Цифровая трансформация и кибербезопасность: как управлять рисками ИИ и не потерять бизнес в 2026 году

1,5 трлн рублей - столько российский бизнес потерял от кибератак за восемь месяцев 2025 года по оценке Сбербанка. При этом число атак на бизнес и госструктуры выросло втрое. Каждые три минуты в России фиксируется кибератака на коммерческую компанию, и каждая вторая организация уже столкнулась с инцидентом.

Цифровая трансформация и кибербезопасность перестали быть отдельными повестками. Компания, которая внедряет ИИ без системы управления рисками, не ускоряет бизнес - она создает неуправляемые точки отказа. Производственное предприятие ЦФО, запустившее AI-систему контроля качества без защиты обучающих данных, рискует получить не рост эффективности, а скомпрометированную модель, которая пропускает брак или блокирует исправную продукцию - и никто не поймет почему.

Среднее время обнаружения инцидента в корпоративной среде – около 200 дней по данным IBM. За это время злоумышленник успевает клонировать модель, извлечь персональные данные клиентов или незаметно сместить логику принятия решений.

В этой статье - конкретная система защиты: какие угрозы несет ИИ, как выстроить управление рисками по российским и международным стандартам, какие инструменты выбрать в условиях импортозамещения и как пройти путь от аудита до работающего SOC. Материал ориентирован на руководителей и специалистов ИБ компаний Белгородской области, которые уже внедряют или планируют внедрять ИИ в бизнес-процессы. Рекомендуем также ознакомиться с нашим обзором инструментов импортозамещения в ИТ-инфраструктуре - он напрямую связан с выбором защищенных платформ для внедрения ИИ.

Какие угрозы возникают при внедрении ИИ

Когда компания внедряет искусственный интеллект, она расширяет не только возможности, но и поверхность атаки. Злоумышленник не взламывает сервер - он атакует логику модели, ее обучающие данные или поведение при инференсе. Кибератаки 2026 года все чаще направлены именно на AI-компоненты корпоративной инфраструктуры, и традиционный антивирус или межсетевой экран здесь не помогут.

Основные типы угроз ИИ, о которых молчат вендоры

Пример сценария: логистическая компания внедрила ML-модель для оптимизации маршрутов. Конкурент через легитимный API методично отправлял запросы с варьируемыми параметрами - и за три месяца клонировал модель с точностью 87%. Компания потеряла ключевое технологическое преимущество, не зафиксировав ни одного инцидента в SIEM: трафик выглядел как обычные пользовательские запросы.

Ключевое отличие AI-угроз от классических: они не оставляют следов в стандартных журналах событий. SIEM зафиксирует аномальный трафик, но не распознает data poisoning на этапе дообучения модели. Именно поэтому управление рисками ИИ требует отдельной системы управления рисками (фреймворка), а не надстройки над существующей ИБ-инфраструктурой.

Чем заканчивается игнорирование AI-угроз

Неконтролируемые риски ИИ ведут к APT - целевым длительным атакам на инфраструктуру. Типичный сценарий: если через data poisoning злоумышленник «обманет» ИИ во время его обучения, он начнет считать опасные операции обычными. Это позволит скрытно проводить мошеннические транзакции в течение длительного времени. Последствия разворачиваются на трех уровнях:

• Финансовые потери - прямой ущерб, штрафы регулятора, расходы на восстановление
• Репутационный ущерб - утрата доверия клиентов, особенно критичная для финансового и медицинского секторов
• Операционный паралич - вынужденная остановка AI-систем, откат к ручным процессам, срыв сроков трансформации

Как управлять рисками ИИ: методы и фреймворки

Управление рисками ИИ - не разовый аудит перед запуском модели. Это непрерывный процесс, встроенный в жизненный цикл каждой AI-системы. Международный стандарт де-факто - NIST AI RMF. Он совместим с ISO/IEC 42001 и требованиями ФЗ-152, не противоречит российскому регулированию (ГОСТ Р ИСО/МЭК 42001-2024), в основе которого лежит международный стандарт ISO/IEC 42001.

NIST AI RMF: четыре шага к контролю над рисками

Govern: кто отвечает за риски ИИ в вашей компании

Первый вопрос, на который должен быть ответ до запуска любой AI-системы - кто принимает решение об ее остановке и по какому критерию. Без этого остальные три этапа теряют смысл.

