IT

Кстати, по поводу чебурнета и как это будет выглядеть: у нас же есть буквально "машина времени", на которую можно смотреть и прогнозировать. Это Иран, конечно. Вот что пишут (машинный перевод, конечно, я ни слова буквы тут прочитать не могу):

Состояние джиттера и пинга после каждого блокирования VPN обычно становится очень хорошим и стабильным (как сегодня). Причины этого состояния: 1. Огромный трафик VPN временно покидает сеть, а затем, через несколько дней, провайдеры VPN возвращаются новыми способами и снова нарушают работу сети. 2. Пропускная способность международных каналов связи в Иране ограничена, и министерство не принимает никаких решений об увеличении пропускной способности в связи с текущей ситуацией с ценами на доллар.

Ну, то есть, куча народу заняты "очень производительным трудом": одни разрабатывают способы блокировок VPN. После чего сообщество разрабатывает способ обхода этих способов. И когда получается — все упирается в пропускную способность каналов передачи данных заграницу. Которые не модернизируются много лет. Это состояние в РФ через год-два-три, если динамика будет сохраняться.

AI в пентесте: кроме Claude и Codex — а что ещё? Ищу тех, кто уже собрал рабочий пайплайн Последние месяцы я плотно пытаюсь встроить ИИ в свой пентест-процесс. Не потому что все это делают, а чтобы реально разгрузить рутину: разведка, разбор выдачи сканеров, черновики отчётов и так далее. И чем дальше, тем чаще ловлю себя на одном и том же вопросе. Из «мозгов» у меня по сути два рабочих варианта — Claude и Codex. Оба неплохо справляются с рассуждением, планированием шагов и интерпретацией результатов. И Codex лично для меня работает поприятнее, так как Claude постоянно видит в моих действиях нарушения 😎. На этих двух инструментах мой список и заканчивается. И тут возникает вопрос, на который хочется услышать мнение тех, кто уже глубже в теме. Ведь ещё совсем недавно, месяца 3–4 назад, я даже выкладывал в паблик разбор ИИ-инструментов, которые потом даже встроили в Kali, — и вот уже как будто бы это неактуально.

Если модель грамотно настроена — с нормальным системным промптом, доступом к инструментам и внятным контекстом по скоупу — есть ли вообще смысл городить связки с отдельными «агентными» обёртками вроде HexStrike AI? Или при правильной настройке самой модели + MCP эти прослойки становятся лишним звеном?

Поясню, о чём речь. Сейчас экосистема вокруг «ИИ + оффенсив» выглядит примерно так: HexStrike AI — MCP-сервер, который прокидывает модели доступ к 150+ security-тулзам (nmap, sqlmap и прочее) и как будто бы всё «мышление» делегирует подключённой LLM. PentAGI — попытка сделать полностью автономного агента со своей архитектурой, а не просто обёртку над тулзами. Pentest Swarm AI — здесь уже не «несколько агентов подряд», а настоящий swarm: децентрализованные агенты с общей «доской» для обмена состоянием. CyberStrikeAI — аналог HexStrike, но на Go: единый бинарник, web-консоль, встроенный лёгкий C2, role-based агенты. PentestGPT — тот самый ранний проект, который в своё время показал, что LLM в принципе способна вести пентест. Инструментов различных очень много. Но у меня складывается ощущение, что половина из них решает проблему, которую хорошо настроенная модель с прямым доступом к инструментам закрывает и так — своими базовыми возможностями. Что я хотел бы узнать — и, возможно, в комментариях каждый найдёт для себя что-то полезное. — Не изобретаю ли я велосипед, пытаясь обойтись минимумом инструментов там, где люди уже собрали нормальные пайплайны? — Какие ещё инструменты вы используете помимо базовых Codex CLI и Claude CLI? Буду признателен за любой практический опыт, грабли и советы. Возможно, что-то изложил не совсем корректно, но я постарался максимально подробно рассказать про свою боль и спросить про ваш опыт с использованием ИИ.

Пентагон создает ИИ-агентов для автономного уничтожения цифровой инфраструктуры врагов Армия США разрабатывает программу развертывания автономных ИИ-агентов, способных перемещаться по цифровым инфраструктурам, выявляя и уничтожая цели. Согласно отчету The Intercept, основанному на утечке официальных документов Киберкомандования армии США, программа под кодовым названием ECHOTRIBBLE в первую очередь нацелена на проведение наступательных операций по нейтрализации целей путем «полного или временного выведения угрозы из строя» либо «устранения угрозы с объекта». https://hightech.plus/2026/10/21/pentagon-sozdaet-ii-agentov-dlya-avtonomnogo-unichtozheniya-cifrovoi-infrastrukturi-vragov

