Текущая ситуация в сфере кибербезопасности финансового сектора по-прежнему характеризуется высокой интенсивностью атак, постоянным изменением векторов угроз и повышенным уровнем рисков для бизнеса. Медианное время с момента появления информации о выявленной критической уязвимости до момента ее подтвержденной эксплуатации составляет несколько часов, то есть появление эксплойта происходит значительно быстрее, чем устранение уязвимости в инфраструктуре организации. В среднем в день публикуется более сотни критичных CVE. Банки вынуждены стремительно адаптироваться к современной агрессивной киберсреде.

Одним из главных факторов этих изменений стала доступность технологий искусственного интеллекта. ИИ позволяет злоумышленникам существенно снизить порог необходимых компетенций и одновременно ускорить автоматизацию своих действий — от подготовки мошеннических и фишинговых кампаний до разработки вредоносного программного обеспечения с использованием подходов Vibe Coding. При этом сохранить статус-кво на стороне защитников за счет найма квалифицированных специалистов, внедрения эффективных средств защиты информации (СЗИ), выстраивания результативных процессов кибербезопасности и проведения качественных изменений, очевидно, будет стоить намного дороже, сложнее и медленнее.

Сегодня наиболее актуальными угрозами мы видим целевой фишинг и социальную инженерию, направленные на получение несанкционированного доступа к внутренней инфраструктуре банка, сетевые атаки на сервисы, попытки распространения вредоносного программного обеспечения, а также атаки на партнеров и цепочки поставок программного обеспечения. За период с января по май 2026 года SOC (Security Operations Center) Альфа-Банка зарегистрировал и обработал 8728 инцидентов кибербезопасности.

Критическим фактором успешного противодействия злоумышленникам сегодня становится скорость обнаружения и эффективного реагирования на угрозы кибербезопасности. Если еще несколько лет назад время на обнаружение и локализацию атаки измерялось часами, то сегодня — уже минутами.

Текущая проблема обороняющихся в том, что среднее время реагирования SOC улучшается значительно медленнее, чем растет собираемый и анализируемый объем данных. Если пять лет назад поток событий в SIEM (Security Information and Event Management) банка составлял порядка 75 тыс. EPS (Events Per Second), то сегодня он приближается к миллиону. При этом количество аналитиков не увеличивается пропорционально объему данных. Возможности человека по обработке информации, скорости принятия решений и анализу событий остаются ограниченными.

Но проблема заключается не только в объеме данных. Значительная часть времени аналитика SOC уходит не на расследование инцидента, а на сбор контекста. Получив алерт, специалист начинает выяснять детали: кому принадлежит актив, насколько он критичен, кто отвечает за функциональное сопровождение и развитие системы/сервиса, имеются ли индикаторы компрометации (IOC, Indicators of Compromise), происходили ли аналогичные события ранее и каков потенциальный ущерб для бизнеса. Фактическое расследование инцидента зачастую занимает меньше времени, чем поиск необходимой дополнительной информации.

Для устранения диспаритета в вечном противостоянии с атакующими команда кибербезопасности Альфа-Банка делает ставку на ИИ как инструмент, способный увеличить скорость выявления и реагирования на инциденты, интеллектуального киберпомощника аналитика SOC. Его задача — автоматически собрать необходимый контекст, построить таймлайн инцидента на основании логов и подготовить краткое описание происходящего. Это позволяет сфокусировать внимание аналитика на наиболее важных аспектах расследования и предложить возможные сценарии реагирования. В нашем представлении следующим этапом развития SOC станет переход от обработки отдельных событий к управлению киберрисками на основе контекста.

Аналитик должен видеть не отдельный алерт, а практически готовую картину происходящей атаки, обогащенную расширенным контекстом, необходимым и достаточным для быстрого и эффективного реагирования. При этом приоритет инцидента должен определяться не Severity (уровень критичности) на основе частных политик, правил или скоринга, а вероятностью реализации угрозы, возможностью эксплуатации критичных уязвимостей, критичностью актива, потенциальным бизнес-ущербом и общим контекстом атаки.

В этих условиях особое значение приобретает автоматизация типовых действий. Если инцидент относится к заранее определенному сценарию, система должна быть способна автоматически отключить учетную запись, изолировать хост, заблокировать IOC, открыть тикет и уведомить владельца системы. Участие аналитика требуется там, где действительно необходимо экспертное решение. Такой подход мы последовательно реализуем в Альфа-Банке. Для противодействия наиболее актуальным угрозам выстроена глубоко эшелонированная система защиты, благодаря которой эффективно выявляется и блокируется до 98% вредоносных вложений. Сейчас мы разрабатываем прототип решения на базе технологий искусственного интеллекта, который позволит автоматизировать выполнение типовых сценариев реагирования на угрозы (playbook).

Также мы планируем реализовать AI-агентов и автоматизацию процессов, связанных с авторасследованием журналов аудита и событий безопасности, чтобы ускорить формирование контекста по инциденту и повысить эффективность работы аналитиков. Для более точного и полного формирования такого контекста, а также для эффективного использования AI в качестве базы знаний будет применяться RAG (Retrieval-Augmented Generation — подход, при котором ИИ использует внутреннюю базу знаний для подготовки ответа). Он будет аккумулировать накопленный опыт расследования инцидентов кибербезопасности и позволит повторно использовать эти знания при анализе новых атак.

