Ētiskais hakeris AI laikmetā: atklāšana kļūst lētāka, atbildība ne

Ētiskā hakera vērtība nepazūd līdz ar AI. Tā pārvietojas no neapstrādātas atradumu ģenerēšanas uz verificētu, drošu un rīcībspējīgu security signal.

Zigmārs AncveirsTechnology Leader in FinTech & RegTech · Cybersecurity & Ethical HackingPublicēts: 2026. gada 26. septembrīPārskatīts: 2026. gada 26. septembrī11 min

Ievads

Iedomāsimies drošības pētnieku, kura AI rīks vienas nakts laikā atrod 230 potenciālas problēmas.

Daļa ir acīmredzami false positive. Daļa ir viena un tā paša root cause varianti. Daļa ir ārpus programmas scope. Daļa izskatās kritiskas tikai tāpēc, ka modelis pieņēmis neesošu priekšnoteikumu. Dažas ir reālas.

Profesionālais darbs nesākas brīdī, kad sarakstā parādās 230 rindas.

Tas sākas brīdī, kad kādam jāpasaka:

kuras no tām ir īstas, kuras ir būtiskas, kuras drīkst droši pārbaudīt un par kurām esmu gatavs uzņemties atbildību.

Tas ir viens no būtiskākajiem veidiem, kā ģeneratīvais AI maina ētiskā hakera darbu.

Nevis tāpēc, ka cilvēks vairs nemeklēs ievainojamības.

Bet tāpēc, ka hipotēžu, payload kandidātu, koda skaidrojumu un profesionāli noformētu tekstu radīšana kļūst daudz lētāka par pierādītu secinājumu.

HackerOne 2026. gada Code of Conduct tieši atļauj AI izmantošanu mācībām, recon, vulnerability discovery, PoC izstrādei un reporta kvalitātes uzlabošanai, vienlaikus atstājot pētniekam pilnu atbildību par findinga validāciju, attack-chain soļiem, scope un reproducējamu PoC.1 Bugcrowd prasa ar GenAI palīdzību veidotus ziņojumus pirms iesniegšanas manuāli pārskatīt un validēt.2 Intigriti prasa pētniekam personīgi identificēt, pārbaudīt un saprast ievainojamību.3

Nozare te nesaka: nelieto AI.

Tā saka ko interesantāku:

izmanto, bet neatsakies no sprieduma.

AI padara lētākas vairākas darba daļas

Daļu no security research darba AI tiešām var paātrināt.

Piemēram:

izskaidrot svešu koda bāzi;
ģenerēt testējamas hipotēzes;
ieteikt neparastus inputus;
pārveidot requestus;
salīdzināt vairākas response variācijas;
palīdzēt ar fuzzing harness;
meklēt attack-chain idejas;
sakārtot piezīmes;
pārbaudīt reporta struktūru;
pārrakstīt tehnisku atradumu skaidrākā valodā.

HackerOne pašreizējā politika šo plašo AI izmantošanas loku pat nosauc tieši — no reconnaissance un vulnerability discovery līdz proof-of-concept development.1

YesWeHack 2026. gada materiālos līdzīgi apraksta AI kā force multiplier, vienlaikus uzsverot, ka cilvēka ekspertīze paliek vajadzīga exploitability un real-world impact validēšanai, īpaši sarežģītās vai nedeterministiskās sistēmās.4

Tas nav mazs produktivitātes uzlabojums.

Pētnieks var pārskatīt vairāk koda, uzģenerēt vairāk eksperimentu un ātrāk nonākt līdz interesantiem kandidātiem.

Taču kandidātu skaits nav drošības rezultāts.

“Atradu” kļūst par pārāk lētu vārdu

Drošības pētniecībā vienmēr ir bijusi atšķirība starp:

signal — kaut kas izskatās interesants;

hypothesis — mums ir ideja, kāpēc tas varētu būt drošības defekts;

finding — defekts ir pārbaudīts un pietiekami pamatots;

risk decision — organizācija saprot, ko ar to darīt.

AI galvenokārt dramatizē pirmo divu posmu mērogu.

Tas var ģenerēt daudz vairāk “šeit varētu būt” apgalvojumu.

