Стрімку трансформацію ландшафту кіберзагроз фіксує в останньому звіти Google Threat Intelligence Group (GTIG). Цього року щомісячна кількість публічних розкриттів вразливостей програмного забезпечення зросла більш ніж удвічі – з 5045 у січні до 10740 у серпні. Попри те, що загальна статистика дещо роздута автоматичною генерацією ідентифікаторів у середовищі open-source – близько 5000 записів стосувалися ядра Linux без жодного реального zero-day експлойту, показник високоризикових загроз за власною шкалою GTIG зріс на 167%. Головним каталізатором цієї динаміки стало масове залучення штучного інтелекту, який кардинально змінив як швидкість виявлення системних прогалин, так і характер їх подальшої експлуатації.

Аналітики підкреслюють, що зловмисники все активніше використовують великі мовні моделі (LLM) для автоматичного порівняння версій продуктів та патчів, що дозволяє їм миттєво перетворювати відомі публічні вразливості на діючі експлойти. Саме цим пояснюється сплеск атак на так звані N-day вразливості, коли удар завдається по системах, що не встигли оновитися після публікації патчу. Водночас кількість реальних експлуатацій у «дикій природі» за 8 місяців сягнула 141 випадку, перевищивши весь 2025 рік. При цьому середній показник нулевих днів (zero-days) зріс до 11 на місяць із піковим стрибком у серпні до 22 випадків, що свідчить про суттєве скорочення вікна реакції для IT-підрозділів бізнесу.

Окрему увагу в дослідженні приділено прогалинам, які знаходять самі AI-агенти. На відміну від традиційних сканерів та людських дослідників, штучний інтелект значно краще виявляє глибокі помилки роботи з пам'яттю та логічні обходи у коді на C та C++. У результаті половина виявлених AI-агентами вразливостей допускають віддалене виконання коду (Remote Code Execution), тоді як серед класичних розкриттів цей показник становить лише 26%. Показовим прикладом реальності цієї загрози стала вразливість CVE-2026-1731 у продуктах BeyondTrust, автономно знайдена дослідницьким агентом Hacktron AI. Вже за чотири дні після публікації її почала експлуатувати перша хакерська група, а за тиждень до них приєдналися ще п'ять угруповань для впровадження шкідливого софту та викрадення даних.

Не менш критичним вектором залишається безпека самих систем штучного інтелекту. З понад 2000 розкритих вразливостей в AI-софті з початку 2025 року, левова частка припадає саме на 2026 рік. Майже половина з них зафіксована у фреймворках оркестрації агентів, таких як Flowise та Langflow, де візуальні конструктори воркфлоу часто містять вузли виконання коду, вразливі до prompt-ін'єкцій. Окрім цього, понад 200 вразливостей знайдено в інструментах інференсу (vLLM, Ollama, LiteLLM), де основними ризиками є незахищені кінцеві точки API та підробка міжсерверних запитів (SSRF). Хоча zero-days атак безпосередньо на AI-інфраструктуру ще не зафіксовано, липневий випадок автономного вимагацького софту через вразливість у Langflow демонструє, що ця інфраструктура вже під прицілом.

У підсумку звіту фахівці Google закликають організації відмовитися від суцільного масового патчингу «наосліп» на користь приорітизації на основі аналізу загроз (Threat Intelligence) та посилення периметра. Розробникам програмного забезпечення рекомендується інтегрувати агентні AI-інструменти перевірки коду безпосередньо у процес розробки до релізу продукту, що в перспективі дозволить суттєво уповільнити зростання публічних вразливостей.

Сучасні цифрові амбіції зіткнулася з жорсткою стелею фізичної інфраструктури. Поки бізнес-стратеги малюють картини тотальної автоматизації, фундамент, на якому тримається весь цей масив даних, демонструє ознаки критичної втоми.

Дослідження, проведене за ініціативи Lenovo, виявляє тривожну ситуацію: майже половина ІТ-лідерів (45%) відверто визнають, що їхні нинішні потужності не здатні підтримати навіть базові цілі зі сталого розвитку. Апетит AI-алгоритмів до обчислень зростає експоненціально, а методи охолодження та живлення інфраструктури залишаються на рівні вчорашнього дня. Традиційне повітряне охолодження стає архаїзмом, адже воно не здатне балансувати між вартістю, ефективністю та дедалі суворішими екологічними вимогами.

Проблема сталого розвитку – це питання операційної спроможності. Понад 90% керівників сьогодні шукають партнерів, які пропонують компенсацію вуглецевого сліду та енергоефективні інновації, але реальність така, що лише 46% мають дизайн ЦОД, який хоча б теоретично відповідає цим цілям. Штучний інтелект став одночасно і головним драйвером зростання, і основним болем для архітекторів: 90% опитаних впевнені, що АІ радикально збільшить обсяги даних у найближче десятиліття, проте 41% визнають свою повну неготовність до його ефективної інтеграції. Це створює небезпечний вакуум між «цифровим бажанням» і «інфраструктурною дійсністю», де кожне нове впровадження моделі стає стрес-тестом для енергосистеми.