• Назначить ответственного за риски ИИ - отдельная роль, не совмещенная с CISO
• Сформировать комитет по надзору: ИБ, ML-инженеры, юристы, бизнес-владельцы
• Разработать политику использования ИИ с классификацией систем по уровню риска
• Определить допустимый уровень риска для каждой категории AI-систем
• Установить регламент пересмотра политик - не реже одного раза в год

Для белгородских компаний, работающих с государственными контрактами, этот этап означает также приведение документации в соответствие с требованиями ФСТЭК и ФСБ

Map: где у вас слепые зоны

Большинство компаний не знают, сколько AI-систем реально работает в их инфраструктуре. Теневые модели, внедренные отдельными подразделениями без согласования с ИБ, - самая частая находка при аудите.

• Составить реестр AI-систем с описанием входных данных, модели и бизнес-контекста
• Для каждой системы определить заинтересованные стороны и последствия сбоя
• Идентифицировать конкретные угрозы: data poisoning, adversarial examples, model extraction применительно к каждой модели
• Задокументировать источники обучающих данных и цепочку их поставки
• Подключить Threat Intelligence - актуальные данные об угрозах из отчетов Positive Technologies и бюллетеней НКЦКИ

Measure: что измеряем и как

Качественная оценка рисков - хорошо. Цифры - лучше. Этот этап переводит «высокий риск» в конкретные пороговые значения.

• Провести тестирование на устойчивость к adversarial examples и data poisoning до вывода в продуктив
• Оценить точность модели на репрезентативных и нетипичных выборках
• Внедрить UEBA - поведенческую аналитику для обнаружения аномалий
• Определить метрики мониторинга: дрейф модели, аномальные паттерны запросов, отклонения во входных данных
• Установить SLA на время обнаружения аномалии - целевой показатель: не более 4 часов против среднеотраслевых 194 дней

Manage: как реагируем на инциденты

• Приоритизировать риски по матрице вероятность/ущерб
• Разработать план реагирования на AI-инциденты с четкими триггерами для остановки модели
• Настроить SOC на мониторинг AI-специфичных событий в связке с SIEM и SOAR
• Проводить регулярную калибровку и переобучение моделей с контролем цепочки данных
• Документировать инциденты и использовать их для обновления карты угроз

 Как ISO/IEC 42001 дополняет NIST AI RMF

ФЗ-152 в этой связке выступает базовым регулятором: любая AI-система, обрабатывающая персональные данные российских граждан, обязана соответствовать его требованиям вне зависимости от выбранного фреймворка.

Какие законы и стандарты регулируют ИИ в России

Незнание регуляторики больше не смягчающее обстоятельство. Штрафы по ФЗ-152 достигают 25 млн рублей за повторный инцидент, санкции EU AI Act - до 35 млн евро. Регулирование ИИ в России строится на трех уровнях: федеральное законодательство, президентские указы и национальные стандарты серии ГОСТ Р.

Российская нормативная база

ФЗ-152: базовые обязательства для AI-систем

• Локализация персональных данных на серверах в РФ
• Явное согласие на автоматизированную обработку данных
• Право субъекта на оспаривание автоматизированного решения
• Уведомление Роскомнадзора об утечках в течение 24 часов
• Хранение журналов обработки данных, как правило, не менее трех лет

Указ Президента РФ № 490 с обновлениями 2024-2026 годов задает стратегический вектор Национальной стратегии ИИ до 2030 года: государственная поддержка внедрения сопровождается растущими требованиями к безопасности и прозрачности AI-систем в критических отраслях.

В России принят первый профильный Федеральный закон о регулировании ИИ (проходит финальные стадии утверждения) «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Среди основных требований – жестко  регламентирует локализацию инфрастуктуры, обязательность внедрения системы предотвращения ИТ-рисков, обязанность крупных ИТ-платформ маркировать аудио- и видеоматериалы, созданные ИИ.

Ключевые ГОСТы для AI-систем

Международные стандарты: три документа, которые важны даже для регионального бизнеса

EU AI Act: классификация по уровням риска


ISO/IEC 42001:2024 является основой для ГОСТ Р ИСО/МЭК 42001-2024. NIST AI 100-1 и SP 800-218A формируют методологическую базу для безопасной разработки AI-систем - на них ссылаются ведущие российские интеграторы при построении AI Security.

