Восемь месяцев. Четыре крупных инцидента. Одна закономерность: цепочка поставок программного обеспечения получила не нового противника, а новое оружие. В период с сентября 2025 года по май 2026 года самораспространяющийся червь, государственный субъект, кампания по подражанию и захваченная модель ИИ — каждый из них проник в систему. pipelineЭто те самые технологии, которым ежедневно доверяют миллионы разработчиков. Таковы новые формы угроз кибербезопасности: они быстрее, их сложнее обнаружить, и все чаще они используют тот же искусственный интеллект, что и команды разработчиков для выпуска кода.
Если ваше представление об угрозах кибербезопасности по-прежнему ограничивается фишинговыми письмами и необновленными серверами, приведенные ниже данные помогут его обновить.
Новая форма угроз кибербезопасности
В течение многих лет киберугрозы означали кражу учетных данных, неправильную настройку серверов и социальную инженерию. Эти риски не исчезли: 81% подтвержденных случаев утечки данных в 2022 году были связаны с компрометацией учетных данных. Но в центре внимания оказалась новая категория: угрозы со стороны ИИ. Команды разработчиков теперь полагаются на помощников по программированию на основе ИИ, агентов-помощников и Протокол контекста модели (MCP) Серверы позволяют быстрее создавать программное обеспечение, и каждый из них теперь также является целью. Исследования показывают, что около 40% кода, сгенерированного ИИ, содержит уязвимости безопасности, а это значит, что обещанная ИИ скорость сопровождается пропорциональным ростом рисков безопасности ИИ, заложенных непосредственно в кодовую базу.
Восемь месяцев, четыре инцидента: как обострились угрозы со стороны ИИ.
Самое убедительное доказательство того, что угрозы со стороны ИИ усиливаются, — это не прогноз, а... хронология уже произошедших событий:
- Сентябрь 2025 г., Шай-Хулуд: первый самораспространяющийся npm-червь, превращающий самих разработчиков в механизм доставки.
- Март 2026 г., axios: Вредоносное ПО государственного назначения, скрытое внутри пакета, загружаемого примерно 100 миллионов раз в неделю.
- Апрель 2026 г., SAP npm: уменьшенное по масштабу повторение того же узора в виде червя, демонстрирующее масштаб техники.
- Май 2026 г., Клод Опус → PromptMink: большая языковая модель, используемая для внедрения вредоносного ПО в автономный агент, при этом сам ИИ выступает в качестве вектора атаки.
Каждый инцидент повторял и масштабировал предыдущий. В этом заключается определяющая особенность угроз со стороны ИИ в 2026 году: они накапливаются быстрее, чем когда-либо накапливались традиционные угрозы кибербезопасности, потому что та же автоматизация, которая помогает разработчикам выпускать продукты, также помогает злоумышленникам распространяться.
Почему традиционные инструменты не могут выявить эти риски, связанные с ИИ
Традиционные инструменты обеспечения безопасности приложений останавливаются на репозитории и не знают, что такое модель. Традиционные инструменты для защиты конечных точек отслеживают операционную систему и не понимают, что такое пакеты, серверы MCP или ИИ-помощники. Именно в этом разрыве между ними и ИИ-уязвимостях, которые остаются незамеченными до тех пор, пока не будет нанесен ущерб.
Два показателя наглядно демонстрируют масштабы проблемы: количество краж учетных данных с использованием ИИ увеличилось на 376% в период с четвертого квартала 2025 года по первый квартал 2026 года, а один вредоносный мост MCP (CVE-2025-6514) был загружен 437 000 раз, прежде чем его обнаружили, что позволило удаленно выполнять код на стороне клиента. Публичные серверы MCP также небезопасны по умолчанию: 5.5% из них содержат уязвимости, приводящие к отравлению инструментов, а 43% — уязвимости, приводящие к внедрению команд, достаточно серьезные, чтобы превратить собственные инструменты разработчика в одну из самых серьезных угроз кибербезопасности, с которыми может столкнуться организация.
Цепочка поставок программного обеспечения по-прежнему является крупнейшим источником угроз кибербезопасности.
Искусственный интеллект не изобрел эту проблему, а усугубил ее. Цепочка поставок программного обеспечения уже была наиболее уязвимой точкой входа для угроз кибербезопасности, и это подтверждают цифры. С 2019 года было выявлено более 778 500 вредоносных пакетов с открытым исходным кодом, и эта цифра выросла на 156% за один год, достигнув 512 847 пакетов. ENISA обнаружила, что 60% атак на цепочку поставок были совершены с использованием доверия клиентов к поставщику, и, по некоторым оценкам, цепочка поставок программного обеспечения теперь подвергается атаке примерно каждые 48 часов. Количество атак на цепочку поставок выросло на 742% в период с 2019 по 2022 год, и, согласно прогнозам, к 2025 году пострадают 45% организаций, а ежегодные затраты достигнут 138 миллиардов долларов к 2031 году; стоимость атак на цепочку поставок программного обеспечения только в этом году оценивается в 60 миллиардов долларов.
Та же зависимость и pipeline Слабости, породившие эти классические угрозы кибербезопасности, теперь также несут в себе риски, связанные с искусственным интеллектом: скомпрометированный пакет, неправильно настроенное действие GitHub Action или незакрепленный запрос. CI/CD С помощью этого шага можно с одинаковой легкостью воздействовать как на агента ИИ, так и на разработчика-человека.
Более широкие риски безопасности ИИ, выходящие за рамки кодовой базы.