Паралельно з енергетичним викликом постає питання цифрового суверенітету, яке для 99% управлінців у регіоні EMEA стало критичним фактором на найближчі роки. Контроль за тим, де саме фізично перебувають дані, тепер визначає дизайн майбутніх об’єктів. Додайте до цього вимогу низької затримки (latency), про яку говорять 94% респондентів, і ви отримаєте надскладне завдання: дата-центри мають бути ближче до споживача, інтегровані в міський ландшафт, але водночас відповідати жорстким правилам безпеки та суверенітету.

Візія дата-центру зразка 2055 року, розроблена спільно інженерами AKT II та архітекторами Mamou-Mani, пропонує вихід за межі звичних серверних у бетонних коробках. Йдеться про радикальну зміну підходу – робити ЦОД не більшими, а кращими. Концепція Floating Cloud передбачає винесення модулів на висоту 20-30 км, де вони отримуватимуть енергію від сонця 24/7 та охолоджуватимуться в закритих рідинних контурах під тиском, не забруднюючи повітря. Інший підхід – Data Village, де модульні системи розташовуються поблизу річок чи каналів для ефективного рідинного охолодження, а відпрацьоване тепло серверів передається на потреби громад: для обігріву приватних будинків у форматі Data Spa. Навіть закинуті бункери та тунелі транспортних систем можуть стати новими домівками для даних, використовуючи природні властивості підземного середовища для терморегуляції та підвищення фізичної безпеки.

Спільним знаменником для всіх цих концепцій є перехід на рідинне охолодження. Сучасні технології вже сьогодні дозволяють відводити до 98% тепла безпосередньо від джерела всередині стійки, що робить інфраструктуру готовою до AI-масштабування без ризику термічного колапсу. Майбутнє обчислювальних потужностей – це не просто закупівля нового «заліза», а зміна парадигми, де сталий розвиток є невіддільною частиною архітектури системи. Адже справжня підготовка до майбутнього починається не з планів на десятиліття, а з відповідних технологічних рішень.

Масове впровадження генеративних моделей породжує проблему «meat proxy» – працівників, які бездумно пересилають колегам згенерований штучним інтелектом текст або код без перевірки, редагування власного аналізу чи адаптації. Таким чином людина фактично виступає зайвим посередником між двома сторонами та не створює геть ніякої цінності. Адресату простіше самостійно звернутися до тієї самої моделі, задати власний контекст і швидше отримати потрібний результат.

Термін «м'ясне проксі» з'явився серед розробників як іронічна характеристика співробітників, які виконують роль пасивного ретранслятора між LLM та колегами. Замість того щоб самостійно проаналізувати завдання, сформулювати рішення чи хоча б перевірити згенерований фрагмент, людина просто копіює запит у чат-бот, а отриманий результат без змін надсилає в робочі канали. Термін швидко набув популярності, оскільки описана поведінка перестала бути поодиноким випадком і перетворилася на системний маркер внутрішніх процесів.

Теоретично, залучення AI має підвищувати продуктивність роботи. Проте формальна трансляція відповідей створює зворотний ефект і навпаки спричиняє приховані витрати. Коли розробник надсилає сирий код колезі або технічному керівнику, він не економить час компанії, а лише перекладає когнітивне навантаження на іншу людину. Замість швидкої перевірки готової концепції рецензент змушений виконувати роботу первинного аналітика, шукати галюцинації моделі, виправляти приховані баги та перевіряти логічні зв'язки.

Поширення такої практики є симптомом управлінських проблем. Воно вказує на зміщення фокуса з якості результату на швидкість закриття задач у трекерах. Коли оцінка продуктивності базується виключно на кількості закритих тікетів або написаних рядків, працівники обирають найменш енерговитратний шлях. В результаті формується культура, у якій зникає персональна відповідальність за фінальний продукт.

Наслідки використання працівників як проксі між алгоритмом та виробничою системою виходять далеко за межі роздратування у внутрішніх чатах. Знижується загальний рівень експертизи в команді. Молодші спеціалісти, які замість вивчення баз даних та архітектурних шаблонів просто ретранслюють підказки моделі, втрачають можливість сформувати базові інженерні навички. Зростає ризик потрапляння у продакшн критичних вразливостей, адже штучний інтелект часто створює синтаксично коректний, але логічно хибний чи небезпечний код.

Крім того, деградує внутрішня комунікація. Контекст, який людина мала б пропускати через власний досвід та розуміння бізнес-цілей, замінюється стандартними формалізованими абзацами від великих мовних моделей. Робочі обговорення перетворюються на обмін згенерованим шумом (так званий AI slop), де жодна зі сторін повністю не розуміє суті предмета.

Втім розв'язання цієї проблеми лежить не в забороні AI-інструментів, а в зміні стандартів рецензування та оцінки роботи. Варто впроваджувати чіткі регламенти. Наявність згенерованого фрагмента має супроводжуватися обов'язковим підтвердженням того, що автор запиту розуміє кожний рядок запропонованого рішення. Фінальний код чи документ повинен залишатися відповідальністю людини, а не системи. Інженер або виконавець має виступати фільтром та архітектором, а не бездумним проксі.

