Запустить ИИ-агента на багбаунти — дело пяти минут, но превратить его поток сознания в принятые отчёты, чтобы не получить бан за спам и минус в рейтинге, — задача со звёздочкой. Владислав, специалист по реагированию на инциденты из компании «Бастион», около полутора лет активно занимается багхантингом, а последние полгода ищет уязвимости при помощи LLM. По его опыту, типичная ситуация выглядит так: исследователь запускает агента, уходит по делам, а через час видит 67 репортов, из которых лишь три указывают на настоящие уязвимости. Остальные — ложные срабатывания вроде SQLi из-за 500-й ошибки на кавычку или XSS, заблокированного Content Security Policy. Вместо экономии времени приходится тратить часы на триаж, что сводит на нет выгоду от автоматизации.

Проблема в том, что автоматизация смещает бутылочное горлышко с поиска уязвимостей на проверку их реального наличия. Если инструмент генерирует сигналы быстрее, чем человек их обрабатывает, суммарная эффективность падает. Особенно это заметно в российской инфраструктуре, богатой легаси-системами с обилием багов, которые не представляют реальной опасности для бизнеса. Агенты легко находят такие проблемы и радостно вносят в репорт без проверки. По данным HackerOne, объём входящих репортов в 2026 году вырос на 76% год к году, а доля критических и высоких находок увеличилась до 32%. При этом количество валидных ИИ-репортов выросло на 210% за 2025 год, но они теряются в общем потоке. Неудивительно, что curl закрыл свою программу на HackerOne с 1 февраля 2026 года: если раньше каждый шестой репорт был валидным, то теперь — лишь один из двадцати.

В апреле 2026 года HackerOne приостанавливал приём в Internet Bug Bounty, а BI.ZONE и Standoff 365 ввели ограничения на количество отчётов в день в зависимости от рейтинга исследователя. Brave с начала 2025 года банит исследователя после двух репортов, закрытых как спам или N/A, и требует ручной проверки багов с воспроизводимым PoC. Интересно свежее академическое исследование Zheng et al. (2025) на 9 942 раскрытых HackerOne-репортах из 316 программ. Оно показывает, что несколько вариантов XSS составляют 13,8% всех сабмишенов, Information Disclosure — 9,4%, а Access Control вместе с Authentication — больше 10%. При этом авторы отмечают, что современные LLM склонны принимать невалидные репорты, но прикрученный к нейронке RAG помогает решить эту проблему.

Популярность LLM в багхантинге растёт: по опросам Bugcrowd, в текущем году 82% исследователей применяют генеративный ИИ (в 2024-м было 77%, в 2023-м — 64%). По российскому рынку системной статистики почти нет, но тренд тот же. Весной 2025 года Всеволод Кокорин рассказывал, как сделал больше 10 тысяч долларов, потратив на токены меньше тысячи. Профильные специалисты также отмечают эту тенденцию, например, соответствующий разбор от nuit выходил у Positive Technologies. По ощущениям многих хантеров, валидных находок стало в полтора раза больше, а репортов — в три-четыре. Зарубежные багбаунти-площадки пробуют собственный ИИ-триаж: HackerOne запустил h1 Validation и агента Hai. На российских площадках такого пока нет, но несколько команд признаются в кулуарах, что работают в этом направлении.

Подходы к ИИ-багхантингу можно разделить на четыре группы по глубине автоматизации, стоимости и объёмам ручного разбора. Первый — ручной анализ и LLM-советник: исследователь сидит в Burp или ZAP, перехватывает трафик и, заметив странности, копирует запрос с ответом в чат модели, спрашивая, что может быть уязвимым. Это удобно, если не хватает экспертизы в конкретной области, но требует постоянного присутствия человека. Второй — полуавтоматический поиск с верификацией: агент сам отправляет запросы, но перед отправкой репорта исследователь проверяет каждый кандидат. Третий — полностью автоматический пайплайн с несколькими агентами, один из которых ищет, другой верифицирует. Четвёртый — обучение модели на собственных данных программы, что требует значительных вычислительных ресурсов.

Ключевой вывод: проблема не в неспособности ИИ искать уязвимости, а в том, что большинство исследователей останавливается на обнаружении и не делает следующего шага — автоматической верификации того, что выдала LLM. Для этого нужны многослойные пайплайны, где один агент генерирует гипотезы, а другой проверяет их на практике. Например, можно использовать два агента: первый ищет признаки уязвимости, второй отправляет реальные эксплойты и анализирует ответы. Это снижает количество ложных срабатываний в разы, но требует дополнительных затрат на токены и время разработки. Для российского рынка, где много легаси-систем, такой подход особенно актуален, так как позволяет отсеивать неопасные баги.

Перспективы ИИ-багхантинга связаны с развитием специализированных моделей и инструментов верификации. Уже сейчас появляются решения, которые не просто генерируют репорты, но и проверяют их на воспроизводимость. Открытым остаётся вопрос стоимости: использование мощных LLM для верификации может обходиться дороже, чем ручная проверка. Однако с учётом роста числа программ и ужесточения правил площадок, автоматизация триажа становится необходимостью. В ближайшие год-два стоит ожидать появления встроенных ИИ-триажеров на российских багбаунти-платформах, что может изменить правила игры для исследователей.