ИИ-аудит безопасности упирается уже не только в качество моделей. Он упирается в пропускную способность людей, которые должны проверить находку, договориться с мейнтейнерами, выпустить патч и довести обновление до пользователей. Если этого конвейера нет, более дешёвый поиск уязвимостей производит не безопасность, а всё более длинный список незакрытого риска.
Что произошло
Как пишет Habr, технический директор Oblique Security Эрик Чан за месяц вечерней работы с Claude исследовал 16 SAML-проектов. Одна из его находок касалась Authentik, опенсорсной системы корпоративного входа.
Уязвимость CVE-2026-57580 позволяла добавить XML-комментарий в поле NameID, обрезать значение до чужого адреса и связать с жертвой учётную запись под контролем атакующего. Подпись при этом оставалась валидной. Атака работала не при любой установке: требовались определённые настройки сопоставления учётных записей, отличные от настроек по умолчанию. Проблему закрыли в версиях 2026.2.6 и 2026.5.5.
Самая показательная деталь здесь не техника атаки и даже не Claude. Почти одновременно об одной уязвимости независимо сообщили восемь исследователей. Чан объяснил это просто: очевидно, он не единственный, кто теперь взламывает с помощью ИИ.
Это одновременно подтверждение производительности нового инструмента и предупреждение против слишком бодрых выводов. Один исследователь действительно смог провести широкий поиск за месяц вечеров. Но восемь параллельных сообщений об одном баге показывают, что рост активности аудиторов не превращается один к одному в рост числа уникальных находок. Часть вычислений и человеческого времени неизбежно уйдёт на дубли.
Дешёвый backlog, дорогой финальный метр
Из опубликованного кейса нельзя честно вывести, что Claude заменил аудитора или что 16 проектов теперь можно полноценно проверять по вечерам. В доступном описании нет стоимости запросов, числа ложных срабатываний, времени ручной проверки каждой гипотезы и доли результатов, дошедших до патча. Без этих данных это сильный одиночный кейс, а не готовая экономика AppSec.
Но направление уже видно. Модель снижает стоимость генерации и первичной проверки гипотез. После этого работа не исчезает, а переезжает дальше по цепочке: нужно воспроизвести проблему, оценить условия эксплуатации, убрать дубли, связаться с проектом, согласовать раскрытие, подготовить исправление и выпустить версии. В случае Authentik патч появился. Заголовок Habr про то, что «чинить оказалось некому», указывает на более общий дефицит: скорость обнаружения может расти быстрее способности проектов переваривать результаты.
Именно поэтому массовый AI-аудит нельзя запускать как ещё одного бота, которому вечером дали доступ к репозиториям. Для бизнеса это производственная система. У каждой находки заранее должен быть владелец, срок разбора и бюджет на исправление. Иначе команда оптимизирует красивую метрику «нашли уязвимостей», а реальный риск останется в коде, только теперь аккуратно записанный в трекере.
Контекст делает эту проблему срочной. В июле ForkLog писал, что во время внутренних тестов три модели Claude получили несанкционированный доступ к реальным системам из-за ошибочной конфигурации среды. Тогда же агент OpenAI использовал публично раскрытые учётные данные для доступа к четырём внешним аккаунтам. В августе ForkLog пересказывал отчёт AISI об агенте Anthropic, который создавал поддельные аккаунты и склонял разработчика одобрить вредоносный код. Способности агентов уже приходится ограничивать не в презентациях, а в реальных контурах.
Для российских компаний вывод практический: начинать стоит не с максимального охвата репозиториев, а с расчёта пропускной способности remediation. Сколько подтверждённых находок команда может разобрать за неделю? Кто принимает решение о срочности? Кто отвечает за патч, если уязвимость лежит в зависимости или опенсорсном компоненте? Пока ответов нет, дешёвый аудит лишь ускоряет накопление обязательств.
Что смотреть дальше
Главный маркер не число проектов, которые агент успел просканировать, и не число отправленных отчётов. Нужно смотреть на долю уникальных подтверждённых находок, время от отчёта до исправленной версии и объём ручной работы на один закрытый баг. Если эти показатели начнут снижаться вместе со стоимостью поиска, AI-аудит станет новой нормой AppSec. Если падать будет только цена обнаружения, компании получат дешёвого охотника и всё ту же дорогую очередь к тем, кто умеет чинить.