Опитування Salesforce, у якому взяли участь понад 500 менеджерів, показало, що поширення штучного інтелекту не зменшує значення середньої ланки управління, а навпаки підвищує її роль у цифровій трансформації компаній. Більшість керівників уже використовують AI у повсякденній роботі та відзначають зростання продуктивності, однак водночас саме вони дедалі частіше відповідають за впровадження нових технологій у командах без достатніх інструментів для оцінки результатів і організаційної підтримки.

Дві третини опитаних менеджерів позитивно оцінюють вплив AI на майбутнє роботи, а 77% повідомили, що завдяки AI-інструментам економлять понад три години на тиждень. Крім того, 73% вважають, що вже здатні оцінювати, які завдання доцільно делегувати системам штучного інтелекту. Найпоширенішим сценарієм використання AI став аналіз даних, що свідчить про його інтеграцію в процеси ухвалення управлінських рішень. Далі за популярністю йдуть дослідницькі завдання та креативні проєкти. Водночас Salesforce посилається на окреме дослідження Beautiful.ai, за даними якого у 2025 році AI використовували 77% американських менеджерів, що на 11 пунктів більше, ніж роком раніше.

Разом із поширенням AI змінюється і відповідальність менеджерів. 78% респондентів вважають, що саме вони відповідають за успішне впровадження штучного інтелекту у своїх командах. Майже половина відчувають тиск із боку вищого керівництва, яке очікує помітних результатів від використання AI. Водночас лише 32% працюють в організаціях, де існують формалізовані механізми відстеження використання таких технологій. Фактично менеджери мають демонструвати результати цифрової трансформації, не завжди маючи єдині критерії оцінки її ефективності.

Дослідження також показує, що впровадження AI супроводжується новими викликами для самих керівників. Понад половина опитаних, 51%, відчувають тривожність через необхідність постійно опановувати нові AI-інструменти, щоб відповідати очікуванням керівництва та власних команд. При цьому 44% менеджерів середньої ланки називають організаційну бюрократію головною причиною негативного досвіду у своїй ролі. Саме адміністративне навантаження визначається як один із головних чинників, що обмежує можливість менеджерів зосередитися на розвитку команд, наставництві та реалізації бізнес-стратегії.

Майже половина опитаних, 48%, очікують суттєвих або фундаментальних змін власної ролі вже протягом найближчих двох-трьох років. На думку Salesforce, AI поступово перебирає на себе рутинні адміністративні функції, тоді як менеджери дедалі більше зосереджуватимуться на координації роботи команд, розвитку співробітників, ухваленні стратегічних рішень та управлінні змінами. У документі також зазначається, що AI може допомагати виявляти прогалини в компетенціях, формувати персоналізовані рекомендації щодо навчання та надавати керівникам оперативні аналітичні дані для управління командами.

Найчастіше менеджери потребують практичного навчання роботи з AI (37%), наявності зрозумілої корпоративної стратегії використання штучного інтелекту (35%) та технічної підтримки з боку ІТ-підрозділів (34%). Тож наступний етап розвитку AI у корпоративному середовищі пов'язаний не лише з автоматизацією окремих процесів, а й зі зміною ролі менеджерів, які стають ключовою ланкою між стратегією компанії та практичним впровадженням нових технологій. У Salesforce вважають, що ефективність цієї трансформації залежатиме від того, наскільки компанії зможуть скоротити адміністративне навантаження на менеджерів і надати їм інструменти для управління змінами та розвитку команд.

Корпоративні AI-агенти переходять із розряду експериментів у повсякденний інструмент бізнесу, але політики безпеки не встигають за їхнім поширенням. Опитування понад 1500 фахівців з ІТ- та кібербезпеки показує, що головною проблемою стають уже не самі великі мовні моделі, а автономні AI-системи з доступом до корпоративних даних і бізнес-процесів.

Якщо ще рік тому основна увага служб інформаційної безпеки була прикута до ChatGPT, Microsoft Copilot та інших генеративних моделей, то у 2026 році центр ризиків зміщується. Тепер найбільше занепокоєння викликають AI-агенти, які не лише генерують текст, а й можуть самостійно взаємодіяти з корпоративними системами, виконувати бізнес-процеси, працювати з внутрішніми даними та приймати рішення в межах наданих повноважень.

Саме це є головним висновком дослідження State of AI Cybersecurity 2026, підготовленого Darktrace на основі опитування понад 1500 керівників і фахівців із кібербезпеки в різних країнах. 92% респондентів заявили, що стурбовані впливом AI-агентів на безпеку організацій. Для порівняння, щодо сторонніх великих мовних моделей високий рівень занепокоєння висловили лише 44% опитаних.

Причина зміни пріоритетів полягає у характері самих AI-агентів. Якщо генеративна модель здебільшого відповідає на запити користувача, то агент здатний отримувати доступ до корпоративних застосунків, виконувати послідовність дій, взаємодіяти з іншими сервісами та автоматизувати робочі процеси. Відповідно, компрометація такого інструмента або його некоректне налаштування створює зовсім інший масштаб ризиків, ніж звичайний чат-бот.

Результати дослідження показують, що впровадження AI у компаніях відбувається швидше, ніж розвиток механізмів управління його безпекою. Darktrace зазначає, що генеративний AI та агентні системи вже стали частиною повсякденних робочих процесів, а традиційні підходи до інформаційної безпеки не розраховані на контроль автономних систем, які можуть працювати з конфіденційними даними або виконувати дії від імені користувачів.