Tieši tāpēc profesionālā vērtība pārvietojas uz pāreju:

no “varētu būt” uz “es pārbaudīju, un notiek tieši šis”.

#13 rakstā par AI asistētu vulnerability reportu pierādījumu standartu šo robežu analizēju reporta līmenī.

Šeit svarīgāks ir profesijas līmenis.

Kas paliek cilvēka darbā, kad hipotēžu ražošana kļūst gandrīz bezmaksas?

Scope judgment nav autocomplete uzdevums

AI aģents var atrast endpointu; pats atklāšanas fakts nedod pilnvarojumu to testēt.

Programma var ierobežot resursus, metodes, pieprasījumu intensitāti, testa identitātes, trešo pušu integrācijas, sociālo inženieriju, personas datu apstrādi un stop condition. HackerOne pašreizējie AI noteikumi arī autonomus un daļēji autonomus rīkus atstāj programmas scope un automation ierobežojumu robežās.1

Profesionālā prasme tāpēc nav domēnu saraksta iegaumēšana, bet spēja pamanīt brīdi, kad nākamā tehniski iespējamā darbība iziet ārpus atļautās vai samērīgās robežas. Tiesiskā/politikas puse analizēta good-faith research rakstā.

Labs pētnieks projektē eksperimentu, nevis tikai ģenerē payload

Pieņemsim, ka AI saka:

“Šis parametrs varētu būt vulnerable to IDOR.”

Slikts nākamais solis ir palaist enumerāciju pār 50 000 objektiem.

Labs nākamais solis sākas ar jautājumu:

Kāds ir mazākais eksperiments, kas apstiprina vai noraida hipotēzi?

Varbūt pietiek ar diviem paša kontrolētiem kontiem.

Varbūt pietiek ar vienu autorizācijas robežas pārbaudi.

Varbūt vajadzīgs īpašs test object.

Varbūt produkcijā to vispār nevajag pārbaudīt, ja ir drošs veids reproducēt staging vidē.

Šeit parādās viena no svarīgākajām profesionālajām prasmēm: eksperimenta dizains.

Drošības pētnieks ne tikai jautā “vai varu dabūt vairāk pierādījumu?”.

Viņš jautā:

kas tieši jāpierāda;
kas būtu alternatīvs skaidrojums;
kā izvairīties no false positive;
cik invazīvs tests ir nepieciešams;
kāds ir stop condition;
ko nedrīkst darīt pat tad, ja tehniski var.

To LLM var palīdzēt izdomāt.

Atbildību par eksperimenta izvēli tas neuzņemas.

Profesionāla validācija nav klikšķināšana ar rokām

Šeit viegli aiziet otrā grāvī un sākt glorificēt “manuālu darbu”.

Tas būtu nepareizi.

Fuzzeris var būt izcils pētnieka instruments.

Static analyzer var atrast to, ko cilvēks nekad nepamanītu.

Deterministisks reproducēšanas skripts var būt daudz labāks par manuāli atkārtotu browsera scenāriju.

Agentic tooling var autonomi iziet cauri lielam attack surface un atrast reālas problēmas.

Tāpēc human validation nav metode.

Tā ir atbildības robeža.

HackerOne savu Hackbot modeli formulē kā “hacker-in-the-loop”: cilvēks izmeklē, validē un apstiprina potenciālo vulnerability pirms submission, un operators paliek atbildīgs par aģenta uzvedību.1

Bugcrowd GenAI politika lieto līdzīgu principu: reports, kas izveidots ar GenAI, pirms submission jāpārskata un jāvalidē cilvēkam.2

Cilvēka vērtība te nav tajā, ka viņš pats nospieda katru taustiņu.

Tā ir tajā, ka viņš var atbildēt:

“Jā, es zinu, ko šis rīks izdarīja, un esmu pārbaudījis secinājumu.”

Causal reasoning kļūst svarīgāks par glītu izskaidrojumu

AI var ļoti labi aprakstīt ticamu attack chain.

Tāpēc labs stāsts kļūst par vājāku kvalitātes signālu.

Pētniekam jāspēj parādīt cēloņsakarību:

Ja ķēdē viens posms ir pieņēmums, tas ir jāmarķē.