Минимальный план соответствия для компании

• Провести gap-анализ (анализ разрывов) относительно ФЗ-152,  ГОСТ Р 71476-2024 и нового ФЗ о регулировании ИИ (номер пока не присвоен, законопроект до утверждения имеет номер 1271570-8)

• Разработать политику использования ИИ с классификацией систем по уровню риска

• Назначить AI Compliance Officer (Офицера по ИИ-комплаенсу) или возложить функцию на DPO (Ответственного за организацию обработки персональных данных)

• Внедрить документирование AI-решений: карточки моделей, журналы обучения, отчеты тестирования

• Установить регламент внутреннего аудита AI-систем - не реже одного раза в год

Подробнее о процедурах соответствия читайте в нашем разделе по правовым вопросам цифровой трансформации.

Как обеспечить безопасность при внедрении ИИ на практике

Фреймворки задают направление, но реальную защиту при внедрении ИИ обеспечивают технические меры на трех уровнях. Слабость на любом из них обнуляет усилия на остальных.

Уровень 1 - безопасность при разработке: закладываем защиту до первой строки кода

Secure-by-design - не модное слово, а экономия денег. Устранение уязвимости на этапе разработки стоит в 30 раз дешевле, чем после запуска в продуктив.

• Threat modeling до начала разработки - идентификация векторов атак на конкретную модель и ее данные
• Изоляция сред: разработка, тестирование и продуктив разделены с разграничением прав доступа
• Контроль цепочки поставки данных - верификация источников обучающих данных, проверка целостности датасетов
• Тестирование на проникновение AI-компонентов силами Positive Technologies или внутренней red team
• Интеграция проверок безопасности в CI/CD: автоматическое сканирование зависимостей, контроль версий моделей
• Реестр open-source компонентов с регулярным аудитом уязвимостей - каждая библиотека TensorFlow или Hugging Face это потенциальный вектор supply chain атаки

Уровень 2 - защита данных: шифрование, доступ, контроль утечек

Данные - главный актив и главная уязвимость любой AI-системы. Три принципа защиты: минимизация, шифрование и контроль доступа.

• Encryption At rest: обучающие данные и веса моделей шифруются по ГОСТ Р 34.12-2015 (Кузнечик) для систем с государственными данными
• Encryption In transit: TLS 1.3 для всех API-соединений, VPN-туннели для межсистемного взаимодействия
• Encryption In use: защита данных непосредственно в процессе обучения и инференса в оперативной памяти (VRAM) с помощью технологий конфиденциальных вычислений (Confidential Computing) и доверенных сред исполнения (TEE)
• Изоляция хранилищ: обучающие данные, тестовые выборки и продуктивные данные хранятся раздельно с разными ключами
• Ролевая модель доступа (RBAC/ABAC): ML-инженер не имеет прав на продуктивные данные, аналитик не имеет прав на изменение весов модели
• Enterprise DLP-контроль:  Solar Dozor, Гарда Предприятие, InfoWatch Traffic Monitor или SearchInform КИБ - контроль периметра и предотвращение утечек через съемные носители, почту, мессенджеры
• Псевдонимизация и анонимизация персональных данных до их передачи в обучающие выборки - обязательное требование ФЗ-15

Импортозамещение средств защиты данных

Уровень 3 - безопасность при эксплуатации: мониторинг, который не спит

Что должен видеть SOC в AI-инфраструктуре

• SIEM с AI-специфичными правилами корреляции: аномальное число запросов к модели, признаки model extraction, дрейф предсказаний
• UEBA - поведенческая аналитика: система фиксирует базовый профиль поведения каждого сервиса, отклонения эскалируются в SOC
• Мониторинг дрейфа модели: автоматическое сравнение текущих предсказаний с базовым распределением
• Honeypots для AI-систем: искусственные API-эндпоинты фиксируют попытки разведки и model extraction

Что автоматизирует SOAR

• Изоляция скомпрометированного API-эндпоинта при обнаружении model extraction
• Откат к предыдущей версии модели при признаках data poisoning
• Уведомление Роскомнадзора при инцидентах с персональными данными - соответствие 24-часовому требованию ФЗ-152 (мы всё же рекомендуем «ручную» проверку подготовленных данных перед отправкой)
• Формирование отчета об инциденте в формате НКЦКИ

Российская платформа Security Vision (класс SOAR/IRP) позволяет полностью автоматизировать рабочие процессы SOC и сценарии реагирования на специфические ИИ-угрозы, оркестрируя отечественные СЗИ (Astra Linux, UserGate, Kaspersky) в рамках единого сертифицированного контура.