Ще одна тенденція полягає в тому, що AI одночасно ускладнює роботу захисників і стає одним із головних інструментів захисту. За даними дослідження, 87% респондентів вважають, що AI збільшує кількість або складність кіберзагроз, які доводиться обробляти службам безпеки. Одночасно 96% погоджуються, що використання AI покращує можливості захисту, насамперед завдяки швидшому аналізу інцидентів, автоматизації рутинних операцій та ефективнішому виявленню нових атак.

AI вже став звичайною складовою корпоративних засобів кіберзахисту. Генеративні моделі використовуються у 77% стеків інформаційної безпеки, причому дедалі частіше поряд із класичним машинним навчанням застосовуються агентні системи. Водночас автори дослідження звертають увагу, що рівень довіри до таких рішень поки що не відповідає темпам їхнього впровадження. Багато організацій ще не мають достатнього досвіду оцінювання того, які саме функції доцільно автоматизувати, а де необхідно залишати контроль за людиною.

Якщо раніше політики безпеки були орієнтовані переважно на користувачів, сервери та застосунки, то тепер окремим об'єктом контролю стають AI-системи. Постає необхідність відстежувати, які агенти працюють в організації, до яких даних вони мають доступ, які дії можуть виконувати автоматично та як контролюється їхня поведінка.

Чим більше автономних AI-агентів інтегрується у внутрішні процеси, тим важливішими стають інвентаризація таких систем, аудит їхніх повноважень і постійний моніторинг їхньої активності. Саме ці питання, а не лише захист великих мовних моделей, дедалі більше визначають порядок денний корпоративної кібербезпеки. Таким чином наразі головний виклик полягає вже не у використанні AI як інструмента, а в безпечному управлінні автономними AI-системами, що дедалі глибше інтегруються в бізнес-процеси.

Працівники давно використовують генеративний штучний інтелект поза корпоративними політиками, але головна проблема полягає не в самому факті тіньового AI. Дослідження Teramind, яка знається на управлінні інсайдерськими ризиками та запобіганні витоку даних, показує, що традиційні механізми контролю майже не бачать, які дані потрапляють до AI-сервісів, а спроби їх блокувати лише переводять активність у ще менш контрольовані канали.

Дискусія навколо тіньового AI зазвичай зводиться до того, що співробітники користуються несанкціонованими сервісами на кшталт ChatGPT чи Gemini. Але звіт Teramind, дистриб'ютором якої в нашій країні є Softprom, показує іншу проблему. Для корпоративної безпеки головним викликом стала втрата видимості над тим, як корпоративні дані потрапляють до цих сервісів і повертаються назад у бізнес-процеси. Саме цей розрив між реальною поведінкою користувачів і можливостями ІТ-підрозділів автори вважають визначальною характеристикою сучасного тіньового AI.

За даними дослідження, офіційні корпоративні підписки на великі мовні моделі вже мають 98% компаній. Водночас у 90% організацій співробітники паралельно використовують несанкціоновані AI-інструменти. На кожну тисячу працівників припадає в середньому 269 різних AI-сервісів, а в типовій організації виявляють близько 66 генеративних застосунків, частина яких має високий рівень ризику. При цьому більшість таких сервісів залишаються активними понад 400 днів після першого використання, тобто мова вже давно не про експерименти окремих співробітників, а про інструменти, які стали частиною повсякденних робочих процесів.

Основна причина ризиків полягає в тому, що корпоративні дані регулярно потрапляють до зовнішніх AI-систем. Дослідники фіксують стрімке зростання інцидентів DLP, пов'язаних із генеративним AI, а серед інформації, яку працівники надсилають до сторонніх сервісів, є клієнтські дані, вихідний код, матеріали досліджень, внутрішні документи, HR-інформація та фінансові файли. Окремо зазначається, що третина користувачів несанкціонованих AI-сервісів уже передавала через них дослідницькі матеріали або набори даних, понад чверть – інформацію про співробітників, а майже чверть – фінансові дані компаній.

Найцікавіший висновок стосується не файлів чи API, а звичайного копіювання тексту. Саме copy-paste, а не завантаження документів, дослідники називають основним каналом потрапляння корпоративної інформації до Gen AI. У середньому співробітник вставляє інформацію до AI-сервісів 14 разів на день, причому три такі операції містять чутливі дані. Для більшості традиційних DLP-систем саме така поведінка залишається найменш помітною.

До того ж дослідження показує, що блокування окремих AI-сервісів не припиняє використання генеративного AI. Працівники просто переходять на інші сервіси, використовують особисті пристрої або ще якось обходять обмеження. Майже половина респондентів заявила, що продовжить користуватися AI навіть після прямої заборони, а дві третини співробітників знаходять способи отримати доступ до заблокованих застосунків. Автори роблять висновок, що стратегія, побудована виключно на заборонах, фактично переводить тіньовий AI у ще менш контрольоване середовище.