Ja modelis saka:

XSS → session theft → account takeover

pētniekam jāpārbauda:

vai XSS tiešām izpildās;
vai cookies ir pieejami JavaScript;
vai ir HttpOnly;
vai sesijas modelis vispār izmanto šādu tokenu;
vai CSP vai cita kontrole bloķē konkrēto ceļu;
vai account takeover tiešām ir demonstrējams.

Tas ir profesionāls security reasoning.

Nevis “modelis atrada XSS”, bet “es saprotu, ko šis XSS konkrētajā sistēmā dod un ko nedod”.

precondition
→ controlled action
→ security boundary crossed
→ observable result

Impact judgment ir grūtāks par severity skaitli

AI var uzģenerēt CVSS vektoru sekundēs.

Tas ir noderīgi.

Bet impact nav tikai scoring.

Reālā ietekme var būt atkarīga no:

attacker position;
privilēģijām;
asset criticality;
tenant isolation;
datu rakstura;
deployment mode;
compensating controls;
exploit reliability;
ķēdes ar citu weakness;
produkta faktiskā lietojuma.

Tāpēc labs ētiskais hakeris necenšas “uzvarēt severity strīdā”.

Viņš cenšas precīzi pateikt:

ko izdevās pierādīt, kādos apstākļos un kāda lēmuma pieņemšanai tas ir svarīgi.

Šī pati robeža ir iemesls, kāpēc vulnerability management rakstā nošķīru severity, exploitation evidence un vietējo kontekstu: No ievainojamību saraksta līdz pamatotam lēmumam.

Stop rule ir profesionāla prasme

Ir brīdis, kad nākamais request pievieno mazāk drošības zināšanu nekā operacionālā vai privātuma riska.

Pētnieka uzdevums ir atpazīt, kad hipotēze jau ir pierādīta un turpmāka ekspluatācija galvenokārt palielinātu ekspozīciju. Tas ir cits optimizācijas mērķis nekā aģentam, kurš vienkārši mēģina savākt vairāk evidence: pietiekams pierādījums ar minimāli nepieciešamo ietekmi.

Personas datu stop-and-escalate robeža detalizēti analizēta rakstā Personas dati ievainojamību izpētē.

Ja atradumu ir 200, prioritizācija kļūst par daļu no pētniecības

Ja AI rada vairāk kandidātu, profesionālā kvalitāte ietver arī spēju izlemt, ko neiesniegt.

Pētniekam jāspēj atšķirt root cause no variantiem, exploitable weakness no teorētiska pattern un vienu koherentu findingu no mākslīgi sadrumstalotu reportu kaudzes. Reporta evidence standarts ir definēts rakstā Pierādījumi ir svarīgāki par tekstu, bet rindas un verifikācijas ekonomika — rakstā AI slop nav tikai satura problēma.

Profesionālais signāls nav kandidātu daudzums. Tā ir spēja pārvērst trokšņainu discovery mazākā skaitā stipru un rīcībspējīgu findingu.

Reputācija nevar aizstāt pierādījumu

No tā neizriet, ka “zināmam hakerim jātic, jaunam — nē”.

FIRST established-finder modelis var palīdzēt paātrināt procesu, ja organizācijai ir ilgstoša pieredze ar kvalitatīvu reporteru.6

Taču reputācija ir process optimisation signal.

Tā nav vulnerability proof.

Jauns pētnieks ar perfektu reprodukciju var būt pilnīgi pareizs.

Pieredzējis pētnieks var kļūdīties.

AI laikmetā reputācijas nozīme var pieaugt kā triage prioritātes signālam, bet tehniskā patiesība joprojām jābalsta evidence.

Tas ir svarīgi, lai “AI slop” apkarošana nekļūtu par slēgtu klubu.

Labs ētiskais hakeris palīdz aizvērt problēmu, ne tikai atvērt ticketu

Findinga dzīve nebeidzas ar Triaged.

Ja iespējams, pētnieks var dot vērtību arī vēlāk:

precizēt root cause;
pārbaudīt ietekmētās versijas;
validēt workaround;
retestēt fix;
pamanīt variantu;
palīdzēt noteikt disclosure robežu;
apstiprināt, ka sākotnējais exploit path vairs nedarbojas.

