Пентестер без ИИ — как хирург без МРТ: почему ручная кибербезопасность больше не масштабируется

Главная проблема современной кибербезопасности — уже не только в качестве экспертизы, но и в её пропускной способности. Компании сталкиваются с растущей поверхностью атаки, дефицитом специалистов и новой категорией рисков, связанных с ИИ-системами.

В этих условиях ручная модель пентеста перестаёт масштабироваться. Слишком много времени уходит на разведку, первичную сортировку и приоритизацию, подготовку отчётов о найденных проблемах. Значительную часть этой работы можно автоматизировать — если уметь эффективно и безопасно работать с ИИ-инструментами и агентами.

Поэтому на рынке растёт спрос на специалистов нового типа: тех, кто умеет работать в связке с ИИ.

​Два таких разных пентестера

В понедельник в девять утра два пентестера* открывают ноутбуки и берутся за одну и ту же задачу: найти слабые места в защите компании, которые могут стать точками входа для хакеров. Формально у них одинаковые роли и одинаковая цель. Но уже через час становится ясно: это представители двух разных поколений специалистов по безопасности.

*Пентестер — это специалист по информационной безопасности, который имитирует действия злоумышленника, чтобы найти слабые места в системах, приложениях и инфраструктуре компании до того, как ими воспользуются реальные атакующие.

Первый работает по классической схеме, которую в отрасли ещё недавно считали единственно верной. Он начинает с проверки внешнего контура: смотрит, какие сервисы и точки входа доступны, что изменилось с прошлой проверки, запускает сканеры, вручную разбирает результаты, проверяет, как ведёт себя приложение, ищет подозрительные сбои и пытается понять, где перед ним реальная уязвимость, а где просто шум.

Потом он сортирует сигналы. Из десятков находок нужно вытащить те немногие, которые действительно заслуживают внимания. Дальше — собрать из разрозненных данных гипотезу и подтвердить её реальными находками в коде, инфраструктуре или пайплайнах. А затем ещё и перевести всё это на язык бизнеса: что именно может пойти не так, каким будет ущерб, насколько уязвимость реально exploitable и почему её нужно исправить сейчас, а не когда-нибудь потом.

Классический пентестинг — хорошая школа. Он учит внимательности, системности и дисциплине мышления. Но у этой модели есть предел: она слишком ручная и плохо масштабируется. Чем больше инфраструктура, чем быстрее меняется цифровой ландшафт, чем выше плотность сервисов, API, внешних интеграций и временных конфигураций, тем больше времени специалист тратит не на саму атаку, а на подготовку к ней. Узким местом становится уже не экспертиза, а пропускная способность.

У второго пентестера утро выглядит иначе. Он начинает день не с пустого экрана. Пока он спал, ИИ-агент уже выполнил тяжёлую рутинную часть работы: собрал и обновил поверхность атаки, выделил изменения по активам, классифицировал находки, сгруппировал повторяющиеся паттерны, отметил подозрительные отклонения, сопоставил отдельные признаки, сформировал гипотезы и подготовил черновой риск-профиль.

На дашборде у него не сырые сигналы, а предварительная картина. Уже видно, что критично, что требует ручной проверки, а на что вообще не стоит тратить время.

Важно: в этом сценарии ИИ не провёл пентест вместо инженера. Пентестер сам валидирует находки, проверяет контекст, выстраивает цепочку эксплуатации, отсеивает лишнее, оценивает, что модель могла недооценить. Его ценность не снижается — наоборот, растёт. Просто зона ответственности смещается: от ручной разведки и перебора сигналов — к анализу, интерпретации и принятию решений.

Разница между «старым» и «новым» пентестером в том, на что именно они тратят своё время. Один — на то, что уже можно автоматизировать. Другой — на то, что пока плохо делегируется машине: нестандартную логику атак, построение цепочек проникновения, оценку критичности угроз и разговор с бизнесом на языке рисков.

Именно сочетание сильного пентестинга и ИИ-автоматизации сегодня даёт бизнесу максимальный эффект.

По сути, меняется не только набор инструментов, но и сама логика профессии. Пентестер нового поколения — это не человек, которому ИИ просто помогает писать отчёты. Это специалист, вокруг которого выстроен дополнительный операционный контур: разведка, классификация, первичная аналитика, подготовка гипотез и черновая приоритизация с помощью ИИ. А уже поверх этой первичной оценки работает экспертная логика человека.

Новые времена — новые проблемы

Квалифицированных инженеров по безопасности и так не хватает. При этом угрозы становятся сложнее, а их количество растёт. Благодаря ИИ атаковать стало проще: злоумышленникам всё чаще не нужны глубокие знания архитектуры и кода, потому что часть своей работы они тоже автоматизируют.

Компании это видят — и начинают перестраивать защиту под новую реальность.