Показовою є також проблема корпоративної ідентифікації. Більшість користувачів працює з генеративним AI через особисті акаунти, а не через корпоративні облікові записи із SSO. Через це інструменти контролю доступу, політики збереження даних і системи аудиту просто не бачать значної частини взаємодії співробітників з AI-платформами. Водночас 86% організацій визнають, що не мають достатньої видимості потоків даних до AI-сервісів, а 60% ІТ-команд не можуть навіть переглянути запити, які користувачі надсилають генеративним моделям.

Звіт також звертає увагу на ще одну тенденцію. Ризики виникають не лише тоді, коли дані потрапляють до генеративного AI, а й коли створений ним контент повертається у корпоративні процеси. AI-відповіді дедалі частіше використовують у документації, програмному коді, юридичних документах, матеріалах для клієнтів та інших робочих процесах. Якщо такий контент потрапляє до регульованих сфер без перевірки, відповідальність за його точність і відповідність нормативним вимогам несе вже сама організація незалежно від того, що його створила мовна модель.

Таким чином масштаб тіньового AI вже неможливо зменшити лише політиками чи навчанням персоналу. Організаціям доведеться поєднувати контроль за потоками даних, інвентаризацію AI-сервісів, корпоративні альтернативи популярним генеративним інструментам і політики, які враховують реальну поведінку користувачів, а не припущення про те, як вони повинні працювати. При цьому самі автори наголошують, що будь-які механізми моніторингу мають впроваджуватися з урахуванням вимог трудового законодавства, захисту персональних даних і локальних регуляторних норм.

Дослідження GitLab та компанії Harris Poll виявило зміщення фокусу в розробці програмного забезпечення з генерації коду на його аудит і контроль. Керівники стикаються з накопиченням структурних недоліків коду, а його всебічна перевірка стає головним вузьким місцем.

Впровадження штучного інтелекту в процеси створення програмного забезпечення перейшло зі стадії експериментів у категорію базової інфраструктури. Згідно з глобальним дослідженням компанії GitLab та Harris Poll, проведеним серед більш ніж півтори тисячі фахівців з DevSecOps, 91% організацій уже використовують у промисловому середовищі два або більше інструментів генерації коду одночасно. Понад половина компаній інтегрували три або більше подібних систем. Економічний ефект від цих інвестицій виявився помітним, адже 60% опитаних зазначають, що окупність вкладень перевищила їхні початкові очікування, а 78% фіксують прискорення написання та фіксації коду окремими розробниками.

Проте масове прискорення роботи на рівні клавіатури виявило глибокі структурні проблеми на наступних етапах життєвого циклу продукту. Безпосереднє написання коду сьогодні займає лише 16% робочого часу на його створення. Справжні затримки тепер виникають нижче за течією, під час рецензування, тестування, забезпечення безпеки, аудиту відповідності та розгортання. 79% опитаних керівників визнають, що продуктивність окремих розробників зросла, але загальний процес доставки програмного забезпечення практично не прискорився. 85% респондентів констатують зміщення головного вузького місця з написання коду на його перевірку та валідацію. Швидкість штучного інтелекту зупиняється там, де починаються процеси безпеки та комплаєнсу, змушуючи весь життєвий цикл чекати ручних рішень.

Паралельно зростає занепокоєння щодо довгострокової підтримки кодових баз. 82% фахівців вважають, що автоматично згенерований код створює новий різновид технічного боргу, до управління яким більшість організацій наразі просто не готові. 73% опитаних висловлюють серйозні побоювання щодо довгострокової сумісності та підтримуваності таких систем. За відсутності прозорих правил гри штучний інтелект здатний накопичувати структурні дефекти значно швидше, ніж традиційні методи розробки, про що заявляють 86% опитаних. Це створює міну уповільненої дії для майбутньої архітектури підприємства.

Найбільш показовим виявився розрив між упевненістю менеджменту та реальними технічними можливостями під час ліквідації аварій. 87% опитаних вважають, що їхні команди здатні протягом доби визначити, чи став штучний інтелект причиною збою у промисловому середовищі. Водночас аналіз реальних інцидентів за останній рік демонструє зовсім іншу картину. Третина організацій, які зіткнулися із серйозними аваріями чи порушеннями безпеки, не змогли зробити остаточний висновок щодо участі автоматично згенерованого коду у збої. Причиною такої вразливості є фрагментація інструментів. 43% респондентів скаржаться на складність розрізнення коду, написаного людиною та машиною, а 40% вказують на розірваність ланцюжка інструментів, які не обмінюються контекстом. Лише 28% компаній мають повністю інтегровані системи розробки з єдиною моделлю даних.

Таким чином управління та підзвітність стають пріоритетом на найближчу перспективу. Хоча три чверті організацій уже впровадили певні формальні політики чи інструкції, 80% менеджерів визнають, що технології впроваджувалися набагато швидше, ніж створювалися правила регулювання. Ключовими викликами залишаються атрибуція коду, тобто розуміння того, яка саме система його створила, та відстеження зв'язку коду з початковими бізнес-вимогами. Через це 85% фахівців згодні, що наступна фаза використання штучного інтелекту буде зосереджена не на генерації нового обсягу коду, а на забезпеченні контролю за ним. Тому 91% опитаних планують інвестиції у спеціалізовані інструменти управління, а понад половина вже розпочали оцінювання конкретних технологічних рішень.

