Борьба с багами в Chrome: как AI за месяц сделал больше, чем за два года
В июне 2026 года Google с помощью AI-инструментов устранила в Chrome 1072 уязвимости — больше, чем за два предыдущих года вместе. Разбираем, как LLM меняют кибербезопасность и почему это важно для каждого пользователя браузера.
Рекордный июнь: 1072 уязвимости за месяц
В июне 2026 года Google устранила в браузере Chrome 1072 уязвимости. Эта цифра превышает общее количество исправленных багов за весь 2024 и 2025 годы - тогда их было 1036. Месяц работы принёс больше результата, чем два предыдущих года.
Такой скачок производительности стал прямым следствием внедрения внутренних инструментов на основе больших языковых моделей (LLM), включая Gemini. Раньше поиск уязвимостей напоминал работу с лупой в огромной библиотеке. Теперь AI-агенты сканируют миллионы строк кода, логи ошибок и отчёты об уязвимостях за секунды, находя скрытые паттерны, которые человек мог бы пропустить.
Результат - не просто рост цифр. Это смена самого подхода к безопасности: от реагирования на уже найденные проблемы к их превентивному массовому устранению.
Как AI находит баги: от ручного поиска к автоматизации
Традиционный поиск уязвимостей - это ручной аудит кода, тестирование и долгий цикл исправления. Эксперт изучает программу, пытается найти слабые места, составляет отчёт. Процесс требует времени, высокой квалификации и подвержен человеческому фактору: усталость, невнимательность, ограниченность ресурсов.
LLM меняют правила игры. Модели вроде Gemini анализируют код не как люди - построчно и медленно, - а как система, способная за минуты обработать объём, на который у команды разработчиков ушли бы недели. Они выявляют типовые ошибки, сопоставляют фрагменты кода с известными шаблонами уязвимостей и даже предлагают готовые исправления. AI-агенты Google автоматически генерируют патчи для типовых проблем, а разработчику остаётся лишь подтвердить изменения. Похожий подход использует Chrome при переходе на двухнедельный цикл обновлений - частота релизов растёт именно потому, что AI находит ошибки быстрее, чем команды успевают их оформлять по старым процессам.
Почему LLM справляются лучше человека?
LLM не «умнее» эксперта по безопасности. Они эффективнее в рутинных задачах. Модель не устаёт, не отвлекается и не пропускает типовые уязвимости из-за невнимательности. Она действует как идеальный ассистент: берёт на себя монотонный просмотр кода, оставляя человеку сложные, нестандартные случаи.
Скорость анализа - ключевой фактор. Там, где специалист тратит дни на проверку модуля, AI справляется за секунды. Масштабируемость тоже имеет значение: одну и ту же модель можно запустить параллельно на сотнях проектов. Финальное решение об исправлении остаётся за разработчиком. AI предлагает, человек утверждает.
Google, Microsoft, Apple: кто лидирует в AI-безопасности
Google демонстрирует конкретный результат: 1072 уязвимости за месяц в Chrome благодаря Gemini и внутренним AI-инструментам. Компания перешла от экспериментов к промышленному применению технологий в своих ключевых продуктах.
Microsoft движется в том же направлении. Azure AI приносит компании финансовые выгоды и одновременно служит платформой для внедрения AI в процессы безопасности. Корпорация наращивает использование моделей для поиска уязвимостей в своих облачных сервисах и операционных системах. Тренд общий: крупные игроки делают ставку на автоматизацию.
Apple пока не показывает аналогичного роста в этой сфере. Компания фокусируется на других направлениях - например, готовит платные AI-лимиты для Siri. В гонке AI-безопасности она остаётся в стороне, не публикуя сопоставимых результатов по поиску и устранению уязвимостей.
Что это значит для обычного пользователя
1072 исправленные уязвимости - это 1072 потенциальных точки входа для хакеров, которые больше не существуют. Каждое обновление Chrome закрывает десятки и сотни дыр, делая браузер безопаснее для всех, кто им пользуется.
От пользователя не требуется специальных действий. Достаточно позволять браузеру обновляться автоматически. Google уже тестирует систему с двумя апдейтами в неделю, а на macOS внедрено фоновое обновление без окон. В перспективе компания обещает динамическое патчирование - установку исправлений без перезагрузки браузера вообще.
Практический совет: проверьте, что автообновления Chrome включены. Это займёт минуту и защитит от большинства известных угроз.
Автоматизация поиска уязвимостей: новая норма кибербезопасности
Кейс Chrome подтверждает прогноз: AI позволяет находить и исправлять баги экспоненциально быстрее. Эксперты предсказывали этот сдвиг, и теперь он подкреплён реальными данными. Модель Claude от Anthropic за 60 часов нашла уязвимость в постквантовой криптографии, которую эксперты проверяли два года. AI становится стандартом индустрии, а не экспериментальной технологией.
Компактные специализированные модели усиливают тренд. Cisco выпустила open-source модели Antares-350M и Antares-1B, которые находят примерно в 150 раз больше уязвимостей на каждый потраченный доллар по сравнению с крупными AI-агентами. Они работают локально, обеспечивая конфиденциальность кода. Для практических задач кибербезопасности такие решения оказываются выгоднее универсальных гигантов.
Стартапы тоже включаются в гонку. Бывшие топ-менеджеры Google по безопасности запустили AegisAI, привлёкший $36 миллионов на борьбу с AI-фишингом. Их AI-агенты анализируют каждое письмо, замечая аномалии, которые пропускают традиционные правила безопасности. За год технологию внедрили десятки компаний.
Ограничения и риски: что AI пока не может
AI-инструменты для поиска уязвимостей не безупречны. Они генерируют ложные срабатывания - принимают безопасный код за уязвимый. Оценка критичности найденной проблемы тоже требует человека: модель может неверно определить, насколько серьезна конкретная уязвимость. Контроль со стороны экспертов остаётся обязательным.
Есть и обратная сторона: злоумышленники получают доступ к тем же технологиям. Хакеры уже используют нейросети для автоматического сбора данных о жертвах и создания персонализированных фишинговых атак. GitHub с 26 июля 2026 года вводит элитную программу Bug Bounty с ограничениями для новичков именно из-за наплыва отчётов, созданных AI-инструментами. Грань между защитой и нападением размывается.
Защитные барьеры тоже создают проблемы. Исследователи кибербезопасности жалуются, что guardrails от OpenAI и Anthropic мешают легитимному поиску уязвимостей. Специалисты тратят время на «переговоры» с моделью вместо работы и переходят на открытые аналоги. Баланс между безопасностью и доступом для исследователей пока не найден.
Несмотря на эти ограничения, польза от AI в кибербезопасности перевешивает риски. Компании, которые не внедряют автоматизацию поиска уязвимостей, рискуют отстать - не потому, что AI идеален, а потому что скорость реакции на угрозы становится критическим фактором выживания в цифровой среде.
