ИИ смещает конкуренцию в сторону качества данных и скорости обучения моделей. Вендор с лучшей телеметрией (больше агентов в большем числе инфраструктур, разнообразнее среды) строит более точные модели детектирования. Это создаёт эффект масштаба, которого в прежней модели не было: накопленные данные сложно купить, скопировать или догнать за год.

Для российского рынка это означает, что ИИ-переход усиливает разрыв между топ-4 вендорами и остальными, а не выравнивает шансы. Небольшой вендор с 50 клиентами не сможет обучить модель детектирования аномалий, сопоставимую по точности с моделью компании, у которой 100 000 агентов в продакшене.

SIEM/XDR-платформы — наиболее зрелое поле применения ИИ. Классический SIEM собирает события и ищет сигнатуры. ИИ-обогащённый SIEM строит базовую линию поведения каждого пользователя и системы, детектирует отклонения и приоритизирует инциденты по реальному риску. Kaspersky KUMA уже показывает +28% рост в России в 2024-25 годах. MaxPatrol SIEM — флагман Positive Technologies. К 2028 году SIEMы без встроенного UBA (User Behavior Analytics) на ML-основе станут де-факто устаревшим продуктом в корпоративном сегменте.

Автопентест и BAS — класс, который ИИ пересоздаёт. Проблема пентестов была в том, что, по сути, все зависело от конкретного человека-эксперта. Есть у вас крутой хакер – вы делаете крутой пентест клиентам. Но это плохо масштабируется, да и зачем вы (вендор, как работодатель) крутому хакеру? – поэтому часто лучшая экспертиза уходила в бутиковые фирмы из парочки спецов.

PT Dephaze использует ИИ для автоматизации поиска путей атаки. Совместный проект Kaspersky и Сбера по базе мультиагентной системы Сбера, для автоматизации проверки защищенности с использованием GenAI — метит туда же. Это прямая конкуренция с человеческими пентестерами в части рутинных проверок.

К 2028 году «автоматический пентест раз в день» станет нормой для крупных компаний вместо «ручного пентеста раз в год». Это создаёт новую категорию подписочной выручки там, где сейчас есть разовые проекты.

Защита данных (DLP/DSP) — прямой бенефициар оборотных штрафов. PT Data Security делает ставку именно на ML-классификацию как главное конкурентное преимущество над традиционными DLP. Если 96% точность против 24-40% у regex-методов подтвердится в реальных инсталляциях (а не только в лабораторных условиях), это будет аргументом, который сложно игнорировать покупателям. Через несколько лет DLP без ML-классификации данных де-факто потеряет enterprise-рынок.

@gostev_future