Стратегия выживания в эпоху ИИ: как специалистам по кибербезопасности управлять агентами
Инфляция мнений вокруг искусственного интеллекта часто заглушает практические шаги для профессионалов. Алексей Лукацкий, руководитель Positive Technologies, предлагает отложить философские споры о замене человека алгоритмами и сосредоточиться на конкретных инструментах: качественном промпт-инжиниринге, симуляторах переговоров с бизнесом и локальных RAG-системах. Главный тезис прост: ИИ должен становиться расширенным когнитивным аппаратом, а не конкурентом.
# Не конкурируй с ИИ — управляй им. Как специалисту по ИБ остаться востребованным
Индустрия кибербезопасности переживает период резких изменений. Появление новых угроз, ужесточение регуляторных требований и приход искусственного интеллекта заставляют специалистов пересматривать свои компетенции. Вопрос не в том, заменит ли ИИ человека, а в том, как использовать его возможности для повышения эффективности. Практический опыт 35-летнего карьерного пути подсказывает: побеждает не тот, кто боится технологий, а тот, кто умеет с ними работать.
Базовые правила работы с ИИ: промпты и критика
Использование нейросетей часто заканчивается разочарованием уже на первом этапе. Стандартный запрос вроде «напиши политику безопасности» не приводит к результату. Проблема кроется не в модели, будь то GigaChat, Claude или локальные решения, а в отсутствии контекста, ограничений и критериев оценки качества. Чтобы превратить чат-бот в полезный инструмент, необходимо соблюдать семь элементов качественного промта: роль, контекст, ограничения, структура, аудиторию, требования и критерии качества.
Этот подход применим не только к нормативной документации. Он необходим при разработке навыков, создании агентов и настройке кастомных решений. Например, роль может быть задана как «эксперт по нормативке», а аудитория — как топ-менеджмент или техническая команда, для которых требуются разные уровни детализации. Без такой детализации результат будет предсказуемо средним.
Внутренний критик и адаптация
Получение документа — это лишь половина работы. Нейросети склонны к комплиментарности, хваля результат, даже если он содержит ошибки. Для профессиональной среды этого недостаточно. Внедрение роли «внутреннего критика» необходимо на втором этапе. ИИ должен быть запрограммирован на поиск противоречий, отсутствие артефактов (доказательств выполнения требований) и несоответствие внутренним политикам.
Эффективная стратегия включает генерацию документа с учетом контекста, а затем его жесткую проверку. Если результат не выдерживает проверки на предмет юридических рисков или технической реализуемости, его нельзя принимать. Хороший «критик» не только находит ошибки, но и предлагает пути их исправления, адаптируя документ под конкретные аудитории: краткое саммари для руководства и детальную инструкцию для исполнителей.
Тренажер для общения с бизнесом
Одной из ключевых проблем специалистов по информационной безопасности является сложный язык общения с руководством. Эксперты говорят о векторах атак и уязвимостях, в то время как топ-менеджмент оперирует рисками, процессами и финансами. Разрыв в коммуникации часто приводит к недопониманию и отказу в финансировании необходимых мер защиты.
Решением может стать создание симулятора переговоров. Используя те же принципы промпт-инжиниринга, специалист может попросить ИИ сыграть роль скептически настроенного генерального директора или аудитора. ИИ должен ставить неудобные вопросы: «Сколько стоит простой бизнес-процесса в случае атаки?», «Почему меры защиты не сработали ранее?». Два-три раунда такой тренировки позволяют найти слабые места в аргументации до реального совещания и подготовить убедительные ответы на языке бизнеса.
Для ускорения процесса можно создать кастомного GPT. Загрузив в него описание компании, портреты лидеров мнений и историю успешных переговоров, можно получить персонального советника. Такой подход позволяет накапливать экспертизу внутри команды и автоматизировать подготовку к сложным диалогам. Важно отметить, что функционал кастомных GPT активно развивается в экосистемах OpenAI, а для других платформ решения могут требовать создания собственных легковесных RAG-систем.
Комплаенс-помощник и локальная автоматизация
Работа с нормативными актами и регуляторными требованиями занимает значительную часть времени специалиста. Ежегодно вводятся новые стандарты ФСТЭК, Минцифры и других ведомств. Ручная обработка таких объемов документов становится невыносимой задачей.
ИИ может стать комплаенс-аналитиком, работающим круглосуточно и бесплатно (за вычетом стоимости токенов). Основа такого решения — технология RAG (Retrieval-Augmented Generation), позволяющая модели искать ответы в загруженной базе знаний, содержащей тексты приказов, реестры требований и методички.
Для построения комплаенс-помощника требуются минимум пять компонентов: сам нормативный документ, реестр требований, методические рекомендации, юридические интерпретации и маппинг взаимосвязей. Например, для анализа нового приказа можно загрузить соответствующие файлы в кастомный GPT. Это позволяет моментально получать ответы на вопросы о конкретных требованиях, необходимых артефактах для аудита и ролях ответственных лиц.
Безопасность данных
Ограничением облачных решений является запрет на загрузку документов с грифом секретности. Однако задача не требует отказа от автоматизации. Решение заключается в использовании локальных моделей на собственном сервере или ноутбуке через open-source платформы. Такой подход обеспечивает полную изоляцию данных и соответствует требованиям информационной безопасности, хотя и может требовать больше времени на обработку данных по сравнению с облачными сервисами.
В конечном итоге, вопрос выбора модели должен формулироваться так: «Какая модель лучше подходит для моих конкретных задач, данных и инфраструктуры?». Правильный выбор инструментов и грамотная настройка диалога позволяют превратить ИИ из источника шума в надежного союзника в защите бизнеса.