Запускаю enum4linux — и смотрю, как скрипт ползает по портам. Три часа ночи, тишина, один ноутбук на двоих с напарником. Напарник уже спит, я втыкаю в терминал и понимаю: полчаса назад мы могли бы уже лечь. Но вместо этого я жду, пока эта штука просканирует ещё двадцать SMB-шар. На следующий день я узнал, что есть ИИ-ассистенты, которые делают то же самое за минуту. После этого пересмотрел свой воркфлоу.
Не потому что ИИ заменил мои руки. А потому что он забрал рутину, на которой я терял время и внимание.
Сейчас разберу, что реально работает, что пока сыровато, а где я обжёгся на хайпе.
Где ИИ реально помогает: разведка и разведданные
Скаутинг — самая нудная часть любого пентеста. Nmap, enum4linux, theHarvester, Shodan-запросы — всё это нужно, но всё это отнимает время, которое лучше потратить на анализ найденного.
LLM-ассистенты вроде GPT-4 или специализированные тулы сейчас умеют две полезные вещи. Во-первых, агрегируют данные из разных источников. Кидаешь им собранные логи — они вытаскивают паттерны, which-сервисы, потенциальные версии софта. Во-вторых, генерят запросы. «Сгенерируй Shodan-запрос для типичной инфраструктуры на Cisco IOS версии 15» — и получаешь рабочий запрос за секунды, а не роешь документацию.
Я использую это так: после пассивного сканирования загружаю результаты в контекст LLM и прошу выделить интересное. Он не заменит меня в анализе, но экономит 20–30 минут ручной фильтрации.
Есть и ложка дёгтя: LLMs галлюцинируют. Проверяй каждую рекомендацию по докам или по факту. Помню, как он мне три раза предложил эксплойт для уязвимости, которой не было в этой версии софта. Обидно, но не фатально.
Сканирование уязвимостей: AI + традиционные тулы
Классические сканеры — Nessus, OpenVAS, Nuclei — никуда не делись. Они хороши в структурированном поиске известных CVE. ИИ добавляет слой анализа: не просто находит «уязвимость X», а приоритизирует, что с ней делать, и предлагает вектор атаки.
На практике я работаю так. Запускаю Nuclei с парой десятков шаблонов, а параллельно — GPT-4 с промптом вроде «вот топ-10 найденных уязвимостей, предложи порядок проверки и векторы эксплуатации». Результат — не полноценный анализ, но карта приоритетов, по которой можно пройтись осмысленно.
Отдельная история — Code Review с ИИ. Если у меня есть исходный код (а в пентестах веб-приложений он бывает), GPT-4 или CodeQL находит базовые инъекции, проблемы аутентификации и утечки данных быстрее, чем я глазами. Не идеально, но как первый проход — норм.
AI-ассистенты в написании эксплойтов
Вот тут я хлебнул хайпа на полную. Месяц назад наткнулся на тулы, которые обещали «генерацию кастомных эксплойтов на основе описания уязвимости». Попробовал.
Результат — неровный. Для простых уязвимостей вроде XSS или несложных IDOR нейросеть выдаёт рабочий PoC за минуту. Для сложных — красивый, уверенный, но нерабочий код. И вот это проблема. Когда она говорит «этот payload должен сработать», а потом не работает — ты теряешь время на отладку чужого (искусственного) косяка.
Рабочая модель: использую сгенерированный код как отправную точку. Не копирую, а адаптирую. Если уязвимость известна — почти наверняка есть готовый эксплойт на Exploit-DB или GitHub. ИИ полезен, когда готового ничего нет, и то — в основном для чернового каркаса.
Социальная инженерия: фишинг с ИИ
Это, пожалуй, самая чувствительная тема в разрезе «ИИ в пентестинге».
LLMs генерируют фишинговые письма, которые выглядят значительно лучше, чем типичный «Dear Customer». Они пишут на правильном языке, учитывают контекст компании, имитируют тон деловой переписки. Я тестировал это на одном из проектов: письмо, сгенерированное GPT-4 с контекстом «бухгалтерия крупной строительной компании», вызвало больше откликов, чем написанное вручную.
Но вот в чём засада. Если ИИ пишет убедительно для тебя — значит он может писать убедительно и для реальных атакующих. Это не аргумент против использования в пентестинге. Это аргумент за то, чтобы осознавать: то, что ты используешь для теста, уже доступно всем.
Отдельная тема — deepfake-аудио и видео для vishing-тестов. Я не использовал в продакшене, но в лабе смотрел, как это работает с голосовыми клонами. Жутковато. Технически возможно, этически — каждый решает сам в рамках скоупа.
Отчёты: где ИИ экономит больше всего времени
Самая нелюбимая часть пентеста — отчётность. Каждый эксплойт нужно задокументировать: шаги воспроизведения, пруф, скриншоты, severity, рекомендации. На это уходит 30–40% времени всего проекта.
LLM-ассистенты решают это хорошо. Берёшь логи, скриншоты, заметки — кидаешь в контекст с промптом вроде «сгенерируй секцию отчёта для критической уязвимости X, формат: описание, шаги, impact, рекомендации». Результат — черновик, который надо вычитать, но база уже есть.
Я трачу сейчас на отчёты в полтора-два раза меньше времени, чем год назад. Не потому что стал умнее — а потому что ИИ делает первичную проработку.
Критично: никогда не отдавай клиенту сгенерированный текст без проверки. Модель может приукрасить severity или пропустить важный нюанс. Ответственность за выводы — твоя, не нейросети.
Что пока не работает: честный взгляд
Автоматическая эксплуатация уязвимостей звучит красиво, но на практике LLMs не тянут сложные multi-step атаки. Они хороши как помощник, но не как автономный атакующий инструмент.
Полный аудит Active Directory — модели не знают специфику твоей инфраструктуры, и никакие промпты не спасают. Это по-прежнему ручная работа с правильными тулами.
Ну и банальное: замена человеческого мышления. ИИ находит паттерны, генерирует текст, ускоряет рутину. Но придумать вектор атаки, который не описан ни в одной базе, понять бизнес-логику, найти цепочку уязвимостей — это пока человеческое.
Как я сейчас работаю
ИИ вошёл в мой воркфлоу не как замена, а как ускоритель. Конкретно:
разведка — LLM для агрегации и приоритизации данных сканирование — Nuclei плюс AI для анализа результатов эксплойты — готовые наработки плюс AI как черновик социальная инженерия — ИИ-генерированные письма, но с головой отчёты — первичная проработка через LLM, вычитка моя
Если ты ещё не пробовал — начни с отчётов или разведки. Это быстрые победы. С эксплойтами и автономной атакой подожди, пока модели станут надёжнее.
Главное — не принимать сгенерированный результат за истину. Проверяй, адаптируй, думай своей головой. ИИ хорош как умный ассистент, а не как independent contractor.
