Журнал "Information Security/ Информационная безопасность" #3, 2026

мации участвовала в работе модели, а значит, могла повлиять на итоговый результат. Поэтому и вопросы при расследова- нии возникают уже другие. Какой ИИ- сервис использовался – внутренний или внешний? Был ли он разрешен корпо- ративной политикой? Какие данные попали в запрос? Сохранялась ли исто- рия взаимодействия? Использовалась ли переданная информация для обуче- ния модели? Что именно ИИ вернул пользователю, и как этот результат при- менялся дальше? При работе с DLP-системой уже мало просто зафиксировать факт передачи данных. Нужно восстановить весь сце- нарий работы с информацией: опреде- лить источник данных, проследить дей- ствия пользователя, понять, через какой сервис проходила обработка, какие политики безопасности сработали и чем в итоге завершилось взаимодей- ствие с ИИ. Возможности InfoWatch Traffic Monitor Практика показывает, что для многих компаний базовая проблема – не пред- отвращение утечек, а отсутствие види- мости. Прежде чем выстраивать защиту, нужно понять, используют ли сотрудники генеративный ИИ вообще, какие сервисы выбирают и насколько активно они это делают. В InfoWatch Traffic Monitor 1 пер- вым этапом становится определение так называемого периметра искусственного интеллекта – всех ИИ-сервисов, с кото- рыми взаимодействуют пользователи. Это позволяет увидеть реальную картину использования генеративных моделей в организации и понять, где действительно возникают риски. Следующая задача – определить, какие обращения к ИИ требуют внимания службы информационной безопасности. Для этого в Traffic Monitor используются обновленные базы контентной фильт- рации. Они содержат специализирован- ные словари, характерные для взаимо- действия с генеративными моделями, и позволяют выявлять попытки передачи конфиденциальной информации в пуб- личные ИИ-сервисы. На основе этих механизмов в системе предусмотрены готовые объекты защиты и политики безопасности, закрывающие наиболее распространенные сценарии работы с генеративным ИИ. Их можно использо- вать из коробки, а затем адаптировать под специфику конкретной организации. В результате специалист по безопас- ности получает не просто информацию о том, что сотрудник обратился к ИИ, а возможность отделять обычные рабочие сценарии от потенциальных инцидентов и принимать решение уже с учетом кон- текста. Организационные меры – основа защиты Появление генеративного ИИ не отме- няет привычных организационных мер в аспекте информационной безопасно- сти, и даже делает их еще более важ- ными. Даже самая современная DLP не сможет компенсировать отсутствие понятных правил использования ИИ внутри компании. Сотрудники должны понимать, какими сервисами можно пользоваться и какие данные нельзя передавать внешним моделям. Важно, чтобы они умели отли- чать легитимные ИИ-сервисы от их под- дельных копий, которые все чаще используются для кражи корпоративной информации. Еще одна задача – определить дове- ренный периметр искусственного интел- лекта. Организация должна понимать, какие модели разрешены к использова- нию, кто имеет к ним доступ и как они применяются в рабочих процессах. Как уже говорилось выше, в InfoWatch Traffic Monitor такой периметр можно сформи- ровать уже на этапе внедрения систе- мы. С распространением ИИ-агентов воз- растает значение управления полномо- чиями. Если агент действует от имени пользователя, его права должны конт- ролироваться так же внимательно, как права самого сотрудника. Здесь по- прежнему работает принцип минималь- ных привилегий: агенту должны быть доступны только те действия, которые действительно необходимы для выпол- нения его задач. Отдельный вопрос – допустимость использования публичных моделей. Одни компании полностью запрещают их применение, другие разрешают работу только с определенными сер- висами, третьи делают ставку на внут- ренние LLM. Универсального решения здесь нет. Выбранный подход должен соответствовать уровню зрелости про- цессов ИБ и характеру обрабатываемых дан- ных. Еще одна мера, которая становится особенно актуальной, – обезличивание информации перед передачей в ИИ. Если модель может решить задачу без персональных данных или другой чув- ствительной информации, именно так и стоит строить процесс. В сочетании с принципами Zero Trust это позволяет существенно снизить риск утечки. В конечном итоге идея всех ограниче- ний не в том, чтобы запретить искус- ственный интеллект, а в том, чтобы сделать его использование управляе- мым. Именно с этого и должна начи- наться безопасная работа с генератив- ным ИИ. Вместо заключения Генеративный ИИ вряд ли станет слишком трудным испытанием для DLP- систем. Настоящие изменения начнутся тогда, когда с корпоративными данны- ми будут работать уже не сотрудники, а десятки и сотни ИИ-агентов, взаимо- действующих друг с другом без участия человека. Для DLP это будет означать смену привычной модели контроля. Если раньше в центре внимания нахо- дились действия конкретного пользо- вателя, то теперь придется анализиро- вать поведение целой цифровой среды, где решения принимаются автомати- чески, а данные непрерывно передают- ся между агентами, сервисами и кор- поративными системами. Системе защиты нужно будет понимать не толь- ко, кто инициировал тот или иной про- цесс, но и как взаимодействовали между собой агенты, какие данные они передавали друг другу, какие решения принимали и как в итоге развивался весь сценарий обработки информации. Такой уровень анализа потребует от DLP совершенно другого понимания происходящего. Возможно, именно этот переход станет самым серьезным изме- нением класса DLP за всю историю его существования. l • 41 DLP+DCAP www.itsec.ru Рис. Снижение рисков, обеспечение безопасной работы с генеративным ИИ АДРЕСА И ТЕЛЕФОНЫ ГК INFOWATCH см. стр. 94 NM Реклама 1 https://www.infowatch.ru/zaschita-dannykh-ot-utechek/dlp-sistema- traffic-monitor