Автоматизований трафік другий рік поспіль перевищує людський, а розвиток агентного AI змінює правила гри для кіберзахисту. Звіт Thales показує, як боти все активніше використовують API, бізнес-логіку застосунків і системи автентифікації, створюючи нові ризики для цифрових сервісів.

Черговий щорічний звіт Bad Bot Report від Thales підсумовує результати 2025 року і фіксує перехід, про який обережно говорили вже кілька років: автоматизований трафік остаточно став панівним явищем в інтернеті. Згідно з аналітикою, боти забезпечили 53% всього спостережуваного веб-трафіку, тоді як частка людей опустилася до 47%. Це другий рік поспіль, коли автоматизація перевищує людську активність, і тенденція стабільно триває щонайменше з 2015 року.

Це означає, що значна частина навантаження на цифрову інфраструктуру формується автоматизованими системами. Така зміна ландшафту вимагає радикального переосмислення підходів до масштабування інфраструктури та оцінки операційних ризиків.

Особливу увагу привертає динаміка «поганих» ботів – зловмисної автоматизації, яка займається скрапінгом, шахрайством, захопленням облікових записів та зловживанням бізнес-логікою. Їхня частка зросла до 40% від загального трафіку. Десятирічний графік добре ілюструє це повільне, але невпинне зростання: людський трафік знизився з 54% у 2015 році до 47% у 2025, тоді як частка шкідливих ботів зросла з 15% до 40% загального трафіку.

Головна новація звіту цього року – виділення штучного інтелекту в окрему, третю категорію автоматизованого трафіку поряд із традиційними «хорошими» та «поганими» ботами. AI-агенти, вбудовані в браузери, пошукові платформи та корпоративні інструменти, взаємодіють із застосунками й API безпосередньо від імені користувачів. За рік кількість AI-атак, що піддавалися блокуванню, зросла у 12,5 раза, а середньодобовий обсяг заблокованих запитів збільшився з 2 до 25 млн.

Дослідники Thales наголошують, що видима частина цієї активності – лише вершина айсберга. Аналіз показав, що понад 10% сесій AI-агентів типу fetcher і майже 9% сесій AI-краулерів спрацьовували правила виявлення шкідливих ботів. Водночас значна частина автоматизованого трафіку, створеного самостійно розгорнутими або доопрацьованими мовними моделями, залишається невидимою для систем захисту, що формує суттєвий розрив між тим, що організації можуть спостерігати, і реальним масштабом ризику.

API залишаються ключовою точкою вразливості: 27% атак ботів спрямовані саме на програмні інтерфейси. Атаки на API рідко виглядають як класичні зловмисні запити – автентифікація проходить успішно, запити коректно сформовані, а робочі процеси виконуються за правилами. Шкода виникає не через аномальну форму запиту, а через масштаб, наполегливість і намір зловмисника. Найпоширенішими загрозами для API стали витік даних (26%), зловживання бізнес-логікою та атаки типу RCE/RFI (по 13% кожна).

Особливу небезпеку становлять атаки на бізнес-логіку застосунків. Вони вже складають 21% усіх зафіксованих бот-інцидентів. На відміну від класичної експлуатації вразливостей, тут зловмисники використовують легітимні функції системи у спосіб, який розробники не передбачали. Це може бути, наприклад, масове резервування товарів без завершення покупки, маніпуляції з програмами лояльності, автоматизоване відстеження цін або зловживання процесами бронювання та замовлень. З погляду систем моніторингу такі дії часто виглядають як звичайна активність користувачів, що значно ускладнює виявлення загрози.

Дослідження також демонструє, що традиційні методи ідентифікації ботів втрачають ефективність. У 2025 році 41% шкідливих ботів маскувалися під браузер Chrome, використовуючи реалістичні профілі пристроїв, проксі-мережі та поведінкові шаблони, схожі на дії справжніх користувачів. У багатьох випадках визначити автоматизацію можна лише за тривалими патернами поведінки або масштабом активності.

Найбільш атакованою галуззю залишаються фінансовий сектор – на нього припало 24% всіх атак ботів і 46% інцидентів захоплення облікових записів. Останні залишається одним із найприбутковіших напрямків для зловмисників: порівняно з липнем 2024 року кількість таких атак у липні 2025 зросла на 70%, що дослідники частково пов'язують зі зростанням використання AI-інструментів для імітації легітимної поведінки під час входу в систему.

Окремо звіт фіксує посилення складності атак: частка просунутих і помірно складних кампаній зросла до 58%. Боти навчилися аналізувати реакцію систем захисту, змінювати цифрові відбитки протягом кількох годин після впровадження нових правил і повертатися через альтернативні канали. Водночас зросла й кількість простих, низькокваліфікованих атак – на понад 230% за рік, що дослідники пояснюють зниженням порогу входу завдяки доступності AI-інструментів.

Тож якщо раніше основним завданням було відрізнити людину від бота, то сьогодні цього вже недостатньо. Автоматизація дедалі частіше діє від імені користувачів, використовує легітимні інструменти та працює через ті самі API, що й бізнес-застосунки. Тому для служб безпеки дедалі важливішим стає не факт автоматизації, а її намір. Саме здатність розрізняти корисну й шкідливу автоматизовану активність визначатиме ефективність захисту цифрових сервісів у найближчі роки.

