирать между развитием ИИ и базовой видимостью инфраструктуры. Это части одного контура, ведь агентная система сможет быстро принимать решения только тогда, когда получает точные и связанные данные о пользователях, узлах, соединениях, протоколах и изменениях в сети. Без такой основы даже современная система с ИИ будет либо пропускать значимые отклонения, либо тратить ресурсы на шум.
Разница объясняется стоимостью ИИ-разбора простого инцидента. На основе наших наблюдений, она в среднем составляет 1 млн токенов, что эквивалентно 2–3$ в зависимости от модели. При этом в SOC ежедневно возникают десятки, а то и сотни ложных срабатываний. В месяц на обработку только ложных срабатываний может уходить от 1500$ в небольших SOC и до 7000$ в крупных SOC. В итоге ИИ не отменит требования к средствам защиты, а сделает их жестче — плохая видимость, разрозненные события и ложные срабатывания будут стоить не только времени аналитика, но и вычислительных ресурсов компании.