Не все риски, связанные с ИИ, заключены в файле кода. Более полная карта рисков безопасности ИИ охватывает весь жизненный цикл ИИ-актива: внедрение вредоносных команд и утечка информации из системных подсказок, раскрытие конфиденциальных данных из-за чрезмерно либеральных конфигураций ИИ, отравленные векторы и встраивания, вредоносные инструкции, скрытые в документах и файлах правил, небезопасные конфигурации MCP и ненадежные серверы, уязвимые или небрежно настроенные зависимости ИИ, а также чрезмерная свобода действий, когда ИИ-агент выходит за рамки, заданные его конфигурацией.
Эти категории напрямую соответствуют OWASP Top 10 для заявок на получение степени магистра права, OWASP Top 10 для агентных приложений, и OWASP MCP Топ-10Эти три концепции быстро становятся общепринятым языком для описания рисков безопасности ИИ в отрасли.
Снижение уязвимости перед киберугрозами: что действительно работает
Данные указывают на два фактора, которые неизменно работают против угроз кибербезопасности: базовые правила гигиены и ранняя диагностика. 98% кибератак предотвращаются с помощью базовых мер безопасности, однако 34% утечек данных по-прежнему происходят из-за внутренних угроз, а 60% приложений все еще содержат уязвимости в собственном коде. Сам GitHub не является исключением: 1.9% репозиториев с эксплойтами на GitHub сами по себе являются вредоносными, созданными для кражи данных или распространения вредоносного ПО среди исследователей, которые им доверяют.
В частности, в случае рисков, связанных с ИИ, решение проблемы необходимо перенести на более ранний этап жизненного цикла:
- Проверьте корректность данных внутри интегрированной среды разработки (IDE). Выявление небезопасных шаблонов в коде, сгенерированном ИИ, еще до того, как он достигнет целевой аудитории. pipeline устраняет крупнейший источник новых угроз безопасности ИИ.
- Обнаружение вредоносного ПО до того, как будет сформирована сигнатура. Инструменты, основанные на репутации, по определению упускают из виду пакеты нулевого дня, и именно эту уязвимость использовали Shai-Hulud, axios и SAP npm.
- Проведите инвентаризацию всех ресурсов ИИ. Модели, наборы данных, агенты и серверы MCP не могут управляться или подвергаться атакам через то, о чем команда не знает, что она управляет.
Как Xygeni противодействует этим угрозам кибербезопасности
Ксигени DevAI рассматривает угрозы со стороны ИИ как неотъемлемую часть безопасности приложений, а не как отдельную проблему, добавленную позже. DevAI применяет проверку безопасности в реальном времени внутри IDE разработчика, выявляя небезопасные шаблоны в сгенерированном ИИ коде до его выпуска. Система раннего предупреждения о вредоносном ПО (MEW) cСистема непрерывного сканирования NPM, PyPI и Maven выявляет вредоносные пакеты еще до появления сигнатуры, анализируя точную схему цепочки поставок, лежащую в основе Shai-Hulud, axios и SAP npm. AI Security обнаруживает каждый ресурс ИИ на всех платформах. SDLCShield оценивает его в соответствии с вышеупомянутыми стандартами OWASP, а также применяет политику на конечной точке, прежде чем будет разрешено запустить небезопасную модель, агент или сервер MCP.
В 2026 году эффективно управлять рисками, связанными с ИИ, смогут не те организации, которые используют наибольшее количество инструментов, а те, которые способны отслеживать каждый используемый ими ИИ-ресурс, предотвращать небезопасные действия до их выполнения и применять эти знания к уже имеющимся у них инструментам.
FAQ
Какие самые серьезные угрозы кибербезопасности ожидаются в 2026 году?
Атаки на цепочки поставок остаются крупнейшей категорией по объему и стоимости, с предполагаемым ущербом в 60 миллиардов долларов в этом году и примерно одной атакой каждые 48 часов. Наряду с ними, быстрорастущей категорией стали угрозы со стороны ИИ: кража учетных данных, направленная на ИИ, выросла на 376% за один квартал, а такие инциденты, как Shai-Hulud, axios и PromptMink, показывают, что злоумышленники активно используют ИИ как в качестве цели, так и в качестве механизма доставки.
Представляет ли собой код, сгенерированный искусственным интеллектом, угрозу безопасности?
Да. Исследования показывают, что около 40% кода, сгенерированного ИИ, содержит уязвимости безопасности. Это делает проверку в реальном времени внутри IDE разработчика, до слияния кода, одним из наиболее эффективных способов снижения рисков безопасности ИИ на уровне источника.
Что такое MEW и как оно противодействует угрозам со стороны ИИ?
Malware Early Warning (MEW) — это система непрерывного сканирования от Xygeni для NPM, PyPI и Maven. Она предназначена для обнаружения вредоносных пакетов до того, как появится сигнатура, что важно, поскольку инструменты, основанные на репутации, обнаруживают только уже идентифицированные вредоносные программы, упуская из виду точные шаблоны уязвимостей нулевого дня, лежащие в основе недавних угроз в области ИИ и червей, поражающих цепочки поставок.
Являются ли серверы MCP реальным источником рисков, связанных с искусственным интеллектом?
Да. На общедоступных серверах MCP наблюдаются измеримые риски для безопасности ИИ в реальных условиях: 5.5% содержат уязвимости, приводящие к отравлению инструментов, а 43% — уязвимости, приводящие к внедрению команд, и только один скомпрометированный мост MCP был загружен 437 000 раз до обнаружения.
