ИИ в кибербезопасности: Google закрыла за июнь 2026 больше дыр в Chrome, чем за два года до этого

Представьте себе отдел безопасности, который за один месяц закрывает столько уязвимостей, сколько раньше уходило на два года работы. Именно это произошло с командой Chrome в июне 2026-го. Google опубликовала данные: 1072 исправленных бага в двух выпусках – Chrome 149 и Chrome 150. Для сравнения, предыдущие 23 версии браузера суммарно принесли 1036 патчей. Разрыв не просто заметный – он указывает на качественный перелом в том, как вообще ведётся охота за уязвимостями.

Дуг Тёрнер, директор по инжинирингу Chrome, сформулировал это прямо: «LLM фундаментально сдвинули экономику кибербезопасности, превратив поиск уязвимостей в автоматизированную операцию промышленного масштаба». Не постепенное улучшение, не очередной инструмент в арсенале, а именно структурный сдвиг. Когда директор по инжинирингу Chrome употребляет слово «фундаментально», это, как правило, не рекламный буклет.

Кибербезопасники предупреждали об этом сценарии с тех пор, как большие языковые модели вошли в рабочий оборот. Логика простая: если AI умеет читать и генерировать код, он умеет и искать в нём слабые места – причём без усталости, без предвзятости к «очевидным» паттернам и в темпе, недоступном человеку. Теперь прогноз подтверждается цифрами, а не только аргументами на конференциях по профессиональным ИИ-решениям для бизнеса.

Google – не единственная. В начале июля Microsoft объявила о рекордном «Patch Tuesday»: 570 исправлений безопасности за один плановый цикл патчей. Компания прямо связала этот рекорд с использованием AI. Два гиганта, два рекорда, одна причина – совпадение, которое трудно списать на случайность.

Интересен контраст с Apple. По независимым подсчётам, к середине 2026 года Apple закрыла 482 уязвимости – примерно столько же, сколько в 2015-м. Экспоненциального роста нет. Компания не ответила на запросы TechCrunch по этой теме, так что делать выводы о причинах сложно. Либо Apple использует другую методологию отчётности, либо просто ещё не подключила LLM к этому процессу в том же объёме. Оба варианта – не столько упрёк, сколько любопытный вопрос без ответа.

Здесь стоит уточнить: большие числа патчей – это не обязательно плохая новость для пользователя. Скорее наоборот. Ты хочешь, чтобы уязвимости находили и закрывали раньше, чем ими воспользуются. Весь вопрос в том, кто находит их первым – белые шляпы с AI-инструментами или злоумышленники с теми же инструментами. Гонка существовала всегда, теперь она просто идёт на другой скорости.

В этом и есть суть того, что происходит с ИИ в кибербезопасности прямо сейчас. Не «AI поможет аналитику писать отчёты», а «AI меняет фундаментальное соотношение сил между атакой и защитой». Когда Gemini ищет баги в Chrome, он работает как масштабируемый fuzzer с пониманием контекста – не перебирает случайные входные данные, а, грубо говоря, «понимает», где граница безопасного поведения кода. Это другой класс инструмента.

Что это означает для компаний за пределами FAANG? Если вы разрабатываете собственный продукт или поддерживаете инфраструктуру, у вас теперь две новости. Плохая: стандарт скорости закрытия уязвимостей задаётся теми, у кого есть Gemini и команды размером с небольшой город. Хорошая: инструменты класса LLM доступны не только Google – open-source модели, API, специализированные решения для code review уже существуют и вполне пригодны для использования командами куда меньшего масштаба. Создание ИИ-агентов под ключ для задач безопасности – уже не экзотика, а практика, которую стоит рассматривать всерьёз.

Параллельно стоит помнить о другой стороне медали. Те же инструменты, которые Google использует для защиты, теоретически доступны и атакующим. Если LLM ускоряет поиск уязвимостей в 20 раз, это работает в обе стороны. Пока данные говорят, что крупные вендоры патчат быстрее, чем уязвимости появляются в эксплойтах – но это равновесие хрупкое. Каталог готовых ИИ-автоматизаций для бизнеса растёт, и компетенции в этой области становятся не опцией, а необходимостью.

История с Chrome – это не просто корпоративный пресс-релиз о технологическом прогрессе. Это первый хорошо задокументированный кейс, где влияние LLM на производительность в кибербезопасности измерено числами, а не анекдотами. 1072 против 1036 за два года – это benchmark, от которого отрасль будет отталкиваться ещё долго. И вопрос уже не «применять ли AI для поиска уязвимостей», а «насколько быстро вы собираетесь это делать».