Кадровый вопрос сегодня тревожит руководителей по информационной безопасности куда сильнее, чем разговоры о том, что всех скоро заменит искусственный интеллект. По данным ISC2, мировой спрос на специалистов по кибербезопасности составляет около 5,5 млн человек, а дефицит — ещё 4,8 млн. Иными словами, рынок уже живёт в режиме кадрового голода. Причём за год дефицит вырос на 19% и продолжает расти.

Это означает, что проблемы безопасности больше не решить старым способом: «давайте просто наймём ещё людей». Когда специалистов не хватает, растёт стоимость каждого часа квалифицированной работы. А вместе с ней — и цена всех задач, которые всё ещё выполняются вручную.

Поэтому ИИ в кибербезопасности становится повседневной практикой не потому, что индустрия увлеклась модной технологией, а потому, что дешёвых альтернатив просто нет.

По данным ISC2, 30% специалистов по кибербезопасности сообщили, что их команды уже интегрировали ИИ-инструменты в работу. Ещё 42% находятся на стадии тестирования или оценки. А 70% тех, кто уже использует такие инструменты, отмечают рост эффективности.

На практике всё выглядит довольно приземлённо: ИИ отдают рутину. Его используют для первичного поиска инцидентов, сортировки сигналов и подготовки отчётов.

Бизнес, наконец, понял, что ИИ — это не только новый риск, но и способ защищаться от него. По данным Ernst & Young, 96% senior-руководителей в ИБ считают ИИ значимой угрозой, 85% говорят, что текущих бюджетов недостаточно для ответа на такие вызовы, а 97% ожидают, что в ближайшие два года конкурентоспособность их организаций будет зависеть от зрелости агентных ИИ-решений.

То есть компании одновременно признают две вещи: угроза растёт, а организационно они к ней пока не готовы.

Исследование Accenture State of Cybersecurity 2025 показывает то же самое: только 34% организаций имеют зрелую стратегию кибербезопасности, и лишь 13% работают с действительно продвинутыми инструментами. При этом около 90% компаний не достигли уровня зрелости, достаточного для противодействия современным ИИ-вызовам.

Иначе говоря, рынок уже видит опасность, но всё ещё во многом живёт вчерашним днём.

На этом фоне меняется и «материальная» сторона профессии. Компании понимают, что классическая ручная модель защиты упирается в дефицит кадров, выгорание специалистов и постоянный рост сложности инфраструктуры. Поэтому они ищут уже не просто «хорошего специалиста», а человека, который умеет усиливать себя ИИ в рутинных задачах.

Отсюда — рост интереса к AI Security-инструментам и рост ценности специалистов, которые умеют одновременно мыслить как атакующий, понимать архитектуру современных ИИ-систем и выстраивать полуавтоматический цикл разведки и приоритизации.

Так ИИ перестраивает обе стороны. Защитники используют его, чтобы быстрее находить и устранять угрозы. Атакующие — чтобы масштабировать фишинг, генерировать вредоносный код, искать и эксплуатировать уязвимости. Компания, которая этого не понимает, проигрывает дважды: её защита становится менее эффективной, а преимущество злоумышленников растёт.

Старые способы больше не работают

Ещё одна серьёзная ошибка, которую бизнес может совершить сегодня, — решить, что всё происходящее вокруг ИИ отменяет классическую школу кибербезопасности. Это не так.

Архитектура сетей и веб, AppSec (безопасность приложений), эксплуатация уязвимостей, понимание инфраструктуры и логики атакующего — всё это по-прежнему остаётся фундаментом профессии. Проблема в другом: одного этого фундамента уже недостаточно.

На старом карьерном пути специалист учился видеть классическую поверхность атаки: открытые Траектория, которая ещё недавно казалась универсальной — от сетевой базы и SOC к пентесту или инженерии безопасности, — больше не покрывает весь новый ландшафт угроз.

Раньше специалист учился видеть классическую поверхность атаки: открытые сервисы, ошибки конфигурации, уязвимости веб-приложений, слабые места авторизации, избыточные права, небезопасную бизнес-логику. Этот набор никуда не исчез. Но поверх него вырос ещё один слой — системы, которые не просто выполняют код, а интерпретируют контекст, следуют инструкциям, используют внешнюю память, обращаются к инструментам, агрегируют данные из разных источников и иногда действуют полуавтономно.

Чтобы работать с этой реальностью, уже недостаточно понимать, где приложение неправильно валидирует ввод. Нужно разбираться, как модель воспринимает инструкции, как можно повлиять на её поведение и как внешние данные меняют её решения.

Промпт-инъекции не похожи на привычные SQL-инъекции, хотя по последствиям могут быть не менее опасны. Уязвимости в RAG-системах тоже не укладываются в старую модель: на поведение системы влияют не только код и доступы, но и источники контекста, и логика сборки ответа.