ИИ в информационной безопасности: дорожная карта для бизнеса

Пять этапов ниже - не теория. Это последовательность, которая работает для компаний среднего размера в условиях дефицита кадров и санкционных ограничений, характерных для Белгородской области.

Этап 1 - аудит: узнайте, что реально происходит в вашей инфраструктуре

Самая частая находка при аудите белгородских предприятий - использование облачных AI-сервисов зарубежных вендоров без договоров обработки персональных данных. Это нарушение ФЗ-152 до того, как произошел хоть один инцидент.

• Составить реестр всех AI-систем, включая теневые, внедренные подразделениями без согласования с ИБ
• Провести gap-анализ по ГОСТ Р 71476-2024, ГОСТ Р ИСО/МЭК 24029, законопроекту 1271570-8 и ФЗ-152
• Оценить зрелость SOC: покрытие мониторингом, наличие AI-специфичных правил, скорость реагирования
• Выявить критические зависимости: какие процессы остановятся при компрометации, сбое или «отравлении» AI-системы

Этап 2 — Консолидация данных и выбор архитектурной платформы

Критерий	Российские On-Premise решения (на своем «железе»)	Отечественные гибридные Облака (SaaS / API)
Соответствие ФЗ-152	Полное автономное соответствие внутри периметра.	Полное (при условии выбора сертифицированного облачного провайдера РФ).
Сертификация ФСТЭК	Есть (на уровне СЗИ, СУБД и операционной системы).	Есть (размещение в аттестованном ИБ-контуре провайдера, например, до УЗ-1).
Отказоустойчивость инфраструктуры	Максимальная: полная автономность предприятия при отключении внешнего интернета или работе РЭБ.	Средняя: критическая зависимость от стабильности магистральных каналов связи.
Стоимость на старте	Высокая (капитальные затраты CAPEX на покупку GPU-серверов и лицензий).	Низкая (операционные затраты OPEX по подписке за объем запросов).
Долгосрочная стоимость	Ниже (при постоянной высокой нагрузке на ИИ-модели).	Выше (при масштабировании и миллионных объемах запросов).
Скорость развертывания	От 3 до 6 месяцев (поставка оборудования, монтаж, пусконаладка).	От 1 до 2 недель (быстрая интеграция через готовые API).

Резюме для выбора:

Для компаний с государственными контрактами, стратегических предприятий (КИИ) или в условиях высоких рисков нарушения связи (что критично для Белгородской области) выбор однозначен — российские локальные On-Premise решения.

Для гражданского среднего бизнеса без жестких требований к автономности экономически оправдан гибридный подход: конфиденциальное «ядро» данных остается внутри компании, а тяжелые вычисления и обработка некритичных запросов делегируются в доверенные российские облачные платформы (Yandex Cloud, GigaChat API и др.).

Этап 3 - настройка ML-мониторинга и SOAR

• Развернуть SIEM с AI-специфичными правилами корреляции
• Настроить SOAR-плейбуки для автоматического реагирования на AI-инциденты
• Откалибровать ML-модели обнаружения аномалий на исторических данных компании - стандартные модели дают высокий процент ложных срабатываний без локальной адаптации
• Интегрировать мониторинг ML-пайплайнов разработки и эксплуатации в консоль SOC
• Развернуть honeypots (приманки) для выявления попыток model extraction
• Внедрить результаты тестов устойчивости в базу знаний SOAR для корректной классификации инцидентов

Security Vision сокращает путь от развертывания до первых детектирований с нескольких месяцев до нескольких недель.