Дослідження Кембриджського університету показує, що генеративний AI поки не створив революції у світі кіберзлочинності та не призвів до суттєвого зниження порогу входження для новачків, а став лише інструментом оптимізації рутини для досвідчених гравців. Замість автономних «AI-хакерів» ринок отримав переважно інструменти для автоматизації рутинних задач, SEO-шахрайства та допоміжного кодування.

Після появи ChatGPT дискусія про вплив генеративного AI на кіберзлочинність швидко перейшла від технічних питань до майже апокаліптичних сценаріїв. У публічному просторі регулярно з’являлися припущення про скору появу автономних AI-систем, які зможуть самостійно атакувати інфраструктуру, створювати шкідливе ПЗ або автоматизувати діяльність злочинних угруповань. Проте нове дослідження фахівців Кембриджського університету, Единбурзького університету та університету Стратклайда пропонує значно стриманішу картину того, як генеративний AI реально використовується у кіберзлочинному середовищі.

Дослідження засноване на даних CrimeBB – датасеті Cambridge Cybercrime Centre, який містить понад 100 млн публікацій з підпільних і даркнет-форумів за більш ніж 15 років. Для аналізу було відібрано близько 98 тис. тематичних обговорень, опублікованих після виходу ChatGPT. Висновок виявився доволі прагматичним: інтерес до AI високий, але ознак радикальної трансформації кіберзлочинності поки немає. Генеративні моделі використовуються переважно як допоміжний інструмент – для написання текстів, автоматизації рутинних дій, перекладів, SEO-спаму або спрощення окремих етапів розробки. Водночас AI майже не демонструє проривного ефекту для складних технічних атак або створення принципово нових моделей кіберзлочинного бізнесу.

Одна з ключових тез дослідження полягає в тому, що кіберзлочинність давно функціонує як зрілий сервісний ринок. Більшість інструментів, скриптів та експлойтів уже стандартизовані, а значна частина операцій автоматизована задовго до появи генеративного AI. Через це нові LLM-моделі не створили революції, а радше замінили окремі допоміжні практики – пошук у Stack Overflow, читання документації або копіювання готових фрагментів коду. Для досвідчених операторів це дає певний приріст продуктивності, але не змінює фундаментально саму економіку кіберзлочинності.

Дослідники окремо аналізують популярну тезу про те, що AI нібито різко знизить бар’єр входу для новачків. На практиці цього поки не відбулося. Попри активне обговорення так званих «Dark AI» або jailbroken-моделей без обмежень, більшість обговорень на форумах стосувалися не успішних атак, а спроб отримати доступ до таких сервісів або розчарування через низьку якість результатів. Користувачі регулярно скаржилися, що моделі генерують нестабільний код, потребують серйозної ручної доробки й не дозволяють людям без технічної підготовки ефективно проводити складні атаки.

Важливий аспект дослідження – різниця між лабораторними демонстраціями та реальною практикою кіберзлочинців. У медіа та академічних роботах часто описуються сценарії, у яких AI успішно створює фішингові листи, генерує експлойти або допомагає обходити захист. Але автори звертають увагу, що більшість таких кейсів існує в контрольованих умовах і не враховує економічні обмеження реального підпілля. Для кіберзлочинного ринку важлива не сама технічна можливість, а здатність масштабувати інструмент дешево, стабільно та з мінімальними ризиками. Саме тут генеративний AI поки не показав проривних результатів.

Натомість найбільш помітний вплив AI автори фіксують у сферах, де автоматизація вже була критично важливою: SEO-шахрайство, масове створення контенту, спам, бот-мережі, переклади та окремі види романтичного шахрайства. Генеративні моделі дозволяють швидше виробляти тексти, створювати варіативний контент і обходити прості системи захисту. Це не змінює природу атак, але знижує операційні витрати.

Ще один показовий висновок – кіберзлочинці переважно використовують звичайні комерційні AI-продукти, а не спеціалізовані кримінальні моделі. ChatGPT, Claude, Gemini чи Copilot згадуються у форумах значно частіше, ніж «андеграундні» AI-сервіси. Це свідчить, що основна цінність генеративного AI наразі полягає у загальному підвищенні продуктивності, а не у створенні окремої «AI-злочинної» екосистеми.

Тож головний практичний висновок полягає у тому, що ризики від генеративного AI сьогодні радше еволюційні, ніж революційні. AI не створив новий клас кіберзагроз, але прискорив масштабування вже відомих схем – насамперед соціальної інженерії, автоматизованого шахрайства та масового створення контенту. Водночас дослідження показує, що обмеження моделей, економіка атак і потреба у реальних навичках усе ще залишаються важливими стримувальними факторами. Саме тому практичний фокус безпеки сьогодні варто зміщувати не на сценарії «автономного AI-хакера», а на посилення контролю навколо вже відомих типів атак, які AI робить дешевшими та швидшими.