Блиц. Часть 1. Доступ разрешить? Моя любимая часть любого подкаста - это блиц. Если вы хотите понять гостя, проанализировать его как личность и начать с самого веселого, то предлагаю любой подкаст, в котором есть блиц, смотреть с конца :) Потому что именно в блице люди перестают отвечать как эксперты и начинают отвечать просто как люди. И тут порой выясняются удивительные вещи. Например, что можно 35 лет заниматься кибербезопасностью и считать свою работу главным хобби. А лучшим способом перезагрузки после цифрового мира оказывается вполне аналоговый отдых: дача, природа и костёр. И знаете, мне кажется, именно в таких разговорах человек раскрывается совсем с другой стороны. Полная версия подкаста «Доступ Разрешить?» с Алексеем Лукацким https://t.me/alukatsky Смотрим тут: ВК видео Ютуб видео Рутуб видео Звук подкаст Яндекс Музыка https://t.me/kruasanova_as Не все уже пишет сама, но помогает сохранять ваши данные. #ДоступРазрешить #Кибербезопасность #безопасныйгород #москва

Ну что, на каждом углу рассказывают о внедрении автономных ИИ-агентов, а исследование «Инфосистемы Джет» и Smart Ranking в это время показывает другие результаты. Смотрите на эту лестницу разочарования: • пилотируют или используют LLM — 86% компаний • пилотируют полуавтономных агентов — 59% (в проде — 15%) • автономных агентов в пилоте — 25% (в проде — 8%) • мультиагентные системы — 23% (в проде — 8%) Почему так? Да потому что агентам нужны данные, интеграции, контроль, доверие, владелец процесса и доказанный эффект. В исследовании выделили несколько проблем: 44% компаний жалуются на незрелость процессов и данных, 58% — на стоимость GPU, 56% — на юридические риски, а 46% вообще не видят экономического эффекта. Отдельный привет тем, кто думает, что «просто подключим модель и всё заработает». Без данных ИИ автоматизирует не более 5% процессов. Так что никакой магии, только скучная инфраструктура.

Все вокруг теперь программисты Короче, у Gergely Orosz в The Pragmatic Engineer вышла интересная статья про новый тренд: крупные компании начали создавать собственные аналоги Lovable для сотрудников. И нет, не для разработчиков! А для менеджеров, маркетологов, финансистов и прочих ребят, которые хотят сделать себе какой-нибудь инструмент, но писать код не умеют. Вот вам два примера. 1. Ramp и их Glass Ребята собрали собственную платформу для вайб-кодинга внутренних приложений. Причём первую версию сделали всего два инженера за несколько недель. Теперь любой сотрудник может описать, что ему нужно, подключить корпоративные источники данных и получить работающее приложение. Например, маркетолог собрал себе CRM с более чем 50 полями и фильтрами. И знаете, что самое интересное? В Ramp создание первого инструмента через Glass уже стало частью онбординга новых сотрудников! А 13 октября компания вообще вывела Glass на внешний рынок. 2. Stripe и их Harbor Здесь ещё интереснее. Один инженер за 40 дней создал внутренний инструмент для генерации интерактивных прототипов. И вот результаты с мая 2026 года: • Более 12 000 созданных прототипов. • Более 3 000 сотрудников воспользовались инструментом. • 25% сотрудников Stripe создали хотя бы один прототип. Причём используют его не только дизайнеры. Финансисты собирают интерактивные отчёты вместо презентаций, продавцы калькуляторы ROI, аналитики - дашборды. А самое интересное технически: Harbor интегрирован с другими AI-инструментами Stripe через MCP. То есть прототип можно передать coding-агенту для дальнейшей реализации. Оооокей! А зачем делать свой Lovable, когда уже есть готовые? Orosz выделяет несколько причин: 1. Данные. Корпоративную информацию не хочется отправлять в сторонние сервисы. Своя платформа позволяет контролировать доступ к ней. 2. Интеграции. Можно сразу подключить внутренние API, базы данных и другие системы компании. 3. Стандарты. Генерируемые приложения используют корпоративную дизайн-систему, а не выглядят как результат очередного хакатона. 4. Стоимость внедрения. Иногда собрать собственный инструмент оказывается сопоставимо по усилиям с выбором вендора, согласованием безопасности и последующим внедрением. 5. Компетенции. Инженеры заодно учатся строить собственную AI-инфраструктуру. А теперь моя любимая часть! Кажется, мы наблюдаем довольно интересную трансформацию роли инженерных платформ. Раньше у нас был внутренний заказчик, который приходил к разработчикам и говорил: - Ребята, сделайте мне дашборд, форму или какой-нибудь маленький инструмент! Разработчики брали это в бэклог, приоритизировали, обсуждали, оценивали… А через полгода сообщали, что в этом квартале ресурсов нет. 😁 Теперь этот же сотрудник может собрать себе нужный инструмент самостоятельно. И вот тут возникает интересный вопрос. Если создавать приложения сможет каждый, кто будет отвечать за весь этот зоопарк? Кто управляет доступами? Кто контролирует стоимость исполнения? Что делать, когда автор приложения увольняется? И кто гарантирует, что какой-нибудь вайб-кодер не откроет доступ ко всей корпоративной базе? Кажется, ответ опять - платформенные команды. Только теперь их задача не просто делать удобные инструменты для инженеров, а создавать безопасную среду, в которой приложения могут создавать вообще все сотрудники. И, на мой взгляд, это куда более интересная история, чем очередное ускорение написания кода на 30%. Потому что мы меняем не скорость разработки. Мы меняем то, кому вообще нужна команда разработчиков для создания программного обеспечения.