Этап 4 - команда: как решить кадровый дефицит в Белгородской области

Большинство AI Security специалистов концентрируются в Москве и Санкт-Петербурге. Для Белгорода это реальная проблема - но решаемая. Минимальный состав кросс-функциональной команды:

• Руководитель по рискам ИИ - стратегия и взаимодействие с комитетом по надзору
• ML-инженер с компетенциями в ИБ - технический контроль моделей, тестирование на устойчивость
• Аналитик SOC с подготовкой по AI-угрозам - мониторинг и реагирование
• Compliance-офицер - соответствие ФЗ-152 и ГОСТ Р ИСО/МЭК 42001-2024

Практические решения кадрового вопроса:

• Партнерство с БГТУ им. В.Г. Шухова для подготовки специалистов под конкретные задачи
• Привлечение специалистов компании Белинфоналог либо дистанционное привлечение экспертов  Positive Technologies и Security Vision для первоначальной настройки
• Аутсорсинг функций SOC на начальном этапе с постепенной передачей компетенций внутрь
• Переобучение действующих ИБ-специалистов по программам Kaspersky и Positive Technologies

Этап 5 - пилот и масштабирование

• Выбрать пилотную AI-систему: не критически важную, но достаточно нагруженную для репрезентативных данных
• Определить метрики успеха: время обнаружения инцидента, процент ложных срабатываний, покрытие мониторингом
• Первые две недели работать в режиме наблюдения без автоматического реагирования - накопить базовые профили поведения
• Постепенно включать автоматические реакции SOAR по мере снижения ложных срабатываний
• Оценить экономическую эффективность (ROSI): стоимость внедрения против потенциального ущерба на основе отраслевых данных
• Принять решение о масштабировании на основе результатов пилота

Подробнее об инструментах и партнерах для AI Security читайте в нашем разделе цифровых решений для бизнеса.

ИИ и кибербезопасность: как построить устойчивую стратегию на 2026 год

Компания, которая внедряет ИИ без управления рисками, накапливает долг, который придется отдавать в самый неподходящий момент: во время инцидента, проверки регулятора или потери ключевого клиента.

2026 год - переломный. Требования ГОСТ Р 71476-2024 и ФЗ-152 применяются все строже. Компании Белгородской области, выстроившие AI Security сейчас, получат не только защиту, но и конкурентное преимущество: соответствие регуляторике становится аргументом при работе с государственными заказчиками и крупными корпоративными клиентами.

Три правила баланса ИИ и кибербезопасности

• Человекоцентричность - ИИ принимает решения, человек несет за них ответственность. Комитет по надзору и процедуры оспаривания автоматизированных решений - механизм контроля, без которого система неуправляема
• Прозрачность - каждое решение AI-системы должно быть объяснимо регулятору, клиенту и суду. Explainable AI - требование ФЗ-152 и EU AI Act, а не опциональная функция
• Суверенитет данных - обучающие данные, веса моделей и персональные данные граждан РФ хранятся на российских серверах, защищены сертифицированными средствами и не передаются за рубеж без правового основания

Что сделать прямо сейчас: семь шагов

• Инвентаризация: Провести аудит всех AI-систем - зафиксировать текущее состояние, найти критические пробелы, скрытые каналы использования зарубежных нейросетей (Shadow AI)
• Кадры: Назначить ответственного за риски ИИ и сформировать комитет по надзору
• Комплаенс: Провести gap-анализ соответствия ФЗ-152, ГОСТ Р ИСО/МЭК 71476-2024, ГОСТ Р 42001-2024 и законопроекту 1271570-8
• Мониторинг: Выбрать и развернуть SIEM + SOAR с AI-специфичными правилами корреляции на базе российских сертифицированных решений
• Харденинг: Протестировать модели на устойчивость к инъекциям (adversarial examples) и отравлению данных (data poisoning) до вывода в продуктивную среду
• Эксплуатация: Настроить постоянный мониторинг дрейфа моделей и автоматическое реагирование SOC
• Обучение: аналитики SOC должны понимать AI-угрозы, ML-инженеры – знать основы ИБ

Если вы уже внедряете ИИ или только планируете - начните с комплексного ИБ-аудита. Это займет две-три недели и даст ясную картину рисков именно вашей инфраструктуры. Свяжитесь с нами на belinfonalog.ru: поможем выстроить систему управления рисками ИИ с учетом специфики белгородского рынка, требований ФСТЭК и реального бюджета вашей компании.