Еще одна рисковая сторона использования ИИ заключается в том, что, как и любая революционная технология, он создает новые угрозы и вызовы. Это требует внесения коррективов в существующие модели угроз, изменения и выстраивания новых процессов, внедрения новых средств защиты, изменения подходов к реагированию на инциденты и митигации присущих им рисков.

По мере инфраструктурного и функционального развития контура разработки и эксплуатации ИИ-сервисов (LLM и ML) в банке значительно расширяется перечень потенциальных угроз и увеличивается поверхность атаки по сравнению с классическим контуром разработки информационных систем и сервисов (DevOps). Он включает не только сами модели, но и обучающие данные, внутренние базы знаний, сценарии обработки запросов и процессы вывода моделей в промышленную эксплуатацию. Потенциально воздействие атакующих может быть направлено не только на само приложение, но и на модель, данные, конфигурации ИИ ассистентов/агентов и ИИ-инфраструктуру.

В настоящее время в периметре Альфа-Банка используется около 500 классических предиктивных ML-моделей, более 30 LLM-моделей («фундаментальные модели» в терминах 243-ФЗ) в промышленной эксплуатации, а также девять ИИ-платформ. Такой масштаб требует принципиально иных подходов к управлению безопасностью искусственного интеллекта.

Мы инвентаризируем системы предиктивного и генеративного искусственного интеллекта, включая модели, ассистентов, агентов, векторные базы данных и MCP — полностью, агентные платформы подключаем по мере готовности. В основе оценки рисков лежит собственная модель угроз ИИ, которую мы переработали на основе лучших международных и отечественных практик и представили в машиночитаемом формате, что позволяет постепенно переводить проверки в автоматический режим.

Также мы контролируем, чтобы модель не становилась способом обхода действующих механизмов аутентификации и авторизации и не предоставляла доступ к информации, которую пользователь не должен видеть, в том числе по протоколу MCP.

Безопасность ИИ не заканчивается на этапе разработки, мы проводим собственное тестирование Red Team (имитация действий реальных злоумышленников) ИИ-решений, контролируем происхождение моделей и данных, а также обеспечиваем постоянный мониторинг промышленной эксплуатации ИИ-систем.

По мере того как ИИ становится объектом защиты, он одновременно превращается и в один из ключевых инструментов обеспечения кибербезопасности. Следующий этап этой эволюции — AI-агенты.

Если обычная LLM отвечает на вопрос пользователя, то AI-агент способен самостоятельно определить последовательность действий, обратиться к различным системам, сервисам и базам, собрать необходимые данные, проанализировать результаты, скорректировать план расследования и выполнить поставленную задачу. Уже сегодня можно выделить несколько классов AI-агентов, каждый из которых решает собственную задачу.

Ключевыми направлениями останутся: дальнейшее интенсивное использование ИИ как атакующими, так и защитниками, имплементация ИИ в бизнес-сервисы, всепроникающая агентизация, включая внедрение AI-агентов в различные процессы обеспечения кибербезопасности, развитие средств защиты с использованием ИИ и процессов, обеспечивающих безопасность разработки моделей ИИ (AIsecOps).

Возрастет спрос на инструменты контроля (в том числе от утечек КИ) и цензурирования работы моделей. Продолжится переход к беспарольной аутентификации (Passwordless), усилится контроль привилегированных пользователей (PAM) и критичных инфраструктурных сервисов, действий внешних пользователей в инфраструктуре организаций и взаимодействий с третьими лицами, контроль цепочек поставок ПО.

При этом одним из ключевых принципов результативной кибербезопасности станет Security by Design — применение требований, политик и настроек кибербезопасности (харденинг) на всех этапах проектирования, разработки, тестирования и промышленной эксплуатации цифровых продуктов.

Также сохранится фокус на импортозамещении и выполнении требований регуляторов, но санкции, как это парадоксально ни прозвучит, окажутся скорее благом для всех отраслей, при условии адекватной функциональности и качества отечественных СЗИ, чем проблемой.

Мы ожидаем архитектурную трансформацию систем защиты: продолжится развитие Zero Trust Architecture и постепенный переход от моделей управления доступом от RBAC (Role-Based Access Control) к ABAC (Attribute-Based Access Control). Вполне вероятно развитие услуг «ИИ-инфраструктура как сервис» под ключ для бизнеса, с оркестрируемой агентной архитектурой, самоадаптируемой под бизнес-задачи заказчика (разработка кода, маркетинг, продажи и т. п.), что принципиально изменит подходы к обеспечению кибербезопасности таких сред.

Отдельным перспективным направлением развития средств кибербезопасности считаем появление и промышленное использование мультиагентных атакующих систем, которые смогут не только автоматизированно осуществлять сканирование, первичный триаж и эксплуатацию выявленных уязвимостей с предоставлением защитникам подтверждающих артефактов компрометации, но и автономно развивать возможные векторы атак внутри организаций с целью реализации заранее предопределенных недопустимых событий в управляемом режиме, накапливая знания и дообучаясь в процессе.