ИИ в пентесте: ускорение работы и границы автономности Claude Code

# ИИ в пентесте: ускорение работы и границы автономности

В начале 2026 года рынок информационных安全的 отреагировал бурно на появление Claude Code Security от компании Anthropic. Аналитики сочли анонс сигналом о возможности полностью автономного поиска и эксплуатации уязвимостей, что привело к временному обвалу акций ключевых игроков индустрии. Однако, как показали наблюдения в реальных рабочих процессах, реальность оказалась сложнее сценариев, созданных аналитиками рынка.

Автономность эксперта без экспертности

Claude Code не является простым чат-ботом. Благодаря интеграции с внешними инструментами через протокол MCP (Model Context Protocol), модель может управлять терминалом, анализировать веб-трафик и строить стратегии атаки. Это превращает её в системный агент, способный самостоятельно связывать разрозненные данные приложения в единую картину угроз.

На практике модель демонстрирует удивительную способность к логическому анализу, превосходя традиционные сигнатурные сканеры. Она эффективно находит логические уязвимости, такие как IDOR (раскрытие информации из-за отсутствия проверки права доступа), прослеживая цепочку вызовов внутри сложного кода. Описанный эксперимент с дешифровкой прошивки показывает, что модель способна выполнять задачи, требующие глубоких знаний в криптографии и работе с системами управления ключами, при этом вмешательство человека сводится лишь к формулировке задачи и минимальным подсказкам.

Этот феномен можно охарактеризовать как «навыки сеньора, автономность джуниора». Модели достигают экспертного уровня в понимании контекста и связей между компонентами системы, но им часто недостает критического суждения о том, когда нужно остановиться или сменить тактику. На бенчмарках эксплуатации известной уязвимости V8 модели показывали рутинное нарушение работоспособности системы, но лишь единицы добивались полного захвата управления без人为ного вмешательства.

Экономическое и оперативное преимущество

В сценариях, требующих обработки большого объема структурированных данных, ИИ демонстрирует неоспоримое преимущество. На практических лабораториях по типу HackTheBox машина, требующая часов ручного труда (обход приложений, цепочки уязвимостей, оффлайн-крекинг), была пройдена агентом Claude за 22 минуты. Масштабируя этот опыт на уровне командных соревнований, где ИИ-команды успешно решали задачи по криптографии и реверс-инжинирингу, скорость работы машин сравнялась или превысила человеческую.

Стоимость таких решений также привлекательна: мультиагентные системы способны выполнять работу, которая раньше стоила сотни долларов в час профессионального специалиста, по значительно более низкой цене за час использования. Японский исследователь, успешно проводивший автоматизированные атаки, оценил затраты инфраструктуры в 20 000 иен, что позволило ему победить в официальном чемпионате по взлому.

*Важно понимать термин "MCP" (Model Context Protocol).* Это стандартный протокол, позволяющий языковым моделям безопасно подключаться к внешним данным и инструментам (браузеры, терминалы, файловые системы) без риска полной потери контроля, обеспечивая контекстный обмен данными между моделью и окружением.

Кольцевая яма программ bug bounty

Параллельно с ростом эффективности, ИИ вызвал серьезные проблемы в программах вознаграждения за уязвимости (bug bounty). В первой половине 2026 года платформы вроде curl, Nextcloud и GitHub были вынуждены приостановить прием заявок или ужесточить правила из-за резкого роста количества низкого качества отчётов.

Аналитики отмечают, что поток «AI-мусора» достиг критической массы. Алгоритмы находят паттерны, похожие на уязвимости, и формируют отчёты, не проверяя контекст. Это приводит к тысячам дублирующих заявок, выявлению несуществующих проблем в публичных API или ложным срабатываниям на инфраструктуре крупных сервисов. В результате платформы были вынуждены внедрить новые фильтры, требовать дополнительных доказательств эксплуатации и снижать пороги допуска для автоматизированных отчетов.

Галлюцинации и доверие к вымыслу

Наиболее серьезным ограничением современных LLM в пентесте остается высокая склонность к галлюцинациям — генерации убедительного, но технически неверного контента. Модель может описывать сценарии атаки с высокой степенью детализации, опираясь на вымышленные данные или некорректные предположения о работе сетевого оборудования.

Примеры ошибок включают описание нереализуемых трафиков (например, прямой доступ к пакетам через Burp Repeater со стороны браузера) или игнорирование контекста прав пользователя. Когда модель утверждает, что уязвимость ведет к компрометации администратора, но сам атакующий уже имеет полные права доступа, её предупреждение теряет практическую ценность. Исследования показывают, что модели часто наиболее уверенны именно в тех ситуациях, где их уверенность наименее оправдана.

Кроме того, выявлено, что модели склонны игнорировать нестандартные или устаревшие протоколы, пропуская уязвимости в легаси-системах, которые не соответствуют обученным паттернам. Этот пробел в понимании специфического контекста делает ИИ отличным помощником для стандартизированных задач, но менее эффективным для расследования сложных, нетривиальных инцидентов.

Заключение: человеческий фильтр

Инструменты на базе ИИ, такие как Claude Code, стали мощными катализаторами в арсенале исследователей безопасности. Они берут на себя рутину разведки, парсинг кода и генерацию черновиков эксплойтов, позволяя специалистам фокусироваться на стратегии и сложных решениях. Однако, как показали реальные кейсы и крах некоторых программ bug bounty, ИИ не может полностью заменить критическое мышление живого эксперта.

Разрыв между «машинным знанием» и «человеческим контекстом» остается ключевым фактором. Владелец экспертизы, умеющий грамотно формулировать задачи ИИ и верифицировать его выводы, оказывается в наиболее выгодном положении. Пока автоматизация не способна адекватно оценивать последствия действий в уникальных ситуациях, ответственность за финальное решение всегда будет оставаться на человеке.