Втім є один сигнал, на який варто звернути окрему увагу. З середини 2025 року на форумах суттєво зросла тривожність щодо скорочення робочих місць у легальній IT-галузі через AI. Автори роботи не виключають, що це може стати непрямим ефектом генеративного AI для кіберзлочинності: масові звільнення кваліфікованих розробників і охолодження ринку праці здатні направити більше технічно грамотних людей у бік підпільних схем – і це вже питання не кібербезпеки, а ширшої економічної та регуляторної політики.

Штучний інтелект перестає бути просто інструментом автоматизації. Нове дослідження показує: головна перевага компаній тепер залежить не від кількості AI-рішень, а від здатності перебудувати процеси, управління та культуру навколо агентних систем.

Сьогодні дискусія про штучний інтелект зміщується від окремих інструментів до перебудови всієї моделі роботи компанії. Саме це є головним висновком чергового звіту Microsoft – «2026 Work Trend Index Annual Report». Його ключова теза звучить доволі жорстко для бізнесу: AI вже не просто допомагає виконувати завдання швидше. Він змінює сам принцип організації роботи, ролі людей та функції менеджменту.

Дослідники опитали 20 тисяч працівників, які регулярно використовують в роботі генеративний AI, у десяти країнах, а також проаналізували понад 100 тисяч анонімізованих розмов у Microsoft 365 Copilot за один тиждень лютого 2026 року. Результати демонструють, що найбільшою проблемою стає не нестача технологій, а нездатність організацій адаптуватися до нового рівня можливостей працівників. Люди вчаться працювати з AI швидше, ніж компанії встигають змінювати власні процеси.

Особливо показовим є те, як змінюється характер праці. Майже половина взаємодій із Microsoft 365 Copilot сьогодні пов’язана не з генерацією текстів чи пошуком інформації, а з аналітикою, ухваленням рішень і розв’язанням проблем. AI дедалі частіше бере на себе виконання рутинних або багатокрокових операцій, тоді як роль людини зміщується у бік контролю якості, визначення цілей, оцінки результатів та управління контекстом.

Це формує новий тип спеціаліста, якого у звіті називають Frontier Professionals. Вони не просто використовують AI-асистентів, а будують агентні workflow, комбінують кілька AI-систем, оптимізують процеси та створюють внутрішні стандарти роботи з AI. Таких працівників поки лише 16%, але саме вони формують найбільшу продуктивність і найшвидше змінюють операційні моделі компаній.

Втім головний фактор успішного впровадження AI – не індивідуальні навички співробітників, а організаційне середовище. Frontier Professionals у 2,5 раза частіше кажуть, що їхній менеджер сам відкрито використовує AI, ставить стандарти якості для такої роботи та створює простір для експериментів. Тобто питання не в підборі правильних людей, а в побудові правильних умов.

Згідно з дослідженням, культура компанії, підтримка менеджерів і HR-практики впливають на реальний ефект від AI більш ніж удвічі сильніше, ніж особистий рівень підготовки працівника. Іншими словами, навіть сильні команди не здатні масштабувати результат, якщо компанія не змінює правила роботи.

Саме тому у звіті з’являється поняття Transformation Paradox. Працівники вже готові перебудовувати свою роботу під AI, але корпоративні системи мотивації, KPI та управління все ще оцінюють їх за старими моделями. 65% респондентів бояться відстати, якщо не адаптуються до AI достатньо швидко, але майже половина водночас вважає безпечнішим працювати за старими правилами, ніж експериментувати з новими підходами.

У таких умовах роль CIO перестає бути суто технологічною. Від IT-директорів очікують не просто запуску Copilot чи корпоративних агентів, а створення повноцінної інфраструктури агентної роботи. У звіті це описується як control plane для AI-агентів: системи управління ідентичностями, доступами, політиками безпеки, моніторингом та життєвим циклом агентів. Фактично AI-агенти починають розглядатися як окремі цифрові сутності всередині enterprise-архітектури.

Не менш важливим стає питання безпеки. Автори звіту прямо вказують на нові ризики: неконтрольований доступ до даних, небажані дії агентів, витоки інформації та помилки, які можуть масштабуватися автоматично. Тому security-функція має інтегруватися в AI-платформу на рівні базових механізмів – через аудит, політики контролю та постійний моніторинг поведінки агентів.

Найцікавіший висновок звіту полягає в тому, що конкурентна перевага тепер формується не навколо самого AI, а навколо здатності організації накопичувати та масштабувати власне знання. Компанії, що зможуть швидше перетворювати локальні експерименти на повторювані процеси, отримають ефект постійного прискорення.

Звідси практичне питання для організацій, які вже масштабують агентів: хто переглядає якість їхньої роботи, хто має право оновлювати робочі процеси, якими вони керують, і як локальний успіх окремої команди перетворюється на інституційне знання. Компанії, які можуть відповісти на ці питання, формують те, що автори звіту називають Owned Intelligence – корпоративний інтелект, який накопичується з часом, є унікальним для організації та не відтворюється простим копіюванням інструментів.

Для технологічного бізнесу це означає перехід до нової операційної моделі, де AI стає не окремим продуктом чи сервісом, а базовим шаром організації роботи. І головне питання для керівництва тепер звучить не «де впровадити AI», а «чи готова компанія перебудувати себе навколо нього».