*RAG-системы — это ИИ-системы, которые перед ответом сначала ищут релевантную информацию во внешних источниках, а уже потом генерируют ответ на её основе. Сам термин RAG расшифровывается как Retrieval-Augmented Generation — «генерация с дополнением через поиск». Идея RAG была формализована в одноимённой работе 2020 года, где модель сочетает «память» самой нейросети с внешней базой знаний.

Агентные системы добавляют ещё один уровень риска. Им дают не просто право отвечать, но и право действовать: вызывать инструменты, обращаться к API, совершать операции во внешней среде. В итоге безопасность выходит далеко за пределы прежнего периметра, ролей и полномочий.

Рынок уже формализует этот сдвиг. М еждународное профессиональное сообщество в сфере безопасности приложений Open Worldwide Application Security Project или OWASP выделяет отдельные списки рисков для LLM-приложений и агентных систем. Речь про Large Language Model Apps — приложения на основе больших языковых моделей.

Среди рисков — промпт-инъекции, утечки чувствительных данных, злоупотребление инструментами и другие классы угроз. Сам факт появления таких фреймворков означает, что индустрия признала новый класс рисков самостоятельной практической областью, а не экзотикой для узких исследовательских групп. Национальный институт стандартов и технологий США NIST идёт дальше и систематизирует безопасность ИИ и ML (машинное обучение) как полноценную дисциплину со своими угрозами и защитными подходами.

И вот в этой точке специалист, который строил карьеру только на классическом стеке безопасности, начинает проигрывать. Он может отлично находить уязвимости в обычном веб-приложении — и при этом пропускать ключевые риски в LLM-интеграции, RAG-цепочке или агентной логике.

Для работодателя это особенно опасно. Формально команда может быть укомплектована сильными специалистами, но часть современной поверхности атаки всё равно остаётся для неё невидимой.

А если учесть, что ИИ-компоненты всё чаще появляются в корпоративных продуктах, внутренних помощниках, поисковых системах, сервисных решениях и клиентских интерфейсах, речь идёт уже не о небольшом пробеле, а о растущей слепой зоне.

Старый стек — это по-прежнему база которую нужно освоить. Но поверх него теперь требуется ещё один слой компетенций, связанных с ИИ. Современный специалист по безопасности должен работать на стыке хакинга и ИИ безопасности, а не только в одном из этих миров.

Именно поэтому CIO, CISO и руководители ИБ всё чаще ищут не «ещё одного пентестера» старого образца, а специалиста два в одном: человека, который понимает классическую безопасность и одновременно ориентируется в рисках ИИ и LLM-систем.

Окно возможностей: сейчас или никогда

Любой технологический сдвиг сначала выглядит как нишевая история для энтузиастов, а только потом внезапно становится новой нормой рынка. С ИИ в кибербезопасности происходит именно это.

Сегодня ещё можно спорить о формулировках, сравнивать подходы, обсуждать, где заканчивается хайп и начинается практическая польза. Но для бизнеса наличие специалистов с компетенциями в обеих сферах — уже вопрос устойчивости, а иногда и выживания. Просто поняли это пока не все.

Когда-то DevOps (инфраструктурный инженер) тоже воспринимался как дополнительная специализация для продвинутых команд. Потом оказалось, что это не «диковинный зверь», а новая культура и профессиональная норма. С нативной AI Security-инженерией сейчас происходит примерно то же самое.

Сегодня специалист, который умеет одновременно думать как атакующий, понимать новые классы ИИ-угроз и усиливать свою работу ИИ-инструментами, кажется редкостью. Через несколько лет это, вероятно, станет базовым требованием.

Для CIO и CISO самый опасный сценарий — ждать, пока рынок сам выработает новый стандарт, и подключиться позже, когда «всё станет понятнее». Гораздо рациональнее начать перестройку заранее: переобучать сильных специалистов, менять профиль найма, тестировать новые ИИ-функции и накапливать практический опыт.

В кибербезопасности позднее признание новых рисков почти всегда обходится дороже раннего входа. Это как раз тот случай, когда профилактика заметно дешевле лечения.

Специалисты по безопасности ещё могут оставаться хорошими классическими пентестерами — и какое-то время этого будет хватать. Но рынок движется дальше. Совсем скоро цениться будет не только глубина ручной экспертизы, но и способность работать с новыми типами систем.

И если хочется оставаться востребованным и высокооплачиваемым специалистом, придётся адаптироваться.

Но есть и ещё одна проблема: старые образовательные треки по-прежнему готовят специалистов под прошлую архитектуру угроз. Людей учат искать уязвимости в сетях, приложениях и инфраструктуре так, как будто мир почти не изменился. В то же время рынку уже нужны знания о LLM, RAG и агентных системах именно в контексте безопасности.

Поэтому возникает спрос не просто на ещё один курс по пентесту или вводный курс по ИИ, а на новый гибридный профиль.

Именно таких специалистов готовят в CyberYozh Academy, на курсах «Этичный хакинг: эпоха AI» и «Специалист по информационной безопасности».