FIRST PSIRT Framework remediation sadaļā tieši paredz iespēju sadarboties ar finder, lai validētu remedy, un iesaka pārbaudīt, vai reported vulnerability ir novērsta visās skartajās versijās.6

Tas ir daudz tuvāk profesionālai partnerībai nekā bounty ekonomikas karikatūra:

atrodi bug → saņem naudu → pazūdi.

AI var paātrināt discovery.

Remediation uzticība joprojām rodas no kvalitatīvas sadarbības.

Kas kļūst lētāks un kas paliek dārgs

Šī tabula nav mēģinājums noteikt, ko “AI nekad nevarēs”.

Tā apraksta pašreizējo profesionālās atbildības sadalījumu.

Tehniskās spējas mainīsies.

Atbildības jautājums paliks.

Kas kļūst lētāks un kas paliek dārgs
Darba daļa	Ko AI var būtiski paātrināt	Kas joprojām prasa profesionālu spriedumu
Recon	asset kandidāti, tehnoloģiju klasifikācija, datu apkopošana	scope, third-party robežas, noise un testēšanas drošums
Code review	pattern meklēšana, skaidrojums, query ģenerēšana	vai pattern konkrētajā izpildes ceļā ir exploitable
Hypothesis generation	attack idejas, payload kandidāti	eksperimenta dizains un false-positive kontrole
Exploitation	skripti, payload iterācijas, harness	stop rule, ietekmes robeža, drošs tests
Report drafting	struktūra, valoda, kopsavilkums	faktiskā precizitāte un claim/evidence saikne
Severity	vector kandidāts, metric skaidrojums	reālais konteksts un demonstrētā impact robeža
Triage interaction	piezīmju apkopošana, datu strukturēšana	atbildes uz tehniskiem iebildumiem un pierādījuma precizēšana
Remediation	patch idejas, variantu meklēšana	vai fix faktiski novērš root cause un neievieš citu risku

Arī AI sistēmu testēšana pati par sevi rada jaunu specializāciju

Jānošķir divas lietas:

AI-assisted security research — AI palīdz testēt jebkādu sistēmu;

security research of AI systems — pats testējamais objekts ir AI sistēma.

Otrais gadījums rada papildu problēmas:

probabilistisku output;
prompt injection;
indirect prompt injection;
tool misuse;
data leakage;
agent permissions;
model/system boundary;
retrieval manipulāciju;
safety-policy bypass;
nondeterministic reproduction.

YesWeHack 2026. gada materiālā par AI sistēmu bug bounty tieši uzsver, ka šīs sistēmas prasa atšķirīgu programmas scope, researcher selection un findings assessment pieeju, jo dabiskās valodas inputi, probabilistiski outputi un deleģētas darbības maina testēšanas modeli.5

Tas nenozīmē, ka tradicionālās prasmes pazūd.

Tieši pretēji — testēšanas atļaujas robežas, reproducējamība, impact un evidence kļūst vēl sarežģītāki.

Ko AI laikmetā nozīmē “labs pētnieks”

Es neizmantotu atrasto kandidātu skaitu kā galveno kvalitātes mēru.

Daudz interesantāks profesionālais nospiedums būtu:

cik bieži findings ir reproducējams;
cik precīzi definēts scope;
cik maz nevajadzīgas ietekmes radīts;
vai reportā atdalīts fakts no pieņēmuma;
vai root cause saprasts, ne tikai simptoms;
vai impact nav uzpūsts;
vai variants netiek mākslīgi sadalīts desmit reportos;
vai remediation var retestēt;
vai disclosure tiek koordinēta;
vai saņēmējam pēc reporta ir vieglāk rīkoties.

Tas nav platformu universāls scoring modelis.

Tas ir mans profesionālās kvalitātes modelis.

Un tam ir viena interesanta īpašība:

gandrīz nevienu no šiem kritērijiem nevar pierādīt ar glītu tekstu vien.

Ko es negribētu pazaudēt

Ir arī pretējs risks.

Cīnoties pret AI slop, var uzbūvēt sistēmu, kas soda jaunus pētniekus, neperfektu angļu valodu vai netradicionālus rīkus.

