Российские компании переходят к системной безопасности ИИ-агентов вместо точечных проверок

Безопасность ИИ-агентов уже нельзя решать в режиме ручного разбора каждого нового инструмента: LLM и coding-агенты получили доступ к коду, shell, git, сети и секретам, поэтому их надо рассматривать как обычные сервисы с очень широкими правами. Когда такие системы встраиваются в разработку, тестирование и эксплуатацию, вопрос стоит не в том, можно ли им доверять, а в том, какие ограничения, политики и наблюдаемость компания заложила вокруг них. За последние два-три года российские компании перестали воспринимать генеративный ИИ как любопытный эксперимент и начали встраивать его в повседневные процессы.

Речь уже не только о чатах поддержки или черновиках текстов: модели помогают разработчикам, участвуют в code review, генерируют инфраструктурный код, работают с конфигурацией и все чаще становятся частью реальных продуктов. На это же указывают и международные рекомендации: NIST предлагает смотреть на генеративный ИИ как на элемент критичной инфраструктуры, а ENISA отдельно разбирает его роль в DevSecOps и инженерной автоматизации. Логика простая: как только модель получает доступ к данным, инструментам и возможности что-то выполнять, она перестает быть просто интерфейсом и становится рабочим узлом системы.

Вместе с этим меняется и профиль угроз. К классическим проблемам вроде ошибок авторизации и инъекций добавляются риски, которые описывает OWASP Top 10 for LLM Applications: prompt injection, небезопасная обработка ответа модели, утечки секретов через контекст, слишком широкие полномочия агентов и небезопасный дизайн плагинов или tools. Исследование нескольких ИИ-агентов показало повторяющуюся картину: почти у всех есть доступ к shell через локальные команды, Docker или SSH, многие умеют напрямую работать с git, создавать ветки и коммиты, а в конфигурации нередко встречаются опасные режимы в духе bypassPermissions.

В такой связке достаточно одной удачной инъекции или одного небезопасно обработанного ответа модели, чтобы агент выполнил произвольную команду, вытащил токены и ключи, незаметно изменил код или начал ходить по внутренним сервисам и CI/CD-цепочке. Проблема в том, что ручная проверка каждого нового агента плохо масштабируется. Даже если разработчик инструмента уже добавил песочницу по умолчанию, модуль для работы с секретами, редактирование чувствительных данных в логах и документацию по безопасному запуску, службе безопасности все равно приходится почти с нуля разбирать, насколько этим настройкам можно доверять.

Поэтому автор предлагает убрать из обсуждения само слово ИИ и смотреть на агента как на black box-сервис с широкими правами. Если такой сервис умеет читать и менять файлы, запускать команды, вызывать внешние API и пушить код, то проверять его нужно через привычные домены: кто именно инициирует действия, какие права получает агент, где он запускается, к каким директориям, сетям и инструментам имеет доступ, что логируется и как быстро команда увидит аномалию. Из этого вытекает вполне практичный профиль защиты.

Во-первых, нужны четкие правила авторизации и минимальных привилегий: какой репозиторий видит агент, может ли он писать или только читать, разрешено ли ему запускать тесты, миграции или shell-команды. Во-вторых, важна изоляция: контейнер, отдельный runner или выделенное окружение с жестко ограниченными mounts, без лишнего доступа к docker.sock, Kubernetes API и продовым секретам.

В-третьих, нужен сетевой контроль с белыми списками доменов и понятной политикой внешних запросов. И, наконец, обязательны статический анализ кода и конфигов, лабораторные динамические тесты с honeypot-файлами и фейковыми секретами, а также аудит и алерты на нетипичное поведение агента. Такой подход не запрещает внедрение ИИ, а превращает его из модного и плохо предсказуемого инструмента в управляемый компонент инженерной инфраструктуры.

Что это значит на практике: безопасность не должна тормозить внедрение coding-агентов, но и доверять им по умолчанию нельзя. Если вместе с командами разработки заранее собрать единый профиль требований, проверить типовые риски в изолированной среде и зафиксировать политики доступа, то появление нового ИИ-инструмента перестанет каждый раз превращаться в срочную и дорогую экспертизу. Для бизнеса это означает более быстрое внедрение полезной автоматизации без лишнего риска для кода, секретов и внутренней инфраструктуры.