Tas būtu slikts rezultāts.

Labs security program nedrīkst vērtēt cilvēku pēc tā, vai viņš reportu uzrakstīja bez AI.

Tam jāvērtē:

vai findings ir īsts;

vai evidence ir pietiekams;

vai tests bija atļauts un drošs;

vai reportu var izmantot remediation.

AI var palīdzēt jaunam pētniekam uzrakstīt daudz saprotamāku reportu.

Tas ir ieguvums.

Problēma sākas tikai tur, kur valoda aizstāj sapratni.

Secinājums

Ētiskā hakera loma AI laikmetā nav būt cilvēkam, kurš principiāli atsakās no AI.

Tas būtu tikpat savādi kā atteikties no fuzzera, debugger vai Burp tikai tāpēc, ka rīks automatizē daļu darba.

Svarīgāka robeža ir cita.

AI var palielināt pētnieka spēju:

meklēt, ģenerēt, salīdzināt un formulēt.

Pētniekam joprojām jāspēj:

saprast robežu, izveidot drošu eksperimentu, pārbaudīt cēloņsakarību, ierobežot impact, apstāties īstajā brīdī, prioritizēt un uzņemties atbildību par submission.

Tāpēc es šo profesijas maiņu formulētu šādi:

AI laikmetā atrast kaut ko, kas izskatās pēc ievainojamības, kļūst lētāk. Pierādīt, ka tas ir īsts, būtisks un droši ziņojams, kļūst par arvien lielāku profesionālās vērtības daļu.

Tas nav arguments pret AI.

Tas ir arguments par labāku hakeri.

Biežāk uzdotie jautājumi

Vai AI aizstās ētiskos hakerus?

No pašreizējām platformu politikām un darba modeļiem nevar pamatoti secināt šādu universālu rezultātu. AI jau automatizē un paātrina daļu security research darba, bet vadošās platformas 2026. gadā joprojām skaidri prasa cilvēka validāciju, atbildību un programmas noteikumu ievērošanu.1 2 3

Vai AI atrasts bugs ir mazāk vērtīgs?

Nē. Discovery metode pati par sevi nenosaka findinga kvalitāti. Vērtība ir tajā, vai vulnerability ir īsta, atļauti pārbaudīta, reproducējama, ar saprotamu impact un izmantojama remediation.

Vai profesionālam pētniekam viss ir jāpārbauda manuāli?

Nē. Automatizācija ir normāla security research daļa. Cilvēka validācija nozīmē, ka pētnieks pats saprot un pārbauda gala secinājumu, nevis ka visi soļi jāizpilda ar rokām.

Vai human-in-the-loop pats par sevi garantē kvalitāti?

Nē. Cilvēka klātbūtne ir vērtīga tikai tad, ja cilvēks faktiski pārbauda rezultātu, kontrolē scope un uzņemas lēmumu atbildību. Dekoratīvs approval clicks nav drošības kontrole.

Vai AI var izmantot autonomai vulnerability discovery?

Atsevišķas platformas pieļauj autonomous vai semi-autonomous rīkus, taču programmas scope un automation ierobežojumi joprojām ir saistoši. Piemēram, HackerOne tieši nosaka, ka AI-assisted activity jāievēro programmas scope, request-volume un rate-limit noteikumi.1

Kas būs svarīgākais ētiskā hakera portfolio?

Ne tikai atrasto reportu skaits. Spēcīgāks profesionāls pierādījums ir reproducējami findingi, precīzs scope, kvalitatīva impact analīze, root-cause izpratne, drošs PoC, remediation/retest pieredze un konsekventa responsible disclosure disciplīna.

Avotu statuss

Platformu noteikumi un publiskie materiāli pārbaudīti 2026. gada 25. septembrī. Rakstā aprakstītā profesionālās vērtības pārbīde ir autora analīze, ne universāls darba tirgus prognožu apgalvojums. Platformu AI noteikumi laika gaitā var mainīties; konkrētā programmā noteicoši ir tās aktuālie noteikumi.

Šis raksts ir profesionālas drošības pētniecības prakses analīze, nevis individuāla juridiska konsultācija.